System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于大气监测,具体而言涉及一种pm2.5监测设备数据异常识别方法、装置、介质及设备。
技术介绍
1、微站的数据审核用于识别微站异常数据,将正常环境中由于污染源排放,区域传输造成的pm2.5数据升高与设备异常,人为干扰等因素造成的pm2.5数据异常区分开来,按方法常见可分为基于数据的异常判断和基于设备状态和参数的异常状态。其中,后者基于微站、微站设备、周边摄像头,乃至人工运维过程中记录的传感器状态,根据监控情况,人为操作记录等判断微站设备是否正常(例如:摄像头监控、人工巡检发现周边有人为通过洒水车喷水造成数据异常、或设备传感器监测到进气口流量降低,人工检查发现有柳絮堵塞入气口等)。前者则单纯基于微站设备监测数据自身、以及部分其他监测数据,仅从数据角度进行数据异常判断,包含从简单阈值判断到复杂算法在内的多种实现方式(例如:微站与周边微站相比小时pm2.5浓度测值差值超过阈值或微站数据低于绝对阈值且湿度参数异常高)。
2、常规异常数据识别审核中,主要基于点位硬件设备数据信息(或其他额外信息),点位与周边点位数据比较来判断数据是否异常需审核,很多情况下,此类基于数据本身的异常识别方式无法识别一些比较微妙的数据异常,或者无法将数据异常与局地由于确实存在的污染准确分辨出来。
3、其次,由常理可知pm2.5浓度必定小于pm10浓度,因此若单点位两者倒挂,则必然至少一者异常,但如果一片区域内一些点位只监测pm2.5,另一些点位只监测pm10,则两者之间的关系是否正常无法识别,现有技术也无法利用这些数据进行异常识
4、综上,现有技术中对于pm2.5监测站点数据异常识别存在识别精度低的问题需要解决。
技术实现思路
1、鉴于上述的分析,本专利技术实施例为了解决现有技术中对于pm2.5监测站点数据异常识别存在识别精度低的问题。
2、本专利技术提供一种pm2.5监测设备数据异常识别方法,包括以下步骤:
3、s1、基于目标pm2.5微站点位的地理位置和历史数据确定相关点位集合,所述相关点位集合包括若干周边pm2.5微站点位;
4、s2、将待识别数据的时间标定为目标小时,根据目标小时确定第一周期和第二周期,所述第一周期包括目标小时之前的x个小时,所述第二周期包括目标小时以及目标小时之前的x-1个小时;
5、s3、计算所述相关点位集合中的各周边pm2.5微站点位各自的第一周期历史数据与所述目标pm2.5微站点位的第一周期历史数据的第一相关性,若所述第一相关性大于第一预设阈值,则将对应的所述周边pm2.5微站点位加入对比点位集合;
6、s4、根据对比点位集合中各所述周边pm2.5微站点位对应的第一相关性获取第一特征值;
7、s5、计算所述对比点位集合中的各周边pm2.5微站点位各自的第二周期历史数据与所述目标pm2.5微站点位的第二周期历史数据的第二相关性,根据各所述第二相关性获取第二特征值;
8、s6、若所述第一特征值和所述第二特征值之间的差值大于第二预设阈值,则将目标pm2.5微站点位在目标小时的数据标定为异常数据。
9、在一些实施例中,步骤s1包括:
10、s11、获取所述目标pm2.5微站点位为中心,5~20千米半径内的周边pm2.5微站点位作为第一点位集合;
11、s12、计算第一点位集合中各所述周边pm2.5微站点位各自的第三周期历史数据与所述目标pm2.5微站点位的第三周期历史数据的第三相关性,若第三相关性大于第三预设阈值,则将对应的所述周边pm2.5微站点位加入相关点位集合。
12、在一些实施例中,所述第三周期包括目标小时之前的n天,其中n大于30,x的取值为10~48。
13、在一些实施例中,所述第一相关性、第二相关性和所述第三相关性的计算公式均可表示为:
14、
15、其中,xmk表示相关点位集合、对比点位集合或者第一点位集合中的第m个周边pm2.5微站点位的第k个历史数据,xak为目标pm2.5微站点位的第k个历史数据,p为历史数据总小时数,为第m个周边pm2.5微站点位的历史数据均值,为目标pm2.5微站点位的历史数据均值,r表示第一相关性、第二相关性或者第三相关性。
16、在一些实施例中,第一预设阈值的取值介于0.85~0.95,第二预设阈值的取值介于0.02~0.05。
17、在一些实施例中,还包括:s7、基于所述目标pm2.5微站点位周边的pm10微站点位的历史数据与目标pm2.5微站点位的历史数据的相关性判别所述目标pm2.5微站点位的数据异常性,包括:
18、s71、根据所述目标pm2.5微站点位的地理位置和历史数据确定pm10相关点位集合,所述pm10相关点位集合包括若干周边pm10微站点位;
19、s72、计算pm10相关点位集合中各周边pm10微站点位的第一周期历史数据与所述目标pm2.5微站点位的第一周期历史数据的第四相关性,若所述第四相关性大于第四预设阈值,则将对应的所述周边pm10微站点位加入pm10对比点位集合;
20、s73、根据pm10对比点位集合中各所述周边pm10微站点位对应的第四相关性获取第四特征值;
21、s74、计算所述对比点位集合中的各周边pm10微站点位各自的第二周期历史数据与所述目标pm2.5微站点位的第二周期历史数据的第五相关性,根据各所述第五相关性获取第五特征值;
22、s75、若所述第四特征值和所述第五特征值之间的差值大于第五预设阈值,则将目标pm2.5微站点位在目标小时的数据标定为异常数据。
23、在一些实施例中,步骤s71包括:
24、s711、获取所述目标pm2.5微站点位为中心,5~20千米半径内的周边pm10微站点位作为第二点位集合;
25、s712、计算第二点位集合中各所述周边pm10微站点位各自的第三周期历史数据与目标pm2.5微站点位的第三周期历史数据的第六相关性,若第六相关性大于第六预设阈值,则将对应的所述周边pm10微站点位加入所述pm10相关点位集合。
26、本专利技术还提供一种pm2.5监测设备数据异常识别装置,包括:
27、相关点位获取模块,基于目标pm2.5微站点位的地理位置和历史数据确定相关点位集合,所述相关点位集合包括若干周边pm2.5微站点位;
28、周期选取模块,将待识别数据的时间标定为目标小时,根据目标小时确定第一周期和第二周期,所述第一周期包括目标小时之前的x个小时,所述第二周期包括目标小时以及目标小时之前的x-1个小时;
29、对比点位获取模块,计算所述相关点位集合中的各周边pm2.5微站点位各自的第一周期历史数据与所述目标pm2.5微站点位的第一周期历史数据的第一相关性,若所述第一相关性大于第一预设阈值,则将对应的所述周边pm2.5微站点位加入对比点位集合;
...【技术保护点】
1.一种PM2.5监测设备数据异常识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的PM2.5监测设备数据异常识别方法,其特征在于:步骤S1包括:
3.根据权利要求2所述的PM2.5监测设备数据异常识别方法,其特征在于:所述第三周期包括目标小时之前的N天,其中N大于30,X的取值为10~48。
4.根据权利要求2所述的PM2.5监测设备数据异常识别方法,其特征在于:所述第一相关性、第二相关性和所述第三相关性的计算公式均可表示为:
5.根据权利要求1所述的PM2.5监测设备数据异常识别方法,其特征在于:第一预设阈值的取值介于0.85~0.95,第二预设阈值的取值介于0.02~0.05。
6.根据权利要求1所述的PM2.5监测设备数据异常识别方法,其特征在于,还包括:S7、基于所述目标PM2.5微站点位周边的PM10微站点位的历史数据与目标PM2.5微站点位的历史数据的相关性判别所述目标PM2.5微站点位的数据异常性,包括:
7.根据权利要求6所述的PM2.5监测设备数据异常识别方法,其特征在于:步骤
8.一种PM2.5监测设备数据异常识别装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的PM2.5监测设备数据异常识别方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的PM2.5监测设备数据异常识别方法。
...【技术特征摘要】
1.一种pm2.5监测设备数据异常识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的pm2.5监测设备数据异常识别方法,其特征在于:步骤s1包括:
3.根据权利要求2所述的pm2.5监测设备数据异常识别方法,其特征在于:所述第三周期包括目标小时之前的n天,其中n大于30,x的取值为10~48。
4.根据权利要求2所述的pm2.5监测设备数据异常识别方法,其特征在于:所述第一相关性、第二相关性和所述第三相关性的计算公式均可表示为:
5.根据权利要求1所述的pm2.5监测设备数据异常识别方法,其特征在于:第一预设阈值的取值介于0.85~0.95,第二预设阈值的取值介于0.02~0.05。
6.根据权利要求1所述的pm2.5监测设备数据异常识别方法,...
【专利技术属性】
技术研发人员:景宽,刘保献,沈秀娥,姜南,金萌,李海军,焦夕钰,袁建昭,张人太,
申请(专利权)人:北京市生态环境监测中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。