CN115358647A - 基于大数据的氢能产业链风险监测系统及监测方法 - Google Patents

基于大数据的氢能产业链风险监测系统及监测方法 Download PDF

Info

Publication number
CN115358647A
CN115358647A CN202211298654.8A CN202211298654A CN115358647A CN 115358647 A CN115358647 A CN 115358647A CN 202211298654 A CN202211298654 A CN 202211298654A CN 115358647 A CN115358647 A CN 115358647A
Authority
CN
China
Prior art keywords
data
hydrogen energy
sample
hydrogen
monitoring
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
Application number
CN202211298654.8A
Other languages
English (en)
Inventor
马兵
张烁
续敏
张灵敏
李庆龙
赵美楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu Yunshang Digital Technology Co ltd
Original Assignee
Qilu Yunshang Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu Yunshang Digital Technology Co ltd filed Critical Qilu Yunshang Digital Technology Co ltd
Priority to CN202211298654.8A priority Critical patent/CN115358647A/zh
Publication of CN115358647A publication Critical patent/CN115358647A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Hydrogen, Water And Hydrids (AREA)

Abstract

本发明涉及氢能源产业大数据技术领域，尤其为基于大数据的氢能产业链风险监测系统及监测方法，包括如下步骤：通过传感器采集产业链内各环节内设备的氢能相关数据；对采集的氢能相关数据进行预处理，并将预处理结果进行存储；对预处理后的数据进行异常监测，并将结果进行存储；根据异常监测结果，对监测异常的数据进行告警。本发明通过对氢能产业链中的各环节的设备运行情况及数据指标进行监测，通过数据清洗对采集的数据样本中的缺失数据进行预测、填充，对当前的氢能数据进行异常检测，通过自适应调节设置阈值划分风险等级，并进行分等级告警，有助于及时采取相应措施，减少损失。

Description

基于大数据的氢能产业链风险监测系统及监测方法
技术领域
本发明涉及氢能源产业大数据技术领域，尤其是基于大数据的氢能产业链风险监测系统及监测方法。
背景技术
能源和环境问题已经变成全人类共同面对的至关重要的全球性问题。然而，近半个世纪来，随着全球工业化进程的不断加速，能源紧缺问题日益凸显出来，特别是汽车、远洋轮船、飞机等现代交通运输行业的飞速发展，使得全球范围内围绕石油、天然气等化石能源的争夺越来越激烈。氢是组成水及有机物的主要元素之一，在自然界中主要以化合物的形式存在，由氢和氧元素组成的水占地表面积的７０％以上，因此氢能来源广泛。氢气是由氢元素组成的双原子分子气体，具有无色无味无毒的特性，在燃烧时的燃烧产物仅有水，而不会产生二氧化碳等温室气体，也不会产生其它造成大气污染的气体，因此氢气在使用过程中是非常清洁的。氢能虽然有诸多优点，但是作为一种高密度的能量载体在其使用过程中往往也面临着许多安全问题。近年来国内外均出现过多起氢气泄漏、爆炸事故。现有技术中，针对氢能产业链的风险进行检测与处理的方法少之又少，产业链上的氢能数据仅依赖于各企业的自行处理与维护，管理部门获取的数据具有滞后性，不能及时对产业链中的异常情况进行处理，延误了故障的最佳排除时间。
发明内容
本发明的目的是通过提出基于大数据的氢能产业链风险监测方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供基于大数据的氢能产业链风险监测系统及监测方法，包括如下步骤：
S1.1：通过传感器采集产业链内氢能相关数据；
S1.2：对采集的氢能相关数据进行预处理，并将预处理结果进行存储；
S1.3：对预处理后的数据进行异常监测，并将结果进行存储；
S1.4：根据异常监测结果，对监测异常的数据进行告警。
作为本发明的一种优选技术方案：所述S1.1中，所述氢能相关数据包括制氢企业的制氢设备和运氢设备的温度、压力、倾角、泄露指数及设备周围烟雾检测环境数据。
作为本发明的一种优选技术方案：所述S1.2中，对氢能相关数据进行预处理包括氢能相关数据的标准化处理和氢能相关数据的数据清洗处理。
作为本发明的一种优选技术方案：所述氢能相关数据的标准化处理步骤如下：
建立氢能相关数据样本
Figure 105114DEST_PATH_IMAGE001
，其中，i=1，2，…，n，j=1，2，…，m，
Figure 84571DEST_PATH_IMAGE002
表示第j个氢能相关设备日常检测属性第i个采集的氢能相关数据，采用标准化处理：
Figure 926626DEST_PATH_IMAGE003
；
其中，
Figure 321835DEST_PATH_IMAGE004
和
Figure 136207DEST_PATH_IMAGE005
分别为第j个日常监测变量的氢能数据样本均值和氢能数据样本标准差，
Figure 519522DEST_PATH_IMAGE006
为
Figure 848872DEST_PATH_IMAGE002
进行标准化处理后的氢能相关数据。
作为本发明的一种优选技术方案：传感器连续监测氢能相关数据，得到连续型氢能相关数据，当氢能相关数据出现缺失时，氢能相关数据则不再连续；将氢能相关数据集分为连续样本值
Figure 47772DEST_PATH_IMAGE007
与不连续样本值
Figure 965918DEST_PATH_IMAGE008
，对不连续样本值
Figure 959282DEST_PATH_IMAGE009
进行氢能相关数据清洗，所述氢能相关数据的清洗处理步骤如下：
设
Figure 274463DEST_PATH_IMAGE010
中共e个氢能数据，从e个氢能数据中选择f个监测氢能样本数据，每个监测氢能样本数据为
