基于CEEMDAN-CNN-LSTM的供热异常数据检测与清洗

利用供热系统的准确参数,对监测系统状态、识别异常情况具有指导意义。然而大量终端数据,可能存在失真问题,为此本文提出了一种异常数据检测和清洗方法。采用信号模态分解结合深度学习,构建数据检测与清洗模型。首先对由DeST获取的供热负荷进行CEEMDAN模态分解;其次将产生的本征模函数和剩余量输入CNN-LSTM深度学习预测模型,获取高精度结果;最后基于预测值和待清洗数据的偏差,完成检测和数据清洗,提高末端数据准确性。结果表明:本文的CEEMDAN-CNN-LSTM组合模型,识别异常数据的准确率和F1分数达到:91.36%,86.21%,优于其他3种模型;利用预测值替换异常值,保证数据集的完整准确。