CN116576553B - 一种空气调节机数据优化采集方法及系统 - Google Patents
一种空气调节机数据优化采集方法及系统 Download PDFInfo
- Publication number
- CN116576553B CN116576553B CN202310840308.6A CN202310840308A CN116576553B CN 116576553 B CN116576553 B CN 116576553B CN 202310840308 A CN202310840308 A CN 202310840308A CN 116576553 B CN116576553 B CN 116576553B
- Authority
- CN
- China
- Prior art keywords
- data
- wind speed
- change
- abnormal
- degree
- 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 27
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 217
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 87
- 231100000719 pollutant Toxicity 0.000 claims abstract description 87
- 230000005856 abnormality Effects 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 22
- 239000000356 contaminant Substances 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 40
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004140 cleaning Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种空气调节机数据优化采集方法及系统,包括:采集污染物浓度数据和空调工作参数;根据污染物浓度数据得到数据的异常程度;根据数据的异常程度和空调工作参数得到数据的异常表现程度;根据数据的异常表现程度和空调工作参数得到数据的最终异常程度;根据数据的最终异常程度对数据进行优化。本发明利用监测数据在时间序列上的变化反映其异常程度,并通过空气调节机风速以及风速变化确定数据表现确定最终异常程度,进一步确定异常数据并剔除,实现数据清洗达到优化采集的效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种空气调节机数据优化采集方法及系统。
背景技术
由于室内污染物影响人们健康,所以对于室内污染物的监测至关重要,此时所采集数据的质量影响识别污染物分析,对于污染物监测过程所采集的原始数据,其在时间序列上均匀分布,通过对原始数据进行清洗主要是为了获取其异常数据,对于时序数据的异常分析主要利用数据变化的偏差获得,偏差越大,其异常程度越大。但是对于室内的污染物浓度在监测过程中由于传播速度的影响导致其监测数据本身具有变化,而污染物传播速度受空气调节机风速的影响,同时由于风速变化导致污染物传播发生变化,导致监测数据本身变化存在差异,所以监测点数据变化无法直接反映监测数据的异常程度。
发明内容
本发明提供一种空气调节机数据优化采集方法及系统,以解决现有的问题。
本发明的一种空气调节机数据优化采集方法及系统采用如下技术方案:
一方面,本发明一个实施例提供了一种空气调节机数据优化采集方法,该方法包括以下步骤:
采集时序上的污染物浓度数据,并获得每个污染物浓度数据对应时刻的空气调节机的风速大小,并观测记录空气调节机风速的变化时刻;
根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度;
利用每个污染物浓度数据对应时刻的空气调节机的风速大小和空气调节机风速的变化时刻对数据的异常程度进行修正,得到数据的异常表现程度;
统计每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,并得到风速变化对当前数据变化的影响关系、当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系以及每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量共三个因子量,利用三个因子量的归一化合并得到每个数据的最终异常程度因子,根据每个数据的最终异常程度因子和数据的异常表现程度得到每个数据的最终异常程度;
对每个数据的最终异常程度进行归一化得到数据的评判标准,将所有评判标准大于预设的异常阈值的数据记为异常数据,删除所有异常数据,完成数据的优化。