Figure 73792DEST_PATH_IMAGE011
，其中，f=1，2，…，q；
当每个氢能样本数据与变量属性
Figure 56833DEST_PATH_IMAGE012
间满足线性关系：
Figure 657317DEST_PATH_IMAGE013
；
式中，
Figure 898942DEST_PATH_IMAGE014
，…，
Figure 626595DEST_PATH_IMAGE015
为对应监测氢能样本数据的变量属性、
Figure 4487DEST_PATH_IMAGE016
为监测氢能样本数据，
Figure 464287DEST_PATH_IMAGE017
为检测系数，
Figure 583422DEST_PATH_IMAGE018
，f=1，2，…，q为测试误差，相互独立且服从正态分布，且
Figure 662236DEST_PATH_IMAGE019
；
通过回归方程：
Figure 160214DEST_PATH_IMAGE020
；
式中，
Figure 994178DEST_PATH_IMAGE014
，…，
Figure 944816DEST_PATH_IMAGE021
、
Figure 561742DEST_PATH_IMAGE016
均为预测监测氢能样本数据，
Figure 914226DEST_PATH_IMAGE022
为估计检测系数值，
Figure 856774DEST_PATH_IMAGE023
为估计误差值，计算回归系数，通过回归方程对缺失氢能相关数据进行填充。
作为本发明的一种优选技术方案：所述S1.3中对氢能相关数据进行异常检测，从预处理后的氢能相关数据中抽取某个时长的传感器数据集r个，在氢能相关数据处理中根据传感器数据的更新对氢能相关数据进行更新迭代，取来自节点u的氢能相关数据，将氢能相关数据集中的数据根据数值与节点u的数值距离进行权重分配，其中权重
Figure 684922DEST_PATH_IMAGE024
,其中t=1，2，…，r-1，
根据节点u的样本数据集的权重计算加权均值：
Figure 105539DEST_PATH_IMAGE025
；
Figure 578109DEST_PATH_IMAGE026
为来自节点u的数据均值，
Figure 425979DEST_PATH_IMAGE027
为来自节点u的氢能数据，
Figure 351210DEST_PATH_IMAGE028
为来自节点u的每个氢能数据的权重，
Figure 575518DEST_PATH_IMAGE029
为来自节点u的数据集个数；
聚类得到：
Figure 699331DEST_PATH_IMAGE030
；
Figure 983682DEST_PATH_IMAGE031
为来自节点u的前t个氢能数据的聚类值；
得到每个数据点离散值：
Figure 396209DEST_PATH_IMAGE032
；
其中，
Figure 814421DEST_PATH_IMAGE033
为前t-1个氢能数据的变化值，
Figure 996004DEST_PATH_IMAGE034
为节点u的第t个氢能数据变化值，
其中，
Figure 185676DEST_PATH_IMAGE035
；
其中，P为样本数据中的离散系数，
Figure 819920DEST_PATH_IMAGE036
为前r-1个氢能数据的离散值，根据离散系数判断氢能数据异常点。
作为本发明的一种优选技术方案：所述S1.4中，根据：
Figure 386031DEST_PATH_IMAGE037
；
其中，
Figure 687699DEST_PATH_IMAGE038
为样本含量参数，
Figure 438486DEST_PATH_IMAGE039
和
Figure 825605DEST_PATH_IMAGE040
为监测样本的第g个和第h个氢能数据值，数据点
Figure 195407DEST_PATH_IMAGE039
和
Figure 820423DEST_PATH_IMAGE040
之间的欧式距离在特征空间
Figure 617478DEST_PATH_IMAGE041
中表示为：
Figure 226314DEST_PATH_IMAGE042
；
设数据集
Figure 462123DEST_PATH_IMAGE043
为n各数据点的集合；整数c为类别数；满足条件
Figure 472804DEST_PATH_IMAGE044
；隶属度矩阵
Figure 440760DEST_PATH_IMAGE045
满足约束条件：
Figure 927105DEST_PATH_IMAGE046
：
Figure 638709DEST_PATH_IMAGE047
；
Figure 238318DEST_PATH_IMAGE048
；其中，
Figure 377175DEST_PATH_IMAGE049
为隶属度矩阵U的第i行第j列数据值；
Figure 960603DEST_PATH_IMAGE050
为c个聚类中心的集合，得到目标函数：：
Figure 272636DEST_PATH_IMAGE051
；
其中，m为模糊加权指数，
Figure 257909DEST_PATH_IMAGE053
为模糊加权后的隶属度矩阵U的第i行第j列数据值，
Figure 567668DEST_PATH_IMAGE055
为集合V中的第i个聚类中心，
Figure 700709DEST_PATH_IMAGE056
为氢能数据
Figure 754116DEST_PATH_IMAGE057
的邻域，
Figure 593896DEST_PATH_IMAGE058
为邻域大小，
Figure 74556DEST_PATH_IMAGE059
为正则化系数；
根据目标函数得到的函数值为氢能数据阈值，其中，正则化系数通过自适应调整目标函数值，根据风险等级设定离散系数划分阈值等级，将数据实际离散系数与设定的阈值等级相比较，当实际离散系数在正常工作范围内时，系统正常工作并存储相关数据，否则根据实际离散系数与阈值等级的关系，发出相应告警信息并进行记录。
算法实现阈值的自适应调整，根据风险等级设定离散系数划分阈值等级，将数据实际离散系数与设定的阈值等级相比较，当实际离散系数在正常工作范围内时，系统正常工作并存储相关数据，否则根据实际离散系数与阈值等级的关系，发出相应告警信息并进行记录。
提供基于大数据的氢能产业链风险监测系统：包括多个数据交互节点，所述多个数据交互节点接收告警信息并通过可视化屏幕显示，所述可视化屏幕实时显示当前节点的氢能相关数据信息，所述数据交互节点包括：
数据采集模块；用于使用传感器采集产业链内各环节包含的氢能相关数据；
数据预处理模块：用于对采集的氢能相关数据进行预处理；
数据监测模块：用于建立数据异常监测模型对各环节氢能相关数据进行监测；
监测告警模块：用于对监测到的氢能异常数据进行告警。
作为本发明的一种优选技术方案：所述监测告警模块根据风险等级进行告警，并通过可视化屏幕进行显示。
作为本发明的一种优选技术方案：所述基于大数据的氢能产业链风险监测系统还包括数据存储模块，所述数据存储模块用于存储监测过程中的各类氢能相关数据及告警信息。
本发明提供的基于大数据的氢能产业链风险监测系统及监测方法，与现有技术相比，其有益效果有：
本发明通过对氢能产业链中的各环节的设备运行情况及数据指标进行监测，通过数据清洗步骤对采集的数据样本中的缺失数据进行预测、填充，对当前的氢能数据进行异常检测，通过自适应调节正则化系数设置阈值划分氢能风险等级，并进行分等级告警，有助于及时采取相应措施，减少损失；并对产业链中各项数据进行记录，有利于后期对产业链的溯源监测。
附图说明
图1为本发明优选实施例的方法流程图；
图2为本发明优选实施例中系统框图。
图中各个标记的意义为：100、数据采集模块；200、数据预处理模块；300、数据监测模块；400、监测告警模块；500、数据存储模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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、完整地描述，显然，所描述的实施例仅仅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的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了基于大数据的氢能产业链风险监测方法，包括如下步骤：
S1.1：通过传感器采集产业链内氢能相关数据；
S1.2：对采集的氢能相关数据进行预处理，并将预处理结果进行存储；
S1.3：对预处理后的数据进行异常监测，并将结果进行存储；
S1.4：根据异常监测结果，对监测异常的数据进行告警。
所述S1.1中，所述氢能相关数据包括制氢企业的制氢设备和运氢设备的温度、压力、倾角、泄露指数及设备周围烟雾检测环境数据。
所述S1.2中，对氢能相关数据进行预处理包括氢能相关数据的标准化处理和氢能相关数据的数据清洗处理。
所述氢能相关数据的标准化处理步骤如下：
建立氢能相关数据样本
Figure 429314DEST_PATH_IMAGE060
，其中，i=1，2，…，n，j=1，2，…，m，
Figure 286411DEST_PATH_IMAGE002
表示第j个氢能相关设备日常检测属性第i个采集的氢能相关数据，采用标准化处理：
Figure 980698DEST_PATH_IMAGE003
；
其中，
Figure 22472DEST_PATH_IMAGE061
和
Figure 67788DEST_PATH_IMAGE062
分别为第j个日常监测变量的氢能数据样本均值和氢能数据样本标准差，
Figure 197418DEST_PATH_IMAGE063
为
Figure 746211DEST_PATH_IMAGE002
进行标准化处理后的氢能相关数据。
传感器连续监测氢能相关数据，得到连续型氢能相关数据，当氢能相关数据出现缺失时，氢能相关数据则不再连续；将氢能相关数据集分为连续样本值
Figure 834253DEST_PATH_IMAGE007
与不连续样本值
Figure 163603DEST_PATH_IMAGE008
，对不连续样本值
Figure 362504DEST_PATH_IMAGE009
进行氢能相关数据清洗，所述氢能相关数据的清洗处理步骤如下：
设
Figure 765803DEST_PATH_IMAGE010
中共e个氢能数据，从e个氢能数据中选择f个监测氢能样本数据，每个监测氢能样本数为
Figure 87063DEST_PATH_IMAGE011
，其中，f=1，2，…，q；
当每个氢能样本数据与变量属性
Figure 841392DEST_PATH_IMAGE064
间满足线性关系：
Figure 578404DEST_PATH_IMAGE065
；
式中，
Figure 164106DEST_PATH_IMAGE014
，…，
Figure 593951DEST_PATH_IMAGE015
为对应监测氢能样本数据的变量属性、
Figure 569997DEST_PATH_IMAGE016
为监测氢能样本数据，
Figure 173017DEST_PATH_IMAGE017
为检测系数，
Figure 816487DEST_PATH_IMAGE018
（f=1，2，…，q）为测试误差，相互独立且服从正态分布，且
Figure 213971DEST_PATH_IMAGE019
；
通过回归方程：
Figure 942892DEST_PATH_IMAGE020
；
式中，
Figure 21707DEST_PATH_IMAGE066
，…，
Figure 582001DEST_PATH_IMAGE015
、
Figure 88069DEST_PATH_IMAGE016
均为预测监测氢能样本数据，
Figure 304287DEST_PATH_IMAGE022
为估计检测系数值，
Figure 249109DEST_PATH_IMAGE023
为估计误差值，计算回归系数，通过回归方程对缺失氢能相关数据进行填充。
所述S1.3中对氢能相关数据进行异常检测，从预处理后的氢能相关数据中抽取某个时长的传感器数据集r个，在氢能相关数据处理中根据传感器数据的更新对氢能相关数据进行更新迭代，取来自节点u的氢能相关数据，将氢能相关数据集中的数据根据数值与节点u的数值距离进行权重分配，其中权重
Figure 663910DEST_PATH_IMAGE067
，其中t=1，2，…，r-1，
根据节点u的样本数据集的权重计算加权均值：
Figure 731092DEST_PATH_IMAGE025
；
Figure 169026DEST_PATH_IMAGE026
为来自节点u的数据均值，
Figure 651960DEST_PATH_IMAGE068
为来自节点u的氢能数据，
Figure 124530DEST_PATH_IMAGE069
为来自节点u的每个氢能数据的权重，
Figure 34717DEST_PATH_IMAGE029
为来自节点u的数据集个数；
聚类得到：
Figure 959948DEST_PATH_IMAGE030
；
Figure 184256DEST_PATH_IMAGE070
为来自节点u的前t个氢能数据的聚类值；
得到每个数据点离散值：
Figure 573649DEST_PATH_IMAGE032
；
其中，
Figure 857999DEST_PATH_IMAGE033
为前t-1个氢能数据的变化值，
Figure 270526DEST_PATH_IMAGE071
