一种能源监管系统传感器缺失数据的实时重构和在线修补方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于能耗监管系统底层传感器数据处理技术领域，涉及一种能源监管系统传感器缺失数据的实时重构和在线修补方法，具体涉及能源监管系统中不同类型传感器异常缺失数据的复原方法。背景技术：2.目前，随着“大数据”、“人工智能”等热门前沿技术的迅猛发展，能源领域也逐渐展开了智能控制方向的相关研究。能源监测系统本身是一个高度复杂的系统工程，其控制系统更是具有结构复杂、变量多、规模大、易受干扰等特性，整个系统装配有种类繁多的大量传感器。数据从传感器经采集后发送至网关，再从网关传输至服务器。曹传嵩在《恶劣环境下一种数据敏感的传感器节点故障检测技术研究》中提出在传输过程中由于传感器分布范围广、数量大，部分区域网络通信质量不佳，任何一个环节网络传输不稳定都可能会导致数据缺失。而在能源监管系统中造成数据缺失故障的原因大概有以下几种：1)机械故障导致数据采集、传输和存储过程失败，例如存储器损坏、网络传输故障、噪声干扰等等；2)由于人为失误导致信息遗失，3)传感器本身固有一定的局限性：有限的能量、有限的计算能力、有限的储存能力，其中传感器失效是导致数据缺失的关键原因之一。数据缺失会使得能源系统处于一个未知的运行工况，控制系统远远达不到预期效果，甚至还可能造成更多的能源的浪费以及经济的损耗。针对于以上的问题，佟昕等在《统计学中的数据缺失及解决方法》中提出国内外许多专家和学者采用不同的方法对其做了大量的研究，通常针对数据缺失这一类故障问题笼统的分为删除、不处理和填充三类解决办法。但对于能源监管系统的缺失数据，前两种方法虽然简单，但却以丢弃信息为代价得到完整的历史数据库，严重影响了监管数据的实时客观性和数据库的完整性；而填充方法是目前解决能源监管系统中和变量数据缺失问题最值得研究的一种，目前属于填充法的算法较多，但或多或少的存在着一些不足之处。例如人工填补法补充数据没有依据，并且针对大量数据缺失时，工作效率低且不准确。经过对众多数据重构方法的学习和研究后发现，由于能源监管系统大多具有变量多、状态多、耦合性强、长期处于变工况的特性，最适合解决其数据出现缺失故障的方法属于定量物理模型的方法，根据各类守恒定律、设备与系统的相关规律建立集总参数模型。本发明针对于上述方法遇到的问题，提出了一种能源监管系统中传感器缺失数据的实时重构和在线修补方法。技术实现要素：3.本发明要解决的技术问题是提供一种能够对能源监管系统中传感器缺失数据的实时重构和在线修补的方法。4.本发明的技术方案如下：5.一种能源监管系统传感器缺失数据的实时重构和在线修补方法，步骤如下：6.s1、基于能源监管系统的设计原理和运行机制，建立能源监管系统模型7.s1.1、定义能源监管系统模型8.s1.1.1、全空气一次回风再加热系统模型9.能源监管系统在空气侧主要由过滤器、表冷器、再热器、送风机和回风机组成，室外空气和回风混合后经过滤器过滤、表冷器降湿、再热器升温处理后，由送风机提供动力送入室内，完成一个一次回风再加热循环；室外温度为t1，混风温度为t2，表冷器表面温度为t3，送风温度为t4，回风温度为t6，室外相对湿度为混风相对湿度为经表冷器的湿度为送风点状态相对湿度为回风状态点相对湿度为新风比为r，系统送风量为m2，再热器换热量为qh，表冷器换热量为qe；10.s1.1.2、冷冻站系统模型11.能源监管系统在冷冻站侧主要由冷水机组、水泵、分水器、集水器、蒸发器和冷却塔组成，冷冻水系统是由水泵提供动力将集水器中的回水传送至冷水机组中，经蒸发器换热降温再输送至分水器，将冷量传递给末端与空气进行换热；冷却水系统是由水泵将回水带进冷水机组的冷凝器中与制冷剂进行换热，将升温后的水传送至冷却塔中将热量散到空气中完成一次循环；冷冻水供、回水温度分别为ts1、ts4，分集水器两侧压差为p1，冷却水供、回水温度分别为ts5、ts6，冷冻水泵两侧压差为p2，管网阻抗为s1，冷却水泵两侧压差为p3，冷冻水换热量为q1，冷冻水流量为ms1，冷却水换热量为q2，冷却水流量为ms2；12.s1.2、定义模型中输入、输出变量：13.根据步骤s1.1.1所建立的全空气一次回风再加热系统模型，确定空气侧的输入变量t1，t4，t6，r，m2；输出变量t2，t3，qh，qe；14.根据步骤s1.1.2所建立的冷冻站系统模型，确定冷冻站系统侧的输入变量ts1，ts4，ts5，ts6，s1，q1，q2；输出变量p1，p2，p3，ms1，ms2；15.s1.3、定义数学模型：16.能源监管系统是一个热力学系统，根据几个关键状态点的热力学关系式分别建立局部数学模型，每一个局部数学模型分别按照相应的变量关系式构建；17.在全空气一次回风再加热系统模型中，建立以下局部数学模型：18.(1)局部模型119.在热力学关系式中混风状态点由以下公式建立数学模型：20.t2＝r·t1+(1-r)t6ꢀꢀꢀ(1)21.(2)局部模型222.局部模型2主要由以下公式构成：23.lg(pvs)＝a-b/(t+c)ꢀꢀꢀ(2)[0024][0025][0026]式中，pvs表示某温度下饱和水蒸气压力；t表示空气温度；a、b、c表示不同物质在不同温度下对应的常数；表示相对湿度；pv表示空气中水蒸气分压力；w表示空气中的含湿量；p表示大气压力；[0027]w2＝r·w1+(1-r)·w6ꢀꢀꢀ(5)[0028]式中，w2表示混风状态点含湿量；w1表示室外空气的含湿量；w6表示回风空气的含湿量；[0029](3)局部模型3[0030]局部模型3主要是利用传热学知识建立如下关系式：[0031]qh＝cm(t4-t3)ꢀꢀꢀ(6)[0032]式中，c表示空气的定压比热容；m表示送风量；[0033](4)局部模型4[0034]局部模型4在局部模型2的基础上添加了焓值和热量的热力学关系形成一个闭合的回路，具体新增公式如下：[0035]h＝ct+w(hg+cvt)ꢀꢀꢀ(7)[0036]qc＝m(h2-h3)ꢀꢀꢀ(8)[0037]式中，h表示空气焓值；cv表示水蒸气的平均定压比热；hg表示0℃时水的汽化潜热；qc表示空气经表冷器中的换热量；h2表示混风状态点的空气焓值；h31表示经表冷器后的空气焓值；[0038]在冷冻站系统中，建立以下局部数学模型：[0039](1)局部模型5[0040]局部模型5是由冷冻水系统中供、回水水温、冷冻水流量和换热量依据下列关系式建立的；[0041]q1＝cwms1(ts4-ts1)ꢀꢀꢀ(9)[0042]式中，cw表示水的比热容；[0043](2)局部模型6[0044]局部模型6运用了管网特性按照如下公式建立系统模型：[0045][0046](3)局部模型7和局部模型9[0047]局部模型7和局部模型9主要根据水泵本身的特性曲线，但由于该特性曲线不具有确切的公式，因此采用最小二乘法利用多组真实的实验数据拟合出如下列公式所示的数学模型：[0048][0049]式中，hi表示水泵扬程；a、b为模型待定系数；表示冷却水或冷冻水流量；m表示列宾宗公式中的指数；[0050](4)局部模型8[0051]局部模型8则是由冷却水系统中供、回水水温、冷却水流量和换热量依据下列关系式建立的；[0052]q2＝cwms2(ts5-ts6)ꢀꢀꢀ(12)[0053]s2、相似性分析[