CN113821934B - 一种工况参数的预测方法、装置、设备及存储介质 - Google Patents
一种工况参数的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113821934B CN113821934B CN202111160546.XA CN202111160546A CN113821934B CN 113821934 B CN113821934 B CN 113821934B CN 202111160546 A CN202111160546 A CN 202111160546A CN 113821934 B CN113821934 B CN 113821934B
- Authority
- CN
- China
- Prior art keywords
- working condition
- condition parameter
- moment
- parameters
- parameter set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 24
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 46
- 238000012545 processing Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种工况参数的预测方法、装置、设备及存储介质,预测方法包括,获取工况参数集,工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除第一工况参数之外的第二工况参数;若第一工况参数的误差值在预设误差范围之内,比对第一工况参数和第二工况参数的相似度,基于相似度对工况参数集进行更新,得到对应第一时刻更新的工况参数集;基于更新的工况参数集,预测第一时刻后一时刻进入滑动窗口的标准工况参数。摒弃传统的通过固定数据集对标准工况参数进行预测的技术方案,对应不同的工况对数据进行动态更新,基于更新后的数据集对标准工况参数进行预测,使得对标准工况参数的预测精度更高。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种工况参数的预测方法、装置、设备及存储介质。
背景技术
随着社会的发展,数据在我们日常生活中的运用已经变得越来越广泛,通过数据分析和处理在现有研究技术中也变得越来越重要,比如说,在用于体现系统的稳定工况、数据模型辨识等。
在现有技术中,系统的工况稳定一般通过历史的工况参数进行判断,通常通过历史数据集中与目前工况数据相同或相似的工况数据,对目前的系统正常工况参数进行预测。但是现有的历史工况数据量非常庞大,历史工况数据集一般从历史工况数据中抽取形成历史工况参数集合,对正常运行的工况参数进行预测,但是该历史工况参数集合是一个比较固定的数据集,难以适应不同时域的工况,导致对标准工况参数的预测精度不高。
发明内容
本申请提供一种工况参数的预测方法、装置、设备及存储介质,摒弃传统的通过固定数据集对标准工况参数进行预测的技术方案,对应不同的工况对数据进行动态更新,基于更新后的数据集对标准工况参数进行预测,使得对标准工况参数的预测精度更高。
一方面,本申请提供一种工况参数的预测方法,包括:
获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;
基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
在本申请一种可能的实现方式中,所述若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集之前,还包括:
若第一时刻退出滑动窗口的位置具有第三工况参数,基于所述第三工况参数以及第二工况参数预测对应所述第一工况参数的标准工况参数;
若第一时刻退出滑动窗口的位置不具有第三工况参数,基于所述第二工况参数预测对应所述第一工况参数的标准工况参数;
计算所述第一工况参数基于所述标准工况参数的误差值。
在本申请一种可能的实现方式中,所述获取工况参数集之后,还包括:
若第一工况参数的误差值不在预设误差范围内,将所述第一工况参数从所述工况参数集中删除,得到包含一个空位更新的工况参数集。
在本申请一种可能的实现方式中,所述若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述对应第一时刻的工况参数集进行更新,得到对应第一时刻更新的工况参数集,包括:
若第一工况参数的误差值在预设误差范围之内;
计算所述第一工况参数与每一所述第二工况参数的欧氏距离;
将所述欧式距离大于预设距离的第二工况参数从所述工况参数集删除,得到对应第一时刻更新的工况参数集。
若存在与第一工况参数相似度匹配的第二工况参数,将相似度匹配的第一工况参数或第二工况参数从所述对应第一时刻的工况参数集中删除,得到对应第一时刻更新的工况参数集。
在本申请一种可能的实现方式中,所述获取对应第一时刻的工况参数集之后,还包括:
若第一工况参数的误差值在预设误差范围之外,则累计一次误差次数;
当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。
在本申请一种可能的实现方式中,所述基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数,包括:
获取所述第一时刻后一时刻进入滑动窗口的第一工况参数,所述第一工况参数包括工况条件参数;
基于所述对应第一时刻更新的工况参数集对预设的预测模型进行优化;
将所述工况条件参数输入到优化后的预测模型得到对应第二时刻进入滑动窗口的标准工况参数。
在本申请一种可能的实现方式中,所述工况参数集内的所述第一工况参数、所述二工况参数对应所述滑动窗口滑动的时序进行排布,且相邻工况参数之间的距离与所述滑动窗口的滑动步长相同。
另一方面,本申请提供一种工况参数的预测装置,所述工况参数的预测装置包括:
获取模块,用于获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
更新模块,用于若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;
预测模块,用于基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
另一方面,本申请提供一种工况参数的预测设备,所述工况参数的预测设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的工况参数的预测方法。
另一方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的工况参数的预测方法中的步骤。
本申请中,由于所述滑动窗口是一个动态窗口,工况参数集对应所述滑动窗口的动态变化也会发生动态变化,工况参数集任一一个时刻下包含在滑动窗口内的工况参数集,通过对所述工况参数集进行更新,更新后用于对第二时刻进入所述滑动窗口的第二新工况参数的标准工况参数进行预测,由于所述工况参数在相邻或者相近时域内的工况是比较相似的,基于对应第一时刻的第一工况更新参数集对第二新工况参数的标准工况参数进预测,保证了预测样本的为所有历史工况参数值的中的最优样本,进而保证预测得到的标准工况参数准确精度更高。同时通过基于相似度对所述工况参数集进行更新优化,能够避免同一个工况参数集内形成出现两个相同或者相似的工况,进而避免在运用第一时刻的第一工况参数更新集对第二时刻的第二新工况参数的标准工况参数进预测过程中数据处理量变大等。同时基于滑动窗口形成不同时刻的工况参数集且对工况参数集进行更新,并且基于动态的工况参数更新集对下一时刻的标准工况参数进行预测,保证预测样本能够匹配不同时域的工况,灵活性更强,预测精度更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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他的附图。
图1是本申请实施例提供的工况参数的预测的场景示意图;
图2是本申请实施例中提供的工况参数的预测方法的一个实施例流程示意图;
图3是本申请实施例中提供的工况参数误差计算的一个实施例流程示意图;
图4是本申请实施例中提供的工况参数误差计算的又一个实施例流程示意图;
图5是本申请实施例中提供的工况参数的预测装置的一个实施例结构示意图;
图6是本申请实施例中提供的工况参数的预测设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种工况参数的预测方法、装置、服务器及存储介质,以下分别进行详细说明。
本申请实施例中的工况参数的预测方法应用于工况参数的预测装置,工况参数的预测装置设置于工况参数的预测设备,工况参数的预测设备中设置有一个或多个处理器、存储器,以及一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现工况参数的预测方法;工况参数的预测设备可以是终端,工况参数的预测设备还可以是一台服务器,或者多台服务器组成的服务集群。
如图1所示,图1为本申请实施例工况参数的预测方法的场景示意图,本申请实施例中工况参数的预测场景中包括工况参数的预测设备100,工况参数的预测设备100中集成有工况参数的预测装置,运行工况参数的预测对应的计算机可读存储介质,以执行工况参数的预测的步骤。
可以理解的是,图1所示工况参数的预测方法的具体应用场景中的工况参数的预测设备,或者工况参数的预测设备中包含的装置并不构成对本申请实施例的限制,即,工况参数的预测方法的具体应用场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本申请实施例中技术方案整体实现,均可以算作本申请实施例要求保护技术方案的等效替换或衍生。
本申请实施例中工况参数的预测设备100主要用于:获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
本申请实施例中该工况参数的预测设备100可以是独立的工况参数的预测设备,也可以是工况参数的预测设备组成的工况参数的预测设备网络或工况参数的预测设备集群,例如,本申请实施例中所描述的工况参数的预测设备100,其包括但不限于计算机、网络主机、单个网络工况参数的预测设备、多个网络工况参数的预测设备集或多个工况参数的预测设备构成的云工况参数的预测设备。其中,云工况参数的预测设备由基于云计算(Cloud Computing)的大量计算机或网络工况参数的预测设备构成。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的工况参数的预测设备,或者工况参数的预测设备网络连接关系,例如图1中仅示出1个工况参数的预测设备,可以理解的,该工况参数的预测方法的具体应用场景还可以包括一个或多个其他工况参数的预测设备,具体此处不作限定;该工况参数的预测设备100中还可以包括存储器。
此外,本申请工况参数的预测方法的具体应用场景中工况参数的预测设备100可以设置显示装置,或者工况参数的预测设备100中不设置显示装置与外接的显示装置200通讯连接,显示装置200用于输出工况参数的预测设备中工况参数的预测方法执行的结果。工况参数的预测设备100可以访问后台数据库300(后台数据库可以是工况参数的预测设备的本地存储器中,后台数据库还可以设置在云端),后台数据库300中保存有工况参数的预测相关的信息。
需要说明的是,图1所示的工况参数的预测方法的场景示意图仅仅是一个示例,本申请实施例描述的工况参数的预测方法的具体应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定。
基于上述工况参数的预测方法的具体应用场景,提出了工况参数的预测方法的实施例。
如图2所示,为本申请实施例中工况参数的预测方法的一个实施例流程示意图,该工况参数的预测方法包括步骤201-204:
201,获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数。
本实施例中的工况参数的预测方法应用在工况参数的预测设备100,工况参数的预测设备100种类不作具体限定,例如,工况参数的预测设备100可以是终端或者服务器。
工况参数的预测设备100可以通过接收工况参数的预测请求的方式实现标准工况参数的预测,接收工况参数的预测请求的方式实现标准工况参数的预测,工况参数的预测设备100也可以通过所述工况参数的预测设备开机自动启动等,其中,工况参数的预测请求的触发方式不作具体限定,即,工况参数的预测请求可以是用户主动触发的,例如,用户在工况参数的预测设备100开启参数预设模式时,触发工况参数的预测请求,此外,工况参数的预测请求还可以是工况参数的预测设备自动触发的,例如,工况参数的预测设备检测到工况数据动态接入时,自动触发工况参数的预测请求。
工况参数的预测设备100进行工况参数的预测后,工况参数的预测设备获取工况参数集,其中,所述工况参数集内包含的工况参数数量以及空间分布或者相邻两工况参数附近的数量不做具体的限定。具体的,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数。其中,在本实施方案中,所述工况参数集内的所述第一工况参数、所述二工况参数对应所述滑动窗口滑动的时序进行排布,且相邻工况参数之间的距离与所述滑动窗口的滑动步长相同,即,所述工况参数集中的每一个工况参数(包括第一工况参数以及第二工况参数)都是窗口滑动一次进行一次变化,滑动窗口进行一次滑动后在时间轴上的位置发生了变化,对应第一时刻(对应时间轴的新位置)有工况参数(第一工况参数)进入滑动窗口,时间轴上第一时刻有历史位置(该历史位置上可能工况参数被删除)退出滑动窗口(退出后包含在历史时间轴上剩余的工况参数为第二工况参数),即,所述工况参数集内的工况参数是滑动窗口滑动一次采集的到的工况参数,分别分布在对应滑动窗口滑动时序的时间轴上。所述第一时刻在本申请中不具体限定是哪一时刻,所述历史位置为时间轴上位于所述第一时刻之前的每一个采集时刻。
所述滑动窗口的大小以及步长可以根据不同的工况环境进行设置,比如说说工况参数变化比较平稳在一定时间内变化不是很大可以将步长设计的大一些,反之则设计的小一些,所述滑动窗口的大小可以根据工况参数的变化依赖性大小进行设计,比如说相邻工况参数之间的工况依赖性(下一工况参数在当前工况参数的基础上进行变化)比较大,则所述滑动窗口可以设计的小一些,反之则设计的大一些,具体可以根据实际情况进行设定。
进一步的,参见图3和图4,在得到对应第一时刻更新的工况参数集之前,工况参数的预测设备100先对所述第一工况参数进行误差计算,具体包括步骤2010-2014:
2010,若第一时刻退出滑动窗口的位置具有第三工况参数,基于所述第三工况参数以及第二工况参数预测对应所述第一工况参数的标准工况参数。
2011,若第一时刻退出滑动窗口的位置不具有第三工况参数,基于所述第二工况参数预测对应所述第一工况参数的标准工况参数。
为了保证工况的稳定性,所以工况参数的变化与时间轴的变化正相关,在相邻或者相近的时间空间内工况参数的数据变化是不会太大的,通过相邻或者附近空间的话数据对标准工况参数进行预测使得预测结果更加准确,预测设备100通过对对应所述第一工况参数的标准工况参数进行预测,若第一时刻退出滑动窗口的位置具有第三工况参数,该处的工况参数可能在第一时刻的上一时刻滑动窗口内的数据更新时候被删除了,所述该位置没有工况参数(第三工况参数),工况参数的预测设备100通过判断第一时刻退出滑动窗口的位置是否为空位,若为空位该位置没有工况参数,若该位置不是空位,则第一时刻退出滑动窗口的位置具有第三工况参数,可以理解的是,所述第二工况参数以及第一时刻退出滑动窗口的位置的参数(第三工况参数存在的情况),即为第一时刻的上一时刻位于滑动窗口内的更新的工况参数,所述第一时刻退出滑动窗口的位置为空位时,就是被更新时删除后留下的空位。将所述第三工况参数以及第二工况参数输入预设的预测模型进行模型优化,所述第一工况参数包括工况条件参数以及工况结果参数,将对应第一时刻进入滑动窗口的所述第一工况参数包括的工况条件参数输入到优化后的预测模型中得到对应所述第一工况参数的标准工况参数,所述标准工况参数的数据类型对应所述工况结果参数,即,在本实施方案中,所述工况参数的预测方法用于大型电机转子振动运行值的预测,即,所述第一工况参数中的所述工况条件参数包括与电机转子运动相关的条件参数,具体为有功功率x1、无功功率x2、轴瓦温度x3、转子转速x4,所述第一工况参数中的所述工况结果参数为实际的转子振动值x5,所述第一工况参数与第二工况参数、第三工况参数的格式对应(都包括工况条件参数以及工况结果参数),在本发明的其他实施方案中所述工况条件参数和所述工况结果参数可以为对应预测的类型以及工况的类型进行设定,上述转子运动的工况环境只是本申请其中的一个实施方案。
2012,计算所述第一工况参数基于所述标准工况参数的误差值。
工况参数的预测设备100计算所述第一工况参数基于所述标准工况参数的误差值,即,可以计算所述第一工况参数与所述标准工况参数的差值/相对片偏差值等作为误差值,在本实施方案中,所述误差值为所述第一工况参数中的实际结果工况参数与所述对对应第一工况参数时刻预测的标准工况参数的相对偏差值。
2013,若第一工况参数的误差值在预设误差范围之外,则累计一次误差次数。
2014,当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。
具体的,若所述第一工况参数的误差值不在预设误差范围内,将所述第一工况参数从所述工况参数集中删除,得到包含一个空位更新的工况参数集。且累计一次误差次数;当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。所以预设误差阈值可以为误差次数阈值,即,所述预设误差阈值可以为5次、4次、3次等,当预设误差阈值可以为5次时,所述误差次数达到五次即进行警告。进一步的,所述预设误差阈值还可以为次数累计限定的同时累计时长限定的阈值,即,预设误差阈值包括预设误差次数阈值以及设定该误差次数阈值的有用时长,即,所述误差累计清零后或者所述误差初始累计时,当累计到的第一个次误差时,出发时长检测,当在预设时长内累计的误差次数没有达到预设误差次数阈值,即进行将累计次数以及检测时长清零处理进入下一阶段的警报累计,当在预设时长内累计的误差次数达到预设误差次数阈值,即进行警报且清零处理进入下一阶段的警报累计,通过设置误差阈值能够增加所述报警的严谨性。
在本实施方案中,该处计算误差的方式与上述一样,此处不在具体赘述。
202,若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集。
系统在运行过程中可能会出现故障、检修或调整,那么工况参数是一个不稳定的状态,若不稳定的工况参数加入第一时刻更新的工况参数集,可能会对下一时刻的标准工况参数的预测结果不准,第一工况参数的误差值在预设误差范围之内,则说明工况参数的预测设备100采集的第一工况参数是系统运行稳定的工况参数值。
工况参数的预测设备100比对所述第一工况参数和所述第二工况参数的相似度,可以根据不同的工况参数性质选择相似度计算的方式,比如基于欧氏距离的相似度计算,或者基于偏差算法实现相似度计算等,具体的,在本实施方案中,计算所述第一工况参数与每一所述第二工况参数的欧氏距离;所述欧氏距离用于表示两者之间的相似度,若所述欧式距离大于预设距离则说明对应的两者工况相似,将所述第二工况参数从所述工况参数集删除,使得对该位置为闲置空位,得到对应第一时刻更新的工况参数集,同时避免工况参数重复或相似,进而避免工况参数集数据量过大,增加预测运算工作量和时间;若所述欧式距离小于预设距离则说明对应的两者工况相似,将所述第二工况参数从所述工况参数集删除,使得对该位置为闲置空位,得到对应第一时刻更新的工况参数集,同时避免工况参数重复或相似,进而避免工况参数集数据量过大,增加预测运算工作量和时间。
具体的,在本发明的其他实施方案中,也可以将所述欧式距离大于预设距离的第一工况参数从所述工况参数集删除,具体本发明不做限定。
若所述欧式距离小于预设距离则说明对应的两者工况不相似,出现了新的工况参数,将所述第二工况参数对应时间轴上该位置进行保留,形成下一时刻用于预测标准工况参数的第三工况参数。
203,基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
工况参数的预测设备100获取所述第一时刻后一时刻进入滑动窗口的第一工况参数,所述第一工况参数包括工况条件参数;基于所述对应第一时刻更新的工况参数集对预设的预测模型进行优化;将所述工况条件参数输入到优化后的预测模型得到对应第二时刻进入滑动窗口的标准工况参数。所述预设的预测模型可以根据历史的工况参数进行训练,将工况条件参数作为输入,工况结果参数作为输出,选择特定的数学计算方法(NSET或神经网络等算法等)进行计算训练得初始的预测模型,然后在工况参数的预测设备100的预测过程中,一边预测一边进行优化,保证所述预测模型预测的准确信。
本申请工况参数的预测方法中,由于所述滑动窗口时一个动态窗口,工况参数集对应所述滑动窗口的动态变化也会发生动态变化,工况参数集任一一个时刻下包含在滑动窗口内的工况参数集,通过对所述工况参数集进行更新,更新后用于对第二时刻进入所述滑动窗口的第二新工况参数的标准工况参数进行预测,由于所述工况参数在相邻或者相近时域内的工况是比较相似的,基于对应第一时刻的第一工况更新参数集对第二新工况参数的标准工况参数进预测,保证了预测样本的为所有历史工况参数值的中的最优样本,进而保证预测得到的标准工况参数准确精度更高。同时通过基于相似度对所述工况参数集进行更新优化,能够避免同一个工况参数集内形成出现两个相同或者相似的工况,进而避免在运用第一时刻的第一工况参数更新集对第二时刻的第二新工况参数的标准工况参数进预测过程中数据处理量变大等。同时基于滑动窗口形成不同时刻的工况参数集且对工况参数集进行更新,并且基于动态的工况参数更新集对下一时刻的标准工况参数进行预测,保证预测样本能够匹配不同时域的工况,灵活性更强,预测精度更高。
为了更好实施本申请实施例中工况参数的预测方法,在工况参数的预测方法基础之上,本申请实施例中还提供一种工况参数的预测装置,如图5所示,所述工况参数的预测装置包括:
获取模块501,用于获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
更新模块502,用于若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;
预测模块503,用于基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
在申请一些实施例中,所述预测装置还包括:
误差处理模块504,用于若第一时刻退出滑动窗口的位置具有第三工况参数,基于所述第三工况参数以及第二工况参数预测对应所述第一工况参数的标准工况参数;
若第一时刻退出滑动窗口的位置不具有第三工况参数,基于所述第二工况参数预测对应所述第一工况参数的标准工况参数;
计算所述第一工况参数基于所述标准工况参数的误差值。
在申请一些实施例中,所述更新模块502,还用于:
若第一工况参数的误差值不在预设误差范围内,将所述第一工况参数从所述工况参数集中删除,得到包含一个空位更新的工况参数集。
在申请一些实施例中,所述更新模块502,还用于:
若第一工况参数的误差值在预设误差范围之内;
计算所述第一工况参数与每一所述第二工况参数的欧氏距离;
将所述欧式距离大于预设距离的第二工况参数从所述工况参数集删除,得到对应第一时刻更新的工况参数集。
若存在与第一工况参数相似度匹配的第二工况参数,将相似度匹配的第一工况参数或第二工况参数从所述对应第一时刻的工况参数集中删除,得到对应第一时刻更新的工况参数集。
在申请一些实施例中,所述误差处理模块504,还用于:
若第一工况参数的误差值在预设误差范围之外,则累计一次误差次数;
当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。
在申请一些实施例中,所述预测模块503,还用于:
若第一工况参数的误差值在预设误差范围之外,则累计一次误差次数;
当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。
在申请一些实施例中,所述预测模块503,还用于:
获取所述第一时刻后一时刻进入滑动窗口的第一工况参数,所述第一工况参数包括工况条件参数;
基于所述对应第一时刻更新的工况参数集对预设的预测模型进行优化;
将所述工况条件参数输入到优化后的预测模型得到对应第二时刻进入滑动窗口的标准工况参数。
本申请工况参数的预测装置中,由于所述滑动窗口时一个动态窗口,工况参数集对应所述滑动窗口的动态变化也会发生动态变化,工况参数集任一一个时刻下包含在滑动窗口内的工况参数集,通过对所述工况参数集进行更新,更新后用于对第二时刻进入所述滑动窗口的第二新工况参数的标准工况参数进行预测,由于所述工况参数在相邻或者相近时域内的工况是比较相似的,基于对应第一时刻的第一工况更新参数集对第二新工况参数的标准工况参数进预测,保证了预测样本的为所有历史工况参数值的中的最优样本,进而保证预测得到的标准工况参数准确精度更高。同时通过基于相似度对所述工况参数集进行更新优化,能够避免同一个工况参数集内形成出现两个相同或者相似的工况,进而避免在运用第一时刻的第一工况参数更新集对第二时刻的第二新工况参数的标准工况参数进预测过程中数据处理量变大等。同时基于滑动窗口形成不同时刻的工况参数集且对工况参数集进行更新,并且基于动态的工况参数更新集对下一时刻的标准工况参数进行预测,保证预测样本能够匹配不同时域的工况,灵活性更强,预测精度更高。
本发明实施例还提供一种工况参数的预测设备,如图6所示,图6是本申请实施例中提供的工况参数的预测设备的一个实施例结构示意图。
工况参数的预测设备集成了本发明实施例所提供的任一种工况参数的预测装置,工况参数的预测设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时执行上述工况参数的预测方法实施例中任一实施例中的工况参数的预测方法中的步骤。
具体来讲:工况参数的预测设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解,图6中示出的工况参数的预测设备结构并不构成对工况参数的预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器801是该工况参数的预测设备的控制中心,利用各种接口和线路连接整个工况参数的预测设备的各个部分,通过运行或执行存储在存储器802内的软件程序和/或模块,以及调用存储在存储器802内的数据,执行工况参数的预测设备的各种功能和处理数据,从而对工况参数的预测设备进行整体监控。可选的,处理器801可包括一个或多个处理核心;优选的,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块,处理器801通过运行存储在存储器802的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据工况参数的预测设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器802还可以包括存储器控制器,以提供处理器801对存储器802的访问。
工况参数的预测设备还包括给各个部件供电的电源803,优选的,电源803可以通过电源管理系统与处理器801逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该工况参数的预测设备还可包括输入单元804,该输入单元804可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,工况参数的预测设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,工况参数的预测设备中的处理器801会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中,并由处理器801来运行存储在存储器802中的应用程序,从而实现各种功能,如下:
获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;
基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。其上存储有计算机程序,计算机程序被处理器进行加载,以执行本发明实施例所提供的任一种工况参数的预测方法中的步骤。例如,计算机程序被处理器进行加载可以执行如下步骤:
获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集;
基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
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的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种工况参数的预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种工况参数的预测方法,其特征在于,包括:
获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
若第一工况参数与标准工况参数之间的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集,其中,基于所述相似度对所述工况参数集进行更新,包括:若存在与所述第一工况参数相似度大于预设阈值的第二工况参数,将所述第一工况参数或所述第二工况参数从所述对应第一时刻的工况参数集中删除;
基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
2.根据权利要求1所述的预测方法,其特征在于,所述若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集之前,还包括:
若第一时刻退出滑动窗口的位置具有第三工况参数,基于所述第三工况参数以及第二工况参数预测对应所述第一工况参数的标准工况参数;
若第一时刻退出滑动窗口的位置不具有第三工况参数,基于所述第二工况参数预测对应所述第一工况参数的标准工况参数;
计算所述第一工况参数基于所述标准工况参数的误差值。
3.根据权利要求1所述的预测方法,其特征在于,所述获取工况参数集之后,还包括:
若第一工况参数的误差值不在预设误差范围内,将所述第一工况参数从所述工况参数集中删除,得到包含一个空位更新的工况参数集。
4.根据权利要求1所述的预测方法,其特征在于,所述若第一工况参数的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述对应第一时刻的工况参数集进行更新,得到对应第一时刻更新的工况参数集,包括:
若第一工况参数的误差值在预设误差范围之内;
计算所述第一工况参数与每一所述第二工况参数的欧氏距离;
将所述欧氏距离大于预设距离的第二工况参数从所述工况参数集删除,得到对应第一时刻更新的工况参数集;
若存在与第一工况参数相似度匹配的第二工况参数,将相似度匹配的第一工况参数或第二工况参数从所述对应第一时刻的工况参数集中删除,得到对应第一时刻更新的工况参数集。
5.根据权利要求1所述的预测方法,其特征在于,获取对应第一时刻的工况参数集之后,还包括:
若第一工况参数的误差值在预设误差范围之外,则累计一次误差次数;
当累计的所述误差次数达到预设误差阈值时,启动报警并清除误差累计。
6.根据权利要求1所述的预测方法,其特征在于,所述基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数,包括:
获取所述第一时刻后一时刻进入滑动窗口的第一工况参数,所述第一工况参数包括工况条件参数;
基于所述对应第一时刻更新的工况参数集对预设的预测模型进行优化;
将所述工况条件参数输入到优化后的预测模型得到对应第二时刻进入滑动窗口的标准工况参数。
7.根据权利要求1-6任一项所述的预测方法,其特征在于,所述工况参数集内的所述第一工况参数、所述二工况参数对应所述滑动窗口滑动的时序进行排布,且相邻工况参数之间的距离与所述滑动窗口的滑动步长相同。
8.一种工况参数的预测装置,其特征在于,所述工况参数的预测装置包括:
获取模块,用于获取工况参数集,所述工况参数集包括第一时刻进入滑动窗口的第一工况参数、以及位于滑动窗口内除所述第一工况参数之外的第二工况参数;
更新模块,用于若第一工况参数与标准工况参数之间的误差值在预设误差范围之内,比对所述第一工况参数和所述第二工况参数的相似度,基于所述相似度对所述工况参数集进行更新,得到对应第一时刻更新的工况参数集,其中,基于所述相似度对所述工况参数集进行更新,包括:若存在与所述第一工况参数相似度大于预设阈值的第二工况参数,将所述第一工况参数或所述第二工况参数从所述对应第一时刻的工况参数集中删除;
预测模块,用于基于所述更新的工况参数集,预测所述第一时刻后一时刻进入所述滑动窗口的标准工况参数。
9.一种工况参数的预测设备,其特征在于,所述工况参数的预测设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的工况参数的预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的工况参数的预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160546.XA CN113821934B (zh) | 2021-09-30 | 2021-09-30 | 一种工况参数的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160546.XA CN113821934B (zh) | 2021-09-30 | 2021-09-30 | 一种工况参数的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821934A CN113821934A (zh) | 2021-12-21 |
CN113821934B true CN113821934B (zh) | 2024-01-19 |
Family
ID=78916027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160546.XA Active CN113821934B (zh) | 2021-09-30 | 2021-09-30 | 一种工况参数的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821934B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114328660A (zh) * | 2021-12-24 | 2022-04-12 | 联合汽车电子有限公司 | 一种发动机相似工况的筛选方法、计算设备及存储介质 |
CN116203435A (zh) * | 2023-05-06 | 2023-06-02 | 广汽埃安新能源汽车股份有限公司 | 一种电池参数获取方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662288A (zh) * | 2008-08-28 | 2010-03-03 | 华为技术有限公司 | 音频编码、解码方法及装置、系统 |
JP2012030659A (ja) * | 2010-07-29 | 2012-02-16 | Denso Corp | 状況適合型運転支援装置 |
WO2021036546A1 (zh) * | 2019-08-29 | 2021-03-04 | 山东科技大学 | 基于有偏估计的近红外定量分析模型构建方法 |
CN113254862A (zh) * | 2021-07-09 | 2021-08-13 | 武汉华信数据系统有限公司 | 一种流体输出参数预测方法、装置、电子设备及存储介质 |
CN113282645A (zh) * | 2021-07-23 | 2021-08-20 | 广东粤港澳大湾区硬科技创新研究院 | 一种卫星时序参数分析方法、系统、终端以及存储介质 |
CN113379166A (zh) * | 2021-07-27 | 2021-09-10 | 成都佳华物链云科技有限公司 | 一种工艺参数的预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9117042B2 (en) * | 2012-02-06 | 2015-08-25 | Livermore Software Technology Corp. | Systems and methods of using multiple surrogate-based parameter selection of anisotropic kernels in engineering design optimization |
-
2021
- 2021-09-30 CN CN202111160546.XA patent/CN113821934B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662288A (zh) * | 2008-08-28 | 2010-03-03 | 华为技术有限公司 | 音频编码、解码方法及装置、系统 |
JP2012030659A (ja) * | 2010-07-29 | 2012-02-16 | Denso Corp | 状況適合型運転支援装置 |
WO2021036546A1 (zh) * | 2019-08-29 | 2021-03-04 | 山东科技大学 | 基于有偏估计的近红外定量分析模型构建方法 |
CN113254862A (zh) * | 2021-07-09 | 2021-08-13 | 武汉华信数据系统有限公司 | 一种流体输出参数预测方法、装置、电子设备及存储介质 |
CN113282645A (zh) * | 2021-07-23 | 2021-08-20 | 广东粤港澳大湾区硬科技创新研究院 | 一种卫星时序参数分析方法、系统、终端以及存储介质 |
CN113379166A (zh) * | 2021-07-27 | 2021-09-10 | 成都佳华物链云科技有限公司 | 一种工艺参数的预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113821934A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113821934B (zh) | 一种工况参数的预测方法、装置、设备及存储介质 | |
US11321141B2 (en) | Resource management for software containers using container profiles | |
US8041521B2 (en) | Estimating power consumption of computing components configured in a computing system | |
JP2017228086A (ja) | 機械学習管理プログラム、機械学習管理方法、および機械学習管理装置 | |
CN111949646B (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
EP3121717A1 (en) | A system to place virtual machines onto servers based upon backup runtime constraints | |
CN117112701B (zh) | 分布式数据库中的节点切换方法、计算机设备及存储介质 | |
WO2021238257A1 (zh) | 一种基于spd的内存监控及寿命预测方法和系统 | |
CN112367384B (zh) | 基于Kafka集群的动态限速方法、装置以及计算机设备 | |
CN115033657A (zh) | 基于知识图谱的查询方法、装置、设备及存储介质 | |
CN113283502A (zh) | 基于聚类的设备状态阈值确定方法和装置 | |
CN114138617B (zh) | 自学习的变频监控方法、系统、电子设备和存储介质 | |
CN113835918A (zh) | 一种服务器故障分析方法及装置 | |
CN116523919B (zh) | 腺管异型程度系数的确定方法及装置 | |
CN115310516A (zh) | 自动化设备状态稳定判断方法、系统及可读存储介质 | |
CN113448747A (zh) | 数据传输方法、装置、计算机设备和存储介质 | |
CN113076184A (zh) | 基于模糊综合评价的电力采集终端任务调度方法 | |
CN113282241A (zh) | 一种基于Ceph分布式存储的硬盘权重优化方法及装置 | |
CN115801685B (zh) | 应用服务限流方法、装置、设备和存储介质 | |
CN110955728A (zh) | 用电数据传输方法、服务器及存储介质 | |
CN116627240B (zh) | 功耗调节方法、装置、电子设备、存储介质及程序产品 | |
CN117149613A (zh) | 用例分组方法、装置、计算机设备及存储介质 | |
CN116294984A (zh) | 车辆装载体积量检测方法、装置、设备和计算机存储介质 | |
CN115342485B (zh) | 空调压缩机频率控制方法、装置、空调器及存储介质 | |
CN113656059B (zh) | 嵌入式软件系统 |
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 |