CN115062851A - 基于多算法融合的排污异常监测方法及系统 - Google Patents
基于多算法融合的排污异常监测方法及系统 Download PDFInfo
- Publication number
- CN115062851A CN115062851A CN202210706444.1A CN202210706444A CN115062851A CN 115062851 A CN115062851 A CN 115062851A CN 202210706444 A CN202210706444 A CN 202210706444A CN 115062851 A CN115062851 A CN 115062851A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- pollution discharge
- algorithm
- abnormal behavior
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000007774 longterm Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 239000010865 sewage Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 239000002351 wastewater 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多算法融合的排污异常监测方法及系统，属于异常监测技术领域，包括数据预处理模块、异常行为判定模块以及风险分类与预测模块；数据预处理模块，用于结合链式方程的多重插补，使用数据清洗和特征提取对数据进行处理；异常行为判定模块，用于利用多融合算法分析数据异常行为、预警异常情况的管理；风险分类与预测模块，用于对被监测节点依据其异常行为进行风险等级划分且提供建议，并通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。本发明解决了我国污染监测行业存在技术水平不足、未形成统一规范化标准、监测数据分析困难、核心技术缺失等问题，使企业排污异常监测系统的精准度得到大幅提高。
Description
技术领域
本发明属于异常监测的技术领域，尤其涉及一种基于多算法融合的排污异常监测方法及系统。
背景技术
近年来，随着科技的发展和城市化的进程，企业类型及数量和排放污染物种类也逐渐增多。而目前对污染源监测大多停留在较为传统的手工加设备辅助监测阶段，难以反映企业及城市污染物排放连续变化的情况，污染物监管困难、人力消耗大、数据分析扁平低效。对于海量监测数据，高复杂度工业化模型都成为现有的排污监测系统所面临的一大难题。为此，建立一套智能化排污监测分析系统，通过大数据模型深度分析，保证监测数据的准确性，以及对企业排放行为进行实时进行风险分类，杜绝企业污染排放异常行为及污染事件的发生，这一项目具有重要的现实意义。
发明内容
针对上述问题，本发明研究了一种基于多算法融合的排污异常监测方法及系统，解决了我国污染监测行业存在技术水平不足、未形成统一规范化标准、监测数据分析困难、核心技术缺失等问题。
为了达到以上目的，本发明采用的技术方案为：
一种基于多算法融合的排污异常监测方法，依次包括数据预处理阶段、异常行为判定阶段以及风险分类与预测阶段；
所述数据预处理阶段包括以下步骤：
A1、数据的获取与探索；
A2、数据清洗与特征提取；
A3、结合链式方程对数据进行多重插补；
所述异常行为判定阶段包括以下步骤：
B1、利用多融合算法分析数据异常行为；
B2、根据异常行为数量对预警异常情况的管理；
所述风险分类与预测阶段包括以下步骤：
C1、请求某一等级预警情况的数据信息；
C2、对被监测节点依据其异常情况进行风险等级划分；
C3、依据预警情况提供相关有效建议；
C4、通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。作为优选，所述步骤A2包括以下步骤：
A201、转换数据类型，筛选重复值，去除无效值；
A202、利用时间列提取特征；
A203、数据归一化和标准化。
作为优选，所述步骤A3包括以下步骤：
A301、对数据进行随机填补；
A302、对数据进行迭代；
A303、计算变量之间的相关性。
作为优选，所述步骤B1具体为：
B101、基于国家标准对超标异常行为进行分析；
B102、基于离散点情况对数据偏离异常行为进行分析；
B103、基于时间序列对篡改异常行为进行分析；
B104、基于差分滚动对伪造异常行为进行分析；
B105、针对空白且有效的数据对设备长期故障异常行为进行分析。
作为优选，所述步骤B2包括以下步骤：
B201、对每条数据的每一种异常行为情况打标签，标注其是否存在某种异常行为；
B202、将形成的异常行为判定标签利用K-Means聚类模型进行压缩；
B203、输出各条数据经过聚类模型压缩后的预警信息结果。
作为优选，所述步骤C2包括以下步骤：
C201、对请求的数据进行K-Means聚类分析；
C202、对被监测节点依据其异常情况进行风险等级划分。
作为优选，所述步骤C3包括以下步骤：
