CN117313014B - 一种窑炉运转能耗异常数据实时监测预警方法 - Google Patents
一种窑炉运转能耗异常数据实时监测预警方法 Download PDFInfo
- Publication number
- CN117313014B CN117313014B CN202311586475.9A CN202311586475A CN117313014B CN 117313014 B CN117313014 B CN 117313014B CN 202311586475 A CN202311586475 A CN 202311586475A CN 117313014 B CN117313014 B CN 117313014B
- Authority
- CN
- China
- Prior art keywords
- fuel consumption
- corrected
- data
- curve
- time node
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 239000000446 fuel Substances 0.000 claims abstract description 282
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种窑炉运转能耗异常数据实时监测预警方法,包括:采集数据,根据第一燃料消耗量数据中燃料消耗量差异,得到燃料消耗量变化程度,得到当前时间节点的燃料消耗量的异常程度,根据异常程度、燃料消耗量变化程度的预测值,得到修正燃料消耗量,得到修正消耗量数据,根据修正消耗量数据得到时间延迟和能源消耗指标的权重,根据权重对能源消耗指标的隶属度优化,完成异常数据点的监测。本发明通过对燃料消耗量数据和电力消耗量数据的自身特征和其相互关系的分析,排除了噪声的影响,并考虑到数据之间的延迟特性,通过数据的权重对聚类算法的隶属度优化,使得监测到的异常数据点更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种窑炉运转能耗异常数据实时监测预警方法。
背景技术
在窑炉运转过程中,往往需要对其能源消耗指标进行异常检测,能源消耗指标可以通过燃料消耗指标和电力消耗指标计算而来,以便及时发现窑炉运转能耗数据的异常。而常用的方法就是通过即模糊/>均值聚类算法对检测的数据进行聚类从而发现异常进行预警。该方法在对窑炉能源消耗指标进行检测过程中,没有考虑数据点的可信度,即可能由于噪声的影响导致检测到的燃料消耗量和电力消耗量不准确,从而导致能源消耗指标出现差错,最终导致错误的聚类结果,进而导致监测异常。
发明内容
为解决上述问题,本发明提供一种窑炉运转能耗异常数据实时监测预警方法。
本发明的一种窑炉运转能耗异常数据实时监测预警方法采用如下技术方案:
本发明一个实施例提供了一种窑炉运转能耗异常数据实时监测预警方法,该方法包括以下步骤:
采集燃料消耗量数据和电力消耗量数据,根据燃料消耗量数据和电力消耗量数据得到能源消耗指标数据;获取模糊因子和隶属度阈值;
预设窗口长度,根据预设窗口长度、燃料消耗量数据得到当前时间节点和第一燃料消耗量数据,根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到第一燃料消耗量数据中时间节点的燃料消耗量变化程度,根据第一燃料消耗量数据中时间节点的燃料消耗量变化程度,得到当前时间节点的燃料消耗量的异常程度;
根据第一燃料消耗量数据得到当前时间节点的燃料消耗量变化程度的预测值,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,根据修正燃料消耗量得到修正第一燃料消耗量数据,获取修正第一电力消耗量数据;
根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到修正第一曲线和修正第二曲线,根据修正第一曲线和修正第二曲线得到第一极值序列和第二极值序列,根据第一极值序列和第二极值序列得到时间延迟,根据修正第一曲线和修正第二曲线得到修正第一导数曲线和修正第二导数曲线,根据修正第一导数曲线得到修正第一导数曲线中每一个时间节点的局部范围,获取修正第二导数曲线中每一个时间节点的局部范围;
根据修正第一导数曲线中每一个时间节点的局部范围得到修正第一导数曲线中每一个时间节点的局部范围曲线,根据修正第二导数曲线中每一个时间节点的局部范围得到修正第二导数曲线中每一个时间节点的局部范围曲线,获取局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重;
根据能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测。
进一步地,所述根据预设窗口长度、燃料消耗量数据得到当前时间节点和第一燃料消耗量数据,包括的具体步骤如下:
将燃料消耗量数据中任意一个时间节点记为当前时间节点,在燃料消耗量数据中以当前时间节点为起始点,沿时序减小的方向获取长度为TU的燃料消耗量数据,记为第一燃料消耗量数据,TU为预设窗口长度。
进一步地,所述根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到第一燃料消耗量数据中时间节点的燃料消耗量变化程度,包括的具体步骤如下:
式中,为第一燃料消耗量数据中第i+1个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量,/>为取绝对值,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量变化程度。
进一步地,所述根据第一燃料消耗量数据中时间节点的燃料消耗量变化程度,得到当前时间节点的燃料消耗量的异常程度,包括的具体步骤如下:
获取第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度,将第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度的总个数记为MT,将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度的均值记为变化程度基准值,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度与变化程度基准值的差值作为当前时间节点的燃料消耗量的异常程度。
进一步地,所述根据第一燃料消耗量数据得到当前时间节点的燃料消耗量变化程度的预测值,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,根据修正燃料消耗量得到修正第一燃料消耗量数据,包括的具体步骤如下:
将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度进行多项式拟合,得到变化程度曲线,MT为第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度的总个数,获取变化程度曲线中第MT-1个时间节点的斜率,根据变化程度曲线中第MT-1个时间节点的斜率,以及变化程度曲线中第MT-1个时间节点的坐标,得到直线方程,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度输入到直线方程中,输出结果为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值;
式中,为第一燃料消耗量数据中第/>个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第/>个时间节点的修正后的燃料消耗量,记为当前时间节点的修正燃料消耗量,/>为第一燃料消耗量数据中时间节点的总个数,/>为当前时间节点的燃料消耗量的异常程度,/>为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值;
获取第一燃料消耗量数据中所有时间节点的修正燃料消耗量,得到修正第一燃料消耗量数据。
进一步地,所述根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到修正第一曲线和修正第二曲线,根据修正第一曲线和修正第二曲线得到第一极值序列和第二极值序列,根据第一极值序列和第二极值序列得到时间延迟,包括的具体步骤如下:
将修正第一燃料消耗量数据和修正第一电力消耗量数据分别进行多项式拟合,得到修正第一曲线和修正第二曲线,分别获取修正第一曲线和修正第二曲线中的所有极值点,将修正第一曲线上所以极值点按照时序顺序排列,得到第一极值序列,将修正第二曲线上所以极值点按照时序顺序排列,得到第二极值序列;
式中,为极值序列中极值点的总个数,/>为第二极值序列中第i个极值点的时间节点,/>为第一极值序列中第i个极值点的时间节点,/>为时间延迟。
进一步地,所述根据修正第一曲线和修正第二曲线得到修正第一导数曲线和修正第二导数曲线,根据修正第一导数曲线得到修正第一导数曲线中每一个时间节点的局部范围,包括的具体步骤如下:
将修正第一曲线上所有时间节点的数据值进行求导得到修正第一导数曲线,将修正第二曲线上所有时间节点的数据值进行求导得到修正第二导数曲线,预设第一窗口长度为TB,对于修正第一导数曲线中任意一个时间节点,记为目标时间节点,在修正第一导数曲线中以目标时间节点为起始点,沿时序减小的方向获取长度范围为TB的范围,记为目标时间节点的局部范围,获取修正第一导数曲线中每一个时间节点的局部范围。
进一步地,所述根据修正第一导数曲线中每一个时间节点的局部范围得到修正第一导数曲线中每一个时间节点的局部范围曲线,根据修正第二导数曲线中每一个时间节点的局部范围得到修正第二导数曲线中每一个时间节点的局部范围曲线,包括的具体步骤如下:
将修正第一导数曲线中每一个时间节点的局部范围内所包含的修正第一导数曲线,记为修正第一导数曲线中每一个时间节点的局部范围曲线,将修正第二导数曲线中每一个时间节点的局部范围内所包含的修正第二导数曲线,记为修正第二导数曲线中每一个时间节点的局部范围曲线。
进一步地,所述获取局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重,包括的具体步骤如下:
获取修正第一导数曲线中每一个时间节点的局部范围曲线与修正第二导数曲线中每一个时间节点的局部范围曲线的皮尔逊相关系数,记为局部范围曲线之间皮尔逊相关系数;
式中,为修正第一导数曲线中第MT个时间节点的局部范围曲线与修正第二导数曲线中第/>个时间节点的局部范围曲线的皮尔逊相关系数,也记为局部范围曲线之间皮尔逊相关系数,/>为修正第二导数曲线中第MT个时间节点的局部范围曲线,/>为修正第一导数曲线中第/>个时间节点的局部范围曲线,/>为时间延迟,/>为自然常数为底的指数函数,/>为/>函数,/>为能源消耗指标数据中与第/>个时间节点对应的时间节点的能源消耗指标的权重;
