CN109840312B - 一种锅炉负荷率-能效曲线的异常值检测方法和装置 - Google Patents
一种锅炉负荷率-能效曲线的异常值检测方法和装置 Download PDFInfo
- Publication number
- CN109840312B CN109840312B CN201910056117.4A CN201910056117A CN109840312B CN 109840312 B CN109840312 B CN 109840312B CN 201910056117 A CN201910056117 A CN 201910056117A CN 109840312 B CN109840312 B CN 109840312B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- energy efficiency
- unit
- determining
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种锅炉负荷率‑能效曲线的异常值检测方法,该方法包括:S1:获取锅炉运行中的负荷率‑能效数据集;S2:通过交叉验证法计算所述负荷率‑能效数据集中误差值数组;S3:根据预设异常评判准则从误差值数组中确定异常值。同时,本发明还公开了一种锅炉负荷率‑能效曲线的异常值检测装置,该装置包括:数据获取模块、误差计算模块和异常确定模块。本发明通过采用交叉验证可以减少由于训练集选取片面所导致的学习结果分布有偏差的问题,从而减少了异常值对回归器造成的影响,进而更加准确有效地检测出负荷率‑能效曲线中的异常点。
Description
技术领域
本发明涉及数字能源技术领域,特别涉及一种锅炉负荷率-能效曲线的异常值检测方法和装置。
背景技术
燃气锅炉消耗天然气,产生热水或者热蒸汽。它的负荷率(一段时间内的平均)是指(实际负荷/最大负荷)×100%,锅炉的能效(一段时间内的平均)是指消耗单位体积的天然气产生的热水或者热蒸汽的质量(单位:吨/立方米)。以负荷率为X,以能效为Y,则可以构成燃气锅炉的负荷率-能效曲线(同样以能效为X,以负荷率为Y,则可以构成燃气锅炉的能效-负荷率曲线)。锅炉的负荷率-能效曲线对于锅炉的高效率使用、多个锅炉运行时的优化调度有重要的指导意义,是锅炉研究的重要基础。
然而负荷率-能效曲线很多时候是从锅炉实际运行的数据中提取出来的(比如用拟合、插值、或者回归算法),由于锅炉运行受很多外界因素的突然影响,或者数据采集过程中出现错误,使得实际得到的负荷率-能效数据有很多异常点,这些异常点使得在拟合数据时会引入很大的误差。
目前,在多维数据的异常值检测问题上的算法很多,不过基本的思想以无监督的聚类方法居多,聚类算法具有一定的普适性,对于这种负荷率-能效的单变量回归问题,并不具有针对性,因为数据中之间变量的隐含的数量关系,聚类算法不一定能发现。因此亟待寻求一种新的解决方案。
发明内容
本发明实施例提供了一种锅炉负荷率-能效曲线的异常值检测方法和装置,能够有效地检测出负荷率-能效曲线中的异常点。
第一方面,本发明实施例提供了一种锅炉负荷率-能效曲线的异常值检测方法,该方法包括:
S1:获取锅炉运行中的负荷率-能效数据集;
S2:通过交叉验证法计算所述负荷率-能效数据集中误差值数组;
S3:根据预设异常评判准则从误差值数组中确定异常值。
优选地,
步骤S2的具体过程包括:
S21:将负荷率-能效数据集分成预设份数的数据包;
S22:选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
S23:通过训练集对回归算法进行训练得到回归模型;
S24:利用回归模型计算测试集中每个数据的预测误差值;
S25:判断预设份数的数据包是否全部作过测试集,若是,则执行步骤S26;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后执行步骤S23;
S26:将计算得到的全部预测误差值组成误差值数组。
优选地,
步骤S3的具体过程包括:
N31:确定异常值的选取比例;
N32:根据确定的选取比例,计算异常数据点的数量;
N33:根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
优选地,
步骤S3的具体过程包括:
M31:确定误差值的阈值;
M32:将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
第二方面,本发明实施例提供了一种锅炉负荷率-能效曲线的异常值检测装置,该装置包括:数据获取模块、误差计算模块和异常确定模块,其中,
所述数据获取模块,用于获取锅炉运行中的负荷率-能效数据集;
所述误差计算模块,用于通过交叉验证法计算所述负荷率-能效数据集中误差值数组;
所述异常确定模块,用于根据预设异常评判准则从误差值数组中确定异常值。
优选地,
所述误差计算模块包括:数据分组单元、数据分类单元、模型训练单元、误差计算单元、循环判断单元和误差成组单元,其中,
所述数据分组单元,用于将负荷率-能效数据集分成预设份数的数据包;
所述数据分类单元,用于选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
所述模型训练单元,用于通过训练集对回归算法进行训练得到回归模型;
所述误差计算单元,用于利用回归模型计算测试集中每个数据的预测误差值;
所述循环判断单元,用于判断预设份数的数据包是否全部作过测试集,若是,则触发所述误差成组单元;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后触发所述模型训练单元;
所述误差成组单元,用于将计算得到的全部预测误差值组成误差值数组。
优选地,
所述异常确定模块包括:比例确定单元、数量确定单元和异常选取单元,其中,
所述比例确定单元,用于确定异常值的选取比例;
所述数量确定单元,用于根据确定的选取比例,计算异常数据点的数量;
所述异常选取单元,用于根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
优选地,
所述异常确定模块包括:阈值确定单元和异常确定单元,其中,
所述阈值确定单元,用于确定误差值的阈值;
所述异常确定单元,用于将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
第三发明,本发明实施例提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面中任一所述锅炉负荷率-能效曲线的异常值检测方法。
第四方面,本发明实施例提供了一种电子设备,包括:处理器、存储器和总线;所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述电子设备运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述处理器执行如第一方面中任一所述锅炉负荷率-能效曲线的异常值检测方法。
与现有技术相比,本发明至少具有以下有益效果:
本发明通过采用交叉验证可以减少由于训练集选取片面所导致的学习结果分布有偏差的问题,从而减少了异常值对回归器造成的影响,进而更加准确有效地检测出负荷率-能效曲线中的异常点。
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是本发明一个实施例提供的一种锅炉负荷率-能效曲线的异常值检测方法的流程示意图;
图2是本发明一个实施例提供的以一种计算获得误差值数组的流程示意图;
图3是本发明一个实施例提供的一种确定异常值的流程示意图;
图4是本发明一个实施例提供的另一种确定异常值的流程示意图;
图5是本发明一个实施例提供的一种锅炉负荷率-能效曲线的异常值检测装置的结构框图;
图6是本发明一个实施例提供的一种误差计算模块的结构框图;
图7是本发明一个实施例提供的一种异常确定模块的结构框图;
图8是本发明一个实施例提供的另一种异常确定模块的结构框图;
图9是本发明一个实施例提供的一种电子设备。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
如图1所示,本发明实施例提供了一种锅炉负荷率-能效曲线的异常值检测方法,该方法可以包括以下步骤:
S1:获取锅炉运行中的负荷率-能效数据集;
S2:通过交叉验证法计算所述负荷率-能效数据集中误差值数组;
S3:根据预设异常评判准则从误差值数组中确定异常值。
在该实施例中,负荷率-能效数据集是同一时刻以负荷率为X,以负荷率对应的能效为Y构成的数据集,可以表示为D={(x,y)|x∈X,y∈Y}。并且需要满足的条件是数据集D中的异常数据在数据集中所占的比例很小,如不超过5~10%。交叉验证法可以为K折交叉验证法,从而可以减少由于训练集选取片面所导致的学习结果分布有偏差的问题,从而减少了异常值对回归器造成的影响,进而更加准确有效地检测出负荷率-能效曲线中的异常点。
如图2所示,在本发明实施例中,步骤S2的具体过程包括:
S21:将负荷率-能效数据集分成预设份数的数据包;
S22:选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
S23:通过训练集对回归算法进行训练得到回归模型;
S24:利用回归模型计算测试集中每个数据的预测误差值;
S25:判断预设份数的数据包是否全部作过测试集,若是,则执行步骤S26;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后执行步骤S23;
S26:将计算得到的全部预测误差值组成误差值数组。
在该实施例中,将数据集均匀分成预设份数的数据包,这里用K份表示,则可以得到K个数据包分别为D[1],D[2],…,D[K];然后对每一个i∈{1,2,…,K},每次以数据包D[i]为测试集并以剩余其他数据包作为训练集,选取一个单变量回归算法使用本次训练集进行训练得到回归器(回归模型),计算本次测试集中每一个数据的预测误差值,共经过K次后得到全部的预测误差值,全部预测误差值便组成了误差值数组。
值得说明的是,单变量回归算法其实有很多可以选取,常用的机器学习回归算法一般都可以,例如神经网络回归,实际使用中可以尝试多个,选取最优的算法模型。由于极少部分的异常值数据对于训练一个回归器所造成的影响不大,基于K折交叉验证和单变量回归算法的原理,因此可以有效地利用了占大多数的正常数据,从这些正常数据中发现负荷率和能效的隐含关系。从而可以更好的利用数据中所包含的信息,对发现异常值提供有益的指导。
如图3所示,在本发明实施例中,步骤S3的具体过程包括:
N31:确定异常值的选取比例;
N32:根据确定的选取比例,计算异常数据点的数量;
N33:根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
在该实施例中,给定异常值的选取比例,则选取预测误差值数量满足给定比例即可,例如选取5个预测误差值满足给定的选取比例,则从大到小排序排在前5的预测误差值对应的数据点即为异常值。此处均比较预测误差值的绝对值。
如图4所示,在本明一个实施例中,步骤S3的具体过程包括:
M31:确定误差值的阈值;
M32:将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
在该实施例中,给定异常值的判断阈值,则将全部预测误差值中大于给定阈值的预测误差值对应的数据点确定为异常值。例如,给定的阈值为0.20,现有预测误差值分别为0.11、0.19、0.21和0.34,则0.21和0.34超过阈值,所以0.21和0.34对应的数据点为异常值
如图5所示,本发明实施例提供了一种锅炉负荷率-能效曲线的异常值检测装置,该装置包括:数据获取模块、误差计算模块和异常确定模块,其中,
所述数据获取模块,用于获取锅炉运行中的负荷率-能效数据集;
所述误差计算模块,用于通过K折交叉验证法计算所述负荷率-能效数据集中误差值数组;
所述异常确定模块,用于根据预设异常评判准则从误差值数组中确定异常值。
如图6所示,在本发明实施例中,所述误差计算模块包括:数据分组单元、数据分类单元、模型训练单元、误差计算单元、循环判断单元和误差成组单元,其中,
所述数据分组单元,用于将负荷率-能效数据集分成预设份数的数据包;
所述数据分类单元,用于选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
所述模型训练单元,用于通过训练集对回归算法进行训练得到回归模型;
所述误差计算单元,用于利用回归模型计算测试集中每个数据的预测误差值;
所述循环判断单元,用于判断预设份数的数据包是否全部作过测试集,若是,则触发所述误差成组单元;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后触发所述模型训练单元;
所述误差成组单元,用于将计算得到的全部预测误差值组成误差值数组。
如图7所示,在本发明实施例中,所述异常确定模块包括:比例确定单元、数量确定单元和异常选取单元,其中,
所述比例确定单元,用于确定异常值的选取比例;
所述数量确定单元,用于根据确定的选取比例,计算异常数据点的数量;
所述异常选取单元,用于根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
如图8所示,在本发明实施例中,所述异常确定模块包括:阈值确定单元和异常确定单元,其中,
所述阈值确定单元,用于确定误差值的阈值;
所述异常确定单元,用于将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
上述装置内的各模块或者单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
如图9所示,本发明的一个实施例提供了一种电子设备。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。在一种可能实现的方式中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成锅炉负荷率-能效曲线的异常值检测装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的锅炉负荷率-能效曲线的异常值检测装置。
上述如本发明图5-8任一所示实施例提供的锅炉负荷率-能效曲线的异常值检测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的锅炉负荷率-能效曲线的异常值检测方法。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
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、***、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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于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的装置。
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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于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的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种锅炉负荷率-能效曲线的异常值检测方法,其特征在于,该方法包括:
S1:获取锅炉运行中的负荷率-能效数据集;
S2:通过交叉验证法计算所述负荷率-能效数据集中误差值数组;
S3:根据预设异常评判准则从误差值数组中确定异常值;
步骤S2的具体过程包括:
S21:将负荷率-能效数据集分成预设份数的数据包;
S22:选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
S23:通过训练集对回归算法进行训练得到回归模型;
S24:利用回归模型计算测试集中每个数据的预测误差值;
S25:判断预设份数的数据包是否全部作过测试集,若是,则执行步骤S26;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后执行步骤S23;
S26:将计算得到的全部预测误差值组成误差值数组。
2.根据权利要求1所述锅炉负荷率-能效曲线的异常值检测方法,其特征在于,
步骤S3的具体过程包括:
N31:确定异常值的选取比例;
N32:根据确定的选取比例,计算异常数据点的数量;
N33:根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
3.根据权利要求1所述锅炉负荷率-能效曲线的异常值检测方法,其特征在于,
步骤S3的具体过程包括:
M31:确定误差值的阈值;
M32:将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
4.一种锅炉负荷率-能效曲线的异常值检测装置,其特征在于,该装置包括:数据获取模块、误差计算模块和异常确定模块,其中,
所述数据获取模块,用于获取锅炉运行中的负荷率-能效数据集;
所述误差计算模块,用于通过交叉验证法计算所述负荷率-能效数据集中误差值数组;
所述异常确定模块,用于根据预设异常评判准则从误差值数组中确定异常值;
所述误差计算模块包括:数据分组单元、数据分类单元、模型训练单元、误差计算单元、循环判断单元和误差成组单元,其中,
所述数据分组单元,用于将负荷率-能效数据集分成预设份数的数据包;
所述数据分类单元,用于选取其中一份数据包作为测试集,其他剩余的数据包作为训练集;
所述模型训练单元,用于通过训练集对回归算法进行训练得到回归模型;
所述误差计算单元,用于利用回归模型计算测试集中每个数据的预测误差值;
所述循环判断单元,用于判断预设份数的数据包是否全部作过测试集,若是,则触发所述误差成组单元;否则将没有作过测试集的数据包中的一份数据包作为测试集,其他剩余的数据包作为训练集后触发所述模型训练单元;
所述误差成组单元,用于将计算得到的全部预测误差值组成误差值数组。
5.根据权利要求4所述锅炉负荷率-能效曲线的异常值检测装置,其特征在于,所述异常确定模块包括:比例确定单元、数量确定单元和异常选取单元,其中,
所述比例确定单元,用于确定异常值的选取比例;
所述数量确定单元,用于根据确定的选取比例,计算异常数据点的数量;
所述异常选取单元,用于根据所述异常数据点的数量,从误差值数组的全部预测误差值中从大到小选取相应数量的预测误差值,并将选取的预测误差值对应的数据点确定为异常值。
6.根据权利要求4所述锅炉负荷率-能效曲线的异常值检测装置,其特征在于,所述异常确定模块包括:阈值确定单元和异常确定单元,其中,
所述阈值确定单元,用于确定误差值的阈值;
所述异常确定单元,用于将误差值数组中预测误差值大于所述阈值的预测误差值对应的数据点确定为异常值。
7.一种可读介质,其特征在于,该可读介质包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如权利要求1至3中任一所述锅炉负荷率-能效曲线的异常值检测方法。
8.一种电子设备,其特征在于,该电子设备包括:处理器、存储器和总线;所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述电子设备运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述处理器执行如权利要求1至3中任一所述锅炉负荷率-能效曲线的异常值检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056117.4A CN109840312B (zh) | 2019-01-22 | 2019-01-22 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056117.4A CN109840312B (zh) | 2019-01-22 | 2019-01-22 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840312A CN109840312A (zh) | 2019-06-04 |
CN109840312B true CN109840312B (zh) | 2022-11-29 |
Family
ID=66884142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910056117.4A Active CN109840312B (zh) | 2019-01-22 | 2019-01-22 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840312B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052938A (zh) * | 2019-12-26 | 2021-06-29 | 新奥数能科技有限公司 | 一种构建锅炉能效曲线的方法及装置 |
CN113051517A (zh) * | 2019-12-27 | 2021-06-29 | 新奥数能科技有限公司 | 一种获取锅炉能效曲线的方法及装置 |
CN113052195A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 测井曲线异常值标注方法、装置、计算机设备和存储介质 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN111625754B (zh) * | 2020-05-12 | 2023-05-02 | 新智数字科技有限公司 | 用于计算锅炉能效的方法、装置、终端设备和存储介质 |
CN114117340A (zh) * | 2020-08-25 | 2022-03-01 | 北京福田康明斯发动机有限公司 | 一种发动机装配检测方法、装置、存储介质和电子设备 |
CN115600102B (zh) * | 2022-04-26 | 2023-11-21 | 南京天洑软件有限公司 | 基于船舶数据的异常点检测方法及装置、电子设备、介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
CN108304854A (zh) * | 2017-11-23 | 2018-07-20 | 哈尔滨工业大学 | 一种基于随机森林的异常数据处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471452B2 (en) * | 2014-12-01 | 2016-10-18 | Uptake Technologies, Inc. | Adaptive handling of operating data |
-
2019
- 2019-01-22 CN CN201910056117.4A patent/CN109840312B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
CN108304854A (zh) * | 2017-11-23 | 2018-07-20 | 哈尔滨工业大学 | 一种基于随机森林的异常数据处理方法 |
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840312A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840312B (zh) | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 | |
CN109711440B (zh) | 一种数据异常检测方法和装置 | |
Armeanu et al. | Exploring the link between environmental pollution and economic growth in EU-28 countries: Is there an environmental Kuznets curve? | |
CN109857984B (zh) | 一种锅炉负荷率-效能曲线的回归方法和装置 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
CN109726909B (zh) | 一种能效评价方法、装置、可读介质及电子设备 | |
CN112311611B (zh) | 数据异常的监测方法、装置和电子设备 | |
US11861280B2 (en) | Device for generating verification vector for circuit design verification, circuit design system, and reinforcement learning method of the device and the circuit design system | |
US20210304045A1 (en) | Thermal load prediction method and apparatus, readable medium, and electronic device | |
CN109344061B (zh) | 一种接口的异常检测方法、装置、设备及*** | |
CN110865538B (zh) | 机组工况优化方法、装置及电子设备 | |
JP2019114158A (ja) | カバレッジテスト支援装置およびカバレッジテスト支援方法 | |
CN112182508A (zh) | 一种合规业务指标的异常监测方法及装置 | |
KR20190075083A (ko) | 리스크 제어 이벤트 자동 처리 방법 및 장치 | |
CN112183830A (zh) | 一种冷冻水温度的预测方法及装置 | |
CN111104438A (zh) | 时间序列的周期性确定方法、装置及电子设备 | |
CN111488289A (zh) | 一种故障定位方法、装置和设备 | |
CN114091281A (zh) | 产品寿命预测方法、装置、电子设备及存储介质 | |
US11138039B2 (en) | Memory system for removing memory cell fault and method thereof | |
CN109812794B (zh) | 一种锅炉排污时间间隔的设定方法及装置 | |
CN109359346B (zh) | 一种热负荷预测方法、装置、可读介质及电子设备 | |
CN113516453A (zh) | 建设项目投资资金管控预警方法、装置、设备及介质 | |
CN109376285B (zh) | 基于json格式的数据排序验证方法、电子设备及介质 | |
CN109145821B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN116166967A (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |