CN115018315A - 一种供热异常的检测方法、装置、电子设备及存储介质 - Google Patents
一种供热异常的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115018315A CN115018315A CN202210614186.4A CN202210614186A CN115018315A CN 115018315 A CN115018315 A CN 115018315A CN 202210614186 A CN202210614186 A CN 202210614186A CN 115018315 A CN115018315 A CN 115018315A
- Authority
- CN
- China
- Prior art keywords
- water temperature
- return water
- data
- correlation coefficient
- subsystems
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 119
- 238000010438 heat treatment Methods 0.000 claims abstract description 64
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 208000012826 adjustment disease Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种供热异常的检测方法、装置、电子设备及存储介质。该方法包括:获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统,根据回水温度数据,计算每两个子系统之间的第一相关系数,基于第一相关系数,从回水温度数据中筛选所述供热系统的回水温度异常数据。本申请能够解决供热系统“高迟滞”问题,使回水温度数据得到充分挖掘和解读,并且检测出的供热异常数据更加准确。
Description
技术领域
本申请涉及供热质量异常检测技术领域,尤其涉及一种供热异常的检测方法、装置、电子设备及存储介质。
背景技术
在集中供热的大背景下,供热异常可能造成能源浪费、供热效果不佳、设备故障无法正常工作等,比较快速的发现供热异常时供热检测中的主要问题。对于供热异常检测,部分企业会采用传统的方法,对管道进行检修排查或结合人工经验通过采集器监测的数据进行判断等方法检测异常,但是集中供热数据量大,靠人工排查或者经验判断的方式不够准确及时。
因此,众多企业在供热数据检测上投入了大量的成本,以期能够通过监控点的数据来发现数据中存在的异常状况,比如,根据某一时刻的采集状态设定阈值,通过状态和阈值,使得系统能够及时响应,但是通过调研发现供热系统本身存在一个“高迟滞”问题,即系统调节相对于气温的、供热管网热量的滞后性,如果供热管网调节反应滞后时间长,数据实际发生较大规模、较长时间偏差变成常态,点数据的异常往往是由于调节反应滞后造成的,而系统性异常往往被其掩盖,这样导致了数据无法得到充分挖掘和解读,大大浪费了数据资源,且不能准确检测出供热异常的数据。
发明内容
本申请提供了一种供热异常的检测方法、装置、电子设备及存储介质,以解决由于供热系统的“高迟滞”问题导致传统供热异常检测的结果不准确的问题。
第一方面,本申请提供了一种供热异常的检测方法,包括:
获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,所述供热系统包括至少两个子系统;
根据所述回水温度数据,计算每两个子系统之间的第一相关系数;
基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据。
在一种可能的实现方式中,基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据,包括:
将所述第一相关系数进行聚类,得到至少两个类别;
从所述至少两个类别中选取聚类中心点相对较低的一个或多个目标类别;
基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据。
在一种可能的实现方式中,基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据,包括:
针对所述一个或多个目标类别中的每个相关系数,执行以下步骤:
将该相关系数所对应的两个子系统的回水温度数据作为两个待处理数列;
基于预设的多个窗口大小,通过滑动窗口从所述两个待处理数列选取相应的数据,并计算得到二者之间的第二相关系数;
从全部第二相关系数中选取最小的第二相关系数;
从所述两个待处理数列中,将最小的第二相关系数所对应的窗口大小和窗口起始值所确定出的数据,确定为回水温度异常数据。
在一种可能的实现方式中,从全部第二相关系数中选取最小的第二相关系数,包括:
通过第一公式确定所述最小的第二相关系数,所述第一公式为
其中,ω为所述最小的第二相关系数,Min()为最小值函数,j为所述滑动窗口大小,i为所述滑动窗口起始值,X和Y分别为两个子系统在预设时间周期的回水温度数据,和分别为两个子系统在预设时间周期的回水温度数据在所述滑动窗口大小j、起始值i时所选取数据的均值,和分别为两个子系统之间的回水温度数据在所述滑动窗口大小j、起始值i时所选取数据的标准差,为两个子系统之间的回水温度数据在所述滑动窗口大小j、起始值i时所选取数据的协方差。
