CN117540220B - 一种近零碳园区源网荷匹配方法及系统 - Google Patents
一种近零碳园区源网荷匹配方法及系统 Download PDFInfo
- Publication number
- CN117540220B CN117540220B CN202410026038.XA CN202410026038A CN117540220B CN 117540220 B CN117540220 B CN 117540220B CN 202410026038 A CN202410026038 A CN 202410026038A CN 117540220 B CN117540220 B CN 117540220B
- Authority
- CN
- China
- Prior art keywords
- data
- data segment
- segmentation result
- degree
- segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 222
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000001914 filtration Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 16
- 239000000758 substrate Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (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,具体涉及一种近零碳园区源网荷匹配方法及系统,包括:采集数据,并将采集的数据记为待处理数据;对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;获取数据段与相邻的数据段之间的差异程度;根据每种分段结果下的数据段,获取数据段内的差异程度;根据数据段与相邻的数据段之间的差异程度与数据段内的差异程度,获取最优分段结果;计算最优分段结果中每个数据段内的噪声程度;并以数据段内的噪声程度对每个数据段进行去噪,完成对待处理数据的去噪。本发明通过对每种分段结果进行评估,得到最优分段结果以最优分段结果对数据进行去噪,准确的将噪声去除,即可准确的进行源网荷匹配。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种近零碳园区源网荷匹配方法及系统。
背景技术
源网荷匹配是指在能源系统中,将能源产生、输送和消耗相互协调和平衡的过程。而由于园区环境的变化对能耗数据的采集产生影响,可能导致能耗数据出现不规则的波动以及不稳定性,那么为了使得源网荷匹配过程更加准确,往往需要对采集到的能耗数据进行去噪处理;于在近零碳园区中能耗数据存在变化,而能耗数据的中的噪声数据又会随着能耗数据的变换而变化,因此在利用传统的高斯滤波对采集到的能耗数据进行去噪时,以不变的滤波窗口对能耗数据进行去噪难以得到良好的去噪效果。
发明内容
本发明提供一种近零碳园区源网荷匹配方法及系统,以解决现有的问题:传统的以不变的滤波窗口对能耗数据进行去噪难以得到良好的去噪效果。
本发明的一种近零碳园区源网荷匹配方法及系统采用如下技术方案:
本发明一个实施例提供了一种近零碳园区源网荷匹配方法,该方法包括以下步骤:
采集数据,并将采集的数据记为待处理数据;
对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度;
根据每种分段结果下的数据段,获取数据段内的差异程度;
根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果;
计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪。
优选的,所述根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度,包括的具体方法为:
对于计算第种分段结果下的第个数据段与第个数据段之间的整体的差异
程度,首先获取第个数据段与第个数据段内所有数据的均值;然后预设一个去除参数,去除第个数据段中与第个数据段内所有数据的均值差异最大的个数据,得到新的数
据段记为第个目标数据段;去除第个数据段中与第个数据段内所有数据的均值
差异最大的个数据,得到新的数据段记为第个目标数据段;获取第个目标数据段与
第个目标数据段内所有数据的均值;根据第个数据段与第个数据段内所有数据
的均值,以及第个目标数据段与第个目标数据段内所有数据的均值,计算第个数据
段与第个数据段之间的整体差异程度,其具体的计算公式为:
式中,表示第个数据段与第个数据段之间的整体差异程度;表示第
个数据段内所有数据的均值;表示第个数据段内所有数据的均值;表示第个目
标数据段内所有数据的均值;表示第个目标数据段内所有数据的均值;表示
以自然常数为底数的指数函数;表示线性归一化函数;表示绝对值运算。
优选的,所述根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度,包括的具体计算公式为:
式中,表示第个数据段与第个数据段之间的波动差异程度;表示第
个数据段内所有数据的方差;表示第个数据段内所有数据的方差;表示第个目
标数据段内所有数据的方差;表示第个目标数据段内所有数据的方差;表示
以自然常数为底数的指数函数;表示线性归一化函数;表示绝对值运算。
优选的,所述根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度,包括的具体计算公式为:
式中,表示第个数据段与第个数据段之间的差异程度;表示第个
数据段与第个数据段之间的整体差异程度;表示第个数据段与第个数据段
之间的波动差异程度。
优选的,所述根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度,包括的具体方法为:
对于第个数据段,当第个数据段为第一个数据段时,第个数据段与相邻的数据
段之间的差异程度的计算公式为:
当第个数据段为最后一个数据段时,第个数据段与相邻的数据段之间的差异程
度的计算公式为:
当第个数据段不为第一个数据段或最后一个数据段时,第个数据段与相邻的数
据段之间的差异程度的计算公式为:
式中,表示第个数据段与相邻的数据段之间的差异程度;表示第个数据
段与第个数据段之间的差异程度;表示第个数据段与第个数据段之间的差
异程度。
优选的,所述根据每种分段结果下的数据段,获取数据段内的差异程度,包括的具体方法为:
对于计算第种分段结果下的第个数据段内的差异程度,获取第个数据段内的所
有数据,根据第个数据段内的所有数据,计算第个数据段内的差异程度,其具体的计算公
式为:
式中,表示第个数据段内的差异程度;表示第个数据段内的第个数据;
表示第个数据段内所有数据的均值;表示第个数据段内的数据的数量。
优选的,所述根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果,包括的具体方法为:
对于计算第种分段结果的不良程度,首先统计每种分段结果下数据段的数量,并
计算数据段内的差异程度以及数据段与相邻的数据段之间的差异程度,根据数据段的数
量、数据段与相邻的数据段之间的差异程度,计算第种分段结果的不良程度,其具体的计
算公式为:
式中,表示第种分段结果的不良程度;表示第种分段结果下的第个数据段
内的差异程度;表示第种分段结果下的第个数据段与相邻的数据段之间的差异程度;表示第种分段结果下的数据段数量;表示以自然常数为底数的指数函数;
计算每种分段结果的不良程度,将不良程度最低的分段结果,作为最优分段结果。
优选的,所述计算最优分段结果中每个数据段内的噪声程度,包括的具体方法为:
对于计算最优分段结果下的第个数据段内的噪声程度,首先通过电流传感器采
集照明电路中一天内所有时刻的电流数据;以及最优分段结果中每个数据段所对应的时
间,对电流数据进行分段,得到若干电流数据段;计算最优分段结果下的第个数据段与第
个电流数据段之间的皮尔逊相关系数;
然后统计最优分段结果下的第个数据段内的数据的数量以及极值点的数量;根
据最优分段结果下的第个数据段内的数据的数量、极值点的数量以及最优分段结果下的
第个数据段与第个电流数据段之间的皮尔逊相关系数,计算最优分段结果下的第个数
据段内的噪声程度,其具体的计算公式为:
式中,表示最优分段结果下的第个数据段内的噪声程度;表示最优分段结果
下的第个数据段内极值点的数量;表示最优分段结果下的第个数据段内数据的数量;表示最优分段结果下的第个数据段与第个电流数据段之间的皮尔逊相关系数;表示
绝对值运算;表示以自然常数为底数的指数函数。
优选的,所述根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,包括的具体方法为:
预设一个初始窗口范围,根据每个数据段内的噪声程度,结合初始窗口范围,获
取最优分段结果下的每个数据段的窗口范围,其具体的计算公式为:
式中,表示最优分段结果下的第个数据段的窗口范围;表示最优分段结果
下的第个数据段内的噪声程度;表示预设的初始窗口范围;表示线性归一化函
数;表示向上取整运算;
得到最优分段结果下的每个数据段的窗口范围,以最优分段结果下的每个数据段的窗口范围,作为对数据段进行高斯滤波的滤波窗口,对最优分段结果下的所有数据段进行高斯滤波处理,得到去噪后的待处理数据,完成对待处理数据的去噪。
本发明的实施例提供了一种近零碳园区源网荷匹配系统,该系统包括数据采集模块、数据段间分析模块、数据段内分析模块、分段评估模块以及数据去噪模块,其中:
数据采集模块,用于采集数据,并将采集的数据记为待处理数据;
数据段间分析模块,用于对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度;
数据段内分析模块,用于根据每种分段结果下的数据段,获取数据段内的差异程度;
分段评估模块,用于根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果;
数据去噪模块,用于计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪。
本发明的技术方案的有益效果是:本实施例通过对待处理数据进行分段处理,并分析获取每种分段结果下数据段与相邻的数据段之间的差异程度,与数据段内的差异程度,使不同的数据段之间的差异程度需要尽可能的大,而同一数据段内的差异程度需要尽可能的小,得到最优分段结果,使得最优分段结果中,每个数据段内的噪声数据趋于一致;再计算每个数据段内的噪声程度,依照每个数据段内的噪声程度设置每个数据段的窗口范围,根据每个数据段内的噪声程度设置每个数据段的窗口范围,对每个数据段进行去噪,使得每个数据段均得到良好的去噪效果。
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为本发明的一种近零碳园区源网荷匹配方法的步骤流程图;
图2为本发明的一种近零碳园区源网荷匹配系统的结构框图。
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一种近零碳园区源网荷匹配方法及系统,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近零碳园区源网荷匹配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近零碳园区源网荷匹配方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集数据,并将采集的数据记为待处理数据。
需要说明的是,源网荷匹配是指在能源系统中,将能源产生、输送和消耗相互协调和平衡的过程,而由于园区环境的变化对能耗数据的采集产生影响,可能导致能耗数据中出现噪声,为了使源网荷匹配更加准确,因此需要对采集到的能耗数据进行去噪处理;由于在近零碳园区中能耗数据存在变化,而能耗数据的中的噪声数据又会随着能耗数据的变换而变化,因此在利用传统的高斯滤波对采集到的能耗数据进行去噪时,以不变的滤波窗口对能耗数据进行去噪难以得到良好的去噪效果,因此本实施例提出了一种近零碳园区源网荷匹配方法,即通过对近零碳园区中的能耗数据进行去噪,根据去噪后的能耗数据对源网荷进行匹配,使得近零碳园区源网荷匹配更加准确。
需要进一步说明的是,在近零碳园区中,为了保证近零碳园区电力系统的可靠性和灵活性,园区中各个系统的电力均是互相独立的,因此对所有相同中的能耗数据进行去噪的方法相同;所以本实施例以对某天照明电路中的能耗数据进行去噪为例进行叙述。
具体的,通过电压传感器采集照明电路中一天内所有时刻的电压数据,记为待处理数据。
至此,得到待处理数据。
步骤S002:对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度。
需要说明的是,由于待处理数据中的噪声数据会随着待处理数据的变化而变化,以不变的滤波窗口对待处理数据进行去噪难以得到良好的去噪效果;因此本实施例通过对待处理数据进行分段,使每段待处理数据中的噪声数据的表现程度趋于一致,接着根据每段待处理数据中的噪声数据的表现程度,设置不同的高斯滤波窗口,使每段待处理数据均可以得到良好的去噪效果,以此提高待处理数据的去噪效果,使近零碳园区源网荷匹配更加准确。
具体的,对待处理数据进行分段,得到若干种待处理数据的分段结果,以及每种分段结果下的数据段。
需要进一步说明的是,在对有限的数据进行分段时,其分段结果的种类必然是有限的,传统的费希尔最优求解法是一种通过将时序数据在不改变数据点顺序的前提下进行分段的方法;传统的费希尔最优求解算法中的损失函数只考虑了类内的差异,即对于任意一个分段结果,只考虑该分段结果中每个数据段内部的差异,得到该分段结果的分段效果,通过获取分段结果的分段效果,选取其中分段效果最好的分段结果,作为数据的最终分段结果。但由于传统的费希尔最优求解算法中的损失函数只考虑了类内的差异,而没有考虑数据段之间的差异,而为了进一步的提升费希尔最优求解法的分段效果,本实施例通过将数据段内部的差异与数据段之间的差异相结合,得到新的损失函数作为费希尔最优求解算法中的损失函数,以此进一步的提高数据的分段效果。
具体的,对于计算第种分段结果下的第个数据段与第个数据段之间的整体
的差异程度,首先获取第个数据段与第个数据段内所有数据的均值;然后预设一个去
除参数,的具体大小可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以进行叙述,去除第个数据段中与第个数据段内所有数据的均值差异最大的个数
据,得到新的数据段记为第个目标数据段;去除第个数据段中与第个数据段内所
有数据的均值差异最大的个数据,得到新的数据段记为第个目标数据段;获取第个
目标数据段与第个目标数据段内所有数据的均值;根据第个数据段与第个数据
段内所有数据的均值,以及第个目标数据段与第个目标数据段内所有数据的均值,计
算第个数据段与第个数据段之间的整体差异程度,其具体的计算公式为:
式中,表示第个数据段与第个数据段之间的整体差异程度;表示第
个数据段内所有数据的均值;表示第个数据段内所有数据的均值;表示第个目
标数据段内所有数据的均值;表示第个目标数据段内所有数据的均值;表示
以自然常数为底数的指数函数;表示线性归一化函数;表示绝对值运算。
需要说明的是,由于在数据段中存在噪声数据,而噪声数据又会对计算数据段之间的整体差异程度产生负面影响,为了提高计算的数据段之间的整体差异程度的准确性,则需要获取数据段之间的整体差异程度的置信度。
需要进一步说明的是,由于噪声数据通常与正常数据差异大,因此通过去除数据
段中与均值差异最大的若干个数据,得到目标数据段,若去除的数据为正常数据,则两个数
据两个数据段之间的差异与两个目标数据段之间的差异小;若除的数据为噪声数据,则两
个数据两个数据段之间的差异与两个目标数据段之间的差异大,即的值越大,则说明数据段越不会受到噪声数据的影响,即的值越大,通过两个数据段内所有数据的均值得到的数
据段之间的整体差异程度就越可靠,而的值越大则说明数据段之间的整体差异
程度就越大;因此的值越大,则第个数据段与第个数据段之间的整体差异程度就
越大。
进一步的,由于数据段之间的整体差异程度是仅通过均值得到的,因此数据段之间的整体差异程度不能反映数据段内部波动的差异,因此还需要计算数据段之间的波动差异程度,其具体的计算公式为:
式中,表示第个数据段与第个数据段之间的波动差异程度;表示第
个数据段内所有数据的方差;表示第个数据段内所有数据的方差;表示第个目
标数据段内所有数据的方差;表示第个目标数据段内所有数据的方差;表示
以自然常数为底数的指数函数;表示线性归一化函数;表示绝对值运算。
需要说明的是,的值越大,则第个数据段与第个数据段之间的波动差异
程度就越大。在得到数据段之间的整体差异程度与波动差异程度后,即可根据数据段之间
的整体差异程度与波动差异程度,获取数据段之间的差异程度,其具体的计算公式为:
式中,表示第个数据段与第个数据段之间的差异程度;表示第个
数据段与第个数据段之间的整体差异程度;表示第个数据段与第个数据段
之间的波动差异程度。
需要说明的是,当的值越大,则第个数据段与第个数据段之间的差异
就越大。由于在待处理数据的分段结果中,除了第一个数据段与最后一个数据段只有一个
相邻的数据段,其余的数据段均有两个相邻的数据段,因此需要根据每个数据段相邻的数
据段的数量,获取每个数据段与相邻的数据段之间的差异程度。
具体的,对于第个数据段,当第个数据段为第一个数据段时,第个数据段与相邻
的数据段之间的差异程度的计算公式为:
式中,表示第个数据段与相邻的数据段之间的差异程度;表示第个数据
段与第个数据段之间的差异程度;
当第个数据段为最后一个数据段时,第个数据段与相邻的数据段之间的差异程
度的计算公式为:
式中,表示第个数据段与相邻的数据段之间的差异程度;表示第个数
据段与第个数据段之间的差异程度;
当第个数据段不为第一个数据段或最后一个数据段时,第个数据段与相邻的数
据段之间的差异程度的计算公式为:
式中,表示第个数据段与相邻的数据段之间的差异程度,表示第个数
据段与第个数据段之间的差异程度;表示第个数据段与第个数据段之间的差
异程度。
需要说明的是,的值越大,则第个数据段与相邻的数据段之间的差异就越大。
至此,得到数据段与相邻的数据段之间的差异程度。
步骤S003:根据每种分段结果下的数据段,获取数据段内的差异程度。
需要说明的是,本实施例通过对待处理数据进行分段,使每段待处理数据中的噪声数据的表现程度趋于一致,接着根据每段待处理数据中的噪声数据的表现程度,设置不同的高斯滤波窗口,去除噪声数据的;在步骤S002中已经得到数据段与相邻的数据段之间的差异程度,现在则需要获取数据段内的差异。
具体的,对于计算第种分段结果下的第个数据段内的差异程度,获取第个数据
段内的所有数据,根据第个数据段内的所有数据,计算第个数据段内的差异程度,其具体
的计算公式为:
式中,表示第个数据段内的差异程度;表示第个数据段内的第个数据;
表示第个数据段内所有数据的均值;表示第个数据段内的数据的数量。
需要说明的是,表示的是第个数据段内数据的离差平方和,因此的值越大,则第个数据段内的数据越不稳定,即第个数据段内的差异程度
就越大。
至此,得到数据段内的差异程度。
步骤S004:根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果。
需要说明的是,本实施例是通过对待处理数据进行分段,然后再对待处理数据进行去噪的,由于在近零碳园区中能耗数据存在变化,而能耗数据的中的噪声数据又会随着能耗数据的变换而变化,因此不同的数据段之间的差异程度需要尽可能的大,而同一数据段内的差异程度需要尽可能的小,故可以以此为依据,计算每种分段结果的不良程度。
具体的,对于计算第种分段结果的不良程度,首先统计每种分段结果下数据段的
数量,并计算数据段内的差异程度以及数据段与相邻的数据段之间的差异程度,根据数据
段的数量、数据段与相邻的数据段之间的差异程度,计算第种分段结果的不良程度,其具
体的计算公式为:
式中,表示第种分段结果的不良程度;表示第种分段结果下的第个数据段
内的差异程度;表示第种分段结果下的第个数据段与相邻的数据段之间的差异程度;表示第种分段结果下的数据段数量;表示以自然常数为底数的指数函数。
需要说明的是,的值越小,则说明第种分段结果的分段效果就越好;故可以以此
获取最佳的分段结果。
具体的,计算每种分段结果的不良程度,将不良程度最低的分段结果,作为最优分段结果。
至此,得到最优分段结果。
步骤S005:计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪。
需要说明的是,本实施例是通过对待处理数据进行分段,然后再对待处理数据进行去噪的,在通过步骤S004得到最优分段结果后,即可对最优分段结果中的每个数据段进行去噪处理。
需要进一步说明的是,噪声对于电压数据的影响往往表现为局部范围内数据距离的上下浮动变化,在数据中即表现为会出现较多的极值点,同时因为电压的变化会引起电流的变化,所以可根据电压与电流之间的关系以及数据段中的极值点,计算数据段内的噪声程度。
具体的,对于计算最优分段结果下的第个数据段内的噪声程度,首先通过电流传
感器采集照明电路中一天内所有时刻的电流数据;以及最优分段结果中每个数据段所对应
的时间,对电流数据进行分段,得到若干电流数据段;计算最优分段结果下的第个数据段
与第个电流数据段之间的皮尔逊相关系数,由于皮尔逊相关系数的具体计算过程作为一
种公知的现有技术,故在本实施例中不再进行赘述;得到最优分段结果下的第个数据段与
第个电流数据段之间的皮尔逊相关系数;
然后统计最优分段结果下的第个数据段内的数据的数量以及极值点的数量;根
据最优分段结果下的第个数据段内的数据的数量、极值点的数量以及最优分段结果下的
第个数据段与第个电流数据段之间的皮尔逊相关系数,计算最优分段结果下的第个数
据段内的噪声程度,其具体的计算公式为:
式中,表示最优分段结果下的第个数据段内的噪声程度;表示最优分段结果
下的第个数据段内极值点的数量;表示最优分段结果下的第个数据段内数据的数量;表示最优分段结果下的第个数据段与第个电流数据段之间的皮尔逊相关系数;表示
绝对值运算;表示以自然常数为底数的指数函数。
需要说明的是,的值越大,则说明最优分段结果下的第个数据段内的噪声程度
越高;而当数据段内的噪声程度越高,则需要对该数据段进行滤波的滤波窗口就需要越大。
具体的,预设一个初始窗口范围,的具体取值可结合实际情况自行设置本实施
例不做硬性要求,在本实施例中以进行叙述,根据每个数据段内的噪声程度,结合初
始窗口范围,获取最优分段结果下的每个数据段的窗口范围,其具体的计算公式为:
式中,表示最优分段结果下的第个数据段的窗口范围;表示最优分段结果
下的第个数据段内的噪声程度;表示预设的初始窗口范围;表示线性归一化函
数;表示向上取整运算。
得到最优分段结果下的每个数据段的窗口范围,以最优分段结果下的每个数据段的窗口范围,作为对数据段进行高斯滤波的滤波窗口,对最优分段结果下的所有数据段进行高斯滤波处理,得到去噪后的待处理数据,完成对待处理数据的去噪;由于高斯滤波处理作为一种公知的现有技术故在本实施例中不再进行赘述。
在得到去噪后的待处理数据后,根据去噪后的待处理数据得到近零碳园区中准确的电耗情况,即可准确的进行源网荷匹配。
至此,本实施例完成。
请参阅图2,其示出了本发明一个实施例提供的一种近零碳园区源网荷匹配系统的结构框图,该系统包括以下模块:
数据采集模块,用于采集数据,并将采集的数据记为待处理数据;
数据段间分析模块,用于对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度;
数据段内分析模块,用于根据每种分段结果下的数据段,获取数据段内的差异程度;
分段评估模块,用于根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果;
数据去噪模块,用于计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪。
本发明的技术方案的有益效果是:本实施例通过对待处理数据进行分段处理,并分析获取每种分段结果下数据段与相邻的数据段之间的差异程度,与数据段内的差异程度,使不同的数据段之间的差异程度需要尽可能的大,而同一数据段内的差异程度需要尽可能的小,得到最优分段结果,使得最优分段结果中,每个数据段内的噪声数据趋于一致;再计算每个数据段内的噪声程度,依照每个数据段内的噪声程度设置每个数据段的窗口范围,根据每个数据段内的噪声程度设置每个数据段的窗口范围,对每个数据段进行去噪,使得每个数据段均得到良好的去噪效果。
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 (8)
1.一种近零碳园区源网荷匹配方法,其特征在于,该方法包括以下步骤:
采集数据,并将采集的数据记为待处理数据;
对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度;
根据每种分段结果下的数据段,获取数据段内的差异程度;
根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果;
计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪;
所述计算最优分段结果中每个数据段内的噪声程度,包括的具体方法为:
对于计算最优分段结果下的第个数据段内的噪声程度,首先通过电流传感器采集照明电路中一天内所有时刻的电流数据;以及最优分段结果中每个数据段所对应的时间,对电流数据进行分段,得到若干电流数据段;计算最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数;
然后统计最优分段结果下的第个数据段内的数据的数量以及极值点的数量;根据最优分段结果下的第/>个数据段内的数据的数量、极值点的数量以及最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数,计算最优分段结果下的第/>个数据段内的噪声程度,其具体的计算公式为:
式中,表示最优分段结果下的第/>个数据段内的噪声程度;/>表示最优分段结果下的第/>个数据段内极值点的数量;/>表示最优分段结果下的第/>个数据段内数据的数量;/>表示最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数;/>表示绝对值运算;/>表示以自然常数为底数的指数函数;
所述根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,包括的具体方法为:
预设一个初始窗口范围,根据每个数据段内的噪声程度,结合初始窗口范围/>,获取最优分段结果下的每个数据段的窗口范围,其具体的计算公式为:
式中,表示最优分段结果下的第/>个数据段的窗口范围;/>表示最优分段结果下的第个数据段内的噪声程度;/>表示预设的初始窗口范围;/>表示线性归一化函数;/>表示向上取整运算;
得到最优分段结果下的每个数据段的窗口范围,以最优分段结果下的每个数据段的窗口范围,作为对数据段进行高斯滤波的滤波窗口,对最优分段结果下的所有数据段进行高斯滤波处理,得到去噪后的待处理数据,完成对待处理数据的去噪。
2.根据权利要求1所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度,包括的具体方法为:
对于计算第种分段结果下的第/>个数据段与第/>个数据段之间的整体的差异程度,首先获取第/>个数据段与第/>个数据段内所有数据的均值;然后预设一个去除参数/>,去除第/>个数据段中与第/>个数据段内所有数据的均值差异最大的/>个数据,得到新的数据段记为第/>个目标数据段;去除第/>个数据段中与第/>个数据段内所有数据的均值差异最大的/>个数据,得到新的数据段记为第/>个目标数据段;获取第/>个目标数据段与第个目标数据段内所有数据的均值;根据第/>个数据段与第/>个数据段内所有数据的均值,以及第/>个目标数据段与第/>个目标数据段内所有数据的均值,计算第/>个数据段与第/>个数据段之间的整体差异程度,其具体的计算公式为:
式中,表示第/>个数据段与第/>个数据段之间的整体差异程度;/>表示第/>个数据段内所有数据的均值;/>表示第/>个数据段内所有数据的均值;/>表示第/>个目标数据段内所有数据的均值;/>表示第/>个目标数据段内所有数据的均值;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数;/>表示绝对值运算。
3.根据权利要求2所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度,包括的具体计算公式为:
式中,表示第/>个数据段与第/>个数据段之间的波动差异程度;/>表示第/>个数据段内所有数据的方差;/>表示第/>个数据段内所有数据的方差;/>表示第/>个目标数据段内所有数据的方差;/>表示第/>个目标数据段内所有数据的方差;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数;/>表示绝对值运算。
4.根据权利要求1所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度,包括的具体计算公式为:
式中,表示第/>个数据段与第/>个数据段之间的差异程度;/>表示第/>个数据段与第/>个数据段之间的整体差异程度;/>表示第/>个数据段与第/>个数据段之间的波动差异程度。
5.根据权利要求1所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度,包括的具体方法为:
对于第个数据段,当第/>个数据段为第一个数据段时,第/>个数据段与相邻的数据段之间的差异程度的计算公式为:
当第个数据段为最后一个数据段时,第/>个数据段与相邻的数据段之间的差异程度的计算公式为:
当第个数据段不为第一个数据段或最后一个数据段时,第/>个数据段与相邻的数据段之间的差异程度的计算公式为:
式中,表示第/>个数据段与相邻的数据段之间的差异程度;/>表示第/>个数据段与第个数据段之间的差异程度;/>表示第/>个数据段与第/>个数据段之间的差异程度。
6.根据权利要求1所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据每种分段结果下的数据段,获取数据段内的差异程度,包括的具体方法为:
对于计算第种分段结果下的第/>个数据段内的差异程度,获取第/>个数据段内的所有数据,根据第/>个数据段内的所有数据,计算第/>个数据段内的差异程度,其具体的计算公式为:
式中,表示第/>个数据段内的差异程度;/>表示第/>个数据段内的第/>个数据;/>表示第个数据段内所有数据的均值;/>表示第/>个数据段内的数据的数量。
7.根据权利要求1所述一种近零碳园区源网荷匹配方法,其特征在于,所述根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果,包括的具体方法为:
对于计算第种分段结果的不良程度,首先统计每种分段结果下数据段的数量,并计算数据段内的差异程度以及数据段与相邻的数据段之间的差异程度,根据数据段的数量、数据段与相邻的数据段之间的差异程度,计算第/>种分段结果的不良程度,其具体的计算公式为:
式中,表示第/>种分段结果的不良程度;/>表示第/>种分段结果下的第/>个数据段内的差异程度;/>表示第/>种分段结果下的第/>个数据段与相邻的数据段之间的差异程度;/>表示第/>种分段结果下的数据段数量;/>表示以自然常数为底数的指数函数;
计算每种分段结果的不良程度,将不良程度最低的分段结果,作为最优分段结果。
8.一种近零碳园区源网荷匹配系统,其特征在于,该系统包括以下模块:
数据采集模块,用于采集数据,并将采集的数据记为待处理数据;
数据段间分析模块,用于对待处理数据进行分段,得到若干种分段结果以及每种分段结果下的数据段;根据每种分段结果下不同数据段内所有数据的均值,获取不同数据段之间的整体差异程度;根据每种分段结果下不同数据段内所有数据的方差,获取不同数据段之间的波动差异程度;根据不同数据段之间的整体差异程度与不同数据段之间的波动差异程度,获取不同数据段之间的差异程度;根据不同数据段之间的差异程度,获取数据段与相邻的数据段之间的差异程度;
数据段内分析模块,用于根据每种分段结果下的数据段,获取数据段内的差异程度;
分段评估模块,用于根据数据段与相邻的数据段之间的差异程度,数据段内的差异程度,计算分段结果的不良程度;根据分段结果的不良程度获取最优分段结果;
数据去噪模块,用于计算最优分段结果中每个数据段内的噪声程度;根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,完成对待处理数据的去噪;
所述计算最优分段结果中每个数据段内的噪声程度,包括的具体方法为:
对于计算最优分段结果下的第个数据段内的噪声程度,首先通过电流传感器采集照明电路中一天内所有时刻的电流数据;以及最优分段结果中每个数据段所对应的时间,对电流数据进行分段,得到若干电流数据段;计算最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数;
然后统计最优分段结果下的第个数据段内的数据的数量以及极值点的数量;根据最优分段结果下的第/>个数据段内的数据的数量、极值点的数量以及最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数,计算最优分段结果下的第/>个数据段内的噪声程度,其具体的计算公式为:
式中,表示最优分段结果下的第/>个数据段内的噪声程度;/>表示最优分段结果下的第/>个数据段内极值点的数量;/>表示最优分段结果下的第/>个数据段内数据的数量;/>表示最优分段结果下的第/>个数据段与第/>个电流数据段之间的皮尔逊相关系数;/>表示绝对值运算;/>表示以自然常数为底数的指数函数;
所述根据最优分段结果中每个数据段内的噪声程度,获取最优分段结果中每个数据段的窗口范围;根据最优分段结果中每个数据段的窗口范围,对每个数据段进行去噪,包括的具体方法为:
预设一个初始窗口范围,根据每个数据段内的噪声程度,结合初始窗口范围/>,获取最优分段结果下的每个数据段的窗口范围,其具体的计算公式为:
式中,表示最优分段结果下的第/>个数据段的窗口范围;/>表示最优分段结果下的第个数据段内的噪声程度;/>表示预设的初始窗口范围;/>表示线性归一化函数;/>表示向上取整运算;
得到最优分段结果下的每个数据段的窗口范围,以最优分段结果下的每个数据段的窗口范围,作为对数据段进行高斯滤波的滤波窗口,对最优分段结果下的所有数据段进行高斯滤波处理,得到去噪后的待处理数据,完成对待处理数据的去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026038.XA CN117540220B (zh) | 2024-01-09 | 2024-01-09 | 一种近零碳园区源网荷匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026038.XA CN117540220B (zh) | 2024-01-09 | 2024-01-09 | 一种近零碳园区源网荷匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540220A CN117540220A (zh) | 2024-02-09 |
CN117540220B true CN117540220B (zh) | 2024-04-05 |
Family
ID=89792275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410026038.XA Active CN117540220B (zh) | 2024-01-09 | 2024-01-09 | 一种近零碳园区源网荷匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540220B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747040B (zh) * | 2024-02-20 | 2024-05-24 | 济南宝林信息技术有限公司 | 一种产妇产后护理状况远程监控方法及系统 |
CN118046549B (zh) * | 2024-03-15 | 2024-07-05 | 湖北铂骏科技有限公司 | 一种注塑模具冷却数据的分析方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
EP3771061A1 (en) * | 2019-07-26 | 2021-01-27 | Hitachi, Ltd. | Power system stabilization system and power system stabilization method using calculated power system sensitivity |
CN114136249A (zh) * | 2021-11-30 | 2022-03-04 | 国网上海市电力公司 | 一种变压器绕组变形超声检测信号新型去噪方法 |
CN115840120A (zh) * | 2023-02-24 | 2023-03-24 | 山东科华电力技术有限公司 | 一种高压电缆局放异常监测及预警方法 |
CN116881705A (zh) * | 2023-09-07 | 2023-10-13 | 佳木斯大学 | 一种锦灯笼宿萼的近红外光谱数据处理系统 |
CN117111048A (zh) * | 2023-10-24 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于改进itd的多波束海底地形测量回波降噪方法 |
CN117195007A (zh) * | 2023-11-08 | 2023-12-08 | 张家港长寿工业设备制造有限公司 | 一种换热器性能预测方法及系统 |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
CN117313020A (zh) * | 2023-11-30 | 2023-12-29 | 山东海纳智能装备科技股份有限公司 | 一种承载式张力传感器数据处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10939875B2 (en) * | 2018-01-26 | 2021-03-09 | Fujitsu Limited | Optimized real peak detection in cyclic biological data signals |
-
2024
- 2024-01-09 CN CN202410026038.XA patent/CN117540220B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
EP3771061A1 (en) * | 2019-07-26 | 2021-01-27 | Hitachi, Ltd. | Power system stabilization system and power system stabilization method using calculated power system sensitivity |
CN114136249A (zh) * | 2021-11-30 | 2022-03-04 | 国网上海市电力公司 | 一种变压器绕组变形超声检测信号新型去噪方法 |
CN115840120A (zh) * | 2023-02-24 | 2023-03-24 | 山东科华电力技术有限公司 | 一种高压电缆局放异常监测及预警方法 |
CN116881705A (zh) * | 2023-09-07 | 2023-10-13 | 佳木斯大学 | 一种锦灯笼宿萼的近红外光谱数据处理系统 |
CN117111048A (zh) * | 2023-10-24 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于改进itd的多波束海底地形测量回波降噪方法 |
CN117195007A (zh) * | 2023-11-08 | 2023-12-08 | 张家港长寿工业设备制造有限公司 | 一种换热器性能预测方法及系统 |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
CN117313020A (zh) * | 2023-11-30 | 2023-12-29 | 山东海纳智能装备科技股份有限公司 | 一种承载式张力传感器数据处理方法 |
Non-Patent Citations (3)
Title |
---|
"Examples of optimal noise reduction filters derived from the squared Pearson correlation coefficient";Jiaolong Yu et.al.;《2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20140714;全文 * |
"基于轮轨运动的裂纹声发射信号去噪方法研究";郝秋实;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160215;第2016年卷(第02期);第C033-20页 * |
利用自适应滤波星载激光测高仪回波噪声抑制方法;马跃;李松;周辉;翁寅侃;;红外与激光工程;20121225;第41卷(第12期);第3263-3268页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540220A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117540220B (zh) | 一种近零碳园区源网荷匹配方法及系统 | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111934711B (zh) | 一种时频混叠跳频信号的参数估计方法 | |
CN110349094A (zh) | 基于统计离群和自适应双边混合滤波的3d点云去噪方法 | |
CN112133322A (zh) | 一种基于噪声分类优化imcra算法的语音增强方法 | |
CN109102022B (zh) | 一种基于支持向量机的光变曲线分类方法 | |
CN117994154A (zh) | 一种基于传感器的图像智能去噪方法 | |
CN115618204A (zh) | 基于最优小波基和改进小波阈值函数的电能数据降噪方法 | |
CN111402883A (zh) | 一种复杂环境下分布式语音交互系统中就近响应系统和方法 | |
CN108881084B (zh) | 一种基于gp分布的bpsk/qpsk信号识别方法 | |
CN112613443A (zh) | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 | |
CN117490834A (zh) | 振动频谱峰值捕获方法 | |
CN112102382A (zh) | 一种基于多尺度变换与ADCensus-JWGF的机电设备视觉信息立体匹配算法 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
CN109995690B (zh) | Mfsk数字信号子类调制识别的神经网络自优化方法 | |
Lv et al. | Improved Canny edge detection algorithm based on deep learning | |
CN106656187A (zh) | 小信号去噪的adc滤波方法 | |
CN109257128A (zh) | 一种基于傅里叶级数拟合去噪的频谱信号识别方法及系统 | |
CN115564705A (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 | |
CN111147168B (zh) | 一种功率谱和统计融合的信号检测方法 | |
CN104992436B (zh) | 一种自然场景中的图像分割方法 | |
CN109100441B (zh) | 一种液相色谱曲线去除脉冲干扰的方法 | |
CN106407777A (zh) | 一种基于生物识别的智能移动终端 |
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 |