龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：中国长江电力股份有限公司
申请日：2024-04-07
公开（公告）日：2024-06-21
公开（公告）号：CN118228123A
主分类号：G06F18/2411
分类号：G06F18/2411;G06F18/243;G06F18/214;G06N20/10
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：一种基于类别划分的多特征自适应异常水位数据识别方法，包括以下步骤：步骤1：按照分钟进行不同站点的水位数据采集；步骤2：将不同站点的水位数据集Y为两类，分别为训练数据集据YTrain和测试数据集YTest；步骤3：对训练数据集YTrain通过SVM算法进行分类模型训练；步骤4：采用随机森林进行训练，得到随机森林模型MRF；步骤5：对于步骤3中的非周期性数据集YNOCyele，设定异常阈值ZMAX和ZMIN；步骤6：对于待进行异常判断的数据X，使用MSVM进行判断，得到Xftr；步骤7：判断是否为正常数据；步骤8：判断数据是否为异常数据，本发明较好的应用了数据周期性的特点，首先对数据进行分类，非周期性数据按照已经设置好的阈值，直接进行相应的判断；周期性数据则通过模型进行相应的识别。
主权项：1.一种基于类别划分的多特征自适应异常水位数据识别方法，其特征在于，包括以下步骤：步骤1：按照分钟进行不同站点的水位数据采集，统计平均值、标准差和斜率，形成具有时间序列特性的水位数据集Y；步骤2：将不同站点的水位数据集Y为两类，分别为训练数据集据YTrain和测试数据集YTset；其中，训练数据集YTrain用于训练分类模型；步骤3：对训练数据集YTrain通过SVM算法进行分类模型训练，得到可将数据划分为周期性数据和非周期性数据的模型MSVM,并进一步将水位数据集Y,通过MSVM处里后，得到周期性数据集TCycle和非周期性数据集YNOCyate；步骤4：对于步骤3中的周期性数据集YCycle，采用随机森林进行训练，得到随机森林模型MRE；步骤5：对于步骤3中的非周期性数据集YNOCyele，设定异常阈值ZMAX和ZMIN；步骤6：对于待进行异常判断的数据X，使用MSVM进行判断，得到Xfir；步骤7：若步骤6中的Xfir为非周期性数据，如果ZMIN＜Xfir＜ZMAX，则为正常数据；否则为异常数据；步骤8：若步骤6中的Xfir为周期性数据，利用MRF进行处里，判断数据是否为异常数据。
全文数据：
权利要求：
百度查询： 中国长江电力股份有限公司 一种基于类别划分的多特征自适应异常水位数据识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号