CN117113247A - 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 - Google Patents

基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 Download PDF

Info

Publication number
CN117113247A
CN117113247A CN202310972870.4A CN202310972870A CN117113247A CN 117113247 A CN117113247 A CN 117113247A CN 202310972870 A CN202310972870 A CN 202310972870A CN 117113247 A CN117113247 A CN 117113247A
Authority
CN
China
Prior art keywords
abnormal
sequence
value
classification
liquid level
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
CN202310972870.4A
Other languages
English (en)
Inventor
潘秋羽
陆东辉
林彬彬
魏俊
包建国
王沛丰
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.)
PowerChina Huadong Engineering Corp Ltd
Original Assignee
PowerChina Huadong Engineering Corp 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 PowerChina Huadong Engineering Corp Ltd filed Critical PowerChina Huadong Engineering Corp Ltd
Priority to CN202310972870.4A priority Critical patent/CN117113247A/zh
Publication of CN117113247A publication Critical patent/CN117113247A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质，包含：获取监测数据序列；定义趋势估计序列；根据趋势估计序列和监测数据序列计算均方偏差值；将趋势估计序列中各时刻的值分别加减均方偏差值，得到该时间段内液位监测值的异常上下边界；对监测数据序列中的全部点位进行二分类；对异常数据进行时间维度的聚类，得到动态数量的异常簇；将异常簇中的异常样本数据按照时间升序排列，选择最中间时刻的异常值作为典型异常值。本发明提供的基于二分类和聚类算法的排水系统异常监测方法，基于单一时序的液位监测数据，利用大数据分析算法，科学确定液位监测数据中的异常值，并基于此划分动态的异常时段范围。

Description

基于二分类和聚类算法的排水系统异常监测方法、设备及存 储介质
技术领域
本发明属于城市排水系统监测技术领域，具体涉及一种基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质。
背景技术
排水管网系统作为城市基础设施建设的重中之重，在保障居民日常生活的同时，更是肩负了防汛疏渠、污水处理等重任。随着近些年互联网技术的井喷式发展和“智慧排水”概念的深入人心，越来越多的水务工程项目引入了感知设备来对管网液位值进行监测用以监控排水系统的日常运行，在此基础上尝试通过对液位值变化的分析来判断排水系统的运行状态，及时定位并解决问题。
但是如何判断液位值是否异常成为一大难题，过去的方法往往基于简单的突变值或者设置固定的上下限来确定液位是否处于正常状态，这类方法对于复杂的排水系统过于简单，造成误判和漏判的风险极高。同时，这类方法在确定异常值后也难以科学划分异常时段范围，常常将被判定为异常的所有监测信息以告警方式推送给用户，使用户接受的消息大量冗余且毫无重点。因此，为了精准科学的识别排水系统异常运行状态并优化用户体验，有必要提出一种可以实现高效识别异常监测值并科学动态划分异常时段范围的方法。
发明内容
本发明提供了一种基于二分类和聚类算法的排水系统异常监测方法解决上述提到的技术问题，具体采用如下的技术方案：
一种基于二分类和聚类算法的排水系统异常监测方法，包含：
获取排水管道液位计历史监测数据，从中获得一定时间段内的监测数据序列，所述监测数据序列中的检测样本之间有时间间隔；
根据时序数据的依赖传递性定义与所述监测数据序列相同长度的趋势估计序列；
根据所述趋势估计序列和所述监测数据序列计算出该时间段内液位变化的均方偏差值；
将所述趋势估计序列中各时刻的值分别加减所述均方偏差值，得到该时间段内液位监测值的异常上下边界；
以异常上下边界为判别条件，对所述监测数据序列中的全部点位进行二分类，甄别出所述监测数据序列中的异常值；
对异常数据进行时间维度的聚类，得到动态数量的异常簇，一个所述异常簇即为一个异常时段范围；
将所述异常簇中的异常样本数据按照时间升序排列，选择最中间时刻的异常值作为代表样本，即典型异常值。
进一步地，所述监测数据序列的长度为30天，数据的时间间隔为1分钟，其中V1为所述监测数据序列首个监测值，Vn为所述监测数据序列最后一个监测值，所述监测数据序列表示为：
{V1，V2，V3，V4，…，Vi，…，Vn-1，Vn}
进一步地，所述根据时序数据的依赖传递性定义与所述监测数据序列相同长度的趋势估计序列的具体方法为：
根据时序依赖传递进行建模，拟合出该时间段内液位数据的趋势估计序列，将离散的各个趋势估计值连接起来构成趋势估计序列，具体公式如下所示：
随时间呈线性变换，表示某历史时刻i时液位值对当前T时刻液位值的依赖系数序列，通过加权计算可得出T时刻液位值的趋势估计值，该值用ET表示，其中Vi表示i时刻的实际液位值大小，最终将各时刻的趋势估计值连接成线，构成所述趋势估计序列E，表示为：
{E1，E2，E3，E4，…，Ei，…，En-1，En}
进一步地，按照下述公式计算所述均方偏差值，
进一步地，采用DBSCAN方法对异常数据进行时间维度聚类，确定不同的所述异常簇。
进一步地，采用DBSCAN方法对异常数据进行时间维度聚类的具体方法如下：
从样本中选择一个点，给定半径0.025和圆内的最小近邻点数5；
如果该点满足在其半径为0.025的邻域圆内至少有5个近邻点，则将圆心转移到下一个样本点；
若样本点不满足上述条件，则重新选择样本点，按照设定的半径0.025和最小邻近点数5进行迭代聚类，直到得到所有的所述异常簇。
进一步地，在得到所述典型异常值之后，所述基于二分类和聚类算法的排水系统异常监测方法还包含：
将得到的所述典型异常值与业务系统联动，将所述典型异常值的液位大小、发生时刻等相关信息推送给用户。
一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现前述的基于二分类和聚类算法的排水系统异常监测方法。
一种存储有计算机程序的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现前述的基于二分类和聚类算法的排水系统异常监测方法。
本发明的有益之处在于所提供的基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质，基于单一时序的液位监测数据，利用大数据分析算法，科学确定液位监测数据中的异常值，并基于此划分动态的异常时段范围，科学指导排水系统异常运行状态的判别。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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是本发明的一种基于二分类和聚类算法的排水系统异常监测方法的示意图；
图2是所选监测数据序列的变化图；
图3是计算的趋势估计序列与监测数据序列的对比图；
图4是根据均方偏差值得到的异常二分类法上下边界的示意图；
图5是异常值聚类分析结果图；
图6是选举出的典型异常值结果图；
图7是本发明的一种实现基于二分类和聚类算法的排水系统异常监测方法的电子设备的示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
如图1所示为本申请的一种基于二分类和聚类算法的排水系统异常监测方法，包含：
S101：获取排水管道液位计历史监测数据，从中获得一定时间段内的监测数据序列，监测数据序列中的检测样本之间有时间间隔。
具体地，液位监测数据的时间间隔可根据设备情况选定，为保证样本数量，以设备最小数据采集步长为宜。在本申请中，获取数据时间为2022.04.19-2022.05.18，共计30天。数据间隔为1分钟，即1条/分钟，共计43200条数据。其中V1为监测数据序列首个监测值，Vn为监测数据序列最后一个监测值，监测数据序列表示为：
{V1，V2，V3，V4，…，Vi，…，Vn-1，Vn}
监测数据序列V的时序变化过程如图2所示。
S102：根据时序数据的依赖传递性定义与监测数据序列相同长度的趋势估计序列。
具体地，根据时序依赖传递进行建模，拟合出该时间段内液位数据的趋势估计序列E。再将离散的各个趋势估计值连接起来构成趋势估计序列，具体公式如下所示：
随时间呈线性变换，表示某历史时刻i时液位值对当前T时刻液位值的依赖系数序列，通过加权计算可得出T时刻液位值的趋势估计值，该值用ET表示，其中Vi表示i时刻的实际液位值大小，最终将各时刻的趋势估计值连接成线，构成趋势估计序列E，表示为：
{E1，E2，E3，E4，…，Ei，…，En-1，En}
可以理解的是，序列E的第n个值由序列V的前n个值共同决定，用公式可表达为如下：
将本发明的实施例数据代入上述公式，可归纳得到如下结果：
E1＝1×V1
到此，根据已知的液位观测值序列V，计算得出了其对应的趋势估计序列E。两个序列的对比展示如图3所示。
S103：根据趋势估计序列和监测数据序列计算出该时间段内液位变化的均方偏差值。
计算序列V和序列E之间的均方偏差值B，具体按照下述公式计算均方偏差值，
将液位观测值序列V和步骤二计算得到的趋势估计序列E代入上式，n取序列的总长度43200，最终计算得出本实施例的均方偏差值为0.583米。
S104：将趋势估计序列中各时刻的值分别加减均方偏差值，得到该时间段内液位监测值的异常上下边界。
具体地，将步骤S102得到的趋势估计序列E分别和步骤S103计算出的该时间段范围内液位变化的均方偏差值0.583做加法、减法，得到二分类法的上下分类边界，其中上边界用序列U表示，下边界用序列D表示。本实施例的上下边界如图4中的虚线所示，上方的虚线为二分类的上边界，下方的虚线为二分类的下边界。
{U1，U2，U3，U4，…，ui，…，U43199，U43200}
{D1，D2，D3，D4，…，Di，…，D43199，D43200}
S105：以异常上下边界为判别条件，对监测数据序列中的全部点位进行二分类，甄别出监测数据序列中的异常值。
具体地，将原始液位值的观测序列V和步骤S104所得的二分类上下边界进行比较，将高于上边界或低于下边界的液位值标记为异常液位值，异常液位值的样本集合用Z表示，本实施例中Z中共计包含了26784个异常监测值，
Z＝{Z1，Z2，Z3，Z4，…，Zi，…，Z26783，Z26784}
S106：对异常数据进行时间维度的聚类，得到动态数量的异常簇，一个异常簇即为一个异常时段范围。
在本申请的实施方式中，采用DBSCAN方法对异常数据进行时间维度聚类，确定不同的异常簇。
作为一种优选的实施方式，采用DBSCAN方法对异常数据进行时间维度聚类的具体方法如下：
从样本中选择一个点，给定半径0.025和圆内的最小近邻点数5。如果该点满足在其半径为0.025的邻域圆内至少有5个近邻点，则将圆心转移到下一个样本点。若样本点不满足上述条件，则重新选择样本点，按照设定的半径0.025和最小邻近点数5进行迭代聚类，直到得到所有的异常簇。
在本申请中，选取聚类半径R＝0.025，圆内的最小近邻点数N＝5，将不同的异常液位值划分到不同的异常簇内，最终本实施例的26784个异常值一共被划分为4个异常簇，具体聚类得到的异常时段范围如图5所示。
S107：将异常簇中的异常样本数据按照时间升序排列，选择最中间时刻的异常值作为代表样本，即典型异常值。
将步骤S106中所得的每个异常簇内部按照时间进行升序排列，选取每个异常簇中间时刻的样本做为典型异常值，本实施例中4个异常簇的典型异常值分别为2.155、2.417、2.932、2.443，对应的所属时刻分别为2022-04-2417：15，2022-04-2720：23，2022-05-0105：06，2022-05-1111：47，具体选举出的典型异常值如图6所示。
作为一种优选的实施方式，在得到典型异常值之后，基于二分类和聚类算法的排水系统异常监测方法还包含：
S108：将得到的典型异常值与业务系统联动，将典型异常值的液位大小、发生时刻等相关信息推送给用户。
如图7所示为本申请的一种电子设备，包括存储器401和处理器402，所述存储器401用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器402执行以实现上述的一种基于二分类和聚类算法的排水系统异常监测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请还公开一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器402执行时实现如上述的一种基于二分类和聚类算法的排水系统异常监测方法。
具体而言，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器401中，并由处理器402执行，并由输入接口405和输出接口406完成数据的I/O接口传输，以完成本发明，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，该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备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。计算机设备可包括，但不仅限于，存储器401、处理器402。本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器407、网络接入设备、总线等。
处理器402可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器402、数字信号处理器402(Digital Signal Processor，DSP)、专用集成电路(Application Speciiic Integrated Circuit，ASIC)、现成可编程门阵列(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402可以是微处理器402或者该处理器402也可以是任何常规的处理器402等。
存储器401可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器401也可以是计算机设备的外部存储设备，例如计算机设备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，存储器401还可以既包括计算机设备的内部存储单元也包括外部存储设备，存储器401用于存储计算机程序以及计算机设备所需的其他程序和数据，存储器401还可以用于暂时地存储在输出器408，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM403、随机存储器RAM404、碟盘或光盘等各种可以存储程序代码的介质。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (9)

