CN113536207B - 一种物联网网关异常状态下的节能采样方法 - Google Patents
一种物联网网关异常状态下的节能采样方法 Download PDFInfo
- Publication number
- CN113536207B CN113536207B CN202110836466.5A CN202110836466A CN113536207B CN 113536207 B CN113536207 B CN 113536207B CN 202110836466 A CN202110836466 A CN 202110836466A CN 113536207 B CN113536207 B CN 113536207B
- Authority
- CN
- China
- Prior art keywords
- value
- sampling
- time
- exponential smoothing
- data
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000002618 waking effect Effects 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种物联网网关异常状态下的节能采样方法,包括:对于传感器负责采样的物理量,设定好相关的参数,以及最小的采样间隔时间;传感器节点执行采样,将采样数据存储,然后对采样数据做二阶差分,并根据差分值决定下次采样时间间隔,其值为最小采样间隔时间的整数倍;根据之前的采样值及预测值,通过三次指数平滑算法预测出下一时刻到下次采样时的数据;当采样值与预测的该时刻的值的误差大于阈值时,后面若干个数据采用最小时间间隔来进行采样,平滑值也初始化,并用连续采样获得的数据进行迭代。本发明能够避免无效的采集和数据丢失;对采样数据进行二阶差分运算,实现了采样的节能,能够保证获得足够的数据和预测的准确性。
Description
技术领域
本发明属于低功耗广域网通信技术领域,尤其涉及一种基于动态调整采样间隔时间的网关异常状态下的节能采样方法。
背景技术
现有的物联网系统以无线传感器网络系统居多,这些网络中的节点设备上含有传感器,一般以固定的周期采集数据并立刻上报。但是因为工作环境的影响,节点设备以电池供电设备为主,而且难以更换电池,因此,节能问题显得尤为重要。受技术和场景影响,很难保证网关一定不会出现问题,也难以确保网关出现异常后能尽快修复。而在网关处于异常状态时,传感器节点仍然以原先的方式进行采样,但是采样数据无法上传到网关,而被直接丢弃,导致的节点能量被浪费;同时,采样获得的数据虽然失去了时效性,但是作为历史数据有重要的参考价值。
通常采集的数据一般有以下特征:这些数据都是与时间相关的连续可导函数,在一些时间内的数据变化极小;而在一些时刻内,环境数值会产生线性或非线性的变化。因此可以分析数据变化的规律,动态调整采样时间间隔,从而最大程度的保留数据曲线的形状,但是采样的频率会影响数据整体变化趋势的还原。而在相同的采样频率的状态下,环境数据的二阶导数越小,采样数据的还原度就越高。因此,可以通过环境数据的二阶导数的变化,动态的调整采样频率。
因为传感器采集的物理量是以时间为自变量的函数,因此实际采集到的数据是一个离散的时间序列。时间序列是按照时间的顺序排列,值随着时间变化,且相互关联的数据序列。对于离散的数据,并没有导数的概念,但是根据导数的推导方式,可以得到差分的概念;同样,离散数据也存在高阶差分,其性质类似于连续函数的高阶导数。现实中的数据很少会在短时间内急剧变化,而且传感器密集采样获得的数据曲线也并不是真正的平滑的,而是有许多毛刺,数据在一段时间内围绕着一个均值产生一定的偏差,这种情况产生的原因多种多样,包括但不限于环境中一些随机因素的变化、传感器本身的精度不够,甚至是空间中的电磁波对传感器电路造成了影响,因此会导致某些时刻的二阶差分值异常的高,影响节点对数据后面趋势的判断。
在一些应用场景,比如采样的数据用于训练神经网络模型,需要有足够的数据集。如果仅仅记录采样值的话,首先会造成数据的量不足,其次也存在数据在时间上的分布不均匀等情况。
发明内容
在传统的物联网系统中,传感器节点在网关发生异常后仍然以原先的方式进行采样,但是采样数据无法上传到网关,导致的节点能量被浪费。同时,采样获得的数据虽然失去了时效性,但是作为历史数据有重要的参考价值。本发明旨在解决此问题,通过将采样数据储存在存储器中来实现采样数据的保存,并通过对采样数据作二阶差分,实现动态间隔时间采样来节约采样能量。
本发明将采样数据储存在芯片的存储器中,然后对采样数据进行二阶差分运算,并根据差分值决定下一次采样的间隔时间;另外,为了保证能够获得足够的数据,使用三次指数平滑算法对未执行采样的时间点的数据进行预测。
本发明一种物联网网关异常状态下的节能采样方法,包括:
对于传感器负责采样的物理量,分析其在自然状态下的变化规律,设定好相关的参数,以及最小的采样间隔时间;
传感器节点执行采样,将采样数据存储,然后对采样数据做二阶差分,并根据差分值决定下次采样时间间隔,其值为最小采样间隔时间的整数倍;
根据之前的采样值及预测值,通过三次指数平滑算法预测出下一时刻到下次采样时的数据;
当采样值与预测的该时刻的值的误差大于阈值时,后面若干个数据采用最小时间间隔来进行采样,平滑值也初始化,并用连续采样获得的数据进行迭代。
本发明的有益效果在于:
1.在网关处于异常状态时,将节点的采样数据存储在芯片的存储器上,避免了无效的采集和数据丢失;
2.对采样数据进行二阶差分运算,并根据二阶差分值动态调整采样间隔时间,实现了采样的节能;
3.使用三次指数平滑算法对未采样的时间点的数据进行了预测,保证能够获得足够的数据;
4.对预测数据的误差进行评估,并修正平滑值,保证了预测的准确性。
附图说明
图1为本发明实施例提供的原理框图;
图2为二阶差分值和采样时间间隔的映射函数T(x)的示意图;
图3为网关正常时的指数平滑值更新的流程图;
图4为网关异常时的动态采样流程图;
图5为本发明整个流程的流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
如附图1所示,本发明为一种基于动态调整采样间隔时间的网关异常状态下的节能采样方法,具体实现流程为:
A1:对传感器负责采集的物理量在自然状态下的变化规律进行分析,设置最小采样时间间隔tu,并指定二阶差分值和采样时间间隔的映射表,将该表定义为函数T(x),自变量为二阶差分值,输出为下一次采样的时间间隔,为最小采样时间间隔的整数倍,如附图2所示;同时设定好二阶差分的步长n,即通过对相邻的n个数据求均值,然后再计算这些均值的二阶差分值;另外设定预测误差的阈值ε,以及当误差超过阈值后平滑值重新初始化需要迭代的次数k,为了更准确的预测数据,提前仿真实验并确定好平滑常数a;
A2:在网关正常的时期,为了采样数据的时效性,一般可以考虑使用最小时间间隔tu作为采样时间间隔。每次采样采集到的数据,不仅仅要上报给网关,同时也要用于更新三次指数平滑值。三次指数平滑算法的计算公式为:
其中表示t时刻的三次指数平滑值,/>表示t时刻的二次指数平滑值。二次指数平滑算法的公式如下:
式中指t时刻的一次指数平滑值,一次指数平滑算法的基本公式为:
St=ayt-1+(1-a)St-1;
其中St指t时刻的一次指数平滑值,yt-1是t-1时刻的实际值,St-1是t-1时刻的平滑值,a是平滑常数,取值为[0,1]。
三次指数平滑算法的预测值为:
Yt+k=pt+kqt+k2rt;
其中:
在节点初始化时,执行第一次采样,并且将第一次采集的数据定义为第一时刻的一次指数平滑值二次指数平滑值/>三次指数平滑值/>以及实际值y1;当这些初始值定义完成后,循环执行下面的流程:
A21:执行一次采样,获得此刻的数据,记为yt;
A22:通过上一次的采样值yt-1,以及上一次的一次指数平滑值计算出本次的一次指数平滑值/>并更新一次指数平滑值;
A23:通过上一步获得的一次指数平滑值以及上一次的二次指数平滑值/>计算出本次的二次指数平滑值/>并更新二次指数平滑值;
A24:通过上一步获得的二次指数平滑值以及上一次的三次指数平滑值/>计算出本次的三次指数平滑值/>并更新三次指数平滑值;
将以上的流程结合,得到的算法流程图如图3所示。
A3:根据本次采样的获得的值以及之前采样和预测获得的值,计算二阶差分。将网关异常时的数据采样值和预测值储存在数组中,令t表示数组Y的元素数量,或者说是时间序列的时刻值,则最新采集的数据为Y(t);定义变量▽2S用来储存二阶差分值,则有:
获得的下一次采样的间隔时间为
A4:使用三次指数平滑算法,预测出中间未采样的时刻的值及下一次执行采样的时刻的值,同时更新平滑值;
A5:睡眠后唤醒并执行采样,将采样值与上次预测的值进行对比,当预测值与真实值的误差大于ε时,用当前的采样值初始化平滑值,并连续k次以最小时间间隔tu进行采样,同时更新平滑值。
本发明的有益效果在于:
1.在网关处于异常状态时,将节点的采样数据存储在芯片的存储器上,避免了无效的采集和数据丢失;
2.对采样数据进行二阶差分运算,并根据二阶差分值动态调整采样间隔时间,实现了采样的节能;
3.使用三次指数平滑算法对未采样的时间点的数据进行了预测,保证能够获得足够的数据;
4.对预测数据的误差进行评估,并修正平滑值,保证了预测的准确性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种物联网网关异常状态下的节能采样方法,其特征在于,包括:
A1:对传感器负责采集的物理量在自然状态下的变化规律进行分析,设置最小采样时间间隔tu,并指定二阶差分值和采样时间间隔的映射表,将该表定义为函数T(x),自变量为二阶差分值,输出为下一次采样的时间间隔,为最小采样时间间隔的整数倍;同时设定好二阶差分的步长n,即通过对相邻的n个数据求均值,然后再计算这些均值的二阶差分值;另外设定预测误差的阈值ε,以及当误差超过阈值后平滑值重新初始化需要迭代的次数k,提前仿真实验并确定好平滑常数a;
A2:在网关正常的时期,使用最小时间间隔tu作为采样时间间隔;每次采样采集到的数据,既要上报给网关,同时也要用于更新三次指数平滑值;三次指数平滑算法的计算公式为:
其中表示t时刻的三次指数平滑值,/>表示t时刻的二次指数平滑值;二次指数平滑算法的公式如下:
式中指t时刻的一次指数平滑值,一次指数平滑算法的基本公式为:
St=ayt-1+(1-a)St-1;
其中St指t时刻的一次指数平滑值,yt-1是t-1时刻的实际值,St-1是t-1时刻的平滑值,a是平滑常数,取值为[0,1];
三次指数平滑算法的预测值为:
Yt+k=pt+kqt+k2rt;
其中:
在节点初始化时,执行第一次采样,并且将第一次采集的数据定义为第一时刻的一次指数平滑值二次指数平滑值/>三次指数平滑值/>以及实际值y1;当这些初始值定义完成后,循环执行下面的流程:
A21:执行一次采样,获得此刻的数据,记为yt;
A22:通过上一次的采样值yt-1,以及上一次的一次指数平滑值计算出本次的一次指数平滑值/>并更新一次指数平滑值;
A23:通过上一步获得的一次指数平滑值以及上一次的二次指数平滑值/>计算出本次的二次指数平滑值/>并更新二次指数平滑值;
A24:通过上一步获得的二次指数平滑值以及上一次的三次指数平滑值/>计算出本次的三次指数平滑值/>并更新三次指数平滑值;
A3:根据本次采样的获得的值以及之前采样和预测获得的值,计算二阶差分;将网关异常时的数据采样值和预测值储存在数组中,令t表示数组Y的元素数量,或者说是时间序列的时刻值,则最新采集的数据为Y(t);定义变量用来储存二阶差分值,则有:
获得的下一次采样的间隔时间为T(▽2S);
A4:使用三次指数平滑算法,预测出中间未采样的时刻的值及下一次执行采样的时刻的值,同时更新平滑值;
A5:睡眠后唤醒并执行采样,将采样值与上次预测的值进行对比,当预测值与真实值的误差大于ε时,用当前的采样值初始化平滑值,并连续k次以最小时间间隔tu进行采样,同时更新平滑值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836466.5A CN113536207B (zh) | 2021-07-23 | 2021-07-23 | 一种物联网网关异常状态下的节能采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836466.5A CN113536207B (zh) | 2021-07-23 | 2021-07-23 | 一种物联网网关异常状态下的节能采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536207A CN113536207A (zh) | 2021-10-22 |
CN113536207B true CN113536207B (zh) | 2024-02-02 |
Family
ID=78089256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836466.5A Active CN113536207B (zh) | 2021-07-23 | 2021-07-23 | 一种物联网网关异常状态下的节能采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536207B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221642A (ja) * | 2010-04-06 | 2011-11-04 | Nippon Steel Corp | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集系统的异常数据实时处理方法 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN107742168A (zh) * | 2017-10-20 | 2018-02-27 | 西北工业大学 | 一种基于物联技术的生产车间动态瓶颈预测方法 |
CN107942139A (zh) * | 2017-12-28 | 2018-04-20 | 哈尔滨工业大学 | 一种新型电力谐波参数软件同步采样方法 |
WO2019231659A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN111970654A (zh) * | 2020-07-08 | 2020-11-20 | 成都慧简联信息科技有限公司 | 一种基于数据特征的传感器节点动态节能采样方法 |
CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
-
2021
- 2021-07-23 CN CN202110836466.5A patent/CN113536207B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221642A (ja) * | 2010-04-06 | 2011-11-04 | Nippon Steel Corp | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集系统的异常数据实时处理方法 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN107742168A (zh) * | 2017-10-20 | 2018-02-27 | 西北工业大学 | 一种基于物联技术的生产车间动态瓶颈预测方法 |
CN107942139A (zh) * | 2017-12-28 | 2018-04-20 | 哈尔滨工业大学 | 一种新型电力谐波参数软件同步采样方法 |
WO2019231659A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN111970654A (zh) * | 2020-07-08 | 2020-11-20 | 成都慧简联信息科技有限公司 | 一种基于数据特征的传感器节点动态节能采样方法 |
CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
微惯性传感器零点漂移融合滤波算法研究;李雪莲;孙尧;莫宏伟;;传感器与微系统(第06期);全文 * |
李雪莲 ; 孙尧 ; 莫宏伟 ; .微惯性传感器零点漂移融合滤波算法研究.传感器与微系统.2009,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113536207A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN113191564A (zh) | 一种光伏功率预测方法、装置及服务器 | |
CN111970654B (zh) | 一种基于数据特征的传感器节点动态节能采样方法 | |
WO2022100229A1 (zh) | 一种基于人工智能的锂离子电池系统soc估计方法 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN113536207B (zh) | 一种物联网网关异常状态下的节能采样方法 | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN113589179A (zh) | 一种基于凸空间滤波的动力电池化成过程状态估计方法 | |
CN109788547B (zh) | 一种低通信负载的温度补偿的自适应时间同步方法 | |
CN117370917B (zh) | 一种城市智慧路灯寿命预测方法及系统 | |
CN107835025B (zh) | 一种电力负荷历史数据自适应压缩方法和系统 | |
CN110632521B (zh) | 一种锂离子电池容量的融合估计方法 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN108966253A (zh) | 无线传感器网络的异步流言传播多智能体分布式优化方法 | |
Zhang et al. | Research on energy-saving algorithm of wireless sensor network based on penalty error matrix | |
CN114530214A (zh) | 一种蔬菜营养液自维护方法及系统 | |
CN113472427A (zh) | 一种基于流量预测的卫星网络队列管理方法 | |
CN112994656A (zh) | 一种通信拓扑随机切换的分布式k阶滤波器设计方法 | |
CN110177349B (zh) | 一种基于分时复用的无线传感器网络传输调度方法 | |
CN110265999B (zh) | 一种高度网状的二次配电网负载估计方法 | |
CN114295987B (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 | |
CN113094649A (zh) | 一种蓄电池用基于dffrls和神经网络-asrukf的算法 | |
CN117031967B (zh) | 一种迭代学习自抗扰控制方法 | |
Qin | Research on OPNET energy simulation application in wireless sensor network | |
CN117713142A (zh) | 一种用于电源的智能控制方法及系统 |
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 |