CN106770861A - 油浸式变压器在线监控数据可用性的评价方法 - Google Patents
油浸式变压器在线监控数据可用性的评价方法 Download PDFInfo
- Publication number
- CN106770861A CN106770861A CN201611043946.1A CN201611043946A CN106770861A CN 106770861 A CN106770861 A CN 106770861A CN 201611043946 A CN201611043946 A CN 201611043946A CN 106770861 A CN106770861 A CN 106770861A
- Authority
- CN
- China
- Prior art keywords
- error
- line monitoring
- data
- oil
- filled transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
Landscapes
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Library & Information Science (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种油浸式变压器在线监控数据可用性的评价方法,首先,将在线监控数据和带电检测数据经预处理后得到两组特征气体含量‑时间序列;将在线监控特征气体含量‑时间序列分解为巨大误差序列、随机误差序列和系统误差序列,并进行评价,依次得到巨大误差评价指标x、随机误差评价指标y和系统误差评价指标z,综合后得到可用性系数ρ,以此评价油浸式变压器在线监控数据的可用性。本发明提供了一种误差分解的方法,通过这种误差分解,将同一类型的误差专项讨论,避免了误差间的相互干扰,最后再通过误差综合完成总体误差的评价。综合三种误差评价指标得到的可用性系数可以准确评价在线监控数据是否可以真实反应变压器油内特征气体的含量。
Description
技术领域
本发明涉及信号分析领域,具体涉及一种油浸式变压器在线监控数据可用性的评价方法。
背景技术
目前,油浸式变压器设备一般有两种检测手段来监控设备的运转,监控的内容是变压器油内特征气体的含量。一种是在线监控,即使用红外测谱仪远程在线监控设备;一种是带电检测,即专业人员到现场对变压器内部的油进行取样检测。在线监控装置费用低,会产生大量密集的监控数据,但其准确度可能存在一定缺陷;为了安全性考虑,一般电网还会定期派专业人员到现场对设备进行现场检测,从而得到相对于在线监控数据比较稀疏的带电检测数据,并且当在线监控装置显示被检测的变压器出问题时,也会有专业人员去进行现场检测来核实情况,从而得到现场带电检测数据。
由于红外色谱仪自身精确度和受外界环境影响等原因,在线红外色谱仪所测得的数据与现场检测所得到的真实数据有一定的差距。因此,如何通过对在线红外色谱仪监控数据的测量误差进行分析,并根据可靠的带电数据来评价高密度的在线色谱仪监控数据是否可以反应油浸式变压器真实的情况,是一个值得关注的问题。
关于设备测量误差分析,公开号为CN104280526A的中国专利文献中公开了一种水质自动在线监控设备测量误差的分析和估计方法,将在线监控设备产生误差的类型分为系统误差、偶然误差和粗大误差三类,其中粗大误差采用稳健剔除异常数据的方法去除,系统误差分为了周期性系统误差、线性及多项式型系统误差,以及常量系统误差这三类,偶然误差可以在估计系统误差的过程中被消减。包括以下步骤:
步骤一、采用稳健剔除异常数据的方法,剔除在线监控数据中的粗大误差;步骤二、从剔除粗大误差后的在线监控数据提取中位数xe,判断该中位数xe是否在水质样本均值置信区间内;如果否,则确定存在系统误差,进入步骤三;否则,确定没有系统误差,结束本流程;
步骤三、将系统误差分为周期性系统误差、线性及多项式型系统误差和常量系统误差;采用基于Burg法的谱分析和回归分析相结合的方法估计周期性系统误差;采用回归分析方法,估计线性及多项式型的系统误差;采用均值滤波方法,估计常量系统误差,再采用卡尔曼滤波方法对常量系统误差进行估计和预测;同时,均值滤波和卡尔曼滤波还将偶然误差消减;将三类系统误差的估计结果相加,得到最终的系统误差估计结果。
但是上述方法没有对偶然(随机)误差进行单独讨论,且判断有没有系统误差的方法太过简单,如果真实数据和测量数据是相反的走向,它仍然会判定为没有系统误差,这显然是不合适的。
黄师娟(黄师娟,张旭斌,董斌,等.雷达测量数据精度评估方法研究[J].测试技术学报,2015(1))等人提出了雷达测量数据精度评估方法,将雷达设备的测量误差分为系统误差和随机误差,随机误差指在多次测量中,其大小、符号可能各不相同,但具有统计规律,所出现的数值大小具有一定的概率分布的误差项;系统误差指具有一定的变化规律,可以用函数和数学模型来表示,数据处理时可以进行修正的误差项。又将系统误差分为轴系误差、数据传递系统误差、动态滞后误差和大气传播误差等。其采用最小二乘拟合逐点划窗的方法统计雷达实时测量精度,用一个时间多项式来描述外测系统跟踪导弹所得观测量是随时间变化的连续曲线.利用最小二乘估计可以拟合出观测数据的时间多项式,然后对拟合后的残差进行统计,得到观测数据的随机误差方差和相关函数(系数)的估计值,具体方法如下:
首先,假设在时间上t1,t2,...,tN进行采样,其输出的观测数据为x1,x2,...,xN(雷达为等间隔采样),每个观测数据xi可以用一个m阶多项式来表示,则每个观测数据可以表示为:
其中aj为多项式系数,εi为随机误差。
然后,假设观测数据的随机误差序列{εi}具有无偏性和等方差且不相关的性质。当N>m+1时,对N个观测数据{xi}应用最小二乘估计可估计出多项式的系数序列如下。
其中
最后,观测数据的准确预测值为随机误差的方差估计为
上述方法存在以下问题,首先,它没有对跳变的点进行专门处理,即没有提前剔除巨大误差;其次,误差平均过程中没有真实(精确测量)数据的参与,只是通过最小二乘法的多项式拟合来预测了一个真实数据,进而进行了随机误差计算分析;再次,多项式拟合的阶数没有明确的给定方案,只有一个限制条件m<N-1;最后在公式推导的过程中,用到了很多的假设条件,而这些假设在实际情况中并不一定成立。
因此,上述给出的对于设备测量中的误差分析方法均不适用于红外色谱仪在线数据测量的误差分析。因此迫切的需要一个系统的红外色谱仪在线数据测量误差分析方法和评价方法来评价油浸式变压器在线色谱仪检测数据的可用性。
发明内容
本发明提供了油浸式变压器在线监控数据可用性的评价方法,得到的可用性系数ρ可以评价在线监控数据是否可以真实反应变压器油内特征气体的含量,该评价方法客观公正,简单易行。
一种油浸式变压器在线监控数据可用性的评价方法,其特征在于,包括如下步骤:
(1)、通过远程在线监控设备获得油浸式变压器油内特征气体的含量,记为在线监控数据;通过人工取样获得油浸式变压器油内特征气体的含量,记为带电检测数据;分别对在线监控数据和带电检测数据进行预处理,得到时间间隔相同且时间点相互对应的两组特征气体含量-时间序列;
(2)将在线监控特征气体含量-时间序列分解为巨大误差序列、随机误差序列和系统误差序列,并进行评价,依次得到巨大误差评价指标x、随机误差评价指标y和系统误差评价指标z,综合后得到可用性系数ρ,以此评价油浸式变压器在线监控数据的可用性。
本发明提供了一种误差分析的思路,通过数据分解的方法将误差分为了三种。一种是巨大误差,表征的是数据跳变的情况;一种是随机误差,表征的是数据随机波动的情况;一种是系统误差,表征的是曲线内在的趋势走向。然后对三块误差分别评价后再综合,就可以得到总体的误差水平。
作为优选,步骤(1)中,所述的特征气体包括氢气、乙烯、一氧化碳、二氧化碳、甲烷、乙烷、乙炔或总烃;所述特征气体的含量为特征气体的质量浓度或体积浓度。
作为优选,步骤(1)中,所述的预处理为:
以一天为时间间隔,一天内有多个数据的取平均数,没有数据的用线性插值代替。
作为优选,步骤(2)中,对在线监控特征气体含量-时间序列的分解,具体为:
对在线监控特征气体含量-时间序列进行检测,检测出的跳变点对应的特征气体含量数据记为巨大误差序列,并替换;
利用集合经验模式分解方法将剔除巨大误差影响后的在线监控特征气体含量-时间序列分解为多个本征模函数和残差,符合白噪声特征的本征模函数记为随机误差序列,不符合白噪声特征的本征模函数连同残差记为系统误差序列。
进一步地,巨大误差的检测可以采取多种方法,而巨大误差的替换方法根据检测跳变点的方法不同而不同,如:采用前后若干个点的均值来替换,也可以用前后若干个点的中位数来替换等等,从而剔除巨大误差对随机误差和系统误差的影响。作为优选,本发明中采用异常值监控方法对在线监控特征气体含量-时间序列中的巨大误差进行检测。作为优选,剔除巨大误差之后,利用集合经验模式分解(EEMD)的方法,将在线监控数据分解为多个本征模函数(IMF)和残值。EEMD方法的核心思想就是在每一步分解之前在数据中加入一定量的白噪声,通过这种方法可以有效减少混频现象的发生。
具体步骤如下:
第一步,在剔除巨大误差后的在线监控特征气体含量-时间序列中加入方差为ε的白噪声序列,得到信号x(t);
第二步,首先找出信号x(t)中的所有极大值点和所有极小值点,并将所有极大值点用一条曲线连接起来得到上包络线emax(t),再由所有极小值点得到下包络线emin(t);然后计算上包络线emax(t)和下包络线emin(t)的平均值m(t),并计算信号x(t)与均值曲线m(t)的差值d(t);最后判断d(t):如果d(t)是一个本征模函数,记imf(t)=d(t)为本次过程的本征模函数输出,令x(t)=x(t)-d(t);如果d(t)不是本征模函数,则令x(t)=d(t);重复以上步骤直至残差信号小于事先设定的指标或不能再分解出本征模函数为止;记第i次分解出来的本征模函数为imfi(t),从而将原始信号表示成本征模函数和残差项之和:
其中imfi(t)表示本征模函数项,N是本征模函数的项数,r(t)表示残差项,各个本征模函数通过上述过程被分离开来;
第三步,重复第一步和第二步,每次加入随机生成的方差为ε的白噪声;最后取每次分解得到的本征模函数的平均值作为最终的本征模函数输出。
加入白噪声可能会使最后的数据同原始数据产生偏离,但这种偏离时可控制的:
其中N是重复的次数,ε是所加噪声的标准差,而εn就是最终的偏离误差。在实践中重复次数一般设为100次,噪声数据的标准差取0.1或0.2。
作为优选,步骤(2)中,经t检测判断分解后的多个本征模函数属于随机误差或系统误差,具体为:
将多个本征模函数按分解出来的顺序进行排序,先检测第一本征模函数,若第一本征模函数为正态分布,再检测第一本征模函数和第二本征模函数的和是否为正态分布,若依然为正态分布,再检测第一本征模函数1、第二本征模函数、第三本征模函数之和是否为正态分布,依次类推,直至检测到前n个本征模函数之和不为正态分布时,则前n-1个本征模函数之和为随机误差,剩余的本征模函数与残差之和为系统误差。
步骤(2)中,对巨大误差序列、随机误差序列和系统误差序列的评价可以采用现有技术中的方法,比如巨大误差可以直接上下平移三倍标准差,超出的为巨大误差,并用上下界替换,每超出一个点评价值减小0.1,直到0;
随机误差可以用方差来表示,记方差为k,评价标准为e-k;
系统误差可以用两个序列相减,记所得序列的标准差为h,评价标准为e-h。
将得到的巨大误差评价指标x、随机误差评价指标y和系统误差评价指标z代入下式(Ⅰ)中,得到可用性系数ρ,以此评价油浸式变压器在线监控数据的可用性;
ρ=ax+byczd (Ⅰ);
式中,0≤x,y,z≤1,1>a>0,1>b>0,a+b=1,1>c>0,1>d>0,c+d=1。
对于x,y,z的评价,每块的评价标准都有个阈值,如果有的方法评价出来的阈值不在[0,1]范围内,可以通过线性或者非线性映射把阈值映射到[0,1]上。
作为优选,a=0.1,b=0.9,c=2/3,d=1/3,即可用性系数ρ的计算公式为ρ=0.1x+0.9y1/3z2/3。
最终得到的可用性系数ρ的取值范围为[0,1],数值越大表示在线监控数据越接近于带点检测数据,则在线监控数据的可用性越好,更能真实地反应变压器油内特征气体的含量。
与现有技术相比,本发明具有以下优点:
本发明提供了一种误差分解的方法,将误差分为巨大误差、随机误差和系统误差,通过这种误差分解,将同一类型的误差专项讨论,避免了误差间的相互干扰,最后再通过误差综合完成总体误差的评价。综合三种误差评价指标得到的可用系数的大小可以准确评价在线监控数据是否可以真实反应变压器油内特征气体的含量。
附图说明
图1为某油浸式变压器内在线监控的氢气浓度-时间曲线;
图2为某油浸式变压器内带电检测的氢气浓度-时间曲线;
图3中给出了图1中在线监控的氢气浓度-时间曲线超出上、下门限的巨大误差点的示意图;
图4为图1中氢气浓度-时间曲线经集合经验模式分解方法后得到的随机误差曲线;
图5为图1中氢气浓度-时间曲线经集合经验模式分解方法后得到的系统误差曲线;
图6为当系统误差和随机误差的综合为定值时系统误差和随机误差的关系曲线;
图7为某油浸式变压器内在线监控的氢气浓度-时间曲线和带电检测的氢气浓度-时间曲线的对比图。
具体实施方式
实施例1
我们用下面的例子来说明数据分解后的效果,本实施例数据来自某油浸式变压器红外色谱仪的在线监控数据。
首先,分别对在线监控数据和带电检测数据进行预处理,得到两个时间序列,在线检测时间序列以一天为时间间隔,一天内有多个数据的取平均数,没有数据的用线性插值代替;带电检测时间序列也以一天为时间间隔,一天内有多个数据的取平均数,没有数据的用线性插值代替。经预处理后得到的在线监控氢气浓度-时间序列的曲线如图1所示。
然后,对数据进行分解。
利用改进的Turkey53H异常值监控方法(对平滑步长进行了优化),对在线数据的巨大误差进行检测,检测出的数据为巨大误差。首先,将原始序列(即预处理后得到的在线监控氢气浓度-时间序列)l进行一定的平滑处理,平滑估计可用中位数的方法产生。先将原始序列l构造相邻十个数据的中位数序列,并用相邻十个点的中位数代替原数值,形成新的序列l1;然后在序列l1基础上再构造相邻六个数据的中位数序列,用相临六个点的中位数代替原数值,形成序列l2;最后对序列l2相邻三个数据进行加权平均,三个数的权重分别为1/4、1/2、1/4,得到最终的光滑数据序列l3;其次,我们对光滑后的序列进行平移,形成相应的置信区间,上下平移的距离是光滑数据序列l3的三倍标准差,当原始数据超过区间阈值时,我们认为该点为巨大误差,并用上下阈值进行替换。
用异常值监控方法检测出的巨大误差用虚线椭圆标注,如图3所示。
替换巨大误差之后,利用集合经验模式分解(EEMD)的方法,将在线监控数据分解为多个本征模函数(IMF)和残值。EEMD方法的核心思想就是在每一步分解之前在数据中加入一定量的白噪声,通过这种方法可以有效减少混频现象的发生。EEMD方法的算法是:
第一步,在原始数据中加入一定量的白噪声。
第二步,首先找出要分析的信号x(t)的所有极大值点和所有极小值点,并将所有极大值点用一条曲线(通常采用三次样条曲线)连接起来得到上包络线emax(t),同样方法由所有极小值点可以得到下包络线emin(t);然后计算上包络线emax(t)和下包络线emin(t)的均值曲线m(t),计算信号x(t)与均值m(t)的差值d(t);最后判断d(t):如果d(t)是一个IMF,记d(t)为第i条IMF输出,令x(t)=x(t)-d(t);如果d(t)不是IMF,则令x(t)=d(t);重复以上步骤直至残差信号小于事先设定的指标或不能再分解出IMF为止。这样,原始信号就可以表示成IMF和残差项之和:
其中imfi(t)表示IMF项,N是IMF的项数,r(t)表示残差项。各个IMF根据频率的不同被分离开来。
第三步,重复第一步和第二步,但是每次加入不同的白噪声;最后取每次分解得到的IMF的均值作为最终的IMF输出。
加入白噪声可能会使最后的数据同原始数据产生偏离,但这种偏离时可控制的:
其中N是重复的次数,ε是所加噪声的标准差,而εn就是最终的偏离误差。在实践中重复次数一般设为100次,噪声数据的标准差取0.1或0.2。
然后对本征模函数进行t检测。先检测IMF1,若IMF1为正态分布(符合白噪声特征),再检测IMF1和IMF2的和是否为正态分布,若依然为正态分布,再检测IMF1、IMF2、IMF3之和是否为正态分布,依次类推,直至检测到前n个IMF之和不为正态分布时,则前n-1个IMF之和为在线数据的随机误差,剩余的IMF与残差之和为系统误差。
随机误差的波动情况如下图4所示;系统误差的走势情况如下图5所示。
巨大误差采用上述的方法检测并替换后,每超出一个点评价值减小0.1,直到0,得到巨大误差评价指标x=0.7058;随机误差用方差来表示,记方差为k,评价标准为e-k,得到随机误差评价指标y=0.5478;系统误差用两个序列相减,记所得序列的标准差为h,评价标准为e-h,得到系统误差评价指标z=0.5199。再代入ρ=0.1x+0.9y1/3z2/3(Ⅰ-1)中,得到可用性系数ρ=0.6357。
式(Ⅰ-1)中,有性质max(y,z)>y1/3z2/3>min(y,z),因此,当y,z相近时,y1/3z2/3也与y,z相近,当y和z相差较大时,我们将比较关心的关键指标y1/3z2/3=0.6(左图)和y1/3z2/3=0.8(右图)切面截取出来,分别如图6中所示,
可以看到,当y1/3z2/3为定值时为y,z的分布设立了合理的限制,使y1/3z2/3较大时y,z不至于过小。同时当只要y,z中有一个过小,就会导致y1/3z2/3较小。1/3和2/3的权重设计,和值为1,保证了y1/3z2/3的阈值在y,z附近活动。因此,式(Ⅰ-1)中各系数的设定具有合理性。
通过对比图1和2可以看出,三种误差的分类合理,巨大误差刻画了跳变的情况,随机误差刻画了随机扰动,系统误差刻画了整体走势。说明可用性系数ρ可以真实反应变压器油内氢气的含量。
对比例
图7为某油浸式变压器内在线监控的氢气浓度-时间曲线(系列2)和带电检测的氢气浓度-时间曲线(系列1)的对比图,采用公开号为
CN104280526A中的水质自动在线监控设备测量误差的分析和估计方法进行计算,经计算两列数据的均值均为116.56,但是明显两列数据是存在系统误差的,说明该方法不适用于红外色谱仪在线数据测量的误差分析。这是因为水质自动在线监控设备测量误差的分析和估计方法没有对偶然(随机)误差进行单独讨论,且判断有没有系统误差的方法太过简单,如果真实数据和测量数据是相反的走向,它仍然会判定为没有系统误差,这显然是不合适的。
Claims (6)
1.一种油浸式变压器在线监控数据可用性的评价方法,其特征在于,包括如下步骤:
(1)、通过远程在线监控设备获得油浸式变压器油内特征气体的含量,记为在线监控数据;通过人工取样获得油浸式变压器油内特征气体的含量,记为带电检测数据;分别对在线监控数据和带电检测数据进行预处理,得到时间间隔相同且时间点相互对应的两组特征气体含量-时间序列;
(2)将在线监控特征气体含量-时间序列分解为巨大误差序列、随机误差序列和系统误差序列,并进行评价,依次得到巨大误差评价指标x、随机误差评价指标y和系统误差评价指标z,综合后得到可用性系数ρ,以此评价油浸式变压器在线监控数据的可用性。
2.根据权利要求1所述的油浸式变压器在线监控数据可用性的评价方法,其特征在于,步骤(1)中,所述的特征气体包括氢气、乙烯、一氧化碳、二氧化碳、甲烷、乙烷、乙炔或总烃;
所述特征气体的含量为特征气体的质量浓度或体积浓度。
3.根据权利要求1所述的油浸式变压器在线监控数据可用性的评价方法,其特征在于,步骤(1)中,所述的预处理为:
以一天为时间间隔,一天内有多个数据的取平均数,没有数据的用线性插值代替。
4.根据权利要求1所述的油浸式变压器在线监控数据可用性的评价方法,其特征在于,步骤(2)中,对在线监控特征气体含量-时间序列的分解,具体为:
对在线监控特征气体含量-时间序列进行检测,检测出的跳变点对应的特征气体含量数据记为巨大误差序列,并替换;
利用集合经验模式分解方法将剔除巨大误差影响后的在线监控特征气体含量-时间序列分解为多个本征模函数和残差,符合白噪声特征的本征模函数记为随机误差序列,不符合白噪声特征的本征模函数连同残差记为系统误差序列。
5.根据权利要求1所述的油浸式变压器在线监控数据可用性的评价方法,其特征在于,步骤(2)中,将巨大误差评价指标x、随机误差评价指标y和系统误差评价指标z代入下式(Ⅰ)中,得到可用性系数ρ,以此评价油浸式变压器在线监控数据的可用性;
ρ=ax+byczd (Ⅰ);
式中,0≤x,y,z≤1,1>a>0,1>b>0,a+b=1,1>c>0,1>d>0,c+d=1。
6.根据权利要求5所述的油浸式变压器在线监控数据可用性的评价方法,其特征在于,a=0.1,b=0.9,c=2/3,d=1/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611043946.1A CN106770861B (zh) | 2016-11-21 | 2016-11-21 | 油浸式变压器在线监控数据可用性的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611043946.1A CN106770861B (zh) | 2016-11-21 | 2016-11-21 | 油浸式变压器在线监控数据可用性的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106770861A true CN106770861A (zh) | 2017-05-31 |
CN106770861B CN106770861B (zh) | 2018-01-16 |
Family
ID=58974125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611043946.1A Active CN106770861B (zh) | 2016-11-21 | 2016-11-21 | 油浸式变压器在线监控数据可用性的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106770861B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085630A (zh) * | 2017-03-28 | 2017-08-22 | 国网浙江省电力公司电力科学研究院 | 一种变压器油中溶解气体在线监测装置实用性分析方法 |
CN108982732A (zh) * | 2018-08-23 | 2018-12-11 | 西南科技大学 | 一种高效液相糖化血红蛋白色谱峰面积识别方法 |
CN115906144A (zh) * | 2021-08-26 | 2023-04-04 | 北京字节跳动网络技术有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196498A (zh) * | 2006-12-06 | 2008-06-11 | 中国科学院计算技术研究所 | 一种质谱质量测量误差的预测方法 |
CN101539402A (zh) * | 2009-04-29 | 2009-09-23 | 陈炳生 | 实时测量数据的处理方法 |
JP4653553B2 (ja) * | 2005-05-02 | 2011-03-16 | 日立オムロンターミナルソリューションズ株式会社 | データ伝送システム |
CN104280526A (zh) * | 2014-10-23 | 2015-01-14 | 北京理工大学 | 水质自动在线监测设备测量误差的分析和估计方法 |
-
2016
- 2016-11-21 CN CN201611043946.1A patent/CN106770861B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4653553B2 (ja) * | 2005-05-02 | 2011-03-16 | 日立オムロンターミナルソリューションズ株式会社 | データ伝送システム |
CN101196498A (zh) * | 2006-12-06 | 2008-06-11 | 中国科学院计算技术研究所 | 一种质谱质量测量误差的预测方法 |
CN101539402A (zh) * | 2009-04-29 | 2009-09-23 | 陈炳生 | 实时测量数据的处理方法 |
CN104280526A (zh) * | 2014-10-23 | 2015-01-14 | 北京理工大学 | 水质自动在线监测设备测量误差的分析和估计方法 |
Non-Patent Citations (5)
Title |
---|
JONATHAN T. BARGE 等: "An Ensemble Empirical Mode Decomposition, Self-Organizing Map, and Linear Genetic Programming Approach for Forecasting", 《WATER》 * |
李世平 等: "一种基于EMD的系统误差分离方法", 《中国测试》 * |
汪伟 等: "基于EMD分解的测量误差分离方法研究", 《中国测试》 * |
王楠 等: "在线监测数据预处理方法的研究", 《高压电器》 * |
陈浩 等: "一种新的外测数据随机误差分离方法", 《弹箭与制导学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085630A (zh) * | 2017-03-28 | 2017-08-22 | 国网浙江省电力公司电力科学研究院 | 一种变压器油中溶解气体在线监测装置实用性分析方法 |
CN108982732A (zh) * | 2018-08-23 | 2018-12-11 | 西南科技大学 | 一种高效液相糖化血红蛋白色谱峰面积识别方法 |
CN115906144A (zh) * | 2021-08-26 | 2023-04-04 | 北京字节跳动网络技术有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
CN115906144B (zh) * | 2021-08-26 | 2024-04-19 | 抖音视界有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106770861B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | High-dimensional process monitoring and fault isolation via variable selection | |
CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN103389430B (zh) | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 | |
CN106770861B (zh) | 油浸式变压器在线监控数据可用性的评价方法 | |
CN104239712B (zh) | 一种雷达抗干扰效能实时评估方法 | |
CN113570000A (zh) | 一种基于多模型融合的海洋单要素观测质量控制方法 | |
CN101692113A (zh) | 基于区间数学理论的电力变压器故障诊断方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN116702093B (zh) | 一种基于大数据数据融合的海上目标定位方法 | |
Jingang et al. | Outlier detection and sequence reconstruction in continuous time series of ocean observation data based on difference analysis and the Dixon criterion | |
CN116049340A (zh) | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 | |
CN107526064A (zh) | 基于二维特征的自适应lfm信号参数估计方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
Song et al. | The potential benefit of relevance vector machine to software effort estimation | |
CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
Biswas et al. | Detecting transient gravitational waves in non-Gaussian noise with partially redundant analysis methods | |
CN110472188A (zh) | 一种面向传感数据的异常模式检测方法 | |
CN113340824B (zh) | 一种高光谱信息冗余波段的检测方法 | |
CN109632942A (zh) | 一种基于sl的管道缺陷尺寸的反演方法 | |
CN109902829A (zh) | 一种基于粗糙集的置信规则提取方法、系统及介质 | |
CN109409590A (zh) | 一种用于淡水水生生物水质基准预测的系统 | |
CN108898117A (zh) | 一种滑动阈值的自适应随机信号异常提取方法 | |
CN110730146B (zh) | 基于bm模型的bpsk信号盲处理结果可信性评估方法 | |
CN107274112A (zh) | 改良油中溶解气体的诊断算法模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |