CN116295732A - 一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 - Google Patents
一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 Download PDFInfo
- Publication number
- CN116295732A CN116295732A CN202310243544.XA CN202310243544A CN116295732A CN 116295732 A CN116295732 A CN 116295732A CN 202310243544 A CN202310243544 A CN 202310243544A CN 116295732 A CN116295732 A CN 116295732A
- Authority
- CN
- China
- Prior art keywords
- lof
- gas flowmeter
- algorithm
- dbscan algorithm
- detection method
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于融合LOF‑DBSCAN算法的燃气流量计异常数据检测方法，包括：采集燃气流量计历史流量数据，并对燃气流量计的设备机理进行分析；对历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；使用LOF算法检测离群点并处理；为DBSCAN算法选取合适的参数，进行聚类分析并评估聚类效果是否好并输出检测结果。本发明显著提高了燃气公司异常数据检测的数量及质量，处理了噪声点对聚类算法的影响，改善了DBSCAN算法因密度分布不均而造成的聚类效果不佳的问题，增加了所检测出的故障点数量，降低了误检率。
Description
技术领域
本发明涉及工业异常检测的技术领域，尤其涉及一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法。
背景技术
随着工业社会的发展，燃气流量计的普及率和使用率逐年上升，而燃气作为一种商品，就不得不提到燃气的计量，且燃气计量器具属于强制检定的计量器具，这足以证明计量在燃气运营当中起到的重要作用。燃气流量计是计量燃气用量的仪表，是实现单位统一、准确可靠量值的设备。流量计从属于速度式流量计，所以拥有很多转动的部件，因此更容易出现磨损和损坏等故障，影响流量计的正常计量。
在燃气流量计的使用中，因为出现故障进而影响到正常计量的情况屡见不鲜，因此，在进行贸易结算的时候那些已经存在的故障，会造成贸易结算存在误差。而燃气经营企业对降本增效的需求越来越大，天然气的准确计量不仅影响燃气公司对售卖燃气的成本、利润等技术指标的准确考核，而且直接关系到燃气公司的社会信誉度和经济效益。对天然气计量的管理更是衡量企业管理水平的一个重要标志。可以说计量天然气是燃气企业生产经营的生命线，而且天然气一旦经过计量表计量后形成交易，损失非常难以追回。所以，对流量计计量数据进行异常检测可以在最大程度上降低燃气公司的经济损失，是非常有必要的。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明目的是提供一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，解决目前燃气流量计算中DBSCAN算法因密度不均及噪声点、离群点干扰带来的燃气流量计的异常检测数量的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，包括：
采集燃气流量计历史流量数据，并对所述燃气流量计的设备机理进行分析；
对所述历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；
使用LOF算法检测离群点并处理；
采用DBSCAN算法选取合适的参数并进行聚类分析检测异常情况，并根据检测出的异常情况规模评估聚类效果是否好；
若效果较佳，则得到检测结果；
若效果不佳，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：对所述燃气流量计的设备机理进行分析包括，
记录燃气流量计运行时的瞬时温度；
记录燃气流量计运行时的瞬时压力；
记录燃气流量计运行时的标况瞬时流量；
记录标况总量。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：所述标况瞬时流量由工况流量结合工况温度与工况压力转化得出，具体转化公式如下：
其中，qcn表示标况流量，qc0表示标况流量，Tn表示标况下温度，T0表示工况下温度，P0表示工况下压力，Pn表示标况下压力，Zn表示标况下压缩因子，Z0表示工况下压缩因子。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：使用LOF算法检测离群点并处理包括通过给每个数据点都分配一个依赖于邻域密度的离群因子LOF，判断该数据点是否为离群点，并使用中位数补值法对离群点进行替换。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：还包括，
若LOF>1，则该数据点为离群点；
若LOF<1，则该数据点为正常数据点。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：还包括使用median函数求得的中位数对离群点进行替换。
作为本发明所述一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其中：为DBSCAN算法选取合适的参数并进行聚类分析包括，
将通过LOF算法检测离散点并使用中位数替换后得到的数据点作为DBSCAN算法的重要参数，并分为两类；
其中，一类为DBSCAN算法本身的参数eps即∈-邻域的距离阈值以及样本点要成为核心对象所需要的∈-邻域的样本数阈值min_samples；
另一类为最近邻度量的参数metric即最近邻距离度量参数。
第二方面，本发明实施例提供了一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测系统，包括，
采集模块，用于采集燃气流量计历史流量数据，并对所述燃气流量计的设备机理进行分析；
预处理模块，用于对所述历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；
输出模块，用于使用LOF算法检测离群点并处理，为DBSCAN算法选取合适的参数并进行聚类分析并评估聚类效果是否好，若好，则得到检测结果，若不好，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于融合LOF-D BSCAN算法的燃气流量计异常数据检测方法。
本发明的有益效果：本发明可以作为实现工业场景下燃气流量计异常数据检测的一种有效方法，显著提高了燃气公司异常数据检测的数量及质量，处理了噪声点对聚类算法的影响，改善了DBSCAN算法因密度分布不均而造成的聚类效果不佳的问题，增加了所检测出的故障点数量，降低了误检率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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它的附图。其中：
图1为本发明一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的流程图。
图2为本发明一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的DBSCAN聚类结果图。
图3为本发明一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的LOF-DBSCAN聚类效果图。
图4为本发明一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的压力异常图。
图5为本发明一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的温度异常图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，包括：
S101：采集燃气流量计历史流量数据，并对燃气流量计的设备机理进行分析。应说明的是：
通过SCADA系统获得燃气流量计历史流量数据。
当温度传感器出现异常时，直接表现就是温度阶跃并持续一段时间，此时标况流量也会随之变化。当压力传感器出现异常时，表现为压力阶跃，由于压力随用气量而波动，所以压力曲线与工况流量具有相似趋势，一旦出现阶跃，一般时压力传感器出现了异常。当流量计死表时，标况瞬时流量为0,而压力和温度处于用气正常波动状态，燃气流量计死表导致用户异常用气，本应计量的标况瞬时流量为0。会造成燃气公司利益损失。当燃气用户未用气时，标况瞬时流量为0,而压力和温度处于未用气的正常波动状态。
记录燃气流量计运行时的瞬时温度；
记录燃气流量计运行时的瞬时压力；
记录燃气流量计运行时的标况瞬时流量；
记录标况总量；
具体的，标况瞬时流量是由工况流量结合工况温度与工况压力转化而来，转化公式如下：
其中，qcn表示标况流量(m3/h)，qc0表示标况流量(m3/h)，Tn表示标况下温度(293.15K)，T0表示工况下温度(K)，P0表示工况下压力(kPa)，Pn表示标况下压力(101.325kPa)，Zn表示标况下压缩因子，Z0表示工况下压缩因子。
燃气流量计发生死表故障后会有两种处理办法，一是检修，二是换表。如果是检修，则工况总量不会产生回降。如果是换表，则工况总量重新累计，则会产生回降。对应转化后的标况总量同上。
S102：对历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据。应说明的是：
采用StandardScaler()函数来对数据进行标准化处理。
S103：使用LOF算法检测离群点并处理。应说明的是：
局部异常因子算法(Local Outlier Factor，LOF)的主要目的是赋予每个对象一个离群值，这个值被称为该目标的局部离群因子(LOF)。通过计算“局部可达密度”来反映一个样本的异常程度，一个样本点的局部可达密度越大，这个点就越有可能是异常点。LOF值计算公式为公式如下：
其中，dk(p)为点p的第k距离，lrdk(p)为点p的局部可达密度，Nk(p)为点p的第k距离。
这里使用LOF算法通过给每个数据点都分配一个依赖于邻域密度的离群因子LOF，进而判断该数据点是否为离群点。若LOF>1，则该数据点为离群点，并使用中位数补值法对离群点进行替换；若LOF<1，则该数据点为正常数据点。
进一步的，中位数(Median)又称中值，统计学中的专有名词，是按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。对于有限的数集，通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，取最中间的两个数值的平均数作为中位数。然后进行离群点的处理通过LOF算法筛选出离群点，因其数量偏大，直接删除可能会丢失数据集特征，因此把离群点视为缺失值，采用中位数替换法，将离群点处理并可以保证不丢失原始数据的特征。
S104：采用DBSCAN算法选取合适的参数并进行聚类分析检测异常情况，并根据检测出的异常情况规模评估聚类效果是否好。应说明的是：
若效果较佳，则得到检测结果；
若效果不佳，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
将通过LOF算法检测离散点并使用中位数替换后得到的数据点作为DBSCAN算法的重要参数，并分为两类；
其中，一类为DBSCAN算法本身的参数eps即∈-邻域的距离阈值以及样本点要成为核心对象所需要的∈-邻域的样本数阈值min_samples；
另一类为最近邻度量的参数metric即最近邻距离度量参数。
通过多次实验参数选定最优参数；将燃气流量计数据集输入到DBSCAN聚类算法中；使用三维散点图分别绘制DBSCAN聚类算法结果和LOF-DBSCAN聚类算法结果；通过聚类，以分类簇数、噪声点数量、故障点数量三个维度进行结果分析；将DBSCAN分类的三簇结果导出并对照燃气SCADA系统图，判断流量计的故障。
本实施例还提供一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测系统，包括：
采集模块，用于采集燃气流量计历史流量数据，并对燃气流量计的设备机理进行分析；
预处理模块，用于对历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；
输出模块，用于使用LOF算法检测离群点并处理，为DBSCAN算法选取合适的参数并进行聚类分析并评估聚类效果是否好，若好，则得到检测结果，若不好，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
本实施例还提供一种计算设备，适用于一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图2～图5，为本发明的另一个实施例，提供了一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的验证测试，对本方法中采用的技术效果加以验证说明。
本实施例中使用采用某陶瓷行业工业用户燃气流量计一年的数据集数据集进行仿真实验。在实验中先对原始数据集进行DBSCAN聚类，得到聚类效果图与聚类数据。再对原始数据集进行预处理，并处理离群点，将离群点当作缺失值进行中位数替换，再输入到DBSCAN算法聚类，通过聚类分析，以分类簇数、噪声点数量、故障点数量三个维度进行结果分析。
为了提升模型精度并提高收敛速度，该文采用StandardScaler()函数来对数据进行标准化处理。DBSCAN算法的重要参数也分为两类，一类是DBSCAN算法本身的参数eps：∈-邻域的距离阈值。min_samples:样本点要成为核心对象所需要的∈-邻域的样本数阈值。另一类是最近邻度量的参数，metric：最近邻距离度量参数。通过多次实验参数eps＝0.4，min_samples＝3，metric使用默认值时聚类效果最好。使用三维散点图分别绘制DBSCAN聚类算法结果和LOF-DBSCAN聚类算法结果，如图2～图3所示。
通过聚类分析，以分类簇数、噪声点数量、故障点数量三个维度进行结果分析。如表1：
表1：结果分析
对于故障点检测准确与否，通过专家检验本文算法所得结果，首先将DBSCAN分类的三簇对照燃气SCADA系统图，得出三类表征：正常用气、用户未用气、压力异常。其中正常用气特征共44670条数据，用户未用气特征共5006条数据，压力异常共4条，时间段为2019-04-01 10:42:00至2019-04-0111:14:00。而后将LOF-DBSCAN分类的四簇对照燃气SCADA系统图，得出四类表征：正常用气、用户未用气、压力异常、温度异常。其中正常用气特征共44492条数据，用户未用气特征共5198条数据，压力异常共4条数据，温度异常共19条数据。LOF-DBSCAN算法不仅检测出了DBSCAN算法所检测的压力异常、同时检测出了温度异常，温度异常时间段为2019-12-05 14:18:00至2019-12-05 16:46:00。对应至燃气SCADA系统中的异常点如图4～图5所示。
结合燃气流量计机理知识及工况流量转标况流量的公式可知，当其他参数无异常，仅T0(工况温度)低于正常值时，qcn(标况流量)是高于正常值的，判定其为异常点。经过专家检验本文算法所得的实验结果，确定2019-04-0110:42:00至2019-04-01 11:14:00期间，燃气流量计的压力传感器故障。2019-12-0514:18:00至2019-12-05 16:46:00期间，燃气流量计的温度传感器故障。由于样本集中没有燃气流量计卡表和死表数据表征，故该异常检测算法没有检测出卡表和死表的异常情况。
综上，本实施例的方法显著提高了燃气公司异常数据检测的数量及质量，处理了噪声点对聚类算法的影响，改善了DBSCAN算法因密度分布不均而造成的聚类效果不佳的问题，增加了所检测出的故障点数量，降低了误检率。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：包括，
采集燃气流量计历史流量数据，并对所述燃气流量计的设备机理进行分析；
对所述历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；
使用LOF算法检测离群点并处理；
采用DBSCAN算法选取合适的参数并进行聚类分析检测异常情况，并根据检测出的异常情况规模评估聚类效果是否好；
若效果较佳，则得到检测结果；
若效果不佳，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
2.如权利要求1所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：对所述燃气流量计的设备机理进行分析包括，
记录燃气流量计运行时的瞬时温度；
记录燃气流量计运行时的瞬时压力；
记录燃气流量计运行时的标况瞬时流量；
记录标况总量。
3.如权利要求1所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：所述标况瞬时流量由工况流量结合工况温度与工况压力转化得出，具体转化公式如下：
其中，qcn表示标况流量，qc0表示标况流量，Tn表示标况下温度，T0表示工况下温度，P0表示工况下压力，Pn表示标况下压力，Zn表示标况下压缩因子，Z0表示工况下压缩因子。
4.如权利要求1所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：使用LOF算法检测离群点并处理包括通过给每个数据点都分配一个依赖于邻域密度的离群因子LOF，判断该数据点是否为离群点，并使用中位数补值法对离群点进行替换。
5.如权利要求4所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：还包括，
若LOF>1，则该数据点为离群点；
若LOF<1，则该数据点为正常数据点。
6.如权利要求4或5所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：还包括使用median函数求得的中位数对离群点进行替换。
7.如权利要求1所述的基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法，其特征在于：为DBSCAN算法选取合适的参数并进行聚类分析包括，
将通过LOF算法检测离散点并使用中位数替换后得到的数据点作为DBSCAN算法的重要参数，并分为两类；
其中，一类为DBSCAN算法本身的参数eps即∈-邻域的距离阈值以及样本点要成为核心对象所需要的∈-邻域的样本数阈值min_samples；
另一类为最近邻度量的参数metric即最近邻距离度量参数。
8.一种基于融合LOF-DBSCAN算法的燃气流量计异常数据检测系统，其特征在于，包括，
采集模块，用于采集燃气流量计历史流量数据，并对所述燃气流量计的设备机理进行分析；
预处理模块，用于对所述历史流量数据进行预处理，将缺失值全部填充，得到预处理后的数据；