为节点u的第t个氢能数据变化值，
其中，
Figure 95263DEST_PATH_IMAGE035
；
其中，P为样本数据中的离散系数，
Figure 276845DEST_PATH_IMAGE036
为前r-1个氢能数据的离散值，根据离散系数判断氢能数据异常点。
所述S1.4中，根据：
Figure 794414DEST_PATH_IMAGE037
；
其中，
Figure 694237DEST_PATH_IMAGE038
为样本含量参数，
Figure 260348DEST_PATH_IMAGE072
和
Figure 358754DEST_PATH_IMAGE040
为监测样本的第g个和第h个氢能数据值，数据点
Figure 984907DEST_PATH_IMAGE072
和
Figure 372026DEST_PATH_IMAGE040
之间的欧式距离在特征空间
Figure 538565DEST_PATH_IMAGE041
中表示为：
Figure 694740DEST_PATH_IMAGE042
；
设数据集
Figure 491795DEST_PATH_IMAGE043
为n各数据点的集合；整数c为类别数；满足条件
Figure 162948DEST_PATH_IMAGE044
；隶属度矩阵
Figure 336440DEST_PATH_IMAGE045
满足约束条件：
Figure 347121DEST_PATH_IMAGE046
：
Figure 377394DEST_PATH_IMAGE047
；
Figure 473526DEST_PATH_IMAGE048
；其中，
Figure 981868DEST_PATH_IMAGE049
为隶属度矩阵U的第i行第j列数据值；
Figure 112635DEST_PATH_IMAGE050
为c个聚类中心的集合，得到目标函数：
Figure 251492DEST_PATH_IMAGE051
；
其中，m为模糊加权指数，
Figure 897237DEST_PATH_IMAGE073
为模糊加权后的隶属度矩阵U的第i行第j列数据值，
Figure 146953DEST_PATH_IMAGE054
为集合V中的第i个聚类中心，
Figure 132227DEST_PATH_IMAGE056
为氢能数据
Figure 504302DEST_PATH_IMAGE057
的邻域，
Figure 575026DEST_PATH_IMAGE058
为邻域大小，
Figure 628433DEST_PATH_IMAGE059
为正则化系数；
根据目标函数得到的函数值为氢能数据阈值，其中，正则化系数通过自适应调整目标函数值，根据风险等级设定离散系数划分阈值等级，将数据实际离散系数与设定的阈值等级相比较，当实际离散系数在正常工作范围内时，系统正常工作并存储相关数据，否则根据实际离散系数与阈值等级的关系，发出相应告警信息并进行记录。
提供基于大数据的氢能产业链风险监测系统，包括多个数据交互节点，所述多个数据交互节点接收告警信息并通过可视化屏幕显示，所述可视化屏幕实时显示当前节点的氢能相关数据信息，所述数据交互节点包括：
数据采集模块100；用于使用传感器采集产业链内各环节包含的氢能相关数据；
数据预处理模块200：用于对采集的氢能相关数据进行预处理；
数据监测模块300：用于建立数据异常监测模型对各环节氢能相关数据进行监测；
监测告警模块400：用于对监测到的氢能异常数据进行告警。
所述监测告警模块400根据风险等级进行告警，并通过可视化屏幕进行显示。
所述基于大数据的氢能产业链风险监测系统还包括数据存储模块500，所述数据存储模块500用于存储监测过程中的各类氢能相关数据及告警信息。
本实施例中，以氢能产业链中氢燃料电池公交车氢能风险监测为例。
数据采集模块100使用传感器采集氢燃料电池公交车的各项氢能相关数据并实时更新；数据预处理模块200对采集的氢能相关数据进行数据标准化处理：以氢能源公交车排气管处氢能相关数据检测为例，设定其温度为第1个氢能相关设备日常检测属性，压力为第2个氢能相关设备日常检测属性，倾角为第三个氢能相关设备日常检测属性，泄露指数为第5个氢能相关设备日常检测属性，烟雾环境检测环境数据为第6个氢能相关设备日常检测属性，即j=1，收集氢能相关数据样本
Figure 530530DEST_PATH_IMAGE074
；
对六中检测属性值分别进行标准化处理得到六种属性数据的标准化处理值
Figure 11190DEST_PATH_IMAGE075
，以j=1、2为例，
Figure 303631DEST_PATH_IMAGE077
其中，j=1时，即温度属性单位为摄氏度，j=2时，即压力属性单位为kPa。
建立氢能相关数据样本
Figure 223045DEST_PATH_IMAGE078
，其中，i=1，2，…，n，j=1，2，…，m，
Figure 917332DEST_PATH_IMAGE002
表示第j个氢能相关设备日常检测属性第i个采集的氢能相关数据，采用标准化处理：
Figure 631210DEST_PATH_IMAGE003
；
其中，
Figure 676526DEST_PATH_IMAGE061
和
Figure 71736DEST_PATH_IMAGE062
分别为第j个日常监测变量的氢能数据样本均值和氢能数据样本标准差，
Figure 682846DEST_PATH_IMAGE079
为
Figure 770887DEST_PATH_IMAGE002
进行标准化处理后的氢能相关数据。
数据标准化处理完成后监测数据的完整性，传感器每分钟监测连续监测一次氢能相关数据，得到时间连续的排气管处氢气样本温度属性数据
Figure 37921DEST_PATH_IMAGE080
，监测仅发现排气管处氢气样本温度属性数据出现缺失，氢气样本数据则不再连续；将其分为连续样本集
Figure 33558DEST_PATH_IMAGE081
和不连续样本
Figure 764754DEST_PATH_IMAGE083
，当数据不完整时，通过数据清洗补充缺失数据：
不连续样本集中共4个温度属性数据，选取这4个样本数据
Figure 23697DEST_PATH_IMAGE084
；
当每个氢能样本数据与变量属性
Figure 512447DEST_PATH_IMAGE085
间满足线性关系：
Figure 600793DEST_PATH_IMAGE086
；
式中，
Figure 124178DEST_PATH_IMAGE087
为对应监测氢能样本数据的采样时间、
Figure 350760DEST_PATH_IMAGE088
为温度属性数据，
Figure 592385DEST_PATH_IMAGE089
为检测系数，
Figure 133088DEST_PATH_IMAGE018
（f=1，2，…，4）为测试误差；
