CN117407700A - 一种带电作业过程中作业环境的监测方法 - Google Patents
一种带电作业过程中作业环境的监测方法 Download PDFInfo
- Publication number
- CN117407700A CN117407700A CN202311713706.8A CN202311713706A CN117407700A CN 117407700 A CN117407700 A CN 117407700A CN 202311713706 A CN202311713706 A CN 202311713706A CN 117407700 A CN117407700 A CN 117407700A
- Authority
- CN
- China
- Prior art keywords
- value
- data point
- data
- neighborhood
- preset
- 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 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000012512 characterization method Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Complex Calculations (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及数据滤波技术领域,具体涉及一种带电作业过程中作业环境的监测方法;根据湿度时间序列中数据点的预设平均窗口中的数据变化特征获取邻域波动程度;根据数据点的预设平均窗口中的数据分布特征获得邻域离散程度。根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值;根据邻域波动程度、邻域离散程度和稳定特征值获得异常波动评估值和校正因子。本发明根据校正因子和分形维数获得数据点的自适应分形维数;根据自适应分形维数对湿度时间序列进行滤波获得拟合监测序列进行环境监测,提供了环境监测的准确性和可靠性。
Description
技术领域
本发明涉及数据滤波技术领域,具体涉及一种带电作业过程中作业环境的监测方法。
背景技术
由于在带电作业过程中环境的湿度会影响静电的集聚和释放,导致电击、火灾等危险情况,故对作业环境的湿度监测预警十分重要,能够确保带电作业环境的安全并采取必要的预防措施。对于带电作业环境湿度监测通常采用湿度传感器进行数据的实时获取,并通过分形自适应移动平均算法FRAMA对湿度数据序列进行滤波与拟合,以减少原始数据中的噪声并获取准确的湿度变化趋势。
传统的FRAMA算法根据序列的分形特征通过预设窗口计算分形维数,进而通过分形维数获得平滑参数,该算法能够自适应的根据时间序列的特征计算移动平均所用的参数。但该算法计算分形维数时的预设窗口固定不变,导致对于不同变化波动趋势的湿度数据序列片段所计算的分形维数和平滑的参数的准确性不高,使得滤波拟合后的数据难以贴合湿度数据序列中不同片段的数据变化特征;降低了带电作业环境的湿度数据监测的准确性。
发明内容
为了解决上述通过自适应移动平均算法难以准确地根据应用场景获取分形维数,导致湿度数据监测准确性低的技术问题,本发明的目的在于提供一种带电作业过程中作业环境的监测方法,所采用的技术方案具体如下:
获取监测环境的湿度时间序列;根据所述湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度;根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度;
根据所述邻域波动程度和所述邻域离散程度获得数据点的邻域波动速率特征值;根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值;根据所述邻域波动速率特征值和所述稳定特征值获得数据点的异常波动评估值;
通过分形自适应移动平均算法获取数据点的分形维数;根据数据点的所述异常波动评估值获取数据点的校正因子;根据所述校正因子和所述分形维数获得数据点的自适应分形维数;
根据所述自适应分形维数对所述湿度时间序列进行滤波获得拟合监测序列;根据拟合监测序列进行环境监测。
进一步地,所述根据所述湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度的步骤包括:
对于所述湿度时间序列中的任意数据点,计算所述任意数据点与相邻数据点的数值差值绝对值,获得所述任意数据点的相邻变化表征值;计算所述湿度时间序列中数据点的预设平均窗口中的相邻变化表征值的平均值并负相关映射,获得数据点的邻域变化特征值,计算预设第一常数与所述邻域变化特征值的差值,获得数据点的所述邻域波动程度。
进一步地,所述根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度的步骤包括:
计算所述数据点的预设平均窗口中的最大值和最小值的差值,获得数据点的极值差异表征值;计算所述数据点的预设平均窗口中的最大值和最小值的时间距离并正相关映射,获得数据点的时间长度;计算所述极值差异表征值与所述时间长度的比值并归一化,获得所述数据点的所述邻域离散程度。
进一步地,所述根据所述邻域波动程度和所述邻域离散程度获得数据点的邻域波动速率特征值的步骤包括:
计算所述邻域波动程度与预设第一权重的乘积,获得数据点的邻域波动表征值;计算所述邻域离散程度与预设第二权重的乘积,获得数据点的邻域离散表征值;计算所述邻域波动表征值与所述邻域离散表征值的和值,获得数据点的所述邻域波动速率特征值。
进一步地,所述根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值的步骤包括:
根据所述数据点的预设平均窗口中的所述相邻变化表征值和对应出现的概率计算相邻变化表征值的信息熵并归一化,获得数据点的所述稳定特征值。
进一步地,所述根据所述邻域波动速率特征值和所述稳定特征值获得数据点的异常波动评估值的步骤包括:
计算预设第一系数与所述邻域波动速率特征值的乘积,获得第一异常波动值;计算预设第二系数与所述稳定特征值的乘积,获得第二异常波动值;计算所述第一异常波动值与所述第二异常波动值的和值,获得数据点的所述异常波动评估值。
进一步地,所述根据数据点的所述异常波动评估值获取数据点的校正因子的步骤包括:
当数据点的所述异常波动评估值大于预设第一阈值时,将所述异常波动评估值作为所述数据点的校正因子;当数据点的所述异常波动评估值小于预设第二阈值时,计算所述异常波动评估值与预设第二常数的差值,获得调节系数,预设第二常数大于预设第二阈值,将所述调节系数作为所述数据点的校正因子;当数据点的所述异常波动评估值不低于所述预设第二阈值且不大于预设第一阈值时,将预设第三常数作为所述数据点的校正因子。
进一步地,所述根据所述校正因子和所述分形维数获得数据点的自适应分形维数的步骤包括:
计算数据点的所述分形维数与所述校正因子的差值,获得数据点的所述自适应分形维数。
进一步地,所述根据所述自适应分形维数对所述湿度时间序列进行滤波获得拟合监测序列的步骤包括:
根据所述自适应分形维数通过分形自适应移动平均算法对所述湿度时间序列进行滤波获得拟合监测序列。
本发明具有如下有益效果:
在本发明实施例中,获取数据点的邻域波动程度能够反映数据点的预设平均窗口中的数据变化特征,进而为优化分形维数提供基础;获得数据点的邻域离散程度能够反映数据点的预设平均窗口中的数据变化幅度;进而通过邻域波动程度和邻域离散程度获得邻域波动速率特征值能够表征数据点的预设平均窗口中数据变化波动特征和变化幅度特征,提高分形维数的优化准确性。获得稳定特征值能够进一步表征数据点的预设平均窗口中数据变化的规律性;进一步提高分形维数的优化准确性。获得异常波动评估值能够确定数据点的校正因子和自适应分形维数;最终根据自适应分形维数提高了湿度时间序列的滤波拟合准确性,提高了带电环境中数据监测的准确性和可靠性。
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带电作业过程中作业环境的监测方法流程图。
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带电作业过程中作业环境的监测方法,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带电作业过程中作业环境的监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种带电作业过程中作业环境的监测方法流程图,该方法包括以下步骤:
步骤S1,获取监测环境的湿度时间序列;根据湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度;根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度。
在本发明实施例中,实施场景为对带电作业环境的湿度监测。首先获取监测环境的湿度时间序列,根据作业区域的特点和湿度变化较大的区域,选择合适的位置进行湿度监测,实施者可根据实施场景自行确定采集位置与采样频率。因采集的传感器以及环境特征可能会造成数据出现频繁波动和噪声,为了提高数据监测的准确性以及可视性,需要对湿度时间序列进行滤波处理,在去噪的同时又能够凸显数据的异常波动。因湿度的变化特征在时序上存在相关特征,故可用现有技术分形自适应移动平均算法FRAMA对温度时间序列进行滤波拟合,该算法通过需要拟合数据点以及之前的其他数据点的数据特征获得分形维数,利用分形维数计算移动平均所需的参数进而对数据实现滤波拟合,分形维数的准确性影响了拟合效果;该算法属于现有技术,具体计算步骤不再赘述。但该算法在实际应用过程中存在一定的局限性,该FRAMA算法计算分形维数的数据窗口是固定的,若数据存在较大幅度的波动且频繁,此时以较大的数据窗口进行拟合则会造成拟合后的数据不准确;若数据波动较小则需要更大的数据窗口进行拟合从而提高拟合后的数据准确性。故现有的FRAMA算法计算分形维数后不能够根据湿度时间序列的变化特征而自适应调节,进而导致拟合后的数据难以贴合湿度时间序列的变化特征,拟合后的数据准确性低,因此需要对该算法在对湿度时间序列进行滤波拟合过程进行改进,根据湿度时间序列的数据特征调节分形维数,进而提高拟合后的数据准确性。
首先,当数据点的相邻时段中数据的波动越明显,该数据点与距离较远的其他数据点差异越大,故对该数据点的拟合越需要考虑较为接近的其他数据点,而对较远的其他数据点需要考虑的程度越小;因此在数据点的拟合过程中,需要根据湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度。
优选地,在本发明一个实施例中,获取邻域波动程度包括:对于湿度时间序列中的任意数据点,计算任意数据点与相邻数据点的数值差值绝对值,获得任意数据点的相邻变化表征值;当相邻变化表征值越大,意味着相邻数据点的差异越大,变化特征越明显,在本发明实施例中,以任意数据点和相邻上一个数据点计算相邻变化表征值。计算湿度时间序列中数据点的预设平均窗口中的相邻变化表征值的平均值并负相关映射,获得数据点的邻域变化特征值;当相邻变化表征值的平均值越大意味着该数据点的预设平均窗口中整体的数据波动特征越明显,进而邻域变化特征值越小;在本发明实施例中,数据点的预设平均窗口为该数据点以及相邻前50个数据点所组成的窗口,该预设平均窗口为FRAMA算法中获取分形维数的总窗口,故通过分析该预设平均接窗口内的数据特征能够反映该算法获得的分形维数的可靠性;若数据点在序列的初始时刻不满足该预设平均窗口的大小,则以该数据点与相邻之前的所有数据点作为预设平均窗口的分析数据,实施者可根据实施场景自行确定预设平均窗口的窗口大小。计算预设第一常数与邻域变化特征值的差值,获得数据点的邻域波动程度,当数据点的预设平均窗口中数据变化特征越明显,则该邻域波动程度越大,在本发明实施例中,预设第一常数为1,实施者可根据实施场景自行确定。
进一步地,邻域波动程度反映了该数据点的预设平均窗口中数据的整体的波动程度,通过邻域波动程度反映分形维数获取的可靠程度;为了进一步确定FRAMA算法中获取的分形维数的可靠性,需要根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度。
优选地,在本发明一个实施例中,获取邻域离散程度包括:计算该数据点的预设平均窗口中的最大值和最小值的差值,获得数据点的极值差异表征值;通过极值差异表征值,能够反映该数据点的预设平均窗口中数据的变化幅度。计算数据点的预设平均窗口中的最大值和最小值的时间距离并正相关映射,获得数据点的时间长度;其中时间距离为两个极值点对应时刻的差值,时间长度越大,意味着极值点之间的时间跨度越大。计算极值差异表征值与时间长度的比值并归一化,获得数据点的邻域离散程度,当该邻域离散程度越大,意味着数据点的预设平均窗口中极值点的数据差异越大且时间跨度越小,变化幅度越剧烈;反之,当该邻域离散程度越小,意味着数据点的预设平均窗口中极值点的数据差异越小且时间跨度越大,变化幅度越平缓。
步骤S2,根据邻域波动程度和邻域离散程度获得数据点的邻域波动速率特征值;根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值;根据邻域波动速率特征值和稳定特征值获得数据点的异常波动评估值。
获得数据点的邻域波动程度和邻域离散程度后,可根据邻域波动程度和邻域离散程度获得数据点的邻域波动速率特征值,具体包括:计算邻域波动程度与预设第一权重的乘积,获得数据点的邻域波动表征值;计算邻域离散程度与预设第二权重的乘积,获得数据点的邻域离散表征值;在本发明实施例中,预设第一权重为0.6,预设第二权重为0.4,实施者可根据实施场景自行确定。计算邻域波动表征值与邻域离散表征值的和值,获得数据点的邻域波动速率特征值;当邻域波动程度与邻域离散程度越大,该邻域波动速率特征值越大,意味着数据点的预设平均窗口中的数据点的整体波动程度以及变化幅度越明显,在拟合过程中越需要考虑与该数据点相邻的其他数据点,而对于预设平均窗口中相距较远的其他数据点所考虑的权重越小,提高拟合的准确性。获取邻域波动速率特征值的公式包括:
式中,表示数据点的邻域波动速率特征值,/>表示预设第一权重,/>表示预设第二权重,/>表示数据点的预设平均窗口中的数据点的数量,/>表示预设平均窗口中第/>个数据点的数值,/>表示第/>个数据点的上一个数据点的数值,/>表示第/>个数据点和上一个数据点的相邻变化表征值,/>表示以自然常数为底的指数函数,/>表示数据点的邻域变化特征值,/>表示数据点的邻域波动程度,/>表示数据点的预设平均窗口中的最大值,/>表示数据点的预设平均窗口中的最小值,/>表示时间长度,/>表示归一化函数,/>表示邻域离散程度,/>表示邻域离散表征值,/>表示邻域波动表征值。
进一步地,获得的邻域波动速率特征值能够反映该数据点的预设平均窗口中数据变化波动特征,若对于该带电环境中的湿度数据的数据变化属于正常的变化范围,且存在一定的波动规律性,则意味着该湿度时间时序中的数据波动属于合理的正常情况,因此需要对湿度时间序列中数据的波动规律特征进一步分析,从而提高分形维数是否可靠的判断准确性;故可根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值。
优选地,在本发明一个实施例中,获取稳定特征值包括:根据数据点的预设平均窗口中的相邻变化表征值和对应出现的概率计算相邻变化表征值的信息熵并归一化,获得数据点的稳定特征值;需要说明的是,信息熵属于现有技术,具体计算步骤不再赘述,当信息熵的值越大,意味着该样本的混乱程度越大;故当稳定特征值越大,意味着该数据点的预设平均窗口中的相邻变化表征值的种类越多越混乱,表征湿度变化越没有规律性,该预设平均窗口内的数据点的数值越混乱,则在拟合过程中越需要考虑距离较近的其他数据点,对于距离较远的其他数据点在拟合过程中的权重越小。
进一步地,数据点的邻域波动速率特征值能够反映预设平均窗口中数据点的变化波动程度;数据点的稳定特征值能够反映数据点的预设平均窗口中数据点的混乱程度,故可根据二者反映数据点计算分形维数所需的预设平均窗口中数据点的异常波动特征,根据该特征对分形维数进行调整,故根据邻域波动速率特征值和稳定特征值获得数据点的异常波动评估值。
优选地,在本发明一个实施例中,获取异常波动评估值包括:计算预设第一系数与邻域波动速率特征值的乘积,获得第一异常波动值;计算预设第二系数与稳定特征值的乘积,获得第二异常波动值;在本发明实施例中,预设第一系数和预设第二系数为0.5,实施者可根据实施场景自行确定。计算第一异常波动值与第二异常波动值的和值,获得数据点的异常波动评估值;当第一异常波动值和第二异常波动值越大,异常波动评估值越大,意味着该数据点的预设平均窗口中数据变化越异常,在滤波拟合过程中越需要考虑与数据点距离更近的数据点;反之,当异常波动评估值越小,意味着该预设平均窗口中数据的变化特征越小且越规律,在拟合过程中可以考虑距该数据点较远的其他数据点。
步骤S3,通过分形自适应移动平均算法获取数据点的分形维数;根据数据点的异常波动评估值获取数据点的校正因子;根据校正因子和分形维数获得数据点的自适应分形维数。
首先通过分形自适应移动平均算法获取数据点的分形维数,需要说明的是,通过该算法获取分形维数属于现有技术,具体计算步骤不再赘述,通过分形维数可计算移动平均的参数,该参数表征数据点的预设平均窗口中不同数据点的拟合权重的衰减程度,根据该参数能够通过移动平均算法完成滤波拟合。该参数与分形维数呈反比关系,当分形维数越小,该参数越大,意味着距需要拟合数据点越远的其他数据点的拟合权重越小,该数据点的拟合结果与距离较近的其他数据点的数值较为接近;反之,当分析维数越大,该参数越小,意味着距需要拟合数据点越远的其他数据点的拟合权重衰减的较慢,在拟合过程中占有一定程度的权重。因该算法计算分形维数时的预设平均窗口的大小不变,故需要根据该预设平均窗口中数据特征对分形维数进行校正,提高分形维数和最终拟合的准确性;故根据数据点的异常波动评估值获取数据点的校正因子。
优选地,在本发明一个实施例中,获取校正因子包括:当数据点的异常波动评估值大于预设第一阈值时,将异常波动评估值作为数据点的校正因子;在本发明实施例中预设第一阈值为0.7,实施者可根据实施场景自行确定,此时意味着数据点的预设平均窗口中的数据波动异常程度较大,需要适当降低分形维数,从而增加移动平均中的参数。当数据点的异常波动评估值小于预设第二阈值时,计算异常波动评估值与预设第二常数的差值,获得调节系数,预设第二常数大于预设第二阈值,将调节系数作为数据点的校正因子;在本发明实施例中预设第二常数为0.5,预设第二阈值为0.3,实施者可根据实施场景自行确定;当数据点的异常波动评估值小于预设第二阈值时意味着该预设平均窗口中数据点的数据波动变化特征较小,数据变化平稳,可适当增加分形维数,从而降低移动平均中的参数,使得距需要拟合数据点较远的其他数据点的拟合权重增加。当数据点的异常波动评估值不低于预设第二阈值且不大于预设第一阈值时,将预设第三常数作为数据点的校正因子,在本发明实施例中预设第三常数为0,实施者可根据实施场景自行确定,意味着不需要对分形维数进行调整,此时的预设平均窗口中数据的波动特征处于正常情况,分形维数能够较好的反映变化特征趋势。
进一步地,获得分形维数的校正因子后,可根据校正因子和分形维数获得数据点的自适应分形维数,具体包括:计算数据点的分形维数与校正因子的差值,获得数据点的自适应分形维数;当需要拟合的数据点的预设平均窗口中数据点的波动变化特征越严重,则校正因子越大,自适应分形维数越小,最终获得的参数越大,距该数据点越远的其他数据点的拟合权重越小;反之,当需要拟合的数据点的预设平均窗口中数据点的波动变化特征越平缓,则校正因子越小,自适应分形维数越大,最终获得的参数越小,距该数据点越远的其他数据点的拟合权重相对较大;进而提高了湿度时间序列中数据点的拟合准确性,需要说明的是,分形维数的数值区间为,若自适应分形维数的数值超过该范围,则以该数值区间的边界值作为对应的自适应分形维数的数值。
步骤S4,根据自适应分形维数对湿度时间序列进行滤波获得拟合监测序列;根据拟合监测序列进行环境监测。
获得湿度时间序列中数据点的自适应分形维数后,可根据自适应分形维数对湿度时间序列进行滤波获得拟合监测序列,具体可通过分形自适应移动平均算法对湿度时间序列进行滤波获得拟合监测序列;需要说明的是,该算法属于现有技术,具体拟合过程不再赘述。最终通过获得拟合监测序列对带电环境的湿度进行监测,提高了环境监测的准确性。
综上所述,本发明实施例提供了一种带电作业过程中作业环境的监测方法;根据湿度时间序列中数据点的预设平均窗口中的数据变化特征获取邻域波动程度;根据数据点的预设平均窗口中的数据分布特征获得邻域离散程度。根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值;根据邻域波动程度、邻域离散程度和稳定特征值获得异常波动评估值和校正因子。本发明根据校正因子和分形维数获得数据点的自适应分形维数;根据自适应分形维数对湿度时间序列进行滤波获得拟合监测序列进行环境监测,提供了环境监测的准确性和可靠性。
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 (9)
1.一种带电作业过程中作业环境的监测方法,其特征在于,所述方法包括以下步骤:
获取监测环境的湿度时间序列;根据所述湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度;根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度;
根据所述邻域波动程度和所述邻域离散程度获得数据点的邻域波动速率特征值;根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值;根据所述邻域波动速率特征值和所述稳定特征值获得数据点的异常波动评估值;
通过分形自适应移动平均算法获取数据点的分形维数;根据数据点的所述异常波动评估值获取数据点的校正因子;根据所述校正因子和所述分形维数获得数据点的自适应分形维数;
根据所述自适应分形维数对所述湿度时间序列进行滤波获得拟合监测序列;根据拟合监测序列进行环境监测。
2.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据所述湿度时间序列中数据点的预设平均窗口中的数据变化特征获取数据点的邻域波动程度的步骤包括:
对于所述湿度时间序列中的任意数据点,计算所述任意数据点与相邻数据点的数值差值绝对值,获得所述任意数据点的相邻变化表征值;计算所述湿度时间序列中数据点的预设平均窗口中的相邻变化表征值的平均值并负相关映射,获得数据点的邻域变化特征值,计算预设第一常数与所述邻域变化特征值的差值,获得数据点的所述邻域波动程度。
3.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据数据点的预设平均窗口中的数据分布特征获得数据点的邻域离散程度的步骤包括:
计算所述数据点的预设平均窗口中的最大值和最小值的差值,获得数据点的极值差异表征值;计算所述数据点的预设平均窗口中的最大值和最小值的时间距离并正相关映射,获得数据点的时间长度;计算所述极值差异表征值与所述时间长度的比值并归一化,获得所述数据点的所述邻域离散程度。
4.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据所述邻域波动程度和所述邻域离散程度获得数据点的邻域波动速率特征值的步骤包括:
计算所述邻域波动程度与预设第一权重的乘积,获得数据点的邻域波动表征值;计算所述邻域离散程度与预设第二权重的乘积,获得数据点的邻域离散表征值;计算所述邻域波动表征值与所述邻域离散表征值的和值,获得数据点的所述邻域波动速率特征值。
5.根据权利要求2所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据数据点的预设平均窗口中数据变化的种类特征获得数据点的稳定特征值的步骤包括:
根据所述数据点的预设平均窗口中的所述相邻变化表征值和对应出现的概率计算相邻变化表征值的信息熵并归一化,获得数据点的所述稳定特征值。
6.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据所述邻域波动速率特征值和所述稳定特征值获得数据点的异常波动评估值的步骤包括:
计算预设第一系数与所述邻域波动速率特征值的乘积,获得第一异常波动值;计算预设第二系数与所述稳定特征值的乘积,获得第二异常波动值;计算所述第一异常波动值与所述第二异常波动值的和值,获得数据点的所述异常波动评估值。
7.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据数据点的所述异常波动评估值获取数据点的校正因子的步骤包括:
当数据点的所述异常波动评估值大于预设第一阈值时,将所述异常波动评估值作为所述数据点的校正因子;当数据点的所述异常波动评估值小于预设第二阈值时,计算所述异常波动评估值与预设第二常数的差值,获得调节系数,预设第二常数大于预设第二阈值,将所述调节系数作为所述数据点的校正因子;当数据点的所述异常波动评估值不低于所述预设第二阈值且不大于预设第一阈值时,将预设第三常数作为所述数据点的校正因子。
8.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据所述校正因子和所述分形维数获得数据点的自适应分形维数的步骤包括:
计算数据点的所述分形维数与所述校正因子的差值,获得数据点的所述自适应分形维数。
9.根据权利要求1所述的一种带电作业过程中作业环境的监测方法,其特征在于,所述根据所述自适应分形维数对所述湿度时间序列进行滤波获得拟合监测序列的步骤包括:
根据所述自适应分形维数通过分形自适应移动平均算法对所述湿度时间序列进行滤波获得拟合监测序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713706.8A CN117407700B (zh) | 2023-12-14 | 2023-12-14 | 一种带电作业过程中作业环境的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713706.8A CN117407700B (zh) | 2023-12-14 | 2023-12-14 | 一种带电作业过程中作业环境的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407700A true CN117407700A (zh) | 2024-01-16 |
CN117407700B CN117407700B (zh) | 2024-04-16 |
Family
ID=89489392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713706.8A Active CN117407700B (zh) | 2023-12-14 | 2023-12-14 | 一种带电作业过程中作业环境的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407700B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117599519A (zh) * | 2024-01-24 | 2024-02-27 | 山东泽林农业科技有限公司 | 一种用于数字化反冲洗一体机的智能控制方法 |
CN117688500A (zh) * | 2024-02-02 | 2024-03-12 | 山东万洋石油科技有限公司 | 一种三维电阻率异常数据提取方法 |
CN117786325A (zh) * | 2024-02-27 | 2024-03-29 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警系统 |
CN117874685A (zh) * | 2024-03-11 | 2024-04-12 | 天津市塘沽第一阀门有限公司 | 一种直流变频电动半球阀的压力数据异常预警方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN118100197A (zh) * | 2024-04-23 | 2024-05-28 | 国网山东省电力公司枣庄供电公司 | 一种新能源台区电压的智慧调控系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613309B1 (en) * | 2013-03-13 | 2017-04-04 | Hrl Laboratories, Llc | System and method for predicting significant events using a progress curve model |
CN114109411A (zh) * | 2021-11-30 | 2022-03-01 | 中铁一局集团有限公司 | 一种盾构法施工中管片拼装点位选择装置、选择方法及应用 |
CN114253302A (zh) * | 2021-12-15 | 2022-03-29 | 阳光电源(上海)有限公司 | 一种跟踪控制方法及装置 |
US20230130781A1 (en) * | 2021-10-21 | 2023-04-27 | International Business Machines Corporation | Artificial intelligence model learning introspection |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756526A (zh) * | 2023-08-17 | 2023-09-15 | 北京英沣特能源技术有限公司 | 一种蓄能设备全生命周期性能检测分析系统 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
-
2023
- 2023-12-14 CN CN202311713706.8A patent/CN117407700B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613309B1 (en) * | 2013-03-13 | 2017-04-04 | Hrl Laboratories, Llc | System and method for predicting significant events using a progress curve model |
US20230130781A1 (en) * | 2021-10-21 | 2023-04-27 | International Business Machines Corporation | Artificial intelligence model learning introspection |
CN114109411A (zh) * | 2021-11-30 | 2022-03-01 | 中铁一局集团有限公司 | 一种盾构法施工中管片拼装点位选择装置、选择方法及应用 |
CN114253302A (zh) * | 2021-12-15 | 2022-03-29 | 阳光电源(上海)有限公司 | 一种跟踪控制方法及装置 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756526A (zh) * | 2023-08-17 | 2023-09-15 | 北京英沣特能源技术有限公司 | 一种蓄能设备全生命周期性能检测分析系统 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
张帆;李晓阳;刘欢;胡伟;李伟;: "基于分形维数的DEM聚类简化方法研究", 系统仿真学报, no. 02, 8 February 2016 (2016-02-08) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117599519A (zh) * | 2024-01-24 | 2024-02-27 | 山东泽林农业科技有限公司 | 一种用于数字化反冲洗一体机的智能控制方法 |
CN117599519B (zh) * | 2024-01-24 | 2024-04-12 | 山东泽林农业科技有限公司 | 一种用于数字化反冲洗一体机的智能控制方法 |
CN117688500A (zh) * | 2024-02-02 | 2024-03-12 | 山东万洋石油科技有限公司 | 一种三维电阻率异常数据提取方法 |
CN117786325A (zh) * | 2024-02-27 | 2024-03-29 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警系统 |
CN117786325B (zh) * | 2024-02-27 | 2024-04-30 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警系统 |
CN117874685A (zh) * | 2024-03-11 | 2024-04-12 | 天津市塘沽第一阀门有限公司 | 一种直流变频电动半球阀的压力数据异常预警方法 |
CN117874685B (zh) * | 2024-03-11 | 2024-05-24 | 天津市塘沽第一阀门有限公司 | 一种直流变频电动半球阀的压力数据异常预警方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN117871466B (zh) * | 2024-03-12 | 2024-05-24 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN118100197A (zh) * | 2024-04-23 | 2024-05-28 | 国网山东省电力公司枣庄供电公司 | 一种新能源台区电压的智慧调控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117407700B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117407700B (zh) | 一种带电作业过程中作业环境的监测方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN116451029B (zh) | 一种除湿器工作状态预警方法 | |
CN113407371A (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
CN110175353B (zh) | 电梯运行指标趋势分析方法 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN117235557B (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN115840104B (zh) | 一种基于电磁兼容实验的干扰信号识别方法 | |
CN107276779B (zh) | 一种监控方法、系统及设备 | |
CN117708748B (zh) | 一种用于离心风机的运行监测系统及方法 | |
CN117150217A (zh) | 一种基于大数据的数据压缩处理方法 | |
CN117786325B (zh) | 一种大口径物联网水表的环境温度智慧预警系统 | |
CN117112514A (zh) | 基于对氯甲基苯乙烯生产数据的记录存储方法 | |
CN117493787B (zh) | 基于压力流量关联分析的液压阀运行数据异常预警方法 | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN117092980A (zh) | 一种基于大数据的电气故障检测控制系统 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN114049199A (zh) | 一种基于消费信贷场景的风险评估方法及系统实现 | |
CN113408383A (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
CN118091325B (zh) | 一种电缆智能检测方法及系统 | |
CN117633695B (zh) | 一种基于电参数时序分析的变压器运行监测方法 | |
CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
CN111864688B (zh) | 一种特高压直流控制保护系统otdr分层多级事件精准提取定位方法 | |
CN113553545B (zh) | 小电流电器的事件检测方法及系统、设备、存储介质 |
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 |