【技术实现步骤摘要】
本专利技术涉及供水管网，具体涉及一种基于软传感器的供水管网传感器数据恢复方法。
技术介绍
1、供水管网作为城市基础设施的重要组成部分，其监控管理依赖于传感器提供的实时监测数据。然而，由于供水管网中的传感器处于地下潮湿的恶劣环境中，数据缺失和异常现象普遍存在。数据的不完整性和不准确性对供水管网的监测和控制带来了重大挑战。不完整或不准确的供水管网监测数据可能导致水资源的浪费、能源消耗增加以及系统故障风险加大。因此，准确的数据填充方法以填充缺失点或掩盖异常点具有重要意义。
2、现有的数据填充方法，诸如“简单插值法”、“统计学方法”和“机器学习预测法”。“简单插值法”直接采用邻近值或利用邻近点进行线性插值。这种方法容易实施且计算迅速，却没有充分利用信息，导致填充精度不足。“统计学方法”能够利用时间序列的趋势和周期等统计学特性进行填充计算。然而这种方法忽视了供水管网传感器间的关联，无法满足高精度监测的需求。“机器学习预测法”使用时间序列预测模型对填充值进行计算，支持大量数据的输入用于构建填充值。常用的机器学习预测法包括长短期记忆网络，卷积神经网络，变换器模型等。然而，这种算法需要耗费大量的时间，难以实时利用最新的数据进行训练。填充计算的精度对邻近的最新数据和最新的变化模式是敏感的，因此这种方法在供水管网中的实际运用中受到阻碍。
3、公开号为cn118332270a的专利技术专利申请公开了基于图信号采样理论的供水数据缺失修补方法及软件系统，修补方法包括：基于供水管网水力数据的相邻相关性与周期性，将时间序列数据排列为图
4、供水管网中的传感器由于管道的水力连接，水力特性存在关联性。这种关联性体现在传感器所监测的时间序列变化模式的关联性上。另一方面，由于用户的用水模式相对固定，供水管网中的传感器历史监测数据中呈现出的周期特性也是重要的信息来源。合理地将实时的传感器间的关联性与传感器内的周期性进行耦合以构建填充值是当前实时供水管网监测与控制所存在的技术空白。
技术实现思路
1、本专利技术提供了一种基于软传感器的供水管网传感器数据恢复方法，该方法能够利用较少的观测点，高效精准的缺少数据和异常数据进行恢复。
2、本专利技术具体实施例提供了一种基于软传感器的供水管网传感器数据恢复方法，包括：
3、基于当前传感器监测的最新时间序列采用局部加权回归方法得到周期序列，对周期序列拟合的多项式函数进行多阶求导得到由各观测点的特征向量构成的导数时间序列，采用动态时间规整计算不同传感器对应的导数时间序列之间的距离得到不同传感器的时间序列距离矩阵，基于不同传感器的时间序列距离矩阵采用层次聚类将不同传感器进行分组；
4、基于当前传感器监测的最新时间序列、与当前传感器同组的其他传感器监测的时间序列和当前传感器监测的历史时间序列中与最新时间序列的时间序列距离前q小的历史子序列构建软传感器的时间序列矩阵；
5、基于最新时间序列采用主成分分析从软传感器的时间序列矩阵中筛选出前m相关的特征向量，对前m相关的特征向量构造的多元多项式回归输入矩阵求解，从而将最新时间序列中缺失值或异常值进行填充。
6、优选地，周期序列拟合的多项式函数的阶数和系数的求解方法，包括：
7、基于周期序列构建阶数为p的多项式函数，基于多项式函数和周期序列间的协方差和多项式函数的阶数构建信息准则，通过最小化信息准则求解p值；
8、基于各观测点对应的周期序列的序列点和多项式函数的解采用最小二乘法得到多项式函数的系数。
9、优选地，基于多项式函数和周期序列间的协方差和多项式函数的阶数构建信息准则，第i个传感器的信息准则ici为：
10、ici＝-nlncovi+(p+1)ln n
11、
12、其中，表示第i个传感器观测点数量为n的周期序列的均值，表示第i个传感器在时间t处的阶数为p的多项式函数fi(t，p)的值，而为多项式函数的样本均值，为第i个传感器观测点t处的时间序列。
13、本专利技术利用信息准则最小化，使得cov值尽量大，使得拟合的多项式的精度较高，通过限制p值，以降低消耗。
14、优选地，所述由各观测点的特征向量构成的第i个传感器的导数时间序列为：
15、
16、
17、其中表示在第t个观测点处多项式函数的m阶导数值，为第i个传感器在第t个观测点处的特征向量。
18、本专利技术对首先使用时间序列的多项式函数的多阶导数值来表征时间序列的特征，对相同时间窗口内不同传感器的时间序列进行聚类分组。
19、优选地，采用动态时间规整计算不同传感器对应的导数时间序列之间的距离得到不同传感器的时间序列距离矩阵，其中，第i个传感器对应的导数时间序列与第j个传感器对应的导数时间序列的距离为：
20、
21、
22、其中，n为第i个传感器对应的观测点的数量，为第j个传感器对应的观测点的数量。
23、本专利技术采用动态时间规整dtw递归计算两个导数时间序列之间的距离，累积距离矩阵d的最后一个元素，即就是两个传感器对应的时间序列之间的距离d。
24、优选地，在基于最新时间序列采用主成分分析从软传感器的时间序列矩阵中筛选出前m相关的特征向量之前，构建最新时间序列分别与软传感器的时间序列矩阵的任意时间序列之间的最大信息系数，并以最大信息系数构建的对角矩阵作为权重对软传感器的时间序列矩阵进行加权，将加权后的软传感器的时间序列矩阵进行主成分分析。
25、优选地，基于最新时间序列采用主成分分析从软传感器的时间序列矩阵中筛选出前m相关的特征向量，包括：
26、对最新时间序列进行主成分分析得到协方差矩阵，对协方差矩阵进行奇异值分解得到多个特征向量，从而多个特征向量中筛选出前m相关的特征向量得到降维后的特征矩阵。
27、优选地，对前m相关的特征向量构造的多元多项式回归输入矩阵求解，包括：
28、基于前m相关的特征向量构造多元多项式回归输入矩阵，基于多元多项式回归输入矩阵构建多元多项式回归函数，基于多元多项式回归函数的解和最新时间序列对应的数据值采用最小二乘法求解多元多项式回归函数的回归系数，基于确定回归系数的多元多项式回归函数填充最新时间序列的缺失值或异常值。
29、与现有技术相比，本专利技术的有益效果为：
30、本方法通过构造软传感器，利用管网中其他传感器的时间序列和传感器自身获取的历史序列创造分析冗余，为数据填充提供了丰富的参照样本，有利于提高数据填充的准确性。同时采用最大信息系数和主成分分析再次对软传感器中的数据本文档来自技高网...
【技术保护点】
1.一种基于软传感器的供水管网传感器数据恢复方法，其特征在于，包括：
2.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，周期序列拟合的多项式函数的阶数和系数的求解方法，包括：
3.根据权利要求2所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，基于多项式函数和周期序列间的协方差和多项式函数的阶数构建信息准则，第i个传感器的信息准则ICi为：
4.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，所述由各观测点的特征向量构成的第i个传感器的导数时间序列为：
5.根据权利要求4所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，采用动态时间规整计算不同传感器对应的导数时间序列之间的距离得到不同传感器的时间序列距离矩阵，其中，第i个传感器对应的导数时间序列与第j个传感器对应的导数时间序列的距离为：
6.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，在基于最新时间序列采用主成分分析从软传感器的时间序列矩阵中筛选出前m相关的特征向量之
7.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，基于最新时间序列采用主成分分析从软传感器的时间序列矩阵中筛选出前m相关的特征向量，包括：
8.根据权利要求7所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，对前m相关的特征向量构造的多元多项式回归输入矩阵求解，包括：
...【技术特征摘要】
1.一种基于软传感器的供水管网传感器数据恢复方法，其特征在于，包括：
2.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，周期序列拟合的多项式函数的阶数和系数的求解方法，包括：
3.根据权利要求2所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，基于多项式函数和周期序列间的协方差和多项式函数的阶数构建信息准则，第i个传感器的信息准则ici为：
4.根据权利要求1所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，所述由各观测点的特征向量构成的第i个传感器的导数时间序列为：
5.根据权利要求4所述的基于软传感器的供水管网传感器数据恢复方法，其特征在于，采用动态时间规整计算不同传感器对应的导数时间序列之间的距离得到不同传感器的时间序列距离矩阵，其中，第i个传感器对应的...
【专利技术属性】
技术研发人员：楚士鹏，陶乐乐，邵煜，丁毅，吕群芳，王煊赫，庞凯丰，金盼，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。