输出模块，用于使用LOF算法检测离群点并处理，为DBSCAN算法选取合适的参数并进行聚类分析并评估聚类效果是否好，若好，则得到检测结果，若不好，则继续为DBSCAN算法选取合适的参数并进行聚类分析。
9.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于融合LOF-DBSCAN算法的燃气流量计异常数据检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243544.XA CN116295732A (zh) | 2023-03-14 | 2023-03-14 | 一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243544.XA CN116295732A (zh) | 2023-03-14 | 2023-03-14 | 一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116295732A true CN116295732A (zh) | 2023-06-23 |
Family
ID=86837468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310243544.XA Pending CN116295732A (zh) | 2023-03-14 | 2023-03-14 | 一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116295732A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272198A (zh) * | 2023-09-08 | 2023-12-22 | 广东美亚商旅科技有限公司 | 一种基于商旅行程业务数据的异常用户生成内容识别方法 |
| CN117973267A (zh) * | 2024-03-28 | 2024-05-03 | 深圳市中燃科技有限公司 | 一种燃气数据的异常检测方法 |
-
2023
- 2023-03-14 CN CN202310243544.XA patent/CN116295732A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272198A (zh) * | 2023-09-08 | 2023-12-22 | 广东美亚商旅科技有限公司 | 一种基于商旅行程业务数据的异常用户生成内容识别方法 |
| CN117272198B (zh) * | 2023-09-08 | 2024-05-28 | 广东美亚商旅科技有限公司 | 一种基于商旅行程业务数据的异常用户生成内容识别方法 |
| CN117973267A (zh) * | 2024-03-28 | 2024-05-03 | 深圳市中燃科技有限公司 | 一种燃气数据的异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116295732A (zh) | 一种基于融合lof-dbscan算法的燃气流量计异常数据检测方法 | |
| US10534361B2 (en) | Industrial asset health model update | |
| US20130232369A1 (en) | Inferred electrical power consumption of computing devices | |
| CN102280874A (zh) | 一种台区线损率检测系统 | |
| US20220035356A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
| CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
| Jiang | Performance evaluation of seven optimization models of age replacement policy | |
| CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
| CN109933605A (zh) | 电费差错排查方法、装置以及电子设备 | |
| CN116577720A (zh) | 一种电能表检定流水线的性能分析方法、终端及电子设备 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
| CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
| KR102293466B1 (ko) | 에너지 효율향상 관리 장치 및 성과측정 방법 | |
| CN112633692A (zh) | 查窃电阈值的获取方法和装置、查窃电装置和方法 | |
| CN113469559A (zh) | 一种基于数据质量检查的质量位设计与展示方法及系统 | |
| CN113780724A (zh) | 产品质量批次稳定性量化评估判据计算方法 | |
| Yue et al. | Gas flow meter anomaly data detection based on fused LOF-DBSCAN algorithm | |
| CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
| CN115271328A (zh) | 电能质量评估的方法、装置、计算机设备和存储介质 | |
| CN111854858B (zh) | 确定环道涡轮工作标准装置工作性能的方法和装置 | |
| CN116432066A (zh) | 电缆温度数据处理方法、装置、计算机设备和存储介质 | |
| CN117033385A (zh) | 一种变损电量数据核查方法、装置、设备及存储介质 | |
| Fuli et al. | Research on Smart Electric Meter Data Mining Technology Method for Line Loss Diagnosis of Low Voltage Station Area | |
| CN117251041A (zh) | 一种服务器潜在电源故障的筛选方法、系统、装置及介质 |
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 |