CN115935296B - 一种电能数据计量方法及系统 - Google Patents
一种电能数据计量方法及系统 Download PDFInfo
- Publication number
- CN115935296B CN115935296B CN202310218342.XA CN202310218342A CN115935296B CN 115935296 B CN115935296 B CN 115935296B CN 202310218342 A CN202310218342 A CN 202310218342A CN 115935296 B CN115935296 B CN 115935296B
- Authority
- CN
- China
- Prior art keywords
- curve
- data
- data point
- trend
- residual
- 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
Images
Classifications
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种电能数据计量方法及系统,获取待计量电能数据对应的周期曲线、趋势曲线和残差曲线,根据原始数据曲线的数据变化特征确定最小正周期,根据最小正周期获得各曲线段;根据各曲线段的数据变化特征确定融合权重,利用融合权重,对周期曲线、趋势曲线和残差曲线中的每个数据点进行融合处理,获得融合数据值序列;对融合数据值序列进行数据压缩处理,获得压缩后的电能数据。本发明适用于大数据量的电能数据计量,有效提高了电能数据的压缩率,增强了电能数据的传输速度和稳定性。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种电能数据计量方法及系统。
背景技术
低带宽无线通信是一种新型的数据传输方法,其优点在于频率低,占用带宽少,能够进行远距离无线传输。近年来,特大型水电项目的建设与投入使用,需要在线监测各电站的水电机组稳定性参数(即电能数据),并且将监测到的数据传输到数据监测中心,实时判断发电机组的运行状况。在电能数据传输的过程中,较大的数据量会影响无线传输的速度与稳定性,因此,需要对电能计量数据进行压缩传输。
在现有技术中,对于电能计量数据的压缩传输方法较多,其中基于快速傅里叶变换的数据压缩方法在无线通信领域中能实现较好的压缩效果,能够将数据量较大的非周期信号进行频域与时域的转换,实现数据的压缩传输。但是,傅里叶变换能够将信号的时域特征和频域特征联系起来,却不能把二者结合起来。因此,傅里叶变换只能适用于确定性的平稳信号(如谐波),对时变非平稳信号却难以充分描述,导致电能计量数据的压缩效果较差,压缩率较低,电能计量效率差。
发明内容
为了解决上述现有电能计量方法的压缩率较低,导致电能计量效率低的技术问题,本发明的目的在于提供一种电能数据计量方法及系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种电能数据计量方法,该方法包括以下步骤:
获取待计量电能数据的原始数据曲线,根据原始数据曲线获得待计量电能数据的周期曲线、趋势曲线和残差曲线;
根据原始数据曲线中每个数据点的斜率和横坐标,确定最小正周期;
利用最小正周期将趋势曲线、周期曲线、原始数据曲线以及残差曲线划分为曲线段,获得趋势曲线、周期曲线、原始数据曲线以及残差曲线对应的各曲线段;
根据趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度;
根据趋势曲线和残差曲线对应的各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的融合权重;
根据周期曲线、趋势曲线和残差曲线对应的各曲线段中每个数据点的数值、趋势曲线和残差曲线对应的各曲线段的融合权重,确定原始数据曲线对应的各曲线段中每个数据点对应的融合数据值,组成融合数据值序列;
对融合数据值序列进行数据压缩处理,获得待计量电能数据对应的压缩后的电能数据。
进一步地,根据原始数据曲线中每个数据点的斜率和横坐标,确定最小正周期,包括:
选取原始数据曲线中斜率大于第一预设斜率阈值的数据点确定为第一目标数据点,并选取原始数据曲线中斜率小于第二预设斜率阈值的数据点确定为第二目标数据点;
统计在各个第一目标数据点之后且斜率连续大于第三预设斜率阈值的数据点个数,将所述数据点个数记为t,当某个第一目标数据点对应的数据点个数大于预设数据点个数时,将在该第一目标数据点之后的第t个数据点确定为该第一目标数据点对应的第三目标数据点,计算该第一目标数据点对应的第三目标数据点与该第一目标数据点之间的横坐标差值;
统计在各个第二目标数据点之后且斜率连续小于第三预设斜率阈值的数据点个数,将所述数据点个数记为n,当某个第二目标数据点对应的数据点个数大于预设数据点个数时,将在该第二目标数据点之后的第n个数据点确定为该第二目标数据点对应的第四目标数据点,计算该第二目标数据点对应的第四目标数据点与该第二目标数据点之间的横坐标差值;
若存在不少于两个横坐标差值,则将最小横坐标差值确定为最小正周期,若仅存在一个横坐标差值,则将该横坐标差值确定为最小正周期。
进一步地,根据趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度,包括:
选取原始数据曲线中斜率小于第一预设斜率阈值且大于第二预设斜率阈值的数据点,确定为参考数据点,根据各参考数据点的幅值确定所有参考数据点对应的幅值均值和最小幅值;
将趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值与所有参考数据点对应的幅值均值的差值绝对值的累加值,确定为对应曲线段的幅值差异;
将趋势曲线和残差曲线对应的各曲线段对应的最大幅值与所有参考数据点对应的最小幅值的差值,确定为对应曲线段的突变程度;
将趋势曲线和残差曲线对应的各曲线段的幅值差异和突变程度的乘积,确定为对应曲线段的数据差异程度。
进一步地,根据趋势曲线和残差曲线对应的各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的融合权重,包括:
对于趋势曲线和残差曲线对应的任意一个曲线段,计算趋势曲线和残差曲线对应的该曲线段中每个数据点的幅值与该曲线段对应的幅值均值的差值平方,将该曲线段中每个数据点的差值平方的累加值确定为该曲线段的离散程度;获得趋势曲线和残差曲线对应的各曲线段的离散程度,进而计算趋势曲线和残差曲线对应的各曲线段的离散程度与数据差异程度的乘积,将归一化处理后的乘积确定为对应曲线段的融合权重。
进一步地,所述原始数据曲线对应的各曲线段中每个数据点对应的融合数据值的计算公式为:
其中,为原始数据曲线对应的第q个曲线段中第m个的融合数据值,/>为趋势曲线对应的第q个曲线段的融合权重,/>为趋势曲线对应的第q个曲线段中第m个数据点的数值,/>为残差曲线对应的第q个曲线段的融合权重,/>为残差曲线对应的第q个曲线段中第m个数据点的数值,/>为周期曲线对应的第q个曲线段的融合权重,/>,为周期曲线对应的第q个曲线段中第m个数据点的数值。
本发明一个实施例还提供了一种电能数据计量系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现所述的一种电能数据计量方法。
本发明具有如下有益效果:
本发明提供了一种电能数据计量方法,该方法通过对待计量电能数据进行电数字数据处理,获得融合权重,利用融合权重有助于实现分解后的三个曲线对应的各曲线段的变化和融合,提高传输电能数据时的压缩率。获得周期曲线、趋势曲线和残差曲线,相比数据序列,将一组数据转换成曲线的形式进行分析,更有利于呈现出数据的变化趋势,便于进行数据处理,分解成三个曲线进行波动程度分析,有助于提高对电数字数据进行数据变化分析的精准度;根据原始数据曲线中数据的变化特征确定最小正周期,最小正周期可以表征电能数据连续发生波动的最小持续时长,确定最小正周期有助于将分解后的三个曲线进行分段分析,一个分段即为一个周期,其有效提高了数据融合转化的效率;通过各曲线段中每个数据点的幅值变化情况,分析各曲线段与平稳数据之间的数据差异程度,有助于后续计算各曲线段的融合权重;根据各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定融合权重,从两个角度分析融合权重有利于提高融合权重的参考价值和准确度,融合权重是后续进行数据融合的关键性指标,且融合权重更加关注连续发生较大波动的电能数据,同时,分解后的三个曲线对应的每个曲线段均有其对应的融合权重,其能够针对性地对不同曲线段的数据变化情况进行分析;利用融合权重,对分解后的三个曲线中的原始数据进行融合处理,有助于获得具备周期性变化的融合数据值序列,融合数据值序列可以实现对波动程度较大的电能数据进行高度还原;对融合数据值序列进行数据压缩处理,有效减小了电能数据传输时的占用带宽,能够更好的实现大数据量的快速压缩传输。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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附图。
图1为本发明一种电能数据计量方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例针对的应用情景:在对电能数据进行压缩传输时,由于电能数据序列属于时变非平稳变化,通过傅里叶变换对电能数据序列进行压缩时,需要对电能数据序列进行转换和分解。首先,获得电能数据序列对应的趋势序列、周期序列和残差序列,趋势序列中的数据为分布趋势值,周期序列中的数据为周期分布值,残差序列中的数据为残差值。然后,对趋势序列、周期序列和残差序列进行转换和融合,根据转换融合后的数据实现电能数据序列的高质量压缩。为了实现电能数据的压缩传输,提供了一种电能数据计量方法,如图1所示,包括以下步骤:
S1,获取待计量电能数据的原始数据曲线,根据原始数据曲线获得待计量电能数据的周期曲线、趋势曲线和残差曲线。
第一步,获取待计量电能数据的原始数据曲线。
在本实施例中,为了实现对电能数据的压缩传输,需要通过待检测监控区域的电能表,实时采集预设时段对应的电能数据序列,电能数据序列是通过单个电能表在预设时段内的每个时刻的电能数据组成,将当前预设时段对应的电能数据序列作为待计量电能数据。电能表可用于检测监控区域在预设时段内的电网负荷情况,而电能数据序列可以表征待检测监控区域在预设时段内的用电消耗情况,预设时段可以设置为10分钟,预设时段可由实施者根据具体实际情况自行设置。
在得到待计量的电能数据后,为了便于对待计量的电能数据的变化趋势进行分析,将待计量电能数据转换为曲线,将曲线作为原始数据曲线,原始数据曲线的横坐标为电能数据的序号,纵坐标为电能数据的数值大小。为了提高原始数据曲线的数据精准性,利用小波变换对原始数据曲线进行去噪处理,获得去噪处理后的原始数据曲线。确定原始数据曲线的过程和小波变换去噪的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,根据原始数据曲线获得待计量电能数据的周期曲线、趋势曲线和残差曲线。
需要说明的是,正常运行的电能数据的波动程度较小,而当用户的用电量增大时,整个电网的负荷会增强,此时对电网负荷进行监控时需要根据原始数据曲线的变化对每个数据点进行分析,获得不同区间的数据波动,然后再通过傅里叶变换将时域数据转换到频域空间,以减少数据量,实现电能数据在时序上的压缩。但是,待计量电能数据不具备周期性,傅里叶变换不能直接对时变非平稳信号进行转换,故需要对待计量电能数据的原始数据曲线进行分解,获得不同的数据分量,以便于后续对不同数据分量中的数据进行转换,实现时变非平稳信号的压缩。
在本实施例中,STL(Standard Template Library,标准模板库)算法对数据进行分割时会将数据分割成不同的数据类型,故利用STL算法对原始数据曲线进行分解,可以获得待计量电能数据的周期曲线、趋势曲线和残差曲线,将原始数据曲线分解成三个曲线,有助于针对性地分析不同数据分量的数据变化趋势和波动程度,有助于提高后续获得的融合数据值序列的精准性。STL算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
S2,根据原始数据曲线中每个数据点的斜率和横坐标,确定最小正周期。
需要说明的是,原始数据曲线中电能数据是波动变化的,其不存在明显的周期特征,但原始数据曲线中的电能数据大多数是比较平稳的,只有在电能数据出现波动时才会改变原有的数据变化趋势,故原始数据曲线近似是周期变化的。周期曲线可以表征数据的变化周期,周期曲线的最小正周期即是连续发生较大波动的频率,计算最小正周期是为了便于后续在分析趋势曲线和残差曲线时,能够表征同一个周期内的数据差异情况,进而将原始数据曲线融合转换成具备周期性的数据曲线。根据原始数据曲线中的数据波动情况,可以获得周期曲线的最小正周期,其步骤包括:
第一步,确定原始数据曲线中的各个第一目标数据点和各个第二目标数据点。
选取原始数据曲线中斜率大于第一预设斜率阈值的数据点确定为第一目标数据点,并选取原始数据曲线中斜率小于第二预设斜率阈值的数据点确定为第二目标数据点。
在本实施例中,确定第一目标数据点和第二目标数据点是为了从原始数据曲线中筛选出趋势变化较大的数据点,而第一目标数据点和第二目标数据点均为满足斜率条件的数据点,其可以表征为原始数据曲线中曲线趋势变化较大的数据点,也就是出现极值变化的数据点。第一预设斜率阈值可以设置为0.5,第二预设斜率阈值可以设置为-0.5,第一预设斜率阈值和第二预设斜率阈值均为经验阈值,可由实施者根据具体实际情况自行调整,不做具体限定。
值得说明的是,若原始数据曲线中不存在第一目标数据点或者第二目标数据点,则说明原始数据曲线不存在趋势变化较大的数据点,待计量电能数据的平稳性较强,具备一定程度的周期性特征,此时可以直接对待计量电能数据进行压缩处理。
第二步,统计在各个第一目标数据点之后且斜率连续大于第三预设斜率阈值的数据点个数,将数据点个数记为t,当某个第一目标个数据点对应的数据点个数大于预设数据点个数时,进而将在该第一目标数据点之后的第t个数据点确定为该第一目标数据点对应的第三目标数据点,计算该第一目标数据点对应的第三目标数据点与该第一目标数据点之间的横坐标差值。
第三步,统计在各个第二目标数据点之后且斜率连续小于第三预设斜率阈值的数据点个数,将数据点个数记为n,当某个第二目标数据点对应的数据点个数大于预设数据点个数时,进而将在该第二目标数据点之后的第n个数据点确定为该第二目标数据点对应的第四目标数据点,计算该第二目标数据点对应的第四目标数据点与该第二目标数据点之间的横坐标差值。
需要说明的是,原始数据曲线的趋势变化主要表现在斜率变化和幅值变化,对于连续变化的原始数据曲线,原始数据曲线中的某个曲线段中各个数据点的斜率越来越大,说明该曲线段呈现上升状态。原始数据变化曲线的纵坐标变化可以表征数据波动程度,连续发生较大波动的数据点对应的横坐标差值即为波动区间,统计数据点个数是为了判断在极值变化的数据点之后是否会呈现连续波动的变化状态。值得说明的是,若在各个第一目标数据点之后和在各个第二目标数据点之后满足斜率条件的数据点个数不大于预设数据点个数时,则说明原始数据曲线的波动程度不大,接近时变平稳信号,可以直接对待计量电能数据进行压缩处理。
在本实施例中,预设数据点个数可以设置为3,第三预设斜率阈值可以设置为0,当第一目标数据点或第二目标数据点对应的数据点个数少于3个时,表征该第一目标数据点或该第二目标数据点之后的数据点连续波动持续时间较短。由于主要考虑连续波动持续时间较长的波动区间,故将预设数据点个数设置的较大些,实施者可根据具体实际情况自行设置预设数据点个数,不做具体限定。以确定第一目标数据点对应的第三目标数据点与该第一目标数据点之间的横坐标差值为例,其步骤包括:
首先,将第一目标数据点的序号记为i,统计在第i个第一目标数据点之后且斜率连续小于第三预设斜率阈值0的数据点个数。具体为,判断第i个数据点的下一个数据点(第i+1个数据点)的斜率是否小于第三预设斜率阈值0,若小于,则连续判断下一个数据点(第i+2个数据点)的斜率是否小于第三预设斜率阈值0,若小于,则连续判断下一个数据点(第i+3个数据点)的斜率是否小于第三预设斜率阈值0,直至下一个数据点的斜率不小于第三预设斜率阈值0,统计斜率连续小于第三预设斜率阈值0的数据点个数,将该数据点个数作为第i个第一目标数据点对应的数据点个数。
然后,将第i个第一目标数据点对应的数据点个数记为t,若t=4,第i个第一目标数据点对应的数据点个数t大于预设数据点个数3,将在第i个第一目标数据点之后的第t个数据点作为第i个第一目标数据点对应的第三目标数据点,也就是将第i+t个数据点作为第i个第一目标数据点对应的第三目标数据点。
最后,计算第i+t个数据点的横坐标与第i个第一目标数据点的横坐标之间的差值,得到第i个第一目标数据点对应的横坐标差值。
第四步,根据横坐标差值确定最小正周期。
在本实施例中,通过实现第二步和第三步可以获得多个或单个横坐标差值,若存在不少于两个横坐标差值,则将最小横坐标差值确定为最小正周期,若仅存在一个横坐标差值,则将该横坐标差值确定为最小正周期,该最小正周期可以为周期曲线的最小正周期。
S3,利用最小正周期将趋势曲线、周期曲线、原始数据曲线以及残差曲线划分为曲线段,获得趋势曲线、周期曲线、原始数据曲线以及残差曲线对应的各曲线段。
在本实施例中,当待检测监控区域中的用电设备正常运行时,待计量电能数据是趋于平稳变化的,而当用电设备的用电量增大或出现异常情况时,电网的负荷就会增大,且待计量电能数据会出现数据波动。因此,在对待计量电能数据进行数据压缩时,需要根据待计量电能数据中不同数据段的波动情况进行压缩。因此,需要利用最小正周期,将趋势曲线、周期曲线、原始数据曲线以及残差曲线划分为不同的曲线段,以便于后续分析同一个周期的数据差异程度,一个曲线段即为一个周期。趋势曲线、周期曲线、原始数据曲线以及残差曲线对应的数据点个数保持一致,且四个曲线对应的各曲线段存在一一对照关系。
S4,根据趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度。
需要说明的是,对于具有规律性的周期序列数据,每个数据的变化程度是相同或相似的,但待计量电能数据序列中存在变化程度相似的电能数据,也存在变化程度相差较大的电能数据。为了提高电能数据序列的压缩率,需要根据各曲线段中的每个数据点与原始数据曲线中的平稳数据点之间的幅值差异情况,确定数据差异程度,以便于后续确定各曲线段的融合权重,对各曲线段中趋势变化较大的数据点的幅值和周期进行缩放处理。各曲线段的数据差异程度可以表征曲线段内数据点的缩放程度,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度的步骤包括:
第一步,选取原始数据曲线中斜率小于第一预设斜率阈值且大于第二预设斜率阈值的数据点,确定为参考数据点,根据各参考数据点的幅值确定所有参考数据点对应的幅值均值和最小幅值。
首先,对于参考数据点,为了便于后续计算各曲线段的幅值差异和突变程度,需要获取原始数据曲线中所有幅值波动程度较小的数据点,即原始数据曲线中的平稳数据点。平稳数据点是指原始数据曲线中波动较小的数据点,本实施例中的平稳数据点可以为斜率小于第一预设斜率阈值0.5且大于第二预设斜率阈值-0.5的数据点。确定参考数据点,有助于后续比对趋势曲线和残差曲线对应的各曲线段中每个数据点与平稳数据点在幅值上的差异情况。
然后,对于幅值均值,为了便于后续计算各曲线段的幅值差异,使参考数据点的幅值更具有代表性,提高幅值差异的参考价值,将原始数据曲线中所有参考数据点的幅值均值作为对比对象,幅值均值的计算过程此处不再详细阐述。对于最小幅值,为了提高各曲线段的突变程度的准确度,从原始数据曲线中所有参考数据点的幅值中选取出最小幅值。
需要说明的是,参考数据点、所有参考数据点对应的幅值均值和最小幅值可以表征待计量电能数据序列中波动变化较小或波动变化平稳的电能数据,其可以由实施者根据具体实际情况自行设置,不做具体限定。
第二步,将趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值与所有参考数据点对应的幅值均值的差值绝对值的累加值,确定为对应曲线段的幅值差异;将趋势曲线和残差曲线对应的各曲线段对应的最大幅值与所有参考数据点对应的最小幅值的差值,确定为对应曲线段的突变程度。
需要说明的是,在分析数据差异程度时,可以通过对各曲线段内每个数据点的横纵坐标变化的分析实现,横纵坐标变化也就是数据趋势的变化,其可以表现为幅值差异和突变程度。趋势曲线和残差曲线中的每个曲线段均有其对应的幅值差异和突变程度,确定幅值差异和突变程度有助于提高数据差异程度的准确度。
第三步,将趋势曲线和残差曲线对应的各曲线段的幅值差异和突变程度的乘积,确定为对应曲线段的数据差异程度。
在本实施例中,趋势曲线中各曲线段的数据差异程度与残差曲线中各曲线段的数据差异程度的计算过程保持一致,以趋势曲线中各曲线段的数据差异程度的计算过程为例,趋势曲线中各曲线段的数据差异程度的计算公式可以为:
其中,为趋势曲线中第j个曲线段的数据差异程度,L为趋势曲线中第j个曲线段的数据点个数,l为趋势曲线中第j个曲线段的数据点序号,/>为趋势曲线中第j个曲线段的第l个数据点的幅值,/>为所有参考数据点对应的幅值均值,/>为趋势曲线中第j个曲线段对应的最大幅值,/>为所有参考数据点对应的最小幅值,/>为对/>求绝对值,/>为趋势曲线中第j个曲线段的幅值差异,/>为趋势曲线中第j个曲线段的突变程度。
对于数据差异程度的计算公式中的,通过计算第j个曲线段中每个数据点的幅值与所有参考数据点对应的幅值均值之间的差异来表示数据幅值差异,为了表征整个曲线段的幅值差异情况,对第j个曲线段中所有数据点的数据差异求和,即可获得第j个曲线段对应的幅值差异;对于数据差异程度的计算公式中的/>,由于第j个曲线段中最大幅值在特殊情况下可能等于所有参考数据点对应的最小幅值,通常情况下为大于0的数值,第j个曲线段中每个数据点与原始数据曲线中参考数据点进行比较时,第j个曲线段中突变数据点的波动变化程度越大,参考数据点的波动变化程度越小,说明第j个曲线段中的数据点与原始数据曲线中的参考数据点之间的波动差异越大,第j个曲线段对应的突变程度越大,后续通过融合权重实现缩放的调整程度越大,这里的突变数据点是指第j个曲线段中幅值最大的数据点。从/>和/>两个角度分析曲线段的数据差异程度,可以有效提高后续计算的融合权重的参考价值。
至此,本实施例得到了趋势曲线和残差曲线中各曲线段的数据差异程度。
S5,根据趋势曲线和残差曲线对应的各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的融合权重。
对于趋势曲线和残差曲线对应的任意一个曲线段,计算趋势曲线和残差曲线对应的该曲线段中每个数据点的幅值与该曲线段对应的幅值均值的差值平方,将该曲线段中每个数据点的差值平方的累加值确定为该曲线段的离散程度;获得趋势曲线和残差曲线对应的各曲线段的离散程度,进而计算趋势曲线和残差曲线对应的各曲线段的离散程度与数据差异程度的乘积,将归一化处理后的乘积确定为对应曲线段的融合权重。
需要说明的是,通过趋势曲线和残差曲线对应的各曲线段的数据差异程度,可以得到能够实现非周期变化的待计量电能数据变换的变换权重,变换权重可以反映曲线段的变化趋势,变换权重也可以称为融合权重。通过分解后的三个曲线(周期曲线、趋势曲线和残差曲线)中各曲线段的融合权重和原始数据,进行融合处理,可以得到原始数据曲线中每个数据点对应的融合数据。融合数据组成的数据序列即为待计量电能数据序列对应的具有周期性规律的数据序列,对融合数据值序列进行压缩处理,可以有效避免傅里叶变换时将较大波动程度的电能数据转换到频域空间中,降低电能数据传输的压缩率。
在本实施例中,趋势曲线对应的各曲线段的融合权重与残差曲线对应的各曲线段的融合权重的计算过程保持一致,存在较大波动的曲线段的融合权重较大,存在较小波动的曲线段的融合权重较小,趋势曲线和残差曲线对应的每个曲线段均有其对应的融合权重。以趋势曲线对应的各曲线段的融合权重的计算过程为例,趋势曲线对应的各曲线段的融合权重的计算公式可以为:
其中,为趋势曲线对应的第j个曲线段的融合权重,/>为趋势曲线对应的第j个曲线段的数据差异程度,/>为趋势曲线对应的第j个曲线段的数据点个数,l为趋势曲线对应的第j个曲线段的数据点序号,/>为趋势曲线中第j个曲线段的第l个数据点的幅值,/>为趋势曲线中第j个曲线段的幅值均值,/>为趋势曲线对应的第j个曲线段的离散程度,/>为对/>进行归一化处理。
对于融合权重的计算公式中的,当趋势曲线对应的第j个曲线段内数据波动程度较大时,数据差异程度较大,此时需要获取较大的融合权重,以便于后续在进行数据还原时可以更好的反映原始数据的变化特征,避免对原始数据的信息量造成损失;对于融合权重的计算公式中的/>,趋势曲线对应的第j个曲线段的数据离散程度即可表征原始数据曲线对应的第j个曲线段的数据波动变化情况,说明离散程度可以表征第j个曲线段内每个数据点相较于该曲线段的波动程度,通过离散程度可以获得融合权重;对进行归一化处理,可以使融合权重的值域范围限定在0到1之间,有助于后续对三个分解后的曲线中的原始数据进行缩放处理,提高数据压缩效率。
至此,本实施例得到了趋势曲线和残差曲线对应的各曲线段的融合权重。
S6,根据周期曲线、趋势曲线和残差曲线对应的各曲线段中每个数据点的数值、趋势曲线和残差曲线对应的各曲线段的融合权重,确定原始数据曲线对应的各曲线段中每个数据点对应的融合数据值,组成融合数据值序列。
需要说明的是,在进行数据融合时通过融合权重来体现每个数据点的波动程度,通过融合权重将数据点的数值进行一定程度的修正,缩小了变化趋势较大的曲线段的幅值差异程度,使由融合数据值组成的序列对应的各曲线段可以呈现周期性变化特征,融合后的数据序列就是含有权重的周期变化数据序列。例如,一组电能数据的变化趋势较强,此处使该组电能数据中的每个数据点乘以权重(归一化后的数值),其有效缩小了相邻数据点之间的幅值差异,使该组原始数据呈现一定程度的周期性特征。根据该融合后的数据序列,利用傅里叶变换进行数据压缩的时候,有效提高了压缩效率。在本实施例中,基于趋势曲线、周期曲线以及残差曲线对应的各曲线段的融合权重,对分解后的三个曲线进行融合,融合后的数据组成的序列是呈现周期变化的数据序列,原始数据曲线对应的各曲线段中每个数据点对应的融合数据值的计算公式可以为:
其中,为原始数据曲线对应的第q个曲线段中第m个的融合数据值,/>为趋势曲线对应的第q个曲线段的融合权重,/>为趋势曲线对应的第q个曲线段中第m个数据点的数值,/>为残差曲线对应的第q个曲线段的融合权重,/>为残差曲线对应的第q个曲线段中第m个数据点的数值,/>为周期曲线对应的第q个曲线段的融合权重,/>,为周期曲线对应的第q个曲线段中第m个数据点的数值。
在融合数据值的计算公式中,由于原始数据曲线中波动程度较大的数据点对趋势曲线的影响更大,与残差曲线和周期曲线对应的第q个曲线段的融合权重相比,趋势曲线对应的第q个曲线段的融合权重更大。融合权重可以对第q个曲线段内的每个数据点进行加权,也就是对不同曲线段的数据点赋予不同的融合权重。由于周期曲线中数据点的变化都呈现周期变化的,数据点之间的数据变化差异很小,那么在进行数据融合时周期曲线对应的各曲线段的融合权重就会比较小,而趋势曲线和残差曲线对应的各曲线段的融合权重就会比较大。为了减少计算量,根据趋势曲线和残差曲线对应的各曲线段的融合权重,获得周期曲线对应的各曲线段的融合权重,即。
最后,使融合数据值组成序列,即可得到融合数据值序列,融合数据值序列呈现周期变化。此时利用傅里叶变换进行数据压缩时,则不会出现数据差异过大而导致数据离散,有助于实现电能数据的高效压缩。至此,本实施例获得了待计量电能数据对应的融合数据值序列。
S7,对融合数据值序列进行数据压缩处理,获得待计量电能数据对应的压缩后的电能数据。
在本实施例中,利用傅里叶变换对具备周期性特征的融合数据值序列进行数据压缩处理,可以获得压缩后的电能数据,将压缩后的电能数据进行数据传输,能够有效降低电能数据的传输量,实现了电能数据计量,同时提高电能计量的速度和稳定度。傅里叶变换实现数据压缩的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
本实施例提供了一种电能数据计量方法,该方法通过待计量电能数据对应的原始数据曲线,获得最小正周期,利用最小正周期将分解后的三个曲线进行分段处理,获得各曲线段。根据各曲线段的数据波动情况计算融合权重,利用融合权重对分解后的三个曲线中的数据进行融合处理,获得融合数据值序列,对具有周期变化特征的融合数据值序列进行压缩处理,可以获得待计量电能数据对应的压缩后的电能数据。该方法克服了属于时变非平稳信号的电能数据无法实现高压缩率的傅里叶变换的缺陷,其有效提高了电能数据的压缩率,减少了电能数据的传输数据量,进而提高了无线传输的速度和稳定性。
本实施例还提供了一种电能数据计量系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现所述的一种电能数据计量方法。
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范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电能数据计量方法,其特征在于,包括以下步骤:
获取待计量电能数据的原始数据曲线,根据原始数据曲线获得待计量电能数据的周期曲线、趋势曲线和残差曲线;
根据原始数据曲线中每个数据点的斜率和横坐标,确定最小正周期;
利用最小正周期将趋势曲线、周期曲线、原始数据曲线以及残差曲线划分为曲线段,获得趋势曲线、周期曲线、原始数据曲线以及残差曲线对应的各曲线段;
根据趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度;
根据趋势曲线和残差曲线对应的各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的融合权重;
根据周期曲线、趋势曲线和残差曲线对应的各曲线段中每个数据点的数值、趋势曲线和残差曲线对应的各曲线段的融合权重,确定原始数据曲线对应的各曲线段中每个数据点对应的融合数据值,组成融合数据值序列;
对融合数据值序列进行数据压缩处理,获得待计量电能数据对应的压缩后的电能数据。
2.根据权利要求1所述的一种电能数据计量方法,其特征在于,根据原始数据曲线中每个数据点的斜率和横坐标,确定最小正周期,包括:
选取原始数据曲线中斜率大于第一预设斜率阈值的数据点确定为第一目标数据点,并选取原始数据曲线中斜率小于第二预设斜率阈值的数据点确定为第二目标数据点;
统计在各个第一目标数据点之后且斜率连续大于第三预设斜率阈值的数据点个数,将所述数据点个数记为t,当某个第一目标数据点对应的数据点个数大于预设数据点个数时,将在该第一目标数据点之后的第t个数据点确定为该第一目标数据点对应的第三目标数据点,计算该第一目标数据点对应的第三目标数据点与该第一目标数据点之间的横坐标差值;
统计在各个第二目标数据点之后且斜率连续小于第三预设斜率阈值的数据点个数,将所述数据点个数记为n,当某个第二目标数据点对应的数据点个数大于预设数据点个数时,将在该第二目标数据点之后的第n个数据点确定为该第二目标数据点对应的第四目标数据点,计算该第二目标数据点对应的第四目标数据点与该第二目标数据点之间的横坐标差值;
若存在不少于两个横坐标差值,则将最小横坐标差值确定为最小正周期,若仅存在一个横坐标差值,则将该横坐标差值确定为最小正周期。
3.根据权利要求1所述的一种电能数据计量方法,其特征在于,根据趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的数据差异程度,包括:
选取原始数据曲线中斜率小于第一预设斜率阈值且大于第二预设斜率阈值的数据点,确定为参考数据点,根据各参考数据点的幅值确定所有参考数据点对应的幅值均值和最小幅值;
将趋势曲线和残差曲线对应的各曲线段中每个数据点的幅值与所有参考数据点对应的幅值均值的差值绝对值的累加值,确定为对应曲线段的幅值差异;
将趋势曲线和残差曲线对应的各曲线段对应的最大幅值与所有参考数据点对应的最小幅值的差值,确定为对应曲线段的突变程度;
将趋势曲线和残差曲线对应的各曲线段的幅值差异和突变程度的乘积,确定为对应曲线段的数据差异程度。
4.根据权利要求1所述的一种电能数据计量方法,其特征在于,根据趋势曲线和残差曲线对应的各曲线段的数据差异程度和各曲线段中每个数据点的幅值,确定趋势曲线和残差曲线对应的各曲线段的融合权重,包括:
对于趋势曲线和残差曲线对应的任意一个曲线段,计算趋势曲线和残差曲线对应的该曲线段中每个数据点的幅值与该曲线段对应的幅值均值的差值平方,将该曲线段中每个数据点的差值平方的累加值确定为该曲线段的离散程度;获得趋势曲线和残差曲线对应的各曲线段的离散程度,进而计算趋势曲线和残差曲线对应的各曲线段的离散程度与数据差异程度的乘积,将归一化处理后的乘积确定为对应曲线段的融合权重。
6.一种电能数据计量系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如权利要求1-5中任一项所述的一种电能数据计量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218342.XA CN115935296B (zh) | 2023-03-09 | 2023-03-09 | 一种电能数据计量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218342.XA CN115935296B (zh) | 2023-03-09 | 2023-03-09 | 一种电能数据计量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935296A CN115935296A (zh) | 2023-04-07 |
CN115935296B true CN115935296B (zh) | 2023-06-23 |
Family
ID=86656177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310218342.XA Active CN115935296B (zh) | 2023-03-09 | 2023-03-09 | 一种电能数据计量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935296B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089777B (zh) * | 2023-04-10 | 2023-06-23 | 北京智蚁杨帆科技有限公司 | 一种基于信息智能匹配的新能源智能结算方法及系统 |
CN116090916B (zh) * | 2023-04-10 | 2023-06-16 | 淄博海草软件服务有限公司 | 一种企业内部采购资金核算预警系统 |
CN116208172B (zh) * | 2023-05-04 | 2023-07-25 | 山东阁林板建材科技有限公司 | 一种建筑工程项目的数据管理系统 |
CN116991199B (zh) * | 2023-09-25 | 2024-01-02 | 深圳扬兴科技有限公司 | 用于时钟芯片的时钟信号智能降噪方法 |
CN117390972B (zh) * | 2023-12-11 | 2024-03-15 | 深圳博上科技有限公司 | 一种电子烟雾化器寿命预测方法 |
CN117421610B (zh) * | 2023-12-19 | 2024-03-15 | 山东德源电力科技股份有限公司 | 一种用于电能表运行状态预警的数据异常分析方法 |
CN117556377B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345956A (zh) * | 2017-12-06 | 2018-07-31 | 太原理工大学 | 基于sax表示法的时序数据对数周期幂律预测方法 |
CN112819092A (zh) * | 2021-02-24 | 2021-05-18 | 汪礼君 | 一种数据采集软件的数据处理方法及装置 |
CN115659284A (zh) * | 2022-12-27 | 2023-01-31 | 河北新龙科技集团股份有限公司 | 一种大数据融合平台 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI447828B (zh) * | 2011-06-22 | 2014-08-01 | Inotera Memories Inc | 製程原始資料的壓縮方法及壓縮系統 |
US11146445B2 (en) * | 2019-12-02 | 2021-10-12 | Alibaba Group Holding Limited | Time series decomposition |
-
2023
- 2023-03-09 CN CN202310218342.XA patent/CN115935296B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345956A (zh) * | 2017-12-06 | 2018-07-31 | 太原理工大学 | 基于sax表示法的时序数据对数周期幂律预测方法 |
CN112819092A (zh) * | 2021-02-24 | 2021-05-18 | 汪礼君 | 一种数据采集软件的数据处理方法及装置 |
CN115659284A (zh) * | 2022-12-27 | 2023-01-31 | 河北新龙科技集团股份有限公司 | 一种大数据融合平台 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
Non-Patent Citations (2)
Title |
---|
A Hybrid Data Compression Scheme for Power Reduction in Wireless Sensors for IoT;Chacko John Deepu等;《 IEEE Transactions on Biomedical Circuits and Systems》;245 - 254 * |
分段线性趋势数据压缩算法在电力调度系统中的应用;邹嵘\n\n\n\n,何星\n\n\n\n,李根蔚;测控技术(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115935296A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115935296B (zh) | 一种电能数据计量方法及系统 | |
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
CN113312413B (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
US20110112779A1 (en) | Power quality meter and method of waveform anaylsis and compression | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN103837777A (zh) | 供电系统电能质量评估方法及系统 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN109829652B (zh) | 一种长时间尺度动态谐波责任划分方法 | |
CN117368799A (zh) | 一种电力系统输电线路短路故障的诊断方法 | |
CN113484596A (zh) | 一种电能质量监测方法、装置、设备及可读存储介质 | |
CN103439569B (zh) | 一种宽范围量程自适应电压质量监测方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN115864449B (zh) | 新能源接入系统振荡监测方法、装置、系统、设备及介质 | |
CN101398452A (zh) | 基于100kHz频率的动态电能质量指标计算方法 | |
CN112787322B (zh) | 基于scada系统和多时间尺度的电网动态管理方法 | |
JP2023545098A (ja) | 高分解能電気測定データ処理 | |
CN112949563A (zh) | 基于变点检测和改进knn算法的非侵入式负荷识别方法 | |
CN112532615A (zh) | 一种智能电网蠕虫检测方法 | |
CN113098640A (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
Yang et al. | Sliding-Time-Window and Event-Trigger Based Data Collection Strategy for Non-intrusive Load Monitoring | |
CN117516670B (zh) | 一种物联网超声波水表的数据智能监测方法 | |
CN117596190B (zh) | 变电站二次信号传输延时特性测试系统及方法 | |
Xu et al. | A Wavelet Transform and ResNet Based Method for Sensing the Operational Status of Secondary Equipment in the Distribution Room | |
CN109558651B (zh) | 风电机组谐波发射参数置信区间估计方法 |
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 |