CN118091325A - 一种电缆智能检测方法及系统 - Google Patents
一种电缆智能检测方法及系统 Download PDFInfo
- Publication number
- CN118091325A CN118091325A CN202410458070.5A CN202410458070A CN118091325A CN 118091325 A CN118091325 A CN 118091325A CN 202410458070 A CN202410458070 A CN 202410458070A CN 118091325 A CN118091325 A CN 118091325A
- Authority
- CN
- China
- Prior art keywords
- data
- early
- predicted
- local range
- preliminary
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000031877 prophase Effects 0.000 claims description 16
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000002243 precursor Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析技术领域,具体涉及一种电缆智能检测方法及系统,包括:获取前期数据与后期数据;对前期数据进行区域划分,计算每个前期数据受到干扰的程度;根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据,同时计算每个预测数据的修正系数;根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重;利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据。本发明通过以数据分析每个数据受到噪声的干扰程度,优化数据的预测结果,使得预测结果更加准确,从而使得对电缆状态的检测更为精准。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种电缆智能检测方法及系统。
背景技术
由于电缆长期处于复杂的工作环境中,受到温度、湿度、电流负载等多种因素的影响,电缆存在潜在的故障风险,包括温升、绝缘老化、短路等问题。而可通过电流负载数据对电缆的负载情况进行检测;由于数据预测算法能够很好的反映数据的变化趋势,故可以通过预测的数据对电缆的状态情况进行检测;但是电流负载数据中的噪声会使传统的预测算法得到的预测结果不准确,进而使得不能够准确的对电缆状态进行检测。
发明内容
本发明提供一种电缆智能检测方法及系统,以解决现有的问题:电流负载数据中的噪声会使传统的预测算法得到的预测结果不准确,进而使得不能够准确的对电缆状态进行检测。
本发明的一种电缆智能检测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电缆智能检测方法,该方法包括以下步骤:
采集电缆中的电流数据,将电流数据分为两个数据集分为前期数据集和后期数据集,并将前期数据集中的数据记为前期数据,后期数据集中的数据记为后期数据;
对前期数据进行区域划分,获取每个前期数据的局部范围;根据所有前期数据的局部范围中的数据,计算每个前期数据受到干扰的程度;
根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据;对预测数据与后期数据进行分段,得到若干预测数据段与后期数据段;根据每个预测数据段与后期数据段中的数据,获取每个预测数据的修正系数;根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重;
利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据。
优选的,所述对前期数据进行区域划分,获取每个前期数据的局部范围,包括的具体方法为:
对于第个前期数据,以第/>个前期数据为中心,将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第一局部范围,根据第/>个前期数据的第一局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第一局部范围的波动特征;
然后预设波动特征阈值;对于第/>个前期数据,若第/>个前期数据的第一局部范围的波动特征大于/>,则将第/>个前期数据的第一局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第二局部范围;
根据第个前期数据的第二局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第二局部范围的波动特征;
对于第个前期数据,若第/>个前期数据的第二局部范围的波动特征大于/>,则将第/>个前期数据的第二局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第三局部范围;
直至将第个前期数据到第/>个前期数据作为第/>个前期数据的第/>局部范围,计算第/>个前期数据的第/>局部范围的波动特征,且所述第/>个前期数据的第/>局部范围的波动特征大于/>,将第/>个前期数据的第/>局部范围作为第/>个前期数据的局部范围。
优选的,所述根据第个前期数据的第一局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第一局部范围的波动特征的具体计算公式为:
式中,表示第/>个前期数据的第一局部范围的波动特征;/>表示第/>个前期数据的第一局部范围中前期数据的数量;/>表示第/>个前期数据;/>表示第/>个前期数据的第一局部范围中第/>个前期数据;/>表示第/>个前期数据的第一局部范围中所有前期数据的方差;/>表示线性归一化函数;/>表示绝对值运算。
优选的,所述根据所有前期数据的局部范围中的数据,计算每个前期数据受到干扰的程度,包括的具体方法为:
对于第个前期数据,获取第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值以及第/>个前期数据,获取第/>个前期数据受到的干扰程度,其具体的计算公式为:
式中,表示第/>个前期数据受到的干扰程度;/>表示第/>个前期数据,/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示以自然常数为底的指数函数;/>表示绝对值运算。
优选的,所述根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据,包括的具体方法为:
将每个前期数据受到干扰的程度,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据的预测数据,并将前期数据的预测数据中前个数据作为预测数据;所述/>与/>分别为预设的采集频率与采集范围。
优选的,所述对预测数据与后期数据进行分段,得到若干预测数据段与后期数据段,包括的具体方法为:
预设一个大小为的数据段;对所有预测数据与后期数据进行分段,并使每个预测数据与后期数据段中数据的数量为/>,得到若干预测数据段与后期数据段。
优选的,所述根据每个预测数据段与后期数据段中的数据,获取每个预测数据的修正系数,包括的具体方法为:
对于获取第个预测数据段的修正系数,根据第/>个预测数据段内的数据与第/>个后期数据段内的数据之间的差异,获取第/>个预测数据段的修正系数,其具体的计算方式为:
式中,表示第/>个预测数据段的修正系数,/>表示预测数据段与后期数据段内数据的数量;/>表示第/>个预测数据段中第/>个数据;/>表示第/>个后期数据段中第/>个数据;表示线性归一化函数;
在得到每个预测数据段的修正系数后,将预测数据段的修正系数作为预测数据段中每个数据的修正系数。
优选的,所述根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重,包括的具体方法为:
对于第个前期数据,根据前期数据中最小的数据、第/>个预测数据的修正系数、第/>个前期数据以及第/>个前期数据与最后一个前期数据在时序上的距离,获取第/>个前期数据修正后的预测权重,其具体的计算公式为:
式中,表示第/>个前期数据修正后的预测权重;/>表示第/>个预测数据段的修正系数;/>表示第/>个前期数据;/>表示最小的前期数据;/>表示第/>个前期数据与最后一个前期数据在时序上的距离;/>表示线性归一化函数。
优选的,所述利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据,包括的具体方法为:
将每个前期数据修正后的预测权重,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据新的预测数据,并将前期数据新的预测数据中前个数据作为最终预测数据;对于第/>个后期数据,将第/>个后期数据与第/>个最终预测数据之间差的绝对值,作为第/>个后期数据的异常程度,然后预设一个差异阈值/>,若第/>个后期数据的异常程度大于/>,则第/>个后期数据为异常数据。
本发明的实施例提供了一种电缆智能检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项一种电缆智能检测方法的步骤。
本发明的技术方案的有益效果是:本申请通过对前期数据进行划分,得到每个前期数据的局部范围,以此为依据计算每个前期数据受到干扰的程度,并以此为依据对前期数据进行预测,根据预测结果获取每个预测数据的修正系数,并根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重,通过每个前期数据修正后的预测权重对前期数据进行预测,得到最终的预测结果,使得最终的预测数据避免了噪声的干扰,使得最终预测数据更加准确,此时即可根据最终预测数据,获取后期数据中的异常数据,进而准确的判断电缆的状态。
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为本发明的一种电缆智能检测方法的步骤流程图。
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电缆智能检测方法及系统,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电缆智能检测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电缆智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集电缆中的电流数据,将电流数据分为两个数据集分为前期数据集和后期数据集,并将前期数据集中的数据记为前期数据,后期数据集中的数据记为后期数据。
需要说明的是,由于电缆长期处于复杂的工作环境中,受到温度、湿度、电流负载等多种因素的影响,电缆存在潜在的故障风险,包括温升、绝缘老化、短路等问题。因此,实现对电缆状态的实时检测和智能检测成为电力行业的重要需求;而本实施例作为一种电缆智能检测方法,其主要目的就是对点电缆的检测数据进行分析,使得对电缆状态的检测更为全面和精准,因此首先需要采集电缆中的电流数据。
具体的,预设一个采集频率以及采集范围/>,/>与/>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/>为0.5秒/>为1小时进行叙述,通过在电缆处安装电流传感器,并以/>为电流传感器采集数据的时间间隔,采集/>内的所有电流数据,将采集到0到/>内的所有数据记为前期数据集,将/>到/>内的所有数据记为后期数据集,并将前期数据集中的数据记为前期数据,后期数据集中的数据记为后期数据。
步骤S002:对前期数据进行区域划分,获取每个前期数据的局部范围;根据所有前期数据的局部范围中的数据,计算每个前期数据受到干扰的程度。
需要说明的是,电流负载出现异常,会导致电缆的压降超出正常的范围,并且因为电缆本身有阻值,从而会导致电缆异常发热,如果负载过大,超出电缆设计的承载能力,可能导致电缆过热甚至损坏。因此需要对电缆的负载情况进行检测,判断电流负载数据中是否存在异常数据,即就是电流负载数据是否出现异常变化。
需要进一步说明的是,由于数据预测能够很好的反映数据的变化趋势,通过对历史数据进行分析,获得前期数据的预测值,然后将预测值与实际值进行比较,来判断当前数据是否存在异常。但是因为前期数据存在少量噪声,而当前期数据预测时,受到噪声干扰的数据的预测结果不准确,即直接通过数据预测算法对前期数据进行预测会导致预测数据不准确;但是又不能直接对前期数据进行滤波去噪,因为这样会导致前期数据丢失部分特征,也会使预测结果不准确。为了使预测结果更加准确,则需要获取每个前期数据受到的干扰程度,而为了获取前期数据受到的干扰程度,则需要获取每个前期数据的局部范围。
具体的,对于第个前期数据,以第/>个前期数据为中心,将第/>个前期数据到第个前期数据作为第/>个前期数据的第一局部范围,根据第/>个前期数据的第一局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第一局部范围的波动特征;其具体的计算公式为:
式中,表示第/>个前期数据的第一局部范围的波动特征;/>表示第/>个前期数据的第一局部范围中前期数据的数量;/>表示第/>个前期数据;/>表示第/>个前期数据的第一局部范围中第/>个前期数据;/>表示第/>个前期数据的第一局部范围中所有前期数据的方差;/>表示线性归一化函数;/>表示绝对值运算。
然后预设波动特征阈值,/>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;对于第/>个前期数据,若第/>个前期数据的第一局部范围的波动特征大于/>,则将第/>个前期数据的第一局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第二局部范围;
根据第个前期数据的第二局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第二局部范围的波动特征;其具体的计算公式为:
式中,表示第/>个前期数据的第二局部范围的波动特征;/>表示第/>个前期数据的第二局部范围中前期数据的数量;/>表示第/>个前期数据;/>表示第/>个前期数据的第二局部范围中第/>个前期数据;/>表示第/>个前期数据的第二局部范围中所有前期数据的方差;/>表示线性归一化函数。
对于第个前期数据,若第/>个前期数据的第二局部范围的波动特征大于/>,则将第/>个前期数据的第二局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第三局部范围;
以此类推,直至将第个前期数据到第/>个前期数据作为第/>个前期数据的第局部范围,计算第/>个前期数据的第/>局部范围的波动特征,且所述第/>个前期数据的第/>局部范围的波动特征大于/>,将第/>个前期数据的第/>局部范围作为第/>个前期数据的局部范围。
需要说明的是,为了能够计算每个前期数据受到的干扰程度,则需要获取每个前期数据的局部范围,而在前期数据中存在不同的波动段,为了能够准确的计算每个前期数据受到的干扰程度,则需要将前期数据中不同波动段的数据进行区分,即获取每个数据的局部范围,在本实施例中,通过以数据为中心,不断扩张的方式构建数据的局部范围,使得每个数据的局部范围内的数据都同属于同一波动段内。
需要进一步说明的是,表示的是第/>个数据的第一局部范围内所有数据与第/>个数据之间的差异均值,因此/>的值越小,则说明第/>个数据的第一局部范围内数据的变化越小,/>表示的是第/>个数据的第一局部范围中所有数据的方差,因此/>的值越小,则说明第/>个数据的第一局部范围内数据分布越集中,因此/>的值越小,则越说明第/>个数据的局部范围越可能为同一波动段,此时即可扩张第/>个数据的第一局部范围,直至获取第/>个数据的局部范围。
进一步的,在得到所有数据的局部范围后,即可根据所有数据的局部范围,计算每个数据受到的干扰程度。
具体的,对于第个前期数据,获取第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值以及第/>个前期数据,获取第/>个前期数据受到的干扰程度,其具体的计算公式为:
式中,表示第/>个前期数据受到的干扰程度;/>表示第/>个前期数据,/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示以自然常数为底的指数函数。
需要说明的是,由于前期数据中的噪声时随机出现的,其噪声数据的数据值大小也是随机的,即噪声数据与前期数据之间的差异大,因此当数据的局部范围受到噪声干扰时,则局部范围内数据的分布规律则会被打乱,即当数据的局部范围受到噪声干扰,则数据的局部范围内的数据分布趋于离散;同时由于噪声数据是随机分布的,因此噪声数据在前期数据中并不连续,故可以以此为依据,计算每个数据受到噪声的影响程度。
需要进一步说明的是,表示的是第/>个数据与第/>个数据的局部范围内所有数据的均值之间的差异,因此/>的值越大,则第/>个数据受到的干扰程度越高;的值越大,则表示第/>个数据的局部范围内所有数据与第/>个数据的局部范围、第/>个数据的局部范围内所有数据之间的差异就越大,即/>的值越大,则第/>个数据受到的干扰程度越高;所以/>的值越大,则第/>个数据受到的干扰程度越高。
至此,得到数据受到的干扰程度。
步骤S003:根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据;对预测数据与后期数据进行分段,得到若干预测数据段与后期数据段;根据每个预测数据段与后期数据段中的数据,获取每个预测数据的修正系数;根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重。
需要说明的是,本实施例是通过对数据进行预测的方式对电缆数据进行检测,在通过步骤S002得到数据受到干扰的程度后即可根据数据受到干扰的程度,对数据进行预测。
具体的,将每个前期数据受到干扰的程度,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据的预测数据,并将前期数据的预测数据中前个数据作为预测数据,所述/>与/>分别为预设的采集频率与采集范围,由于ARIMA数据预测算法作为一种公知的现有技术,故在本实施例中不再进行赘述;
预设一个大小为的数据段,/>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;对所有预测数据与后期数据进行分段,并使每个预测数据与后期数据段中数据的数量为/>,得到若干预测数据段与后期数据段;对于获取第/>个预测数据段的修正系数,根据第/>个预测数据段内的数据与第/>个后期数据段内的数据之间的差异,获取第/>个预测数据段的修正系数,其具体的计算方式为:
式中,表示第/>个预测数据段的修正系数,/>表示预测数据段与后期数据段内数据的数量;/>表示第/>个预测数据段中第/>个数据;/>表示第/>个后期数据段中第/>个数据;表示线性归一化函数;
在得到每个预测数据段的修正系数后,将预测数据段的修正系数作为预测数据段中每个数据的修正系数。
进一步的,则得到每个预测数据段的修正系数后,即可根据每个预测数据段的修正系数,获取每个前期数据修正后的预测权重。
具体的,对于第个前期数据,根据前期数据中最小的数据、第/>个预测数据的修正系数、第/>个前期数据以及第/>个前期数据与最后一个前期数据在时序上的距离,获取第/>个前期数据修正后的预测权重,其具体的计算公式为:
式中,表示第/>个前期数据修正后的预测权重;/>表示第/>个预测数据段的修正系数;/>表示第/>个前期数据;/>表示最小的前期数据;/>表示第/>个前期数据与最后一个前期数据在时序上的距离;/>表示线性归一化函数。
需要说明的是,表示的是第/>个前期数据与最小的前期数据之间的差,由于噪声数据的数据值是随机的,而前期数据的数据值分布集中,而前期数据的数据值分布集中,在对数据进行预测时,其数据发生偏离的程度越小,而数据的幅值越大,则对预测数据的影响越大,预测数据与实际数据的差异越大,则可能是受到噪声影响导致的,因此的值越大,则第/>个数据就越可能为噪声数据,即/>的值越大越需要对第/>个前期数据进行修正;/>表示的是第/>个前期数据与最后一个前期数据在时序上的距离,因此/>的值越大,则第/>个前期数据的预测结果越可能出现误差,即越需要对第/>个前期数据进行修正。
至此,得到第个前期数据修正后的预测权重。
步骤S004:利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据。
需要说明的是,本实施例作为电缆智能检测方法,通过对数据进行预测的方式对电缆数据进行检测,而在通过步骤S003得到第个前期数据修正后的预测权重后,即可根据第/>个前期数据修正后的预测权重得到最终的预测数据,使得最终的预测数据避免了噪声的干扰,使得最终预测数据更加准确,此时即可根据最终预测数据,获取后期数据中的异常数据。
具体的,将每个前期数据修正后的预测权重,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据新的预测数据,并将前期数据新的预测数据中前个数据作为最终预测数据,由于ARIMA数据预测算法作为一种公知的现有技术,故在本实施例中不再进行赘述;对于第/>个后期数据,将第/>个后期数据与第/>个最终预测数据之间差的绝对值,作为第/>个后期数据的异常程度,然后预设一个差异阈值/>,若第/>个后期数据的异常程度大于/>,则第/>个后期数据为异常数据;若第/>个后期数据的异常程度小于等于/>,则第/>个后期数据为正常数据。
当后期数据中存在异常数据时,则触发警报,实现对电缆的检测。
至此,本实施例完成。
本发明的实施例提供了一种电缆智能检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S001至步骤S004中的一种电缆智能检测方法。
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 (10)
1.一种电缆智能检测方法,其特征在于,该方法包括以下步骤:
采集电缆中的电流数据,将电流数据分为两个数据集分为前期数据集和后期数据集,并将前期数据集中的数据记为前期数据,后期数据集中的数据记为后期数据;
对前期数据进行区域划分,获取每个前期数据的局部范围;根据所有前期数据的局部范围中的数据,计算每个前期数据受到干扰的程度;
根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据;对预测数据与后期数据进行分段,得到若干预测数据段与后期数据段;根据每个预测数据段与后期数据段中的数据,获取每个预测数据的修正系数;根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重;
利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据。
2.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述对前期数据进行区域划分,获取每个前期数据的局部范围,包括的具体方法为:
对于第个前期数据,以第/>个前期数据为中心,将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第一局部范围,根据第/>个前期数据的第一局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第一局部范围的波动特征;
然后预设波动特征阈值;对于第/>个前期数据,若第/>个前期数据的第一局部范围的波动特征大于/>,则将第/>个前期数据的第一局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第/>个前期数据作为第/>个前期数据的第二局部范围;
根据第个前期数据的第二局部范围中所有前期数据以及所有前期数据的方差,计算第个前期数据的第二局部范围的波动特征;
对于第个前期数据,若第/>个前期数据的第二局部范围的波动特征大于/>,则将第/>个前期数据的第二局部范围,作为第/>个前期数据的局部范围;否则将第/>个前期数据到第个前期数据作为第/>个前期数据的第三局部范围;
直至将第个前期数据到第/>个前期数据作为第/>个前期数据的第/>局部范围,计算第/>个前期数据的第/>局部范围的波动特征,且所述第/>个前期数据的第/>局部范围的波动特征大于/>,将第/>个前期数据的第/>局部范围作为第/>个前期数据的局部范围。
3.根据权利要求2所述一种电缆智能检测方法,其特征在于,所述根据第个前期数据的第一局部范围中所有前期数据以及所有前期数据的方差,计算第/>个前期数据的第一局部范围的波动特征的具体计算公式为:
式中,表示第/>个前期数据的第一局部范围的波动特征;/>表示第/>个前期数据的第一局部范围中前期数据的数量;/>表示第/>个前期数据;/>表示第/>个前期数据的第一局部范围中第/>个前期数据;/>表示第/>个前期数据的第一局部范围中所有前期数据的方差;表示线性归一化函数;/>表示绝对值运算。
4.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述根据所有前期数据的局部范围中的数据,计算每个前期数据受到干扰的程度,包括的具体方法为:
对于第个前期数据,获取第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值、第/>个前期数据的局部范围内所有数据的均值以及第/>个前期数据,获取第/>个前期数据受到的干扰程度,其具体的计算公式为:
式中,表示第/>个前期数据受到的干扰程度;/>表示第/>个前期数据,/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示第/>个前期数据的局部范围内所有数据的均值;/>表示以自然常数为底的指数函数;/>表示绝对值运算。
5.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述根据每个前期数据受到干扰的程度,对前期数据进行预测,得到预测数据,包括的具体方法为:
将每个前期数据受到干扰的程度,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据的预测数据,并将前期数据的预测数据中前个数据作为预测数据;所述/>与/>分别为预设的采集频率与采集范围。
6.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述对预测数据与后期数据进行分段,得到若干预测数据段与后期数据段,包括的具体方法为:
预设一个大小为的数据段;对所有预测数据与后期数据进行分段,并使每个预测数据与后期数据段中数据的数量为/>,得到若干预测数据段与后期数据段。
7.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述根据每个预测数据段与后期数据段中的数据,获取每个预测数据的修正系数,包括的具体方法为:
对于获取第个预测数据段的修正系数,根据第/>个预测数据段内的数据与第/>个后期数据段内的数据之间的差异,获取第/>个预测数据段的修正系数,其具体的计算方式为:
式中,表示第/>个预测数据段的修正系数,/>表示预测数据段与后期数据段内数据的数量;/>表示第/>个预测数据段中第/>个数据;/>表示第/>个后期数据段中第/>个数据;/>表示线性归一化函数;
在得到每个预测数据段的修正系数后,将预测数据段的修正系数作为预测数据段中每个数据的修正系数。
8.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述根据每个预测数据的修正系数,获取每个前期数据修正后的预测权重,包括的具体方法为:
对于第个前期数据,根据前期数据中最小的数据、第/>个预测数据的修正系数、第/>个前期数据以及第/>个前期数据与最后一个前期数据在时序上的距离,获取第/>个前期数据修正后的预测权重,其具体的计算公式为:
式中,表示第/>个前期数据修正后的预测权重;/>表示第/>个预测数据段的修正系数;/>表示第/>个前期数据;/>表示最小的前期数据;/>表示第/>个前期数据与最后一个前期数据在时序上的距离;/>表示线性归一化函数。
9.根据权利要求1所述一种电缆智能检测方法,其特征在于,所述利用修正后的预测权重,对前期数据进行预测,得到最终预测结果,根据最终预测结果与后期数据之间的差异,获取后期数据中的异常数据,包括的具体方法为:
将每个前期数据修正后的预测权重,作为ARIMA数据预测算法中的自回归系数,利用ARIMA数据预测算法得到前期数据新的预测数据,并将前期数据新的预测数据中前个数据作为最终预测数据;对于第/>个后期数据,将第/>个后期数据与第/>个最终预测数据之间差的绝对值,作为第/>个后期数据的异常程度,然后预设一个差异阈值/>,若第/>个后期数据的异常程度大于/>,则第/>个后期数据为异常数据。
10.一种电缆智能检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程度,其特征在于,所述计算机程度被处理器执行时实现如权利要求1-9任一项所述的一种电缆智能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458070.5A CN118091325B (zh) | 2024-04-17 | 一种电缆智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458070.5A CN118091325B (zh) | 2024-04-17 | 一种电缆智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118091325A true CN118091325A (zh) | 2024-05-28 |
CN118091325B CN118091325B (zh) | 2024-06-25 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN117407700B (zh) | 一种带电作业过程中作业环境的监测方法 | |
CN116111727A (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
CN112989569B (zh) | 一种带温度约束条件的锂电池传感器故障滤波诊断方法 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN116961242B (zh) | 一种一二次融合柱上断路器实时数据管理方法及系统 | |
CN117454201B (zh) | 一种智慧电网异常运行状态检测方法及系统 | |
CN113836756A (zh) | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 | |
CN117034177B (zh) | 一种电力负荷异常数据智能监测方法 | |
CN118091325B (zh) | 一种电缆智能检测方法及系统 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN118091325A (zh) | 一种电缆智能检测方法及系统 | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN117991030B (zh) | 一种换电柜健康状态检测方法及系统 | |
CN117250520B (zh) | 一种大型电池储能电站安全性分析评价方法及系统 | |
CN117992738B (zh) | 一种节电柜电能自动化节电监测方法及系统 | |
CN117807550B (zh) | 一种建筑消防设施智能化定量检测方法及系统 | |
CN117892246B (zh) | 一种智能化开关柜用数据处理方法 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 | |
CN115145328B (zh) | 一种i型集中器的温度控制方法及i型集中器 | |
CN117783745A (zh) | 用于换电柜的数据在线监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |