[发明专利]一种火电厂制粉系统数据中异常数据的检测方法

摘要

一种火电厂制粉系统数据中异常数据的检测方法，包括选取适当的k来计算数据的近邻数据，当近邻数据确定之后，计算包含近邻数据的最小球，再根据近邻数据个数和最小球半径计算数据的空间密度，用空间密度和近邻序列计算数据的密度背离程度，进而计算数据的密度近邻背离程度NDDOF值来表征数据的异常程度；本发明在准确检测出异常数据的基础上，提高火电厂制粉系统的数据挖掘效果。

主权项

一种火电厂制粉系统数据中异常数据的检测方法，其特征在于：步骤如下：步骤1：首先火电厂制粉系统采集信号数据构成现场历史数据库D，该数据库D包括六个变量：磨机负荷、磨机出入口压差、磨机入口负压、磨机出口温度、粗粉分离器出口负压和细粉分离器出口负压；这样，数据库D是一个六维数据库；这里设定正整数k≥6；计算数据集D中对象两两之间的距离并且确定出每个对象p的k近邻NNk(p)；对任意的自然数k，定义p的k‑距离为p和某个对象o之间的距离d(p,o)，这里的o满足：(1)至少存在k个对象o′∈D/{p}，使得d(p,o′)≤d(p,o)，并且(2)至多存在k‑1个对象o′∈D/{p}，使得d(p,o′)<d(p,o)；p的k近邻包含所有与p的距离不超过k‑距离的对象；这样p的k近邻的个数比k大；步骤2：火电厂制粉系统通过步骤1得到p的k近邻NNk(p)，将近邻NNk(p)按照距离p的远近进行排序，构成距离近邻序列NNS(p)＝{p,c1,c2,……,cr}，这里r＝|NNk(p)|，ci∈NNk(p),i＝1,2,……,r；步骤2是一个反复计算的过程，NNS(p)的初始值是{p}；在每次计算时，算法不断从NNk(p)剩下对象中找到距离p最近的数据，并把找出的对象加到NNS(p)中去；如果找到的对象不只一个，则根据事先排好的对象顺序加到NNS(p)中去；在每次计算完毕后，更新NNS(p)信息后再进行下一次计算；当NNk(p)中所有对象都被陆续加入到NNS(p)后，该步骤结束；步骤3：火电厂制粉系统根据步骤2所得NNS(p)计算所有数据的最小球；根据包含p的k‑距离近邻的最小球，计算p的空间密度；最小球是包含NNS(p)中所有数据的球中半径最小的那个球；对于2维数据来说，最小球是一个圆，而3维数据的最小球是球体，3维以上的最小球是超球；最小球求解问题转变为求下列方程组的最优解问题：minO,RRsubjectto||ci-O||≤R,i=1,...,r]]>O是最小球球心，R是最小球半径；步骤4：火电厂制粉系统得到所有点的最小球的半径之后，对象p的空间密度表示为：这里|NNS(p)|是NNS(p)中的数据个数，R(p)是最小球半径；步骤5：火电厂制粉系统计算出每个数据的空间密度之后，计算每两个数据的空间密度差；两个数据的空间密度差表示为：Δspden(x,y)＝|spden(y)‑spden(x)|，因此Δspden(x,y)＝Δspden(y,x)；步骤6：火电厂制粉系统得到空间密度和密度差之后，计算每个数据的背离程度；在p的k近邻NNS(p)中，排位越靠前的数据对p的影响越大；依据空间密度差，计算NNS(p)中的第i个数据对对象p的密度背离程度ci为NNS(p)中的第i个数据；那么，NNS(p)中的数据对p总的密度背离程度表示为：这里r＝|NNk(p)|；步骤7：火电厂制粉系统通过下列算式得到p的异常程度：NDDOF值表示数据的异常程度；设定NDDOF阈值为1.5，当NDDOF大于阈值时认为是异常数据。