CN116257811B - 一种基于燃气流量检测深度学习的异常处理方法 - Google Patents

Abstract

本发明提供一种基于燃气流量检测深度学习的异常处理方法，涉及燃气检测技术领域，包括如下步骤：步骤S1：获取整个区域内的燃气使用数据，建立燃气使用参照图和燃气故障图；步骤S2：对历史故障点进行标记与比对，得到故障波动值；步骤S3：建立正常波动区间；步骤S4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；步骤S5：对异常检测模型进行通过率判定，不断更新异常检测模型；本发明通过对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。

Description

一种基于燃气流量检测深度学习的异常处理方法

技术领域

本发明涉及燃气检测技术领域，尤其涉及一种基于燃气流量检测深度学习的异常处理方法。

背景技术

燃气是气体燃料的总称，它能燃烧而放出热量，供居民和工业企业使用。燃气的种类很多，主要有天然气、人工燃气、液化石油气和沼气、煤制气；由于管道老化、燃气灶经常使用，可能会造成燃气泄漏等情况，存在一定安全隐患；

现有技术中，有以下几种方式对燃气泄漏进行检测：浓度检测报警、红外检测报警、压力检测报警和通过燃气公司指派检查人员上门检查，上述几种方法存在灵敏度低、检测结果不及时等问题。

发明内容

本发明旨在至少在一定程度上解决现有技术中的技术问题之一，本发明目的是提供一种基于燃气流量检测深度学习的异常处理方法，通过对历史正常燃气流量数据进行分析，得到正常波动区间，并实时更新正常波动区间，建立异常检测模型，对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于燃气流量检测深度学习的异常处理方法，其特征在于，包括如下步骤：

步骤S1：获取整个区域内的燃气使用数据，根据整个区域内的燃气使用数据建立燃气使用参照图和燃气故障图；所述燃气使用数据包括：燃气浓度值、水温温差和单位用气量；

步骤S2：从燃气故障图中获取历史故障点，在燃气使用参照图中对区域内的历史故障点进行标记，将历史故障点的单位用气量与正常情况下的单位用气量进行比对，得到故障波动值；

步骤S3：基于整个区域内的燃气使用数据，建立正常波动区间；

步骤S4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；

步骤S5：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，对异常检测模型进行通过率判定，不断更新异常检测模型。

进一步地，所述步骤S1包括如下子步骤：

步骤S101：以燃气管道的中轴线为对称轴，沿燃气管道的延伸方向，每间隔监测距离设置一个燃气传感器，用于检测燃气浓度值；

步骤S102：获取用户预设水温和实际水温，将预设水温和实际水温的差值设置为水温温差；

步骤S103：根据燃气浓度值和温差时间表建立燃气故障图；

步骤S104：每间隔第一时间获取一次用户用气量，将用户用气量与第一时间的比值设置为单位用气量；

步骤S105：获取连续第一天数的单位用气量并建立燃气使用参照图。

进一步地，所述步骤S103包括如下子步骤：

步骤S10301： 当燃气浓度值大于第一阈值时，判定为泄漏故障并记录时间点，设置为泄漏故障时间点；

步骤S10302：获取连续第一天数的水温温差，计算得到平均水温温差，当水温温差高于平均水温温差时，判定为水温故障并记录时间点，记录为水温故障时间点；

步骤S10303：将泄漏故障时间点与水温故障时间点绘制成燃气故障图。

进一步地，所述步骤S2包括如下子步骤：

步骤S201：从燃气故障图中获取泄漏故障时间点和水温故障时间点，将泄漏故障时间点和水温故障时间点设置为历史故障点，当泄漏故障时间点与水温故障时间点的间隔时间不超过第一时长，且燃气故障点早于水温故障点时，删除该水温故障点，只记录该燃气故障点为历史故障点；

步骤S202：将历史故障点在燃气使用参照图上进行标记，将历史故障点出现后的第一时长设为历史故障时长，获取历史故障时长内的燃气流量值，设置为故障流量值，求得故障流量值与历史故障时长的比值，设为故障单位流量；

步骤S203：获取历史故障时长对应的连续第一天数的正常流量值，求得正常流量值与历史故障时长的比值，设置为正常单位流量，获取连续第一天数的正常单位流量的平均值，设置为正常单位流量平均值，将故障流量值与正常单位流量平均值的差值设置为故障波动值。

进一步地，所述步骤S3包括如下子步骤：

步骤S301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立，记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时段时长的比值，设为第三记录时段单位流量值；求得第一记录时段单位流量值、第二记录时段单位流量值和第三记录时段单位流量值的平均值，设置为基准流量值Ln，n为常数；

步骤S302：设置第一采集时长，在一天内，每间隔第一采集时长获取一次用户用气量，设置为采集用气量，获取采集用气量与第一采集时长的比值，设置为采集单位流量值；

步骤S303：将采集单位流量值代入正常波动幅度计算公式中，得到一天内的正常波动幅度；其中，F_m为一天内的正常波动幅度，L_n为基准流量值，L_m为采集单位流量值，n，m均为常数；

步骤S304：计算连续n天的正常波动幅度F_m，并获取连续第一天数中所有正常波动幅度的最大值F_max和最小值F_min；

步骤S305：通过公式计算得到连续n天的正常基准值；其中，Y为正常基准值，L_n为基准流量值；

步骤S306：根据正常基准值Y、正常波动幅度的最大值F_max和最小值F_min计算得到正常波动区间为M[Y×F_min，Y×F_max]；

步骤S307：每间隔第一更新时长，对正常波动区间进行监测和更新。

进一步地，所述步骤S307包括如下子步骤：

步骤S30701：选取第一更新时长内的连续第一天数，重复步骤S301至步骤S303，得到旧数据，所述旧数据包括第一更新时长内的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30702：选取第一更新时长后的连续第一天数，重复步骤S301至步骤S303，得到新数据，所述新数据包括第一更新时长后的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30703：对新数据和旧数据重新进行步骤S304至步骤S306，得到更新后的正常波动区间。

进一步地，所述步骤S4包括如下子步骤：

步骤S401：将正常波动区间与故障波动值进行比对，当故障波动值不属于正常波动区间时，输出为一般异常故障，当故障波动值属于正常波动区间时，输出为特殊异常故障；

步骤S402：当输出特殊异常故障时，标记特殊异常故障对应的故障点，对特殊异常故障对应的故障点进行特征提取，得到故障特征；

步骤S403：建立异常检测测试模型，并根据故障特征对异常检测测试模型进行深度学习，得到异常检测模型，所述异常检测模型用于对燃气流量数据进行分析，得到燃气使用状态，所述燃气使用状态包括正常状态和泄漏状态。

进一步地，所述步骤S5包括如下子步骤：

步骤S501：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，当比对结果一致时，记为判断通过；

步骤S502：将判断通过次数与判断次数的比值设为判断通过率，当判断通过率低于标准通过率时，对正常波动区间进行调整，直至判断通过率高于标准通过率。

本发明的有益效果：本发明首先获取整个区域内的燃气使用数据，建立燃气使用参照图；对燃气使用数据进行分析，得到历史故障点，在燃气使用参照图上对历史故障点进行标记，并将故障流量数据与正常流量数据进行比对，得到故障波动值；通过对历史故障点进行比对，获得故障情况下燃气流量的波动值，为提取故障特征提供了准确的参考数据。

本发明通过获取历史正常燃气流量数据，建立正常波动区间，每间隔第一更新时长对正常波动区间进行更新，为异常检测模型的参数设定提供了精准数据支持，提高了异常检测判断的准确性；将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；对异常检测模型进行通过率判定，有助于提高异常检测模型进行异常检测判断的准确度。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本发明的方法步骤图；

图2为本发明的燃气故障图；

图3为本发明的燃气使用参照图。

具体实施方式

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。

本发明提供一种基于燃气流量检测深度学习的异常处理方法，通过对历史燃气流量进行分析获得正常波动区间，再对正常波动区间进行监测和更新，建立异常检测模型，对居民燃气流量进行实时检测，以解决现有技术中燃气检测不够及时，检测结果的实效性不高导致检测结果参考意义不大的问题。

请参阅图1所示，一种基于燃气流量检测深度学习的异常处理方法，其特征在于，包括如下步骤：

步骤S1：获取整个区域内的燃气使用数据，根据整个区域内的燃气使用数据建立燃气使用参照图和燃气故障图；所述燃气使用数据包括：燃气浓度值、水温温差和单位用气量；其中，获取整个区域内的燃气使用数据中的整个区域可以是以城市小区为单位；

步骤S1包括如下子步骤：

步骤S101：以燃气管道的中轴线为对称轴，沿燃气管道的延伸方向，每间隔监测距离设置一个燃气传感器，具体地，在燃气管道附近配置燃气传感器，监测距离的设置区间在10到100m之间，用于检测燃气管道是否出现泄漏的情况，燃气公司为了更好检测气体的泄漏情况，在燃气中加入赋臭剂，混合后的燃气会有类似臭鸡蛋的味道，当燃气泄漏时，燃气传感器可以实时检测到管道周围是否出现泄漏；