判断预警信息等级，若为红色，给出最严格的相关建议，若为橙色，给出较严格的相关建议，若为黄色，给出稍严格的相关建议，若为绿色，鼓励其保持目前的状态。
作为优选，所述步骤C4包括以下步骤：
C401、对数据集做时间序列分解，分别为季节项、趋势项、剩余项以及节假日效应；
C402、拟合以上四项后，利用时间序列预测Prophet算法进行排污数据预测。
为了达到以上目的，本发明还采用了以下技术方案：
一种基于多算法融合的排污异常监测系统，包括数据预处理模块、异常行为判定模块以及风险分类与预测模块；
所述数据预处理模块，用于结合链式方程的多重插补，使用数据清洗和特征提取对数据进行处理；
所述异常行为判定模块，用于利用多融合算法分析数据异常行为、预警异常情况的管理；
所述风险分类与预测模块，用于对被监测节点依据其异常行为进行风险等级划分且提供相关有效建议，并通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。
作为优选，所述异常行为包括偏离、超标、伪造、篡改、设备长期故障五种。
本发明的有益效果如下：
(1)本发明提供了基于多种算法融合的排污异常监测方法及系统，通过数据预处理、异常行为判定，风险分类与预测多个阶段，使得对不同异常行为的判定更加精准，通过对企业进行风险分类、预测、预警，为系统对不同风险的企业的管理提供便利性，。
(2)本发明解决了污染监测行业存在技术水平不足、未形成统一规范化标准、监测数据分析困难、核心技术缺失等问题，使企业排污异常监测系统的精准度和反应速度都得到大幅提高，有效降低了用户的操作难度，提升了系统的性能。异常行为多种多样，传统的判断算法难以判断准确。本发明利用机器学习技术和深度学习算法，将多种算法融合，对海量的数据进行分析，最后将判定出的异常结果带入到深度学习算法中，有效对企业进行预警，帮助监管部门得出管理政策，提升了系统的可用性和可靠性，为监管人员提供高可用的管理信息。
(3)本发明将方法分为三个阶段：数据预处理阶段用于结合链式方程的多重插补，使用数据清洗和特征提取对数据进行处理；异常行为判定阶段用于利用多融合算法分析数据偏离、超标、伪造、篡改、设备长期故障五种异常行为、预警异常情况的管理；风险分类与预测阶段用于对被监测节点依据其异常行为进行风险等级划分且提供相关有效建议，并通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的方法流程图；
图3为本实施例中数据预处理阶段流程图；
图4为本实施例中异常行为判定阶段流程图；
图5为本实施例中风险分类与预测阶段流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明。显然所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得所有其他实施例，都属于本发明保护的范围。
从发明定位而言，排污监测行业主要分为上游，中游和下游，具体包含以下产业链：
环境污染监测行业上游主要为相关零部件供应商，提供污染监测仪器仪表所需要的传感器及仪表模组等产品；
产业链中游为环境污染监测设备制造及服务商，依靠自身的设备优势、技术优势和市场优势，为客户提供仪器仪表和相关服务，服务主要包含第三方环境污染监测服务、污染监测运营服务和解决方案等。该系统即处于该环境监测产业链中游；
产业链下游为环境污染监测设备使用者和服务群体，主要为国家各级环保部门、具有监测需求的企业和机构，以及其他相关市场等。
以产业链下游中环保质检部门为例，
本发明提供了一种基于多算法融合的排污异常监测方法，如图1所示，依次包括数据预处理阶段、异常行为判定阶段以及风险分类与预测阶段；
所述数据预处理阶段包括以下步骤：
A1、数据的获取与探索；
A2、数据清洗与特征提取，其实现方法如下：
A201、转换数据类型，筛选重复值，去除无效值；
A202、利用时间列提取特征；
A203、数据归一化和标准化；
A3、结合链式方程对数据进行多重插补，其实现方法如下：
A301、对数据进行随机填补；
A302、对数据进行迭代；
A303、计算变量之间的相关性。
所述异常行为判定阶段包括以下步骤：
B1、利用多融合算法分析数据异常行为，其实现方法如下：
B101、基于国家标准对超标异常行为进行分析；
B102、基于离散点情况对数据偏离异常行为进行分析；
B103、基于时间序列对篡改异常行为进行分析；
B104、基于差分滚动对伪造异常行为进行分析；
B105、针对空白且有效的数据对设备长期故障异常行为进行分析；
B2、根据异常行为数量对预警异常情况的管理，其实现方法如下：
B201、对每条数据的每一种异常行为情况打标签，标注其是否存在某种异常行为；
B202、将形成的异常行为判定标签利用K-Means聚类模型进行压缩；
B203、输出各条数据经过聚类模型压缩后的预警信息结果；
所述风险分类与预测阶段包括以下步骤：
C1、请求某一等级预警情况的数据信息；
C2、对被监测节点依据其异常情况进行风险等级划分，其实现方法如下：
C201、对请求的数据进行K-Means聚类分析；
C202、对被监测节点依据其异常情况进行风险等级划分；
C3、依据预警情况提供相关有效建议，其实现方法如下：
判断预警信息等级，若为红色，给出最严格的相关建议，若为橙色，给出较严格的相关建议，若为黄色，给出稍严格的相关建议，若为绿色，鼓励其保持目前的状态；
C4、通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测，其实现方法如下：
C401、对数据集做时间序列分解，分别为季节项、趋势项、剩余项以及节假日效应；
C402、拟合以上四项后，利用时间序列预测Prophet算法进行排污数据预测。
本发明还提供了一种基于多算法融合的排污异常监测系统，包括数据预处理模块、异常行为判定模块以及风险分类与预测模块；
所述数据预处理模块，用于结合链式方程的多重插补，使用数据清洗和特征提取对数据进行处理；
所述异常行为判定模块，用于利用多融合算法分析数据异常行为、预警异常情况的管理；
所述风险分类与预测模块，用于对被监测节点依据其异常行为进行风险等级划分且提供相关有效建议，并通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。
所述异常行为包括偏离、超标、伪造、篡改、设备长期故障五种。
本实施例中，如图2所示，依次包括数据预处理阶段、异常行为判定阶段以及风险分类与预测阶段。基于多算法融合的排污异常监测系统通过多模块融合算法对异常行为进行判定，精准定位企业异常情况与异常概率；采用聚类算法对企业排放情况进行等级划分，并根据异常行为进行合理预警；采用日志保存的形式对企业排放情况进行记录；采用文件上传调用算法的形式进行实时分析；利用时间序列算法对未来排放情况进行预测。
本实施例中，数据预处理阶段如图3所示。数据预处理阶段具体为：管理人员注册或登录账号，选择是否上传数据以进行数据预处理。数据预处理首先对数据转换数据类型，筛选重复值，去除无效值；利用时间列提取特征；接下来对数据进行标准化和归一化，最后利用结合链式方程的多重插补，对数据进行随机填补、迭代，并计算变量的相关性。
本实施例中，异常行为判定阶段如图4所示。异常行为判定阶段具体为：将经过数据预处理之后的数据采用多算法融合进行分析。通过参考《中华人民共和国污水综合排放标准》(GB8978--1996)对超标这一异常行为进行分析；根据离散点算法得到各自的异常值得分，对异常得分进行标准化操作，按总异常得分的从高到低进行排序，可得到数据异常点，从而对数据偏离这一异常行为进行分析；根据以往的和近期的排污数据进行分析，判断新数据是否为异常点，或新数据持续异常，超出上阈值或下阈值，从而对篡改这一异常行为进行分析；根据某排污口对某污染物的监测数据长期保持不变，或者数据增减过于规律，极有可能为通过模拟软件和相应公式生成了假数据，从而对伪造这一异常行为进行分析；根据数据中空白且有效的部分，且在数据已被判定为伪造的情况下，该数据的浓度和排放量为0，从而对设备长期故障这一异常行为进行分析。以此判定出的五种异常行为为依据，进行预警异常反馈。
本实施例中，风险分类与预测阶段如图5所示。风险分类与预测阶段具体为：在风险分类阶段中，分别使用k＝2，3，4，5对数据进行K-Means聚类分析。当k＝2时，分数为0.5540，当k＝3时，分数为0.6396，当k＝4时，分数为0.6213，当k＝5时，分数为0.6174.当k＝3时算法的聚类效果显然是最好的，所以将企业的排污情况也分为低、中、高三个等级，以期达到最好的风险分类效果；在预测阶段中，通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。首先对数据集做时间序列的分解，该算法通常把时间序列Yt分成几个部分，分别是季节项St，一般以周或年为单位；趋势项Tt，其表示时间序列在非周期上面的变化趋势；剩余项Rt，其表示误差。考虑到实际情境，在实际监测环节中，除了季节项，趋势项，剩余项之外，通常还有节假日效应Ht，表示在当天是否存在节假日。在本算法中分别拟合这四项后将其累加就得到了时间序列的预测值，完成基于多算法融合的排污异常监测方法及系统。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。
Claims (10)
1.一种基于多算法融合的排污异常监测方法，其特征在于，依次包括数据预处理阶段、异常行为判定阶段以及风险分类与预测阶段；
所述数据预处理阶段包括以下步骤：
A1、数据的获取与探索；
A2、数据清洗与特征提取；
A3、结合链式方程对数据进行多重插补；
所述异常行为判定阶段包括以下步骤：
B1、利用多融合算法分析数据异常行为；
B2、根据异常行为数量对预警异常情况的管理；
所述风险分类与预测阶段包括以下步骤：
C1、请求某一等级预警情况的数据信息；
C2、对被监测节点依据其异常情况进行风险等级划分；
C3、依据预警情况提供相关有效建议；
C4、通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。
2.根据权利要求1所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤A2包括以下步骤：
A201、转换数据类型，筛选重复值，去除无效值；
A202、利用时间列提取特征；
A203、数据归一化和标准化。
3.根据权利要求2所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤A3包括以下步骤：
A301、对数据进行随机填补；
A302、对数据进行迭代；
A303、计算变量之间的相关性。
4.根据权利要求1所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤B1具体为：
B101、基于国家标准对超标异常行为进行分析；
B102、基于离散点情况对数据偏离异常行为进行分析；
B103、基于时间序列对篡改异常行为进行分析；
B104、基于差分滚动对伪造异常行为进行分析；
B105、针对空白且有效的数据对设备长期故障异常行为进行分析。
5.根据权利要求4所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤B2包括以下步骤：
B201、对每条数据的每一种异常行为情况打标签，标注其是否存在某种异常行为；
B202、将形成的异常行为判定标签利用K-Means聚类模型进行压缩；
B203、输出各条数据经过聚类模型压缩后的预警信息结果。
6.根据权利要求1所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤C2包括以下步骤：
C201、对请求的数据进行K-Means聚类分析；
C202、对被监测节点依据其异常情况进行风险等级划分。
7.根据权利要求6所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤C3包括以下步骤：
判断预警信息等级，若为红色，给出最严格的相关建议，若为橙色，给出较严格的相关建议，若为黄色，给出稍严格的相关建议，若为绿色，鼓励其保持目前的状态。
8.根据权利要求7所述的基于多算法融合的排污异常监测方法，其特征在于，所述步骤C4包括以下步骤：
C401、对数据集做时间序列分解，分别为季节项、趋势项、剩余项以及节假日效应；
C402、拟合以上四项后，利用时间序列预测Prophet算法进行排污数据预测。
9.一种基于多算法融合的排污异常监测系统，其特征在于，包括数据预处理模块、异常行为判定模块以及风险分类与预测模块；
所述数据预处理模块，用于结合链式方程的多重插补，使用数据清洗和特征提取对数据进行处理；
所述异常行为判定模块，用于利用多融合算法分析数据异常行为、预警异常情况的管理；
所述风险分类与预测模块，用于对被监测节点依据其异常行为进行风险等级划分且提供相关有效建议，并通过近日排污数据使用时间序列预测Prophet算法进行排污数据预测。
10.根据权利要求9所述的基于多算法融合的排污异常监测系统，其特征在于，所述异常行为包括偏离、超标、伪造、篡改、设备长期故障五种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210706444.1A CN115062851B (zh) | 2022-06-21 | 2022-06-21 | 基于多算法融合的排污异常监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210706444.1A CN115062851B (zh) | 2022-06-21 | 2022-06-21 | 基于多算法融合的排污异常监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062851A true CN115062851A (zh) | 2022-09-16 |
| CN115062851B CN115062851B (zh) | 2024-07-19 |
Family
ID=83203126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210706444.1A Active CN115062851B (zh) | 2022-06-21 | 2022-06-21 | 基于多算法融合的排污异常监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062851B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349777A (zh) * | 2023-12-04 | 2024-01-05 | 安徽新宇环保科技股份有限公司 | 一种水环境在线监测数据真伪智能识别系统及方法 |
| CN117521008A (zh) * | 2023-11-09 | 2024-02-06 | 北京德众国良环保科技有限公司 | 一种基于数据融合的污水处理监测控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322046A (zh) * | 2019-05-31 | 2019-10-11 | 深圳市跨越新科技有限公司 | 一种消除异常货量影响的货量预测方法及系统 |
| CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
| CN113854951A (zh) * | 2021-09-28 | 2021-12-31 | 天津医科大学总医院 | 无光感眼预后分析的预测系统、方法、介质、在线服务平台 |
| CN114095337A (zh) * | 2020-08-10 | 2022-02-25 | 中国移动通信集团浙江有限公司 | Kpi异常检测方法、装置、计算设备及计算机存储介质 |
| CN114416511A (zh) * | 2022-01-25 | 2022-04-29 | 中国农业银行股份有限公司 | 基于日志的系统异常检测方法、装置、介质及电子设备 |
-
2022
- 2022-06-21 CN CN202210706444.1A patent/CN115062851B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322046A (zh) * | 2019-05-31 | 2019-10-11 | 深圳市跨越新科技有限公司 | 一种消除异常货量影响的货量预测方法及系统 |
| CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
| CN114095337A (zh) * | 2020-08-10 | 2022-02-25 | 中国移动通信集团浙江有限公司 | Kpi异常检测方法、装置、计算设备及计算机存储介质 |
| CN113854951A (zh) * | 2021-09-28 | 2021-12-31 | 天津医科大学总医院 | 无光感眼预后分析的预测系统、方法、介质、在线服务平台 |
| CN114416511A (zh) * | 2022-01-25 | 2022-04-29 | 中国农业银行股份有限公司 | 基于日志的系统异常检测方法、装置、介质及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521008A (zh) * | 2023-11-09 | 2024-02-06 | 北京德众国良环保科技有限公司 | 一种基于数据融合的污水处理监测控制方法及系统 |
| CN117521008B (zh) * | 2023-11-09 | 2024-07-16 | 北京德众国良环保科技有限公司 | 一种基于数据融合的污水处理监测控制方法及系统 |
| CN117349777A (zh) * | 2023-12-04 | 2024-01-05 | 安徽新宇环保科技股份有限公司 | 一种水环境在线监测数据真伪智能识别系统及方法 |
| CN117349777B (zh) * | 2023-12-04 | 2024-02-23 | 安徽新宇环保科技股份有限公司 | 一种水环境在线监测数据真伪智能识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062851B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
| CN115062851B (zh) | 基于多算法融合的排污异常监测方法及系统 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN111539585B (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
| CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
| CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
| CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
| CN115563880A (zh) | 一种基于Isolated forest-变点增强的企业用电异常检测方法 | |
| CN111325405A (zh) | 一种抱怨敏感度建模预测方法 | |
| CN115795351A (zh) | 一种基于残差网络和2d特征表示的电梯大数据风险预警方法 | |
| CN115204583A (zh) | 化工园区区域风险分级管控评估分析方法、系统及装置 | |
| CN114936801A (zh) | 基于大数据的配网调度运行管理方法 | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| CN115587653A (zh) | 基于危化品风险画像的运输企业风险预测方法及系统 | |
| CN117993737A (zh) | 一种基于人工智能的企业大数据分析系统 | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN117235624A (zh) | 排放数据造假检测方法、装置及系统和存储介质 | |
| CN116894684A (zh) | 一种基于大数据的计算机数据处理方法及系统 | |
| CN112734123A (zh) | 一种基于arima模型的工业废气排放量预测的方法 | |
| CN117349777B (zh) | 一种水环境在线监测数据真伪智能识别系统及方法 | |
| CN118194138B (zh) | 一种承压设备损伤模式识别方法及系统 | |
| CN118070112B (zh) | 一种用电采集设备的运行状态评估方法、系统及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |