基于SA-CNN的供水企业取水量异常检测与修正OA

【目的】针对供水企业取水量监测数据易出现异常,且传统检测方法精度低、修正效果差的问题,提出一种高精度、强鲁棒性的异常值检测与修正方法,以期改善监测数据质量。【方法】以安徽省两家农村供水企业实测数据为例,构建融合自注意力机制与卷积神经网络的SA-CNN模型,通过自注意力机制捕捉时间序列的全局依赖关系,卷积神经网络提取局部特征,实现异常值的精准检测与修正;选取F1值、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评价指标,与多种传统方法进行对比分析。【结果】(1)异常值检测方面,SA-CNN模型的F1值最高达0.99,较CNN、KNN、箱线图法的分别提升3.0%、8.4%、5.8%;(2)异常值修正方面,相较于传统方法,SA-CNN模型的MAE降低7.47%~11.32%,MAPE降低7.23%~22.99%;(3)在5%~30%异常值比例条件下,SA-CNN模型的MAE增幅较CNN、KNN、均值修正法的分别降低18.4%、24.8%、35.2%,MAPE的增幅降低21.0%~24.3%,误差增幅更小。【结论】SA-CNN模型能够有效提升取水量数据的准确性与连续性,在异常值检测与修正方面具有显著优势,可为供水系统运行与水资源调度提供可靠数据支撑。