1 概述
2 异常表征空间
2.1 燃气涡轮流量计计量原理
2.2 定义异常表征空间
3 MML-IGMA模型分析
3.1 MML-IGMA模型理论分析
3.2 MML-IGMA模型应用分析
4 实验设计与结果分析
4.1 实验数据集及评价指标
4.2 结果分析
(1)历史数据集预处理分析
(2)DBSCAN聚类效果分析
(3) 梯度提升机识别分析
5 结语
文章摘要:燃气涡轮流量计在工况运行中，异常表征数据较少且部分异常表征与用户用气行为表征高度相似，使得燃气涡轮流量计的异常表征识别难度大。为此，本文提出一种结合机理分析与机器学习的燃气涡轮流量计异常表征识别模型MML-IGMA（Mechanism and Machine Learning to Identify Gas Meter Abnormity，结合机理分析与机器学习的燃气涡轮流量计异常识别）。该模型基于燃气涡轮流量计运行机理，定义异常表征空间并利用基于密度的聚类算法标签化异常表征空间内的可识别异常，再采用梯度提升机分类算法识别异常表征空间内的标签化样本。实验结果表明，在某陶瓷工业燃气用户一年工况历史数据上，MML-IGMA模型可以有效标签化异常表征并进行识别，识别精度可达97%。
文章关键词:
论文分类号:TU996