基于自適應模糊聚類的冶金能源數(shù)據(jù)異常檢測.pdf

1、冶金工業(yè)能源系統(tǒng)結(jié)構(gòu)復雜、能源介質(zhì)種類繁多、涉及設(shè)備種類多，現(xiàn)場數(shù)據(jù)對能源系統(tǒng)的安全性與穩(wěn)定性有重要的指導意義。然而由于工業(yè)數(shù)據(jù)采集與監(jiān)測系統(tǒng)的不穩(wěn)定及易受干擾等特點，采集到的數(shù)據(jù)常存在異常，而異常數(shù)據(jù)的存在會影響基于數(shù)據(jù)的模型的建立效果，進而可能會對現(xiàn)場的能源系統(tǒng)平衡調(diào)度人員產(chǎn)生錯誤的引導。目前生產(chǎn)現(xiàn)場往往依靠操作人員的個人生產(chǎn)經(jīng)驗進行數(shù)據(jù)異常的判斷，而諸多形式的海量數(shù)據(jù)使得人工判斷方法變得不現(xiàn)實。
　　本文根據(jù)鋼鐵企業(yè)的能源系

2、統(tǒng)數(shù)據(jù)特性，將數(shù)據(jù)異常歸結(jié)為類周期數(shù)據(jù)趨勢異常與一般穩(wěn)定數(shù)據(jù)偏離點異常兩大類，提出基于自適應模糊聚類(Adaptive Fuzzy C-meansClustering，AFCM)的異常數(shù)據(jù)檢測方法。對于第一種數(shù)據(jù)趨勢異常，提出基于動態(tài)時間彎曲（Dynamic Time Warping，DTW）的序列伸縮方法，該方法在保持序列樣本間相似性對應關(guān)系的基礎(chǔ)上對劃分得到的樣本進行維度統(tǒng)一，然后結(jié)合AFCM進行異常檢測。對于第二種一般穩(wěn)定數(shù)據(jù)的偏

3、離點檢測，本文提出一種K最近鄰AFCM(K NearestNeighbors AFCM，KNN-AFCM)算法，該算法通過引入序列點鄰近值信息與樣本權(quán)重系數(shù)來檢測穩(wěn)定數(shù)據(jù)的局部異常。
　　為驗證所提方法的有效性，選取我國某鋼鐵企業(yè)能源系統(tǒng)中的實際數(shù)據(jù)進行驗證實驗。首先將本文所提方法與其它兩種方法進行對比實驗以驗證其檢測效果，之后討論了部分參數(shù)選取對檢測結(jié)果的影響。除此之外，針對第二種數(shù)據(jù)，通過實驗驗證了樣本權(quán)重系數(shù)的作用及必要性。