优选的,所述根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度,包括的具体步骤如下:
获取污染物浓度数据,并计算每个数据与其时序上前一个时刻的数据的差值,记为第个数据的变化值/>;
计算数据的异常程度,具体计算公式如下:
其中,表示第/>个数据的异常程度,/>表示第/>个数据的变化值,/>表示所有数据的变化值的算数均值,/>表示对括号内的数值进行线性归一化计算。
优选的,所述数据的异常表现程度的具体计算公式如下:
其中,表示第/>个数据的异常表现程度,/>表示第/>个数据的异常程度,/>表示第个数据对应时刻的空气调节机的风速大小,/>表示第/>个数据的变化值,/>表示当前时刻污染物浓度数据在同一时刻相对于此时风速的变化,/>表示所有/>个污染物浓度数据在同一时刻相对于此时风速的变化的均值,且有/>。
优选的,所述风速变化对当前数据变化的影响关系的具体获得步骤如下:
获取每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数并记为每个数据的异常区间长度,将其中的每个数据记为异常区间中的待定数据,计算异常区间中每个待定数据的异常表现程度;
得到异常区间中每个待定数据与对应的每个数据之间的数据的个数,并乘以预设的时间采样间隔得到每个待定数据与其异常区间中的每个数据之间的时间间隔;
计算风速变化对当前第个数据变化的影响关系,计算的具体公式如下:
其中,表示风速变化对当前第/>个数据变化的影响关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据变化值与相邻前一个数据变化值的差值,具体表示为,/>表示第/>个数据与所述第/>个数据的异常区间中的第/>个数据变化值的差值的绝对值,具体表示为/>,其中/>,/>表示所述第/>个数据的异常区间中的第/>个数据与当前第/>个数据之间的时间间隔,/>表示所述第/>个数据的异常区间中的第/>个数据的异常表现程度。
优选的,所述每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量的具体获得步骤如下:
获取在异常区间中最两侧的污染物浓度数据对应的空气调节机的风速大小,将时间最靠后的污染物浓度数据对应的空气调节机的风速大小记为第一速度,将时间最靠前的污染物浓度数据对应的空气调节机的风速大小记为第二速度,用第一速度减去第二速度得到每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量。
优选的,所述当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系的具体计算公式如下:
其中,表示当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,/>为自然对数底数。
优选的,所述利用三个因子量的归一化合并得到每个数据的最终异常程度因子,根据每个数据的最终异常程度因子和数据的异常表现程度得到每个数据的最终异常程度,包括的具体步骤如下:
将每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量取倒数,并与风速变化对当前每个数据变化的影响关系以及当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系相乘,得到一个相乘量,并将相乘量进行线性归一化得到每个数据的最终异常程度因子;
利用每个数据的最终异常程度因子乘每个数据的异常表现程度得到每个数据的最终异常程度。
另一方面,本发明一个实施例提供了一种空气调节机数据优化采集系统,该系统包括:
数据采集模块,用于采集时序上的污染物浓度数据,并获得每个污染物浓度数据对应时刻的空气调节机的风速大小,并观测记录空气调节机风速的变化时刻;
数据处理模块,用于利用每个污染物浓度数据对应时刻的空气调节机的风速大小和空气调节机风速的变化时刻对数据的异常程度进行修正,得到数据的异常表现程度;统计每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,并得到风速变化对当前数据变化的影响关系、当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系以及每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量三个因子量,利用三个因子量的归一化合并得到最终异常程度因子,根据最终异常程度因子和数据的异常表现程度得到数据的最终异常程度;
优化处理模块,用于对数据的最终异常程度进行归一化得到数据的评判标准,删除所有评判标准大于预设的异常阈值的数据,完成数据的优化。
本发明的技术方案的有益效果是:根据空气调节机风速对污染物传播速度的影响,确定监测数据变化对其异常表现程度,避免风速造成监测数据的正常数据变化的误判断,提高数据变化所表现异常程度的准确性;考虑监测位置空气流速对风速变化的响应,避免当前风速与监测位置空气流速的影响关系的偏差,造成风速对监测数据变化的不真实影响,提高风速影响下监测点数据变化所反映其异常程度的真实性;分析风速变化不同方向所引起空气流速的不同变化,获得不同风速变化方向对实际风速的不同影响,提高风速变化所反映当前风速对监测点数据变化影响的准确性。
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,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他的附图。
图1为本发明一种空气调节机数据优化采集方法的步骤流程图。
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一种空气调节机数据优化采集方法及系统,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种空气调节机数据优化采集方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种空气调节机数据优化采集方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集污染物浓度数据和空调工作参数。
需要说明的是,空气调节机在运行过程中涉及空气污染物的监测,在空调调节机污染检测中,要分析污染物浓度的变化。由于空调的参数是在时序上变化的,所以要利用空调的参数在时序上的信息对污染物浓度的变化进行修正,因此,需要对时序上的污染物浓度数据进行采集并将其与时序上空调的参数进行对应。
设置时间采样间隔,本实施例以/>进行说明,本实施例不进行具体限定,该时间采样间隔/>的大小可根据具体实施情况而定。
具体的,首先直接从初始时刻开始,在空气调节机内部安装传感器对空气中的污染物进行采集,得到原始的污染物浓度数据,其中采集到的原始的污染物浓度数据是在时序上。
所采集的原始数据传输到数据分析中心,对原始数据进行清洗得到污染物浓度数据,其中数据分析中心连接空调控制中心,读取从初始时刻开始的空调工作参数,空调工作参数包含每个时刻空气调节机的风速大小和风速的变化时刻,记第个污染物浓度数据对应时刻的空气调节机的风速大小为/>。
至此,得到了污染物浓度数据和空调工作参数。
步骤S002:根据污染物浓度数据得到数据的异常程度。
需要说明的是,传感器所采集的污染物浓度数据为时间序列分布数据,一般对于室内等污染物是持续产生的,所以其浓度在时间序列上变化缓慢,所以在采集过程中的不准确数据表现为突变,即数据变化相对于整体变化越突出,其异常程度越大。
具体的,获取污染物浓度数据,并计算每个即第个数据与其时序上前一个时刻的数据的差值,记为第/>个数据的变化值,并计算数据的异常程度,具体计算公式如下:
其中,表示第/>个数据的异常程度,/>表示第/>个数据的变化值,/>表示所有数据的变化值的算数均值,/>表示对括号内的数值进行线性归一化计算。/>表示/>相对于/>的差异,其值越大,/>相对于整体变化越大,第/>个数据的异常程度越大。
至此,根据污染物浓度数据得到了数据的异常程度。
步骤S003:根据数据的异常程度和空调工作参数得到数据的异常表现程度。
需要说明的是,利用污染物浓度数据在时间序列上的变化偏差,可以确定所监测污染物浓度数据的异常程度,但是对于室内实际污染物浓度的监测受其传播的影响,污染物的传播涉及室内空气流动,已知监测过程空气调节机风速影响室内空气流动,从而对污染物的传播产生影响,即使得所监测的污染物数据产生变化,导致数据变化所反映数据异常程度不准确。在实际污染物数据的采集过程中,污染物浓度时发生变化的,即所采集的数据在时序上本身具有变化,其变化受空气流速的影响。并且已知空气调节机风速越大,空气流动越大,此时污染物在监测位置的停留时间减小,此时监测位置污染物浓度变化越大。因此所监测数据变化值具有不同的异常表现,空气流速越大,监测数据本身变化程度越大,所以其变化值对其异常表现程度越低。结合空气调节机对空气流速的影响可知,空气调节机风速越大,监测数据变化相对的异常表现程度越低。考虑空气调节机风速对监测数据变化的影响,获得监测数据变化对其异常的表现程度。其中以风速对空气流速的影响,分析获得监测数据的正常变化幅度,从而确定风速影响下监测数据的变化对其异常的表现程度,避免风速造成监测数据的正常数据变化的误判断,提高数据变化所表现异常程度的准确性。
具体的,计算数据的异常表现程度,具体的计算公式如下:
其中,表示第/>个数据的异常表现程度,/>表示第/>个数据的异常程度,/>表示第个数据对应时刻的空气调节机的风速大小,/>表示第/>个数据的变化值,/>表示当前时刻污染物浓度数据在同一时刻相对于此时风速的变化,/>表示所有/>个污染物浓度数据在同一时刻相对于此时风速的变化的均值,且有/>。空气调节机的风速大小越大,当前污染物浓度本身变化越大,/>表示当前时刻污染物浓度相对于风速的变化与整体变化的差异,其值越大,当前时刻污染物浓度变化受风速的影响越小,所以所监测数据变化对其异常表现程度越大。
至此,根据数据的异常程度和空调工作参数得到了数据的异常表现程度。
步骤S004:根据数据的异常表现程度和空调工作参数得到数据的最终异常程度。
需要说明的是,在实际空气调剂机运行过程中,风速是会发生变化的,在其变化过程中导致空气流速发生变化,从而使得污染物的在监测位置的浓度变化关系改变,此时所监测的数据对其异常表现程度改变。在空气调节机风速发生变化时,空气流速发生变化,流动空气携带的污染物的传播发生变化,因为污染物的传播是一个持续过程,所以在风速变化时,监测位置的污染物浓度变化并非立马改变,即浓度变化具有风速变化的响应过程。因为当前针对污染物浓度的变化,此时风速的不同变化对空气流速的影响不同,所以对污染物浓度变化的影响不同。一般在风速增大时,增大的风速从出风口开始影响空气流速,然后空气流速的增加慢慢传递到监测位置,然后使得所监测的污染物浓度变化增大;在风速减小时,由于室内空间较为密闭,所以风速减小引起整个室内空间空气流速减小,所以污染物的传播较为快速的发生变化,所以所监测的污染物浓度数据变化较为快速的减小。
基于上述特征,分析空气调节机风速发生变化时,所监测的污染物浓度数据的变化对监测数据异常的表现程度。此时首先需要判断监测数据受风速变化的影响,即确定每一个数据监测之前时刻对应的风速变化对其在某个时刻产生的影响,具体获得每一个监测数据的最终异常程度。根据空气调节机风速变化反映当前风速对所采集数据变化的影响。其中首先考虑监测位置空气流速对风速变化的响应,避免当前风速与监测位置空气流速的影响关系的偏差,造成风速对监测数据变化的不真实影响,提高风速影响下监测点数据变化所反映其异常程度的真实性;然后,分析风速变化不同方向所引起空气流速的不同变化,获得不同风速变化方向对实际风速的不同影响,提高风速变化所反映当前风速对监测点数据变化影响的准确性。
具体的,获取第个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,记为第/>个数据的异常区间长度并用/>表示,计算第/>个数据的异常区间中第/>个数据的异常表现程度/>,并得到其中第/>个数据与当前第/>个数据之间的数据的个数/>,计算/>得到/>,/>表示所述第/>个数据与当前第/>个数据之间的时间间隔,其中/>表示时间采样间隔;计算风速变化对当前第/>个数据变化的影响关系,计算的具体公式如下:
其中,表示风速变化对当前第/>个数据变化的影响关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据变化值与相邻前一个数据变化值的差值,具体表示为,/>表示第/>个数据与所述第/>个数据变化值的差值的绝对值,具体表示为/>,其中/>,/>表示所述第/>个数据与当前第/>个数据之间的时间间隔,/>表示所述第/>个数据的异常表现程度。/>表示第/>个数据变化值的差值与所述第/>个数据变化值差值的差异,其值越小,风速变化对监测点数据变化的影响越小,所以当前时刻风速对监测点数据变化的影响关系越稳定,/>所反映风速变化对监测点数据变化的影响关系越符合当前第/>数据受当前风速的影响,即/>对第个数据变化分析影响越大,由于其作分母时可能会出现分母为0的不合理情况,因此在表示反比关系的分式的分母上加1。/>越小,第/>个数据变化越可信,即/>所反映的第/>个数据受风速变化影响关系越可信,进一步/>表示风速变化对第/>个数据变化的影响关系,所以/>表示第/>个数据相对于第/>个数据与其之前最相邻的风速变化时刻之间的/>个数据变化值的差异关系反映风速变化对当前第/>个数据变化的影响关系,记为/>。
进一步,获取在异常区间中最两侧的污染物浓度数据对应的空气调节机的风速大小,将时间最靠后的污染物浓度数据对应的空气调节机的风速大小记为第一速度,将时间最靠前的污染物浓度数据对应的空气调节机的风速大小记为第二速度,用第一速度减去第二速度得到每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,计算当前对应的风速变化方向产生的第个数据对应的空气流动对风速变化的响应关系,具体的计算公式如下:
其中,表示当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,/>为自然对数底数。在风速增大时,风速变化引起的空气流速变化从出风口到监测位置逐步响应,此时第/>个数据对应时刻的响应关系受第/>个数据对应时刻与风速变化时刻之间的采样间隔影响,此时/>能够直接反映第/>个数据对应时刻对风速变化的响应,此时设置/>;在风速减小时,整个室内空间空气流速减小,所以风速变化对污染物传播影响时间范围较小,且其影响在风速变化后快速下降,直至接近于0,又为了使得最终异常程度在/>时为正,此时设置/>。
进一步,根据风速变化对当前第个数据变化的影响关系和当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系计算第/>个数据的最终异常程度,具体的计算公式如下:
其中,表示第/>个数据的最终异常程度,/>表示第/>个数据的异常表现程度,/>表示第/>个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,/>表示对应的风速变化对当前第/>个数据变化的影响关系,/>表示当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系,/>表示对括号内的数值进行线性归一化计算。第/>个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数越多时,风速变化对当前时刻监测数据变化的影响越小,此时/>表示所述风速变化对当前时刻监测数据变化的影响,其值也会越大,当前时刻风速对污染物浓度变化的影响会越准确,即当前风速影响下所获得监测数据的异常程度越准确。/>越大,对监测数据变化的改变越大。/>可以表示第/>个数据在风速变化影响下最终异常程度因子,且这个因子是归一化的,作为系数对/>起修正作用,当这个因子越大,则修正程度越小,/>越接近/>。
至此,根据数据的异常表现程度和空调工作参数得到了数据的最终异常程度。
步骤S005:根据数据的最终异常程度对数据进行优化。
需要说明的是,根据上述步骤,获得所采集的污染物浓度原始数据在采集过程的数据异常程度,此时根据所获得的异常程度,确定最终的异常数据。
设置异常阈值,本实施例以/>进行说明,本实施例不进行具体限定,该异常阈值的大小可根据具体实施情况而定。
具体的,首先对所获得的第个数据的最终异常程度/>进行最大最小值归一化法得到输出归一化结果/>,然后对/>和/>的大小进行比较,将/>的第/>个数据确定为异常数据,反之则为正常数据;将所有污染物浓度数据中的异常数据进行删除剔除,完成数据清洗。
至此,通过对采集过程异常数据的剔除,实现数据清洗,即完成了数据的优化采集。
本发明出示了一个实施例,提供一种空气调节机数据优化采集系统,该系统包括:
数据采集模块,用于采集时序上的污染物浓度数据,并获得每个污染物浓度数据对应时刻的空气调节机的风速大小,并观测记录空气调节机风速的变化时刻。
数据处理模块,用于利用每个污染物浓度数据对应时刻的空气调节机的风速大小和空气调节机风速的变化时刻对数据的异常程度进行修正,得到数据的异常表现程度;统计每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,并得到风速变化对当前数据变化的影响关系、当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系以及每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量三个因子量,利用三个因子量的归一化合并得到最终异常程度因子,根据最终异常程度因子和数据的异常表现程度得到数据的最终异常程度。
优化处理模块,用于对数据的最终异常程度进行归一化得到数据的评判标准,删除所有评判标准大于预设的异常阈值的数据,完成数据的优化。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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保护范围之内。
Claims (4)
1.一种空气调节机数据优化采集方法,其特征在于,该方法包括以下步骤:
采集时序上的污染物浓度数据,并获得每个污染物浓度数据对应时刻的空气调节机的风速大小,并观测记录空气调节机风速的变化时刻;
根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度;
利用每个污染物浓度数据对应时刻的空气调节机的风速大小和空气调节机风速的变化时刻对数据的异常程度进行修正,得到数据的异常表现程度;
统计每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,并得到风速变化对当前数据变化的影响关系、当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系以及每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量共三个因子量,利用三个因子量的归一化合并得到每个数据的最终异常程度因子,根据每个数据的最终异常程度因子和数据的异常表现程度得到每个数据的最终异常程度;
对每个数据的最终异常程度进行归一化得到数据的评判标准,将所有评判标准大于预设的异常阈值的数据记为异常数据,删除所有异常数据,完成数据的优化;
所述根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度,包括的具体步骤如下:
获取污染物浓度数据,并计算每个数据与其时序上前一个时刻的数据的差值,记为第个数据的变化值/>;
计算数据的异常程度,具体计算公式如下:
其中,表示第/>个数据的异常程度,/>表示第/>个数据的变化值,/>表示所有数据的变化值的算数均值,/>表示对括号内的数值进行线性归一化计算;
所述数据的异常表现程度的具体计算公式如下:
其中,表示第/>个数据的异常表现程度,/>表示第/>个数据的异常程度,/>表示第/>个数据对应时刻的空气调节机的风速大小,/>表示第/>个数据的变化值,/>表示当前时刻污染物浓度数据在同一时刻相对于此时风速的变化,/>表示所有/>个污染物浓度数据在同一时刻相对于此时风速的变化的均值,且有/>;
所述风速变化对当前数据变化的影响关系的具体获得步骤如下:
获取每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数并记为每个数据的异常区间长度,将其中的每个数据记为异常区间中的待定数据,计算异常区间中每个待定数据的异常表现程度;
得到异常区间中每个待定数据与对应的每个数据之间的数据的个数,并乘以预设的时间采样间隔得到每个待定数据与其异常区间中的每个数据之间的时间间隔;
计算风速变化对当前第个数据变化的影响关系,计算的具体公式如下:
其中,表示风速变化对当前第/>个数据变化的影响关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据变化值与相邻前一个数据变化值的差值,具体表示为,/>表示第/>个数据与所述第/>个数据的异常区间中的第/>个数据变化值的差值的绝对值,具体表示为/>,其中/>,/>表示所述第/>个数据的异常区间中的第/>个数据与当前第/>个数据之间的时间间隔,/>表示所述第/>个数据的异常区间中的第/>个数据的异常表现程度;
所述当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系的具体计算公式如下:
其中,表示当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,/>为自然对数底数。
2.根据权利要求1所述一种空气调节机数据优化采集方法,其特征在于,所述每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量的具体获得步骤如下:
获取在异常区间中最两侧的污染物浓度数据对应的空气调节机的风速大小,将时间最靠后的污染物浓度数据对应的空气调节机的风速大小记为第一速度,将时间最靠前的污染物浓度数据对应的空气调节机的风速大小记为第二速度,用第一速度减去第二速度得到每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量。
3.根据权利要求1所述一种空气调节机数据优化采集方法,其特征在于,所述利用三个因子量的归一化合并得到每个数据的最终异常程度因子,根据每个数据的最终异常程度因子和数据的异常表现程度得到每个数据的最终异常程度,包括的具体步骤如下:
将每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量取倒数,并与风速变化对当前每个数据变化的影响关系以及当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系相乘,得到一个相乘量,并将相乘量进行线性归一化得到每个数据的最终异常程度因子;
利用每个数据的最终异常程度因子乘每个数据的异常表现程度得到每个数据的最终异常程度。
4.一种空气调节机数据优化采集系统,其特征在于,该系统包括:
数据采集模块,用于采集时序上的污染物浓度数据,并获得每个污染物浓度数据对应时刻的空气调节机的风速大小,并观测记录空气调节机风速的变化时刻;
根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度;
数据处理模块,用于利用每个污染物浓度数据对应时刻的空气调节机的风速大小和空气调节机风速的变化时刻对数据的异常程度进行修正,得到数据的异常表现程度;统计每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数,并得到风速变化对当前数据变化的影响关系、当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系以及每个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量三个因子量,利用三个因子量的归一化合并得到最终异常程度因子,根据最终异常程度因子和数据的异常表现程度得到数据的最终异常程度;
优化处理模块,用于对数据的最终异常程度进行归一化得到数据的评判标准,删除所有评判标准大于预设的异常阈值的数据,完成数据的优化;
所述根据污染物浓度数据计算数据的变化值,根据数据的变化值得到数据的异常程度,包括的具体步骤如下:
获取污染物浓度数据,并计算每个数据与其时序上前一个时刻的数据的差值,记为第个数据的变化值/>;
计算数据的异常程度,具体计算公式如下:
其中,表示第/>个数据的异常程度,/>表示第/>个数据的变化值,/>表示所有数据的变化值的算数均值,/>表示对括号内的数值进行线性归一化计算;
所述数据的异常表现程度的具体计算公式如下:
其中,表示第/>个数据的异常表现程度,/>表示第/>个数据的异常程度,/>表示第/>个数据对应时刻的空气调节机的风速大小,/>表示第/>个数据的变化值,/>表示当前时刻污染物浓度数据在同一时刻相对于此时风速的变化,/>表示所有/>个污染物浓度数据在同一时刻相对于此时风速的变化的均值,且有/>;
所述风速变化对当前数据变化的影响关系的具体获得步骤如下:
获取每个数据在对应时刻之前最邻近的风速变化时刻之间存在的污染物浓度数据的个数并记为每个数据的异常区间长度,将其中的每个数据记为异常区间中的待定数据,计算异常区间中每个待定数据的异常表现程度;
得到异常区间中每个待定数据与对应的每个数据之间的数据的个数,并乘以预设的时间采样间隔得到每个待定数据与其异常区间中的每个数据之间的时间间隔;
计算风速变化对当前第个数据变化的影响关系,计算的具体公式如下:
其中,表示风速变化对当前第/>个数据变化的影响关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据变化值与相邻前一个数据变化值的差值,具体表示为,/>表示第/>个数据与所述第/>个数据的异常区间中的第/>个数据变化值的差值的绝对值,具体表示为/>,其中/>,/>表示所述第/>个数据的异常区间中的第/>个数据与当前第/>个数据之间的时间间隔,/>表示所述第/>个数据的异常区间中的第/>个数据的异常表现程度;
所述当前对应的风速变化方向产生的每个数据对应的空气流动对风速变化的响应关系的具体计算公式如下:
其中,表示当前对应的风速变化方向产生的第/>个数据对应的空气流动对风速变化的响应关系,/>表示第/>个数据的异常区间长度,/>表示第/>个数据在对应时刻之前最邻近的风速变化时刻之间风速的变化量,/>为自然对数底数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840308.6A CN116576553B (zh) | 2023-07-11 | 2023-07-11 | 一种空气调节机数据优化采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840308.6A CN116576553B (zh) | 2023-07-11 | 2023-07-11 | 一种空气调节机数据优化采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116576553A CN116576553A (zh) | 2023-08-11 |
CN116576553B true CN116576553B (zh) | 2023-09-22 |
Family
ID=87539988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840308.6A Active CN116576553B (zh) | 2023-07-11 | 2023-07-11 | 一种空气调节机数据优化采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116576553B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117146384B (zh) * | 2023-10-30 | 2024-01-30 | 深圳市宇隆伟业科技有限公司 | 基于数据驱动的空调运行状态监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2015007605A (es) * | 2015-06-15 | 2016-12-14 | Inst Mexicano Del Petróleo | Sistema de monitoreo de emisiones contaminantes en quemadores elevados de campo. |
KR101978212B1 (ko) * | 2018-09-28 | 2019-05-14 | 이미재 | 대기오염물질 자가측정 종합관리 시스템 |
WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技(深圳)有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
AU2021102562A4 (en) * | 2021-05-14 | 2021-07-01 | Fudan University | Model Integration Method for Identification and Tracking of PM2.5 Pollution Source |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN116070163A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市特安电子有限公司 | 一种室内有害气体浓度异常监测数据处理方法 |
CN116128260A (zh) * | 2023-04-18 | 2023-05-16 | 山东奥斯瑞特检验检测有限公司 | 基于数据样本的重点企业环境分析方法 |
-
2023
- 2023-07-11 CN CN202310840308.6A patent/CN116576553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2015007605A (es) * | 2015-06-15 | 2016-12-14 | Inst Mexicano Del Petróleo | Sistema de monitoreo de emisiones contaminantes en quemadores elevados de campo. |
WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技(深圳)有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
KR101978212B1 (ko) * | 2018-09-28 | 2019-05-14 | 이미재 | 대기오염물질 자가측정 종합관리 시스템 |
CN112036075A (zh) * | 2020-08-11 | 2020-12-04 | 中国环境监测总站 | 一种基于环境监测数据关联关系的异常数据判定方法 |
AU2021102562A4 (en) * | 2021-05-14 | 2021-07-01 | Fudan University | Model Integration Method for Identification and Tracking of PM2.5 Pollution Source |
CN113533644A (zh) * | 2021-06-26 | 2021-10-22 | 西北工业大学 | 基于无人机的对面源常规大气污染物的监测方法 |
CN116070163A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市特安电子有限公司 | 一种室内有害气体浓度异常监测数据处理方法 |
CN116128260A (zh) * | 2023-04-18 | 2023-05-16 | 山东奥斯瑞特检验检测有限公司 | 基于数据样本的重点企业环境分析方法 |
Non-Patent Citations (2)
Title |
---|
A new hybrid optimization prediction model for PM2.5 concentration considering other air pollutants and meteorological conditions;Hong Yang等;《Chemosphere》;第1-26页 * |
大气污染物监测数据异常值判别方法研究;李艺等;《环境科学学报》;第42卷(第12期);第341-352页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116576553A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116576553B (zh) | 一种空气调节机数据优化采集方法及系统 | |
JP5861276B2 (ja) | 適応型オンツール質量流量コントローラ調整 | |
JP4799168B2 (ja) | 配水及び管路情報解析システム | |
CN112529240B (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
CN115962551B (zh) | 用于楼宇自动控制的智能空调控制系统和方法 | |
CN117167903B (zh) | 基于人工智能的暖通设备异物故障检测方法 | |
CN112594209A (zh) | 空压机的喘振检测方法、装置、可读介质以及设备 | |
CN114692723A (zh) | 一种反渗透膜污堵预警方法及系统 | |
CN112240579B (zh) | 一种抽油烟机及其控制方法 | |
CN116519555A (zh) | 一种稀释法烟气监测系统 | |
CN116383676B (zh) | 基于数据处理的暖通设备智能检测方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
CN115468633A (zh) | 基于rbf神经网络的多点式流量计的校正方法和装置 | |
CN115575579A (zh) | 一种基于监测源分析的碳监测方法及系统 | |
CN111120221B (zh) | 风力发电机组的发电性能评估的方法及设备 | |
JPH11229798A (ja) | 道路トンネルの換気制御システム | |
CN112539809A (zh) | 一种基于物联网服务的智能水表运行误差校准方法、装置及存储介质 | |
CN116757898B (zh) | 一种基于预测比对的汛期污染强度核算方法及系统 | |
CN111980853A (zh) | 变桨控制方法、装置及计算机可读存储介质 | |
CN117387172B (zh) | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
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 |