通过回归方程：
Figure 573297DEST_PATH_IMAGE090
；
式中，
Figure 236359DEST_PATH_IMAGE091
为检测时间、
Figure 699702DEST_PATH_IMAGE092
均为预测温度属性数据，
Figure 44095DEST_PATH_IMAGE094
为估计检测系数值，
Figure 604390DEST_PATH_IMAGE023
为估计误差值，
计算回归系数，通过回归方程根据监测到的排气管处氢气数据样本对缺失的氢能相关数据的排气管处氢气温度属性数据样本进行预测得到数据
Figure 110457DEST_PATH_IMAGE095
，并根据预测结果对缺失的温度属性数据的排气管处氢气温度属性数据样本值进行填充得到
Figure 388992DEST_PATH_IMAGE096
。
数据气体扩散过程中，监测的数据不可能出现突变情况，所以通过数据清洗操作可以很好的保证数据的有效性。
缺失数据填充完成后，通过数据监测模块300建立数据异常监测模型对各氢能相关数据进行实时监测，实时监测数据中是否存在异常数据。
从预处理后的氢能源公交车排气管处温度、压力、倾角、泄露指数及设备周围烟雾检测环境数据中抽取一个小时内的传感器数据集各60个，在氢能相关数据处理中根据传感器数据的更新对氢能相关数据进行更新迭代，取来自排气管尾端节点u的氢能相关数据，将氢能相关数据集中的数据根据数值与节点u的数值距离进行权重分配，其中权重
Figure 271497DEST_PATH_IMAGE097
，其中
Figure 623981DEST_PATH_IMAGE098
；
根据节点u的样本数据集的权重计算加权均值：
Figure 363267DEST_PATH_IMAGE025
；
Figure 801202DEST_PATH_IMAGE026
为来自节点u的数据均值，
Figure 487398DEST_PATH_IMAGE027
为来自节点u的氢能数据，
Figure 756705DEST_PATH_IMAGE099
为来自节点u的每个氢能数据的权重，
Figure 870155DEST_PATH_IMAGE029
为来自节点u的数据集个数；
聚类得到：
Figure 795385DEST_PATH_IMAGE030
；
Figure 518229DEST_PATH_IMAGE031
为来自节点u的前t个氢能数据的聚类值；
得到每个数据点离散值：
Figure 907622DEST_PATH_IMAGE032
；
其中，
Figure 254289DEST_PATH_IMAGE033
为前t-1个氢能数据的变化值，
Figure 463554DEST_PATH_IMAGE071
为节点u的第t个氢能数据变化值，
其中，
Figure 491553DEST_PATH_IMAGE035
；
其中，P为样本数据中的离散系数。
Figure 109353DEST_PATH_IMAGE036
为前r-1个氢能数据的离散值，将每一个样本数据都与前59个样本数据作为一个数据集计算它的变化值得到离散系数P。
根据离散系数P判断氢能数据异常点。根据：
Figure 626922DEST_PATH_IMAGE037
；
其中，
Figure 526745DEST_PATH_IMAGE038
为样本含量参数，
Figure 92856DEST_PATH_IMAGE039
和
Figure 191262DEST_PATH_IMAGE040
为监测样本的第g个和第h个氢能数据值，数据点
Figure 817415DEST_PATH_IMAGE039
和
Figure 1272DEST_PATH_IMAGE040
之间的欧式距离在特征空间
Figure 371073DEST_PATH_IMAGE041
中表示为：
Figure 589565DEST_PATH_IMAGE042
；
设数据集
Figure 386620DEST_PATH_IMAGE043
为n各数据点的集合；整数c为类别数；满足条件
Figure 995456DEST_PATH_IMAGE044
；隶属度矩阵
Figure 965686DEST_PATH_IMAGE045
满足约束条件：
Figure 976367DEST_PATH_IMAGE046
：
Figure 944323DEST_PATH_IMAGE047
；
Figure DEST_PATH_IMAGE100
；其中，
Figure 102772DEST_PATH_IMAGE049
为隶属度矩阵U的第i行第j列数据值；
Figure 876693DEST_PATH_IMAGE050
为c个聚类中心的集合，得到目标函数：
Figure 7460DEST_PATH_IMAGE051
；
其中，m为模糊加权指数，
Figure DEST_PATH_IMAGE102
为模糊加权后的隶属度矩阵U的第i行第j列数据值，
Figure 208634DEST_PATH_IMAGE054
为集合V中的第i个聚类中心，
Figure 526483DEST_PATH_IMAGE056
为氢能数据
Figure 41778DEST_PATH_IMAGE057
的邻域，
Figure 89369DEST_PATH_IMAGE058
为邻域大小，
Figure 399127DEST_PATH_IMAGE059
为正则化系数；
上述目标函数根据采集的氢能样本数据按照相似性准则将其划分成若干子类中，使同类样本数据差异尽可能小，例如根据属性将数据划分成六类，可以再根据采样时间划分成多个子类。再选择聚类中心，然后根据样本与聚类中心的距离，将样本划分到该类中，再重新调整聚类中心即目标函数，直至每个样本距聚类中心的距离最小，得到的目标函数即为最合适的样本阈值。代入不同属性、不同时间的数据即得到对应的不同属性、不同时间的数据的样本阈值。
根据目标函数得到的函数值即为设置的氢能数据阈值，其中，正则化系数通过自适应调整目标函数值，当监测当前位置的氢气浓度降低速度较快时，可通过调节正则化系数自适应调节当前位置的氢气浓度阈值，根据当前节点所处环境自适应调节正则化系数，得到调节的目标函数值，根据自适应调节的目标函数值比例划分风险等级并进行异常检测中，得到根据风险等级划分的离散系数阈值，将数据实际离散系数与设定的阈值等级相比较，当实际离散系数在正常工作范围内时，系统正常工作并存储相关数据，否则根据实际离散系数与阈值等级的关系，发出相应告警信息并进行记录。
