供熱管網(wǎng)運(yùn)行數(shù)據(jù)異常校正方法研究

郭佳昌， 蘭 蕓， 薛普寧，周志剛， 劉 京

(1.哈爾濱工業(yè)大學(xué)建筑學(xué)院，黑龍江哈爾濱150006；2.哈爾濱工業(yè)大學(xué)，寒地城鄉(xiāng)人居環(huán)境科學(xué)與技術(shù)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，黑龍江哈爾濱150006；3.中國中車長春軌道客車股份有限公司，吉林長春130062)

1 概述

21世紀(jì)的互聯(lián)網(wǎng)時代，信息化發(fā)展成為我國供熱行業(yè)發(fā)展和進(jìn)步的焦點(diǎn)，其中信息采集和傳輸已經(jīng)成為供熱系統(tǒng)不可或缺的一部分。但目前對于這樣海量的“大數(shù)據(jù)”，利用方式仍停留在簡單的統(tǒng)計(jì)分析階段，沒有讓這些數(shù)據(jù)體現(xiàn)真正的價值。供熱數(shù)據(jù)深度挖掘的實(shí)現(xiàn)，不僅對數(shù)據(jù)數(shù)量有所要求，數(shù)據(jù)質(zhì)量也必須有所保證，因此在供熱系統(tǒng)運(yùn)行數(shù)據(jù)庫中篩選異常數(shù)據(jù)，進(jìn)一步甄別數(shù)據(jù)異常的真?zhèn)?，研究?shù)據(jù)校正是實(shí)現(xiàn)供熱大數(shù)據(jù)真正價值的基礎(chǔ)，對于供熱“智能化”和“智慧化”發(fā)展有著重要的意義。本研究的目的在于探尋供熱管網(wǎng)數(shù)據(jù)采集系統(tǒng)上傳信息的數(shù)據(jù)校正方法，識別出其中含有的錯誤信息，并將其值修正至合理范圍。校正后的數(shù)據(jù)應(yīng)能夠更準(zhǔn)確地描述供熱管網(wǎng)實(shí)際運(yùn)行狀況，以便研究人員對數(shù)據(jù)進(jìn)行更深入的信息挖掘，獲得難以觀察的管網(wǎng)運(yùn)行規(guī)律，優(yōu)化調(diào)節(jié)方案以及診斷系統(tǒng)故障等。

在暖通空調(diào)領(lǐng)域，許多學(xué)者也開展了數(shù)據(jù)校正技術(shù)的研究。崔治國等人[1-2]提出了1種基于k-means聚類算法的空調(diào)運(yùn)行數(shù)據(jù)判別方法。Chen等人[3-5]則在研究空調(diào)系統(tǒng)冷水機(jī)組故障診斷問題時提出將小波分析用于數(shù)據(jù)去噪處理的方法。吳蔚沁[6]結(jié)合了閾值法和k-means算法進(jìn)行數(shù)據(jù)異常標(biāo)定和識別，采用KNN算法進(jìn)行異常修復(fù)，構(gòu)建了1套公共建筑能耗監(jiān)測數(shù)據(jù)校正方法。楊東雄[7]提出了1種基于BP神經(jīng)網(wǎng)絡(luò)和k-means聚類算法的誤差甄別方法。李思璐[8]則遵循著化工領(lǐng)域數(shù)據(jù)校正技術(shù)的發(fā)展路線，研究比較了3種非穩(wěn)態(tài)系統(tǒng)數(shù)據(jù)在線校正的方法，并得出了中值濾波法更適用于供熱管網(wǎng)數(shù)據(jù)的過失誤差偵破。

為了實(shí)現(xiàn)供熱管網(wǎng)中異常數(shù)據(jù)的校正，本文建立空間管網(wǎng)水力計(jì)算模型對運(yùn)行數(shù)據(jù)源進(jìn)行拓展，根據(jù)仿真所得數(shù)據(jù)源建立基于孤立森林的異常檢測模型以及基于BP神經(jīng)網(wǎng)絡(luò)的異常識別模型，對異常數(shù)據(jù)進(jìn)行替換。然后，基于訓(xùn)練后的模型對實(shí)際工程數(shù)據(jù)進(jìn)行驗(yàn)證。

2 研究方法

2.1 水力仿真模型模擬運(yùn)行數(shù)據(jù)集構(gòu)建

① 水力仿真模型

通過建立供熱管網(wǎng)的水力計(jì)算模型，可以仿真不同的運(yùn)行工況，由此獲得符合熱網(wǎng)運(yùn)行規(guī)律且完備合理的拓展數(shù)據(jù)集，可以為數(shù)據(jù)校正方法提供數(shù)據(jù)基礎(chǔ)和評估依據(jù)。

實(shí)際供熱系統(tǒng)是由熱源、供水管網(wǎng)、回水管網(wǎng)和熱力站(熱用戶)組成的空間管網(wǎng)。根據(jù)圖論理論，可以將其簡化為只包含管段和節(jié)點(diǎn)2類元素的有向連通圖。管段是管網(wǎng)中流量和管徑均不發(fā)生變化的管道。節(jié)點(diǎn)是管段的端點(diǎn)，也是一些管段的交點(diǎn)。恒定流動的供熱系統(tǒng)的水力工況滿足基爾霍夫第一定律(質(zhì)量守恒)和第二定律(能量守恒)，即與任一節(jié)點(diǎn)相關(guān)聯(lián)的所有管段的管段流量代數(shù)和等于該節(jié)點(diǎn)的節(jié)點(diǎn)流量，以及任一回路的管段壓降代數(shù)和為0?；诖?，可以構(gòu)建如下水力仿真模型[9]，見式(1)～(7)：

AG=Q

(1)

BΔP=0

(2)

ΔP=ΔPw-ΔPp

(3)

ΔPw=SGdiaaG

(4)

ΔPp=C0+C1G+C2GdiaaG

(5)

式中A——基本關(guān)聯(lián)矩陣，n-1行，b列。其中n表示供熱系統(tǒng)的節(jié)點(diǎn)數(shù)目，b表示管段數(shù)目

G——管段質(zhì)量流量列向量

Q——節(jié)點(diǎn)質(zhì)量流量列向量

B——獨(dú)立回路矩陣，b-n+1行，b列

ΔP——管段壓力降列向量

ΔPw——管段阻力損失列向量

ΔPp——水泵揚(yáng)程列向量

S——管段阻力特性系數(shù)對角矩陣

Gdiaa——管段質(zhì)量流量的絕對值對角矩陣

C0——水泵特性系數(shù)列向量

C1，C2——水泵特性系數(shù)對角矩陣

矩陣A中元素aij的取值為

(6)

矩陣B中元素bkj的取值為

(7)

② 運(yùn)行數(shù)據(jù)集的構(gòu)建

利用式(1)～(7)對3類運(yùn)行工況進(jìn)行水力仿真，研究不同工況下管段流量與節(jié)點(diǎn)壓力的變化特征。構(gòu)建供熱系統(tǒng)見圖1。該供熱系統(tǒng)是由1個熱源和6個熱力站構(gòu)成的環(huán)狀供熱系統(tǒng)，其中ni為節(jié)點(diǎn)名稱，P為熱源名稱，ui為熱力站名稱。管段數(shù)目b為25，節(jié)點(diǎn)數(shù)目n為14。管段的水流方向以及環(huán)路的方向見圖2。熱源及熱力站的設(shè)計(jì)參數(shù)包括設(shè)計(jì)流量、熱源內(nèi)部阻力損失以及管段設(shè)計(jì)阻力系數(shù)。供回水管段的設(shè)計(jì)參數(shù)包括管段長度、管段直徑、局部阻力折算系數(shù)以及管段設(shè)計(jì)阻力系數(shù)。供熱系統(tǒng)通常在熱源和各熱力站安裝有流量、壓力傳感器，因此，本文選取熱源質(zhì)量流量、供水壓力以及各熱力站一次側(cè)質(zhì)量流量、一次側(cè)供、回水壓力構(gòu)建運(yùn)行工況數(shù)據(jù)集。

圖1 供熱系統(tǒng)

圖2 算例平面圖

3類運(yùn)行工況指：熱源集中運(yùn)行調(diào)節(jié)、熱力站局部調(diào)節(jié)以及管網(wǎng)泄漏。

首先通過改變循環(huán)水泵調(diào)速比來模擬集中運(yùn)行調(diào)節(jié)方案。此外，在熱源集中運(yùn)行調(diào)節(jié)方案兩個相鄰階段之間，增添過渡調(diào)速比的工況，來模擬集中調(diào)節(jié)的過程。

改變熱力站阻力特性來模擬熱力站局部調(diào)節(jié)。對不同的管段和節(jié)點(diǎn)設(shè)定漏水率，來模擬節(jié)點(diǎn)與管段泄漏。對正常工況數(shù)據(jù)組替換其中某幾個(不超過5個)元素為隨機(jī)數(shù)，來模擬粗大誤差。添加的隨機(jī)誤差符合高斯分布。

2.2 基于孤立森林的數(shù)據(jù)異常檢測模型

① 用于孤立森林異常檢測模型的數(shù)據(jù)集構(gòu)建

采用2.1節(jié)中的數(shù)據(jù)集構(gòu)建方法，構(gòu)建管網(wǎng)模擬運(yùn)行數(shù)據(jù)集，稱為數(shù)據(jù)集A，包含4 349條數(shù)據(jù)記錄，每條數(shù)據(jù)記錄包含6個熱力站和熱源的管段質(zhì)量流量和供回水壓力共20個數(shù)據(jù)。其中有211條異常數(shù)據(jù)記錄，由于運(yùn)行工況變化導(dǎo)致的過程異常數(shù)據(jù)記錄共158條，隨機(jī)添加粗大誤差的測量異常數(shù)據(jù)記錄共53條。

② 孤立森林異常檢測模型

建立基于孤立森林的數(shù)據(jù)異常檢測模型可以從數(shù)據(jù)集中挖掘出異常的數(shù)據(jù)。孤立森林通過孤立對象來檢測異常，而不依賴任何距離和密度的測量和計(jì)算。它的算法選擇的是一種二叉樹結(jié)構(gòu)，稱為“孤立樹(iTree)”，異常對象易受孤立，因此更容易被隔離在孤立樹的根部附近，即終止路徑長度更短，而正常點(diǎn)更容易被隔離在孤立樹更深層。這就是使用此方法檢測異常的方法基礎(chǔ)[10]。根據(jù)模擬運(yùn)行數(shù)據(jù)集，以熱力站u1的所在管段質(zhì)量流量以及進(jìn)出口節(jié)點(diǎn)壓力為研究對象，其供熱運(yùn)行數(shù)據(jù)記錄4 349條，異常數(shù)據(jù)占比約5%。

從模擬運(yùn)行數(shù)據(jù)集中抽取每條數(shù)據(jù)中熱力站u1的管段質(zhì)量流量、入口節(jié)點(diǎn)壓力和出口節(jié)點(diǎn)壓力，構(gòu)成數(shù)據(jù)集B。

模型的構(gòu)建分為訓(xùn)練階段和評估階段。訓(xùn)練階段，先從數(shù)據(jù)集B中隨機(jī)抽取一部分?jǐn)?shù)據(jù)作為子采樣，用子采樣數(shù)據(jù)構(gòu)造孤立樹。子采樣大小φ為256[11]，孤立樹數(shù)量t為100，樣本污染率為10%。

評估階段，將數(shù)據(jù)集B作為待檢測的數(shù)據(jù)遍歷孤立樹，計(jì)算觀測對象在不同孤立樹的終止路徑長度，即樣本點(diǎn)從孤立樹的根節(jié)點(diǎn)到最后一片葉子節(jié)點(diǎn)所經(jīng)歷的邊的數(shù)量。然后集成所有樹，計(jì)算平均路徑長度，即樣本點(diǎn)經(jīng)歷所有孤立樹后終止路徑長度的平均值。最后對平均路徑長度歸一化處理后，得到該條記錄的異常分?jǐn)?shù)。最后將所有數(shù)據(jù)記錄按照異常分?jǐn)?shù)從高到低排列，把異常分?jǐn)?shù)較高的440條數(shù)據(jù)記錄列為可疑數(shù)據(jù)對象，進(jìn)一步探究其異常形成機(jī)制。

對于孤立森林算法模型的評價采用受試者工作特性曲線，簡稱ROC曲線[12]，見圖3。它是以誤診率(FPR)為橫坐標(biāo)，真正類率(TPR)為縱坐標(biāo)，其中TPR反映的是在所有實(shí)際為異常的樣本中，被正確地判斷為異常的比率。FPR反映的是在所有實(shí)際為正常的樣本中，被錯誤地判斷為異常的比率。ROC曲線是通過改變異常分?jǐn)?shù)的分?jǐn)?shù)線生成的。ROC曲線上面的每一個點(diǎn)對應(yīng)的是一個特定的異常分?jǐn)?shù)線，高于異常分?jǐn)?shù)線的記錄，認(rèn)為是異常數(shù)據(jù)，反之則為正常數(shù)據(jù)。ROC曲線越靠近左上角說明分類模型的準(zhǔn)確性越好。

圖3 基于孤立森林的異常檢測模型的ROC曲線

AUC值的定義為ROC曲線下的面積，一般為0.5～1。不同分類模型的ROC曲線可能交叉，難以比較分類結(jié)果優(yōu)劣，用AUC值可以更直觀地獲知哪個模型的分類效果更好。模擬運(yùn)行數(shù)據(jù)集采用孤立森林方法分類后計(jì)算得AUC值為0.978，說明建立的模型對于異常檢測的分類效果很好。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)異常分類模型

建立基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)異常分類模型，可以對經(jīng)過異常檢測模型獲得的懷疑對象，進(jìn)一步探究其背后的異常機(jī)制，以篩選出非供熱管網(wǎng)因素導(dǎo)致的真正的異常。BP神經(jīng)網(wǎng)絡(luò)處理模式識別問題從數(shù)學(xué)本質(zhì)上來講就是構(gòu)建一種輸入與輸出之間的映射，而映射關(guān)系無需明確的數(shù)學(xué)表達(dá)，神經(jīng)網(wǎng)絡(luò)模型通過對訓(xùn)練樣本的學(xué)習(xí)，掌握其中的映射關(guān)系，測試樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型就可以得到正確的輸出結(jié)果[13]。

本文采用含有3隱層的5層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸入層代表數(shù)據(jù)入口，負(fù)責(zé)接收輸入數(shù)據(jù)，輸出層代表模型出口，負(fù)責(zé)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果輸出。隱層連接輸入層與輸出層，對輸入向量進(jìn)行特征提取，坐標(biāo)變換后構(gòu)成新的向量傳遞至輸出層決策輸出結(jié)果。參數(shù)更新過程中，加入一個新的參數(shù)η，稱為學(xué)習(xí)率，學(xué)習(xí)率在接近最優(yōu)值過程中不斷減小，則網(wǎng)絡(luò)可以收斂到最優(yōu)點(diǎn)附近更小的區(qū)域。本文中采用指數(shù)減緩的措施調(diào)整學(xué)習(xí)率，初始學(xué)習(xí)率設(shè)置為0.01[10]。

選取熱力站u1與鄰近熱力站u2和u4以及熱源P為觀測點(diǎn)，將非正常運(yùn)行工況下或者含有隨機(jī)添加粗大誤差的情況下，與正常運(yùn)行工況相比的節(jié)點(diǎn)供、回水壓力變化率和所在管段的質(zhì)量流量變化率作為神經(jīng)網(wǎng)絡(luò)的輸入，其中熱源回水壓力作為定壓點(diǎn)，取0，因此輸入層節(jié)點(diǎn)數(shù)為4個觀測點(diǎn)的3組數(shù)據(jù)共12個。對于隱層節(jié)點(diǎn)數(shù)的確定原則是[10]：在滿足誤差精度要求的前提下采用盡可能簡單的結(jié)構(gòu)，即隱層節(jié)點(diǎn)數(shù)盡可能地小，本文中根據(jù)模型復(fù)雜程度取經(jīng)驗(yàn)值。神經(jīng)網(wǎng)絡(luò)的輸出層具有一個輸出單元，輸出的是數(shù)據(jù)異常模式編碼，輸出編碼與異常模式的對應(yīng)規(guī)則見表1。故本神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5層神經(jīng)網(wǎng)絡(luò)，各層節(jié)點(diǎn)數(shù)為：12、10、10、5、1。為了避免不必要的數(shù)值問題并加速網(wǎng)絡(luò)的迭代收斂過程，對神經(jīng)網(wǎng)絡(luò)的輸入與輸出數(shù)據(jù)進(jìn)行歸一化處理。本文中神經(jīng)網(wǎng)絡(luò)輸入的數(shù)據(jù)均采用相對變化率的無量綱數(shù)，輸出則是整數(shù)數(shù)值，因此采用最大-最小標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)行歸一化處理。本文選用ReLU函數(shù)作傳遞函數(shù)，權(quán)值初始化方法采用MSRA初始化。誤差函數(shù)選擇交叉熵函數(shù)。

表1 神經(jīng)網(wǎng)絡(luò)輸出編碼規(guī)則

神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)樣本集的構(gòu)造方法同2.1節(jié)，異常模式為1、2、3、4的數(shù)據(jù)組數(shù)分別為60、528、528、200,將該數(shù)據(jù)集稱為數(shù)據(jù)集C。對200組正常工況水力計(jì)算結(jié)果，隨機(jī)添加粗大誤差并計(jì)算變化率，構(gòu)造異常模式為4的數(shù)據(jù)樣本。取各類異常模式數(shù)據(jù)總量的70%構(gòu)成訓(xùn)練集，剩余30%做測試集。

對測試集的分類結(jié)果在200次迭代計(jì)算中誤差不斷減小，經(jīng)過150次迭代后計(jì)算已經(jīng)收斂，迭代誤差精度小于1×10-9，滿足計(jì)算要求。4種異常模式的分類正確率均達(dá)到90%以上，說明模型訓(xùn)練成功，異常分類性能良好。

對2.2節(jié)u1熱力站測試數(shù)據(jù)經(jīng)過孤立森林異常檢測輸出的440條異常數(shù)據(jù)記錄，從模擬運(yùn)行數(shù)據(jù)集中調(diào)取對應(yīng)的熱源、u2和u4熱力站的數(shù)據(jù)記錄，計(jì)算各參數(shù)的變化率，構(gòu)成u1熱力站異常分類模型驗(yàn)證集，稱為數(shù)據(jù)集D。

將驗(yàn)證集輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行異常分類，驗(yàn)證集的分類正確率結(jié)果見表2，總體分類正確率為90.3%，與測試樣本集上模型分類的效果相比有所降低，說明模型將所學(xué)應(yīng)用到新的環(huán)境條件時分類結(jié)果有所偏差，但總體達(dá)到90%以上，可以滿足工程需求。

表2 神經(jīng)網(wǎng)絡(luò)模型在驗(yàn)證集上的分類正確率

2.4 異常數(shù)據(jù)均值替換

對異常模式為4的異常數(shù)據(jù)進(jìn)行替換就可以完成數(shù)據(jù)校正所有步驟。因?yàn)楣嵯到y(tǒng)穩(wěn)定運(yùn)行在某個工況時，管網(wǎng)各處的水力參數(shù)觀測值在時間序列上也是穩(wěn)定或者圍繞真值小幅度波動的，因此，異常值前后時刻的數(shù)據(jù)對于需要替換的異常值具有很大的參考價值。因此選取異常值所在序列前后各5個鄰近序列的數(shù)據(jù)記錄，計(jì)算各屬性的平均值替換異常數(shù)據(jù)。

3 基于實(shí)際熱網(wǎng)數(shù)據(jù)源的數(shù)據(jù)校正方法應(yīng)用

3.1 實(shí)際熱網(wǎng)數(shù)據(jù)源組成

以某一實(shí)際集中供熱系統(tǒng)驗(yàn)證該數(shù)據(jù)校正方法。該供熱系統(tǒng)包含1個供熱首站和54個熱力站。研究對象選用編號為15的草埠站數(shù)據(jù)進(jìn)行校正，熱力站所在的局部管網(wǎng)拓?fù)浣Y(jié)構(gòu)見圖4。數(shù)據(jù)記錄以小時計(jì)，從2017-11-15至2018-02-03共取得1 944組。選取圖中東軫站和銀海熙岸站兩處熱力站為觀測對象，用于BP神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練基于BP神經(jīng)網(wǎng)絡(luò)的異常分類模型時，由于供暖期數(shù)據(jù)采集時間較短，所獲取的數(shù)據(jù)集中包含的工況變化較少，為了驗(yàn)證本文中提出的數(shù)據(jù)校正方法的有效性，此處按照2.1節(jié)人工數(shù)據(jù)集的拓展方法，隨機(jī)添加管網(wǎng)非正常運(yùn)行工況水力仿真結(jié)果至原始數(shù)據(jù)，拓展后的數(shù)據(jù)集共包含數(shù)據(jù)記錄1 994條。

圖4 供熱管網(wǎng)局部拓?fù)浣Y(jié)構(gòu)

3.2 數(shù)據(jù)校正方法應(yīng)用

將1 994組數(shù)據(jù)中草埠站供回水壓力以及質(zhì)量流量作為待檢測的數(shù)據(jù)輸入孤立森林異常檢測模型。異常檢測模型參數(shù)設(shè)置為：樣本污染率為10%，子采樣規(guī)模大小φ為256，iTree數(shù)目t為100。根據(jù)模型給出的異常分?jǐn)?shù)排序，認(rèn)為異常數(shù)據(jù)得分前40位的數(shù)據(jù)為異常數(shù)據(jù)。

按照2.1節(jié)中的方法構(gòu)造該管網(wǎng)系統(tǒng)的水力仿真模型，并構(gòu)造模擬運(yùn)行數(shù)據(jù)集，包含熱力站局部調(diào)節(jié)工況數(shù)據(jù)200組、熱源集中調(diào)節(jié)工況數(shù)據(jù)60組、泄漏故障工況數(shù)據(jù)187組、測量異常工況數(shù)據(jù)30組，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集?；贐P神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)分類模型中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與參數(shù)設(shè)置為：5層(含3隱層)神經(jīng)網(wǎng)絡(luò)，各層節(jié)點(diǎn)數(shù)為9、10、10、5、1，學(xué)習(xí)率η變化范圍0.000 1～0.01，最高迭代次數(shù)為200。對孤立森林模型識別出的40組異常數(shù)據(jù)，補(bǔ)充加入對應(yīng)的東軫站和銀海熙岸站對應(yīng)供回水壓力和質(zhì)量流量，計(jì)算各參數(shù)變化率，構(gòu)成測試數(shù)據(jù)集輸入訓(xùn)練好的模型。草埠站及觀測站運(yùn)行數(shù)據(jù)異常分類后部分分類結(jié)果見表3。經(jīng)人工核驗(yàn)，模型總體分類正確率達(dá)92.8%。

表3 草埠站及觀測站運(yùn)行數(shù)據(jù)異常檢測后部分分類結(jié)果

異常數(shù)據(jù)的替換基于數(shù)據(jù)在時間序列上的關(guān)聯(lián)性，剔除異常值后，采用異常檢測結(jié)果為正常的數(shù)據(jù)序列中前后各5個時刻的均值填充該時刻的數(shù)據(jù)記錄(包括供回水壓力和質(zhì)量流量等所有屬性)。表4中異常分類結(jié)果為4的數(shù)據(jù)為管網(wǎng)原始數(shù)據(jù)，其他異常分類結(jié)果的數(shù)據(jù)均為人工添加的異常數(shù)據(jù)。因此草埠站運(yùn)行數(shù)據(jù)發(fā)生了測量異常。數(shù)據(jù)記錄進(jìn)行異常替換部分結(jié)果見表4。

表4 草埠站異常數(shù)據(jù)替換部分結(jié)果

續(xù)表4

將部分校正結(jié)果同原始數(shù)據(jù)對比，其中質(zhì)量流量對比見圖5～圖6。數(shù)據(jù)校正方法對錯誤數(shù)據(jù)的甄別效果很好，獲得合理的流量和壓力運(yùn)行曲線，說明了數(shù)據(jù)校正方法的可行性和有效性。

圖5 草埠站一次側(cè)供水質(zhì)量流量原始數(shù)據(jù)

圖6 草埠站一次側(cè)供水質(zhì)量流量經(jīng)校正數(shù)據(jù)

4 結(jié)論

① 利用水力計(jì)算模型的多工況仿真結(jié)果拓展數(shù)據(jù)源進(jìn)行數(shù)據(jù)異常校正是可行的方法。

② 供熱管網(wǎng)數(shù)據(jù)校正方法關(guān)鍵在于異常數(shù)據(jù)的處理，提出3步法：數(shù)據(jù)異常檢測、數(shù)據(jù)異常分類、異常數(shù)據(jù)替換，構(gòu)建的異常檢測模型和分類模型是高效可行的。

③ 對實(shí)際供熱管網(wǎng)上傳的運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)校正實(shí)踐，結(jié)果表明提出的數(shù)據(jù)校正方法具有實(shí)用性。