一种基于PERT算法及仪表用量分析的异常检测方法技术

一种基于PERT算法及仪表用量分析的异常检测方法，所述方法包括：收集每个仪表对应用户的用量数据值历史记录作为训练样本；将所述训练样本按照从小到大进行排序后得到训练样本数据集；取所述训练样本数据集中的中位数；通过PERT算法计算基准值和标准差；计算所述基准值与所述中位数之间差值的绝对值作为偏差量；设置标准差倍数；比较每个用户的标准差倍数乘以其标准差得到的数值与偏差量的大小，迭代获取模型基准值和模型标准差；根据所述模型基准值、所述模型标准差和所述标准差倍数，建立仪表用量异常检测模型；通过所述仪表用量异常检测模型对仪表显示的用户用量进行异常检测。

【技术实现步骤摘要】
一种基于PERT算法及仪表用量分析的异常检测方法
本申请涉及仪表数据异常检测
，尤其涉及一种基于PERT算法及仪表用量分析的异常检测方法。
技术介绍
近年来，随着智能仪表的广泛应用，尤其是水、气、电表等智能仪表多表合一系统的普及，综合多种功能仪表已经成为仪表业一个新的发展方向。并且伴随AI和区块链技术的发展，智能化仪表分析系统越来越成为主流发展方向。而根据客户的需求，智能反馈也成为增强客户体验感的一项重要指标。现有技术中常常由于未能及时发现智能仪表运行故障或这其他不易被察觉的原因，造成水、气、电等用量数据出现异常，给用户或管理水、气、电等能源的单位造成一定的损失。而且现有技术中由于智能仪表只要还在运行很难直接发现异常，直至累积到出现数据大幅度异常才能被发现，尤其是对于普通用户家用仪表或管路异常很难被发现。现有的异常检测手段匮乏，而且异常检测需要花费的人力、物力成本也高，通常出现大幅度数据异常才能检测到，容易漏报、误报异常情况造成损失。
技术实现思路
本申请提供了一种基于PERT算法及仪表用量分析的异常检本文档来自技高网...

【技术保护点】
1.一种基于PERT算法及仪表用量分析的异常检测方法，其特征在于，所述方法包括：/n收集每个仪表对应用户的用量数据值历史记录作为训练样本{X

【技术特征摘要】
1.一种基于PERT算法及仪表用量分析的异常检测方法，其特征在于，所述方法包括：
收集每个仪表对应用户的用量数据值历史记录作为训练样本{Xc}；
将所述训练样本{Xc}按照从小到大进行排序后得到训练样本数据集{Xsort}；
取所述训练样本数据集{Xsort}中的中位数Xmid；
通过PERT算法计算所述训练样本数据集{Xsort}的基准值X和标准差σ；
计算所述基准值与所述中位数Xmid之间差值的绝对值作为偏差量即
根据不同用户的用量习惯，设置不同的标准差倍数n；
比较每个用户的标准差倍数n乘以其标准差σ得到的数值与偏差量的大小，若则以所述基准值为模型基准值、所述标准差为模型标准差；
若则进行偏差值降噪，迭代获取模型基准值Xs和模型标准差σs；
根据所述模型基准值Xs、所述模型标准差σs和所述标准差倍数n，建立仪表用量异常检测模型；
通过所述仪表用量异常检测模型对仪表显示的用户用量进行异常检测。


2.根据权利要求1所述的一种基于PERT算法及仪表用量分析的异常检测方法，其特征在于，所述通过PERT算法计算所述训练样本数据集{Xsort}的基准值X和标准差σ，包括：
计算所述训练样本数据集{Xsort}中前20％的平均值
计算所述训练样本数据集{Xsort}中后20％的平均值
以为悲观值，以为乐观值，以所述训练样本数据集{Xsort}中间60％的值为运算值a，基准值X计算公式如下：



式中na为中间值的数目；
计算标准差


3.根据权利要求1所述的一种基于PERT算法及仪表用量分析的异常检测方法，其特征在于，所述若则进行偏差值降噪，迭代获取模型基准值和模型标准差，包括：
计算所述训练样本数据集{Xsort}中每一个值的偏差量若则该数据保留，若则该数据偏差过大作为过滤值清除；
重新梳理排序训练样本数据集{Xsort}中的数据，获取中位数；
迭代获取模型基准值和模型...

【专利技术属性】
技术研发人员：常兴智，张军，王佳琦，金鹏，陈梦君，郑海洋，余发荣，
申请(专利权)人：宁夏隆基宁光仪表股份有限公司，
类型：发明
国别省市：宁夏;64