CN112036436A - 一种调相机油温预测系统的数据噪声处理方法及处理系统 - Google Patents

Abstract

一种调相机油温预测系统的数据噪声处理方法，包括以下内容：采集调相机油温历史数据；基于支持向量机的调相机油温历史数据总体判别；基于加权优化的线性插值法模型建立；基于线性插值原理的调相机油温历史数据毛刺点判别阈值设定；调相机油温历史数据毛刺点位置及数量精确判别；基于相关性加权的调相机油温历史数据平滑处理。本发明有效提高了油温数据毛刺点判别准确性和数据预处理精度，保证了调相机油温预测系统的预测精度，为调相机安全运行提供了有力支撑。

Description

一种调相机油温预测系统的数据噪声处理方法及处理系统

技术领域

本发明涉及一种调相机油温预测系统的数据噪声处理方法，属于调相机油温预测技术领域。

背景技术

随着远距离、大容量直流输电技术的迅速发展，特高压直流换流站在全国范围内得以大规模建设。据统计，2020年底国内将建成“四纵六横”特高压主网架和27回特高压直流线路，全面实现特高压电网为主干网架，各级电网协调发展的坚强智能电网。但直流输电需要大量无功支撑，为了满足无功的需求，国内首次提出采用同步调相机实现无功补偿功能。同步调相机具备快速动态无功调节和短时过载能力，能够有效降低换流站内换流阀换相失败几率，保证特高压大电网安全稳定运行。

同步调相机是一种大型旋转设备，配置了专门的油系统，主要提供润滑和绝缘的作用。同步调相机运行时，随着转子快速旋转，油系统内油温迅速升高。一旦油温过高，将会极大影响润滑和绝缘效果，加快转子磨损，不利于同步调相机的安全稳定运行。为了及时掌握油温，提前预判油温变化，提出了油温预测系统。油温预测系统一般是基于历史油温数据，结合天气状况进行预测，可见历史油温数据的正确性对油温预测的准确性有着较大影响。但在实际工作中，由于人员操作失误、系统故障等因素会造成历史油温数据出现误差(称之为数据毛刺点)，为了及时剔除数据毛刺点，提高油温预测精度，一般要对历史油温数据进行预处理。目前，数据噪声处理方法已有很多，主要包括阈值判别法、纵向对比法、线性插值法等，但这些方法存在判别阈值固定、缺乏平滑处理等问题，为了解决上述问题，亟需研究一种新的数据噪声处理方法。

发明内容

为了克服现有技术中存在的不足，本发明提供了一种调相机油温预测系统的数据噪声处理方法及处理系统，本发明根据油温数据最大变化率和平均值设计了数据毛刺点判别阈值，基于支持向量机和线性插值原理对油温数据毛刺点位置及数量进行精确判别，并基于相关性加权对油温数据进行了平滑处理，提高了油温数据毛刺点判别准确性和数据预处理精度，保证了调相机油温预测系统的准确性，为调相机安全运行提供了重要支撑。

为解决上述技术问题，本发明具体采用以下技术方案：

一种调相机油温预测系统的数据噪声处理方法，其特征在于，所述数据噪声处理方法包括以下步骤：

步骤1：采集调相机油温历史数据；

步骤2：对步骤1所采集的调相机油温历史数据，分成样本数据和预测数据，其中对作为样本数据的数据毛刺点进行标注，通过样本数据训练支持向量机；

步骤3：基于步骤2训练后的支持向量机，对调相机油温历史数据中的预测数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点；

步骤4：对于步骤3所判断出的存在毛刺点的某日油温历史数据，利用插值法计算每一采样点时刻的油温插值；

步骤5：计算步骤4所得到的每一采样点时刻的油温插值与该采样点时刻的温度历史数据的差的绝对值，然后与毛刺点判别阈值进行比对，当大于毛刺点判别阈值，则认为该采样点时刻的温度历史数据为毛刺点，然后进入步骤6，否则认为该采样点时刻的温度历史数据为正常数据；

步骤6：对步骤5所判断出的处于毛刺点位置的调相机油温历史数据毛刺点进行插值并平滑处理，然后基于平滑处理后的调相机油温历史数据进行油温预测。

进一步优选地：

在步骤1中，调相机油温每小时采集一次，每天采集24次油温数据。

在步骤2中，将样本数据中每小时对应的油温变化率作为支持向量机的输入变量X，则X可以表示成：

式中，T_ij表示第i天第j时刻的实际油温值；

假设

则支持向量机的输入变量X可以简化成：

X＝[x_i1,x_i2,…x_ij,…x_i23,x_i24]

