(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111531199.7 (22)申请日 2021.12.14 (71)申请人 宁波可为数据技 术有限公司 地址 315100 浙江省宁波市 鄞州区潘火街 道宁创科技中心 2号1202-10室 (72)发明人 江芳芳　黄小芹　靳家欢　 (74)专利代理 机构 余姚德盛专利代理事务所 (普通合伙) 33239 代理人 戚秋鹏 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种水质异常识别方法及装置 (57)摘要 本发明公开了一种水质异常识别方法， 包括 以下步骤： A， 获取原始水质数据； B， 设置初始标 准差阈值和移动法分组数值； C， 确定异常变化开 始点； D， 确定异常变化的程度； E， 确定异常变化 结束点； F， 上报异常变化开始点、 异常变化的程 度和异常变化结束点， 并根据 异常变化的程度进 行告警。 本发明还公开了一种水质异常识别装 置。 本发明的可以识别 “晴天排放、 雨天排污 ”， 利 用算法参数的设定来控制分析精度， 通过对检测 值波动的变化的分析实现 “数据提纯 ”， 不但能过 滤掉设备误差、 偶然事件产生的个别异常值， 还 能准确识别 “晴天排放 ”， 以及“雨天排污 ”， 使算 法对排放事件的预警率能够达到9 0％以上， 提高 相关工作人员的效率。 权利要求书3页 说明书8页 附图5页 CN 114202209 A 2022.03.18 CN 114202209 A 1.一种水质异常识别方法， 其特 征在于， 所述方法包括以下步骤： A， 通过传感器获取 预先设定的时间段内的原 始水质数据； B， 将获取的原始水质数据按照 时序进行排序， 得到待测数据集， 并从所述待测数据集 中提取出非异常数据集， 根据所述非异常数据集设置初始标准差阈值和移动法分组数值； C， 计算所述待测数据集中相邻数值之间的标准差和分组数值的标准差和， 并将计算结 果与所述初始标准差阈值进行比较， 根据比较结果确定异常变化 开始点； D， 从所述异常变化开始点开始， 计算所述待测数据集中相邻数值之间的偏斜度， 得到 斜率值， 并根据所述 斜率值确定异常变化的程度； E， 计算与所述异常变化开始点斜率相反的数值对应的标准差和， 并将计算结果与所述 初始标准差阈值进行比较， 根据比较结果确定异常变化结束点； F， 上报所述异常变化开始点、 异常变化的程度和异常变化结束点， 并根据所述异常变 化的程度进行告警。 2.如权利要求1所述的水质异常识别方法， 其特征在于， 在所述步骤B中， 所述从待测数 据集中提取 出非异常数据集的过程包括： B1， 根据iForest算法识别所述待测数据集 中的异常点， 通过标记异常点反推非异常数 据集。 3.如权利要求2所述的水质异常识别方法， 其特 征在于， 在所述 步骤B1中， 具体包括： B11， 从时间t内随机选择n(n≤256)个 数据样本点构成子集Ωi,i∈1， 2， m， (m≤100)， 在 m个子集上构建树； B12， 设定特 征q＝水质参数 数据， 分割值p， 对子集Ωi进行二分裂； B13， 设定树高为1， 建树； B14， 依次建立m个树， 根据m个决策 数的平均深度定义 其是否异常； B15， 基于 定义异常结果， 反推非异常数据集D＝{x1， x2， ...， x(t‑n)}。 4.如权利要求3所述的水质异常识别方法， 其特 征在于， 在所述 步骤B14中， 具体包括： B141， 引入异常值 函数s(x， n)来衡量记录x是否为异常点： 其中， E(h(x) )为x在多棵树中的路径长度的期望值； c(n)＝2H(n ‑1)‑(2(n‑1)/n) H(*)＝In(*)+ξ 其中， c(n)是为一个包含n个样本的数据集， 树的平均路径长度， 用来标准化记录x的路 径长度； H(*)为调和数， ξ 为欧拉常数， 约为0.57 72156649； B142， 根据s(x， n)定义异常概率， 当E(h(x)) →c(n)， 时， 不能区分是不是异 常； 当E(h(x) )→0， 时， 判定为异常； 当E(h(x) )→n‑1， s→0时， 判定为 正常。 5.如权利要求3所述的水质异常识别方法， 其特征在于， 在所述步骤B中， 所述根据非异 常数据集设置初始标准差阈值和移动法分组数值的过程具体包括： B2， 从非异常数据集D＝{x1， x2， ...， x(t‑n)}， 确定所述非异常数据集D中的最小值和最大 值xmin与xmax， 计算xmin与xmax的标准差值σm， 基于传感器设备10％的数据重复性误差， 计算初权　利　要　求　书 1/3 页 2 CN 114202209 A 2始标准差阈值σs＝1.1*σm； B3， 设置移动法分组数值Group  Size＝y。 6.如权利要求5所述的水质异常识别方法， 其特 征在于， 所述 步骤C包括： C1， 基于初始设定的标准差阈值参数δs和移动法分组数值参数y， 计算相邻两个数值之 间的标准差 (xi与x(i‑1)为相邻两个数据， 且i≥2)； C2， 计算标准差σi值与初始标准差阈值σs的差σc： 当σc≥0时， xi则为异常值， 对应的时间节点ti标定为异常变化 开始点。 7.如权利要求6所述的水质异常识别方法， 其特 征在于， 在所述 步骤C中， 还 包括： C3， 当σc＜0时， 则xi为正常值， 将σi计入相邻分组数组内y个数值Dy＝{xi， x(i‑1)， ...， x(i‑y)}(1≤(i‑y)≤y)的标准差组σy＝{σi， σ(i‑1)， ...， σ(i‑y))}， 并计算标准差组σy内的标准 差和σd： σd＝σi+σ(i‑1)+...+σ(i‑y)； C4， 对比σd与σs之间的数值大小: 当σd≥σs， 即分组组数内标准差和超过初始标准差参数， 则xi为异常值， 对应的时间节 点ti标定为异常变化 开始点。 8.如权利要求7 所述的水质异常识别方法， 其特 征在于， 所述 步骤D具体包括： D1， 基于xi为异常值， 对应的时间节点ti标定为异常变化开始点， 根据公式 计算xi与x(i‑1)数值之间的偏斜度Si： D2， 确定异常变化的程度为|Si|。 9.如权利要求8所述的水质异常识别方法， 其特 征在于， 所述 步骤D还包括： D3， 获取天气参数， 将天气参数分为降水和非降水； D4， 根据所述天气参数和斜 率值， 确定异常变化的原因， 具体包括： 当天气参数为降水， 且Si＞0时， 确定异常变化的原因为上升异常， 为降水天排污， 排污 倍数为Si； 当天气参数为降水， 且Si＜0时， 确定为 正常， 降水稀释倍数为|Si|； 当天气参数为非降水， 且Si＞0时， 确定异常变化的原因为上升异常， 为非降水天排污， 排污倍数为Si； 当天气参数为非降水， 且Si＜0时， 确定异常变化的原因为下降异常， 为非降水天排污， 排污倍数为|Si|。 10.如权利要求8所述的水质异常识别方法， 其特 征在于， 所述 步骤E包括： E1， 持续对比xi与x(i+1)数值之间的偏斜度S(i+1)， 当偏斜度Si与S(i+1)保持一致时， 则为持 续异常； E2， 当偏斜度Si与S(i+1)不一致时， 计算xi与x(i+1)之间的标准差σ(i+1)， 并计算标准差σ(i+1) 值与初始标准差阈值σs的差σ(c+1)， 当σ(c+1)≥0时， 判断x(i+1)正常， 确定t(i+1)为异常变化结束 点。 11.如权利要求10所述的水质异常识别方法， 其特 征在于， 所述 步骤E还包括： E3， 当σ(c+1)＜0时， 判断为持续异常， 将x(i+1)标记为斜率相反， σ(i+1)计入标准差和σd； E4， 重复步骤E2和E3， 得到σd＝σ(i+1)+…+σ(i+b)， 当σd≥σs时， 则判断x(i+b)正常， 确定t(i+1)权　利　要　求　书 2/3 页 3 CN 114202209 A 3