例如在车辆排气管上的氢气泄露监测传感器监测空气氢气聚集浓度，当监测空气中氢气含量超过1‰时，定为低于为轻度风险，当监测空气中氢气含量超过5‰时，定为低于为中度风险，当监测空气中氢气含量超过1%时，定为高度风险。当监测的实时空气中的氢气含量数据高于1‰时，可视化屏幕显示黄色，提示司机需要注意，当监测的实时空气中的氢气含量数据高于5‰时，可视化屏幕低频闪烁橙色警示灯并发出警报，提示司机需要立即停车检查，当监测的实时空气中的氢气含量数据高于1%时，可视化屏幕高频闪烁红色警示灯并发出全车警报，并立即关闭车辆电磁阀，提醒司机远离车辆。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.基于大数据的氢能产业链风险监测方法，其特征在于：包括如下步骤：
S1.1：通过传感器采集产业链内氢能相关数据；
S1.2：对采集的氢能相关数据进行预处理，并将预处理结果进行存储；
S1.3：对预处理后的数据进行异常监测，并将结果进行存储；
S1.4：根据异常监测结果，对监测异常的数据进行告警。
2.根据权利要求1所述的基于大数据的氢能产业链风险监测方法，其特征在于：所述S1.1中，所述氢能相关数据包括制氢企业的制氢设备和运氢设备的温度、压力、倾角、泄露指数及设备周围烟雾检测环境数据。
3.根据权利要求1所述的基于大数据的氢能产业链风险监测方法，其特征在于：所述S1.2中，对氢能相关数据进行预处理包括氢能相关数据的标准化处理和氢能相关数据的数据清洗处理。
4.根据权利要求3所述的基于大数据的氢能产业链风险监测方法，其特征在于：所述氢能相关数据的标准化处理步骤如下：
建立氢能相关数据样本
Figure 493298DEST_PATH_IMAGE001
，其中，i=1，2，…，n，j=1，2，…，m，
Figure 535072DEST_PATH_IMAGE002
表示第j个氢能相关设备日常检测属性第i个采集的氢能相关数据，采用标准化处理：
Figure 472066DEST_PATH_IMAGE003
；
其中，
Figure 257488DEST_PATH_IMAGE004
和
Figure 963539DEST_PATH_IMAGE005
分别为第j个日常监测变量的氢能数据样本均值和氢能数据样本标准差，
Figure 192526DEST_PATH_IMAGE006
为
Figure 849772DEST_PATH_IMAGE002
进行标准化处理后的氢能相关数据。
5.根据权利要求3所述的基于大数据的氢能产业链风险监测方法，其特征在于：传感器连续监测氢能相关数据，得到连续型氢能相关数据，当氢能相关数据出现缺失时，氢能相关数据则不再连续；将氢能相关数据集分为连续样本值
Figure 471509DEST_PATH_IMAGE007
与不连续样本值
Figure 796179DEST_PATH_IMAGE008
，对不连续样本值
Figure 461647DEST_PATH_IMAGE009
进行氢能相关数据清洗，所述氢能相关数据的清洗处理步骤如下：
设
Figure 107654DEST_PATH_IMAGE010
中共e个氢能数据，从e个氢能数据中选择f个监测氢能样本数据，每个监测氢能样本数据为
Figure 766038DEST_PATH_IMAGE011
，其中，f=1，2，…，q；
当每个氢能样本数据与变量属性
Figure 446680DEST_PATH_IMAGE012
间满足线性关系：
Figure 1158DEST_PATH_IMAGE013
；
式中，
Figure 914887DEST_PATH_IMAGE014
，…，
Figure 81689DEST_PATH_IMAGE015
为对应监测氢能样本数据的变量属性、
Figure 380952DEST_PATH_IMAGE016
为监测氢能样本数据，
Figure 873376DEST_PATH_IMAGE017
为检测系数，
Figure 8822DEST_PATH_IMAGE018
，f=1，2，…，q为测试误差，相互独立且服从正态分布，且
Figure 743428DEST_PATH_IMAGE019
；
通过回归方程：
Figure 640805DEST_PATH_IMAGE020
；
式中，
Figure 818976DEST_PATH_IMAGE021
、
Figure 425407DEST_PATH_IMAGE016
均为预测监测氢能样本数据，
Figure 465169DEST_PATH_IMAGE022
为估计检测系数值，
Figure 207866DEST_PATH_IMAGE023
为估计误差值，计算回归系数，通过回归方程对缺失氢能相关数据进行填充。
6.根据权利要求1所述的基于大数据的氢能产业链风险监测方法，其特征在于：所述S1.3中对氢能数据进行异常检测，从预处理后的氢能数据中抽取某个时长的传感器数据集r个，在氢能数据处理中根据传感器数据的更新对氢能数据进行更新迭代，取来自节点u的氢能数据，将氢能数据集中的数据根据数值与节点u的数值距离进行权重分配，其中权重
Figure 822518DEST_PATH_IMAGE024
，其中t=1，2，…，r-1，
根据节点u的样本数据集的权重计算加权均值：
Figure 417710DEST_PATH_IMAGE025
；
Figure 494119DEST_PATH_IMAGE026
为来自节点u的数据均值，
Figure 123946DEST_PATH_IMAGE027
为来自节点u的氢能数据，
Figure 909500DEST_PATH_IMAGE028
为来自节点u的每个氢能数据的权重，
Figure 490522DEST_PATH_IMAGE029
为来自节点u的数据集个数；
聚类得到：
Figure 872087DEST_PATH_IMAGE030
；
Figure 589377DEST_PATH_IMAGE031
为来自节点u的前t个氢能数据的聚类值；
得到每个数据点离散值：
Figure 545831DEST_PATH_IMAGE032
；
其中，
Figure 115615DEST_PATH_IMAGE033
为前t-1个氢能数据的变化值，
Figure 533827DEST_PATH_IMAGE034
为节点u的第t个氢能数据变化值，
其中，
Figure 387514DEST_PATH_IMAGE035
；
其中，P为样本数据中的离散系数，
Figure 468864DEST_PATH_IMAGE036
为前r-1个氢能数据的离散值，根据离散系数判断氢能数据异常点。
7.根据权利要求1所述的基于大数据的氢能产业链风险监测方法，其特征在于：所述S1.4中，根据：
Figure 24479DEST_PATH_IMAGE037
；
其中，
Figure 216689DEST_PATH_IMAGE038
为样本含量参数，
Figure 439728DEST_PATH_IMAGE039
和
Figure 206827DEST_PATH_IMAGE040
为监测样本的第g个和第h个氢能数据值，数据点
Figure 485624DEST_PATH_IMAGE039
和
