基于非监督机器学习的CNG加气子站异常加气行为识别方法技术

本发明专利技术涉及大数据分析技术领域，属于压缩天然气加气分析技术，尤其是一种基于非监督机器学习的CNG加气子站异常加气行为识别方法，包括如下步骤：步骤1：数据预处理，将原始CNG加气子站加气日志导入分析系统；步骤2：描述加气行为的特征变量选择与构造；步骤3：加气行为特征变量间关系的可视化；步骤4：异常加气行为的识别；步骤5：异常加气行为的原因挖掘；步骤6：减少异常加气行为的方案。

Recognition method of abnormal filling behavior of CNG filling sub station based on unsupervised machine learning

The invention relates to the technical field of big data analysis, belonging to compressed natural gas filling analysis technology, in particular to a CNG filling sub station abnormal gas filling behavior recognition method based on unsupervised machine learning, which comprises the following steps: Step 1: data preprocessing, importing the original CNG filling sub station gas filling log into the analysis system; step 2: feature variable selection and structure describing gas filling behavior; Step 3: visualization of the relationship between characteristic variables of gas filling behavior; step 4: identification of abnormal gas filling behavior; step 5: cause mining of abnormal gas filling behavior; step 6: scheme to reduce abnormal gas filling behavior.

【技术实现步骤摘要】
基于非监督机器学习的CNG加气子站异常加气行为识别方法
本专利技术涉及大数据分析
，属于压缩天然气加气分析技术，尤其是一种基于非监督机器学习的CNG加气子站异常加气行为识别方法。
技术介绍
天然气经过压缩(20-25MPa)存储在高压钢瓶中而形成压缩天然气(Compressednaturalgas，CNG)。CNG因其环保优势和相对汽油柴油等具有的价格优势而受到政府部门推荐和用户的偏好。以天然气汽车为例，相较于传统燃油汽车其排放物更为环保；而对于新能源汽车，其相较于氢燃料汽车成本更为低廉，技术更为成熟，使用更为安全，而相较于电动汽车其燃料补给更为便利，因此具有更为广阔的发展前景。目前，CNG加气子站是国内建站的主要模式，其气源通过转运车由城市附近的母站提供，之后再由加气子站加注至相应的天然气车辆内。但由于目前加气效率的限制，其相较于传统燃油汽车的燃料加注需要更长的时间，子加气站的单位时间内服务的车辆少，运营成本高，进而导致了子加气站的数量少。在高峰时段，天然气汽车需要排队等待2-3小时才能充气，这降低了天然气汽车使用者的用户体验，增加天然气汽车使用者的时间成本，形成了恶性循环，阻碍着天然气车辆保有量的增加。因此，如何提高CNG加气子站的加气效率，同时降低加气子站的运营成本，是目前扩大中国天然气汽车产业待解决的紧迫问题之一。基于数据挖掘的方法，申请人已于2017年申请过申请号为“2017102455457”的专利申请，但关于加气行为中异常行为的时别、异常行为原因分析及减少异常行为的方案等，则还未见有关文献发表。异常行为检测的目标是发现和大部分其他加气行为不同的加气行为。在数据的散布图中，异常数据远离其他数据，故异常行为又常称为离群行为。CNG加气子站的异常加气行为不但降低CNG加气子站加气效率，还影响加气子站正常加气行为的分析。因此，有必要对异常加气行为进行挖掘，识别出哪些加气行为属于异常加气行为，并找出这些异常加气行为产生的原因。通过减少或杜绝异常加气行为，可以提高CNG加气子站的加气效率，从而助力CNG加气子站的节能降耗。为此申请人基于上述设计要求和目的提出本次关于“基于非监督机器学习的CNG加气子站异常加气行为识别方法”的专利申请。
技术实现思路
针对现有技术中存在的不足，本专利技术的目的在于提供一种本专利技术提供一种基于非监督机器学习的CNG加气子站异常加气行为识别方法，该方法用于CNG加气子站异常加气行为的识别、原因分析，并给出减少异常加气行的方案，从而实现减少异常加气行为发生概率，达成提CNG加气子站的加气效率，降低运营成本的目的。本专利技术采取的技术方案是：基于非监督机器学习的CNG加气子站异常加气行为识别方法，其特征在于：包括如下步骤：步骤1：数据预处理，将原始CNG加气子站加气日志导入分析系统；步骤2：描述加气行为的特征变量选择与构造；步骤3：加气行为特征变量间关系的可视化；步骤4：异常加气行为的识别；步骤5：异常加气行为的原因挖掘；步骤6：减少异常加气行为的方案。进一步的，所述步骤2包括：2。1基于信息熵的定义，计算各特征变量的信息熵；2。2根据信息熵的值的大小，并结合特征变量间相关性分析和物理过程分析，选出特征变量；2。3结合实际需求，构造新的描述加气行为的特征变量；2。4特征变量的分类。进一步的，所述步骤3包括：3。1特征变量的散点图矩阵：基于所选择和构造的加气行为特征变量，通过散点图矩阵将这些变量的关系可视化；3。2特征变量评价：结合特征变量的散点图矩阵、加气行为的物理过程和提高加气效率的目的，选择最终的特征变量。进一步的，所述步骤4包括：4。1基于单变量的异常加气行为识别：基于单变量包括加气体积、加气前压强、加气后压强和加气时间间隔，利用迭代boxplot方法和核密度估计方法识别该单变量表述的加气行为是否为异常行为；4。2基于多变量的异常加气行为识别；4。2。1基于双变量的异常加气行为识别；基于多属性的异常行为挖掘方法主要借助支持向量机即SVM、椭圆包络线拟合即Fittinganellipticenvelope、孤立森林即IsolationForest和局部异常因子即LocalOutlierFactor，通过比较这四种非监督机器学习结果和基于单变量识别的结果，以及综合物理过程的分析等，获得四种方法中较好的识别方法；4。2。2基于三变量的异常加气行为识别；利用鲁棒协方差非监督异常行为方法对三变量描述的异常加气行为进行识别。进一步的，所述异常行为是指降低加气效率的加气行为。本专利技术的优点和积极效果是：1、本专利技术中，引入已获取的原始数据信息加载至数据库中，作为数据挖掘和对异常加气行为进行识别的基础。引入基于属性包括加气量v，开始加气时的压强pi和结束加气时的压强pf，以及构造压强变化值dp等变量。基于提高加气效率的目的，本专利技术定义的异常加气行为时加气量较少的加气行为。借助boxplot、鲁棒协方差等非监督机器学习方法对单变量描述的加气行为、双变量描述的加气行为和三变量描述的加气行为进行异常行为识别。2、本专利技术中，比较基于不同变量、利用不同方法识别的异常加气行为结果，分析这些识别结果的重叠书量，并对异常加气行为的原因进行分析。3、本专利技术中，基于异常加气行为识别结果和异常行为发生的原因分析结果，提出减少异常加气行为的方案，从而达成加气枪使用效率，减少加气汽车排队等待时间的目的。附图说明图1为本专利技术的流程图；图2天津某CNG加气子站2014年5月到7月加气行为流水号和存储号关系散点图；图3CNG加气子站加气行为基于v、pi、pf和dtcng的散点矩阵图；图4CNG加气子站加气行为基于v、dp和dtcng等时间间隔变量的散点矩阵图；图5CNG加气子站加气行为基于v、dp、dtcng和pi、pf等变量的散点矩阵图；图6CNG加气子站加气行为基于v的boxplot图及柱状图和概率密度函数估计曲线图；图7CNG加气子站加气行为基于pi的boxplot图及柱状图和概率密度函数估计曲线图；图8CNG加气子站加气行为基于pf的boxplot图及柱状图和概率密度函数估计曲线图；图9CNG加气子站加气行为基于dtcng的boxplot图及柱状图和概率密度函数估计曲线图；图10CNG加气子站加气行为加气时间长度dtcng部分异常值是记录错误导致的分析图；图11整个CNG加气子站加气行为时间间隔异常行为分析图；图12双变量v、dp描述的加气行为在设定异常行为比例为基于v单变量识别结果比例下的四种非监督异常行为机器学习方法识别结果图；图13双变量v、dp描述的加气行为在设定异常行为比例为基于pf单变量识别结果比例下的四种非监督异常行为机器学习方法识别结果图；图14局本文档来自技高网...

【技术保护点】
1.基于非监督机器学习的CNG加气子站异常加气行为识别方法，其特征在于：包括如下步骤：/n步骤1：数据预处理，将原始CNG加气子站加气日志导入分析系统；/n步骤2：描述加气行为的特征变量选择与构造；/n步骤3：加气行为特征变量间关系的可视化；/n步骤4：异常加气行为的识别；/n步骤5：异常加气行为的原因挖掘；/n步骤6：减少异常加气行为的方案。/n

【技术特征摘要】
1.基于非监督机器学习的CNG加气子站异常加气行为识别方法，其特征在于：包括如下步骤：
步骤1：数据预处理，将原始CNG加气子站加气日志导入分析系统；
步骤2：描述加气行为的特征变量选择与构造；
步骤3：加气行为特征变量间关系的可视化；
步骤4：异常加气行为的识别；
步骤5：异常加气行为的原因挖掘；
步骤6：减少异常加气行为的方案。


2.根据权利要求1所述的基于非监督机器学习的CNG加气子站异常加气行为识别方法，其特征在于：所述步骤2包括：
2。1基于信息熵的定义，计算各特征变量的信息熵；
2。2根据信息熵的值的大小，并结合特征变量间相关性分析和物理过程分析，选出特征变量；
2。3结合实际需求，构造新的描述加气行为的特征变量；
2。4特征变量的分类。


3.根据权利要求1所述的基于非监督机器学习的CNG加气子站异常加气行为识别方法，其特征在于：所述步骤3包括：
3。1特征变量的散点图矩阵：
基于所选择和构造的加气行为特征变量，通过散点图矩阵将这些变量的关系可视化；
3。2特征变量评价：
结合特征变量的散点图矩阵、加气行为的物理过程和提高...

【专利技术属性】
技术研发人员：李阳，卫勇，赵玉连，吴海云，孙金辉，靳登超，
申请(专利权)人：天津农学院，
类型：发明
国别省市：天津;12