式中，x_ij表示第i天第j时刻的油温变化率；

则对应的油温日变化率可以表示成f(X)：

f(X)＝x_i1b₁+x_i2b₂+…x_ijb_j+…x_i23b₂₃+x_i24b₂₄+b₂₅

支持向量机的输出变量为Y，其取值为-1和1，当f(X)的值为0时，Y＝1；当f(X)的值不等于0时，Y＝-1；

利用输入变量X和输出变量Y训练支持向量机，其中核函数K＝1，损失函数为平方损失函数。

在步骤3中，借助步骤2训练好的支持向量机对调相机油温历史数据中的预测数据进行分类判别，当输出为1时，表示调相机某日油温数据不存在毛刺点，当输出为-1时，表示调相机某日油温数据存在毛刺点。

在步骤4中，按照以下公式计算第i天第j时刻的油温插值：

式中，T_1ij表示第i天第j时刻的油温插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率，w₁₁和w₁₂表示插值模型的第一加权系数和第二加权系数，其中，j-p、j+q均为0-23以内的整数，p表示j时刻前有p-1个毛刺点，q表示j时刻后有q-1个毛刺点。

当j＝0时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(j+q)(24-p)表示第i天第j+q时刻相对第i-1天第24-p时刻的油温平均变化率。

当j＝23时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(q-1)(j-p)表示第i+1天第q-1时刻相对第i天第j-p时刻的油温平均变化率。

所述第一加权系数w₁₁和第二加权系数w₁₂优选按照以下表达式确定：

式中，R_j(j-p)表示第j时刻油温与第j-p时刻油温的相关性，R_j(j+q)表示第j时刻油温与第j+q时刻油温的相关性，其表达式分别如下：

式中，

表示所有预测数据中第j时刻的平均油温，T_ij表示第i天第j时刻油温历史数据，M为所有预测数据的总天数。

在步骤5中，计算第i天第j时刻的油温插值与第i天第j时刻的油温历史数据即油温实际值的差值绝对值大于第j时刻的毛刺点判别阈值T_bj时，表明第i天第j时刻的油温数据为毛刺点，否则为正常数据点，其表达式如下：

|T_1ij-T_ij|>T_bj

利用上面的表达式对每日24个油温数据点进行一一判别，得到油温数据毛刺点位置。

所述毛刺点判别阈值为动态阈值，按照以下公式计算确定：

其中，I_j为所有预测数据中，第j时刻油温插值相对于第j时刻油温实际值即的最大变化率：

第j时刻油温的平均值T_0j，其表达式如下：

M为所有预测数据的总天数。

在步骤6中，对毛刺点位置的温度历史数据进行处理，通过插值处理后替代原油温历史数据即油温实际值。

在步骤6中，按照下式采用线性插值法对毛刺点油温数据进行插值处理：

式中，T_2ij表示对毛刺点油温数据进行线性插值后得到毛刺点插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率，R_j(j-p)表示第j时刻油温与第j-p时刻油温的相关性，R_j(j+q)表示第j时刻油温与第j+q时刻油温的相关性。

在步骤6中，对计算得到的毛刺点插值T_2ij进行平滑处理得到平滑处理后的油温平滑滤波值T_3ij：

首先利用相关性原理，计算与油温毛刺点第j时刻油温相关性最大的四个时刻，设四个时刻分别为k、l、m、n时刻。然后基于滑动平均滤波原理，利用k、l、j、m、n五个时刻油温对第j时刻的油温进行平滑滤波处理，其表达式如下：

T_3ij＝w_lT_il+w_kT_ik+w_jT_2ij+w_mT_im+w_nT_in

其中，k、l、m、n时刻是与油温毛刺点第j时刻油温相关性最大的四个时刻，T_ik、T_il、T_im、T_in分别为k、l、m、n时刻的油温历史数据，将对应的相关性按从大到小进行排序，此时前四个相关性对应的时刻即为k、l、m、n时刻，w_l、w_k、w_j、w_m、w_n分别表示第k、l、j、m、n时刻对应的加权值。

第k、l、j、m、n时刻对应的加权值表达式如下：

其中，R_jl表示第l个时刻油温与第j时刻油温的相关性，R_jk表示第k个时刻油温与第j时刻油温的相关性，R_jm表示第m个时刻油温与第j时刻油温的相关性，R_jn表示第n个时刻油温与第j时刻油温的相关性；

将加权值w_l、w_k、w_j、w_m、w_n代入五点滑动平均滤波模型即可得到油温数据平滑处理模型，其表达式如下：

本申请还同时公开了一种如前所述调相机油温预测系统的数据噪声处理方法的温度数据处理系统，包括数据采集模块、支持向量机、第一插值计算模块、阈值生成模块、毛刺点数据判别模块、第二插值计算模块、平滑处理模块；其特征在于：

所述数据采集模块采集调相机油温历史数据，基于油温历史数据训练支持向量机；通过支持向量机对待预测的调相机油温历史数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点；所述第一插值计算模块对存在毛刺点的调相机该日油温历史数据中每一采集时刻进行插值计算得到该日每一采样时刻的油温插值；毛刺点数据判别模块计算第一插值计算模块得到的油温插值与该日对应时刻的油温实际值的差值绝对值，并且将绝对值与阈值生成模块计算的对应阈值比较判断温度数据毛刺点；所述第二插值计算模块对毛刺点温度数据进行插值处理得到毛刺点插值，然后上传至平滑处理模块对毛刺点插值进行平滑处理。

有益效果：本发明提供的一种调相机油温预测系统的数据噪声处理方法，充分利用油温历史数据最大变化率和平均值设计了油温数据毛刺点判别阈值，基于支持向量机和线性插值原理对油温数据毛刺点位置及数量进行精确判别，并基于相关性加权算法对油温数据进行了平滑处理，有效提高了油温数据毛刺点判别准确性和数据预处理精度，保证了调相机油温预测系统的精度，为调相机安全运行提供了重要支撑。具有以下优点：1.充分考虑各时刻油温数据变化情况，合理设置油温数据毛刺点判别阈值，有效提高了油温数据毛刺点位置及数量判别精度。2.基于相关性加权算法对油温数据进行了平滑处理，提高了油温数据预处理精度。3.有效保证了调相机油温预测系统的精度，为调相机安全运行提供了重要支撑。

附图说明

图1是本发明调相机油温预测系统的数据噪声处理方法流程图；

图2是本发明数据预处理系统结构框图；

图3是本发明调相机油温预测系统的数据噪声处理方法效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

调相机油温预测系统的数据噪声处理方法流程如图1所示。

本发明调相机油温预测系统的数据噪声处理方法，包括以下步骤：

步骤1：采集调相机油温历史数据。

调相机油温每小时采集一次，每天采集24次油温数据。

步骤2：将步骤1所采集的调相机油温历史数据，分成样本数据和预测数据，其中对作为样本数据的数据毛刺点进行标注，通过样本数据训练支持向量机。

步骤3：基于步骤2训练后的支持向量机，对调相机油温历史数据中的预测数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点，当支持向量机输出为1时，表示预测数据不存在毛刺点；当支持向量机输出为-1时，表示预测数据存在毛刺点。

将样本数据中每小时对应的油温变化率作为支持向量机的输入变量X，则X可以表示成：

式中，T_ij表示第i天第j时刻的实际油温值；

假设

则支持向量机的输入变量X可以简化成：

X＝[x_i1,x_i2,…x_ij,…x_i23,x_i24]

式中，x_ij表示第i天第j时刻的油温变化率；

则对应的油温日变化率可以表示成f(X)：

f(X)＝x_i1b₁+x_i2b₂+…x_ijb_j+…x_i23b₂₃+x_i24b₂₄+b₂₅

输出变量为Y，其取值为-1和1，当f(X)的值为0时，Y＝1；当f(X)的值不等于0时，Y＝-1；

其中核函数选择方法具体是指：

设X₁＝[X,1]＝[x_i1,x_i2,…x_ij,…x_i23,x_i24,1]，B＝[b₁,b₂,…b_j,…b₂₃,b₂₄,b₂₅]，则f(X)可以表示成：

f(X)＝X₁B^T

由于变量X₁次数为1，而B为中间变量，通过训练确定，因此该问题为多维线性可分，不需要核函数，即可设核函数K＝1。

利用变量X和Y训练支持向量机，其中核函数K＝1，损失函数为平方损失函数。

步骤4：对于步骤3所判断出的存在毛刺点的某日油温历史数据，利用插值法计算每一采样点时刻的油温插值。

按照以下公式计算第i天第j时刻的油温插值：

式中，T_1ij表示第i天第j时刻的油温插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率，w₁₁和w₁₂表示插值模型的第一加权系数和第二加权系数，其中，j、j-p、j+q均为0-23以内的整数，p表示j时刻前有p-1个毛刺点，q表示j时刻后有q-1个毛刺点。

当j＝0时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(j+q)(24-p)表示第i天第j+q时刻相对第i-1天第24-p时刻的油温平均变化率。

当j＝23时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(q-1)(j-p)表示第i+1天第q-1时刻相对第i天第j-p时刻的油温平均变化率。

其中第一加权系数w₁₁和第二加权系数w₁₂优选按照以下表达式确定：

式中，R_j(j-p)表示第j时刻油温与第j-p时刻油温的相关性，R_j(j+q)表示第j时刻油温与第j+q时刻油温的相关性，其表达式分别如下：

式中，

表示所有预测数据中第j时刻的平均油温，T_ij表示第i天第j时刻油温历史数据。

步骤5：计算步骤4所得到的每一采样点时刻的油温插值与该采样点时刻的温度历史数据的差的绝对值，然后与阈值进行比对，当大于阈值，则认为该采样点时刻的温度历史数据为毛刺点，然后进入步骤6，否则认为该采样点时刻的温度历史数据为正常数据。

计算第i天第j时刻的油温插值与第i天第j时刻的油温历史数据即油温实际值的差值绝对值大于第j时刻的毛刺点判别阈值T_bj时，表明第i天第j时刻的油温数据为毛刺点，否则为正常数据点，其表达式如下：

|T_1ij-T_ij|>T_bj (13)

利用上面的表达式对每日24个油温数据点进行一一判别，得到油温数据毛刺点位置。

毛刺点判别阈值为动态阈值，按照以下公式计算确定：

其中，I_j为所有预测数据中，第j时刻油温插值相对于第j时刻油温实际值即的最大变化率：

第j时刻油温的平均值T_0j，其表达式如下：

M为所有预测数据的总天数。

步骤6：对步骤5所判断出的处于毛刺点位置的调相机油温历史数据毛刺点进行插值并平滑处理，然后基于平滑处理后的调相机油温历史数据进行油温预测。

按照下式采用线性插值法对毛刺点油温数据进行插值处理：

式中，T_2ij表示对毛刺点油温数据进行线性插值后得到毛刺点插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率。

对计算得到的毛刺点插值T_2ij进行平滑处理得到平滑处理后的油温平滑滤波值T_3ij：

首先利用相关性原理，计算与油温毛刺点第j时刻油温相关性最大的四个时刻，设四个时刻分别为k、l、m、n时刻。然后基于滑动平均滤波原理，利用k、l、j、m、n五个时刻油温对第j时刻的油温进行平滑滤波处理，其表达式如下：

T_3ij＝w_lT_il+w_kT_ik+w_jT_2ij+w_mT_im+w_nT_in

其中，k、l、m、n时刻是与油温毛刺点第j时刻油温相关性最大的四个时刻，T_ik、T_il、T_im、T_in分别为k、l、m、n时刻的油温历史数据，所述相关性最大是指：根据样本数据，计算除第j时刻以外其余23个时刻油温与第j时刻油温的相关性，将对应的相关性按从大到小进行排序，此时前四个相关性对应的时刻即为k、l、m、n时刻。w_l、w_k、w_j、w_m、w_n分别表示第k、l、j、m、n时刻对应的加权值。

第k、l、j、m、n时刻对应的加权值表达式如下：

其中，R_jl表示第l个时刻油温与第j时刻油温的相关性，R_jk表示第k个时刻油温与第j时刻油温的相关性，R_jm表示第m个时刻油温与第j时刻油温的相关性，R_jn表示第n个时刻油温与第j时刻油温的相关性。

将加权值w_l、w_k、w_j、w_m、w_n代入五点滑动平均滤波模型即可得到油温数据平滑处理模型，其表达式如下：

调相机油温预测系统的数据噪声处理方法的温度数据处理系统如图2所示，包括数据采集模块、支持向量机、第一插值计算模块、阈值生成模块、毛刺点数据判别模块、第二插值计算模块、平滑处理模块。

数据采集模块采集调相机油温历史数据，基于油温历史数据训练支持向量机；通过支持向量机对待预测的调相机油温历史数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点；第一插值计算模块对存在毛刺点的调相机该日油温历史数据中每一采集时刻进行插值计算得到该日每一采样时刻的油温插值；毛刺点数据判别模块计算第一插值计算模块得到的油温插值与该日对应时刻的油温实际值的差值绝对值，并且将绝对值与阈值生成模块计算的对应阈值比较判断温度数据毛刺点；第二插值计算模块对毛刺点温度数据进行插值处理得到毛刺点插值，然后上传至平滑处理模块对毛刺点插值进行平滑处理。

以江苏电网某台调相机典型日油温数据为例进行说明，在调相机典型日油温曲线的最高点和最低点设置两个油温数据毛刺点，利用本发明对油温历史数据进行预处理，效果如图3所示，显然本发明能够准确判别油温数据毛刺点的位置和数量，提高油温数据预处理精度，满足调相机油温预测系统的精度要求，有效避免调相机油温过高引起的转子轴承磨损，为调相机安全运行提供了有力支撑。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种调相机油温预测系统的数据噪声处理方法，其特征在于，所述数据噪声处理方法包括以下步骤：

步骤1：采集调相机油温历史数据；

步骤2：对步骤1所采集的调相机油温历史数据，分成样本数据和预测数据，其中对作为样本数据的数据毛刺点进行标注，通过样本数据训练支持向量机；

步骤3：基于步骤2训练后的支持向量机，对调相机油温历史数据中的预测数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点；

步骤4：对于步骤3所判断出的存在毛刺点的某日油温历史数据，利用插值法计算每一采样点时刻的油温插值；

步骤5：计算步骤4所得到的每一采样点时刻的油温插值与该采样点时刻的温度历史数据的差的绝对值，然后与毛刺点判别阈值进行比对，当大于毛刺点判别阈值，则认为该采样点时刻的温度历史数据为毛刺点，然后进入步骤6，否则认为该采样点时刻的温度历史数据为正常数据；

步骤6：对步骤5所判断出的处于毛刺点位置的调相机油温历史数据毛刺点进行插值并平滑处理，然后基于平滑处理后的调相机油温历史数据进行油温预测。

2.根据权利要求1所述的调相机油温预测系统的数据噪声处理方法，其特征在于：在步骤1中，调相机油温每小时采集一次，每天采集24次油温数据。

3.根据权利要求1所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤2中，将样本数据中每小时对应的油温变化率作为支持向量机的输入变量X，则X可以表示成：

式中，T_ij表示第i天第j时刻的实际油温值；

假设

则支持向量机的输入变量X可以简化成：

X＝[x_i1,x_i2,…x_ij,…x_i23,x_i24]

式中，x_ij表示第i天第j时刻的油温变化率；

则对应的油温日变化率可以表示成f(X)：

f(X)＝x_i1b₁+x_i2b₂+…x_ijb_j+…x_i23b₂₃+x_i24b₂₄+b₂₅

b₁、b₂……b₂₅为中间变量，通过训练确定，支持向量机的输出变量为Y，其取值为-1和1，当f(X)的值为0时，Y＝1；当f(X)的值不等于0时，Y＝-1；

利用输入变量X和输出变量Y训练支持向量机，其中核函数K＝1，损失函数为平方损失函数。

4.根据权利要求3所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤3中，借助步骤2训练好的支持向量机对调相机油温历史数据中的预测数据进行分类判别，当输出为1时，表示调相机某日油温数据不存在毛刺点，当输出为-1时，表示调相机某日油温数据存在毛刺点。

5.根据权利要求1所述的调相机油温预测系统的数据噪声处理方法，其特征在于：在步骤4中，按照以下公式计算第i天第j时刻的油温插值：

式中，T_1ij表示第i天第j时刻的油温插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率，w₁₁和w₁₂表示插值模型的第一加权系数和第二加权系数，其中，j-p、j+q均为0-23以内的整数，p表示j时刻前有p-1个毛刺点，q表示j时刻后有q-1个毛刺点。

6.根据权利要求5所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

当j＝0时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(j+q)(24-p)表示第i天第j+q时刻相对第i-1天第24-p时刻的油温平均变化率。

当j＝23时，按照以下公式计算第i天第j时刻的油温插值：

式中，△P_(q-1)(j-p)表示第i+1天第q-1时刻相对第i天第j-p时刻的油温平均变化率。

7.根据权利要求5所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

所述第一加权系数w₁₁和第二加权系数w₁₂优选按照以下表达式确定：

式中，R_j(j-p)表示第j时刻油温与第j-p时刻油温的相关性，R_j(j+q)表示第j时刻油温与第j+q时刻油温的相关性，其表达式分别如下：

式中，

表示所有预测数据中第j时刻的平均油温，T_ij表示第i天第j时刻油温历史数据，M为所有预测数据的总天数。

8.根据权利要求1所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤5中，计算第i天第j时刻的油温插值与第i天第j时刻的油温历史数据即油温实际值的差值绝对值大于第j时刻的毛刺点判别阈值T_bj时，表明第i天第j时刻的油温数据为毛刺点，否则为正常数据点，其表达式如下：

|T_1ij-T_ij|>T_bj

利用上面的表达式对每日24个油温数据点进行一一判别，得到油温数据毛刺点位置。

9.根据权利要求8所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

所述毛刺点判别阈值为动态阈值，按照以下公式计算确定：

其中，I_j为所有预测数据中，第j时刻油温插值相对于第j时刻油温实际值即的最大变化率：

第j时刻油温的平均值T_0j，其表达式如下：

M为所有预测数据的总天数。

10.根据权利要求1所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤6中，对毛刺点位置的温度历史数据进行处理，通过插值处理后替代原油温历史数据即油温实际值。

11.根据权利要求10所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤6中，按照下式采用线性插值法对毛刺点油温数据进行插值处理：

式中，T_2ij表示对毛刺点油温数据进行线性插值后得到毛刺点插值，T_i(j-p)为第i天第j-p时刻的油温历史数据，T_i(j+q)为第i天第j+q时刻的油温历史数据，△P_(j+q)(j-p)表示第j+q时刻相对第j-p时刻的油温平均变化率，R_j(j-p)表示第j时刻油温与第j-p时刻油温的相关性，R_j(j+q)表示第j时刻油温与第j+q时刻油温的相关性。

12.根据权利要求11所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

在步骤6中，对计算得到的毛刺点插值T_2ij进行平滑处理得到平滑处理后的油温平滑滤波值T_3ij：

首先利用相关性原理，计算与油温毛刺点第j时刻油温相关性最大的四个时刻，设四个时刻分别为k、l、m、n时刻。然后基于滑动平均滤波原理，利用k、l、j、m、n五个时刻油温对第j时刻的油温进行平滑滤波处理，其表达式如下：

T_3ij＝w_lT_il+w_kT_ik+w_jT_2ij+w_mT_im+w_nT_in

其中，k、l、m、n时刻是与油温毛刺点第j时刻油温相关性最大的四个时刻，T_ik、T_il、T_im、T_in分别为k、l、m、n时刻的油温历史数据，将对应的相关性按从大到小进行排序，此时前四个相关性对应的时刻即为k、l、m、n时刻，w_l、w_k、w_j、w_m、w_n分别表示第k、l、j、m、n时刻对应的加权值。

13.根据权利要求12所述的调相机油温预测系统的数据噪声处理方法，其特征在于：

第k、l、j、m、n时刻对应的加权值表达式如下：

其中，R_jl表示第l个时刻油温与第j时刻油温的相关性，R_jk表示第k个时刻油温与第j时刻油温的相关性，R_jm表示第m个时刻油温与第j时刻油温的相关性，R_jn表示第n个时刻油温与第j时刻油温的相关性；

将加权值w_l、w_k、w_j、w_m、w_n代入五点滑动平均滤波模型即可得到油温数据平滑处理模型，其表达式如下：

14.一种基于权利要求1-13任一项权利要求所述的调相机油温预测系统的数据噪声处理方法的温度数据处理系统，包括数据采集模块、支持向量机、第一插值计算模块、阈值生成模块、毛刺点数据判别模块、第二插值计算模块、平滑处理模块；其特征在于：

所述数据采集模块采集调相机油温历史数据，基于油温历史数据训练支持向量机；通过支持向量机对待预测的调相机油温历史数据进行总体判别，判断调相机某日油温历史数据是否存在毛刺点；所述第一插值计算模块对存在毛刺点的调相机该日油温历史数据中每一采集时刻进行插值计算得到该日每一采样时刻的油温插值；毛刺点数据判别模块计算第一插值计算模块得到的油温插值与该日对应时刻的油温实际值的差值绝对值，并且将绝对值与阈值生成模块计算的对应阈值比较判断温度数据毛刺点；所述第二插值计算模块对毛刺点温度数据进行插值处理得到毛刺点插值，然后上传至平滑处理模块对毛刺点插值进行平滑处理。

Images