0054]在气象数据库中挑选出去年对应月份的真实气象数据，利用该月份每日某些时刻点的温度和湿度计算出对应的焓值，再与当前缺失数据当日对应时刻室外环境的焓值进行对比，选出最相似的一日数据作为历史备用数据，多个历史备用数据组成历史备用数据集；[0055]h＝(1.01+1.84d)t+2500dꢀꢀꢀ(13)[0056]式中，t表示空气温度，d表示空气含湿量，1.01kj/(kg·k)空气的定压比热，1.84kj/(kg·k)为水蒸气的平均定压比热，2500kj/kg为0℃时水的汽化潜热；[0057]s3、基于最大期望方法和极大似然估计算法的填充数据集构建方法[0058]s3.1、能源监测系统中的数据类型分为两种，一种为稳定型数据类型，此类数据数值差距较小，包括温度、湿度、流量、压力和分集水器两侧压差；另一种为波动性数据类型，此类数据数值差距较大，包括冷冻水泵、冷却水泵两侧压差；[0059]s3.2、基于最大期望方法和极大似然估计算法对稳定型数据缺失的数据集进行填充；[0060]s3.2.1、确定发生数据缺失的传感器、日期以及时间段，设第j天某传感器从i时刻后连续缺失n个数据点，该时间段两侧端点数据分别为xi,j和xi+n,j，并且其各自邻近两点分别为xi-1,j和xi+n+1,j；依旧将当日剩余所有数据进行从小到大的排序，并确定排序后xi-1,j和xi+n+1,j所在的新位置，记ni-1和ni+j+1；[0061]s3.2.2、选定最相似工况第k天历史数据进行全天由小到大的排序，对应的找到和两点，分别以该两点向内延伸h个点各自组成两缺失端点的初步填充数据集，其中h点的数量要小于n；[0062]s3.2.3、用em算法和mle算法对历史备用数据集逆向估算出其服从的正态分布参数，再从该正态分布中按需随机抽取数据量和历史备用数据集共同组成最终的填充数据集，保证系统模型对填充数据集的数据量要求；[0063]s3.2.4、重复步骤3.2.1直到缺失数据段填充完整；[0064]s3.3、基于最大期望方法、极大似然估计算法和引入辅助变量对波动型数据缺失的数据集进行填充；[0065]s3.3.1、确定缺失数据点xi,k或数据段xi,k～xi+n,k及对应时刻相应变量数据点yi,k或yi,k～yi+n,k；[0066]s3.3.2、将缺失数据当天的辅助变量y数据从小到大进行排序，找到yi,k或yi,k～yi+n,k在新序列中每一个缺失点的位置，并记录其新位置为ni；[0067]s3.3.3、在该缺失点左右各按需延伸h个数据，并分别找出这些点在原对应时刻的缺失变量x的数值；构成初步填充数据集；[0068]s3.3.4、利用em和mle方法对初步填充数据集进行参数估计，再随机从参数估计后的初步填充数据集按需抽取适量的数据量，得到最终代入似然函数的完整填充数据集；[0069]s4、基于mcmc算法的贝叶斯数据重构方法[0070]s4.1、定义基准值：基准值是由某变量缺失数据时刻系统中其他监管数据的准确值组成的函数值，用yb表示，如下公式(14)所示：[0071]yb＝f(yo1,yo2,…,yon)ꢀꢀꢀ(14)[0072]其中，yoi表示某变量缺失数据时刻系统中其他工作传感器在该时刻的监管数据值；某变量缺失数据时刻系统中存在的未检测变量在公式(14)中表示成未知变量代入，在保证从步骤s3.2.4和s3.3.4调取的数据组数大于缺失数据传感器的个数的情况下都可获得求解结果；[0073]s4.2、定义修正函数：修正函数由经处理、筛选后的填充数据集中的历史数据以及与待估偏差组成，用yc表示，如下公式(15)所示：[0074]yc＝f(yi,x)ꢀꢀꢀ(15)[0075]其中，yi表示经筛选、处理后的填充数据集中的第i个历史数据；x表示未知数，某时刻缺失数据真值与历史数据值的偏差；[0076]s4.3、距离函数通过最小化基准值与修正函数之间的差异，即通过多次代入填充数据集中的历史数据对缺失数据进行修正，如公式(16)所示：[0077][0078]s4.4、代入数据：将s2中的多组稳态测量值t1，t4，t6，r，m2，t2，t3，qh，qe；[0079]s4.5、定义距离函数后，使距离函数d(x)满足均值为0的高斯分布，针对能源监管系统，由于每一个变量的数据皆是由各种类型的传感器在系统中进行原位测量并上传至数据库中，将正态分布的方差设定为传感器的精度值，即构成了能源监管系统的贝叶斯模型的似然函数，如公式(17)所示；通过实现距离函数最小化，来实现待估值和真实值之间的高度吻合；[0080]似然函数：[0081]贝叶斯定理：[0082]s4.6、当距离函数的值较小时，似然函数概率最高，根据能源监管系统的贝叶斯模型的后验分布公式(18)可见p(yb)是一个常量，后验p(yb|x)也服从高斯分布，此时后验分布的均值即为准确值和预估值的差值，代表真实值与填充数据集中历史数据的距离，最终将结果x与排序后的填充数据集中的中位数相加，即得到了缺失数据的贝叶斯方法重构值；如公式(19)所示，yt表示缺失数据的重构值，yc表示缺失数据的预估值，x为经过贝叶斯推理后验分布求解出来的重构值和预估值的差值；[0083]yt＝yc+xꢀꢀꢀ(19)[0084]本发明的有益效果：本发明基于数据和模型，实时重构和在线修补出能源监测系统中多种类型传感器某一或同时发生的数据缺失，能够保证预估值的准确性，且填补效率高、填补维度大，同时实现了历史数据的准确性和数据库的完整性，这对完善智能化的能源监测系统具有十分重要的意义。附图说明[0085]图1为一种能源监管系统传感器缺失数据的实时重构和在线修补方法框架图。[0086]图2为一种能源监管系统传感器缺失数据的实时重构和在线修补方法流程图。[0087]图3为全空气一次回风再加热系统图。[0088]图4为冷冻站系统图。[0089]图5为室外温度分散点数据缺失重构结果图。[0090]图6为混风温度分散点数据缺失重构结果图。[0091]图7为冷冻水供水温度分散点数据缺失重构结果图。[0092]图8为冷却水供水温度分散点数据缺失重构结果图。[0093]具体实施[0094]以下结合发明内容和说明书附图与公式详细描述本发明的具体实施方式。[0095]参照图2，本发明是一种能源监管系统传感器缺失数据的实时重构和在线修补方法，以大连市某公共中央空调系统感器缺失数据的实时重构和在线修补为例，具体步骤如下：[0096]s1、中央空调系统数理模型的建立，基于中央空调系统的设计原理和运行机制，对其进行系统模型的建立，具体步骤如下：[0097]s1.1、定义中央空调系统系统模型：[0098]s1.1.1、全空气一次回风再加热系统模型[0099]参照图3，中央空调系统在空气侧由过滤器，表冷器，再热器，送风机和回风机组成，室外温度为t1，混风温度为t2，表冷器表面温度为t3，送风温度为t4，回风温度为t6，室外相对湿度为混风相对湿度经表冷器的湿度送风点状态相对湿度回风状态点相对湿度新风比r，系统送风量m2，再热器换热量qh，表冷器换热量qe。室外空气和回风经混合后经过滤器过滤、表冷器降湿、再加热器升温处理后，由送风机提供动力送入室内，完成一个一次回风再加热循环。[0100]s1.1.2、冷冻站系统模型[0101]参照图4，中央空调系统在冷冻站侧由冷水机组，水泵，分水器，集水器组成，冷冻水供、回水温度ts1、ts4，分集水器两侧压差p1，冷却水供、回水温度ts5、ts6，冷冻水泵两侧压差p2，管网阻抗s1，冷却水泵两侧压差p3，冷冻水换热量q1冷冻水流量ms1，冷却水换热量q2，冷却水流量ms2。冷冻水系统是由水泵提供动力将集水器中的回水传送至冷水机中，经蒸发器换热降温再输送至分水器，一一将冷量传递给末端与空气进行换热。而冷却水系统同样具备循环水泵将回水带动进冷水机组的冷凝器中与制冷剂进行换热，将升温后的水传送至冷却塔中将热量散到空气中完成一次循环。中央空调系统是一个热力学系统，根据几个关键状态点的热力学关系式分别建立局部数学模型。[0102]s1.2、定义模型中输入、输出变量：[0103]根据s1.1.1所建立的数学模型，确定空气侧的输入变量t1，t4，t6，r，m2；输出变量t2，t3，qh，qe。[0104]根据s1.1.2所建立的数学模型，确定冷冻站系统侧的输入变量ts1，ts4，ts5，ts6，s1，q1，q2；输出变量p1，p2，p3，ms1，ms2。[0105]s1.3、定义数学模型：[0106]几个关键状态点的热力学关系式分别建立中央空调系统的局部数学模型。每一个模型分别按照相应的变量关系式构建，其中在全空气一次回风再加热系统中，局部模型1是由变量室外温度t1、混风温度t2、回风温度t6以及新风比r构成；局部模型2主要研究对象包括室外相对湿度混风相对湿度回风相对湿度局部模型3针对再热器换热量qh建立与进、出口温度t3、t4的关系。局部模型4包括再热器进、出口湿度在冷冻站系统中，局部模型1是由变量冷冻水供水温度ts1，冷冻水回水温度ts4，冷冻水流量ms1，冷冻水换热量q1构成；局部模型2的主要研究对象包括分、集水器两测压差p1，管网阻抗s1，冷冻水流量ms1；局部模型3的主要研究对象包括冷冻水泵两侧压差p2，冷冻水流量ms1；局部模型4：冷却水供水温度ts5，冷却水回水温度ts6，冷却水流量ms2，冷却水换热量q2；局部模型5：冷却水泵两侧压差p3，冷却水流量ms2。[0107]s2、相似性分析，具体步骤如下：[0108]在大连气象数据库中挑选出去年对应月份的真实气象数据，利用该月份每日某些时刻点的温度和湿度计算出对应的焓值，再与当前缺失数据当日对应时刻室外环境的焓值进行对比，选出最相似的一日数据作为历史备用数据，多个历史备用数据组成历史备用数据集；[0109]s3、基于最大期望方法和极大似然估计算法的填充数据集构建方法，具体步骤如下：[0110]s3.1、针对稳定型数据缺失的情况，依据其数值跨度小的特性，将待研究数据分别依次采用重新排序和两点定位的方法。[0111]s3.2、基于最大期望方法和极大似然估计算法对稳定型数据段缺失的数据集进行填充。[0112]s3.2.1、确定发生数据缺失的传感器、日期以及时间段，设第j天某传感器从i时刻后连续缺失n个数据点，该时间段两侧端点数据分别为xi,j和xi+n,j，并且其各自邻近两点分别为xi-1,j和xi+n+1,j。依旧将当日剩余所有数据进行从小到大的排序，并确定排序后xi-1,j和xi+n+1,j所在的新位置，记ni-1和ni+j+1。[0113]s3.2.2、选定最相似工况第k历史数据同样进行全天由小到大的排序，对应的找到和两点，分别以该两点向内延伸h个点各自组成两缺失端点的初步填充数据集，其中h点的数量要小于n。[0114]s3.2.3、利用em和mle算法利用初步填充数据集逆向估算出其服从的正态分布参数，再从该分布中按需随机抽取一定的数据量和初步数据集共同组成最终的填充数据集，这保证了系统模型对填充数据集的数据量要求。[0115]s3.2.4、重复第一步直到缺失数据段填充完整。针对数据段缺失的类型，要求在历史数据库中选择少量数据，使得延伸数量h应小于缺失数量n。利用好两大参数估计对少量的数据进行补足，找出数据缺失点服从的分布。[0116]s3.3、基于最大期望方法和极大似然估计算法和引入辅助变量对波动型数据缺失的数据集进行填充。[0117]s3.3.1、确定缺失数据点xi,k或数据段xi,k～xi+n,k及对应时刻辅助变量数据点yi,k或yi,k～yi+n,k。[0118]s3.3.2、将缺失数据当天辅助变量y数据从小到大进行排序，找到yi,k或yi,k～yi+n,k在新序列中每一个缺失点的位置，并记录其新位置为ni。[0119]s3.3.3、在该点左右各按需延伸h个数据，并分别找出这些点在原对应时刻的缺失变量x的数值，构成初步填充数据集。[0120]s3.3.4、利用em和mle方法对初步填充数据集进行参数估计，再随机从估计分布中按需抽取适量的数据量，得到最终代入似然函数的完整填充数据集。[0121]s4、基于mcmc算法的贝叶斯数据重构方法，具体步骤如下：[0122]s4.1、定义基准值：是由某变量缺失数据时刻系统中其他监管数据的准确值组成的函数值，用yb表示，如下公式(1)所示：[0123]基准函数：yb＝f(yo1,yo2,…,yon)ꢀꢀꢀ(1)[0124]其中yoi表示系统中其他工作传感器在该时刻的监管数据值。系统中存在的未检测变量在公式(1)中可以表示成未知变量代入，在保证数据组数大于未知个数的情况下都可以获得求解结果。[0125]s4.2、定义修正函数：修正函数由经处理、筛选后的填充数据集中的历史数据以及与待估偏差组成，用yc表示，如下公式(2)所示：[0126]修正函数：yc＝f(yi,x)ꢀꢀꢀ(2)[0127]其中yi表示经筛选、处理后的填充数据集中的第i个历史数据；x表示未知数，某时刻缺失数据真值与历史数据值的偏差。[0128]s4.3、距离函数通过最小化基准值与修正函数之间的差异，即通过多次代入填充数据集中的历史数据对缺失数据进行修正，如公式(3)所示：[0129]距离函数：[0130]s4.4、代入数据：将s2中的多组稳态测量值t1，t4，t6，r，m2，t2，t3，qh，qe。[0131]s4.5、定义距离函数后，使距离函数d(x)满足均值为0的高斯分布，针对具体的能源监管系统，由于每一个变量的数据皆是由各种类型的传感器在系统中进行原位测量并上传至数据库中，将正态分布的方差设定为传感器的精度值，即构成了能源监管系统的贝叶斯模型的似然函数，如公式(4)所示。通过实现距离函数最小化，来实现待估值和真实值之间的高度吻合。[0132]似然函数：[0133]贝叶斯定理：[0134]s4.6、当距离函数的值较小时，似然函数概率最高，根据能源监管系统的贝叶斯模型的后验分布公式(5)可见p(yb)是一个常量，后验p(yb|x)也服从高斯分布，此时后验分布的均值即为准确值和预估值的差值，代表真实值与填充数据集中历史数据的距离，最终将结果x与排序后的填充数据集中的中位数相加，即得到了缺失数据的贝叶斯方法重构值。如公式(6)所示，yt表示缺失数据的重构值，yc表示缺失数据的预估值，x为经过贝叶斯推理后验分布求解出来的重构值和预估值的差值。[0135]重构值：yt＝yc+xꢀꢀꢀ(6)[0136]中央空调系统中室外温度为t1，混风温度为t2，冷冻水供水温度ts1和冷却水供水温度ts5的数据重构结果分别见图5、图6、图7、图8。重构结果表明相对误差最小可以达到0.004％，最大也仅仅为3.548％，这初步验证了本重构方法的可行性。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!