华电新疆公司 · 集团 AI 竞赛赛前培训 · 第三天 · 数据治理
数据治理（一）· 题型解读、检测方法与平台流程
上午课配套材料：读题、看数据，然后用可操作的模拟平台把 6 种检测方法、每个参数、每个按钮讲清；最后给出三条铁律、方法选择表和赛场建议顺序。下午课逐题拆解 12 题。
上午课配套材料：读题、看数据，然后用可操作的模拟平台把 6 种检测方法、每个参数、每个按钮讲清；最后给出三条铁律、方法选择表和赛场建议顺序。下午课逐题拆解 12 题。
背景 某燃机电厂 A，9 号机组压气机状态监测数据。受传输干扰、设备维护、传感器故障影响，数据中含各类异常、缺失和噪声。 考生需结合领域规则（压气机效率不可能大于 1、机组负荷不可为负等）与动态检测算法（IQR、3-sigma、Z-score、STL 等）， 对数据集进行系统性的清洗、修复与版本管理，最终形成一套可复用的高质量数据流水线。 数据集 电厂 A#9 压气机实际运行记录，5000 条（采样间隔 5 分钟），24 列：时间、压气机效率、机组负荷、机组转速、 压气机排气温度（测点 1/2/3）、排气压力（1A/1B/1C）、进气温度、环境温度、进气湿度、大气压力、点火信号 等。 覆盖启停机、平稳运行等工况，人为构造了多种典型异常和缺失模式以考察治理能力。 评分（每题共性） ① 发现得对（用可视化 / 统计 / 对比定位到） ② 判断得对（物理越界 / 缺失 / 硬故障 / 漂移 / 卡死 / 关联异常） ③ 方法得当（物理约束用截断；统计异常用对应算法和参数） ④ 修复得当（不删行、不用全局均值，保持时序连续） ⑤ 保存清洗版本
12 题总览（每题详解见下午课材料《数据治理（二）》）：
| 列 | 正常值长什么样 | 这份数据里埋了什么 |
|---|---|---|
| 压气机效率 | 0～1 | 题 1：1648 个 <0、133 个 >1 |
| 机组负荷 | ≥0（停机 0，满载 ~400 MW） | 题 2：停机段 −0.3～−0.6 共 4767 个 |
| 点火信号 | 0 或 1 | 题 3：4 个小数 |
| 排气温度 1/2/3 | 三者几乎相等（停机 ~15℃，运行 300～400℃） | 题 4 极值、题 5 缺失、题 6 漂移、题 12 温度 2 关联异常 |
| 机组转速 | 停机 ~4 rpm，运行 3000 | 题 7 停机尖峰、题 8 启停跳变 |
| 排气压力 1B / 大气压力 | 随工况变 / ~770 | 题 9 卡死 |
| 进气湿度 | 一天一峰，20～90% | 题 10 尖峰突降 |
| 环境温度 | 缓变 | 题 11 零散缺失 |
下面是一个可操作的模拟赛场平台，用题 7（停机段转速尖峰）从头走一遍：进题目 → 看数据画图 → 筛工况 → 选方法填参数 → 开始检测 → 修复 → 标记答案 → 保存版本。左边是界面，点按钮会真的翻页；右边是解说，你点到哪它讲哪。换检测方法、点参数框、点顶部按钮都有解说。
界面依据客户提供的平台截图绘制；真实截图：趋势图 ｜ 散点图 ｜ 相关系数图 ｜ Z-score ｜ 3σ ｜ IQR ｜ STL_IQR ｜ STL_S_H_ESD ｜ K-means
| 铁律 | 为什么 |
|---|---|
| ① 不删行 | 24 列共用一个时间戳，删一行就把其他 23 列也删了，时序断裂。所有题的评分都写了"未删行"。 |
| ② 不用全局均值填 | 这份数据大部分时间停机，全局均值是"半停半开"的假值；填进去把停机段填成运行值。要用：同工况值 / 冗余测点 / 前后点插值。 |
| ③ 先分工况再检测 | 启停段波动大，把全局标准差撑得极大，全局 3σ / IQR 对停机段的尖峰完全失效（题 7 原话：全局范围 [−1762, 2062]）。先筛工况（负荷<5 & 点火=0），再在局部用滑动窗口方法。 |
| 看到什么 | 用什么 |
|---|---|
| 数值超出物理范围（效率>1、负荷<0、温度 1300） | 物理约束：截断 / 冗余测点替代，不用统计方法 |
| 该是 0/1 的列出现小数 | 二值化 阈值 0.5 |
| 折线断了、统计里有空值 | 缺失：有冗余测点 → 指定列均值；没有 → 线性插值；极短 → 前向填充 |
| 平稳段里突然尖峰，全局 3σ 看不见 | 筛工况 + 滑动 Z-score（窗口 6–12、阈值 3）；K-means 验证 |
| 一条线长时间不动 | 卡死：差分 ≈ 0 定位，前向填充 |
| 数值合法但和同类测点差得多 | 残差 / K-means（标准化 + 肘图） |
| 有日周期、峰值还会漂 | STL period 288、阈值 3 |
