(19)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 202211298654.8 (22)申请日 2022.10.24 (71)申请人 齐鲁云商数字科技股份有限公司 地址 255130 山东省淄博市淄川区钟楼街 道办事处双山路东段 (72)发明人 马兵　张烁　续敏　张灵敏　 李庆龙　赵美楠　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 贺敬虹 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 16/2458(2019.01) G06F 16/215(2019.01) (54)发明名称 基于大数据的氢能产业链风险监测系统及 监测方法 (57)摘要 本发明涉及氢能源产业大数据技术领域， 尤 其为基于大数据的氢能产业链风险监测系统及 监测方法， 包括如下步骤： 通过传感器采集产业 链内各环节内设备的氢能相关数据； 对采集的氢 能相关数据进行预处理， 并将预处理结果进行存 储； 对预处理后的数据进行异常监测， 并将结果 进行存储； 根据异常监测结果， 对监测异常的数 据进行告警。 本发明通过对氢能产业链中的各环 节的设备运行情况及数据指标进行监测， 通过数 据清洗对采集的数据样本中的缺失数据进行预 测、 填充， 对当前的氢能数据进行异常检测， 通过 自适应调节设置阈值划分风险等级， 并进行分等 级告警， 有助于及时采取相应措施， 减少 损失。 权利要求书3页 说明书10页 附图2页 CN 115358647 A 2022.11.18 CN 115358647 A 1.基于大 数据的氢能产业链风险监测方法， 其特 征在于： 包括如下步骤： S1.1： 通过传感器采集产业链内氢能相关数据； S1.2： 对采集的氢能相关数据进行 预处理， 并将预处 理结果进行存 储； S1.3： 对预处 理后的数据进行异常监测， 并将结果进行存 储； S1.4： 根据异常监测结果， 对监测异常的数据进行告警。 2.根据权利要求1所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 所述 S1.1中， 所述氢能相关数据包括制氢企业的制氢设备和运氢设备的温度、 压力、 倾角、 泄露 指数及设备周围烟雾检测环境数据。 3.根据权利要求1所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 所述 S1.2中， 对 氢能相关数据进 行预处理包括氢能相关数据的标准化处理和氢能相关数据的数 据清洗处 理。 4.根据权利要求3所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 所述氢 能相关数据的标准 化处理步骤如下： 建立氢能相关数据样本 ， 其中， i=1， 2， …， n， j=1， 2， …， m， 表示第j个氢能相 关设备日常检测 属性第i个采集的氢能相关数据， 采用标准 化处理： ； 其中， 和 分别为第j个日常监测变量的氢 能数据样本均 值和氢能数据样本标准差， 为 进行标准化处理后的氢能相关数据。 5.根据权利要求3所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 传感器 连续监测氢能相关数据， 得到连续型氢能相关数据， 当氢能相关数据出现缺 失时， 氢能相关 数据则不再连续； 将氢能相关数据集分为连续样本值 与不连续样本值 ， 对不连续样本 值 进行氢能相关数据清洗， 所述氢能相关数据的清洗处 理步骤如下： 设 中共e个氢能数据， 从e个氢能数据中选择f个监测氢能样本数据， 每个监测氢能样 本数据为 ， 其中， f=1， 2， …， q； 当每个氢能样本数据与变量属性 间满足线性关系： ； 式中， ，…， 为对应监测氢能样本数据的变量属性、 为监测氢能样本数 据， 为检测系数， ， f=1， 2，…， q为测试误差， 相互独立且服从正态分布， 且 ； 通过回归方程： ； 式中， 、 均为预测监测氢能样本数据， 为估计检权　利　要　求　书 1/3 页 2 CN 115358647 A 2测系数值， 为估计误差值， 计算回归系数， 通过回归方程对缺失氢能相关数据进行填充。 6.根据权利要求1所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 所述 S1.3中对氢能数据进 行异常检测， 从预 处理后的氢能数据中抽取某个时长的传感器数据集 r个， 在氢能数据 处理中根据传感器数据的更新对氢能数据进行更新迭代， 取来自节点u的 氢能数据， 将氢能数据集中的数据根据数值与节点u的数值距离进行权重分配， 其中权重 ， 其中t=1， 2， …， r‑1， 根据节点u的样本数据集的权 重计算加权均值： ； 为来自节点u的数据均值， 为来自节点u的氢能数据， 为来自节点u的每个氢 能数据的权 重， 为来自节点u的数据集个数； 聚类得到： ； 为来自节点u的前t个氢能数据的聚类值； 得到每个数据点离 散值： ； 其中， 为前t‑1个氢能数据的变化 值， 为节点u的第t个氢能数据变化 值， 其中， ； 其中， P为样本数据中的离散系数， 为前r‑1个氢能数据的离散值， 根 据离散系数判断氢能数据异常点。 7.根据权利要求1所述的基于大数据的氢能产业链风险监测方法， 其特征在于： 所述 S1.4中， 根据： ； 其中， 为样本含量参数， 和 为监测样本 的第g个和第h个氢能数据值， 数据点 和 之间的欧式距离在特 征空间 中表示为： ； 设数据集 为n各数据点的集合； 整数c 为类别数； 满足条件 ； 隶 属度矩阵 满足约束条件： ： ； ； 其中， 为隶属度 矩阵U的第i行第j列数据值； 为c个聚类中心的集合， 得到目标 函数：权　利　要　求　书 2/3 页 3 CN 115358647 A 3