获取能源消耗指标数据中所有时间节点的能源消耗指标的权重。
进一步地,所述根据能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测,包括的具体步骤如下:
将模糊因子作为聚类算法的模糊参数,利用/>聚类算法获取能源消耗指标数据中所有时间节点的能源消耗指标的隶属度,将能源消耗指标数据中每一个时间节点的能源消耗指标的权重与能源消耗指标数据中对应时间节点的能源消耗指标的隶属度进行相乘,得到能源消耗指标数据中每一个时间节点的能源消耗指标的加权隶属度;
将能源消耗指标数据中所有时间节点的能源消耗指标的加权隶属度与隶属度阈值进行比较,将能源消耗指标的加权隶属度大于隶属度阈值的能源消耗指标作为异常数据点,异常数据点所在的聚类结果为第一类簇,将能源消耗指标的加权隶属度小于等于隶属度阈值的能源消耗指标作为正常数据点,正常数据点所在的聚类结果为第二类簇,若当前时间的能源消耗指标在第一类簇中,则当前时间的能源消耗指标为异常数据点。
本发明的技术方案的有益效果是:由于燃料消耗量数据和电力消耗量数据在采集过程中,会因为噪声的影响导致出现一些变化剧烈的数据点,通过对燃料消耗量和电力消耗量的自身特征和其相互关系的分析,根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到当前时间节点的燃料消耗量的异常程度;根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,得到的修正数据排除了异常噪声的干扰,使得对异常数据点监测更加准确;
由于燃料消耗量、电力消耗量之间的关系不是在同一个时间点的,它们之间的联系往往会存在一个时间延迟,根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到修正第一曲线和修正第二曲线,根据修正第一曲线和修正第二曲线得到第一极值序列和第二极值序列,根据第一极值序列和第二极值序列得到时间延迟,时间延迟综合考虑了多个延迟情况,使得得到的时间延迟更加准确,使得后续计算能源消耗指标的权重以及异常数据点监测更加准确;
通过能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测,其中利用能源消耗指标的权重对能源消耗指标的隶属度进行优化,使得在进行聚类算法的隶属度判断过程更加准确,从而得到准确的异常数据点。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种窑炉运转能耗异常数据实时监测预警方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种窑炉运转能耗异常数据实时监测预警方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种窑炉运转能耗异常数据实时监测预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种窑炉运转能耗异常数据实时监测预警方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集燃料消耗量数据和电力消耗量数据,根据燃料消耗量数据和电力消耗量数据得到能源消耗指标数据。
需要说明的是,本实施例是一种窑炉运转能耗异常数据实时监测预警方法,开始监测前首先需要采集相关的数据。
需要说明的是,现有能源消耗指标的计算公式为:能源消耗指标=(燃料消耗量×燃料能量值+电力消耗量×电力能量值)/产量。可见能源消耗指标和燃料消耗量、电力消耗量密切相关,燃料消耗量和电力消耗量可以表征能源消耗指标的准确性,因此需要采集三者数据以便窑炉运转能耗异常数据的实时监测。
具体的,在燃料的供应管道上安装流量计、质量传感器设备,每隔0.1秒输出一个燃料消耗量,将最近10分钟内采集到的所有燃料消耗量构成的时序数据,记为燃料消耗量数据;在窑炉的供电线上安装电能表,每隔0.1秒输出一个电力消耗量,将最近10分钟内采集到的所有电力消耗量构成的时序数据,记为电力消耗量数据;采用(可编程逻辑控制器)和/>(监控和数据采集系统)来获得能源消耗指标数据。
需要说明的是,能源消耗指标数据是具体是通过现有的计算公式获得的,可编程逻辑控制器和监控和数据采集系统是具体计算时需要使用的一些设备,以便快速获得能源消耗指标数据,由于燃料消耗量数据和电力消耗量数据都为时序数据,因此在燃料消耗量数据和电力消耗量数据都包含若干时间节点。
至此,得到燃料消耗量数据、电力消耗量数据以及能源消耗指标数据。
步骤S002、获取算法中的模糊因子和隶属度阈值。
需要说明的是,在进行算法聚类过程中,需要确定算法中的两个参数。
具体的,预设算法中的模糊因子为th1,本实施例中以th1=1.51进行叙述,预设/>算法中的隶属度阈值为th2,本实施例中以th2=0.56进行叙述,通过预设/>算法中的模糊因子和隶属度阈值,便于进行/>聚类。
至此,得到算法中的模糊因子和隶属度阈值。
步骤S003、预设窗口长度,根据预设窗口长度、燃料消耗量数据得到当前时间节点和第一燃料消耗量数据,根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到当前时间节点的燃料消耗量的异常程度,根据第一燃料消耗量数据得到当前时间节点的燃料消耗量变化程度的预测值,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到修正第一燃料消耗量数据,获取修正第一电力消耗量数据。
需要说明的是,由于燃料消耗量数据和电力消耗量数据在采集过程中,会因为噪声的影响导致出现一些变化剧烈的数据点,变化剧烈的数据点会导致能源消耗指标数据的异常,燃料消耗量和电力消耗量的变化通常是较为平缓的,不会出现突增或突减的现象,因此可利用一段时间窗口内其值的变化情况表征二者的可信度,从而对二者值进行修正。
具体的,将燃料消耗量数据中任意一个时间节点记为当前时间节点,预设窗口长度为TU,本实施例中以TU=100进行叙述,在燃料消耗量数据中以当前时间节点为起始点,沿时序减小的方向获取长度为TU的燃料消耗量数据,记为第一燃料消耗量数据。
需要说明的是,若当前时间节点的选取在燃料消耗量数据中太靠前,导致第一燃料消耗量数据会超出燃料消耗量数据的范围,此时本实施例利用二次线性插值的方法将超出燃料消耗量数据范围的部分进行插值填充数据。
进一步地,根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到第一燃料消耗量数据中时间节点的燃料消耗量变化程度,具体如下:
式中,为第一燃料消耗量数据中第i+1个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量,/>为取绝对值,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量变化程度。需要说明的是,时间节点/>的取值不能取当前时间节点对应的值。
进一步地,获取第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度,将第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度的总个数记为MT,将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度的均值记为变化程度基准值,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度与变化程度基准值的差值作为当前时间节点的燃料消耗量的异常程度,差值越大,燃料消耗量的异常程度越大。
进一步地,将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度进行多项式拟合,得到变化程度曲线。
需要说明的是,将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度进行多项式拟合,其中拟合过程中多项式都为5次多项式,通过多项式拟合可以判断当前时间节点的燃料消耗量增长快慢趋势。
获取变化程度曲线中第MT-1个时间节点的斜率,斜率可以表示燃料消耗量增长快慢的趋势,因此可以利用该趋势预测第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度。
具体的,根据变化程度曲线中第MT-1个时间节点的斜率,以及变化程度曲线中第MT-1个时间节点的坐标,得到直线方程,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度输入到直线方程中,输出结果为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值。
进一步地,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,具体如下:
式中,为第一燃料消耗量数据中第/>个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第/>个时间节点的修正后的燃料消耗量,记为当前时间节点的修正燃料消耗量,/>为第一燃料消耗量数据中时间节点的总个数,/>为当前时间节点的燃料消耗量的异常程度,/>为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值。
需要说明的是,表示当前时间节点的燃料消耗量变化程度的预测值,因为其异常程度/>越大,表示当前时间节点的燃料消耗量变化程度的预测值可信程度越低,因此用当前时间节点的前一个时间节点的燃料消耗量加上/>对当前时间节点的燃料消耗量进行修正。
进一步地,上述是对当前时间节点的燃料消耗量进行修正,同理,获取第一燃料消耗量数据中所有时间节点的修正燃料消耗量,得到修正第一燃料消耗量数据。
需要说明的是,上述是对燃料消耗量进行分析最终得到修正第一燃料消耗量数据,同理也可以对电力消耗量进行分析。
具体的,获取修正第一电力消耗量数据。需要说明的是,获取修正第一电力消耗量数据与得到修正第一燃料消耗量数据的方法相同,同样可以获取第一电力消耗量数据,进而获取修正第一电力消耗量数据,本实施例不再重复赘述。
至此,得到修正第一燃料消耗量数据、修正第一电力消耗量数据。
步骤S004、根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到时间延迟以及修正第一导数曲线和修正第二导数曲线,根据修正第一导数曲线中每一个时间节点的局部范围得到修正第一导数曲线中每一个时间节点的局部范围曲线,根据修正第二导数曲线中每一个时间节点的局部范围得到修正第二导数曲线中每一个时间节点的局部范围曲线,获取局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重。
需要说明的是,由于燃料消耗量、电力消耗量之间的关系不是在同一个时间点的,它们之间的联系往往会存在一个时间延迟,例如燃料消耗量的提高不会马上导致电力消耗量的提高,而是需要一定的反应时间,电力消耗量才会提高,称这个反应时间为时间延迟。
具体的,将修正第一燃料消耗量数据和修正第一电力消耗量数据分别进行多项式拟合,得到修正第一曲线和修正第二曲线。
需要说明的是,将修正第一燃料消耗量数据和修正第一电力消耗量数据分别进行多项式拟合,其中拟合过程中多项式都为5次多项式。
分别获取修正第一曲线和修正第二曲线中的所有极值点,将修正第一曲线上所以极值点按照时序顺序排列,得到第一极值序列,将修正第二曲线上所以极值点按照时序顺序排列,得到第二极值序列。
进一步地,根据第一极值序列和第二极值序列得到时间延迟,具体如下:
式中,为极值序列中极值点的总个数,/>为第二极值序列中第i个极值点的时间节点,/>为第一极值序列中第i个极值点的时间节点,需要说明的是,极值点的时间节点具体指代的是极值点在修正第一曲线或修正第二曲线上对应的时间值,/>为时间延迟。
需要说明的是,本实施例中第一极值序列和第二极值序列中极值点个数相同,若第二极值序列和第一极值序列中极值点个数不同,即对应只有一个时间节点,此时用最近的时间节点差值来代替。
需要说明的是,由于能源消耗指标是通过燃料消耗量和电力消耗量计算而来,而二者之间也存在着一定的联系,即在窑炉正常运转过程中,充分的燃烧过程和合理的燃料供给可以提高燃料的利用效率,减少燃料消耗,从而间接地降低电力消耗,反之燃料消耗量增加,电力消耗增加,二者呈现正相关关系;因此可以通过修正第一燃料消耗量数据、修正第一电力消耗量数据对应时间点在局部范围内的皮尔逊系数来表征二者之间的关系,皮尔逊相关系数的值即为能源消耗指标的置信度;本实施例的重点是对窑炉运转能耗异常数据的监测,因此能源消耗指标的置信度与FCM聚类过程中数据点的权重呈负相关关系,即能源消耗指标的置信度越高表示其值越是正常的值,那么该值便为无关数据点,即占有较小的权重,反之同理。
具体的,将修正第一曲线上所有时间节点的数据值进行求导得到修正第一导数曲线,将修正第二曲线上所有时间节点的数据值进行求导得到修正第二导数曲线,修正第一导数曲线和修正第二导数曲线分别表示了修正第一燃料消耗量数据和修正第一电力消耗量数据的变化程度。
进一步地,预设第一窗口长度为TB,本实施例中以预设第一窗口长度为TB=10进行叙述,对于修正第一导数曲线中任意一个时间节点,记为目标时间节点,在修正第一导数曲线中以目标时间节点为起始点,沿时序减小的方向获取长度范围为TB的范围,记为目标时间节点的局部范围,同理可以获得修正第一导数曲线中每一个时间节点的局部范围。
需要说明的是,若目标时间节点的选取在修正第一导数曲线中太靠前,导致目标时间节点的局部范围会超出修正第一导数曲线的范围,此时本实施例利用二次线性插值的方法将超出修正第一导数曲线范围的部分进行插值填充数据。
同理可以获取修正第二导数曲线中每一个时间节点的局部范围,具体获取方法和获取修正第一导数曲线中每一个时间节点的局部范围的方法相同,本实施例不再赘述。
进一步地,将修正第一导数曲线中每一个时间节点的局部范围内所包含的修正第一导数曲线,记为修正第一导数曲线中每一个时间节点的局部范围曲线,将修正第二导数曲线中每一个时间节点的局部范围内所包含的修正第二导数曲线,记为修正第二导数曲线中每一个时间节点的局部范围曲线。
进一步地,获取修正第一导数曲线中每一个时间节点的局部范围曲线与修正第二导数曲线中每一个时间节点的局部范围曲线的皮尔逊相关系数,记为局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重,具体如下:
式中,为修正第一导数曲线中第MT个时间节点的局部范围曲线与修正第二导数曲线中第/>个时间节点的局部范围曲线的皮尔逊相关系数,/>为修正第二导数曲线中第MT个时间节点的局部范围曲线,/>为修正第一导数曲线中第/>个时间节点的局部范围曲线,/>为时间延迟,/>为自然常数为底的指数函数,本实施例采用/>的模型来呈现反比例关系,/>为模型的输入,/>为/>函数,用于归一化,实施者可根据实际情况设置反比例函数及归一化函数,/>为能源消耗指标数据中与第/>个时间节点对应的时间节点的能源消耗指标的权重。
获取能源消耗指标数据中所有时间节点的能源消耗指标的权重。
至此,得到能源消耗指标数据中所有时间节点的能源消耗指标的权重。
步骤S005、根据能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测。
需要说明的是,上述获得了能源消耗指标数据中每一个时间节点的能源消耗指标的权重,通过权重将隶属度阈值进行优化,进而使得根据模糊因子和隶属度阈值进行聚类时,得到的异常数据点更加准确。
具体的,利用聚类算法获取能源消耗指标数据中所有时间节点的能源消耗指标的隶属度,需要说明的是,进行/>聚类算法时需要确定模糊参数,本实施例中将得到的模糊因子作为/>聚类算法的模糊参数,利用/>聚类算法获取能源消耗指标数据中所有时间节点的能源消耗指标的隶属度为现有方法,本实施例不再赘述。