步骤S102：获取用户预设水温和实际水温，将预设水温和实际水温的差值设置为水温温差；

步骤S103：根据燃气浓度值和温差时间表建立燃气故障图；

请参阅图2所示，步骤S103包括如下子步骤：

步骤S10301： 当燃气浓度值大于第一阈值时，判定为泄漏故障并记录时间点，设置为泄漏故障时间点；第一阈值设置为20ppm；

步骤S10302：获取连续第一天数的水温温差，计算得到平均水温温差，当水温温差高于平均水温温差时，判定为水温故障并记录时间点，记录为水温故障时间点；具体地，在热水器工作过程中水温能很好地反映出燃气状态，当热水器正常工作时，预设水温为40摄氏度，实际水温为10摄氏度时；预设水温与实际水温相差较大，则燃气可能发生泄漏、压力不足等问题；

步骤S10303：将泄漏故障时间点与水温故障时间点绘制成燃气故障图；在时间轴上对泄漏故障时间点和水温故障时间点进行分别标记，将故障时间点和故障原因明显表示出来；

请参阅图3所示，步骤S104：每间隔第一时间获取一次用户用气量，将用户用气量与第一时间的比值设置为单位用气量；具体地，第一时间为1小时，用户用气方向主要为灶台和热水器，灶台和热水器的使用时段具有峰谷性，如果直接获取全天用气量计算单位用气量，无法很好地反映出用户用气量变化情况，不能很好地确定出现故障的时间，从而使得获得的数据没有参考性，对全天用气量进行多次分段采集，可以很好地解决这个问题；

步骤S105：获取连续第一天数的单位用气量并建立燃气使用参照图；具体地，获得对全天用气量进行多次分段采集得到的单位用气量后，在燃气使用参照图上，以时间为横坐标，以单位用气量为纵坐标，可以很好地表现出全天的燃气用量的变化；

步骤S2：从燃气故障图中获取历史故障点，在燃气使用参照图中对区域内的历史故障点进行标记，将历史故障点的单位用气量与正常情况下的单位用气量进行比对，得到故障波动值；

步骤S2包括如下子步骤：

步骤S201：从燃气故障图中获取泄漏故障时间点和水温故障时间点，将泄漏故障时间点和水温故障时间点设置为历史故障点，当泄漏故障时间点与水温故障时间点的间隔时间不超过第一时长，且燃气故障点早于水温故障点时，删除该水温故障点，只记录该燃气故障点为历史故障点；具体地，第一时长具体设置为1小时，引起水温故障的原因可能是燃气泄漏，当检测到燃气泄漏后，热水器在使用情况下一定会出现温差过大的情况，此时，水温故障点属于泄漏故障点，只需记录泄漏故障点为历史故障点即可；

步骤S202：将历史故障点在燃气使用参照图上进行标记，将历史故障点出现后的第一时长设为历史故障时长，具体地，在出现历史故障点后的一段时间内，燃气流量值都会受故障影响有所变化，第一时长具体设置为1小时，获取历史故障时长内的燃气流量值，设置为故障流量值，求得故障流量值与历史故障时长的比值，设为故障单位流量；

步骤S203：获取历史故障时长对应的连续第一天数的正常流量值，求得正常流量值与历史故障时长的比值，设置为正常单位流量，获取连续第一天数的正常单位流量的平均值，设置为正常单位流量平均值，将故障流量值与正常单位流量平均值的差值设置为故障波动值；

步骤S3：基于整个区域内的燃气使用数据，建立正常波动区间；

步骤S3包括如下子步骤：

步骤S301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立；具体地，第一记录时段为早上6点至10点，第二记录时段为中午12点至16点，第三记录时段为18点至22点；

记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，选取多个不同时段采集用气量，可以体现出用户用气量变化情况；

求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时段时长的比值，设为第三记录时段单位流量值；求得第一记录时段单位流量值、第二记录时段单位流量值和第三记录时段单位流量值的平均值，设置为基准流量值Ln，n为常数；

步骤S302：设置第一采集时长，在一天内，每间隔第一采集时长获取一次用户用气量，设置为采集用气量，获取采集用气量与第一采集时长的比值，设置为采集单位流量值；第一采集时长设置为1h；

步骤S303：将采集单位流量值代入正常波动幅度计算公式中，得到一天内的正常波动幅度；其中，F_m为一天内的正常波动幅度，L_n为基准流量值，L_m为采集单位流量值，n，m均为常数；

步骤S304：计算连续n天的正常波动幅度F_m，并获取连续第一天数中所有正常波动幅度的最大值F_max和最小值F_min；具体地，连续第一天数为7天，如果只计算单天的正常波动幅度的最大值或最小值，可能会出现某天区域内居民燃气使用量过高或过低，导致正常波动区间没有代表性的情况；

步骤S305：通过公式计算得到连续n天的正常基准值；其中，Y为正常基准值，L_n为基准流量值；

步骤S306：根据正常基准值Y、正常波动幅度的最大值F_max和最小值F_min计算得到正常波动区间为M[Y×F_min，Y×F_max]；

步骤S307：每间隔第一更新时长，对正常波动区间进行监测和更新；具体地，第一更新时长为90天，区域内居民燃气使用量受季节影响，例如冬季热水器预设水温高于夏季预设水温，冬季热水器消耗燃气量高于夏季热水器消耗燃气量；

步骤S307包括如下子步骤：

步骤S30701：选取第一更新时长内的连续第一天数，重复步骤S301至步骤S303，得到旧数据，所述旧数据包括第一更新时长内的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30702：选取第一更新时长后的连续第一天数，重复步骤S301至步骤S303，得到新数据，所述新数据包括第一更新时长后的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30703：对新数据和旧数据重新进行步骤S304至步骤S306，得到更新后的正常波动区间；

步骤S4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；

步骤S4包括如下子步骤：

步骤S401：将正常波动区间与故障波动值进行比对，当故障波动值不属于正常波动区间时，输出为一般异常故障，当故障波动值属于正常波动区间时，输出为特殊异常故障；具体地，当出现的故障较小时，燃气流量波动较小，可能并未超出正常波动区间，但较小的故障也存在安全隐患，如果不计入故障类型，会出现检测结果不准确的问题；

步骤S402：当输出特殊异常故障时，标记特殊异常故障对应的故障点，对特殊异常故障对应的故障点进行特征提取，得到故障特征；

步骤S403：建立异常检测测试模型，并根据故障特征对异常检测测试模型进行深度学习，得到异常检测模型，所述异常检测模型用于对燃气流量数据进行分析，得到燃气使用状态，所述燃气使用状态包括正常状态和泄漏状态；

步骤S5：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，对异常检测模型进行通过率判定，不断更新异常检测模型，提高异常检测分析的准确性；

步骤S5包括如下子步骤：

步骤S501：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，当比对结果一致时，记为判断通过；

步骤S502：将判断通过次数与判断次数的比值设为判断通过率，当判断通过率低于标准通过率时，对正常波动区间进行调整，直至判断通过率高于标准通过率；具体地，标准通过率设置为90%，如果不对异常监测模型进行通过率计算，可能会出现因为参数错误导致检测结果不准确的情况。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (7)

1.一种基于燃气流量检测深度学习的异常处理方法，其特征在于，包括如下步骤：

步骤S1：获取整个区域内的燃气使用数据，根据整个区域内的燃气使用数据建立燃气使用参照图和燃气故障图；所述燃气使用数据包括：燃气浓度值、水温温差和单位用气量；

步骤S2：从燃气故障图中获取历史故障点，在燃气使用参照图中对区域内的历史故障点进行标记，将历史故障点的单位用气量与正常情况下的单位用气量进行比对，得到故障波动值；

步骤S3：基于整个区域内的燃气使用数据，建立正常波动区间；

步骤S4：将正常波动区间与故障波动值进行综合分析，得到深度学习后的异常检测模型；

步骤S5：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，对异常检测模型进行通过率判定，不断更新异常检测模型；

所述步骤S4包括如下子步骤：

步骤S401：将正常波动区间与故障波动值进行比对，当故障波动值不属于正常波动区间时，输出为一般异常故障，当故障波动值属于正常波动区间时，输出为特殊异常故障；

步骤S402：当输出特殊异常故障时，标记特殊异常故障对应的故障点，对特殊异常故障对应的故障点进行特征提取，得到故障特征；

步骤S403：建立异常检测测试模型，并根据故障特征对异常检测测试模型进行深度学习，得到异常检测模型，所述异常检测模型用于对燃气流量数据进行分析，得到燃气使用状态，所述燃气使用状态包括正常状态和泄漏状态。

2.根据权利要求1所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S1包括如下子步骤：

步骤S101：以燃气管道的中轴线为对称轴，沿燃气管道的延伸方向，每间隔监测距离设置一个燃气传感器，用于检测燃气浓度值；

步骤S102：获取用户预设水温和实际水温，将预设水温和实际水温的差值设置为水温温差；

步骤S103：根据燃气浓度值和温差时间表建立燃气故障图；

步骤S104：每间隔第一时间获取一次用户用气量，将用户用气量与第一时间的比值设置为单位用气量；

步骤S105：获取连续第一天数的单位用气量并建立燃气使用参照图。

3.根据权利要求2所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S103包括如下子步骤：

步骤S10301：当燃气浓度值大于第一阈值时，判定为泄漏故障并记录时间点，设置为泄漏故障时间点；

步骤S10302：获取连续第一天数的水温温差，计算得到平均水温温差，当水温温差高于平均水温温差时，判定为水温故障并记录时间点，记录为水温故障时间点；

步骤S10303：将泄漏故障时间点与水温故障时间点绘制成燃气故障图。

4.根据权利要求3所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S2包括如下子步骤：

步骤S201：从燃气故障图中获取泄漏故障时间点和水温故障时间点，将泄漏故障时间点和水温故障时间点设置为历史故障点，当泄漏故障时间点与水温故障时间点的间隔时间不超过第一时长，且燃气故障点早于水温故障点时，删除该水温故障点，只记录该燃气故障点为历史故障点；

步骤S202：将历史故障点在燃气使用参照图上进行标记，将历史故障点出现后的第一时长设为历史故障时长，获取历史故障时长内的燃气流量值，设置为故障流量值，求得故障流量值与历史故障时长的比值，设为故障单位流量；

步骤S203：获取历史故障时长对应的连续第一天数的正常流量值，求得正常流量值与历史故障时长的比值，设置为正常单位流量，获取连续第一天数的正常单位流量的平均值，设置为正常单位流量平均值，将故障流量值与正常单位流量平均值的差值设置为故障波动值。

5.根据权利要求3所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S3包括如下子步骤：

步骤S301：设置第一记录时段、第二记录时段和第三记录时段，所述第一记录时段、第二记录时段和第三记录时段互相独立，记录一天内的第一记录时段、第二记录时段和第三记录时段内的用户用气量，求得第一记录时段用户用气量与第一时段时长的比值，设为第一记录时段单位流量值，求得第二记录时段用户用气量与第二时段时长的比值，设为第二记录时段单位流量值，求得第三记录时段用户用气量与第三时段时长的比值，设为第三记录时段单位流量值；求得第一记录时段单位流量值、第二记录时段单位流量值和第三记录时段单位流量值的平均值，设置为基准流量值Ln，n为常数；

步骤S302：设置第一采集时长，在一天内，每间隔第一采集时长获取一次用户用气量，设置为采集用气量，获取采集用气量与第一采集时长的比值，设置为采集单位流量值；

步骤S303：将采集单位流量值代入正常波动幅度计算公式中，得到一天内的正常波动幅度；其中，F_m为一天内的正常波动幅度，L_n为基准流量值，L_m为采集单位流量值，n，m均为常数；

步骤S304：计算连续n天的正常波动幅度F_m，并获取连续第一天数中所有正常波动幅度的最大值F_max和最小值F_min；

步骤S305：通过公式计算得到连续n天的正常基准值；其中，Y为正常基准值，L_n为基准流量值；

步骤S306：根据正常基准值Y、正常波动幅度的最大值F_max和最小值F_min计算得到正常波动区间为M[Y×F_min，Y×F_max]；

步骤S307：每间隔第一更新时长，对正常波动区间进行监测和更新。

6.根据权利要求5所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S307包括如下子步骤：

步骤S30701：选取第一更新时长内的连续第一天数，重复步骤S301至步骤S303，得到旧数据，所述旧数据包括第一更新时长内的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30702：选取第一更新时长后的连续第一天数，重复步骤S301至步骤S303，得到新数据，所述新数据包括第一更新时长后的连续第一天数的基准流量值L_n和正常波动幅度F_m；

步骤S30703：对新数据和旧数据重新进行步骤S304至步骤S306，得到更新后的正常波动区间。

7.根据权利要求6所述的一种基于燃气流量检测深度学习的异常处理方法，其特征在于，所述步骤S5包括如下子步骤：

步骤S501：用异常检测模型计算得到燃气流量类型，将计算得到的燃气流量类型与实际燃气流量类型进行异常比对，当比对结果一致时，记为判断通过；

步骤S502：将判断通过次数与判断次数的比值设为判断通过率，当判断通过率低于标准通过率时，对正常波动区间进行调整，直至判断通过率高于标准通过率。