CN116592951A - 一种电缆数据智能采集方法及系统 - Google Patents
一种电缆数据智能采集方法及系统 Download PDFInfo
- Publication number
- CN116592951A CN116592951A CN202310872724.4A CN202310872724A CN116592951A CN 116592951 A CN116592951 A CN 116592951A CN 202310872724 A CN202310872724 A CN 202310872724A CN 116592951 A CN116592951 A CN 116592951A
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- turning
- point
- sampling
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005070 sampling Methods 0.000 claims abstract description 264
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005426 magnetic field effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种电缆数据智能采集方法及系统。本发明通过多传感器的采样频率确定标准检测区间，根据标准检测区间中每个采样点的局部波动情况获得初始波动值，根据标准检测区间中采样点的变化趋势确定波动转折点，并获得转折波动程度值；根据波动转折点与其他传感器相同位置处的波动相似程度获得相似指标；根据每个采样点的初始波动值以及最相近波动转折点的转折波动程度值和相似指标，获得噪声评价指标，结合噪声评价指标对插值函数构建插值阶数评价模型，获得最优插值函数得到完整的电缆数据。本发明通过数据处理，获得更精确完整的电缆数据，便于对电缆质量进行分析监测，保证电力传输的安全性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种电缆数据智能采集方法及系统。
背景技术
电缆是电力传输和分配系统中不可获取的组成部分，而电缆在使用过程中会受到各种因素例如温湿度，机械压力等，这些因素可能会导致电缆老化等问题，进而使电缆产生故障，因此对于电缆进行有效的监测和管理至关重要。
通常对于电缆数据采用插值方法进行数据整合，获得插值函数，而插值函数则会根据阶数的选取不同，插值精度也会受到影响，但是在现有技术对于插值函数的优化中，并未全面考虑到电缆中噪声数据的影响，使插值函数的阶数选取不佳，无法获得完整精确的电缆数据，影响后续对电缆质量的分析检测，使电力传输的安全无法保障。
发明内容
为了解决现有技术中未全面考虑到电缆中噪声数据的影响，使插值函数的阶数选取不佳，无法获得完整精确的电缆数据的技术问题，本发明的目的在于提供一种电缆数据智能采集方法及系统，所采用的技术方案具体如下：
本发明提供了一种电缆数据智能采集方法，所述方法包括：
获取每个传感器中所有的采样点，根据不同传感器采样的采样频率确定所有传感器的标准检测区间；
根据每个标准检测区间中每个采样点与相邻采样点之间的数据波动程度，获得每个采样点的初始波动值；根据每个标准检测区间中采样点的局部数据变化趋势从对应标准检测区间的所有采样点中筛选出波动转折点，根据波动转折点的局部波动程度获得波动转折点的转折波动程度值；
根据标准检测区间中每个波动转折点的时序信息，在当前标准检测区间对应的传感器之外的其他传感器的相同标准检测区间中，确定每个波动转折点对应的近似转折点；根据每个波动转折点与对应的所有所述近似转折点的波动相似程度获得每个波动转折点的相似指标；
根据每个采样点的初始波动值以及对应的最相近的波动转折点的转折波动程度值和相似指标，获得每个采样点的噪声评价指标；获得每个传感器的标准检测区间对应的插值函数，根据标准检测区间中的采样点的数值结合每个采样点的噪声评价指标构建插值函数的插值阶数评价模型；通过插值阶数评价模型获得每个插值函数的最优阶数，通过最优阶数构建的最优插值函数获得完整的电缆数据。
进一步地，所述初始波动值的获取方法包括：
计算每个采样点与相邻采样点之间的数据值差值绝对值作为每个采样点的局部数据波动量，将每个采样点对应的所有局部数据波动量相加获得数据波动量；计算每个采样点对应的两个相邻采样点之间的数据值差值绝对值作为每个采样点的波动差异量；
根据所述数据波动量和所述波动差异量获得每个采样点的初始波动值，所述数据波动量与所述初始波动值呈正相关关系，所述波动差异量与所述初始波动值呈负相关关系。
进一步地，所述转折波动程度值的获取方法包括：
计算每个波动转折点与相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的局部转折波动量，将每个波动转折点对应的所有局部转折波动量相加获得转折波动量；计算每个波动转折点对应的相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的转折差异量；计算所述转折差异量和预设调整因子的和值，将所述转折波动量与所述和值的比值进行归一化处理，获得每个波动转折点的第一波动值；
统计每个波动转折点对应的相邻波动转折点之间的采样点数量并归一化处理，获得波动变化数量；根据所述第一波动值与所述波动变化数量获得每个波动转折点的转折波动程度值，所述第一波动值与所述转折波动程度值呈正相关关系，所述波动变化数量与所述转折波动程度值呈负相关关系。
进一步地，所述近似转折点的获取方法包括：
任选标准检测区间中一个波动转折点作为样本点，将样本点对应的时刻记为转折时刻；在标准检测区间对应传感器之外的其他传感器对应相同标准检测区间中，若在所述转折时刻上存在波动转折点，则将其他传感器中对应的波动转折点记为样本点的近似转折点；若在转折时刻上不存在波动转折点，则在所述转折时刻前后均选取最近的预设数量个波动转折点记为样本点的近似转折点。
进一步地，所述相似指标的获取方法包括：
在每个其他传感器中，当样本点对应的近似转折点为一个时，将样本点与对应近似转折点的转折波动程度值的差值绝对值作为样本点在对应其他传感器的波动差异度；
当样本点对应的近似转折点不为一个时，计算样本点与每个近似转折点的转折波动程度值的差值绝对值作为每个近似转折点的数值差异度；将样本点与每个近似转折点的时间间隔进行负相关映射并归一化处理，获得每个近似转折点的时间差异度；将样本点对应每个近似转折点的数值差异度与时间差异度相乘，获得每个近似转折点的初步波动差异度，将样本点对应所有近似转折点的初步波动差异度相加，获得样本点在对应其他传感器的波动差异度；
将样本点在对应所有其他传感器中的波动差异度相加，将和值进行负相关映射并归一化处理获得样本点的相似指标。
进一步地，所述每个采样点的噪声评价指标的获取方法包括：
在每个采样点对应的标准检测区间中，将与采样点的时间间隔最小的波动转折点作为每个采样点的最相近波动转折点；
统计每个采样点与最相近波动转折点之间的采样点数量进行负相关映射并归一化处理，获得每个采样点的调整距离；将每个采样点的调整距离与对应的最相近波动转折点的转折波动程度值相乘，获得每个采样点的调整系数；将每个采样点的初始波动值与调整系数的乘积作为每个采样点的波动数值指标；
根据每个采样点的波动数值指标和对应的最相近波动转折点的相似指标，获得每个采样点归一化后的噪声评价指标，所述波动数值指标和所述相似指标均与所述噪声评价指标呈正相关关系。
进一步地，所述插值阶数评价模型的具体表达式为：
式中，/>表示为第/>阶插值函数的插值阶数评价模型，/>表示为标准检测区间中采样点的总数量，/>表示为第/>个采样点的数据值，/>表示为第/>阶插值函数中第/>个采样点的插值数据值，/>表示为第/>个采样点的噪声评价指标。
进一步地，所述标准检测区间的获取方法包括：
获得所有传感器的采样频率，计算所有传感器所述采样频率的最小公倍数，以最小公倍数为长度大小获得所有传感器的标准检测区间。
进一步地，所述波动转折点的获取方法包括：
在标准检测区间的所有采样点中，当采样点的相邻采样点的数据值均大于或均小于采样点的数据值时，将对应的采样点作为波动转折点。
本发明提供了一种电缆数据智能采集系统，包括存储器和处理器；所述处理器执行所述存储器存储的计算程序，以实现如上述一种电缆数据智能采集方法。
本发明具有如下有益效果：
本发明通过多传感器的采样频率确定标准检测区间，通过设定标准检测区间对多传感器进行同步分析。任选一个传感器中任意一个标准检测区间作为参考区间，根据参考区间中每个采样点的局部波动情况获得每个采样点的初始波动值，考虑到每个采样点在波动过程中的位置不同，通过参考区间中所有采样点的变化趋势确定波动转折点，并根据波动转折点的波动程度获得转折波动程度值，转折波动程度值可以反映波动过程的波动程度，后续可以对每个采样点的波动情况进行调整，获得每个采样点更准确的波动程度。根据参考区间中波动转折点与其他传感器相同位置处的波动相似程度获得相似指标，通过相似指标反映每个波动过程与其他传感器的相似程度，以便判断该波动过程考虑噪声影响的程度。最终确定每个采样点的最相近波动转折点，根据每个采样点的初始波动值以及最相近波动转折点的转折波动程度值和相似指标获得采样点的噪声评价指标，通过采样点的波动程度和采样点与其他传感器的相似程度多指标分析表征采样点受噪声的影响程度，结合采样点的噪声评价指标对标准检测区间中的插值函数构建插值阶数评价模型，通过更准确的噪声评价指标调整使对插值函数的阶数评估效果更佳，获得最优阶数，并构建最优插值函数获得完整的电缆数据，通过插值阶数评价模型使插值函数的阶数选取更优，获得的电缆数据更精确完整，便于对电缆质量进行分析监测，保证电力传输的安全性。
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为本发明一个实施例所提供的一种电缆数据智能采集方法流程图；
图2为本发明一个实施例所提供的标准检测区间中一段采样点数据示意图；
图3为本发明一个实施例所提供的一种传感器之间的波动转折点与近似转折点示意图。
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电缆数据智能采集方法及系统，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电缆数据智能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电缆数据智能采集方法流程图，该方法包括以下步骤：
S1：获取每个传感器中所有的采样点，根据不同传感器采样的采样频率确定所有传感器的标准检测区间。
电缆是电力传输和分配系统中不可或缺的组成部分，由于电缆线路的分布广泛，电缆上通常会设置多个传感器节点用来感知电缆数据的不同状态信息，通过电缆数据来保护和监测电力传输的过程。由于电缆传感器的节点环境和感知过程的不同，不同的传感器会采用不同的采样频率进行数据获取，而数据之间的不一致性则会导致数据丢失或监测结果不准确，因此需要对电缆数据进行插值，对数据整合获得更完成的电缆数据。
由于在电缆运输电流时，同时刻的电流大小会产生不同的磁场，受磁场影响导致传感器采集的数据存在噪声，使对于插值函数的判断并不准确，因此需要对初始采集的电缆数据进行噪声数据的评估，通过减少噪声波动对插值函数好坏判断的影响，可以更好的对电缆数据进行分析。由于电缆的分布较广通常采用分段监测法对同一电缆上的相距较近的传感器数据共同分析，因此需要结合多个传感器的数据对噪声波动影响情况进行判断。
首先获取每个传感器中所有的采样点，在本发明实施例中，采样点为传感器获取的电缆数据，主要依据电缆数据的波动情况进行判断分析，具体数据的种类在此不做限制。需要说明的是，由于传感器的设置不同，需要多个传感器进行共同分析，在此传感器的数据根据当前电缆通常运输电流负荷以及对应的检测精度进行调整，在此对于具体传感器的选取数量不做限制。
对于不同的传感器，由于所在位置的环境因素不同导致不同传感器设定的初始采样频率不同，由于传感器数据在后续进行监测时，需要根据插值后的拟合函数，进行对应时间点的相关分析检测，因此需要对于不同传感器选取相同长度的子区间进行插值分析，本发明通过不同传感器获取采样点的采样频率设定相同长度的区间，使对数据状态的分析基于相同的时间段，因此根据不同传感器采样的采样频率确定所有传感器的标准检测区间。
优选地，获得所有传感器的采样频率，通过采样频率表征两个采样点之间的时间间隔，计算所有传感器采样频率的最小公倍数，通过最小公倍数寻找所有传感器的相同长度区间，将最小公倍数作为所有传感器的标准检测区间的长度大小，则在标准检测区间中每个传感器的采样点数量为最小公倍数与对应传感器的采样频率的比值加一，每个传感器对应的标准检测区间的起始点和终点均为采样点，方便后续对标准检测区间进行插值分析。需要说明的是，最小公倍数的计算方法为本领域技术人员熟知的技术方法，在此不做赘述。
至此，获得每个传感器对应的标准检测区间，以每个标准检测区间作为一个时间周期对数据的波动情况进行分析。
S2：根据每个标准检测区间中每个采样点与相邻采样点之间的数据波动程度，获得每个采样点的初始波动值；根据每个标准检测区间中采样点的局部数据变化趋势从对应标准检测区间的所有采样点中筛选出波动转折点，根据波动转折点的局部波动程度获得波动转折点的转折波动程度值。
为了方便对每个标准检测区间进行分析，在本发明实施例中，对任意一个传感器中的任意一个标准检测区间进行分析，任选一个传感器对应的一个标准检测区间作为参考区间，通过对参考区间的分析，可以获得对每个标准检测区间的噪声波动分析方法，再通过噪声影响对每个标准检测区间的插值函数进行评估调整。
首先根据每个标准检测区间中每个采样点与相邻采样点之间的数据波动程度，获得每个采样点的初始波动值，对于不同的采样点而言，当数据本身具有一定的波动程度，当局部的波动程度较大时，说明采样点受波动影响明显，受到噪声波动影响的可能性也越大。因此根据采样点本身的数据值与局部采样点的数据值对比，可以看出采样点的数据波动情况。
优选地，计算每个采样点与相邻采样点之间的数据值差值绝对值作为每个采样点的局部数据波动量，在参考区间对应的时序区间上，与每个采样点相邻的采样点存在两个，因此在计算局部数据波动量时，会获得两个局部数据波动量，即每个采样点可以与前一个相邻采样点和后一个相邻采样点分别计算数据值之间的差异获得两个局部数据波动量，将每个采样点对应的所有局部数据波动量相加获得数据波动量，通过数据波动量可以看出采样点与相邻采样点在数据值上的差异程度。
由于采样点为处于波动趋势中的点，因此相邻的采样点之间的数据值差异也能反映数据值波动的情况，计算每个采样点对应的相邻采样点之间的数据值差值绝对值作为每个采样点的波动差异量，当相邻采样点之间的差异过大时，也说明采样点处于波动过程中的点，对应的波动特征也不明显。
根据数据波动量和波动差异量获得每个采样点的初始波动值；通过初始波动值表征每个采样点的数据幅值的波动情况，其中数据波动量与初始波动值呈正相关关系，波动差异量与初始波动值呈负相关关系，在本发明实施例中，为了后续计算的准确性，每个采样点的初始波动值的具体表达式为：
式中，/>表示为第/>个采样点的初始波动值，/>表示为第/>个采样点的数据值，/>表示为第/>个采样点的数据值，/>表示为第/>个采样点的数据值，/>表示为取绝对值函数，/>表示为预设调整因子，在本发明实施例中设置为0.0001，目的是防止分母为零使公式无意义。
其中，和/>均表示为第/>个采样点的局部数据波动量，表示为第/>个采样点的数据波动量，/>表示为第/>个采样点的波动差异量。在本发明实施例中，采用比值的形式表征数据波动量和波动差异量与初始波动值的关系，当采样点与相邻采样点之间的数据波动量越大，说明采样点的局部波动程度程度可能越大，因此初始波动值越大，数据波动量作为分子与初始波动值呈正相关关系。当相邻采样点之间的波动差异量越大，说明采样点可能处于波动过程中的点，采样点的数据值在相邻采样点之间，因此采样点的相对波动程度可能越小，因此初始波动值越小，波动差异量作为分母与初始波动值呈负相关关系。
在本发明其他实施例中，也可以选用其他基础数学运算反映数据波动量与初始波动值呈正相关关系，例如乘法、加法或指数函数等，波动差异量与初始波动值呈负相关关系，例如相减等具体计算方法在此不做限制。
请参阅图2，其出示了本发明一个实施例所提供的标准检测区间中一段采样点数据示意图，其中1-9均为采样点。在初始波动值计算中，处于波动状态的点起初始波动值较大，波动状态较为明显，如图2中的采样点2，5。而处于波动过程中的采样点，其采样点的波动程度并不明显，如图2中的采样点3，4，6，7。处于波动过程中的采样点仅通过初始波动值很难表征对应采样点的的波动状态，因此需要进行调整，本发明通过对与每个采样点最相近的变化明显的采样点分析波动性，来调整每个采样点的波动程度值。
首先将变化明显的采样点筛选出来，通常变化明显的采样点也为波动趋势发生转折的点，因此可以根据标准检测区间中采样点的局部数据变化趋势从对应标准检测区间的所有采样点中筛选出波动转折点，在本发明一个实施例中，当采样点对应的相邻采样点的数据值均大于或均小于采样点的数据值时，说明采样点与相邻采样点的数据值变化不为单调变化，将对应的采样点作为波动转折点。如图2中采样点2，5对应的采样点为波动转折点。
进一步地，通过波动转折点的局部波动程度可以获得波动转折点的转折波动程度值，转折波动程度值可以完整反映一个波动过程的数据波动程度，优选地，计算每个波动转折点与相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的局部转折波动量，每个波动转折点的相邻波动转折点之间的采样点整体变化可以表征一个波动过程，局部转折波动量反映一个波动过程中一半的数据值变化程度，将每个波动转折点对应的所有局部转折波动量相加获得转折波动量，转折波动量表征一个波动过程中数据值变化程度。
计算每个波动转折点对应的两个相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的转折差异量，通过相邻转折点之间的数据值差异进一步对波动过程的波动程度进行分析，当相邻转折点之间的数据值差异越小，即转折差异量越小说明两个相邻波动转折点越接近，对应波动转折点的波动程度越佳，最终得到的波动值越大。
计算转折差异量和预设调整因子的和值，预设调整因子的作用是防止转折差异量的数据值为零的时候，无法进行波动情况的判断，将折波动量与和值的比值进行归一化处理，获得每个波动转折点的第一波动值，通过比值的形式反映折波动量和转折差异量与第一波动值的关系，在本发明实施例中，第一波动值的具体表达式为：
式中，/>表示为第/>个波动转折点的第一波动值，/>表示为第/>个波动转折点的数据值，/>表示为第/>个波动转折点的数据值，/>表示为第/>个波动转折点的数据值，/>表示为取绝对值函数，/>表示为预设调整因子，/>表示为归一化函数，需要说明的是，归一化为本领域技术人员熟知的技术手段，归一化函数的选择可以为线性归一化或标准归一化等，具体的归一化方法在此不做限定。
其中，和/>表示为第/>个波动转折点的局部转折波动量，表示为第/>个波动转折点的转折波动量，/>表示为第/>个波动转折点的转折差异量。通过比值的形式，当转折波动量越大，转折差异量越小时，说明对应波动转折点的波动程度越大，波动数据幅值越明显，因此第一波动值越大。
通过对每个波动转折点对应波动过程的趋势程度分析，通过局部趋势程度调整波动值，在本发明一个实施例中，统计每个波动转折点对应的相邻波动转折点之间的采样点数量并归一化处理，获得波动变化数量，通过波动变化数量表征波动的范围程度，当一个波动过程中波动变化数量越大，说明波动的趋势较为明显，不需要调整波动值，当一个波动过程中的波动变化数量较小，说明波动的趋势不明显，需要调整波动值，增强波动的凸显性。
根据第一波动值和波动变化数量获得每个波动转折点的转折波动程度值，第一波动值与转折波动程度值呈正相关关系，波动变化数量与转折波动程度值呈负相关关系，在本发明实施例中，每个波动转折点的转折波动程度值的具体表达为：
式中，/>表示为第/>个波动转折点的转折波动程度值，/>表示为第/>个波动转折点的第一波动值，/>表示为第/>个波动转折点的波动变化数量，/>表示为预设调整因子，/>表示为归一化函数。
在本发明一个实施例中，通过比值的形式反映第一波动值和波动变化数量与转折波动程度值的关系，当第一波动值越大，说明波动转折点对应波动的波动程度越大，当波动变化数量越小，说明波动转折点对应波动的趋势小需要调整波动程度增大，因此将第一波动值作为分子与转折波动程度值呈正相关关系，将波动变化数量作为分母与转折波动程度值呈负相关关系。在本发明其他实施例中，也可以选用其他基础数学运算反映第一波动值与转折波动程度值呈正相关关系，波动变化数量与转折波动程度值呈负相关关系，在此不做限制。
至此，完成了对参考区间中采样点的波动程度进行分析，并对整体波动过程的波动程度进一步分析，获得了采样点对应波动情况的初始波动值，还有每个波动转折点的对应波动过程的转折波动程度值。
S3：根据标准检测区间中每个波动转折点的时序信息，在当前标准检测区间对应的传感器之外的其他传感器的相同标准检测区间中，确定每个波动转折点对应的近似转折点；根据每个波动转折点与对应的所有近似转折点的波动相似程度获得每个波动转折点的相似指标。
由于电缆运输的电流可能会产生磁场影响，从而导致传感器中的数据出现了不同的波动，这种波动通常取决于当前局部位置的电缆质量，质量情况不同则对应的波动会不同，因此对于位置相近的传感器，电缆质量较为相似则其波动情况应该是越相似的。而在电缆进行数据传输中，由于电缆的质量或者信息损耗情况，数据会产生一定的波动差异，这种波动差异是需要进行保留以便后续进行电缆的质量判断。
因此对于因此本发明通过不同传感器之间的波动转折点对应的波动情况进行分析，当相似程度较小时，则电缆数据有可能为传输中产生异常的点，尽可能保留波动信息，而当对应波动转折点处的相似程度较大时，说明电缆数据传输情况较好，此时电缆数据的波动差异可以作为波动中噪声的程度影响。
首先根据标准检测区间中每个波动转折点的时序信息，在当前标准检测区间对应的传感器之外的其他传感器对应的相同标准检测区间中确定每个波动转折点对应的近似波动点，若波动情况相近，则在其他传感器的相同时段的标准检测区间中，每个波动转折点在时序上对应存在一个波动转折点，但是由于波动存在一定的差异性，波动转折点并不一定在时序上完全对应。需要说明的是，当前标准检测区间为正在进行分析计算的标准检测区间，也即为在本发明实施例中的参考区间。
因此在本发明一个实施例中，对每个波动转折点单独分析，任选参考区间中一个波动转折点作为样本点，将样本点对应的时刻记为转折时刻，由于电流传输速度是极快的，因此在时序上波动程度极为相似，通过样本点的时刻对应寻找其他传感器的波动转折点。在其他传感器对应相同标准检测区间中，保证分析的波动情况在同一波动周期的区间中，若在转折时刻上存在波动转折点，说明波动突出的点在时序上重合，则将其他传感器中对应的波动转折点记为样本点的近似转折点。若在转折时刻上不存在波动转折点，说明波动情况与参考区间中的波动情况存在一定的差异情况，则在转折时刻前后均选取最近的预设数量个波动转折点记为样本点的近似转折点。在本发明实施例中，预设数量为1个，在转折时刻的前后均选取最近的1个波动转折点记为近似转折点，每个样本点共选取2个波动转折点记为近似转折点。
请参阅图3，其出示了本发明一个实施例所提供的一种传感器之间的波动转折点与近似转折点示意图。图3中1表示一个波动转折点，2和3表示近似转折点，虚线表示转折时刻。图3展示了在其他传感器的标准检测区间中，当转折时刻上不存在波动转折点时，波动转折点与近似转折点的选取情况。
进一步地，根据每个波动转折点与对应所有近似转折点的波动相似程度，获得每个波动转折点的相似指标，根据选取近似转折点的过程，继续对样本点进行分析，通过相似指标判断参考区间中样本点与其他传感器中对应时刻位置的波动相似程度，越相似则考虑噪声数据影响的程度越大。
在本发明一个实施例中，在参考区间对应的其他传感器中，样本点在每个传感器中选取对应近似转折点的数量是不同，当样本点对应近似转折点为一个时，说明样本点在该对应其他传感器中波动情况在时序上是相似的，因此可直接通过波动数据值的程度进行分析，将样本点与对应近似转折点的转折波动程度值的差值绝对值作为样本点在对应其他传感器的波动差异度。
当样本点对应近似转折点不为一个时，在本发明实施例中为2个时，则在考虑数据值差异的同时考虑时间差异，计算样本点与每个近似转折点的转折波动程度值的差值绝对值作为每个近似转折点的数值差异度，将样本点与每个近似转折点的时间间隔进行负相关映射并归一化处理，获得每个近似转折点的时间差异度，通过数值和时间两个指标综合分析样本点的差异情况。将样本点对应每个近似转折点的数值差异度与时间差异度相乘，获得每个近似转折点的初步波动差异度，初步波动差异度表征了一个近似转折点与样本点的波动差异程度，将样本点对应所有近似转折点的初步波动差异度相加，获得样本点在对应其他传感器的波动差异度。
在本发明实施例中，为了后续计算的准确性，样本点的波动差异度的具体表达式为：
式中，/>表示为样本点在第/>个其他传感器中的波动差异度，/>表示为样本点在第/>个其他传感器中对应近似转折点的数量，/>表示为样本点的转折波动程度值，/>表示为样本点对应第/>个近似转折点的转折波动程度值，/>表示为样本点与对应第/>个近似转折点的时间间隔，/>表示为取绝对值函数，/>表示为归一化函数。
其中，表示为样本点对应第/>个近似转折点的数值差异度，当近似转折点的数量为1时，也即样本点的波动差异度。/>表示为样本点对应第/>个近似转折点的时间差异度，/>表示为样本点对应第/>个近似转折点的初步波动差异度。
获得样本点在每个其他传感器中对应的波动差异度后，综合分析获得样本点与所有其他传感器的整体相似程度，将样本点在对应所有其他传感器中的波动差异度相加，将和值进行负相关映射并归一化处理获得样本点的相似指标，相似指标即为表征参考区间中样本点与所有其他传感器在对应位置的波动相似程度。在本发明实施例中，为了后续计算的准确性，样本点的相似指标的具体表达式为：
式中，/>表示为样本点的相似指标，/>表示为样本点在第/>个其他传感器中的波动差异度，/>表示为其他传感器的总数量，/>表示为归一化函数。
当样本点对应的波动差异度越小，说明样本点与其他传感器对应的波动程度相似度越高，则此时考虑噪声影响越多，相似指标越大。至此，可以获得参考区间中每个波动转折点的相似指标，在进行噪声评估时，可以通过相似指标分析后续计算中考虑噪声影响的程度。
S4：根据每个采样点的初始波动值以及对应的最相近的波动转折点的转折波动程度值和相似指标，获得每个采样点的噪声评价指标；获得每个传感器的标准检测区间对应的插值函数，根据标准检测区间中的采样点的数值结合每个采样点的噪声评价指标构建插值函数的插值阶数评价模型；通过插值阶数评价模型获得每个插值函数的最优阶数，通过最优阶数构建的最优插值函数获得完整的电缆数据。
通过对波动程度和与其他传感器的波动相似程度综合分析，可以对每个采样点处考虑噪声波动影响情况进行分析，当对应采样点的波动程度越大，说明越有可能存在噪声波动影响，当对应采样点与其他传感器的波动相似度越高，说明对应位置仅受噪声影响可能性较大，需要越多程度的考虑噪声波动的影响。
首先确定每个采样点的最相近波动转折点，考虑波动转折点的影响调整每个采样点的波动情况，在本发明一个实施例中，在每个采样点对应的标准检测区间中，将与采样点的时间间隔最小的波动转折点作为采样点的最相近波动转折点，通过最相近波动转折点的转折波动程度值和相似指标分析对应采样点在考虑噪声波动影响的程度。
进一步地，根据每个采样点的初始波动值以及对应的最相近波动转折点的转折波动程度值和相似指标，获得每个采样点的噪声评价指标，噪声评价指标为对应采样点考虑噪声波动的程度大小。
优选地，统计每个采样点与最相近波动转折点之间的采样点数量进行负相关映射并归一化处理，获得每个采样点的调整距离，当采样点对最相近波动转折点的距离越远，则受到最相近波动转折点的波动影响越小，通过调整距离控制波动转折点对采样点的调整程度。将每个采样点的调整距离与对应的最相近波动转折点的转折波动程度值相乘，获得每个采样点的调整系数，调整系数即为对每个采样点考虑所在波动过程中波动的影响程度，可以通过调整系数对采样点的初始波动值进行调整。将每个采样点的初始波动值与调整系数的乘积作为每个采样点的波动数值指标，当调整系数越大，说明采样点所在波动的波动程度越大，则越可能产生噪声波动，对应波动数值指标就越大。
在本发明实施例中，每个采样点的波动数值指标的具体表达式为：
式中，/>表示为第/>个采样点的波动数值指标，/>表示为第/>个采样点的初始波动值，/>表示为第/>个采样点的最相近波动转折点/>的转折波动程度值，表示为第/>个采样点与最相近波动转折点/>之间的采样点数量，/>表示为自然常数。
其中，表示为采样点/>的调整距离，在本发明实施例中，设置数值10的目的是为了调整采样点数量的变化速度，防止调整距离变化过快，通过以自然常数为底的指数函数进行负相关映射并归一化，获得调整距离。/>表示为采样点/>的调整系数，通过调整系数可以更清晰的反映采样点对应的波动程度大小。需要说明的是，若采样点存在两个最相近波动转折点时，即两个最相近波动转折点距离采样点的时间间隔相等且最小，则分别计算采样点与每个最相近波动转折点的波动数值指标，最后将平均值作为采样点的波动数值指标，由于此种情况概率较小，不做过多赘述。
通过采样点的波动程度和在其他传感器对应位置的波动相似程度综合分析，根据每个采样点的波动数值指标和对应的最相近波动转折点的相似指标，获得每个采样点归一化后的噪声评价指标，噪声评价指标可以反映出每个采样点处受噪声影响的程度多少，当波动程度越大，说明采样点处噪声易发生，当相似程度越大，说明采样点处考虑噪声影响程度越多，因此波动数值指标和相似指标均与噪声评价指标呈正相关关系，在本发明实施例中，考虑到后续计算的准确性，噪声评价指标的具体表达式为：
式中，/>表示为第/>个采样点的噪声评价指标，/>表示为第/>个采样点的波动数值指标，/>表示为第/>个采样点的最相近波动转折点/>的相似指标，表示为归一化函数。
通过乘法的形式反映波动数值指标和相似指标均与噪声评价指标呈正相关关系，当采样点的波动数值指标越大，说明采样点对应位置处的波动程度较大，噪声波动越容易发生，需要考虑噪声影响的程度越大，当采样点的相似指标越大，说明采样点对应位置处与其他传感器的波动相似程度越大，此时噪声波动越明显，需要考虑噪声影响的程度越大，采样点的噪声评价指标就越大。
在本发明其他实施例中，也可选用其他基础数学运算手段反映波动数值指标和相似指标均与噪声评价指标呈正相关关系，例如加法等，在此不做限制。
在得到每个采样点的噪声评价指标后，可以对插值函数的传统评价模型优化，在本发明中每个标准检测区间可以进行插值，获得对应的插值函数，插值函数为多阶数的多项式函数，而对插值函数的传统评估方法为对区间中的点构建均方误差模型进行评估，但传统的评估模型中仅根据差异进行评估，寻找多项式插值函数的最优阶数，而在本发明中由于电缆数据中的噪声数据产生的差异会影响对函数阶数的评估，因此根据标准检测区间中的采样点的数值结合每个采样点的噪声评价指标构建插值函数的插值阶数评价模型。需要说明的是，通过插值算法获取插值函数为本领域技术人员熟知的技术手段，例如采用标准样条插值等获得多项式插值函数等，在此不做赘述。
在本发明实施例中，插值阶数评价模型的具体表达式为：
式中，/>表示为第/>阶插值函数的插值阶数评价模型，/>表示为标准检测区间中采样点的总数量，/>表示为第/>个采样点的数据值，/>表示为第/>阶插值函数中第/>个采样点的插值数据值，/>表示为第/>个采样点的噪声评价指标。
通过反映对每个采样点噪声影响的权重，当采样点的噪声评价指标越大，则说明该采样点位置的受噪声影响越明显，因此此处的采样点数据值差异应当给予较小的权重，减小采样点插值后差异过大是由于噪声因素的情况，使此处采样点数据值的差异反映的为更接近不受噪声影响的真实数据差异程度，因此权重与噪声评价指标为负相关关系。
通过在传统的均方误差模型中加入噪声影响的权重获得插值阶数评价模型，进一步地，将最小值的插值阶数评价模型对应的阶数作为最优阶数，通过最优阶数可以得到最优的插值函数，最优插值函数可以为相关人员提供更完整精确的电缆数据，可以通过完整精确的电缆数据对当前电缆的质量和损耗等信息进行分析和监测，及时对电缆进行调整，保证电力传输的安全。
综上，本发明通过多传感器的采样频率确定标准检测区间，通过设定标准检测区间对多传感器进行同步分析。任选一个传感器中任意一个标准检测区间作为参考区间，根据参考区间中每个采样点的局部波动情况获得每个采样点的初始波动值，考虑到每个采样点在波动过程中的位置不同，通过参考区间中所有采样点的变化趋势确定波动转折点，并根据波动转折点的波动程度获得转折波动程度值，转折波动程度值可以反映波动过程的波动程度，后续可以对每个采样点的波动情况进行调整，获得每个采样点更准确的波动程度。根据参考区间中波动转折点与其他传感器相同位置处的波动相似程度获得相似指标，通过相似指标反映每个波动过程与其他传感器的相似程度，以便判断该波动过程考虑噪声影响的程度。最终确定每个采样点的最相近波动转折点，根据每个采样点的初始波动值以及最相近波动转折点的转折波动程度值和相似指标获得采样点的噪声评价指标，通过采样点的波动程度和采样点与其他传感器的相似程度多指标分析表征采样点受噪声的影响程度，结合采样点的噪声评价指标对标准检测区间中的插值函数构建插值阶数评价模型，使对插值函数的阶数评估效果更佳，获得最优阶数，并构建最优插值函数获得完成的电缆数据，使电缆数据更精确完整，便于对电缆质量进行分析监测，保证电力传输的安全性。
本发明提供了一种电缆数据智能采集系统，包括存储器和处理器，处理器执行存储器存储的计算程序，以实现如上述一种电缆数据智能采集方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种电缆数据智能采集方法，其特征在于，所述方法包括：
获取每个传感器中所有的采样点，根据不同传感器采样的采样频率确定所有传感器的标准检测区间；
根据每个标准检测区间中每个采样点与相邻采样点之间的数据波动程度，获得每个采样点的初始波动值；根据每个标准检测区间中采样点的局部数据变化趋势从对应标准检测区间的所有采样点中筛选出波动转折点，根据波动转折点的局部波动程度获得波动转折点的转折波动程度值；
根据标准检测区间中每个波动转折点的时序信息，在当前标准检测区间对应的传感器之外的其他传感器的相同标准检测区间中，确定每个波动转折点对应的近似转折点；根据每个波动转折点与对应的所有所述近似转折点的波动相似程度获得每个波动转折点的相似指标；
根据每个采样点的初始波动值以及对应的最相近的波动转折点的转折波动程度值和相似指标，获得每个采样点的噪声评价指标；获得每个传感器的标准检测区间对应的插值函数，根据标准检测区间中的采样点的数值结合每个采样点的噪声评价指标构建插值函数的插值阶数评价模型；通过插值阶数评价模型获得每个插值函数的最优阶数，通过最优阶数构建的最优插值函数获得完整的电缆数据。
2.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述初始波动值的获取方法包括：
计算每个采样点与相邻采样点之间的数据值差值绝对值作为每个采样点的局部数据波动量，将每个采样点对应的所有局部数据波动量相加获得数据波动量；计算每个采样点对应的两个相邻采样点之间的数据值差值绝对值作为每个采样点的波动差异量；
根据所述数据波动量和所述波动差异量获得每个采样点的初始波动值，所述数据波动量与所述初始波动值呈正相关关系，所述波动差异量与所述初始波动值呈负相关关系。
3.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述转折波动程度值的获取方法包括：
计算每个波动转折点与相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的局部转折波动量，将每个波动转折点对应的所有局部转折波动量相加获得转折波动量；计算每个波动转折点对应的相邻波动转折点之间的数据值差值绝对值作为每个波动转折点的转折差异量；计算所述转折差异量和预设调整因子的和值，将所述转折波动量与所述和值的比值进行归一化处理，获得每个波动转折点的第一波动值；
统计每个波动转折点对应的相邻波动转折点之间的采样点数量并归一化处理，获得波动变化数量；根据所述第一波动值与所述波动变化数量获得每个波动转折点的转折波动程度值，所述第一波动值与所述转折波动程度值呈正相关关系，所述波动变化数量与所述转折波动程度值呈负相关关系。
4.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述近似转折点的获取方法包括：
任选标准检测区间中一个波动转折点作为样本点，将样本点对应的时刻记为转折时刻；在标准检测区间对应传感器之外的其他传感器对应相同标准检测区间中，若在所述转折时刻上存在波动转折点，则将其他传感器中对应的波动转折点记为样本点的近似转折点；若在转折时刻上不存在波动转折点，则在所述转折时刻前后均选取最近的预设数量个波动转折点记为样本点的近似转折点。
5.根据权利要求4所述的一种电缆数据智能采集方法，其特征在于，所述相似指标的获取方法包括：
在每个其他传感器中，当样本点对应的近似转折点为一个时，将样本点与对应近似转折点的转折波动程度值的差值绝对值作为样本点在对应其他传感器的波动差异度；
当样本点对应的近似转折点不为一个时，计算样本点与每个近似转折点的转折波动程度值的差值绝对值作为每个近似转折点的数值差异度；将样本点与每个近似转折点的时间间隔进行负相关映射并归一化处理，获得每个近似转折点的时间差异度；将样本点对应每个近似转折点的数值差异度与时间差异度相乘，获得每个近似转折点的初步波动差异度，将样本点对应所有近似转折点的初步波动差异度相加，获得样本点在对应其他传感器的波动差异度；
将样本点在对应所有其他传感器中的波动差异度相加，将和值进行负相关映射并归一化处理获得样本点的相似指标。
6.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述每个采样点的噪声评价指标的获取方法包括：
在每个采样点对应的标准检测区间中，将与采样点的时间间隔最小的波动转折点作为每个采样点的最相近波动转折点；
统计每个采样点与最相近波动转折点之间的采样点数量进行负相关映射并归一化处理，获得每个采样点的调整距离；将每个采样点的调整距离与对应的最相近波动转折点的转折波动程度值相乘，获得每个采样点的调整系数；将每个采样点的初始波动值与调整系数的乘积作为每个采样点的波动数值指标；
根据每个采样点的波动数值指标和对应的最相近波动转折点的相似指标，获得每个采样点归一化后的噪声评价指标，所述波动数值指标和所述相似指标均与所述噪声评价指标呈正相关关系。
7.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述插值阶数评价模型的具体表达式为：
式中，表示为第/>阶插值函数的插值阶数评价模型，/>表示为标准检测区间中采样点的总数量，/>表示为第/>个采样点的数据值，/>表示为第/>阶插值函数中第/>个采样点的插值数据值，/>表示为第/>个采样点的噪声评价指标。
8.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述标准检测区间的获取方法包括：
获得所有传感器的采样频率，计算所有传感器所述采样频率的最小公倍数，以最小公倍数为长度大小获得所有传感器的标准检测区间。
9.根据权利要求1所述的一种电缆数据智能采集方法，其特征在于，所述波动转折点的获取方法包括：
在标准检测区间的所有采样点中，当采样点的相邻采样点的数据值均大于或均小于采样点的数据值时，将对应的采样点作为波动转折点。
10.一种电缆数据智能采集系统，包括存储器和处理器；其特征在于，所述处理器执行所述存储器存储的计算程序，以实现如权利要求1-9任一项所述一种电缆数据智能采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872724.4A CN116592951B (zh) | 2023-07-17 | 2023-07-17 | 一种电缆数据智能采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872724.4A CN116592951B (zh) | 2023-07-17 | 2023-07-17 | 一种电缆数据智能采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116592951A true CN116592951A (zh) | 2023-08-15 |
| CN116592951B CN116592951B (zh) | 2023-09-08 |
Family
ID=87594071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310872724.4A Active CN116592951B (zh) | 2023-07-17 | 2023-07-17 | 一种电缆数据智能采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116592951B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773186A (zh) * | 2023-08-22 | 2023-09-19 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
| CN116828070A (zh) * | 2023-08-28 | 2023-09-29 | 无锡市锡容电力电器有限公司 | 一种智慧电网数据优化传输方法 |
| CN117194931A (zh) * | 2023-11-07 | 2023-12-08 | 青岛东山集团母线智造有限公司 | 一种母线槽绝缘性能评估方法及系统 |
| CN117421686A (zh) * | 2023-12-18 | 2024-01-19 | 山东金诺种业有限公司 | 一种水肥一体化灌溉用量数据收集方法 |
| CN117473351A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06149040A (ja) * | 1992-11-09 | 1994-05-27 | Sharp Corp | 画像形成装置 |
| US20060222236A1 (en) * | 2005-03-30 | 2006-10-05 | Tokyo Electron Limited | Substrate positioning device, substrate positioning method and program |
| US20070123787A1 (en) * | 2005-10-06 | 2007-05-31 | Konica Minolta Sensing, Inc. | Pulse wave data analyzing method, system, and program product |
| US20110153247A1 (en) * | 2009-12-17 | 2011-06-23 | Rohde & Schwarz Gmbh & Co. Kg. | Method and Device for Determining a Frequency Mask for a Frequency Spectrum |
| CN104301087A (zh) * | 2014-09-24 | 2015-01-21 | 重庆邮电大学 | 一种数字调相信号的定时误差矫正方法 |
| CN104820673A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 基于自适应性分段统计近似的时间序列相似性度量方法 |
| CN104820779A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于极值点和转折点的时间序列降维方法 |
| CN107451029A (zh) * | 2016-06-01 | 2017-12-08 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及装置、设备 |
| CN110489855A (zh) * | 2019-08-15 | 2019-11-22 | 厦门大学 | 一种温盐深剖面仪海上比测数据对齐方法 |
| CN112697482A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种vmd多尺度波动分析状态监测方法及装置 |
| US20220036605A1 (en) * | 2020-07-31 | 2022-02-03 | GE Precision Healthcare LLC | Systems and methods for reprojection and backprojection via homographic resampling transform |
| CN114462845A (zh) * | 2022-01-27 | 2022-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于组合权重理论的配电电缆状态评价方法 |
| CN114845387A (zh) * | 2022-05-07 | 2022-08-02 | 深圳抟鹏科技有限公司 | 一种进出监控方法、装置、计算机设备及存储介质 |
| CN114898890A (zh) * | 2022-03-08 | 2022-08-12 | 华中科技大学同济医学院附属协和医院 | 一种基于深度学习的肺炎疫情管控方法及系统 |
| CN114926082A (zh) * | 2022-06-07 | 2022-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的数据波动预警方法及相关设备 |
| US11500117B1 (en) * | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
| CN116226484A (zh) * | 2023-05-05 | 2023-06-06 | 北京视酷科技有限公司 | 一种超滤水处理装置监测数据管理系统 |
| CN116383608A (zh) * | 2023-04-06 | 2023-07-04 | 中国人民解放军空军工程大学 | 一种小样本装备故障在线预测方法 |
-
2023
- 2023-07-17 CN CN202310872724.4A patent/CN116592951B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06149040A (ja) * | 1992-11-09 | 1994-05-27 | Sharp Corp | 画像形成装置 |
| US20060222236A1 (en) * | 2005-03-30 | 2006-10-05 | Tokyo Electron Limited | Substrate positioning device, substrate positioning method and program |
| US20070123787A1 (en) * | 2005-10-06 | 2007-05-31 | Konica Minolta Sensing, Inc. | Pulse wave data analyzing method, system, and program product |
| US20110153247A1 (en) * | 2009-12-17 | 2011-06-23 | Rohde & Schwarz Gmbh & Co. Kg. | Method and Device for Determining a Frequency Mask for a Frequency Spectrum |
| CN104301087A (zh) * | 2014-09-24 | 2015-01-21 | 重庆邮电大学 | 一种数字调相信号的定时误差矫正方法 |
| CN104820673A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 基于自适应性分段统计近似的时间序列相似性度量方法 |
| CN104820779A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于极值点和转折点的时间序列降维方法 |
| CN107451029A (zh) * | 2016-06-01 | 2017-12-08 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及装置、设备 |
| CN110489855A (zh) * | 2019-08-15 | 2019-11-22 | 厦门大学 | 一种温盐深剖面仪海上比测数据对齐方法 |
| US20220036605A1 (en) * | 2020-07-31 | 2022-02-03 | GE Precision Healthcare LLC | Systems and methods for reprojection and backprojection via homographic resampling transform |
| CN112697482A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种vmd多尺度波动分析状态监测方法及装置 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| US11500117B1 (en) * | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
| CN114462845A (zh) * | 2022-01-27 | 2022-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于组合权重理论的配电电缆状态评价方法 |
| CN114898890A (zh) * | 2022-03-08 | 2022-08-12 | 华中科技大学同济医学院附属协和医院 | 一种基于深度学习的肺炎疫情管控方法及系统 |
| CN114845387A (zh) * | 2022-05-07 | 2022-08-02 | 深圳抟鹏科技有限公司 | 一种进出监控方法、装置、计算机设备及存储介质 |
| CN114926082A (zh) * | 2022-06-07 | 2022-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的数据波动预警方法及相关设备 |
| CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
| CN116383608A (zh) * | 2023-04-06 | 2023-07-04 | 中国人民解放军空军工程大学 | 一种小样本装备故障在线预测方法 |
| CN116226484A (zh) * | 2023-05-05 | 2023-06-06 | 北京视酷科技有限公司 | 一种超滤水处理装置监测数据管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 肖红;尚福华;: "基于趋势转折点的时间序列模式表示", 科学技术与工程, no. 13 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773186A (zh) * | 2023-08-22 | 2023-09-19 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
| CN116773186B (zh) * | 2023-08-22 | 2023-11-07 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
| CN116828070A (zh) * | 2023-08-28 | 2023-09-29 | 无锡市锡容电力电器有限公司 | 一种智慧电网数据优化传输方法 |
| CN116828070B (zh) * | 2023-08-28 | 2023-11-07 | 无锡市锡容电力电器有限公司 | 一种智慧电网数据优化传输方法 |
| CN117194931A (zh) * | 2023-11-07 | 2023-12-08 | 青岛东山集团母线智造有限公司 | 一种母线槽绝缘性能评估方法及系统 |
| CN117194931B (zh) * | 2023-11-07 | 2024-01-09 | 青岛东山集团母线智造有限公司 | 一种母线槽绝缘性能评估方法及系统 |
| CN117421686A (zh) * | 2023-12-18 | 2024-01-19 | 山东金诺种业有限公司 | 一种水肥一体化灌溉用量数据收集方法 |
| CN117421686B (zh) * | 2023-12-18 | 2024-03-05 | 山东金诺种业有限公司 | 一种水肥一体化灌溉用量数据收集方法 |
| CN117473351A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
| CN117473351B (zh) * | 2023-12-26 | 2024-03-22 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116592951B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116592951B (zh) | 一种电缆数据智能采集方法及系统 | |
| US8744813B2 (en) | Detection of anomalies in an aircraft engine | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
| CN116642560B (zh) | 基于智慧燃气物联网的超声波燃气表计量纠正方法和系统 | |
| CN116320042B (zh) | 边缘计算的物联终端监测控制系统 | |
| CN109813269B (zh) | 结构监测传感器在线校准数据序列匹配方法 | |
| CN115861011A (zh) | 一种基于多源数据融合的智慧城市优化管理方法和系统 | |
| CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
| CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
| CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
| CN111553003A (zh) | 基于数据驱动的可视化大跨斜拉桥拉索评估方法 | |
| CN115657754A (zh) | 一种提高变频加热温度控制精度的方法及系统 | |
| KR102575917B1 (ko) | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 | |
| CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
| CN111310317A (zh) | 基于大数据与插值预测的粮仓空时温度场预测方法及装置 | |
| CN114186337A (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN116991841B (zh) | 一种用于混合风数据模型的数据智能清洗方法 | |
| CN116167551B (zh) | 一种建筑物碳排放的智能核算方法及系统 | |
| CN113053475B (zh) | 基于微悬臂梁气敏材料分析的信号处理及多属性决策方法 | |
| CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
| Capizzi et al. | Evaluation of the run-length distribution for a combined Shewhart-EWMA control chart | |
| CN110133383B (zh) | 基于噪声关联的噪声敏感系数测量方法 |
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 |