CN110955862A - 一种用于设备模型趋势相似度的评估方法及装置 - Google Patents
一种用于设备模型趋势相似度的评估方法及装置 Download PDFInfo
- Publication number
- CN110955862A CN110955862A CN201911175677.8A CN201911175677A CN110955862A CN 110955862 A CN110955862 A CN 110955862A CN 201911175677 A CN201911175677 A CN 201911175677A CN 110955862 A CN110955862 A CN 110955862A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- time
- time series
- characterizing
- sequence
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012952 Resampling Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 23
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于能源技术领域,提供了一种用于设备模型趋势相似度的评估方法及装置,本发明对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列,根据第一时间序列、第二时间序列和层次分析模型,获取权重;根据权重,获取第一时间序列和第二时间序列中每个时间段降低采样率的倍数;根据倍数,对第一时间序列和第二时间序列进行重采样,分别获取第三时间序列和第四时间序列;根据第三时间序列和第四时间序列,获取趋势相似度;根据趋势相似度,评估设备模型的可信度。本发明为设备的设计、规划、运行和分析决策奠定了良好基础;减少了传统测试人力物力的浪费,减少了对设备正常运行的影响,提高了评估的准确性。
Description
技术领域
本发明属于能源技术领域,尤其涉及一种用于设备模型趋势相似度的评估方法及装置。
背景技术
在工业物联网的大潮下,对于设备模型参数的模拟越发重要,其数学模型的研究是设计、规划、运行和分析决策的基础,具有重大的实际意义。长期以来,为了验证并得到较准确的设备模型,人们普遍采用设备现场测试的方法来获得其特性参数。如在WECC(西部电力协调委员会)系统,大约80%的发电设备经过了测试;而NERC(北美电力可靠性委员会)的政策文件规定发电机组每5年要测试1次。但是这样的测试耗时耗力,还会影响设备的正常运行,且现场测得的参数也会因为各种误差原因而不尽准确。针对上述情况,如何对设备模型进行仿真验证工作的可信度评估是目前需要解决的关键性技术问题。
发明内容
有鉴于此,本发明实施例提供了一种用于设备模型趋势相似度的评估方法、装置、终端设备及计算机可读存储介质,以解决目前无法对设备模型进行仿真验证可信度的技术问题。
本发明实施例的第一方面,提供了一种用于设备模型趋势相似度的评估方法,包括:
对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;
根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;
根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;
根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;
根据所述第三时间序列和所述第四时间序列,获取趋势相似度;
根据所述趋势相似度,评估设备模型的可信度。
本发明实施例的第二方面,提供了一种用于设备模型趋势相似度的评估装置,包括:
信息确定模块,用于对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;
权重获取模块,用于根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;
倍数获取模块,用于根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;
时间序列获取模块,用于根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;
趋势获取模块,用于根据所述第三时间序列和所述第四时间序列,获取趋势相似度;
可信度获取模块,用于根据所述趋势相似度,评估设备模型的可信度。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述用于设备模型趋势相似度的评估方法步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述用于设备模型趋势相似度的评估方法步骤。
本发明实施例提供的一种用于设备模型趋势相似度的评估方法有益效果至少在于:本发明实施例根据趋势相似度对设备的实际运行变量的动态曲线进行有效性验证和可信度的评估,数值相似度数学模型的建立为设备的设计、规划、运行和分析决策奠定了良好基础;减少了传统测试人力物力的浪费,区别于传统方法减少了对设备正常运行的影响,提高了评估的准确性;该方法评估迅速、实现流程简单,实现了智能化处理。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的用于设备模型趋势相似度的评估方法的实现流程示意图;
图2是本发明实施例提供的用于设备模型趋势相似度的评估方法中根据所述第三时间序列和所述第四时间序列,获取趋势相似度的实现流程示意图;
图3是本发明实施例提供的用于设备模型趋势相似度的评估方法中将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数的实现流程示意图;
图4是本发明实施例提供的用于设备模型趋势相似度的评估装置的示意图;
图5是本发明实施例提供的用于设备模型趋势相似度的评估装置中趋势获取模块的示意图;
图6是本发明实施例提供的用于设备模型趋势相似度的评估装置中加权处理单元的示意图;
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参阅图1,是本发明实施例提供的用于设备模型趋势相似度的评估方法的实现流程示意图,该方法可以包括:
步骤S10:对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列。
参考值可以是设备出厂时候的信息,例如铭牌上的信息、说明书上的信息等。
参考值为:
X={xi,i=1,2,…,N}
其中,X表征所述参考值,xi表征可取得的值,i表征可取得的值的数量,N表征可取得的值的第N数量。
应当理解的是,上述设备出厂时候的信息不限于铭牌或者说明书,可以是各种能正确表示设备出厂时候的基本信息,此处不做限制。
根据现场实际装置的测量值,实际装置可以包括外挂设备,这种现场测量方法与现有技术或者惯用手段中普遍采用的测量方法不同,传统的量测方法不仅需要停机,有的还需要对设备进行破坏性试验,本测量方式均不会产生以上不良影响。
应当理解的是,此处测量设备中不限于外挂设备,还可以是任何其他便于测量相关数据的设备、装置等,此处不做限制。
根据测量得到的仿真数据结合机理模型(包括经典公式等)计算出来一个数值,是与参考值做比较用的,也就是说X是参考值,Y是仿真值,仿真值的产生是根据实际的测量值计算出来的。
仿真值为:
Y={yi,i=1,2,…,N}
其中,Y表征所述仿真值,yi表征可取得的值,i表征可取得的值的数量;N表征可取得的值的第N数量。
应当理解的是,此处机理模型可以这样理解:根据不同的设备或设备参数会用到一个和/或多个经典模型或者根据不同的设备会用到相应的一个和/或多个经典模型。所以根据不同的项目或者目的这里的设备、设备参数和/或经典模型均不是固定的,需要视情况而定,此处不做限制。
得到的第一时间序列和第二时间序列都是经过处理的,包括将参考值和仿真值均分为n段且预设选定时间k。
第一时间序列为:
XA={Xk,k=1,2,…,n}
其中,XA表征所述第一时间序列,Xk表征可取得的值,xki表征在Xk集合中可取得的值,Nk表征在Xk集合中可取得的第Nk个值,k表征预设时间,n表征时间序列分段数。
第二时间序列为:
YA={Yk,k=1,2,…,n}
其中,YA表征所述第二时间序列,Yk表征可取得的值,Yki表征可取得的值;Nk表征在Yk集合中可取得的第Nk个值。
应当理解的是,分段数和预设的时间均是根据具体情况或者问题可以是任何数量或时间段,此处不做限制。
请参阅图1,进一步地,在获取第一时间序列和第二时间序列后,可以进行下述步骤:
步骤S20:根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重。
进一步地,为了获取权重,需要进行层次分析处理。在本实施例中,建立判断矩阵;根据所述判断矩阵,获取所述判断矩阵的最大特征值以及所述最大特征值的正规化特征向量;对所述判断矩阵进行一致性检验,获取所述判断矩阵的一致性比例;判断所述一致性比例是否满足预设要求;若所述一致性比例满足预设要求,则将所述正规化特征向量确定为权重;若所述一致性比例不满足预设要求,则返回所述根据所述判断矩阵,获取所述判断矩阵的最大特征值以及所述最大特征值的正规化特征向量步骤。
层次分析模型:层次分析法(analytic hierarchy process,AHP)能计算第k个时间段相似度对整个时间序列相似程度的影响权重βk。
获取权重的一种方式还可以包括如下步骤:
建立判断矩阵:
式中,bij表示时间段Xi(Yi)与时间段Xj(Yj)相比的相对重要程度,且bij=1/bji。bij的取值遵从1~9标度法,见下表1判断矩阵取值表:
元素对比重要程度 | 判断矩阵取值 |
相同重要 | 1 |
稍微重要 | 3 |
明显重要 | 5 |
强烈重要 | 7 |
极重要 | 9 |
相邻判断折中 | 2、4、6、8 |
表1
在获取判断矩阵后,可进行以下步骤:
根据所述判断矩阵,获取所述判断矩阵的最大特征值以及最大特征值的正规化特征向量。
对判断矩阵B,求满足BWB=λmaxWB的特征根与特征相量,其中λmax为B的最大特征值;WB为对应λmax的正规化特征向量;WB的第k个元素WBk即为第k个时间段的权重βk。
在获取最大特征值以及正规化特征向量后,可进行以下步骤:
对所述判断矩阵进行一致性检验,获取所述判断矩阵的一致性比例。
一致性比例为;
CR=CIRI
其中,CR表征一致性比例;
RI表征随机一致性指标,表2判断矩阵平均随机一致性指标RI
阶数 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI取值 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
表2
CI表征一致性指标;
一致性指标计算公式为:
CI=(λmax-m)(m-1)
其中,λmax表征最大特征值;
m表征判断矩阵维数。
在获取所述判断矩阵的一致性比例后,可进行以下步骤:
判断一致性比例是否满足预设要求,若所述一致性比例不满足预设要求,则返回所述根据所述判断矩阵,获取判断矩阵的最大特征值以及所述最大特征值的正规化特征向量步骤。
若满足预设要求,可进行以下步骤:
若一致性比例满足预设要求,则将正规化特征向量确定为权重。
当CR<0.10时,认为判断矩阵的一致性是可以接受的,否则应对判断矩阵作适当修正。
请参阅图1,进一步地,在获取权重后,可以进行下述步骤:
步骤S30:根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数。
时间序列的趋势相似度计算是基于相关系数法,例如,某两个时间序列XE、YE的相关系数:
两个序列XE、YE的线性相关关系是一种概率意义下的关系。所谓XE与YE具有线性相关关系YE=aXE+b,实质上就是随机点(x,y)在平面XEOYE内的散点分布在直线YE=aXE+b的附近,从散点的分布趋势来看,它们与YE=aXE+b形状相像。这种相像程度的好坏,完全由相关系数的大小来决定。若相关系数越大(小),则相象的程度越高(低),线性相关的程度也越高(低),概率P(YE=aXE+b)也就越大(小)。可见,考虑基于相关系数的趋势相似度的加权问题,应从XEOYE平面的散点图思考,如果某时间段的权重较小,则可减少其在散点图上相应的点,以降低这段时间对概率P(Y=aX+b)的影响。
基于该思想,提出了对相关系数法的改进,称为加权相关系数法。计算方法如下:将权重βk折算为各时间段降低采样率的倍数Mk:
βmax=max(βk),k=1,2,…,n
其中,Mk表征所述权重在每个时间段降低采样率的倍数,[]表征取整数,βmax表征每个时间段对应的权重的最大值,βk表征所述权重。
请参阅图1,进一步地,在获取每个时间段降低采样率的倍数后,可以进行下述步骤:
步骤S40:根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列。
第三时间序列获取方式为:
其中,XRk表征重采样后所述第三时间序列,xki表征可取得的值,i表征可取得的值的数量;
所述第四时间序列获取方式为:
其中,YRk表征重采样后所述第四时间序列,yki表征可取得的值,i表征可取得的值的数量。
请参阅图1,进一步地,在获取第三时间序列和第四时间序列后,可以进行下述步骤:
步骤S50:根据所述第三时间序列和所述第四时间序列,获取趋势相似度。
进一步地,为了获取趋势相似度,需要首先对第三时间序列和第四时间序列分别进行拼接处理。请参阅图2,是本发明实施例提供的用于设备模型趋势相似度的评估方法中根据所述第三时间序列和所述第四时间序列,获取趋势相似度的实现流程示意图,将所述第三时间序列和所述第四时间序列分别进行拼接处理,获取第五时间序列和第六时间序列;将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数;将所述加权相关系数进行映射处理,获取所述第一时间序列和所述第二时间序列的趋势相似度。获取趋势相似度的一种方式可以包括如下步骤:
步骤S501:将所述第三时间序列和所述第四时间序列分别进行拼接处理,获取第五时间序列和第六时间序列。
第五时间序列获取方式为:
XR={XRk,k=1,2,…,n}
其中,XR表征所述第五时间序列,XRk表征可取得的值,k表征时间段,n表征时间序列的分段数。
所述第六时间序列获取方式为:
YR={YRk,k=1,2,…,n}
其中,YR表征所述第六时间序列,YRk表征可取得的值。
在获取第五时间序列和第六时间序列后,可进行以下步骤:
步骤S502:将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数。
进一步地,为了获取加权相关系数,需要获取均值。请参阅图3,是本发明实施例提供的用于设备模型趋势相似度的评估方法中将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数的实现流程示意图,根据所述第五时间序列和所述第六时间序列,分别获取所述第五时间序列的均值以及所述第六时间序列的均值;根据所述第五时间序列的均值以及所述第六时间序列的均值,获取加权相关系数。获取加权相关系数的一种方式可以包括如下步骤:
步骤S5021:根据所述第五时间序列和所述第六时间序列,分别获取所述第五时间序列的均值以及所述第六时间序列的均值。
在获取均值后,可进行以下步骤:
步骤S5022:根据所述第五时间序列的均值以及所述第六时间序列的均值,获取加权相关系数。
加权相关系数为:
其中,R(XR,YR)表征加权相关系数,NR表征该集合中时间序列的值,X表征所述第五时间序列的均值,Y表征所述第六时间序列的均值。
在获取加权相关系数后,可进行以下步骤:
步骤S503:将所述加权相关系数进行映射处理,获取所述第一时间序列和所述第二时间序列的趋势相似度。
将加权相关系数R(XR,YR)由[-1,1]映射到[0,1],趋势相似度为:
其中,R′(XR,YR)表征所述第一时间序列和所述第二时间序列的趋势相似度。
请参阅图1,进一步地,在获取趋势相似度后,可以进行下述步骤:
步骤S60:根据所述趋势相似度,评估设备模型的可信度。
趋势相似度取值范围为0%-100%,越接近于100%,说明参考值越准确。
对于小于80%阈值的趋势相似度,可以认为参考值不准确,大于等于80%阈值的数值相似度可以认为参考值准确。
应当理解的是,上述阈值可以根据不同项目或者情况需求而有所变动,例如可以是50%或者95%等,此处不做限制。
应当理解的是,以上各英文字母和/或符号仅是为清楚说明该方法所指的具体参数意义,也可用其他字母或者符号表示,此处不做限制。
应当理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的一种用于设备模型趋势相似度的评估方法有益效果至少在于:本发明实施例对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;根据所述第三时间序列和所述第四时间序列,获取趋势相似度;根据所述趋势相似度,评估设备模型的可信度。根据趋势相似度对设备的实际运行变量的动态曲线进行有效性验证和可信度的评估,趋势相似度数学模型的建立为设备的设计、规划、运行和分析决策奠定了良好基础;减少了传统测试人力物力的浪费,区别于传统方法减少了对设备正常运行的影响,提高了评估的准确性;该方法评估迅速、实现流程简单,实现了智能化处理。
本发明实施例的目的还在于提供一种用于设备模型趋势相似度的评估装置,图4是本发明实施例提供的用于设备模型趋势相似度的评估装置的示意图,为了便于说明,仅示出与本申请实施例相关的部分。
请参阅图4,用于设备模型趋势相似度的评估装置包括信息确定模块71、权重获取模块72、倍数获取模块73、时间序列获取模块74、趋势获取模块75以及可信度获取模块76。其中,信息确定模块71用于对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;权重获取模块72用于根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;倍数获取模块73用于根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;时间序列获取模块74用于根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;趋势获取模块75用于根据所述第三时间序列和所述第四时间序列,获取趋势相似度;可信度获取模块76用于根据所述趋势相似度,评估设备模型的可信度。
请参阅图5,进一步地,趋势获取模块75包括时间序列获取单元751、加权处理单元752以及趋势相似度获取单元753。其中,时间序列获取单元751用于将所述第三时间序列和所述第四时间序列分别进行拼接处理,获取第五时间序列和第六时间序列;加权处理单元752用于将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数;趋势相似度获取单元753用于将所述加权相关系数进行映射处理,获取所述第一时间序列和所述第二时间序列的趋势相似度。
请参阅图6,进一步地,加权处理单元752包括均值获取子单元7521和加权相关系数获取子单元7522。其中,均值获取子单元7521用于根据所述第五时间序列和所述第六时间序列,分别获取所述第五时间序列的均值以及所述第六时间序列的均值;加权相关系数获取子单元7522用于根据所述第五时间序列的均值以及所述第六时间序列的均值,获取加权相关系数。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,所述终端设备8,包括处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现如用于设备模型趋势相似度的评估方法的步骤。例如图1-图3所示的步骤S10至S60。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器80、所述存储器81。本领域技术人员可以理解,图7仅仅是终端设备8的示例,并不构成对终端设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元,例如终端设备8的硬盘或内存。所述存储器81也可以是终端设备8的外部存储设备,例如所述终端设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
具体可以如下,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序:
计算机可读存储介质,包括所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述物联设备数据模拟方法的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于设备模型趋势相似度的评估方法,其特征在于,包括:
对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;
根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;
根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;
根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;
根据所述第三时间序列和所述第四时间序列,获取趋势相似度;
根据所述趋势相似度,评估设备模型的可信度。
4.如权利要求3所述的用于设备模型趋势相似度的评估方法,其特征在于,所述根据所述第三时间序列和所述第四时间序列,获取趋势相似度,包括:
将所述第三时间序列和所述第四时间序列分别进行拼接处理,获取第五时间序列和第六时间序列;
将所述第五时间序列和所述第六时间序列分别进行加权处理,获取加权相关系数;
将所述加权相关系数进行映射处理,获取所述第一时间序列和所述第二时间序列的趋势相似度。
5.如权利要求4所述的用于设备模型趋势相似度的评估方法,其特征在于,所述将所述第三时间序列和所述第四时间序列分别进行拼接处理,获取第五时间序列和第六时间序列中,所述第五时间序列获取方式为:
XR={XRk,k=1,2,…,n}
其中,XR表征所述第五时间序列,XRk表征可取得的值,k表征时间段,n表征时间序列的分段数;
所述第六时间序列获取方式为:
YR={YRk,k=1,2,…,n}
其中,YR表征所述第六时间序列,YRk表征可取得的值。
8.一种用于设备模型趋势相似度的评估装置,其特征在于,包括:
信息确定模块,用于对获取的设备模型的参考值和仿真值进行分段处理,获取第一时间序列和第二时间序列;
权重获取模块,用于根据所述第一时间序列、所述第二时间序列和层次分析模型,获取权重;
倍数获取模块,用于根据所述权重,获取所述第一时间序列和所述第二时间序列中每个时间段降低采样率的倍数;
时间序列获取模块,用于根据所述倍数,对所述第一时间序列和所述第二时间序列中每个时间段进行重采样,分别获取第三时间序列和第四时间序列;
趋势获取模块,用于根据所述第三时间序列和所述第四时间序列,获取趋势相似度;
可信度获取模块,用于根据所述趋势相似度,评估设备模型的可信度。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175677.8A CN110955862B (zh) | 2019-11-26 | 2019-11-26 | 一种用于设备模型趋势相似度的评估方法及装置 |
PCT/CN2020/130941 WO2021104216A1 (zh) | 2019-11-26 | 2020-11-23 | 一种用于设备模型趋势相似度的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175677.8A CN110955862B (zh) | 2019-11-26 | 2019-11-26 | 一种用于设备模型趋势相似度的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955862A true CN110955862A (zh) | 2020-04-03 |
CN110955862B CN110955862B (zh) | 2023-10-13 |
Family
ID=69976942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175677.8A Active CN110955862B (zh) | 2019-11-26 | 2019-11-26 | 一种用于设备模型趋势相似度的评估方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110955862B (zh) |
WO (1) | WO2021104216A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288318A (zh) * | 2020-11-17 | 2021-01-29 | 北京卡达克汽车检测技术中心有限公司 | 一种数据序列相关性评价的方法、装置和系统 |
WO2021104216A1 (zh) * | 2019-11-26 | 2021-06-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117213523B (zh) * | 2023-09-19 | 2024-06-04 | 重庆普施康科技发展股份有限公司 | Rfid读写器用于六分钟步行试验的步行距离读写方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013703A (zh) * | 2010-12-09 | 2011-04-13 | 中国南方电网有限责任公司电网技术研究中心 | 基于量测注入的发电机模型参数校核方法 |
CN104620313A (zh) * | 2012-06-29 | 2015-05-13 | 诺基亚公司 | 音频信号分析 |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN106487571A (zh) * | 2015-09-02 | 2017-03-08 | 中国移动通信集团公司 | 一种评估网络性能指标变化趋势的方法及装置 |
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
CN109034244A (zh) * | 2018-07-27 | 2018-12-18 | 国家电网有限公司 | 基于电量曲线特征模型的线损异常诊断方法及装置 |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
CN110245443A (zh) * | 2019-06-21 | 2019-09-17 | 中国人民解放军63892部队 | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 |
CN110502751A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7770072B2 (en) * | 2007-01-16 | 2010-08-03 | Xerox Corporation | Method and system for analyzing time series data |
CN103279643B (zh) * | 2013-04-26 | 2016-08-24 | 华北电力大学(保定) | 一种时间序列相似度的计算方法 |
CN108197820B (zh) * | 2018-01-22 | 2021-12-21 | 东南大学 | 一种配电网可靠性关联关系模型的建立方法 |
CN108683564B (zh) * | 2018-05-21 | 2020-05-22 | 中国科学院信息工程研究所 | 一种基于多维决策属性的网络仿真系统可信度评估方法 |
CN109886531B (zh) * | 2019-01-03 | 2021-03-23 | 新奥数能科技有限公司 | 一种计算设备能效的方法、装置、可读介质及电子设备 |
CN110955862B (zh) * | 2019-11-26 | 2023-10-13 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
-
2019
- 2019-11-26 CN CN201911175677.8A patent/CN110955862B/zh active Active
-
2020
- 2020-11-23 WO PCT/CN2020/130941 patent/WO2021104216A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013703A (zh) * | 2010-12-09 | 2011-04-13 | 中国南方电网有限责任公司电网技术研究中心 | 基于量测注入的发电机模型参数校核方法 |
CN104620313A (zh) * | 2012-06-29 | 2015-05-13 | 诺基亚公司 | 音频信号分析 |
CN106487571A (zh) * | 2015-09-02 | 2017-03-08 | 中国移动通信集团公司 | 一种评估网络性能指标变化趋势的方法及装置 |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
CN109034244A (zh) * | 2018-07-27 | 2018-12-18 | 国家电网有限公司 | 基于电量曲线特征模型的线损异常诊断方法及装置 |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
CN110245443A (zh) * | 2019-06-21 | 2019-09-17 | 中国人民解放军63892部队 | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 |
CN110502751A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021104216A1 (zh) * | 2019-11-26 | 2021-06-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN112288318A (zh) * | 2020-11-17 | 2021-01-29 | 北京卡达克汽车检测技术中心有限公司 | 一种数据序列相关性评价的方法、装置和系统 |
CN112288318B (zh) * | 2020-11-17 | 2023-11-07 | 中汽科技(北京)有限公司 | 一种数据序列相关性评价的方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110955862B (zh) | 2023-10-13 |
WO2021104216A1 (zh) | 2021-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992401B (zh) | 性能测试评价方法、装置、终端设备及存储介质 | |
US6823276B2 (en) | System and method for determining measurement errors of a testing device | |
CN110955862A (zh) | 一种用于设备模型趋势相似度的评估方法及装置 | |
CN109342989B (zh) | 一种电能表的误差分析方法及装置 | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN108900622B (zh) | 基于物联网的数据融合方法、装置与计算机可读存储介质 | |
CN111027190A (zh) | 一种用于设备模型数值相似度的评估方法及装置 | |
CN112132485A (zh) | 一种指标数据处理方法、装置、电子设备及存储介质 | |
Dette et al. | Relevant change points in high dimensional time series | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN110991761B (zh) | 一种供热负荷预测方法及装置 | |
CN111579869B (zh) | 互易二端口网络s参数测量方法、装置及终端设备 | |
CN111537776A (zh) | 一种行波波头标定方法、装置、终端以及介质 | |
Sun et al. | Model checking for partially linear models with missing responses at random | |
Nasri et al. | Semi-parametric copula-based models under non-stationarity | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
KR20210129453A (ko) | 전력계통 측정 데이터의 불량 데이터 검출 장치 및 방법 | |
CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
CN114491699A (zh) | 基于拓展区间数的三维cad软件易用性量化方法及装置 | |
CN108198173A (zh) | 一种混凝土裂缝区域的在线检测方法、装置及终端设备 | |
CN109059989B (zh) | 一种仪表剩余寿命评估的方法、系统及设备 | |
CN114022045A (zh) | 一种区域经济发展水平确定方法、装置及终端设备 | |
CN108227750B (zh) | 一种地面目标实时跟踪性能评估方法及系统 | |
CN110728289B (zh) | 一种家庭宽带用户的挖掘方法及设备 | |
CN110991838A (zh) | 通信运营商的竞争力指数的确定方法及装置 |
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 |