在一种可能的实现方式中,根据所述回水温度数据,计算每两个子系统之间的第一相关系数,包括:
针对每两个子系统,通过第二公式确定该两个子系统之间的第一相关系数,所述第二公式为
其中,ρXY为该两个子系统之间的第一相关系数,cov(X,Y)=E(X-μXY-μY为该两个子系统之间的回水温度数据的协方差,σX和σY分别为该两个子系统之间的回水温度数据的标准差。
在一种可能的实现方式中,基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据,包括:
将所述一个或多个目标类别中的相关系数所对应的回水温度数据,确定为所述供热系统的回水温度异常数据。
在一种可能的实现方式中,所述预设时间周期为24小时。
第二方面,本申请提供了一种供热异常的检测装置,包括:获取模块、计算模块和筛选模块:
所述获取模块,用于获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,所述供热系统包括至少两个子系统;
所述计算模块,用于根据所述回水温度数据,计算每两个子系统之间的第一相关系数;
所述筛选模块,用于基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据。
第三方面,本申请提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本申请提供一种供热异常的检测方法、装置、电子设备及存储介质,通过获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统,根据回水温度数据,计算每两个子系统之间的第一相关系数,基于第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据。这样就解决了供热系统“高迟滞”问题,使回水温度数据得到充分挖掘和解读,并且检测出的供热异常数据更加准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的供热异常的检测方法的实现流程图;
图2是本申请实施例提供的供热异常的检测方法的窗口滑动过程图;
图3是本申请实施例提供的供热异常的检测方法的滑动窗口外循环流程图;
图4是本申请实施例提供的供热异常的检测方法的滑动窗口内循环流程图;
图5是本申请实施例提供的供热异常的检测方法的结构示意图;
图6是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本申请实施例提供的供热异常的检测方法的实现流程图详述如下:
在步骤101中,获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统。
其中,供热系统是指锅炉房机组、室外供热管网和散热器在内的总称,对于一个供热系统,里面包含至少两个以上不同的子供热系统。
对于供热系统中的回水温度,可以更好的反映出供热管网的热力失调状况,例如,如果某一系统回水温度数据过低,那么可以判断该系统所涉及的用户存在热力失调状况,此时需要提高供温来保证居民的供热状态,相反如果回水温度过高,那么需要降低供水温度来调节供暖的温度。
在供热系统中回水温度本身由于环境因素存在一定的波动性,但各个子系统之间的数据总体而言其曲线波动相似度较高,当某系统出现异常时,在该段时间中会出现异常局部数据,其曲线与其他曲线的波动趋势不同且呈现数据曲线相似度较低的情况。预设时间周期可以根据实际需求确定,在此不作限定,例如,预设时间周期可以为一周、72小时、24小时、12小时、8小时等。
在一种可能的实现方式中,预设时间周期为24小时。
获取的每个子系统的回水温度数据是以24小时为周期获取的,例如,一个供热系统包括10个子系统,则获取的这10个子系统中的每个子系统的回水温度数据是24小时内的回水温度数据。
在步骤102中,根据回水温度数据,计算每两个子系统之间的第一相关系数。
其中,相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标,是研究变量之间线性相关程度的量,一般用字母r表示。
由于研究对象的不同,相关系数有多种定义方式,较为常用的是皮尔逊相关系数,需要说明的是,皮尔逊相关系数并不是唯一的相关系数,但是最常见的相关系数。
本实施例中计算每两个子系统之间的第一相关系数不仅可以使用皮尔逊相关系数,还可以使用其他的相关系数方法,例如斯皮尔曼秩相关系数、肯德尔秩相关系数等,本实施例不设限。
在一种可能的实现方式中,根据回水温度数据,计算每两个子系统之间的第一相关系数,包括:
针对每两个子系统,通过第二公式确定该两个子系统之间的第一相关系数,所述第二公式为
其中,ρXY为该两个子系统之间的第一相关系数,cov(X,Y)=E(X-μXY-μY为该两个子系统之间的回水温度数据的协方差,σX和σY分别为该两个子系统之间的回水温度数据的标准差。
由于皮尔逊相关系数是衡量两个变量之间的相关程度的指标,两个变量之间的皮尔逊相关系数定位为两个变量之间的协方差和标准差的商。
所以根据第二公式可以看出,第一相关系数是衡量每两个子系统之间的回水温度数据的相关程度的指标。
例如,一个供热系统包括10个子系统,分别表示为X1、X2、X3、X4、X5、X6、X7、X8、X9和X10,则计算每两个子系统的相关系数,就需要将X1和X2之间的以24小时为周期的回水温度数据进行相关系数计算得到相关系数将X1和X3之间的以24小时为周期的回水温度数据进行相关系数计算得到相关系数直到两两子系统进行相关系数计算完毕,一共可以得到以24小时为一个周期的45个相关系数。
在步骤103中,基于第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据。
在一种可能的实现方式中,基于第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据,包括:
将第一相关系数进行聚类,得到至少两个类别;
从至少两个类别中选取聚类中心点相对较低的一个或多个目标类别;
基于一个或多个目标类别,确定供热系统的回水温度异常数据。
其中,对于聚类:
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程成为聚类,由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
传统的聚类分析计算方法主要有划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法,其中,K-means算法属于划分方法。K-means算法是一种基于划分的聚类算法,它以k为参数,把n个数据对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低,具体的实现过程为:
将一组n个样本的特征矩阵X划分为k个无交集的簇,直观上来看簇是一组一组聚在一起的数据,在一个簇中的数据就认为是同一类,簇就是聚类结果的表现。
该算法原理是从训练集D={X1,X2,X3,…,Xn,}中选择k个样本作为初始的聚类中心c,计算每个样本Xi到k个中心点的距离,并将其划入到距离样本最近的簇中,每个类别βj重新计算该簇所有样本的质心:
重复以上步骤,直至完成。
本实施例中对于聚类算法不规定,所以K-means算法也是其中聚类算法的一种使用算法。
例如,对于一个供热系统,以24小时为一个周期,对回水温度数据以每天0时左右开始,到次日0时左右结束计算所有子系统两两之间的皮尔逊相关系数,利用K-means聚类算法,取k=3,可以得到聚类的中心点分别为0.95564903、0.75286581和0.39805388,分类1表示以聚类中心为0.955的聚类结果,分类2表示以聚类中心为0.752的聚类结果,分类3表示以聚类中心为0.398的聚类结果,由于皮尔逊相关系数值决定了两个不同变量之间的相关程度,根据聚类结果可以认定,相关系数属于2类聚类或者3类聚类点的两个子系统在该周期内相关系数较低,造成相关系数较低的原因应为两子系统中的某一子系统在某段时间内受到了异常因素影响,则可以将该两个子系统在某段时间对应的回水温度数据确定为回水温度异常数据。
对于基于一个或多个目标类别,确定供热系统的回水温度异常数据,在实际数据的计算过程中相关系数异常结果数据约占周期内全部相关系数结果的20%。
例如:对于一个供热系统,包括4个子系统,一天24小时有144条回水温度数据,总共选用50天的回水温度数据,共计7200条,每天6个相关系数,50天共计300个相关系数,300个相关系数中有63条异常的相关系数,约占总相关系数的20%。
事实上,随着供热系统工况不同,异常的相关系数占比肯定不同,但在对显示数据计算的过程中,发现比例基本在20%左右。
在一种可能的实现方式中,基于一个或多个目标类别,确定供热系统的回水温度异常数据,包括:
针对一个或多个目标类别中的每个相关系数,执行以下步骤:
将该相关系数所对应的两个子系统的回水温度数据作为两个待处理数列;
基于预设的多个窗口大小,通过滑动窗口从所述两个待处理数列选取相应的数据,并计算得到二者之间的第二相关系数;
从全部第二相关系数中选取最小的第二相关系数;
从两个待处理数列中,将最小的第二相关系数所对应的窗口大小和窗口起始值所确定出的数据,确定为回水温度异常数据。
根据周期内计算所得的相关系数异常结果数量约占周期内全部相关系数结果的20%,同时通过事实研究发现,以24小时为周期所得的异常结果存在一定的不合理性,主要表现在局部周期定义区间较长,对于异常区域范围检测不精准。
为了提高异常结果鉴别的准确性,得到以变化时间长度为单元的异常结果,借鉴计算机网络滑动窗口协议。
滑动窗口协议(Sliding Window Protocol),该协议是TCP协议的一种应用,用于网络数据传输时的流量控制,以避免拥塞的发生,该协议允许发送方在停止并等待确认前发送多个数据分组,由于发送方不必每发一个分组就停下来等待确认,因此该协议可以加速数据的传输,提高网络吞吐量。
可以用来解决一些查找满足一定条件的连续区间的性质(长度等)的问题,由于区间连续,因此当区间发生变化时,可以通过旧有的计算结果对搜索空间进行剪枝,这样便减少了重复计算,降低了时间复杂度,往往类似于“请找到满足xx的最x的区间(子串、子数组)的xx”这类问题都可以使用该方法进行解决。
该计算机网络滑动窗口协议方法对一条长度为n的时间序列,按照固定步长step采用窗口长度为windowSize的大小从左到右滑动连续滑动,形成(n-windowSize)/step+1个等长的子序列片段。具体参照图2,其中,windowSize代表窗口大小,step代表窗口步长,即窗口起始值,Sn代表时间序列的总长度。
例如,参照图2,当窗口大小为windowSize=6,step7=1时,从第一个数据为起始点开始计算,依次往后滑动一个位置,共需计算(144-6)/1+1次,也就是在第一次内部循环中共获取到(144-6)/1+1个子序列的计算结果,同理随着窗口大小依次增加,得到窗口大小对应的计算结果。
在一种可能的实现方式中,从全部第二相关系数中选取最小的第二相关系数,包括:
通过第一公式确定最小的第二相关系数,第一公式为
其中,ω为最小的第二相关系数,Min()为最小值函数,j为滑动窗口大小,i为滑动窗口起始值,X和Y分别为两个子系统在预设时间周期的回水温度数据,和分别为两个子系统在预设时间周期的回水温度数据在滑动窗口大小j、起始值i时所选取数据的均值,和分别为两个子系统之间的回水温度数据在滑动窗口大小j、起始值i时所选取数据的标准差, 为两个子系统之间的回水温度数据在所述滑动窗口大小j、起始值i时所选取数据的协方差。
其中,窗口起始值i的取值范围由滑动窗口大小j来确定,比如,对于一个供热系统,一天24小时有144条回水温度数据,当滑动窗口j=6时,窗口起始值i取1,2,…,139,当滑动窗口j=7时,窗口起始值i取1,2,…,138,…,当滑动窗口j=71时,窗口起始值i取1,2,…,74,当滑动窗口j=72时,窗口起始值i取1,2,…,73。
例如,对于一个供热系统,包含10个子系统,一天24小时有144条回水温度数据,共选用10天的回水温度数据,通过聚类相关系数得到的两个目标类别中的每个相关系数,比如该相关系数对应的是第3天时的第2个子系统和第4个子系统的相关系数、该相关系数对应的是第5天时的第1个子系统和第3个子系统的相关系数等,对于该相关系数中任一个相关系数,比如该相关系数对应的是第3天时的第2个子系统和第4个子系统的相关系数:
首先,设置窗口大小j=6,窗口起始值i=1,2,…,139,第3天时的第2个子系统和第4个子系统进行相关系数计算,按照窗口大小为6进行选取,每6个数列为一组,选择每一组中最小的相关系数,一共选取到139个窗口大小为6的相关系数;
然后,设置窗口大小j=7,8,…,72,重复上述步骤,分别得到窗口大小为7的138个相关系数、窗口大小为8的137个相关系数…窗口大小为72的73个相关系数;
其次,从上述中所有的相关系数中选取最小的一个相关系数,具体的公式为
最后,根据这个最小的相关系数对应的窗口大小和窗口起始值所确定的数据,确定为第3天时的第2个子系统和第4个子系统中对应的回水温度异常数据,比如,此时最小的相关系数为ωj=7,i=10,则表示第2个子系统和第4个子系统对应的窗口大小为7,窗口起始值为10的对应的数据为回水温度异常数据;
重复上述步骤,得到所有异常相关系数对应的回水温度异常数据,具体的实现流程参照图3和图4,其中,滑动窗口大小windowSize与滑动窗口j表示含义一致,窗口步长step与窗口起始值i表示含义一致。
在一种可能的实现方式中,基于一个或多个目标类别,确定供热系统的回水温度异常数据,包括:
将一个或多个目标类别中的相关系数所对应的回水温度数据,确定为供热系统的回水温度异常数据。
此种情况下,说明此时的相关系数对应的回水温度数据就是该供热系统的回水温度异常数据,该数据是准确的,不需要在进行其他操作筛选得到。
本申请提供一种供热异常的检测方法,通过获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统,根据回水温度数据,计算每两个子系统之间的第一相关系数,基于第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据。这样就解决了供热系统“高迟滞”问题,使回水温度数据得到充分挖掘和解读,并且检测出的供热异常数据更加准确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以下为本申请的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本申请实施例提供的供热异常的检测装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下:
如图5所示,一种供热异常的检测装置5包括:获取模块51、计算模块52和筛选模块53:
获取模块51,用于获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统;
计算模块52,用于根据回水温度数据,计算每两个子系统之间的第一相关系数;
筛选模块53,用于基于所述第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据。。
本申请提供一种供热异常的检测装置,通过获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,供热系统包括至少两个子系统,根据回水温度数据,计算每两个子系统之间的第一相关系数,基于第一相关系数,从回水温度数据中筛选供热系统的回水温度异常数据。这样就解决了供热系统“高迟滞”问题,使回水温度数据得到充分挖掘和解读,并且检测出的供热异常数据更加准确。
在一种可能的实现方式中,筛选模块包括:
将第一相关系数进行聚类,得到至少两个类别;
从至少两个类别中选取聚类中心点相对较低的一个或多个目标类别;
基于一个或多个目标类别,确定供热系统的回水温度异常数据。
在一种可能的实现方式中,筛选模块还包括:
针对一个或多个目标类别中的每个相关系数,执行以下步骤:
将该相关系数所对应的两个子系统的回水温度数据作为两个待处理数列;
基于预设的多个窗口大小,通过滑动窗口从两个待处理数列选取相应的数据,并计算得到二者之间的第二相关系数;
从全部第二相关系数中选取最小的第二相关系数;
从两个待处理数列中,将最小的第二相关系数所对应的窗口大小和窗口起始值所确定出的数据,确定为回水温度异常数据。
在一种可能的实现方式中,筛选模块还包括:
通过第一公式确定最小的第二相关系数,第一公式为
其中,ω为最小的第二相关系数,Min()为最小值函数,j为滑动窗口大小,i为滑动窗口起始值,X和Y分别为两个子系统在预设时间周期的回水温度数据,和分别为两个子系统在预设时间周期的回水温度数据在滑动窗口大小j、起始值i时所选取数据的均值,和分别为两个子系统之间的回水温度数据在滑动窗口大小j、起始值i时所选取数据的标准差, 为两个子系统之间的回水温度数据在滑动窗口大小j、起始值i时所选取数据的协方差。
在一种可能的实现方式中,筛选模块还包括:
将一个或多个目标类别中的相关系数所对应的回水温度数据,确定为供热系统的回水温度异常数据。在一种可能的实现方式中,计算模块包括:
针对每两个子系统,通过第二公式确定该两个子系统之间的第一相关系数,第二公式为
其中,ρXY为该两个子系统之间的第一相关系数,cov(X,Y)=E(X-μXY-μY为该两个子系统之间的回水温度数据的协方差,σX和σY分别为该两个子系统之间的回水温度数据的标准差。
在一种可能的实现方式中,获取模块包括:
预设时间周期为24小时。
图6是本申请实施例提供的电子设备的示意图。如图6所示,该实施例的电子设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个供热异常的检测方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块/单元51至53的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如,所述计算机程序62可以被分割成图5所示的模块/单元51至53。
所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述电子设备6的内部存储单元,例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备,例如所述电子设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个供热异常的检测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种供热异常的检测方法,其特征在于,所述方法包括:
获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,所述供热系统包括至少两个子系统;
根据所述回水温度数据,计算每两个子系统之间的第一相关系数;
基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据。
2.根据权利要求1所述的方法,其特征在于,基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据,包括:
将所述第一相关系数进行聚类,得到至少两个类别;
从所述至少两个类别中选取聚类中心点相对较低的一个或多个目标类别;
基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据。
3.根据权利要求2所述的方法,其特征在于,基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据,包括:
针对所述一个或多个目标类别中的每个相关系数,执行以下步骤:
将该相关系数所对应的两个子系统的回水温度数据作为两个待处理数列;
基于预设的多个窗口大小,通过滑动窗口从所述两个待处理数列选取相应的数据,并计算得到二者之间的第二相关系数;
从全部第二相关系数中选取最小的第二相关系数;
从所述两个待处理数列中,将最小的第二相关系数所对应的窗口大小和窗口起始值所确定出的数据,确定为回水温度异常数据。
6.根据权利要求2所述方法,其特征在于,基于所述一个或多个目标类别,确定所述供热系统的回水温度异常数据,包括:
将所述一个或多个目标类别中的相关系数所对应的回水温度数据,确定为所述供热系统的回水温度异常数据。
7.根据权利要求1所述的方法,其特征在于,所述预设时间周期为24小时。
8.一种供热异常的检测装置,其特征在于,包括:获取模块、计算模块和筛选模块:
所述获取模块,用于获取供热系统中每个子系统在预设时间周期的回水温度数据,其中,所述供热系统包括至少两个子系统;
所述计算模块,用于根据所述回水温度数据,计算每两个子系统之间的第一相关系数;
所述筛选模块,用于基于所述第一相关系数,从所述回水温度数据中筛选所述供热系统的回水温度异常数据。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614186.4A CN115018315A (zh) | 2022-05-31 | 2022-05-31 | 一种供热异常的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614186.4A CN115018315A (zh) | 2022-05-31 | 2022-05-31 | 一种供热异常的检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018315A true CN115018315A (zh) | 2022-09-06 |
Family
ID=83071195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210614186.4A Pending CN115018315A (zh) | 2022-05-31 | 2022-05-31 | 一种供热异常的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018315A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
CN116772285A (zh) * | 2023-08-28 | 2023-09-19 | 山东国能智能科技有限公司 | 一种智能楼宇供暖负载安全实时监控方法 |
CN117556274A (zh) * | 2024-01-11 | 2024-02-13 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
-
2022
- 2022-05-31 CN CN202210614186.4A patent/CN115018315A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
CN116644867B (zh) * | 2023-07-27 | 2023-10-24 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
CN116772285A (zh) * | 2023-08-28 | 2023-09-19 | 山东国能智能科技有限公司 | 一种智能楼宇供暖负载安全实时监控方法 |
CN116772285B (zh) * | 2023-08-28 | 2023-11-07 | 山东国能智能科技有限公司 | 一种智能楼宇供暖负载安全实时监控方法 |
CN117556274A (zh) * | 2024-01-11 | 2024-02-13 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
CN117556274B (zh) * | 2024-01-11 | 2024-03-15 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018315A (zh) | 一种供热异常的检测方法、装置、电子设备及存储介质 | |
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN115577275A (zh) | 一种基于lof和孤立森林的时序数据异常监测系统及方法 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
CN112183869A (zh) | 一种基于大数据的建筑能耗预测方法及系统 | |
CN108399115B (zh) | 一种运维操作检测方法、装置及电子设备 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN110991761B (zh) | 一种供热负荷预测方法及装置 | |
CN111191601A (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
CN112907064A (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
CN109738782B (zh) | 基于测量数据机器学习的电路板故障检测方法和系统 | |
US20220245483A1 (en) | Identifying Influential Effects to Be Adjusted in Goal Seek Analysis | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CN111625525B (zh) | 一种环境数据修复/填充方法及系统 | |
CN115081533A (zh) | 基于两级聚类和mgru-at的客户侧负荷预测方法与系统 | |
CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN111400569A (zh) | 一种多源聚合结构的大数据分析方法和系统 | |
CN116739532B (zh) | 一种能源项目管理方法、系统、终端设备及存储介质 | |
CN114885231B (zh) | 一种通讯协议自适应的信号采集方法、系统、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |