CN117235446B - 一种自动换电站数据智能管理系统 - Google Patents
一种自动换电站数据智能管理系统 Download PDFInfo
- Publication number
- CN117235446B CN117235446B CN202311487462.6A CN202311487462A CN117235446B CN 117235446 B CN117235446 B CN 117235446B CN 202311487462 A CN202311487462 A CN 202311487462A CN 117235446 B CN117235446 B CN 117235446B
- Authority
- CN
- China
- Prior art keywords
- imf
- component
- independent
- original signal
- independent component
- 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
- 238000000926 separation method Methods 0.000 claims abstract description 141
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000000737 periodic effect Effects 0.000 claims description 52
- 238000005070 sampling Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 description 13
- 238000012880 independent component analysis Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种自动换电站数据智能管理系统,包括:对原始信号分解获得原始信号的独立分量和IMF分量以及每个IMF分量的独立分量,计算每个独立分量和每个IMF独立分量的分离特征,计算原始信号和每个IMF分量的分离度;获得每个IMF分量的调整系数;根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,获得每个IMF分量的噪声概率;根据噪声概率计算重建权重对原始信号进行重建,对重建信号分解获得去噪独立分量。本发明避免了不同尺度的差异,得到了更准确的分离度,提高了后续重建信号的准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种自动换电站数据智能管理系统。
背景技术
自动换电站需要对电池和设备进行实时监控和管理,为此需要采集多种不同传感器得到的混合信号数据,因此往往首先通过独立成分分析的方法,从混合信号中提取得到不同的源信号数据,进而对每种数据分别进行分析。但当每个源信号含有不同噪声时,ICA的结果可能会受到噪声信号的干扰而出现偏差,从而将噪声信号误判为源信号或将源信号的一部分误判为噪声信号,导致ICA无法恢复出原始的相互独立的源信号。基于此,本申请提出了一种自动换电站数据智能管理系统,通过对原始信号进行EMD分解,对不同IMF分量下的独立信号进行分析,得到每个IMF分量的噪声含量,进而重建得到原始信号,完成了数据去噪,然后对去噪后信号进行独立成分分析,得到更加精确的独立信号。
发明内容
本发明提供一种自动换电站数据智能管理系统,以解决现有的问题。
本发明的一种自动换电站数据智能管理系统采用如下技术方案:
本发明提供了一种自动换电站数据智能管理系统,所述系统包括:
原始信号采集模块,根据不同的传感器采集不同的原始信号;
周期性获取模块,对原始信号进行分解获得原始信号的独立分量、原始信号的IMF分量以及每个IMF分量的独立分量,获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的周期性序列;
分离度计算模块,计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量,根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度;
调整系数计算模块,通过KM匹配得到每个IMF分量的IMF独立分量与原始信号的独立分量的匹配关系,获得原始信号的所有独立分量的IMF独立分量序列,根据每个IMF分量的表征IMF独立分量以及表征IMF独立分量所在的IMF独立分量序列对应的独立分量,获得每个IMF分量的调整系数;
噪声概率计算模块,根据每个IMF分量的调整系数与分离度的获得每个IMF分量的调整分离度,根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合每个IMF分量的分离度,获得每个IMF分量的噪声概率;
信号重建模块,根据每个IMF分量的噪声概率计算每个IMF分量的重建权重,根据重建权重对原始信号进行重建得到重建信号,对重建信号进行分解获得去噪独立分量,对去噪独立分量进行分析。
进一步地,所述获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的周期性序列,包括的具体步骤如下:
通过傅里叶变换获得原始信号的每个独立分量的频率和周期长度,根据每个独立分量的周期长度对每个独立分量进行分割,获得每个独立分量的所有分割段的周期性组成的周期性序列,记为独立分量的周期性序列,包括:
将原始信号的任意一个独立分量记为目标独立分量,通过傅里叶变换将目标独立分量转换到频域空间,将频域空间中最大幅值对应频率记为目标独立分量的频率,将目标独立分量的频率的倒数作为目标独立分量的周期长度;通过目标独立分量的周期长度对目标独立分量进行分割,得到目标独立分量的多个分割段,将目标独立分量的任意一个分割段记为目标分割段,将目标分割段与目标独立分量的其他所有分割段的余弦相似度的均值记为目标分割段的周期性,获得目标独立分量的所有分割段的周期性,将所有目标独立分量的所有分割段的周期性按照顺序组成的序列记为目标独立分量的周期性序列;
获得原始信号的所有独立分量的频率、周期长度和周期性序列;
同理,通过傅里叶变换获得每个IMF分量的每个IMF独立分量的频率和周期长度,根据每个IMF独立分量的周期长度对每个IMF独立分量进行分割,获得每个IMF独立分量的所有分割段的周期性组成的周期性序列,记为每个IMF独立分量的周期性序列;
获得所有IMF分量的所有IMF独立分量的周期性序列。
进一步地,所述计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量,包括的具体步骤如下:
根据原始信号的每个独立分量的周期性序列的特征,获得原始信号的每个独立分量的分离特征,将分离特征最大的独立分量作为原始信号的表征独立分量,包括:
原始信号的每个独立分量的分离特征的计算公式为:
式中,t表示独立分量的分离特征,表示独立分量的周期性序列中所有周期性的
均值,表示独立分量的周期性序列中所有周期性的方差,表示以自然常数为底的指
数函数;
同理,对于任意一个IMF分量,根据IMF分量的每个IMF独立分量的周期性序列的特征,获得IMF分量的每个IMF独立分量的分离特征,将分离特征最大的IMF独立分量作为IMF分量的表征IMF独立分量。
进一步地,所述根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度,包括的具体步骤如下:
根据原始信号的表征独立分量的分离特征获得原始信号的分离度,包括:
原始信号的分离度的计算公式为:
式中,f表示原始信号的分离度,T表示原始信号的表征独立分量的分离特征,N表
示原始信号的所有独立分量的数量,分别表示原始信号的第i个独立分量和第j个独立
分量,表示原始信号的第i个独立分量和第j个独立分量的余弦相似度;
同理,对于任意一个IMF分量,根据IMF分量的表征IMF独立分量的分离特征获得IMF分量的分离度。
进一步地,所述获得原始信号的所有独立分量的IMF独立分量序列,包括的具体步骤如下:
将任意一个IMF分量作为目标IMF分量,将目标IMF分量的每个IMF独立分量作为右侧节点,将原始信号的每个独立分量作为左侧节点,将左侧节点对应的独立分量与右侧节点对应的IMF独立分量的余弦相似度,作为左侧节点和右侧节点的权值,结合最大匹配原则,通过KM算法,获得每个左侧节点的匹配结果,作为左侧节点对应的独立分量在目标IMF分量中的匹配结果;获得原始信号的所有独立分量在目标IMF分量中的匹配结果;获得原始信号的所有独立分量在所有IMF分量中的匹配结果;
对于原始信号的任意一个独立分量,将该独立分量在所有IMF分量中的匹配结果组成的序列,记为该独立分量的IMF独立分量序列;获得原始信号的所有独立分量的IMF独立分量序列。
进一步地,所述获得每个IMF分量的调整系数,包括的具体步骤如下:
对于任意一个IMF分量,将IMF分量的表征IMF独立分量记为目标表征IMF独立分量,将目标表征IMF独立分量所在的IMF独立分量序列对应的独立分量记为关注独立分量,按照目标表征IMF独立分量的频率对关注独立分量进行采样,获得若干个采样分量组成的采样分量序列,通过最邻近插值方法对采样分量序列进行多次插值操作,直至采样分量序列的插值结果的长度等于关注独立分量的长度,停止插值操作,将停止插值操作时的采样分量序列的插值结果记为插值分量序列,将插值分量序列与目标表征IMF独立分量的余弦相似度作为IMF分量的调整系数。
进一步地,所述获得每个IMF分量的噪声概率,包括的具体步骤如下:
根据IMF分量的调整分离度、IMF分量左侧的IMF分量的调整分离度、IMF分量右
侧的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合IMF分量的分离度,获得IMF分量的噪声概率,具体为:
(1)如果,则IMF分量的噪声概率,表示该IMF分
量的调整系数;
(2)如果且且,则IMF分量的噪声概率;
(3)如果且且,则IMF分量的噪声概率;
(4)如果且且,则IMF分量的噪声概率。
进一步地,所述计算每个IMF分量的重建权重,包括的具体步骤如下:
将1与每个IMF分量的噪声概率的差值作为每个IMF分量的重建权重,根据每个IMF分量的重建权重和每个IMF分量对原始信号进行重建,获得重建信号,重建信号的计算公式为:
式中,C表示重建信号,M表示原始信号的IMF分量的数量,表示第j个IMF分量的
重建权重,表示第j个IMF分量,c表示残差。
本发明的技术方案的有益效果是:本发明通过对原始信号分解获得原始信号的独立分量、原始信号的IMF分量以及每个IMF分量的独立分量,对IMF分量进行分析,根据每个IMF分量的调整系数与分离度的获得每个IMF分量的调整分离度,根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合每个IMF分量的分离度,获得每个IMF分量的噪声概率,根据噪声概率获得每个IMF分量的重建权重,根据每个IMF分量的重建权重对原始信号进行重建,获得去噪后的重建信号,完成对原始信号的去噪,对去噪后的重建信号进行分解,得到更加精确的去噪独立分量;通过将原始信号中的独立分量作为基准,将不同IMF分量放到了同一尺度下进行计算,避免了不同尺度下的差异,通过调整系数对每个IMF分量的分离度进行调整,得到了更准确的分离度,进而提高了后续重建信号的准确度。
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为本发明的一种自动换电站数据智能管理系统的系统框图。
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自动换电站数据智能管理系统,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自动换电站数据智能管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种自动换电站数据智能管理系统,该系统包括以下模块:
原始信号采集模块S101,用于采集原始信号。
自动换电站的几种常见的传感器及其得到的混合信号数据如下:
1.电压电流传感器:用来测量电池充放电时的电压和电流,得到包括电池充放电时的电压和电流的混合信号。
2.温湿度传感器:用来测量电池或设备的温度和湿度,得到包括温度和湿度的混合信号。
3.电池电量计:用来测量电池的电量,得到包括电量的混合信号。
4.其他传感器:对于电池和设备状态、位置、故障问题等,还需要其他各种类型的传感器来提供相关的混合信号数据,例如加速度计、陀螺仪、GPS等。
根据不同的传感器采集不同的混合信号,将混合信号记为原始信号。
周期性获取模块S102,用于对原始信号进行分解获得原始信号的独立分量、原始信号的IMF分量以及每个IMF分量的独立分量,获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的频率、周期长度和周期性序列。
1、对原始信号进行ICA分解获得原始信号的独立分量,对原始信号进行EMD分解得到原始信号的IMF分量;对每个IMF分量进行ICA分解,得到每个IMF分量的独立分量。
需要说明的是,考虑到混合信号是由若干种源信号混合在一起的,因此,通过独立成分分析方法(ICA)将传感器采集的混合信号分离为相互独立的源信号,进而对源信号分析得到有用的信息,为电池和设备状态监测和控制提供数据支持。
在本实施例中,对原始信号进行ICA分解(即通过独立成分分析方法进行分解),得到原始信号的若干个独立分量。
例如:温湿度传感器中有2种源信号,因此分解为两种独立分量,将分解得到的独立分量称为原始信号的独立分量。
对原始信号进行EMD分解,得到多个IMF分量;对每个IMF分量进行ICA分解,得到每个IMF分量的若干个独立分量,记为每个IMF分量的IMF独立分量。
2、获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的频率、周期长度和周期性序列。
需要说明的是,不同源信号的噪声不同,噪声对不同源信号的不同尺度下数据的影响不同,这里的尺度可以看作是对源数据通过不同频率的采样得到的数据。因此通过EMD分解的方法,分解得到不同频率的数据,对原始信号和不同频率的数据分别进行ICA分析。
在本实施例中,通过傅里叶变换获得原始信号的每个独立分量的频率和周期长度,根据每个独立分量的周期长度对每个独立分量进行分割,获得每个独立分量的所有分割段的周期性组成的周期性序列,记为独立分量的周期性序列,包括:
将原始信号的任意一个独立分量记为目标独立分量,通过傅里叶变换将目标独立分量转换到频域空间,将频域空间中最大幅值对应频率记为目标独立分量的频率,将目标独立分量的频率的倒数作为目标独立分量的周期长度;通过目标独立分量的周期长度对目标独立分量进行分割,得到目标独立分量的多个分割段,将目标独立分量的任意一个分割段记为目标分割段,将目标分割段与目标独立分量的其他所有分割段的余弦相似度的均值记为目标分割段的周期性,获得目标独立分量的所有分割段的周期性,将所有目标独立分量的所有分割段的周期性按照顺序组成的序列记为目标独立分量的周期性序列。
获得原始信号的所有独立分量的频率、周期长度和周期性序列。
同理,通过傅里叶变换获得每个IMF分量的每个IMF独立分量的频率和周期长度,根据每个IMF独立分量的周期长度对每个IMF独立分量进行分割,获得每个IMF独立分量的所有分割段的周期性组成的周期性序列,记为每个IMF独立分量的周期性序列。
获得所有IMF分量的所有IMF独立分量的周期性序列。
分离度计算模块S103,用于计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,进而获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量,根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度。
1、用于计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,进而获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量。
需要说明的是,IMF分量的IMF独立分量与原始信号的相同长度的分割段的周期性越强,相互之间的相似度越小,分离度越大。本身相似的周期性较强,由于噪声导致的相似,周期性减弱,进而得到不同频率下的分离性。
在本实施例中,根据原始信号的每个独立分量的周期性序列的特征,获得原始信号的每个独立分量的分离特征,将分离特征最大的独立分量作为原始信号的表征独立分量,包括:
原始信号的每个独立分量的分离特征的计算公式为:
式中,t表示独立分量的分离特征,表示独立分量的周期性序列中所有周期性的
均值,表示独立分量的周期性序列中所有周期性的方差,表示以自然常数为底的指
数函数。
表示独立分量的周期性序列的离散程度,方差越小且均值越大,独立分量的周期
性序列的离散程度越小,独立分量的周期性的一致性越大;越大,独立分量的周期性越大;
独立分量的周期性越一致且周期性越大,独立分量的分离特征越大,说明独立分量受噪声
影响越小。
同理,对于任意一个IMF分量,根据IMF分量的每个IMF独立分量的周期性序列的特征,获得IMF分量的每个IMF独立分量的分离特征,将分离特征最大的IMF独立分量作为IMF分量的表征IMF独立分量。
2、根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度。
根据原始信号的表征独立分量的分离特征获得原始信号的分离度,包括:
原始信号的分离度的计算公式为:
式中,f表示原始信号的分离度,T表示原始信号的表征独立分量的分离特征,N表
示原始信号的所有独立分量的数量,分别表示原始信号的第i个独立分量和第j个独立
分量,表示原始信号的第i个独立分量和第j个独立分量的余弦相似度。
同理,对于任意一个IMF分量,根据IMF分量的表征IMF独立分量的分离特征获得IMF分量的分离度。
调整系数计算模块S104,用于通过KM匹配得到每个IMF分量的IMF独立分量与原始信号的独立分量的匹配关系,获得原始信号的所有独立分量的IMF独立分量序列,进而计算每个IMF分量的调整系数。
1、通过KM匹配得到每个IMF分量的IMF独立分量与原始信号的独立分量的匹配关系,获得原始信号的所有独立分量的IMF独立分量序列。
需要说明的是,由于IMF分量是从原始信号中提取得到的,因此以原始信号中的独立分量作为基准,获得所有IMF分量的所有IMF独立分量中,和每个独立分量属于同一源信号的所有IMF独立分量。
在本实施例中,将任意一个IMF分量作为目标IMF分量,将目标IMF分量的每个IMF独立分量作为右侧节点,将原始信号的每个独立分量作为左侧节点,将左侧节点对应的独立分量与右侧节点对应的IMF独立分量的余弦相似度,作为左侧节点和右侧节点的权值,结合最大匹配原则,通过KM算法,获得每个左侧节点的匹配结果(即与该左侧节点匹配的右侧节点),作为左侧节点对应的独立分量在目标IMF分量中的匹配结果,每个左侧节点的匹配结果对应的IMF独立分量和左侧节点对应的独立分量属于同一源信号;获得原始信号的所有独立分量在目标IMF分量中的匹配结果;获得原始信号的所有独立分量在所有IMF分量中的匹配结果。
对于原始信号的任意一个独立分量,将该独立分量在所有IMF分量中的匹配结果组成的序列,记为该独立分量的IMF独立分量序列,IMF独立分量序列中的IMF独立分量和该独立分量属于同一源信号;获得原始信号的所有独立分量的IMF独立分量序列。
2、计算每个IMF分量的调整系数。
需要说明的是,不同源信号的噪声不同,噪声对不同源信号的不同尺度下数据的影响也不同,这里的尺度可以看作是对源信号通过不同频率的采样得到的数据,因此,根据每个IMF分量的表征IMF独立分量的频率对对应的独立分量进行采样,对于原始信号的任意一个独立分量,该独立分量与该独立分量的独立分量序列中的所有IMF独立分量属于同一个源信号,因此,独立分量序列中的所有IMF独立分量中含有了原始信号的独立分量中的大部分信息。
进一步需要说明的是,不同IMF分量计算周期性时,基准不同,因此分离度不能直接进行比较,通过计算每个IMF分量与周围IMF的同一基准,得到周围每个IMF分量的基准系数,对每个IMF周围的IMF的分离度进行调整,对调整后的分离度进行后续计算。IMF分量的分离性越小的,受噪声影响的概率越大。IMF分量的分离性大于原始信号的分离性的,对应IMF分量作为被分配噪声的分量,应该赋予该IMF分量较大重建权重;IMF分量的分离性小于原始信号的分离性的,对应IMF分量作为分配噪声的分量,应该赋予该IMF分量较小的重建权重。
在本实施例中,对于任意一个IMF分量,将IMF分量的表征IMF独立分量记为目标表征IMF独立分量,将目标表征IMF独立分量所在的IMF独立分量序列对应的独立分量记为关注独立分量,按照目标表征IMF独立分量的频率对关注独立分量进行采样,获得若干个采样分量组成的采样分量序列,通过最邻近插值方法对采样分量序列进行多次插值操作,直至采样分量序列的插值结果的长度等于关注独立分量的长度,停止插值操作,将停止插值操作时的采样分量序列的插值结果记为插值分量序列,将插值分量序列与目标表征IMF独立分量的余弦相似度作为IMF分量的调整系数。
噪声概率计算模块S105,用于根据IMF分量的调整系数和分离度获得每个IMF分量的调整分离度,根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合每个IMF分量的分离度,获得每个IMF分量的噪声概率。
需要说明的是,每个原始信号的噪声不同,IMF的频率越接近噪声频率的,受影响越大;受影响越大的IMF,进行信号重建时,赋予越小的权重。某个IMF的分离度越小(相对于原始信号的分离度小),噪声概率越大;如果某个IMF分量周围的IMF分量的分离度也较大,则该IMF的噪声概率较大。
对于任意一个IMF分量,根据IMF分量的调整系数对IMF分量的分离度进行调整,将IMF分量的调整系数与分离度的乘积,记为IMF分量的调整分离度。
对于任意一个IMF分量,将该IMF分量的分离度记为,将该IMF分量的调整分离度
记为,将该IMF分量左侧的IMF分量的调整分离度记为,将该IMF分量右侧的IMF分量的
调整分离度记为,表示原始信号的分离度。
根据IMF分量的调整分离度、IMF分量左侧的IMF分量的调整分离度、IMF分量右
侧的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合IMF分量的分离度,获得IMF分量的噪声概率,具体为:
(1)如果,则IMF分量的噪声概率,表示该IMF分
量的调整系数,也表示IMF分量的增益系数;
(2)如果且且,则IMF分量的噪声概率,表示IMF分量的增益系数;
(3)如果且且,则IMF分量的噪声概率,表示IMF分量的增益系数;
(4)如果且且,则IMF分量的噪声概率,表示IMF分量的增益系数。
IMF的分离度越小,噪声概率越大;如果IMF分量周围相邻的IMF分量的分离度也较大,则该IMF的噪声概率较大;因此,本实施例根据该IMF分量的调整分离度与该IMF分量的左侧IMF分量的调整分离度、右侧IMF分量的调整分离度以及原始信号的分离度的大小关系,获得该IMF分量的增益系数。
信号重建模块S106,用于根据每个IMF分量的噪声概率计算每个IMF分量的重建权重,得到重建信号。
将1与每个IMF分量的噪声概率的差值作为每个IMF分量的重建权重,根据每个IMF分量的重建权重和每个IMF分量对原始信号进行重建,获得重建信号,重建信号即是去噪后的原始信号,具体为:对原始信号进行EMD分解是将原始信号分解为若干个IMF分量和残差,对原始信号进行重建时,根据重建权重对每个IMF分量进行加权求和,获得重建信号,重建信号的计算公式为:
式中,C表示重建信号,M表示原始信号的IMF分量的数量,表示第j个IMF分量的
重建权重,表示第j个IMF分量,c表示残差。
对重建信号进行ICA分解,获得去噪后的独立分量,记为去噪独立分量,进而对每个去噪独立分量进行分析得到有用的信息,为电池和设备状态监测和控制提供数据支持。
本发明的系统包括原始信号采集模块、周期性获取模块、分离度计算模块、调整系数计算模块、噪声概率计算模块和信号重建模块。本发明通过对原始信号分解获得原始信号的独立分量、原始信号的IMF分量以及每个IMF分量的独立分量,对IMF分量进行分析,根据每个IMF分量的调整系数与分离度的获得每个IMF分量的调整分离度,根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合每个IMF分量的分离度,获得每个IMF分量的噪声概率,根据噪声概率获得每个IMF分量的重建权重,根据每个IMF分量的重建权重对原始信号进行重建,获得去噪后的重建信号,完成对原始信号的去噪,对去噪后的重建信号进行分解,得到更加精确的去噪独立分量;通过将原始信号中的独立分量作为基准,将不同IMF分量放到了同一尺度下进行计算,避免了不同尺度下的差异,通过调整系数对每个IMF分量的分离度进行调整,得到了更准确的分离度,进而提高了后续重建信号的准确度。
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 (8)
1.一种自动换电站数据智能管理系统,其特征在于,所述系统包括:
原始信号采集模块,根据不同的传感器采集不同的原始信号;
周期性获取模块,对原始信号进行分解获得原始信号的独立分量、原始信号的IMF分量以及每个IMF分量的独立分量,获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的周期性序列;
分离度计算模块,计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量,根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度;
调整系数计算模块,通过KM匹配得到每个IMF分量的IMF独立分量与原始信号的独立分量的匹配关系,获得原始信号的所有独立分量的IMF独立分量序列,根据每个IMF分量的表征IMF独立分量以及表征IMF独立分量所在的IMF独立分量序列对应的独立分量,获得每个IMF分量的调整系数;
噪声概率计算模块,根据每个IMF分量的调整系数与分离度的获得每个IMF分量的调整分离度,根据每个IMF分量与相邻的IMF分量的调整分离度以及原始信号的分离度的大小关系,结合每个IMF分量的分离度,获得每个IMF分量的噪声概率;
信号重建模块,根据每个IMF分量的噪声概率计算每个IMF分量的重建权重,根据重建权重对原始信号进行重建得到重建信号,对重建信号进行分解获得去噪独立分量,对去噪独立分量进行分析。
2.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述获得原始信号的所有独立分量和所有IMF分量的所有IMF独立分量的周期性序列,包括的具体步骤如下:
通过傅里叶变换获得原始信号的每个独立分量的频率和周期长度,根据每个独立分量的周期长度对每个独立分量进行分割,获得每个独立分量的所有分割段的周期性组成的周期性序列,记为独立分量的周期性序列,包括:
将原始信号的任意一个独立分量记为目标独立分量,通过傅里叶变换将目标独立分量转换到频域空间,将频域空间中最大幅值对应频率记为目标独立分量的频率,将目标独立分量的频率的倒数作为目标独立分量的周期长度;通过目标独立分量的周期长度对目标独立分量进行分割,得到目标独立分量的多个分割段,将目标独立分量的任意一个分割段记为目标分割段,将目标分割段与目标独立分量的其他所有分割段的余弦相似度的均值记为目标分割段的周期性,获得目标独立分量的所有分割段的周期性,将所有目标独立分量的所有分割段的周期性按照顺序组成的序列记为目标独立分量的周期性序列;
获得原始信号的所有独立分量的频率、周期长度和周期性序列;
同理,通过傅里叶变换获得每个IMF分量的每个IMF独立分量的频率和周期长度,根据每个IMF独立分量的周期长度对每个IMF独立分量进行分割,获得每个IMF独立分量的所有分割段的周期性组成的周期性序列,记为每个IMF独立分量的周期性序列;
获得所有IMF分量的所有IMF独立分量的周期性序列。
3.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述计算原始信号的每个独立分量和每个IMF分量的每个IMF独立分量的分离特征,获得原始信号的表征独立分量和每个IMF分量的表征IMF独立分量,包括的具体步骤如下:
根据原始信号的每个独立分量的周期性序列的特征,获得原始信号的每个独立分量的分离特征,将分离特征最大的独立分量作为原始信号的表征独立分量,包括:
原始信号的每个独立分量的分离特征的计算公式为:
式中,t表示独立分量的分离特征,表示独立分量的周期性序列中所有周期性的均值,表示独立分量的周期性序列中所有周期性的方差,/>表示以自然常数为底的指数函数;
同理,对于任意一个IMF分量,根据IMF分量的每个IMF独立分量的周期性序列的特征,获得IMF分量的每个IMF独立分量的分离特征,将分离特征最大的IMF独立分量作为IMF分量的表征IMF独立分量。
4.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述根据原始信号的表征独立分量的分离特征计算原始信号的分离度,根据每个IMF分量的表征IMF独立分量的分离特征计算每个IMF分量的分离度,包括的具体步骤如下:
根据原始信号的表征独立分量的分离特征获得原始信号的分离度,包括:
原始信号的分离度的计算公式为:
式中,f表示原始信号的分离度,T表示原始信号的表征独立分量的分离特征,N表示原始信号的所有独立分量的数量,分别表示原始信号的第i个独立分量和第j个独立分量,/>表示原始信号的第i个独立分量和第j个独立分量的余弦相似度;
同理,对于任意一个IMF分量,根据IMF分量的表征IMF独立分量的分离特征获得IMF分量的分离度。
5.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述获得原始信号的所有独立分量的IMF独立分量序列,包括的具体步骤如下:
将任意一个IMF分量作为目标IMF分量,将目标IMF分量的每个IMF独立分量作为右侧节点,将原始信号的每个独立分量作为左侧节点,将左侧节点对应的独立分量与右侧节点对应的IMF独立分量的余弦相似度,作为左侧节点和右侧节点的权值,结合最大匹配原则,通过KM算法,获得每个左侧节点的匹配结果,作为左侧节点对应的独立分量在目标IMF分量中的匹配结果;获得原始信号的所有独立分量在目标IMF分量中的匹配结果;获得原始信号的所有独立分量在所有IMF分量中的匹配结果;
对于原始信号的任意一个独立分量,将该独立分量在所有IMF分量中的匹配结果组成的序列,记为该独立分量的IMF独立分量序列;获得原始信号的所有独立分量的IMF独立分量序列。
6.根据权利要求2所述的一种自动换电站数据智能管理系统,其特征在于,所述获得每个IMF分量的调整系数,包括的具体步骤如下:
对于任意一个IMF分量,将IMF分量的表征IMF独立分量记为目标表征IMF独立分量,将目标表征IMF独立分量所在的IMF独立分量序列对应的独立分量记为关注独立分量,按照目标表征IMF独立分量的频率对关注独立分量进行采样,获得若干个采样分量组成的采样分量序列,通过最邻近插值方法对采样分量序列进行多次插值操作,直至采样分量序列的插值结果的长度等于关注独立分量的长度,停止插值操作,将停止插值操作时的采样分量序列的插值结果记为插值分量序列,将插值分量序列与目标表征IMF独立分量的余弦相似度作为IMF分量的调整系数。
7.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述获得每个IMF分量的噪声概率,包括的具体步骤如下:
根据IMF分量的调整分离度、IMF分量左侧的IMF分量的调整分离度/>、IMF分量右侧的IMF分量的调整分离度/>以及原始信号的分离度/>的大小关系,结合IMF分量的分离度/>,获得IMF分量的噪声概率/>,具体为:
(1)如果,则IMF分量的噪声概率/>,/>表示该IMF分量的调整系数;
(2)如果且/>且/>,则IMF分量的噪声概率/>;
(3)如果且/>且/>,则IMF分量的噪声概率/>;
(4)如果且/>且/>,则IMF分量的噪声概率。
8.根据权利要求1所述的一种自动换电站数据智能管理系统,其特征在于,所述计算每个IMF分量的重建权重,包括的具体步骤如下:
将1与每个IMF分量的噪声概率的差值作为每个IMF分量的重建权重,根据每个IMF分量的重建权重和每个IMF分量对原始信号进行重建,获得重建信号,重建信号的计算公式为:
式中,C表示重建信号,M表示原始信号的IMF分量的数量,表示第j个IMF分量的重建权重,/>表示第j个IMF分量,c表示残差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487462.6A CN117235446B (zh) | 2023-11-09 | 2023-11-09 | 一种自动换电站数据智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487462.6A CN117235446B (zh) | 2023-11-09 | 2023-11-09 | 一种自动换电站数据智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235446A CN117235446A (zh) | 2023-12-15 |
CN117235446B true CN117235446B (zh) | 2024-01-26 |
Family
ID=89096954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311487462.6A Active CN117235446B (zh) | 2023-11-09 | 2023-11-09 | 一种自动换电站数据智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235446B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
CN105930818A (zh) * | 2016-05-03 | 2016-09-07 | 合肥工业大学 | 一种提升emd去噪能力的数据处理方法 |
CN108618773A (zh) * | 2017-03-15 | 2018-10-09 | 深圳市理邦精密仪器股份有限公司 | 一种心电信号去噪方法、装置和一种心电信号采集设备 |
CN108875170A (zh) * | 2018-06-05 | 2018-11-23 | 天津大学 | 一种基于改进变分模态分解的噪声源识别方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116738221A (zh) * | 2023-08-15 | 2023-09-12 | 湖南天联城市数控有限公司 | 一种带压管道气体分析方法及系统 |
-
2023
- 2023-11-09 CN CN202311487462.6A patent/CN117235446B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
CN105930818A (zh) * | 2016-05-03 | 2016-09-07 | 合肥工业大学 | 一种提升emd去噪能力的数据处理方法 |
CN108618773A (zh) * | 2017-03-15 | 2018-10-09 | 深圳市理邦精密仪器股份有限公司 | 一种心电信号去噪方法、装置和一种心电信号采集设备 |
CN108875170A (zh) * | 2018-06-05 | 2018-11-23 | 天津大学 | 一种基于改进变分模态分解的噪声源识别方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116738221A (zh) * | 2023-08-15 | 2023-09-12 | 湖南天联城市数控有限公司 | 一种带压管道气体分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
EMD-Wavelet-ICA耦合模型及其在GPS坐标序列降噪中的应用;于帅;刘超;李盟盟;刘春阳;邹敏;;测绘科学技术学报(02);全文 * |
基于独立分量分析算法的局部放电信号去噪方法研究;李洪;孙云莲;徐长宝;;四川大学学报(工程科学版)(06);全文 * |
基于频域约束独立成分分析的经验模态分解去噪方法;王金贵;张苏;;煤炭学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235446A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | The interaction between model resolution, observation resolution and observation density in data assimilation: A one‐dimensional study | |
Schreiber | Detecting and analyzing nonstationarity in a time series using nonlinear cross predictions | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN115169409B (zh) | 基于滑窗的桥梁结构自振频率识别、预警方法及设备 | |
CN116933044A (zh) | 一种供电数据智能处理方法及系统 | |
CN115618213A (zh) | 充电机电压扰动分析方法及系统、设备、存储介质 | |
CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
CN117235446B (zh) | 一种自动换电站数据智能管理系统 | |
Liu et al. | An improved empirical mode decomposition method for vibration signal | |
CN112615372B (zh) | 一种基于变异系数的含电压干扰装置台区检测方法 | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
CN112798888B (zh) | 一种无人驾驶列车车载电气系统故障非侵入诊断方法 | |
CN116712099A (zh) | 基于多模态数据的胎心状态检测方法、电子设备、存储介质 | |
CN116609692A (zh) | 一种基于充电机检测的电池健康状态诊断方法及系统 | |
CN115618190A (zh) | 基于传感器数据的环境颗粒物浓度估计方法、系统及终端 | |
CN112886579B (zh) | 考虑pmu和scada量测时标不匹配的配电网线路参数辨识方法 | |
CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
CN114593916A (zh) | 一种基于多通道振动特征的轴承故障诊断方法 | |
EP2165223B1 (en) | Method and apparatus for monitoring storm activity on the earth's surface in real time | |
CN113358750A (zh) | 一种基于边界元法的电力设备声成像方法及系统 | |
CN117076868B (zh) | 一种持久化数据模型建模方法 | |
CN115408891B (zh) | 包含多个脑电认知指标的用户体验百分制度量的建模方法 |
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 |