[发明专利]供热系统监测数据异常识别方法

说明书

本发明属于集中供热系统监测数据处理技术领域，为提出一种简易可行的异常数据识别方法。该方法有利于提高供热系统数据质量，为后续研究打下基础，提高系统运行效率，本发明，供热系统监测数据异常识别方法，首先将读取所述数据库中数据，之后对数据进行预处理：第一步先定位缺失数据，使用局部样条插值的方法补充数据；第二步使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据；第三步使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据；最后对经过上述三步处理后的数据集进行异常识别，返回异常分数。本发明主要应用于集中供热系统监测数据处理场合。

技术领域

本发明属于集中供热系统监测数据处理技术领域，具体为一种无监督智能算法异常数据识别方法。

背景技术

冬季气候寒冷，为了应对日益严重的环境问题、能源问题，集中供热、清洁供热、智慧供热逐步成为当前供热行业的发展趋势。随着信息化、大数据的浪潮，供热系统也积累了大量的运行数据。

有关供热系统的一系列研究，例如负荷预测、输配系统延迟现象、模型验证等，都需要一个高质量的系统数据。虽然当前供热系统积累了大量的实测数据，但是由于仪表干扰、通讯中断等问题也产生了为数不少的异常数据，造成原始数据质量较低。所以亟需新的技术方法和手段，识别供热系统异常数据，提高供热系统数据质量，为后续研究打下基础。

常用的异常数据识别方法可以分为一下三类：一是人工经验结合物理规律处理方法；二是统计学处理方法；三是聚类、分类等智能算法。

经验法主要依靠技术人员根据运行数据连续性、物理规律对数据进行逐条鉴别。这种方法在数据集体量较大时需要耗费巨大的人力和时间。

统计学处理方法使用诸如高斯分布或者箱线图等概率分布的统计学图形等方法对数据进行异常识别。例如研究人员周璇使用3σ法则识别办公建筑逐时能耗数据的突变值、零值[1]。但是统计学方法依赖于特定的概率分布假设，并且这种假设在某些数据集往往不成立，特别是对于高维真实数据集。

基于智能算法的异常数据识别方法由于其不依靠特定的概率分布，以及时间和人力成本消耗较低等优势受到了较多的关注，常用的有分类、聚类等方法。分类算法需要训练数据、验证数据才能建立异常识别模型。同时当系统产生从未在历史数据中出现的数据向量时，模型难以对其进行精确的分类。为了解决模型泛化性的问题，有研究人员会结合多种分类算法诸如决策树、随机森林的分类结果进行综合判断[2]。这种方法难以解决计算过程复杂的问题。使用聚类算法对数据集进行类别划分同样可以进行异常识别[3]，这种方法首先对数据集进行聚类，在根据不同的聚类簇进行异常阈值判断。但是聚类的效果会在很大程度上影响异常数据监测的结果，而异常数据通常会对聚类的结果产生较大的影响。

发明内容

为克服现有技术的不足，针对当前集中供热数据监测系统普遍存在的监测数据量大、数据质量不高以及现有方法工作量大、识别精度较低等问题，本发明旨在提出一种简易可行的异常数据识别方法。该方法有利于提高供热系统数据质量，为后续研究打下基础，提高系统运行效率。为此，本发明采取的技术方案是，供热系统监测数据异常识别方法，供热系统将二次网换热站一、二次侧的供回水温度传感器、流量传感器、热量传感器记录的一次侧供回水温度T_g1、T_h1，二次侧的供回水温度T_g2、T_h2，一、二次侧瞬时流量G_t1、G_t2和热量Q_t1、Q_t2，累计流量G_a1、G_a2和热量Q_a1、Q_a2，数据通过GPRS网络传输至上位机并储存在数据库；