一种窑炉运转能耗异常数据实时监测预警方法与流程

本发明涉及数据处理，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：

1、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。

技术实现思路

1、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。

2、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：

3、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：

4、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；

5、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；

6、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；

7、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；

8、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；

9、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。

10、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：

11、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。

12、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：

13、

14、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。

15、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：

16、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。

17、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：

18、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；

19、

20、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；

21、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。

22、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：

23、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；

24、

25、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。

26、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：

27、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。

28、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：

29、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。

30、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：

31、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；

32、

33、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；

34、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。

35、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：

36、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；

37、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。

38、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；

39、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；

40、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。