1.一种基于二分类和聚类算法的排水系统异常监测方法，其特征在于，包含：
获取排水管道液位计历史监测数据，从中获得一定时间段内的监测数据序列，所述监测数据序列中的检测样本之间有时间间隔；
根据时序数据的依赖传递性定义与所述监测数据序列相同长度的趋势估计序列；
根据所述趋势估计序列和所述监测数据序列计算出该时间段内液位变化的均方偏差值；
将所述趋势估计序列中各时刻的值分别加减所述均方偏差值，得到该时间段内液位监测值的异常上下边界；
以异常上下边界为判别条件，对所述监测数据序列中的全部点位进行二分类，甄别出所述监测数据序列中的异常值；
对异常数据进行时间维度的聚类，得到动态数量的异常簇，一个所述异常簇即为一个异常时段范围；
将所述异常簇中的异常样本数据按照时间升序排列，选择最中间时刻的异常值作为代表样本，即典型异常值。
2.根据权利要求1所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
所述监测数据序列的长度为30天，数据的时间间隔为1分钟，其中V1为所述监测数据序列首个监测值，Vn为所述监测数据序列最后一个监测值，所述监测数据序列表示为：
{V1，V2，V3，V4，…，Vi，…，Vn-1，Vn}。
3.根据权利要求2所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
所述根据时序数据的依赖传递性定义与所述监测数据序列相同长度的趋势估计序列的具体方法为：
根据时序依赖传递进行建模，拟合出该时间段内液位数据的趋势估计序列，将离散的各个趋势估计值连接起来构成趋势估计序列，具体公式如下所示：
随时间呈线性变换，表示某历史时刻i时液位值对当前T时刻液位值的依赖系数序列，通过加权计算可得出T时刻液位值的趋势估计值，该值用ET表示，其中Vi表示i时刻的实际液位值大小，最终将各时刻的趋势估计值连接成线，构成所述趋势估计序列E，表示为：
{E1，E2，E3，E4，…，Ei，…，En-1，En}。
4.根据权利要求3所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
按照下述公式计算所述均方偏差值，。
5.根据权利要求1所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
采用DBSCAN方法对异常数据进行时间维度聚类，确定不同的所述异常簇。
6.根据权利要求5所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
采用DBSCAN方法对异常数据进行时间维度聚类的具体方法如下:
从样本中选择一个点，给定半径0.025和圆内的最小近邻点数5；
如果该点满足在其半径为0.025的邻域圆内至少有5个近邻点，则将圆心转移到下一个样本点；
若样本点不满足上述条件，则重新选择样本点，按照设定的半径0.025和最小邻近点数5进行迭代聚类，直到得到所有的所述异常簇。
7.根据权利要求1所述的基于二分类和聚类算法的排水系统异常监测方法，其特征在于，
在得到所述典型异常值之后，所述基于二分类和聚类算法的排水系统异常监测方法还包含：
将得到的所述典型异常值与业务系统联动，将所述典型异常值的液位大小、发生时刻等相关信息推送给用户。
8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-8中任一项所述的基于二分类和聚类算法的排水系统异常监测方法。
9.一种存储有计算机程序的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于二分类和聚类算法的排水系统异常监测方法。
CN202310972870.4A 2023-08-02 2023-08-02 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 Pending CN117113247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310972870.4A CN117113247A (zh) 2023-08-02 2023-08-02 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310972870.4A CN117113247A (zh) 2023-08-02 2023-08-02 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117113247A true CN117113247A (zh) 2023-11-24

Family

ID=88793924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310972870.4A Pending CN117113247A (zh) 2023-08-02 2023-08-02 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117113247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312617A (zh) * 2023-11-29 2023-12-29 山东优控智能技术有限公司 基于污水数据监测的实时污水处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312617A (zh) * 2023-11-29 2023-12-29 山东优控智能技术有限公司 基于污水数据监测的实时污水处理方法及系统
CN117312617B (zh) * 2023-11-29 2024-04-12 山东优控智能技术有限公司 基于污水数据监测的实时污水处理方法及系统

Similar Documents

Publication Publication Date Title
CN109034244B (zh) 基于电量曲线特征模型的线损异常诊断方法及装置
CN110826648B (zh) 一种利用时序聚类算法实现故障检测的方法
CN110928718B (zh) 一种基于关联分析的异常处理方法、系统、终端及介质
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN117113247A (zh) 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质
CN110083475A (zh) 一种异常数据的检测方法及装置
CN113744089B (zh) 一种台区户变关系辨识方法及设备
CN112364637A (zh) 一种敏感词检测方法、装置，电子设备及存储介质
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN112949697B (zh) 一种管道异常的确认方法、装置及计算机可读存储介质
CN112131274A (zh) 时间序列异常点的检测方法、装置、设备及可读存储介质
CN112100037B (zh) 告警级别识别方法、装置、电子设备及存储介质
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
Hai-Jun et al. Fuzzy entropy clustering using possibilistic approach
CN114760190A (zh) 一种面向服务的融合网络性能异常检测方法
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN112149880A (zh) 用户规模预测方法、装置、电子设备及存储介质
CN112763678A (zh) 一种基于pca的污水处理过程监控方法及系统
Sarquis Filho et al. Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data
CN115631799B (zh) 样本表型的预测方法、装置、电子设备及存储介质
CN117150225B (zh) 一种基于贝叶斯算法的工业数据的清洗方法及系统
CN117667587A (zh) 一种异常检测方法、装置、电子设备及存储介质
CN116974915A (zh) 基于cmdb的ci模型评测方法、装置、设备及介质

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