一种基于标准差和绝对离差中位数的烟气NOX浓度异常值处理方法

    公开(公告)号:CN111931132A

    公开(公告)日:2020-11-13

    申请号:CN202011033576.X

    申请日:2020-09-27

    IPC分类号: G06F17/18

    摘要: 本发明涉及一种基于标准差和绝对离差中位数的烟气NOX浓度异常值处理方法,包括:步骤1:采集n维历史SCR脱硝系统A侧烟气NOX浓度 的测量值序列和B侧烟气NOX浓度 的测量值序列,计算每一时刻和 的差值,n由历史正常数据量和数据实际要求而定;步骤2:计算n个A侧烟气NOX浓度 和B侧烟气NOX浓度 差值的均值和标准差。本发明的有益效果是:本发明为SCR系统进出口的NOX测量值存在异常的问题提供了一种新的处理方法,利用多测点的NOX测量值序列,通过基于标准差和绝对离差中位数的滤波方法对异常值进行处理,即得到可靠适用的烟气NOX浓度。该方法可利用相对简单的统计学方法处理烟气NOX浓度测量异常问题,并可进一步推广至其他测量异常问题。

    一种基于树状基学习器的混合特征数据聚类方法及系统

    公开(公告)号:CN114004271A

    公开(公告)日:2022-02-01

    申请号:CN202111073665.1

    申请日:2021-09-14

    IPC分类号: G06K9/62 G06N20/00

    摘要: 本发明属于混合特征数据集聚类技术领域,公开了一种基于树状基学习器的混合特征数据聚类方法及系统,其方法包括步骤:S1、对样本集进行随机子采样生成N个不同的子样本集;S2、对每个子样本集进行树状基学习器的训练,并得到训练完成后的N颗树以及聚类簇数量K;S3、基于训练完成后的N颗树,统计任意两个样本之间的相似度矩阵,并将所有相似度矩阵归一化,以得到多个归一化相似度矩阵;S4、将聚类簇数量K以及多个归一化相似度矩阵作为谱聚类模型的输入,以得到样本集最终的聚类结果。本发明设计了高纬度、混合特征情况下的数据聚类方法,可解决数据集维度过高以及连续特征和离散特征混合情况下无法明确定义相似性概念导致难以聚类的问题。

    一种二进制文件穿透反向隔离装置的序列化方法

    公开(公告)号:CN111800277A

    公开(公告)日:2020-10-20

    申请号:CN202010948233.X

    申请日:2020-09-10

    IPC分类号: H04L9/32 H04L29/08

    摘要: 本发明涉及一种二进制文件穿透反向隔离装置的序列化方法,包括:步骤1、外网侧发送程序读取磁盘上二进制格式文件的数据,得到二进制格式数据序列;步骤2、外网侧发送程序将二进制格式数据序列化为文本格式数据。本发明的有益效果是:本发明在保证生产控制区的安全性的前提下,打通生产控制区和信息区的数据反向通道,实现生产控制区对信息区数据的综合利用;提高发电厂信息数据的综合利用效果和数据价值;同时满足国家对电力监控系统安全防护的要求,保证了生产控制区的安全可靠的运行;可实现二进制文件穿透反向隔离装置,在电力系统的应用中,可在符合国家电力安全防护要求下在控制区和非控制区之间高效传递优化模型、优化参数等数据。

    一种基于标准差和绝对离差中位数的烟气NOX浓度异常值处理方法

    公开(公告)号:CN111931132B

    公开(公告)日:2020-12-22

    申请号:CN202011033576.X

    申请日:2020-09-27

    IPC分类号: G06F17/18

    摘要: 本发明涉及一种基于标准差和绝对离差中位数的烟气NOX浓度异常值处理方法,包括:步骤1:采集n维历史SCR脱硝系统A侧烟气NOX浓度的测量值序列和B侧烟气NOX浓度的测量值序列,计算每一时刻和的差值,n由历史正常数据量和数据实际要求而定;步骤2:计算n个A侧烟气NOX浓度和B侧烟气NOX浓度差值的均值和标准差。本发明的有益效果是:本发明为SCR系统进出口的NOX测量值存在异常的问题提供了一种新的处理方法,利用多测点的NOX测量值序列,通过基于标准差和绝对离差中位数的滤波方法对异常值进行处理,即得到可靠适用的烟气NOX浓度。该方法可利用相对简单的统计学方法处理烟气NOX浓度测量异常问题,并可进一步推广至其他测量异常问题。

    一种基于故障数据状态矩阵进行故障匹配和预警的方法

    公开(公告)号:CN110275879A

    公开(公告)日:2019-09-24

    申请号:CN201910410029.X

    申请日:2019-05-16

    摘要: 本发明涉及一种基于故障数据状态矩阵进行故障匹配和预警的方法,包括步骤:S1数据归一化处理:Z-score标准化方法,给予原始故障数据的均值和标准差进行数据的标准化;S2将故障数据样本向量计算出相似性距离;S3把故障数据样本向量按照相似性距离的大小进行排序,并按照样本向量选取的规则,选取相应的样本向量数目组成故障样本状态矩阵;S4把此组成的故障样本状态矩阵存入故障数据库中。本发明的有益效果是:本方案与传统的预警系统相比,另辟蹊径,建立故障数据状态矩阵,更加高效;本方案建立故障数据库,实现了数据的积累,为以后数据的利用提供更大的可能性;本方案故障数据状态矩阵的建立是有计算机来实现的,因此大大减少人为误差。