Figure 511218DEST_PATH_IMAGE040
之间的欧式距离在特征空间
Figure 824650DEST_PATH_IMAGE041
中表示为：
Figure 11917DEST_PATH_IMAGE042
；
设数据集
Figure 292857DEST_PATH_IMAGE043
为n各数据点的集合；整数c为类别数；满足条件
Figure 623607DEST_PATH_IMAGE044
；隶属度矩阵
Figure 555659DEST_PATH_IMAGE045
满足约束条件：
Figure 664561DEST_PATH_IMAGE046
：
Figure 183529DEST_PATH_IMAGE047
；
Figure 550925DEST_PATH_IMAGE048
；其中，
Figure 573370DEST_PATH_IMAGE049
为隶属度矩阵U的第i行第j列数据值；
Figure 384332DEST_PATH_IMAGE050
为c个聚类中心的集合，得到目标函数：
Figure 623552DEST_PATH_IMAGE051
；
其中，m为模糊加权指数，
Figure 30525DEST_PATH_IMAGE052
为模糊加权后的隶属度矩阵U的第i行第j列数据值，
Figure 422323DEST_PATH_IMAGE053
为集合V中的第i个聚类中心，
Figure 653453DEST_PATH_IMAGE054
为氢能数据
Figure 881434DEST_PATH_IMAGE055
的邻域，
Figure 590633DEST_PATH_IMAGE056
为邻域大小，
Figure 836938DEST_PATH_IMAGE057
为正则化系数；
根据目标函数得到的函数值为氢能数据阈值，其中，正则化系数通过自适应调整目标函数值，根据风险等级设定离散系数划分阈值等级，将数据实际离散系数与设定的阈值等级相比较，当实际离散系数在正常工作范围内时，系统正常工作并存储相关数据，否则根据实际离散系数与阈值等级的关系，发出相应告警信息并进行记录。
8.基于大数据的氢能产业链风险监测系统，包括多个数据交互节点，其特征在于：多个数据交互节点接收告警信息并通过可视化屏幕显示，所述可视化屏幕实时显示当前节点的氢能相关数据信息，所述数据交互节点包括：
数据采集模块（100）；用于使用传感器采集产业链内各环节包含的氢能相关数据；
数据预处理模块（200）：用于对采集的氢能相关数据进行预处理；
数据监测模块（300）：用于建立数据异常监测模型对各环节氢能相关数据进行监测；
监测告警模块（400）：用于对监测到的氢能异常数据进行告警。
9.根据权利要求8所述的基于大数据的氢能产业链风险监测系统，其特征在于：所述监测告警模块（400）根据风险等级进行告警，并通过可视化屏幕进行显示。
10.根据权利要求9所述的基于大数据的氢能产业链风险监测系统，其特征在于：所述基于大数据的氢能产业链风险监测系统还包括数据存储模块（500），所述数据存储模块（500）用于存储监测过程中的各类氢能相关数据及告警信息。
CN202211298654.8A 2022-10-24 2022-10-24 基于大数据的氢能产业链风险监测系统及监测方法 Pending CN115358647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211298654.8A CN115358647A (zh) 2022-10-24 2022-10-24 基于大数据的氢能产业链风险监测系统及监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211298654.8A CN115358647A (zh) 2022-10-24 2022-10-24 基于大数据的氢能产业链风险监测系统及监测方法

Publications (1)

Publication Number Publication Date
CN115358647A true CN115358647A (zh) 2022-11-18

Family

ID=84008119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211298654.8A Pending CN115358647A (zh) 2022-10-24 2022-10-24 基于大数据的氢能产业链风险监测系统及监测方法

Country Status (1)

Country Link
CN (1) CN115358647A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154239A (zh) * 2023-04-14 2023-05-23 湖南省计量检测研究院 一种基于多层次实现的氢燃料电池能量转换方法和装置
CN116452396A (zh) * 2023-06-17 2023-07-18 北京清众神州大数据有限公司 一种能源产业链的监控方法、装置、设备和介质
CN118505070A (zh) * 2024-07-18 2024-08-16 北京工业大数据创新中心有限公司 一种工业电子设备的质量检测方法、装置及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130218755A1 (en) * 2012-02-21 2013-08-22 Uniloc Luxembourg S.A. Renewable resource distribution management system
CN104820673A (zh) * 2015-03-27 2015-08-05 浙江大学 基于自适应性分段统计近似的时间序列相似性度量方法
CN105574165A (zh) * 2015-12-17 2016-05-11 国家电网公司 一种基于聚类的电网运行监控信息辨识分类方法
CN109002959A (zh) * 2018-06-11 2018-12-14 北京石油化工学院 一种基于大数据的危化品运输风险预测系统
CN109685366A (zh) * 2018-12-24 2019-04-26 中国人民解放军32181部队 基于异变数据的装备健康状态评估方法
CN111652424A (zh) * 2020-05-28 2020-09-11 国网甘肃省电力公司经济技术研究院 一种氢负荷预测方法
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN113506175A (zh) * 2021-08-19 2021-10-15 北京中数智汇科技股份有限公司 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113988552A (zh) * 2021-10-18 2022-01-28 北理新源(佛山)信息科技有限公司 基于大数据的氢产业链风险监测系统
CN113988700A (zh) * 2021-11-15 2022-01-28 广东电网有限责任公司 能源电力产业链风险预警方法、装置、终端设备及介质
CN115033477A (zh) * 2022-06-08 2022-09-09 山东省计算中心（国家超级计算济南中心） 一种面向大规模微服务的性能异常主动检测和处理方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130218755A1 (en) * 2012-02-21 2013-08-22 Uniloc Luxembourg S.A. Renewable resource distribution management system
CN104820673A (zh) * 2015-03-27 2015-08-05 浙江大学 基于自适应性分段统计近似的时间序列相似性度量方法
CN105574165A (zh) * 2015-12-17 2016-05-11 国家电网公司 一种基于聚类的电网运行监控信息辨识分类方法
CN109002959A (zh) * 2018-06-11 2018-12-14 北京石油化工学院 一种基于大数据的危化品运输风险预测系统
CN109685366A (zh) * 2018-12-24 2019-04-26 中国人民解放军32181部队 基于异变数据的装备健康状态评估方法
CN111652424A (zh) * 2020-05-28 2020-09-11 国网甘肃省电力公司经济技术研究院 一种氢负荷预测方法
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN113506175A (zh) * 2021-08-19 2021-10-15 北京中数智汇科技股份有限公司 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113988552A (zh) * 2021-10-18 2022-01-28 北理新源(佛山)信息科技有限公司 基于大数据的氢产业链风险监测系统
CN113988700A (zh) * 2021-11-15 2022-01-28 广东电网有限责任公司 能源电力产业链风险预警方法、装置、终端设备及介质
CN115033477A (zh) * 2022-06-08 2022-09-09 山东省计算中心（国家超级计算济南中心） 一种面向大规模微服务的性能异常主动检测和处理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王涛 等: "基于模糊核聚类图像分割的气体泄漏定位研究", 《北京理工大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154239A (zh) * 2023-04-14 2023-05-23 湖南省计量检测研究院 一种基于多层次实现的氢燃料电池能量转换方法和装置
CN116154239B (zh) * 2023-04-14 2023-11-21 湖南省计量检测研究院 一种基于多层次实现的氢燃料电池能量转换方法和装置
CN116452396A (zh) * 2023-06-17 2023-07-18 北京清众神州大数据有限公司 一种能源产业链的监控方法、装置、设备和介质
CN116452396B (zh) * 2023-06-17 2023-08-25 北京清众神州大数据有限公司 一种能源产业链的监控方法、装置、设备和介质
CN118505070A (zh) * 2024-07-18 2024-08-16 北京工业大数据创新中心有限公司 一种工业电子设备的质量检测方法、装置及设备
CN118505070B (zh) * 2024-07-18 2024-10-18 北京工业大数据创新中心有限公司 一种工业电子设备的质量检测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN115358647A (zh) 基于大数据的氢能产业链风险监测系统及监测方法
CN110633353B (zh) 一种基于集成学习的船舶类型仿冒监测方法
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
CN112101790B (zh) 一种水体监测视频及数据联动预警方法及系统
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN114023399B (zh) 一种基于人工智能的空气颗粒物分析预警方法和装置
CN108090657A (zh) 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法
CN114201374B (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
CN117935519B (zh) 一种燃气检测警报系统
CN113988552A (zh) 基于大数据的氢产业链风险监测系统
CN112287988A (zh) 一种水污染源在线监测数据异常的识别方法
CN116738353B (zh) 基于数据分析的制药车间空气滤芯性能检测方法
CN112258362B (zh) 危险源识别方法、系统及可读存储介质
CN112861350A (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN118313564B (zh) 企业排放物监测数据的异常识别方法、装置、设备及介质
CN116026778A (zh) 一种基于天空地的园区碳排放综合监控系统和方法
CN117540229B (zh) 一种基于聚类算法的大气环境监测方法
CN117391458B (zh) 基于数据分析的安全生产风险检测预警方法及系统
CN112150443B (zh) 基于空气质量数据图谱的列车车载空调剩余寿命预测方法
CN118032037A (zh) 一种环境监测仪器的智能故障诊断方法
CN117944837A (zh) 一种无人驾驶船舶溢油监测系统及方法
CN116862109A (zh) 一种区域碳排放态势感知预警方法
CN116363843A (zh) 试验室设备预警系统
CN114582083B (zh) 一种隧道监控多传感器数据融合火灾预警方法
CN112032567A (zh) 一种埋地燃气管道泄漏危险度预测系统

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