时序数据分析在供热数据异常监测中的研究和应用

论文摘要

近年来,由于工业、金融、网络安全等领域的飞速发展,随时间而产生的时间序列数据广泛存在于各个领域。而数据的安全问题受到越来越多的重视,异常检测领域也受到了研究者的密切关注,异常检测就是通过数据挖掘分析来发现不符合正常定义的数据技术。我国供热领域能耗是资源能耗中最严重的一部分,因此应用到供热领域的异常监测可以更加合理的为供热系统提供有利信息,在达到最低供热要求的情况下,降低供热能耗。本文主要研究了基于偏差的异常监测方法,通过预测模型回归得到的拟合值与原始数据真实值相比较来确定异常。针对影响供热指标的自然因素如气象仪温度、气象仪日照、气象仪风速等,提出了一种基于LSTM神经网络模型的单维度异常监测方法,并对监测到的异常数据值提出了一种异常的判定方式,从而能对异常数据进行有效判定。对于供热系统运行时的多个参数比如锅炉房供水温度、锅炉房回水温度、锅炉房供水压力、锅炉房回水压力等提出了基于皮尔逊相关系数（PCC）与LSTM神经网络的多维度异常监测方法,对比了长短时记忆神经网络与改进的PCC-LSTM网络,通过实验表明PCC-LSTM模型的预测精度和模型的收敛速度较原始LSTM模型大有所提高,在PCC-LSTM模型的基础上进行了多维度的异常监测。最后为了确保多维度异常监测的准确性,提出了一种基于PCC-LSTM多维度异常监测与单维度异常监测阈值的对比方法,保证了异常检测的精准度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
•   1.1 论文研究背景和意义
•   1.2 国内外研究现状
•     1.2.1 时间序列相关研究
•     1.2.2 时间序列异常检测研究现状
•     1.2.3 供热领域时间序列的研究和现状
•   1.3 本文创新点
•   1.4 本文组织结构
• 2 时间序列异常相关技术概述
•   2.1 时间序列异常检测相关技术
•     2.1.1 时间序列的定义
•     2.1.2 时间序列异常值的概念及分类
•     2.1.3 时间序列异常点的检测方法
•   2.2 基于偏差的预测模型异常检测方法概述
•     2.2.1 传统时间序列预测模型
•     2.2.2 深度学习神经网络预测模型
•   2.3 本章小结
• 3 基于LSTM的单维度时间序列数据异常监测
•   3.1 概述
•   3.2 LSTM模型简介
•   3.3 基于LSTM模型的单维度时间序列异常检测
•     3.3.1 供热数据单维度序列异常检测
•     3.3.2 单维度异常点判定
•     3.3.3 实验设置与实验结果分析
•   3.4 本章小结
• 4 基于PCC-LSTM的多维度时间序列预测
•   4.1 概述
•   4.2 多维度供热数据分析
•   4.3 PCC-LSTM模型的构建
•     4.3.1 PCC降维
•     4.3.2 PCC-LSTM模型的构建
•   4.4 基于PCC-LSTM模型的多维度预测算法设计
•     4.4.1 数据采集和预处理
•     4.4.2 特征选择和PCC降维
•     4.4.3 LSTM网络模型的训练和测试
•     4.4.4 网络模型评价准则
•   4.5 实验数据集
•   4.6 实验结果及分析
•   4.7 本章小结
• 5 基于PCC-LSTM的时间序列多维度异常监测
•   5.1 异常判定标准
•   5.2 实验步骤与设置
•   5.3 基于PCC-LSTM的多维度异常监测与单维度对比监测异常
•   5.4 锅炉房压力多维度异常监测与单维度异常监测
•   5.5 本章小结
• 6 供热时序数据异常监测系统
•   6.1 系统设计
•   6.2 技术选用
•     6.2.1 MongoDB
•     6.2.2 Node.js
•     6.2.3 Vue和Element、LESS等前端环境配置
•   6.3 供热时序数据异常监测系展示
• 7 总结与展望
•   7.1 研究工作总结
•   7.2 展望
• 8 参考文献
• 9 攻读硕士学位期间论文发表情况
• 10 致谢

文章来源

类型: 硕士论文

作者: 张童

导师: 李孝忠,张野

关键词: 时间序列,供热领域,异常监测,神经网络

来源: 天津科技大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,建筑科学与工程

单位: 天津科技大学

分类号: TU995;O211.61

DOI: 10.27359/d.cnki.gtqgu.2019.000582

总页数: 59

文件大小: 4363K

下载量: 33