CN117914450B - 基于云端控制的发电机组实时数据传输策略优化方法 - Google Patents
基于云端控制的发电机组实时数据传输策略优化方法 Download PDFInfo
- Publication number
- CN117914450B CN117914450B CN202410311115.6A CN202410311115A CN117914450B CN 117914450 B CN117914450 B CN 117914450B CN 202410311115 A CN202410311115 A CN 202410311115A CN 117914450 B CN117914450 B CN 117914450B
- Authority
- CN
- China
- Prior art keywords
- data
- iteration
- transmission
- sequence
- section
- 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 279
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 134
- 230000001502 supplementing effect Effects 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000003321 amplification Effects 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 description 12
- 230000006835 compression Effects 0.000 description 12
- 239000000047 product Substances 0.000 description 8
- 230000009469 supplementation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及数据传输技术领域,具体涉及一种基于云端控制的发电机组实时数据传输策略优化方法;根据运行状态序列中数据点的数据特征获取异常数据点和异常程度;根据异常数据点的邻域内的数据特征获得关联数据段和传输优先段;根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代;根据传输优先段和预设幂律序列的数据差异特征获得分布相似度。本发明根据分布相似度对补充迭代的过程进行终止,获得重组数据段;根据霍夫曼编码对重组数据段进行压缩传输,提高了异常数据传输的时效性,有利于对发电机组的快速调控。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种基于云端控制的发电机组实时数据传输策略优化方法。
背景技术
在工业和能源领域中,发电机组的实时监测和数据传输对确保设备运行的安全性和稳定性至关重要,监测数据通常通过本地传感器和监测设备采集,然后传输至云端服务器进行分析管理,通过远程分析能够提高监测和控制效率。
传统的发电机组进行实时数据传输的过程中,是将一段时间内的监测数据进行打包传输,接收端对数据包中的数据进行分析。但当发电机组运行异常时,传统按照时序数据的顺序进行传输时,不能优先将异常数据进行传输,并且传统的数据传输策略可能存在传输延迟高、网络堵塞等问题;造成云端服务器获取异常数据的延迟较大,影响云端接收数据的时效性,导致云端对发电机组的调控不及时。
发明内容
为了解决上述通过传统的数据传输影响云端接收数据的时效性,造成对发电机组调控不及时的技术问题,本发明的目的在于提供一种基于云端控制的发电机组实时数据传输策略优化方法,所采用的技术方案具体如下:
获取监测发电机组状态的运行状态序列;根据所述运行状态序列中数据点的数据特征获取异常数据点和异常程度;
根据所述异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段;根据所述关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段;
根据所述传输优先段中不同种类数据出现的频率特征与预设幂律序列对所述传输优先段的数据量进行补充迭代;根据所述传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度;根据所述分布相似度对补充迭代的过程进行终止,获得重组数据段;
根据霍夫曼编码对所述重组数据段进行压缩传输。
进一步地,所述根据所述运行状态序列中数据点的数据特征获取异常数据点和异常程度的步骤包括:
当运行状态序列中的数据点的数值不在预设运行数据区间时,所述数据点为异常数据点;计算预设运行数据区间距离异常数据点最近的边界点与异常数据点的差值绝对值并归一化,获得异常数据点的异常程度。
进一步地,所述根据所述异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段的步骤包括:
计算异常数据点的预设邻域范围内的异常数据点的数量占比,获得异常数据点的邻域异常指数;计算异常数据点的预设邻域范围内的数值方差、预设邻域范围内的数据点数量和所述邻域异常指数三者的乘积并向上取整,获得异常数据点的关联数量;以异常数据点为中心,前后共关联数量个数据点组成异常数据点的关联数据段;若不同的关联数据段相交,将相交的关联数据段合并,组成新的关联数据段。
进一步地,所述根据所述关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段的步骤包括:
计算关联数据段中异常数据点的异常程度的平均值,获得整体异常特征值;将关联数据段中异常数据点的数量值归一化,获得异常数量特征值;计算所述整体异常特征值与所述异常数量特征值的乘积,获得关联数据段的传输优先度;根据传输优先度从大至小的顺序对关联数据段进行排序,将排序第一的关联数据段作为优先传输段。
进一步地,所述根据所述传输优先段中不同种类数据出现的频率特征与预设幂律序列对所述传输优先段的数据量进行补充迭代的步骤包括:
计算传输优先段中不同种类数据的出现频率并从大至小排序,获得传输优先段的频率序列;
当频率序列中的最大值与预设幂律序列中的最大值相等时,将传输优先段作为迭代传输段;
当频率序列中的最大值大于预设幂律序列中的最大值时,计算常数2、频率序列中的最大值与传输优先段中数据点数量三者的乘积,获得数量变化值;计算数量变化值与传输优先段中数据点数量的差值,获得数量增加值;以数量增加值作为数据选取窗口的长度大小,将运行状态序列中除所述传输优先段以外的其他序列部分作为数据补充范围;在所述数据补充范围中滑动数据选取窗口,当滑动的数据选取窗口中不存在频率序列中的最大值对应的种类数据时,获得传输优先段的增加序列段;
当频率序列中的最大值小于预设幂律序列中的最大值时,构建可变滑窗在所述数据补充范围中滑动,计算可变滑窗的长度和所述传输优先段的数据点数量的和值,获得数据拼接量;计算数据拼接量的半数与频率序列中最大值对应的种类数据的数据量的差值,获得增幅量;当可变滑窗的大小和位置满足可变滑窗内包含增幅量数量个频率序列中最大值对应的种类数据时,将可变滑窗中的数据作为传输优先段的增加序列段;
将传输优先段和增加序列段进行拼接,获得迭代传输段。
进一步地,所述根据所述传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度的步骤包括:
根据DTW算法计算传输优先段对应的频率序列和预设幂律序列的动态时间规整距离并负相关映射,获得传输优先段的分布相似度。
进一步地,所述根据所述分布相似度对补充迭代的过程进行终止,获得重组数据段的步骤包括:
计算迭代传输段的分布相似度,选取分布相似度最大的迭代传输段作为迭代最优传输段;当迭代最优传输段的分布相似度小于传输优先段的分布相似度时,将传输优先段作为重组数据段;
当迭代最优传输段的分布相似度不小于传输优先段的分布相似度时,计算所述迭代最优传输段中不同种类数据出现的频率并从大至小排序,获得迭代最优传输段的迭代频率序列,比较迭代频率序列中第二位与预设幂律序列中第二位的大小;
当迭代频率序列中第二位等于预设幂律序列中第二位时,将迭代最优传输段作为二次迭代传输段;
当迭代频率序列中第二位大于预设幂律序列中第二位时,计算常数4、迭代频率序列中第二位和迭代最优传输段中数据点数量三者的乘积,获得迭代数量变化值;计算数量变化值与迭代最优传输段中数据点数量的差值,获得迭代数量增加值;以迭代数量增加值作为迭代数据选取窗口的长度大小,将运行状态序列中除所述迭代最优传输段以外的其他序列部分作为迭代数据补充范围,在所述迭代数据补充范围中滑动迭代数据选取窗口,当滑动的迭代数据选取窗口中不存在迭代频率序列中最大值和第二位对应的种类数据时,获得迭代最优传输段的迭代增加序列段;
当迭代频率序列中第二位小于预设幂律序列中第二位时,构建迭代可变滑窗在所述迭代数据补充范围中滑动,计算迭代可变滑窗的长度和所述迭代最优传输段的数据点数量的和值,获得迭代数据拼接量;计算迭代数据拼接量与常数4的比值,获得迭代数据特征值;计算迭代数据特征值与迭代频率序列中第二位对应的种类数据的数据量的差值,获得迭代增幅量;当迭代可变滑窗的大小和位置满足迭代可变滑窗内包含迭代增幅量个迭代频率序列中第二位对应的种类数据时,将迭代可变滑窗中的数据作为迭代最优传输段的迭代增加序列段;
将迭代最优传输段和迭代增加序列段进行拼接,获得二次迭代传输段;计算二次迭代传输段的分布相似度,选取分布相似度最大的二次迭代传输段作为二次迭代最优传输段;当二次迭代最优传输段的分布相似度小于迭代最优传输段的分布相似度时,将迭代最优传输作为重组数据段;否则继续迭代,直至迭代后的分布相似度不再增加。
本发明具有如下有益效果:
在本发明中,获取异常数据点和异常程度能够确定运行状态序列中反映发电机组运行状态异常的数据;获取关联数据段能够确定反映发电机组运行状态异常的数据片段,从而选取需要提前传输的数据片段。获取传输优先度和传输优先段能够确定反映发电机组异常情况最大的数据片段,进而优先传输;根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代,能够基于霍夫曼编码的特性,使得传输优先段接近幂律分布,提高压缩效率。获取分布相似度能够判断传输优先段与预设幂律序列的相似程度,从而判断补充迭代的终止时机,保证获取的重组数据段能够最接近幂律分布。最终根据重组数据段通过霍夫曼编码压缩传输,提高了压缩传输效率,有利于对发电机组的快速调控。
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基于云端控制的发电机组实时数据传输策略优化方法流程图。
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基于云端控制的发电机组实时数据传输策略优化方法,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基于云端控制的发电机组实时数据传输策略优化方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于云端控制的发电机组实时数据传输策略优化方法流程图,该方法包括以下步骤:
步骤S1,获取监测发电机组状态的运行状态序列;根据运行状态序列中数据点的数据特征获取异常数据点和异常程度。
在本发明实施例中,实施场景为对发电机组的运行状态数据传输至云端服务器,提高数据传输的时效性。首先获取监测发电机组状态的运行状态序列,监测发电机组运行状态的特征对象包括但不限于电气参数、机械参数、燃料和润滑系统、振动和环境参数,例如电压、电流、功率、转速、扭矩、温度和振动等;在本发明实施例中以功率数据作为监测对象进行分析,对功率数据按照时序顺序进行采集获取运行状态序列,其他特征的处理过程相同;实施者可根据实施场景自行确定监测的特征对象和采集频率。
传统的数据传输过程中,是将发电机组数据按照时间顺序进行打包传输,对数据包中的数据进行分析,导致传输延迟高,影响时效性;当发电机组运行异常时,若依然按照传统的时间顺序对监测数据进行打包传输,导致异常数据的传输不及时,导致云端服务器对发电机组的调控不及时。故为了提高监测数据传输的时效性和调控及时性,需要对运行状态序列中的异常数据进行筛选,优先高效传输异常数据,而对于正常运行状态的数据可按时间顺序进行打包传输,对发电机组进行准确及时地调控。
首先,根据运行状态序列中数据点的数据特征获取异常数据点和异常程度,优选地,在本发明一个实施例中,获取异常数据点和异常程度包括:当运行状态序列中的数据点的数值不在预设运行数据区间时,数据点为异常数据点;预设运行数据区间指发电机组在正常运行过程中,监测对象数据的正常范围区间,实施者可根据实施场景自行确定预设运行数据区间;当数据点的数值不在该预设运行数据区间时,意味着该数据点为异常数据点。计算预设运行数据区间距离异常数据点最近的边界点与异常数据点的差值绝对值并归一化,获得异常数据点的异常程度;其中边界点为预设运行数据区间的边界值。当该数据点的数值越偏离预设运行数据区间时,意味着该数据点越异常,异常程度越大,对应时刻的发电机组的状态越可能出现异常情况。
步骤S2,根据异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段;根据关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段。
由于数据采集过程中容易出现噪声,故获取的异常数据点可能为噪声数据导致,噪声导致的异常数据点在运行状态序列中通常是孤立存在的,而真实的异常数据点表征的是发电机运行状态异常,在运行状态序列中通常是在某段时间内高频出现的。对于真实存在的异常数据点需要优先传输,提高时效性;故根据异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段。
优选地,在本发明一个实施例中,获取关联数据段包括:计算异常数据点的预设邻域范围内的异常数据点的数量占比,获得异常数据点的邻域异常指数;当邻域异常指数越大,意味着该异常数据点的邻域内其他异常数据点的数量越多,越能够反映发电机组运行异常;在本发明实施例中,预设邻域范围指在运行状态序列中以该异常数据点为中心,前后共20个数据点的窗口范围,实施者可根据实施场景自行确定。计算异常数据点的预设邻域范围内的数值方差、预设邻域范围内的数据点数量和邻域异常指数三者的乘积并向上取整,获得异常数据点的关联数量;当异常数据点的预设邻域范围内的数值方差越大,意味着该异常数据点的邻域内的数据波动越明显,发电机组异常的可能性越大;当关联数量越大,意味着该异常数据点对应时刻周围发电机组运行异常的可能性越大,异常影响的时间越长,越需要对该时间区间内的运行状态序列片段进行优选传输。以异常数据点为中心,前后共关联数量个数据点组成异常数据点的关联数据段;若不同的关联数据段相交,将相交的关联数据段合并拼接,组成新的关联数据段。关联数据段中的数据能够表征发电机组运行异常的特征。
进一步地,由于可能存在多个不同的关联数据段,则需要确定能够反映发电机组运行状态最严重的关联数据段进行优先传输,从而及时根据异常情况对发电机组及时调控,故根据关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段。
优选地,在本发明一个实施例中,获取传输优先度和传输优先段的步骤包括:计算关联数据段中异常数据点的异常程度的平均值,获得整体异常特征值;当整体异常特征值越大,意味着该关联数据段中异常数据点的异常程度越大,发电机组的运行状态越异常。将关联数据段中异常数据点的数量值归一化,获得异常数量特征值;当异常数量特征值越大,越能够表征发电机组的运行异常。计算整体异常特征值与异常数量特征值的乘积,获得关联数据段的传输优先度;当传输优先越大,意味着该关联数据段反映的发电机组运行状态越异常,对该关联数据段中的数据越需要优先传输。根据传输优先度从大至小的顺序对关联数据段进行排序,将排序第一的关联数据段作为优先传输段。
步骤S3,根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代;根据传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度;根据分布相似度对补充迭代的过程进行终止,获得重组数据段。
当传输网络的占用率较低时,传输速度较快,可根据传输优先度的大小顺序对不同的关联数据段进行先后传输;当传输网络的占有率较高时,传输速度较慢,因传输优先段中的数据特征反映发电机组的异常最严重,需要优先将传输优先段的数据进行传输,为了保证数据的时效性以及快速调控,可对传输优先段的数据进行压缩,压缩后的数据包更小,能够提高传输效率。在数据压缩时,霍夫曼编码是一种现有的压缩算法,当压缩对象中不同种类数据呈现幂律分布时,压缩速度更快,其中幂律分布的特征表现为,压缩对象中不同种类数据的数量占比呈现该类幂函数时压缩最快。因此需要分析传输优先段中不同种类数据的数量分布是否呈现幂律分布,若与幂律分布的差异较大,可对传输优先段的数据量进行补充,使得补充后的传输优选段中不同种类数据的数量分布特征更接近幂律分布;故根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代。
优选地,在本发明一个实施例中,根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代的步骤包括:计算传输优先段中不同种类数据的出现频率并从大至小排序,获得传输优先段的频率序列;该频率序列表征了传输优先段中不同种类数据的数量占比。该频率序列越接近预设幂律序列时,则使用霍夫曼编码对传输优先段的压缩效率越快;在本发明实施例中,预设幂律序列为。
首先从传输优先段中数量占比最多的种类数据开始对比,当频率序列中的最大值与预设幂律序列中的最大值相等时,意味着数量占比最多的种类数据在传输优先段中占了一半,与预设幂律序列中的第一位相同;则不需要对频率序列中的最大值对应的种类数据进行增加,将传输优先段作为迭代传输段。
当频率序列中的最大值大于预设幂律序列中的最大值时,意味着数量占比最多的种类数据在传输优先段中占比超过了一半,则需要增加其他种类数据的数量,使得数量占比最多的种类数据在传输优先段中接近一半,达到补充后的传输优先段的种类数据的数量分布特征更接近幂律分布的目的。计算常数2、频率序列中的最大值与传输优先段中数据点数量三者的乘积,获得数量变化值;计算数量变化值与传输优先段中数据点数量的差值,获得数量增加值;获取数量增加值的公式具体包括:
式中,表示数量增加值,/>表示频率序列中的最大值,即数量占比最多的种类数据在传输优先段中的占比,/>表示传输优先段中数据点数量;/>表示数量变化值。对于数量增加值的具体获取:预设当前传输优先段中数量占比最多的种类数据的数据量为,则/>;此时/>,可推得/>,若想要/>的数量占数据补充后的传输优先段中的一半,则/>,其中/>表示数据补充后的传输优先段中的数据量,则/>;因表示传输优先段中数量占比最多的种类数据的数据量,则/>;最终推得。
进一步地,以数量增加值作为数据选取窗口的长度大小,将运行状态序列中除传输优先段以外的其他序列部分作为数据补充范围;在数据补充范围中滑动数据选取窗口,当滑动的数据选取窗口中不存在频率序列中的最大值对应的种类数据时,获得传输优先段的增加序列段;在数据补充范围中滑动数据选取窗口时,可获得不同的增加序列段,后续根据分布相似度挑选最符合幂律分布的数据段进行迭代。
当频率序列中的最大值小于预设幂律序列中的最大值时,构建可变滑窗在数据补充范围中滑动,计算可变滑窗的长度和传输优先段的数据点数量的和值,获得数据拼接量;计算数据拼接量的半数与频率序列中最大值对应的种类数据的数据量的差值,获得增幅量。可变滑窗的大小和位置是不确定的,当可变滑窗的大小和位置满足可变滑窗内包含增幅量数量个频率序列中最大值对应的种类数据时,意味着补充后的传输优先段中数量占比最多的种类数据的数量占比为一半,此时将可变滑窗中的数据作为传输优先段的增加序列段;当可变滑窗的大小和位置变化时,可获得不同的增加序列段,后续根据分布相似度挑选最符合幂律分布的数据段进行迭代。其中增幅量的获取公式包括:
式中,表示增幅量,/>表示传输优先段中数据点数量,/>表示可变滑窗的长度大小,/>表示数据拼接量的半数,/>表示当前传输优先段中数量占比最多的种类数据的数据量。
将传输优先段和增加序列段进行拼接,获得迭代传输段。迭代传输段指数据补充后的传输优先段,因增加序列段可能存在多个,故有不同的迭代传输段,后续则需要寻找分析与预设幂律序列最相似的迭代传输段;首先根据传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度。
优选地,在本发明一个实施例中,获取分布相似度包括:根据DTW算法计算传输优先段对应的频率序列和预设幂律序列的动态时间规整距离并负相关映射,获得传输优先段的分布相似度。需要说明的是,DTW算法为动态时间规整距离算法,属于现有技术,当两个序列的数据变化特征越接近,则动态时间规整距离越小,分布相似度越大。
确定传输优先段与预设幂律序列的分布相似度后,可判断迭代传输段与预设幂律序列的分布相似度是否增加,从而确定数据量补充迭代的效果。故根据分布相似度对补充迭代的过程进行终止,获得重组数据段;具体包括:计算迭代传输段的分布相似度,选取分布相似度最大的迭代传输段作为迭代最优传输段;当迭代最优传输段的分布相似度小于传输优先段的分布相似度时,将传输优先段作为重组数据段;此时意味着数据补充后的迭代最优传输段的分布相似度依然小于原始的传输优先段,则传输优先段的压缩传输效果更高,故不再对传输优先段进行数据量的补充,将传输优先段作为最终的重组数据段。
进一步地,当迭代最优传输段的分布相似度不小于传输优先段的分布相似度时,此时意味着迭代最优传输段相比传输优先段更接近幂律分布,则对迭代最优传输段使用霍夫曼编码进行压缩传输的速度更快;因迭代最优传输段只是分析了传输优先段中数量占比最多的种类数据,后续需要对数量占比第二的种类数据进行分析,判断能否进一步迭代提高分布相似度。计算迭代最优传输段中不同种类数据出现的频率并从大至小排序,获得迭代最优传输段的迭代频率序列,比较迭代频率序列中第二位与预设幂律序列中第二位的大小。
当迭代频率序列中第二位等于预设幂律序列中第二位时,将迭代最优传输段作为二次迭代传输段;此时意味着数量占比第二的种类数据在传输优先段中占了,与预设幂律序列中的第二位相同;则不需要对迭代频率序列中的第二位对应的种类数据进行增加,将迭代最优传输段作为二次迭代传输段。
当迭代频率序列中第二位大于预设幂律序列中第二位时,计算常数4、迭代频率序列中第二位和迭代最优传输段中数据点数量三者的乘积,获得迭代数量变化值;计算数量变化值与迭代最优传输段中数据点数量的差值,获得迭代数量增加值;需要说明的是,迭代数量增加值与数量增加值的获取原理与步骤相同,不再赘述。以迭代数量增加值作为迭代数据选取窗口的长度大小,将运行状态序列中除迭代最优传输段以外的其他序列部分作为迭代数据补充范围,在迭代数据补充范围中滑动迭代数据选取窗口,当滑动的迭代数据选取窗口中不存在迭代频率序列中最大值和第二位对应的种类数据时,获得迭代最优传输段的迭代增加序列段。
当迭代频率序列中第二位小于预设幂律序列中第二位时,构建迭代可变滑窗在迭代数据补充范围中滑动,计算迭代可变滑窗的长度和迭代最优传输段的数据点数量的和值,获得迭代数据拼接量;计算迭代数据拼接量与常数4的比值,获得迭代数据特征值;计算迭代数据特征值与迭代频率序列中第二位对应的种类数据的数据量的差值,获得迭代增幅量;需要说明的是,迭代增幅量与增幅量的获取原理与步骤相同,不再赘述。当迭代可变滑窗的大小和位置满足迭代可变滑窗内包含迭代增幅量个迭代频率序列中第二位对应的种类数据时,意味着补充后的传输优先段中数量占比第二的种类数据的数量占比为四分之一,此时将迭代可变滑窗中的数据作为迭代最优传输段的迭代增加序列段;
将迭代最优传输段和迭代增加序列段进行拼接,获得二次迭代传输段;计算二次迭代传输段的分布相似度,选取分布相似度最大的二次迭代传输段作为二次迭代最优传输段;当二次迭代最优传输段的分布相似度小于迭代最优传输段的分布相似度时,将迭代最优传输作为重组数据段;否则继续迭代,分析二次迭代最优传输段中数量占比第三位与预设幂律序列中第三位的大小关系并进行数据量补充的计算,直至迭代后获得的数据段的分布相似度不再增加,从而获得最终的重组数据段。
步骤S4,根据霍夫曼编码对重组数据段进行压缩传输。
最终获得的重组数据段中不同种类数据的数量占比特征最接近幂律分布,因此使用霍夫曼编码对重组数据段进行压缩传输能够提高压缩传输效率,从而提高了反映发电机组异常运行状态的数据片段传输的时效性,有利于云端及时对发电机组进行调控;需要说明的是,霍夫曼编码属于现有技术,具体压缩步骤不再赘述。当对传输优先段对应的重组数据段进行压缩传输后,按照传输优先度的顺序依次将后续的关联数据段作为优先传输段按照步骤S3的过程进行压缩传输,使得反映发电机组异常运行状态的数据片段及时传输至云端中,提高发电机组的运行稳定性。
综上所述,本发明实施例提供了一种基于云端控制的发电机组实时数据传输策略优化方法;根据运行状态序列中数据点的数据特征获取异常数据点和异常程度;根据异常数据点的邻域内的数据特征获得关联数据段和传输优先段;根据传输优先段中不同种类数据出现的频率特征与预设幂律序列对传输优先段的数据量进行补充迭代;根据传输优先段和预设幂律序列的数据差异特征获得分布相似度。本发明根据分布相似度对补充迭代的过程进行终止,获得重组数据段;根据霍夫曼编码对重组数据段进行压缩传输,提高了异常数据传输的时效性,有利于对发电机组的快速调控。
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 (4)
1.一种基于云端控制的发电机组实时数据传输策略优化方法,其特征在于,所述方法包括以下步骤:
获取监测发电机组状态的运行状态序列;根据所述运行状态序列中数据点的数据特征获取异常数据点和异常程度;
根据所述异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段;根据所述关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段;
根据所述传输优先段中不同种类数据出现的频率特征与预设幂律序列对所述传输优先段的数据量进行补充迭代;根据所述传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度;根据所述分布相似度对补充迭代的过程进行终止,获得重组数据段;
根据霍夫曼编码对所述重组数据段进行压缩传输;
所述根据所述传输优先段中不同种类数据出现的频率特征与预设幂律序列对所述传输优先段的数据量进行补充迭代的步骤包括:
计算传输优先段中不同种类数据的出现频率并从大至小排序,获得传输优先段的频率序列;
当频率序列中的最大值与预设幂律序列中的最大值相等时,将传输优先段作为迭代传输段;
当频率序列中的最大值大于预设幂律序列中的最大值时,计算常数2、频率序列中的最大值与传输优先段中数据点数量三者的乘积,获得数量变化值;计算数量变化值与传输优先段中数据点数量的差值,获得数量增加值;以数量增加值作为数据选取窗口的长度大小,将运行状态序列中除所述传输优先段以外的其他序列部分作为数据补充范围;在所述数据补充范围中滑动数据选取窗口,当滑动的数据选取窗口中不存在频率序列中的最大值对应的种类数据时,获得传输优先段的增加序列段;
当频率序列中的最大值小于预设幂律序列中的最大值时,构建可变滑窗在所述数据补充范围中滑动,计算可变滑窗的长度和所述传输优先段的数据点数量的和值,获得数据拼接量;计算数据拼接量的半数与频率序列中最大值对应的种类数据的数据量的差值,获得增幅量;当可变滑窗的大小和位置满足可变滑窗内包含增幅量数量个频率序列中最大值对应的种类数据时,将可变滑窗中的数据作为传输优先段的增加序列段;
将传输优先段和增加序列段进行拼接,获得迭代传输段;
所述根据所述传输优先段和预设幂律序列的数据差异特征获得传输优先段的分布相似度的步骤包括:
根据DTW算法计算传输优先段对应的频率序列和预设幂律序列的动态时间规整距离并负相关映射,获得传输优先段的分布相似度;
所述根据所述分布相似度对补充迭代的过程进行终止,获得重组数据段的步骤包括:
计算迭代传输段的分布相似度,选取分布相似度最大的迭代传输段作为迭代最优传输段;当迭代最优传输段的分布相似度小于传输优先段的分布相似度时,将传输优先段作为重组数据段;
当迭代最优传输段的分布相似度不小于传输优先段的分布相似度时,计算所述迭代最优传输段中不同种类数据出现的频率并从大至小排序,获得迭代最优传输段的迭代频率序列,比较迭代频率序列中第二位与预设幂律序列中第二位的大小;
当迭代频率序列中第二位等于预设幂律序列中第二位时,将迭代最优传输段作为二次迭代传输段;
当迭代频率序列中第二位大于预设幂律序列中第二位时,计算常数4、迭代频率序列中第二位和迭代最优传输段中数据点数量三者的乘积,获得迭代数量变化值;计算数量变化值与迭代最优传输段中数据点数量的差值,获得迭代数量增加值;以迭代数量增加值作为迭代数据选取窗口的长度大小,将运行状态序列中除所述迭代最优传输段以外的其他序列部分作为迭代数据补充范围,在所述迭代数据补充范围中滑动迭代数据选取窗口,当滑动的迭代数据选取窗口中不存在迭代频率序列中最大值和第二位对应的种类数据时,获得迭代最优传输段的迭代增加序列段;
当迭代频率序列中第二位小于预设幂律序列中第二位时,构建迭代可变滑窗在所述迭代数据补充范围中滑动,计算迭代可变滑窗的长度和所述迭代最优传输段的数据点数量的和值,获得迭代数据拼接量;计算迭代数据拼接量与常数4的比值,获得迭代数据特征值;计算迭代数据特征值与迭代频率序列中第二位对应的种类数据的数据量的差值,获得迭代增幅量;当迭代可变滑窗的大小和位置满足迭代可变滑窗内包含迭代增幅量个迭代频率序列中第二位对应的种类数据时,将迭代可变滑窗中的数据作为迭代最优传输段的迭代增加序列段;
将迭代最优传输段和迭代增加序列段进行拼接,获得二次迭代传输段;计算二次迭代传输段的分布相似度,选取分布相似度最大的二次迭代传输段作为二次迭代最优传输段;当二次迭代最优传输段的分布相似度小于迭代最优传输段的分布相似度时,将迭代最优传输作为重组数据段;否则继续迭代,直至迭代后的分布相似度不再增加。
2.根据权利要求1所述的一种基于云端控制的发电机组实时数据传输策略优化方法,其特征在于,所述根据所述运行状态序列中数据点的数据特征获取异常数据点和异常程度的步骤包括:
当运行状态序列中的数据点的数值不在预设运行数据区间时,所述数据点为异常数据点;计算预设运行数据区间距离异常数据点最近的边界点与异常数据点的差值绝对值并归一化,获得异常数据点的异常程度。
3.根据权利要求1所述的一种基于云端控制的发电机组实时数据传输策略优化方法,其特征在于,所述根据所述异常数据点的邻域内的数据类型特征和数据变化特征获得关联数据段的步骤包括:
计算异常数据点的预设邻域范围内的异常数据点的数量占比,获得异常数据点的邻域异常指数;计算异常数据点的预设邻域范围内的数值方差、预设邻域范围内的数据点数量和所述邻域异常指数三者的乘积并向上取整,获得异常数据点的关联数量;以异常数据点为中心,前后共关联数量个数据点组成异常数据点的关联数据段;若不同的关联数据段相交,将相交的关联数据段合并,组成新的关联数据段。
4.根据权利要求1所述的一种基于云端控制的发电机组实时数据传输策略优化方法,其特征在于,所述根据所述关联数据段中异常数据点数量特征和对应的异常程度获得关联数据段的传输优先度和传输优先段的步骤包括:
计算关联数据段中异常数据点的异常程度的平均值,获得整体异常特征值;将关联数据段中异常数据点的数量值归一化,获得异常数量特征值;计算所述整体异常特征值与所述异常数量特征值的乘积,获得关联数据段的传输优先度;根据传输优先度从大至小的顺序对关联数据段进行排序,将排序第一的关联数据段作为优先传输段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410311115.6A CN117914450B (zh) | 2024-03-19 | 2024-03-19 | 基于云端控制的发电机组实时数据传输策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410311115.6A CN117914450B (zh) | 2024-03-19 | 2024-03-19 | 基于云端控制的发电机组实时数据传输策略优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117914450A CN117914450A (zh) | 2024-04-19 |
CN117914450B true CN117914450B (zh) | 2024-05-14 |
Family
ID=90697210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410311115.6A Active CN117914450B (zh) | 2024-03-19 | 2024-03-19 | 基于云端控制的发电机组实时数据传输策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117914450B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053382A (zh) * | 2017-12-25 | 2018-05-18 | 北京航空航天大学 | 一种视觉特性去雾稳像探测系统 |
CN110533112A (zh) * | 2019-09-04 | 2019-12-03 | 天津神舟通用数据技术有限公司 | 车联网大数据跨域分析融合方法 |
CN117459072A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市消防救援支队 | 用于自生氧装置性能测试的数据处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130041625A1 (en) * | 2011-08-11 | 2013-02-14 | International Business Machines Corporation | Advanced Statistical Detection of Emerging Trends |
US20220058174A1 (en) * | 2020-08-24 | 2022-02-24 | Microsoft Technology Licensing, Llc | System and method for removing exception periods from time series data |
-
2024
- 2024-03-19 CN CN202410311115.6A patent/CN117914450B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053382A (zh) * | 2017-12-25 | 2018-05-18 | 北京航空航天大学 | 一种视觉特性去雾稳像探测系统 |
CN110533112A (zh) * | 2019-09-04 | 2019-12-03 | 天津神舟通用数据技术有限公司 | 车联网大数据跨域分析融合方法 |
CN117459072A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市消防救援支队 | 用于自生氧装置性能测试的数据处理方法 |
Non-Patent Citations (3)
Title |
---|
分布式视频编码中基于滑窗的自适应相关估计方法;朱蓉蓉等;《现代电子技术》;20180312;第41卷(第06期);第28-33页 * |
用于多目标跟踪的m-最佳S-D分配算法;蔡庆;《情报指挥控制系统与仿真技术》;20021215(第12期);第33-46页 * |
面向电力系统不确定性调度需求的风电多参数预报研究;赵鑫宇;《中国博士学位论文全文数据库信息科技辑》;20230715(第7期);第1-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117914450A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10757834B2 (en) | Method and apparatus for determining water chilling unit for cooling data center | |
CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
CN110729718A (zh) | 一种基于日负荷曲线的行业用户开工监测方法 | |
CN116827350B (zh) | 基于云边协同的灵活用工平台智能监管方法及系统 | |
CN116865623B (zh) | 基于数据分析的新能源电机运行控制系统 | |
CN115987294A (zh) | 一种物联网的多维数据处理方法 | |
CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
JP2022535442A (ja) | 産業オートメーション制御システムまたは電力システムからのデータの保存を促進するための方法および装置 | |
CN117914450B (zh) | 基于云端控制的发电机组实时数据传输策略优化方法 | |
CN117353751A (zh) | 基于大数据的无人充电桩交易数据智能管理系统 | |
CN112232580B (zh) | 一种供电中断损失分析方法和装置 | |
CN115834720A (zh) | 一种用于光伏通讯数据的数据压缩方法 | |
CN115456092A (zh) | 电力系统异常数据实时监测方法 | |
CN106980925B (zh) | 一种基于大数据的区域电网调度方法 | |
CN114037179B (zh) | 一种基于大数据的电力负荷预测系统及方法 | |
CN115309714B (zh) | 一种风冷模块机组的恒温控制系统的数据压缩方法 | |
CN113326296B (zh) | 一种适用于工商业用户的负荷分解的方法及系统 | |
CN116859169B (zh) | 一种非侵入式电力负荷分解方法及系统 | |
CN118018033B (zh) | 一种电机性能数据的智能压缩传输方法 | |
CN117408537B (zh) | 一种能够实现实时风险预测的电能质量监测系统 | |
CN118101583B (zh) | 一种用于光猫的多链路自适应队列优化方法及系统 | |
CN110109974B (zh) | 一种基于功率信息的压铸机生产数据智能获取系统 | |
CN109818623B (zh) | 一种基于特征模板的生活电器功率曲线在线压缩算法 |
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 |