CN117473351B - 基于物联网的电源信息远程传输系统 - Google Patents
基于物联网的电源信息远程传输系统 Download PDFInfo
- Publication number
- CN117473351B CN117473351B CN202311797600.0A CN202311797600A CN117473351B CN 117473351 B CN117473351 B CN 117473351B CN 202311797600 A CN202311797600 A CN 202311797600A CN 117473351 B CN117473351 B CN 117473351B
- Authority
- CN
- China
- Prior art keywords
- current data
- sequence
- cluster
- time sequence
- data point
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 32
- 239000013074 reference sample Substances 0.000 claims description 100
- 238000000034 method Methods 0.000 claims description 60
- 239000000523 sample Substances 0.000 claims description 60
- 239000003550 marker Substances 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 101100437998 Arabidopsis thaliana BZIP2 gene Proteins 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及数据传输技术领域,具体涉及基于物联网的电源信息远程传输系统,包括:时序电流数据序列采集模块、细节数据波动程度获取模块、可信度获取模块以及电源信息传输模块;采集时序电流数据序列,根据时序电流数据序列得到子时序电流数据段;获取聚类序号区间,根据时序电流数据序列以及聚类序号区间得到参考时序电流数据段;获取邻域电流数据点;根据邻域电流数据点得到细节数据波动程度;根据细节数据波动程度得到类簇影响程度;根据类簇影响程度得到可信度;根据可信度对电流数据进行传输。本发明使最终确定的最小样本数更加合理,提高了电源信息远程传输的效率。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及基于物联网的电源信息远程传输系统。
背景技术
电源信息远程传输的稳定性与高效性是云端电源运行信息监测和调配的重要保障,传统方法通常通过物联网技术对采集的电源运行信息进行聚类分析,根据其聚类特征对电源信息进行压缩,从而将压缩后的数据进行传输,以此来保证电源信息远程传输的稳定性与高效性。其中通常利用ISODATA(Iterative Selforganizing Data AnalysisTechniques Algorithm)迭代自组织聚类算法对电源运行信息进行聚类,但由于用户对物联网设备的需要会不断发生不规律变化,导致不同时间内所含电源运行信息的程度不同,使传统根据数据集规模获取的最小样本数存在较大误差,降低聚类结果的准确性,降低电源信息远程传输的效率。
发明内容
本发明提供基于物联网的电源信息远程传输系统,以解决现有的问题:用户对物联网设备的需要会不断发生不规律变化,导致不同时间内所含电源运行信息的程度不同,使传统ISODATA迭代自组织聚类算法根据数据集规模获取的最小样本数存在较大误差。
本发明的基于物联网的电源信息远程传输系统采用如下技术方案:
包括以下模块:
时序电流数据序列采集模块,用于采集若干采样周期的时序电流数据序列,所述时序电流数据序列包含多个电流数据,每个电流数据对应一个电流数据点;
细节数据波动程度获取模块,用于对时序电流数据序列进行聚类得到若干聚类簇;根据同一聚类簇在不同时序电流数据序列中包含的序列部分进行划分,得到若干子时序电流数据段;对于任意一个聚类簇,将聚类簇中长度最大的子时序电流数据段记为目标子时序电流数据段,将目标子时序电流数据段所对应序号构成的区间记为聚类序号区间,根据不同时序电流数据序列在目标子时序电流数据段对应聚类序号区间中的序列部分,得到若干参考时序电流数据段;根据不同电流数据点之间的距离远近情况得到每个电流数据点的邻域电流数据点;根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点之间的差异,得到每个电流数据点的细节数据波动程度;
可信度获取模块,用于根据电流数据点周围电流数据点的分布情况得到若干空间电流数据点;根据不同空间数据点之间的细节数据波动程度的变化趋势以及聚类序号区间,得到每个电流数据点的类簇影响程度;根据电流数据点的数量得到若干参考样本数目;对比不同参考样本数目的聚类簇之间不同电流数据点的类簇影响程度,得到每个参考样本数目的可信度;
电源信息传输模块,用于根据可信度对电流数据进行传输。
优选的,所述根据同一聚类簇在不同时序电流数据序列中包含的序列部分进行划分,得到若干子时序电流数据段,包括的具体方法为:
对所有电流数据点进行层次聚类得到若干聚类簇;对于任意一个时序电流数据序列以及任意一个聚类簇,将时序电流数据序列在聚类簇中包含的数据段记为时序电流数据序列的一个子时序电流数据段。
优选的,所述根据不同时序电流数据序列在目标子时序电流数据段对应聚类序号区间中的序列部分,得到若干参考时序电流数据段,包括的具体方法为:
将目标子时序电流数据段所属的时序电流数据序列记为目标时序电流数据序列,将除目标时序电流数据序列以外的每个时序电流数据序列记为参考时序电流数据序列,将每个参考时序电流数据序列在聚类序号区间中的数据段记为参考时序电流数据段。
优选的,所述根据不同电流数据点之间的距离远近情况得到每个电流数据点的邻域电流数据点,包括的具体方法为:
预设一个电流数据点数量T1,将任意一个聚类簇中任意一个子时序电流数据段内任意一个电流数据点记为标记电流数据点,在聚类簇中,将除标记电流数据点以外的每个电流数据点记为标记电流数据点的参考电流数据点,获取标记电流数据点与所有参考电流数据点之间的欧式距离,将所有欧式距离按照从小到大的顺序进行排列,将排列后的序列记为标记电流数据点的参考距离序列;将参考距离序列中前T1个欧式距离对应的参考电流数据点作为标记电流数据点的邻域电流数据点。
优选的,所述根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点之间的差异,得到每个电流数据点的细节数据波动程度,包括的具体方法为:
将任意一个聚类簇中任意一个子时序电流数据段内任意一个电流数据点记为第一标记电流数据点,将第一标记电流数据点所属的子时序电流数据段记为第一标记子时序电流数据段;
式中,表示第一标记电流数据点的细节数据波动程度;/>表示第一标记子时序电流数据段的偏度;/>表示第一标记子时序电流数据段的所有参考时序电流数据段的数量;/>表示第/>个参考时序电流数据段的偏度;/>表示在第一标记子时序电流数据段所属的时序电流数据序列中,除第一标记子时序电流数据段以外所有子时序电流数据段的数量;/>表示在第一标记子时序电流数据段所属的时序电流数据序列中,除第一标记子时序电流数据段以外第/>个子时序电流数据段的偏度;/>表示第/>个参考时序电流数据段的偏度;/>表示第一标记电流数据点的所有邻域电流数据点的数量;/>表示第一标记电流数据点与第/>个邻域电流数据点的电流数据的差值;/>表示第一标记电流数据点与第/>个邻域电流数据点的欧式距离;/>表示取绝对值。
优选的,所述根据电流数据点周围电流数据点的分布情况得到若干空间电流数据点,包括的具体方法为:
预设一个区域大小T2,将任意一个聚类序号区间中任意一个电流数据点记为第二标记电流数据点,以第二标记电流数据点为中心,获取区域大小为T2的窗口区域作为第二标记电流数据点的样本电流空间;在第二标记电流数据点的样本电流空间中,将除第二标记电流数据点以外的电流数据点记为第二标记电流数据点的空间电流数据点。
优选的,所述根据不同空间数据点之间的细节数据波动程度的变化趋势以及聚类序号区间,得到每个电流数据点的类簇影响程度,包括的具体方法为:
将任意一个聚类序号区间中任意一个电流数据点记为第三标记电流数据点;
式中,表示第三标记电流数据点的类簇影响程度;/>表示第三标记电流数据点的所有空间电流数据点的数量;/>表示第/>个空间电流数据点与第三标记电流数据点的细节数据波动程度的差值的绝对值;/>表示第三标记电流数据点的细节数据波动程度;/>表示聚类序号区间内所有电流数据点的细节数据波动程度的均值;/>表示预设的超参数;/>表示聚类序号区间内所有电流数据点的细节波动程度的标准差;/>表示取绝对值。
优选的,所述根据电流数据点的数量得到若干参考样本数目,包括的具体方法为:
式中,表示初始样本数目;/>表示所有聚类簇中所有电流数据点的数量;/>表示预设的样本数目因子;/>表示向下取整;
将初始样本数目作为起始样本数目,以步长为1,依次降低样本数目,并将每次降低后的样本数目作为一个参考样本数目,直至样本数目降低为1时停止降低样本数目,获取若干参考样本数目。
优选的,所述对比不同参考样本数目的聚类簇之间不同电流数据点的类簇影响程度,得到每个参考样本数目的可信度,包括的具体方法为:
对于任意一个参考样本数目以及任意一个聚类序号区间,将参考样本数目作为最小样本数目,根据最小样本数目对聚类序号区间中所有电流数据点聚类得到若干聚类簇,将每个聚类簇记为初始筛定聚类簇,将包含电流数据点数量最大的初始筛定聚类簇记为参考样本数目的筛定聚类簇,将除筛定聚类簇以外的每个初始筛定聚类簇记为参考筛定聚类簇;获取所有参考样本数目的筛定聚类簇;
将所有参考样本数目按照从小到大顺序进行排列,将排列后的序列记为参考样本数目序列;对于参考样本数目序列中除第一个参考样本数目以外的任意一个参考样本数目,在参考样本数目序列中,将参考样本数目与第一个参考样本数目之间所有参考样本数目所构成的数据段记为参考样本数目的筛定样本数目段;
将筛定样本数目段中任意相邻的两个参考样本数目记为一个参考样本对;对于参考样本对中第二个参考样本数目的筛定聚类簇中任意一个电流数据点,若电流数据点没有在参考样本对中第一个参考样本数目的筛定聚类簇内出现,那么将电流数据点记为参考样本对的一个差异电流数据点;
式中,表示参考样本数目的可信度;/>表示参考样本数目的筛定样本数目段中所有参考样本对的数量;/>表示参考样本数目的筛定样本数目段中第/>个参考样本对的所有差异电流数据点的数量;/>表示预设的超参数;/>表示参考样本数目的筛定样本数目段中第/>个参考样本对的第/>个差异电流数据点的类簇影响程度;/>表示以自然常数为底的指数函数。
优选的,所述根据可信度对电流数据进行传输,包括的具体方法为:
对于任意一个聚类序号区间,预设一个可信度阈值T4,在聚类序号区间的所有参考样本数目的可信度中,将可信度大于T4的参考样本数目记为自适应最小样本数目;
将聚类序号区间的自适应最小样本数目的筛定聚类簇中所包含的所有电流数据进行BZIP2压缩得到压缩后的数据,记为正常压缩数据;将聚类序号区间的自适应最小样本数目的参考筛定聚类簇中所包含的所有电流数据进行LZ77压缩得到压缩后的数据,记为异常压缩数据;将所有正常压缩数据以及异常压缩数据传输至云平台。
本发明的技术方案的有益效果是:对时序电流数据序列进行聚类得到若干聚类簇,根据聚类簇在不同时序电流数据序列中包含的序列部分得到若干参考时序电流数据段,根据电流数据点之间的距离大小得到若干邻域电流数据点,根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点的差异得到细节数据波动程度,根据细节波动程度得到类簇影响程度,根据类簇影响程度得到可信度,根据可信度对电流数据进行传输;本发明的细节数据波动程度反映了标记电流数据点的时序偏移特征与周围空间的离群特征的显著程度,类簇影响程度反映了电流数据对于通过迭代ISODATA迭代自组织聚类所获取聚类簇的局部区域与整体区域的影响程度的关联性,可信度反映了参考样本数目为最佳的最小样本数目的可能性;使最终确定的最小样本数更加合理,提高了聚类结果的准确性,提高了电源信息远程传输的效率。
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为本发明基于物联网的电源信息远程传输系统的结构框图。
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基于物联网的电源信息远程传输系统,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基于物联网的电源信息远程传输系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网的电源信息远程传输系统的结构框图,该系统包括以下模块:
时序电流数据序列采集模块101,采集若干采样周期的时序电流数据序列。
需要说明的是,传统方法通常利用ISODATA迭代自组织聚类算法对电源运行信息进行聚类,但由于用户对物联网设备的需要会不断发生不规律变化,导致不同时间内所含电源运行信息的程度不同,使传统根据数据集规模获取的最小样本数存在较大误差,降低聚类结果的准确性,降低电源信息远程传输的效率。为此,本实施例提出了基于物联网的电源信息远程传输系统。
为了实现本实施例提出的基于物联网的电源信息远程传输系统,本实施例并不针对某一种物联网设备,以任意一种物联网设备为例进行叙述,首先需要采集时序电流数据序列,具体过程为:使用电流传感器对该物联网设备每隔10秒采集一次电流数据,每3小时作为一个采样周期,共采集8个采样周期;以任意一个采样周期为例,将该采样周期内所有的电流数据按照采集时间从小到大的顺序进行排列,排列后的序列记为一个时序电流数据序列;获取所有采样周期的时序电流数据序列。其中采样周期默认以采集时间从小到大的顺序进行排序。另外需要说明的是,本实施例不对采集间隔、采样周期、采样周期数量进行具体限定,其中采集间隔、采样周期、采样周期数量可根据具体实施情况而定。
至此,通过上述方法得到所有采样周期的时序电流数据序列。
细节数据波动程度获取模块102,对时序电流数据序列进行聚类得到若干聚类簇;根据同一聚类簇在不同时序电流数据序列中包含的序列部分进行划分,得到若干子时序电流数据段;将聚类簇中长度最大的子时序电流数据段记为目标子时序电流数据段,将目标子时序电流数据段所对应序号构成的区间记为聚类序号区间,根据不同时序电流数据序列在目标子时序电流数据段对应聚类序号区间中的序列部分,得到若干参考时序电流数据段;根据不同电流数据点之间的距离远近情况得到每个电流数据点的邻域电流数据点;根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点之间的差异,得到每个电流数据点的细节数据波动程度。
需要说明的是,在常规情况下,用户一天内对同一个物联网设备的需求会不定期发生变化,使物联网设备一天作的工作状态也会不定期发生改变,导致不同时间段内物联网的电流数据会存在较大差异,且规律性较低,从而使对应的物联网电源信息也存在较大差异以及较低的规律性变化,为了后续将存在异常的物联网电源信息有效划分出来,本实施例通过分析不同时间段内电流数据的数值变化情况以及表征的时间偏移特征,得到电流数据的信息波动程度,以便后续分析处理。
具体的,将电流数据的大小作为纵坐标,电流数据在所属时序电流数据序列中的序号作为横坐标,根据横纵坐标构建一个二维坐标系;将每个时序电流数据序列输入二维坐标系中,将每个电流数据在二维坐标系中的数据点记为电流数据点,对二维坐标系中所有电流数据点进行层次聚类得到若干聚类簇。以任意一个时序电流数据序列以及任意一个聚类簇为例,将该时序电流数据序列在该聚类簇中包含的数据段记为该时序电流数据序列的一个子时序电流数据段;获取该时序电流数据序列的所有子时序电流数据段,获取所有时序电流数据序列的所有子时序电流数据段。其中每个电流数据对应一个电流数据点,每个时序电流数据序列包含多个子时序电流数据段,每个聚类簇包含多个子时序电流数据段;根据横纵坐标构建二维坐标系的过程以及层次聚类算法均为公知技术,本实施例不再赘述。
进一步的,将该聚类簇中长度最大的子时序电流数据段记为目标子时序电流数据段,将该目标子时序电流数据段所对应序号构成的区间记为该聚类簇的聚类序号区间;将该目标子时序电流数据段所属的时序电流数据序列记为该聚类簇的目标时序电流数据序列,将除该目标时序电流数据序列以外的每个时序电流数据序列记为该聚类簇的参考时序电流数据序列,将每个参考时序电流数据序列在该聚类序号区间中的数据段记为参考时序电流数据段。其中每个聚类簇包含多个参考时序电流数据段。
进一步的,预设一个电流数据点数量T1,其中本实施例以T1=15为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;将任意一个聚类簇中任意一个子时序电流数据段内任意一个电流数据点记为标记电流数据点,在该聚类簇中,将除该标记电流数据点以外的每个电流数据点记为该标记电流数据点的参考电流数据点,获取该标记电流数据点与所有参考电流数据点之间的欧式距离,将这些欧式距离按照从小到大的顺序进行排列,将排列后的序列记为该标记电流数据点的参考距离序列;将该参考距离序列中前T1个欧式距离对应的参考电流数据点作为该标记电流数据点的邻域电流数据点。其中每个电流数据点对应多个邻域电流数据点。欧式距离的获取是公知技术,本实施例不再赘述。
进一步的,将该标记电流数据点所属的子时序电流数据段记为标记子时序电流数据段,根据该标记子时序电流数据段的参考时序电流数据段以及该标记电流数据点的邻域电流数据点,得到该标记电流数据点的细节数据波动程度。其中该标记电流数据点的细节数据波动程度的计算方法为:
式中,表示该标记电流数据点的细节数据波动程度;/>表示该标记子时序电流数据段的偏度;/>表示该标记子时序电流数据段的所有参考时序电流数据段的数量;/>表示第/>个参考时序电流数据段的偏度;/>表示在该标记子时序电流数据段所属的时序电流数据序列中,除该标记子时序电流数据段以外所有子时序电流数据段的数量;/>表示在该标记子时序电流数据段所属的时序电流数据序列中,除该标记子时序电流数据段以外第/>个子时序电流数据段的偏度;/>表示第/>个参考时序电流数据段的偏度;/>表示该标记电流数据点的所有邻域电流数据点的数量;/>表示该标记电流数据点与第/>个邻域电流数据点的电流数据的差值;/>表示该标记电流数据点与第/>个邻域电流数据点的欧式距离;/>表示取绝对值;表示该标记子时序电流数据段的偏移特征相较于整体的偏移程度的贡献程度;/>表示该标记电流数据点与周围邻域电流数据点的整体分析离群特征。其中若该标记电流数据点的细节数据波动程度越大,说明该标记电流数据点的时序偏移特征与周围空间的离群特征更加显著,反映该标记电流数据点的偏移特征对于整体的重要性越大。获取该聚类簇中该子时序电流数据段内所有电流数据点的细节数据波动程度,获取该聚类簇中所有子时序电流数据段内所有电流数据点的细节数据波动程度,获取所有聚类簇中所有子时序电流数据段内所有电流数据点的细节数据波动程度。需要说明的是,偏度的获取是公知技术,本实施例不再赘述。
至此,通过上述方法得到所有聚类簇中所有子时序电流数据段内所有电流数据点的细节数据波动程度。
可信度获取模块103,根据电流数据点周围电流数据点的分布情况得到若干空间电流数据点;根据不同空间数据点之间的细节数据波动程度的变化趋势以及聚类序号区间,得到每个电流数据点的类簇影响程度;根据电流数据点的数量得到若干参考样本数目;对比不同参考样本数目的聚类簇之间不同电流数据点的类簇影响程度,得到每个参考样本数目的可信。
需要说明的是,在利用传统的ISODATA迭代自组织聚类算法对每个聚类序号区间内所有电流数据点进行聚类的过程中,不同的最小样本数会使最终划分的聚类结果不同,由于同一个电流数据点对不同聚类簇的几何形状结构存在不同的影响,导致对应的聚类簇整体的数据波动程度也会不同,因此可以根据电流数据点对于聚类簇整体的数据波动程度的影响情况得到电流数据点的类簇影响程度,从而根据类簇影响程度获取不同样本数目的可信度,以便后续分析处理。
具体的,预设一个区域大小T2,其中本实施例以T2=99为例进行叙述,本实施例不进行具体限定,其中T2可根据具体实施情况而定;以任意一个聚类序号区间中任意一个电流数据点为例,以该电流数据点为中心,获取区域大小为T2的窗口区域作为该电流数据点的样本电流空间;在该电流数据点的样本电流空间中,将除该电流数据点以外的电流数据点记为该电流数据点的空间电流数据点;根据该电流数据点的空间电流数据点得到该电流数据点的类簇影响程度。其中该电流数据点的类簇影响程度的计算方法为:
式中,表示该电流数据点的类簇影响程度;/>表示该电流数据点的所有空间电流数据点的数量;/>表示第/>个空间电流数据点与该电流数据点的细节数据波动程度的差值的绝对值;/>表示该标记电流数据点的细节数据波动程度;/>表示该聚类序号区间内所有电流数据点的细节数据波动程度的均值;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;/>表示该聚类序号区间内所有电流数据点的细节波动程度的标准差;/>表示取绝对值。其中若该电流数据点的类簇影响程度越大,说明该电流数据对于通过迭代ISODATA迭代自组织聚类所获取聚类簇的局部区域与整体区域的影响程度越关联,反映该电流数据对于通过迭代ISODATA迭代自组织聚类所获取聚类簇的几何形状结构的影响越大。
进一步的,预设一个样本数目因子,其中本实施例以/>=0.05为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将所有聚类簇中所有电流数据点的数量以及样本数目因子得到初始样本数目。其中初始样本数目的计算方法为:
式中,表示初始样本数目;/>表示所有聚类簇中所有电流数据点的数量;/>表示预设的样本数目因子;/>表示向下取整。
进一步的,将初始样本数目作为起始样本数目,以步长为1,依次降低样本数目,并将每次降低后的样本数目作为一个参考样本数目,直至样本数目降低为1时停止降低样本数目,获取若干参考样本数目;以任意一个参考样本数目为例,将该参考样本数目作为最小样本数目,根据该最小样本数目对该聚类序号区间中所有电流数据点进行聚类得到若干聚类簇,将每个聚类簇记为初始筛定聚类簇,将包含电流数据点数量最大的初始筛定聚类簇记为该参考样本数目的筛定聚类簇,将除该筛定聚类簇以外的每个初始筛定聚类簇记为参考筛定聚类簇;获取所有参考样本数目的筛定聚类簇。其中每个参考样本数目对应一个筛定聚类簇;根据最小样本数目进行聚类的过程是ISODATA迭代自组织聚类算法的公知内容,本实施例不再赘述。
进一步的,将所有参考样本数目按照从小到大顺序进行排列,将排列后的序列记为参考样本数目序列;以该参考样本数目序列中除第一个参考样本数目以外的任意一个参考样本数目为例,在该参考样本数目序列中,将该参考样本数目与第一个参考样本数目之间所有参考样本数目所构成的数据段记为该参考样本数目的筛定样本数目段。其中每个参考样本数目对应一个筛定样本数目段。
进一步的,将该筛定样本数目段中任意相邻的两个参考样本数目记为一个参考样本对;以该参考样本对中第二个参考样本数目的筛定聚类簇中任意一个电流数据点为例,若该电流数据点没有在第一个参考样本数目的筛定聚类簇中出现,那么将该电流数据点记为该参考样本对的一个差异电流数据点,获取参考样本对的所有差异电流数据点;获取该筛定样本数目段中所有参考样本对的所有差异电流数据点。根据该筛定样本数目段中所有参考样本对的所有差异电流数据点的类簇影响程度,得到该参考样本数目的可信度。其中该参考样本数目的可信度的计算方法为:
式中,表示该参考样本数目的可信度;/>表示该参考样本数目的筛定样本数目段中所有参考样本对的数量;/>表示该参考样本数目的筛定样本数目段中第/>个参考样本对的所有差异电流数据点的数量;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;表示该参考样本数目的筛定样本数目段中第/>个参考样本对的第/>个差异电流数据点的类簇影响程度;/>表示以自然常数为底的指数函数;实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数;其中若该参考样本数目的可信度越大,说明该参考样本数目进行ISODATA迭代自组织聚类时聚类簇变化的速率越能接受,反映该参考样本数目越可能为最佳的最小样本数目。获取该聚类序号区间的所有参考样本数目的可信度;获取所有聚类序号区间的所有参考样本数目的可信度。
至此,通过上述方法得到所有聚类序号区间的所有参考样本数目的可信度。
电源信息传输模块104,根据可信度对电流数据进行传输。
具体的,以任意一个聚类序号区间为例,预设一个可信度阈值T4,其中本实施例以T4=0.95为例进行叙述,本实施例不进行具体限定,其中T4可根据具体实施情况而定;在聚类序号区间的所有参考样本数目的可信度中,将可信度大于T4的参考样本数目记为自适应最小样本数目。需要说明的是,若获取的自适应最小样本数目存在多个,那么将数值最小的自适应最小样本数目作为最终的自适应最小样本数目。
进一步的,将该聚类序号区间的自适应最小样本数目的筛定聚类簇中所包含的所有电流数据进行BZIP2压缩得到压缩后的数据,记为正常压缩数据;将该聚类序号区间的自适应最小样本数目的参考筛定聚类簇中所包含的所有电流数据进行LZ77压缩得到压缩后的数据,记为异常压缩数据;将所有正常压缩数据以及异常压缩数据传输至云平台。其中BZIP2压缩算法与LZ77压缩算法均为公知技术,本实施例不再赘述。另外需要说明的是将压缩后的数据传输至云平台的过程即是完成电源信息远程传输的过程。
至此,本实施例完成。
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 (7)
1.基于物联网的电源信息远程传输系统,其特征在于,该系统包括以下模块:
时序电流数据序列采集模块,用于采集若干采样周期的时序电流数据序列,所述时序电流数据序列包含多个电流数据,每个电流数据对应一个电流数据点;
细节数据波动程度获取模块,用于对时序电流数据序列进行聚类得到若干聚类簇;根据同一聚类簇在不同时序电流数据序列中包含的序列部分进行划分,得到若干子时序电流数据段;对于任意一个聚类簇,将聚类簇中长度最大的子时序电流数据段记为目标子时序电流数据段,将目标子时序电流数据段所对应序号构成的区间记为聚类序号区间,根据不同时序电流数据序列在目标子时序电流数据段对应聚类序号区间中的序列部分,得到若干参考时序电流数据段;根据不同电流数据点之间的距离远近情况得到每个电流数据点的邻域电流数据点;根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点之间的差异,得到每个电流数据点的细节数据波动程度;
所述根据不同参考时序电流数据段内电流数据的分布规律情况以及不同邻域电流数据点之间的差异,得到每个电流数据点的细节数据波动程度,包括:
将任意一个聚类簇中任意一个子时序电流数据段内任意一个电流数据点记为第一标记电流数据点,将第一标记电流数据点所属的子时序电流数据段记为第一标记子时序电流数据段;
式中,表示第一标记电流数据点的细节数据波动程度;/>表示第一标记子时序电流数据段的偏度;/>表示第一标记子时序电流数据段的所有参考时序电流数据段的数量;/>表示第个参考时序电流数据段的偏度;/>表示在第一标记子时序电流数据段所属的时序电流数据序列中,除第一标记子时序电流数据段以外所有子时序电流数据段的数量;/>表示在第一标记子时序电流数据段所属的时序电流数据序列中,除第一标记子时序电流数据段以外第/>个子时序电流数据段的偏度;/>表示第/>个参考时序电流数据段的偏度;/>表示第一标记电流数据点的所有邻域电流数据点的数量;/>表示第一标记电流数据点与第/>个邻域电流数据点的电流数据的差值;/>表示第一标记电流数据点与第/>个邻域电流数据点的欧式距离;/>表示取绝对值;
可信度获取模块,用于根据电流数据点周围电流数据点的分布情况得到若干空间电流数据点;根据不同空间数据点之间的细节数据波动程度的变化趋势以及聚类序号区间,得到每个电流数据点的类簇影响程度;根据电流数据点的数量得到若干参考样本数目;对比不同参考样本数目的聚类簇之间不同电流数据点的类簇影响程度,得到每个参考样本数目的可信度;
所述根据不同空间数据点之间的细节数据波动程度的变化趋势以及聚类序号区间,得到每个电流数据点的类簇影响程度,包括:
将任意一个聚类序号区间中任意一个电流数据点记为第三标记电流数据点;
式中,表示第三标记电流数据点的类簇影响程度;/>表示第三标记电流数据点的所有空间电流数据点的数量;/>表示第/>个空间电流数据点与第三标记电流数据点的细节数据波动程度的差值的绝对值;/>表示第三标记电流数据点的细节数据波动程度;/>表示聚类序号区间内所有电流数据点的细节数据波动程度的均值;/>表示预设的超参数;/>表示聚类序号区间内所有电流数据点的细节波动程度的标准差;/>表示取绝对值;
所述对比不同参考样本数目的聚类簇之间不同电流数据点的类簇影响程度,得到每个参考样本数目的可信度,包括:
对于任意一个参考样本数目以及任意一个聚类序号区间,将参考样本数目作为最小样本数目,根据最小样本数目对聚类序号区间中所有电流数据点聚类得到若干聚类簇,将每个聚类簇记为初始筛定聚类簇,将包含电流数据点数量最大的初始筛定聚类簇记为参考样本数目的筛定聚类簇,将除筛定聚类簇以外的每个初始筛定聚类簇记为参考筛定聚类簇;获取所有参考样本数目的筛定聚类簇;
将所有参考样本数目按照从小到大顺序进行排列,将排列后的序列记为参考样本数目序列;对于参考样本数目序列中除第一个参考样本数目以外的任意一个参考样本数目,在参考样本数目序列中,将参考样本数目与第一个参考样本数目之间所有参考样本数目所构成的数据段记为参考样本数目的筛定样本数目段;
将筛定样本数目段中任意相邻的两个参考样本数目记为一个参考样本对;对于参考样本对中第二个参考样本数目的筛定聚类簇中任意一个电流数据点,若电流数据点没有在参考样本对中第一个参考样本数目的筛定聚类簇内出现,那么将电流数据点记为参考样本对的一个差异电流数据点;
式中,表示参考样本数目的可信度;/>表示参考样本数目的筛定样本数目段中所有参考样本对的数量;/>表示参考样本数目的筛定样本数目段中第/>个参考样本对的所有差异电流数据点的数量;/>表示预设的超参数;/>表示参考样本数目的筛定样本数目段中第/>个参考样本对的第/>个差异电流数据点的类簇影响程度;/>表示以自然常数为底的指数函数;
电源信息传输模块,用于根据可信度对电流数据进行传输。
2.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据同一聚类簇在不同时序电流数据序列中包含的序列部分进行划分,得到若干子时序电流数据段,包括的具体方法为:
对所有电流数据点进行层次聚类得到若干聚类簇;对于任意一个时序电流数据序列以及任意一个聚类簇,将时序电流数据序列在聚类簇中包含的数据段记为时序电流数据序列的一个子时序电流数据段。
3.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据不同时序电流数据序列在目标子时序电流数据段对应聚类序号区间中的序列部分,得到若干参考时序电流数据段,包括的具体方法为:
将目标子时序电流数据段所属的时序电流数据序列记为目标时序电流数据序列,将除目标时序电流数据序列以外的每个时序电流数据序列记为参考时序电流数据序列,将每个参考时序电流数据序列在聚类序号区间中的数据段记为参考时序电流数据段。
4.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据不同电流数据点之间的距离远近情况得到每个电流数据点的邻域电流数据点,包括的具体方法为:
预设一个电流数据点数量T1,将任意一个聚类簇中任意一个子时序电流数据段内任意一个电流数据点记为标记电流数据点,在聚类簇中,将除标记电流数据点以外的每个电流数据点记为标记电流数据点的参考电流数据点,获取标记电流数据点与所有参考电流数据点之间的欧式距离,将所有欧式距离按照从小到大的顺序进行排列,将排列后的序列记为标记电流数据点的参考距离序列;将参考距离序列中前T1个欧式距离对应的参考电流数据点作为标记电流数据点的邻域电流数据点。
5.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据电流数据点周围电流数据点的分布情况得到若干空间电流数据点,包括的具体方法为:
预设一个区域大小T2,将任意一个聚类序号区间中任意一个电流数据点记为第二标记电流数据点,以第二标记电流数据点为中心,获取区域大小为T2的窗口区域作为第二标记电流数据点的样本电流空间;在第二标记电流数据点的样本电流空间中,将除第二标记电流数据点以外的电流数据点记为第二标记电流数据点的空间电流数据点。
6.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据电流数据点的数量得到若干参考样本数目,包括的具体方法为:
式中,表示初始样本数目;/>表示所有聚类簇中所有电流数据点的数量;/>表示预设的样本数目因子;/>表示向下取整;
将初始样本数目作为起始样本数目,以步长为1,依次降低样本数目,并将每次降低后的样本数目作为一个参考样本数目,直至样本数目降低为1时停止降低样本数目,获取若干参考样本数目。
7.根据权利要求1所述基于物联网的电源信息远程传输系统,其特征在于,所述根据可信度对电流数据进行传输,包括的具体方法为:
对于任意一个聚类序号区间,预设一个可信度阈值T4,在聚类序号区间的所有参考样本数目的可信度中,将可信度大于T4的参考样本数目记为自适应最小样本数目;
将聚类序号区间的自适应最小样本数目的筛定聚类簇中所包含的所有电流数据进行BZIP2压缩得到压缩后的数据,记为正常压缩数据;将聚类序号区间的自适应最小样本数目的参考筛定聚类簇中所包含的所有电流数据进行LZ77压缩得到压缩后的数据,记为异常压缩数据;将所有正常压缩数据以及异常压缩数据传输至云平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797600.0A CN117473351B (zh) | 2023-12-26 | 2023-12-26 | 基于物联网的电源信息远程传输系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797600.0A CN117473351B (zh) | 2023-12-26 | 2023-12-26 | 基于物联网的电源信息远程传输系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473351A CN117473351A (zh) | 2024-01-30 |
CN117473351B true CN117473351B (zh) | 2024-03-22 |
Family
ID=89635022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797600.0A Active CN117473351B (zh) | 2023-12-26 | 2023-12-26 | 基于物联网的电源信息远程传输系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473351B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117954115B (zh) * | 2024-03-27 | 2024-06-04 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169231A (zh) * | 2021-11-25 | 2022-03-11 | 上海交通大学 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
CN117097810A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市互盟科技股份有限公司 | 基于云计算的数据中心传输优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5920437B2 (ja) * | 2013-11-28 | 2016-05-18 | Tdk株式会社 | 非接触電力伝送回路 |
-
2023
- 2023-12-26 CN CN202311797600.0A patent/CN117473351B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169231A (zh) * | 2021-11-25 | 2022-03-11 | 上海交通大学 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
CN117097810A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市互盟科技股份有限公司 | 基于云计算的数据中心传输优化方法 |
Non-Patent Citations (1)
Title |
---|
基于时滞利用技术的电力系统次同步振荡抑制研究;李啸骢 等;《电气开关》;20191231;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473351A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
CN116828070B (zh) | 一种智慧电网数据优化传输方法 | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN117540238B (zh) | 一种工业数字化信息采集装置用数据安全管理方法 | |
CN116418882B (zh) | 基于hplc双模载波通信的存储器数据压缩方法 | |
CN116070163B (zh) | 一种室内有害气体浓度异常监测数据处理方法 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN116610938A (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
CN116975672B (zh) | 一种煤矿皮带输送电机温度监测方法及系统 | |
CN113951868A (zh) | 机械通气患者人机不同步检测方法及装置 | |
CN117195006A (zh) | 一种鸡肉用兽药残留数据管理系统 | |
CN117641157A (zh) | 一种用电信息采集终端的抄表方法 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN114925731A (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
CN110647870B (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 | |
CN115813407B (zh) | 基于模糊阶跃向量波动的睡眠脑电分期方法 | |
CN115995282B (zh) | 一种基于知识图谱的呼气流量数据处理系统 | |
CN118091234B (zh) | 一种用于故障诊断处理的电流互感器 |
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 |