进一步地,将能源消耗指标数据中每一个时间节点的能源消耗指标的权重与能源消耗指标数据中对应时间节点的能源消耗指标的隶属度进行相乘,得到能源消耗指标数据中每一个时间节点的能源消耗指标的加权隶属度。
预设聚类算法的聚类数量为YB,本实施例中YB=2,将能源消耗指标数据中所有时间节点的能源消耗指标的加权隶属度与隶属度阈值进行比较,将能源消耗指标的加权隶属度大于隶属度阈值的能源消耗指标作为异常数据点,异常数据点所在的聚类结果为第一类簇,将能源消耗指标的加权隶属度小于等于隶属度阈值的能源消耗指标作为正常数据点,正常数据点所在的聚类结果为第二类簇,若当前时间的能源消耗指标在第一类簇中,则当前时间的能源消耗指标为异常数据点,实现实时异常监测。
需要说明的是,当前时间的能源消耗指标是指能源消耗消耗指标数据中最后时间节点对应的时间。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,该方法包括以下步骤:
采集燃料消耗量数据和电力消耗量数据,根据燃料消耗量数据和电力消耗量数据得到能源消耗指标数据;获取模糊因子和隶属度阈值;
预设窗口长度,根据预设窗口长度、燃料消耗量数据得到当前时间节点和第一燃料消耗量数据,根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到第一燃料消耗量数据中时间节点的燃料消耗量变化程度,根据第一燃料消耗量数据中时间节点的燃料消耗量变化程度,得到当前时间节点的燃料消耗量的异常程度;
根据第一燃料消耗量数据得到当前时间节点的燃料消耗量变化程度的预测值,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,根据修正燃料消耗量得到修正第一燃料消耗量数据,获取修正第一电力消耗量数据;
根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到修正第一曲线和修正第二曲线,根据修正第一曲线和修正第二曲线得到第一极值序列和第二极值序列,根据第一极值序列和第二极值序列得到时间延迟,根据修正第一曲线和修正第二曲线得到修正第一导数曲线和修正第二导数曲线,根据修正第一导数曲线得到修正第一导数曲线中每一个时间节点的局部范围,获取修正第二导数曲线中每一个时间节点的局部范围;
根据修正第一导数曲线中每一个时间节点的局部范围得到修正第一导数曲线中每一个时间节点的局部范围曲线,根据修正第二导数曲线中每一个时间节点的局部范围得到修正第二导数曲线中每一个时间节点的局部范围曲线,获取局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重;
根据能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测;
所述根据能源消耗指标数据中所有时间节点的能源消耗指标的权重、模糊因子、隶属度阈值进行异常数据点监测,包括的具体步骤如下:
将模糊因子作为聚类算法的模糊参数,利用/>聚类算法获取能源消耗指标数据中所有时间节点的能源消耗指标的隶属度,将能源消耗指标数据中每一个时间节点的能源消耗指标的权重与能源消耗指标数据中对应时间节点的能源消耗指标的隶属度进行相乘,得到能源消耗指标数据中每一个时间节点的能源消耗指标的加权隶属度;
将能源消耗指标数据中所有时间节点的能源消耗指标的加权隶属度与隶属度阈值进行比较,将能源消耗指标的加权隶属度大于隶属度阈值的能源消耗指标作为异常数据点,异常数据点所在的聚类结果为第一类簇,将能源消耗指标的加权隶属度小于等于隶属度阈值的能源消耗指标作为正常数据点,正常数据点所在的聚类结果为第二类簇,若当前时间的能源消耗指标在第一类簇中,则当前时间的能源消耗指标为异常数据点。
2.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据预设窗口长度、燃料消耗量数据得到当前时间节点和第一燃料消耗量数据,包括的具体步骤如下:
将燃料消耗量数据中任意一个时间节点记为当前时间节点,在燃料消耗量数据中以当前时间节点为起始点,沿时序减小的方向获取长度为TU的燃料消耗量数据,记为第一燃料消耗量数据,TU为预设窗口长度。
3.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据第一燃料消耗量数据中相邻时间节点的燃料消耗量差异,得到第一燃料消耗量数据中时间节点的燃料消耗量变化程度,包括的具体步骤如下:
式中,为第一燃料消耗量数据中第i+1个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量,/>为取绝对值,/>为第一燃料消耗量数据中第i个时间节点的燃料消耗量变化程度。
4.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据第一燃料消耗量数据中时间节点的燃料消耗量变化程度,得到当前时间节点的燃料消耗量的异常程度,包括的具体步骤如下:
获取第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度,将第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度的总个数记为MT,将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度的均值记为变化程度基准值,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度与变化程度基准值的差值作为当前时间节点的燃料消耗量的异常程度。
5.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据第一燃料消耗量数据得到当前时间节点的燃料消耗量变化程度的预测值,根据当前时间节点的燃料消耗量的异常程度、当前时间节点的燃料消耗量变化程度的预测值,得到当前时间节点的修正燃料消耗量,根据修正燃料消耗量得到修正第一燃料消耗量数据,包括的具体步骤如下:
将第一燃料消耗量数据中前MT-1个时间节点的燃料消耗量变化程度进行多项式拟合,得到变化程度曲线,MT为第一燃料消耗量数据中所有时间节点的燃料消耗量变化程度的总个数,获取变化程度曲线中第MT-1个时间节点的斜率,根据变化程度曲线中第MT-1个时间节点的斜率,以及变化程度曲线中第MT-1个时间节点的坐标,得到直线方程,将第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度输入到直线方程中,输出结果为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值;
式中,为第一燃料消耗量数据中第/>个时间节点的燃料消耗量,/>为第一燃料消耗量数据中第/>个时间节点的修正后的燃料消耗量,记为当前时间节点的修正燃料消耗量,/>为第一燃料消耗量数据中时间节点的总个数,/>为当前时间节点的燃料消耗量的异常程度,/>为第一燃料消耗量数据中第MT个时间节点的燃料消耗量变化程度的预测值,记为当前时间节点的燃料消耗量变化程度的预测值;
获取第一燃料消耗量数据中所有时间节点的修正燃料消耗量,得到修正第一燃料消耗量数据。
6.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据修正第一燃料消耗量数据和修正第一电力消耗量数据得到修正第一曲线和修正第二曲线,根据修正第一曲线和修正第二曲线得到第一极值序列和第二极值序列,根据第一极值序列和第二极值序列得到时间延迟,包括的具体步骤如下:
将修正第一燃料消耗量数据和修正第一电力消耗量数据分别进行多项式拟合,得到修正第一曲线和修正第二曲线,分别获取修正第一曲线和修正第二曲线中的所有极值点,将修正第一曲线上所以极值点按照时序顺序排列,得到第一极值序列,将修正第二曲线上所以极值点按照时序顺序排列,得到第二极值序列;
式中,为极值序列中极值点的总个数,/>为第二极值序列中第i个极值点的时间节点,/>为第一极值序列中第i个极值点的时间节点,/>为时间延迟。
7.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据修正第一曲线和修正第二曲线得到修正第一导数曲线和修正第二导数曲线,根据修正第一导数曲线得到修正第一导数曲线中每一个时间节点的局部范围,包括的具体步骤如下:
将修正第一曲线上所有时间节点的数据值进行求导得到修正第一导数曲线,将修正第二曲线上所有时间节点的数据值进行求导得到修正第二导数曲线,预设第一窗口长度为TB,对于修正第一导数曲线中任意一个时间节点,记为目标时间节点,在修正第一导数曲线中以目标时间节点为起始点,沿时序减小的方向获取长度范围为TB的范围,记为目标时间节点的局部范围,获取修正第一导数曲线中每一个时间节点的局部范围。
8.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述根据修正第一导数曲线中每一个时间节点的局部范围得到修正第一导数曲线中每一个时间节点的局部范围曲线,根据修正第二导数曲线中每一个时间节点的局部范围得到修正第二导数曲线中每一个时间节点的局部范围曲线,包括的具体步骤如下:
将修正第一导数曲线中每一个时间节点的局部范围内所包含的修正第一导数曲线,记为修正第一导数曲线中每一个时间节点的局部范围曲线,将修正第二导数曲线中每一个时间节点的局部范围内所包含的修正第二导数曲线,记为修正第二导数曲线中每一个时间节点的局部范围曲线。
9.根据权利要求1所述一种窑炉运转能耗异常数据实时监测预警方法,其特征在于,所述获取局部范围曲线之间皮尔逊相关系数,根据局部范围曲线之间的皮尔逊相关系数、时间延迟得到能源消耗指标数据中所有时间节点的能源消耗指标的权重,包括的具体步骤如下:
获取修正第一导数曲线中每一个时间节点的局部范围曲线与修正第二导数曲线中每一个时间节点的局部范围曲线的皮尔逊相关系数,记为局部范围曲线之间皮尔逊相关系数;
式中,为修正第一导数曲线中第MT个时间节点的局部范围曲线与修正第二导数曲线中第/>个时间节点的局部范围曲线的皮尔逊相关系数,也记为局部范围曲线之间皮尔逊相关系数,/>为修正第二导数曲线中第MT个时间节点的局部范围曲线,/>为修正第一导数曲线中第/>个时间节点的局部范围曲线,/>为时间延迟,/>为自然常数为底的指数函数,/>为/>函数,/>为能源消耗指标数据中与第/>个时间节点对应的时间节点的能源消耗指标的权重;
获取能源消耗指标数据中所有时间节点的能源消耗指标的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586475.9A CN117313014B (zh) | 2023-11-27 | 2023-11-27 | 一种窑炉运转能耗异常数据实时监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586475.9A CN117313014B (zh) | 2023-11-27 | 2023-11-27 | 一种窑炉运转能耗异常数据实时监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313014A CN117313014A (zh) | 2023-12-29 |
CN117313014B true CN117313014B (zh) | 2024-03-22 |
Family
ID=89286835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586475.9A Active CN117313014B (zh) | 2023-11-27 | 2023-11-27 | 一种窑炉运转能耗异常数据实时监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313014B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084326A (zh) * | 2019-05-13 | 2019-08-02 | 东北大学 | 一种基于模糊集的工业设备异常检测方法 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
-
2023
- 2023-11-27 CN CN202311586475.9A patent/CN117313014B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084326A (zh) * | 2019-05-13 | 2019-08-02 | 东北大学 | 一种基于模糊集的工业设备异常检测方法 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117313014A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN109727446B (zh) | 一种用电数据异常值的识别与处理方法 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN116011686B (zh) | 基于多数据融合的充电棚光伏发电储量预测方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN117195007B (zh) | 一种换热器性能预测方法及系统 | |
CN117436024B (zh) | 一种基于钻机运行数据分析的故障诊断方法及系统 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
JP5939439B2 (ja) | 異常診断装置 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN115455746A (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 | |
CN112329272A (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN115982555A (zh) | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 | |
CN116561502A (zh) | 一种风电场风速数据的插补方法、装置、设备及存储介质 | |
CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN118091325B (zh) | 一种电缆智能检测方法及系统 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
CN117688497B (zh) | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 | |
CN112685449B (zh) | 一种热力系统性能计算方法、装置及设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: No. 1398 Qinan Road, Yangcheng Science and Technology Industrial Park, Xiangcheng District, Suzhou City, Jiangsu Province, China Applicant after: Suzhou Cohen New Energy Technology Co.,Ltd. Address before: 215138 buildings 3 and 4, 289 Fengyang Road, Dalou village, Yangchenghu Town, Xiangcheng District, Suzhou City, Jiangsu Province Applicant before: SUZHOU KEER POEN MACHINERY TECHNOLOGY Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |