【摘 要】针对动力能监控系统出现异常检测数据的现状,分析了造成异常数据出现的原因,提出了基于数据挖掘的异常数据检测方案和基于神经网络的数据拟合方案,为动力能源监控系统能源消耗合理评价提供了科学依据和工具支撑.
【关 键 词】能源监控异常数据数据挖掘神经网络
在软件开发完成并投入使用后,由于多方面的原因,软件不能继续适应用户的要求.要延续软件的使用寿命,就必须对软件进行维护.软件的维护包括改进性维护、适应性维护、完善性维护和预防性维护4个方面.
1能源系统现状及拟合目的
从2011年8月份开始,滕州卷烟厂动力能源监控系统对压缩空气的真管计量数据进行数据采集时,出现异常监测数据,能源耗用累计量数据异常直接导致每天能源单消耗错误计算,造成空压气电比值精确度下降,从而影响正确的能源消耗评价.要达到能源监测数据综合、高效利用的目的,首先要求监控系统提供的监测数据是实时的和准确的.所以,实现压缩空气异常数据的准确检测和正确拟合势在必行.
2检测与拟合设计与措施的实施
通过构建基于数据挖掘的异常数据检测、拟合系统,实现压缩空气异常数据的准确检测和正确拟合.
有关论文范文主题研究: | 关于数据的论文范例 | 大学生适用: | 学院学士论文、在职研究生论文 |
---|---|---|---|
相关参考文献下载数量: | 61 | 写作解决问题: | 学术论文怎么写 |
毕业论文开题报告: | 标准论文格式、论文题目 | 职称论文适用: | 职称评定、职称评中级 |
所属大学生专业类别: | 学术论文怎么写 | 论文题目推荐度: | 优质选题 |
2.1数据预处理
为了方便进行数据拟合,我们采用最小-最大标准化方法对数据进行规范化处理.使得规范化后的数据属性在[0,1]之间.
经过数据预处理之后,首先建立SQLServer数据库并进行数据库连接,然后通过eclipse进行导入weka.
2.2系统概要设计
实现压缩空气异常数据准确检测和正确拟合,主要构建异常数据检测子系统和异常数据拟合子系统.
2.3系统详细设计
(1)规则生成模块
首先对历史监测数据进行数据预处理,将预处理之后的监测数据记录特征提取,进行聚类.
输入:初始数据集X等于{}ni等于1,聚类类别K;标记数据集;
输出:K个类别.
算法步骤:
1)通过利用标记数据集,初始化聚类中心:
2)重复以下步骤直到收敛:
a.分配聚类:重新分配数据到类,使得满足下列条件:
b.更新聚类中心:
c.更新迭代次数:.
(2)实时检测模块
采集后的数据,经预处理后根据规则生成模块提供的分类规则库,作为检测引擎的输入数据,检测引擎对数据进行监测之后,正常的数据不予处理,如果数据异常将提示预警,并将异常数据提交给异常数据拟合子系统.
压缩空气异常数据检测子系统的系统流程图如图1所示.
压缩空气异常数据拟合子系统,主要建立模型训练模块和数据拟合模块.其中训练模块由神经网络输入层、隐藏层和输出层组成,其结构如图2所示.
数据拟合模块使用从模型训练模块导出的数据拟合曲线方程,利用拟合曲线方程求解异常数据的正确值.
数据拟合神经网络三层节点表示为:输入节点xi,隐层节点yi,输出节点ok,对于隐层和输出层有以下公式:
对于输出层,有ok等于
对于隐层,有
式中,、分别为隐节点与输出节点、输入节点隐节点间的网络权值;、分别表示隐节点和输出节点的阈值.各层间的传递函数为Sigmoid函数,即
当网络输出与期望输出不等时,存在输出误差E,其计算公式为
式中,t,o分别为期望输出和网络的计算输出.
3实验分析
在实现动力能源监控系统压缩空气异常数据准确检测和正确拟合的实验中,我们将数据分为正常和异常两类数据,其中正常数据输出结果为0,异常数据输出结果为1.对2011年8月至2012年2月压缩空气监测数据进行聚类的结果如图3、4所示.
实验中采用神经网络算法对异常数据进行拟合,形成神经网络曲线拟合效果.
我们选数据进行数据验证,并对实验结果进行误差分析,实现了压缩空气异常数据的准确检测和正确拟合,达到了预期的效果.
4结语
通过数据挖掘聚类算法实现了对压缩空气异常监测数据的准确检测,通过神经网络算法实现了对压缩空气异常数据的正确拟合,其中数据检测准确率在99.1%以上,数据拟合准确率在98.2%以上,为动力能源监控系统中异常能源消耗合理评价提供了科学依据和工具支撑.