[發(fā)明專利]一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法

在審

• 申請?zhí)枺?/td>: 202211319098.8
• 申請日: 2022-10-26
• 公開（公告）號: CN115758189A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計）人: 張強(qiáng);徐文文;陳剛;李永克;高翔;丁兆亮;劉國棟;宿應(yīng)明
• 申請（專利權(quán)）人: 山東藍(lán)想環(huán)境科技股份有限公司
• 主分類號: G06F18/23213
• 分類號: G06F18/23213;G06F18/2411;G06Q50/06
• 代理公司: 山東華君知識產(chǎn)權(quán)代理有限公司 37300
• 代理人: 程靜靜

1.一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：包括以下步驟：

步驟一、采集現(xiàn)場相關(guān)運(yùn)行數(shù)據(jù)組成原始數(shù)據(jù)集；

步驟二、對數(shù)據(jù)進(jìn)行預(yù)處理；

步驟三、根據(jù)知識庫結(jié)合實際情況選取具有代表性的指標(biāo)量；

步驟四、指標(biāo)量選好之后，進(jìn)行k-means聚類，將聚類對象指標(biāo)量聚類為不同的分布簇并標(biāo)記，不同的簇表示不同的狀態(tài)；

步驟五、建立可優(yōu)化權(quán)重的多核支持向量機(jī)分類預(yù)測模型,將聚類的選取的狀態(tài)量以及聚類分布簇信息作為訓(xùn)練值代入構(gòu)建的狀態(tài)指標(biāo)量預(yù)測模型進(jìn)行訓(xùn)練，獲取穩(wěn)定的預(yù)測模型。

2.如權(quán)利要求1所述的一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：所述步驟一中收集循環(huán)水系統(tǒng)運(yùn)行過程中所產(chǎn)生的設(shè)備運(yùn)行數(shù)據(jù)、過程數(shù)據(jù)、環(huán)境數(shù)據(jù)、水質(zhì)數(shù)據(jù)組成原始數(shù)據(jù)集，其中每一列數(shù)據(jù)代表一個量。

3.如權(quán)利要求1所述的一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：所述步驟二中數(shù)據(jù)預(yù)處理包括缺失數(shù)據(jù)處理和數(shù)據(jù)標(biāo)準(zhǔn)化；

缺失數(shù)據(jù)處理是對由數(shù)據(jù)采集器故障或其他原因?qū)е碌牟糠謹(jǐn)?shù)據(jù)缺失進(jìn)行均值補(bǔ)全或刪除；

數(shù)據(jù)標(biāo)準(zhǔn)化是為了消除不同量級的數(shù)據(jù)對不同屬性數(shù)據(jù)產(chǎn)生的影響以及使數(shù)據(jù)適應(yīng)某些算法，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化采用min-max歸一化，將數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一的特征范圍；

所述數(shù)據(jù)標(biāo)準(zhǔn)化采用min-max歸一化，可表示為式（1）：

式（1）；

式中：—原始樣本數(shù)據(jù)被歸一化映射到[0,1]的值；—原始樣本數(shù)據(jù)；—樣本數(shù)據(jù)的最大值；—樣本數(shù)據(jù)的最小值。

4.如權(quán)利要求1所述的一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：所述步驟三中根據(jù)知識庫以及設(shè)備情況，選取能夠表示循環(huán)水系統(tǒng)運(yùn)行狀態(tài)的指標(biāo)記為狀態(tài)指標(biāo)量，運(yùn)用數(shù)據(jù)相關(guān)性分析和重要特征排名對預(yù)處理后的原始數(shù)據(jù)集進(jìn)行處理，找出與狀態(tài)指標(biāo)量有較強(qiáng)相關(guān)性的指標(biāo)量記為控制指標(biāo)量。

5.如權(quán)利要求4所述的一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：所述數(shù)據(jù)相關(guān)性分析就是挖掘數(shù)據(jù)與數(shù)據(jù)之間關(guān)系的手段，可以分析對象與對象之間的依存關(guān)系、相關(guān)程度或者二者的影響程度，狀態(tài)指標(biāo)量和控制指標(biāo)量之間為線性關(guān)系，利用皮爾遜相關(guān)系數(shù)γ來表述二者之間關(guān)系的程度，其定義如式（2）所示：

式（2）；

式中：—第i個樣本；—樣本的均值；—為第i個樣本；—為樣本的均值；

當(dāng)|γ|0.95，變量f和g存在顯著性相關(guān)；

當(dāng)|γ|≥0.8，變量f和g高度相關(guān)；

當(dāng)0.5≤|γ|0.8，變量f和g中度相關(guān)；

當(dāng)0.3≤|γ|0.5，變量f和g低度相關(guān)；

當(dāng)|γ|0.3關(guān)系極弱，變量f和g不相關(guān)；

當(dāng)γ0；變量f和g變化的方向相反，負(fù)相關(guān)；

當(dāng)γ=1或γ=-1,則變量f和g是函數(shù)關(guān)系；

當(dāng)-1γ1，則變量f和g是統(tǒng)計關(guān)系。

6.如權(quán)利要求4所述的一種循環(huán)水運(yùn)行狀態(tài)的數(shù)據(jù)識別方法，其特征在于：所述重要特征排名是通過極限梯度算法對控制指標(biāo)量進(jìn)行排名，極限梯度算法是在決策樹基礎(chǔ)上改進(jìn)的作為弱學(xué)習(xí)器的算法，其每個屬性特征的重要性分?jǐn)?shù)的計算公式如式（3）所示：

式（3）；

式中：—葉子節(jié)點(diǎn)（第j個屬性特征）的重要性分?jǐn)?shù)；—表示映射為葉子節(jié)點(diǎn)j的所有輸入樣本的一階導(dǎo)之和；—表示映射為葉子節(jié)點(diǎn)j的所有輸入樣本的二階導(dǎo)之和；—表示L2正則化系數(shù)；

通過極限梯度算法對其進(jìn)行重要性排名，選取最具代表性的子集。