基于多维数据的燃气自动调压柜压力监测方法

技术领域

本发明涉及数据预测技术领域，具体涉及一种基于多维数据的燃气自动调压柜压力监测方法。

背景技术

燃气自动调压柜可实现自动对燃气的压力进行调节控制，以适应不同用户和实施场景的需求。燃气由高压密封管道进行输送，燃气自动调压柜需要保证管道中的燃气压力在正常的范围内，因此为了保证燃气管道的安全，会通过传感器设备对管道中的燃气参数进行监测，根据设置的阈值判断对应参数是否处于不安全的范围内，进而利用燃气自动调压柜进行压力调节。但是在实际情况中，若在某个时刻监测到燃气压力异常，则此时就已经对管道产生了损伤，因此无法保证管道的安全性，为了避免该问题需要提前对每个时刻进行压力监测。

现有技术中为了实现对燃气自动调压柜压力的提前准确监测，会采用数据预测方法通过预测未来时刻的数据，进而实现对燃气压力的提前监测。但是在现有技术中的预测过程中，并未考虑到燃气数据会随着时段不同呈现不同的数据特征，进而造成预测数据的不准确，即对燃气自动调压柜压力监测的不准确，影响调压效果。

发明内容

为了解决现有技术中对与燃气压力数据无法准确预测，进而导致对压力监测不准确的技术问题，本发明的目的在于提供一种基于多维数据的燃气自动调压柜压力监测方法，所采用的技术方案具体如下：

一种基于多维数据的燃气自动调压柜压力监测方法，所述方法包括：

在预设时间范围内获取燃气自动调压柜在每个维度下每个时刻下的调压参数数据；每个时刻下的所述调压参数数据时序上的前序数据为对应时刻下的历史参数数据；

根据所述调压参数数据构建整合移动平均自回归模型；所述整合移动平均自回归模型中的自回归系数获取方法包括：获取每个时刻下所述调压参数数据和对应所述历史参数数据之间的数据值相关性和变化趋势相关性；根据所述数据值相关性和所述变化趋势相关性获得每个时刻下的自回归系数；所述整合移动平均自回归模型中的误差系数获取方法包括：根据预测数据和实际数据之间的分布差异和数值差异获取所述误差系数；

根据实时调压参数数据利用所述整合移动平均自回归模型预测未来时刻的预测调压参数数据；根据所述预测调压参数数据对应时刻之前预设邻近时间范围内每个时刻下预测值和实际数据之间的变化趋势差异和数据差异，获得调整系数；根据所述调整系数调整所述预测调压参数数据，获得优化调压参数数据；

所有维度下的所述优化调压参数数据构成多维优化调压参数数据，根据所述多维优化调压参数数据对燃气自动调压柜进行压力监测。

进一步地，所述数据值相关性的获取方法包括：

获取每个时刻下所述调压参数数据对应的所述历史参数数据的历史平均数据值，获取所述调压参数数据与对应所述历史平均数据值之间的第一数据值差异，根据所述第一数据值差异获得所述数据值相关性，所述第一数据值差异与所述数据值相关性呈负相关关系。

进一步地，所述变化趋势相关性的获取方法包括：

将所述预设时间范围内的所述调压参数数据映射值二维坐标系下，所述二维坐标系的横坐标为时刻，纵坐标为数据值；获得所述二维坐标系下每个时刻下数据点的切线斜率绝对值；

获取每个所述调压参数数据在预设判断时间范围内所有数据点的第一平均切线斜率绝对值；获取所述预设时间范围内所有数据点对应的第二平均切线斜率绝对值；

根据所述第一平均切线斜率绝对值和所述第二平均切线斜率绝对值之间的第一斜率绝对值差异获得所述变化趋势相关性；所述第一斜率绝对值差异与所述变化趋势相关性呈负相关关系。

进一步地，所述数据值相关性和所述变化趋势相关性均与所述自回归系数呈正相关关系。

进一步地，所述误差系数的获取方法包括：

将初始误差系数设置为0，根据所述初始误差系数对应的整合移动平均自回归模型对数据进行预测，获得所述预设时间范围内的预测数据及其对应的预测数据曲线；获得所述预设时间范围内的实际数据及其对应的实际数据曲线；

获得所述预测数据曲线与所述实际数据曲线之间数据值波动特征差异；获得所述预测数据与所述实际数据之间的第一平均数据值差异；根据所述数据值波动特征差异和所述第一平均数据值差异获得所述误差系数，所述数据值波动特征差异和所述第一平均数据值差异均与所述误差系数呈正相关关系。

进一步地，所述调整系数的获取方法包括：

获取所述邻近时间范围内所有时刻下所述预测值与所述实际数据之间的第二平均数据值差异；

获取所述邻近时间范围内所有时刻下所有预测值在所述二维坐标系中的第三平均切线斜率绝对值；获取所述邻近时间范围内所有时刻下所有实际数据在所述二维坐标系中的第四平均切线斜率绝对值；获取所述第三平均切线斜率绝对值和所述第四平均切线斜率绝对值之间的第二斜率绝对值差异；

将所述第二平均数据值差异和所述第二斜率绝对值差异相乘后进行归一化并负相关映射，获得所述调整系数。

进一步地，所述优化调压参数数据的获取方法包括：

将所述预测调压参数数据域所述调整系数相乘，获得所述优化调压参数数据。

进一步地，所述根据所述多维优化调压参数数据对燃气自动调压柜进行压力监测后还包括：

计算多维优化调压参数数据中每个维度下所述优化调压参数数据与对应维度下的预设极限值之间的差异并归一化，获得每个维度下的状态差异；根据所有维度下的平均状态差异与预设判断阈值之间的关系在实时时刻对燃气自动调压柜进行压力调整。

进一步地，所述判断阈值设置为0.85，当所述状态差异大于所述判断阈值时，则在实时时刻对燃气自动调压柜进行压力调整。

进一步地，所述状态差异的获取方法还包括：将多维优化调压参数数据中每个维度下所述优化调压参数数据与对应维度下的预设极限值之间的比值作为所述状态差异。

本发明具有如下有益效果：

本发明基于预设时间范围内的数据构建整合移动平均自回归模型，在整合移动平均自回归模型中，通过每个时刻对应的历史参数数据与对应时刻之间的数据值相关性和变化趋势相关性共同获得整合移动平均自回归模型的自回归系数。因为自回归系数同时考虑到了数据值本身及数据变化，因此根据自相关系数预测的数据更准确。进一步结合误差系数获得预测效果较好的整合移动平均自回归模型。本发明实施例进一步对根据整合移动平均自回归模型输出的预测调压参数进行优化，用于优化的调整系数是根据预测调压参数对应时刻的临近时间范围内的预测差异获得的，同时考虑到了数据差异和变化趋势差异，进而确定当前预测效果的优劣，进而根据调节系数获得优化调压参数数据，获得预测效果优异的优化调压参数数据。进而结合多维的优化调压参数数据实现对燃气自动调压柜的准确压力监测。

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多维数据的燃气自动调压柜压力监测方法流程图。

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多维数据的燃气自动调压柜压力监测方法，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多维数据的燃气自动调压柜压力监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于多维数据的燃气自动调压柜压力监测方法流程图，该方法包括：

步骤S1：在预设时间范围内获取燃气自动调压柜在每个维度下每个时刻下的调压参数数据；每个时刻下的调压参数数据时序上的前序数据为对应时刻下的历史参数数据。

燃气在管道中进行传输时会体现出多种数据类型，即燃气自动调压柜会对应多个维度下的数据，在本发明一个实施例下考虑到燃气压力、燃气速率、燃气浓度多个维度下的数据，因此需要针对每个维度实现及时准确的预测监测，进而方便燃气自动调压柜对管道内燃气的压力调节。进一步为了实现预测的准确度，对于待预测时刻而言，在待预测时刻之前统计预设时间范围内的调压参数数据作为训练数据，进而构建预测模型。因此本发明实施例需要在预设时间范围内获取燃气自动调压柜在每个维度下每个时刻下的调压参数数据，其中每个时刻下的所述调压参数数据时序上的前序数据为对应时刻下的历史参数数据。需要说明的是，在其他实施例中可根据管道具体状态选择其他具体的状态参数，在此不做限定及赘述。

在本发明实施例中，以小时作为采集时刻的单位，即每隔一小时采集一次燃气自动调压柜各个维度下的数据。将预设时间范围设置为一周，即统计当前时刻之前的168个小时的数据作为模型构建所需数据。作为一个示例，将预设时间范围内的初始时刻设置为

需要说明的是，本发明实施例每个维度下的数据预测方法均相同，因此为了方便表述，在后续描述中仅以一个维度下的参数数据进行描述。

步骤S2：根据调压参数数据构建整合移动平均自回归模型。

基于步骤S1所获得的数据即可构建预测模型。整合移动平均自回归模型对于时序数据的预测具有优秀的预测效果，它是一种经典的用于时间序列分析和预测的模型，在该模型中每个历史数据均对应一个自回归系数，自回归系数能够表征对应历史数据与当前时刻下的线性关系。进一步确定每个数据点的随机误差，获得误差系数，结合误差系数实现准确的数据预测。在本发明一个实施例中整合移动平均自回归模型的数学表达式为：

其中，

为了实现对燃气自动调压柜压力数据的准确监测，在整合移动平均自回归模型需要针对每个时刻下的数据进行准确的自回归系数的确定，通过确定准确的自回归系数，能够有效提高整合移动平均自回归模型的预测效果。因此需要获取每个时刻下调压参数数据和对应历史参数数据之间的数据值相关性和变化趋势相关性，根据数据值相关性和变化趋势相关性获得每个时刻下的自回归系数，即自回归系数同时考虑到了每个时刻相较于前序时刻下数据的差异和变化，通过两个维度下的相关性确定最终表征线性关系的自回归系数。

优选地，本发明一个实施例中，数据值相关性的获取方法包括：

获取每个时刻下调压参数数据对应的历史参数数据的历史平均数据值，获取调压参数数据与对应历史平均数据值之间的第一数据值差异，根据第一数据值差异获得数据值相关性，第一数据值差异与数据值相关性呈负相关关系，即第一数据值差异越大说明当前时刻下的调压参数数据与整体历史参数数据之间的差异较大，当前时刻下的数据参考性较弱，与待预测时刻数据之间的相关性较弱。本发明一个实施例中数据值相关性的公式表示为：

其中，

在数据值相关性公式中，

优选地，本发明一个实施例中，变化趋势相关性的获取方法包括：

将预设时间范围内的调压参数数据映射值二维坐标系下，二维坐标系的横坐标为时刻，纵坐标为数据值；获得二维坐标系下每个时刻下数据点的切线斜率绝对值，其中切线斜率绝对值表征当前时刻的数据值变化；为了防止仅根据当前时刻的单个数据特征分析造成的不准确，进一步通过局部分析法，获取每个调压参数数据在预设判断时间范围内所有数据点的第一平均切线斜率绝对值，通过第一平均切线斜率绝对值作为当前时刻下的数据值变化趋势特征；获取预设时间范围内所有数据点对应的第二平均切线斜率绝对值；根据第一平均切线斜率绝对值和第二平均切线斜率绝对值之间的第一斜率绝对值差异获得变化趋势相关性，第一斜率绝对值差异与变化趋势相关性呈负相关关系，即第一斜率绝对值差异越大，说明当前时刻的数据变化趋势与历史数据整体的变化趋势存在较大差异，当前时刻对应的调压参数数据的参考性较差，则对应的变化趋势相关性越弱。在本发明一个实施例中，变化趋势相关性的公式为：

其中，

在变化趋势相关性公式中，通过以自然常数为底的指数函数实现负相关映射并且归一化，即所得的变化趋势相关性的值域在0到1之间。

优选地，在本发明一个实施例中，数据值相关性和变化趋势相关性均与自回归系数呈正相关关系。在本发明一个实施例中，将数据值相关性和变化趋势相关性相乘后，获得自回归系数，因为数据值相关性和变化趋势相关性的值域都在0到一之间，因此所得的自回归系数的值域也在0到1之间，实现对自回归系数的归一化。需要说明的是，在本发明其他实施例中也可通过其他基础的数学运算实现正相关的映射已经归一化操作，在此不做赘述及限定。

进一步获得整合移动平均自回归模型中的误差系数，误差系数被认为是在除了建模因素之外的其他影响下导致的预测值的偏差，需要误差系数去调整偏差进而提高预测效果，因此在建模阶段，可通过预测数据和实际数据之间的分布差异和数值差异获取误差系数。

优选地，在本发明一个实施例中，误差系数的获取方法包括：

将初始误差系数设置为0，根据初始误差系数对应的整合移动平均自回归模型对数据进行预测，获得预设时间范围内的预测数据及其对应的预测数据曲线；获得预设时间范围内的实际数据及其对应的实际数据曲线。

获得预测数据曲线与实际数据曲线之间数据值波动特征差异，数据值波段特征差异越大说明预测数据和实际数据之间的数据分布特征差异越大，则说明误差越大；获得预测数据与实际数据之间的第一平均数据值差异，第一平均数据值差异越大说明预测的数据与实际数据之间的偏离越大，则误差系数越大；根据数据值波动特征差异和第一平均数据值差异获得误差系数，数据值波动特征差异和第一平均数据值差异均与误差系数呈正相关关系。在本发明一个实施例中误差系数的公式表示为：

其中，

在误差系数公式中，通过方差表征数据值波动特征，通过乘积形式将数据值波动特征差异和第一平均数据值差异进行结合并实现正相关映射，获得误差系数。在其他实施例中，也可通过标准差、拟合差异等基础数学特征表征数据值波动特征，也可通过其他数学运算表征正相关关系，在此不做限定及赘述。

步骤S3：根据实时调压参数数据利用整合移动平均自回归模型预测未来时刻的预测调压参数数据；根据预测调压参数数据对应时刻之前预设邻近时间范围内每个时刻下预测值和实际数据之间的变化趋势差异和数据差异，获得调整系数；根据调整系数调整预测调压参数数据，获得优化调压参数数据。

根据实时时刻下对应的预设时间范围下的数据即可获得对应的整合移动平均自回归模型，进而根据实时调压参数数据获得未来时刻的预测调压参数数据。为了进一步提高预测数据的准确度，根据预测调压参数数据对应时刻之前预设邻近时间范围内每个时刻下预测值和实际数据之间的变化趋势差异和数据差异，获得调整系数，因为邻近时间范围内的预测特征表征了邻近时间段内的预测效果，即邻近时间范围内每个时刻下预测值和实际数据之间的变化趋势差异和数据差异能够表征邻近时间段内的预测效果，预测效果越好说明当前模型预测能力优秀，不需要对预测调压参数数据进行调整，预测效果越差说明当前模型预测能力存在一定误差，需要对预测调压参数数据进行进一步的调整。

优选地，本发明一个实施例中，调整系数的获取方法包括：

获取邻近时间范围内所有时刻下预测值与实际数据之间的第二平均数据值差异，即通过第二平均数据值差异表征数据差异。

获取邻近时间范围内所有时刻下所有预测值在二维坐标系中的第三平均切线斜率绝对值；获取邻近时间范围内所有时刻下所有实际数据在二维坐标系中的第四平均切线斜率绝对值；获取第三平均切线斜率绝对值和第四平均切线斜率绝对值之间的第二斜率绝对值差异，即通过第二斜率绝对值差异表征变化趋势差异。

将第二平均数据值差异和第二斜率绝对值差异相乘后进行归一化并负相关映射，获得调整系数。在本发明一个实施例中调整系数公式表示为：

其中，

在调整系数公式中，第二平均数据值差异和第二斜率绝对值差异的乘积越大说明邻近时间段内的预测效果越差，则经过归一化负相关处理后所得的调整系数为较小值，说明此时越需要对预测调压参数进行调整；反之，则经过处理后调整系数越接近于1，说明此时越不需要对预测调压参数进行调整。

优选地，将预测调压参数数据域所述调整系数相乘，获得优化调压参数数据。

步骤S4：所有维度下的优化调压参数数据构成多维优化调压参数数据，根据多维优化调压参数数据对燃气自动调压柜进行压力监测。

通过对所有维度下的燃气自动调压柜的参数进行处理，获得准确的未来时刻下的预测数据，即通过所有维度下的优化调压参数数据构成多维优化调压参数数据。根据多维优化调压参数数据对燃气自动调压柜即可进行准确的压力监测。

优选地，实现对压力监测后还包括：计算多维优化调压参数数据中每个维度下优化调压参数数据与对应维度下的预设极限值之间的差异并归一化，获得每个维度下的状态差异。根据所有维度下的平均状态差异与预设判断阈值之间的关系在实时时刻对燃气自动调压柜进行压力调整。进一步地，在本发明一个实施例中，通过具体数据与极限值之间的比值表征状态差异，即状态差异越接近于1，说明管道内的状态越差。优选地，设置判断阈值为0.85，若状态差异大于0.85，则说明此时管道状态较差，需要进行一定泄压操作；进一步可设置第二判断阈值0.3，若状态差异小于0.3，则需要进行一定加压操作，保证了燃气的传输和用户对燃气的合理应用。通过对未来时刻数据进行预先分析，进而调整实时时刻下的压力参数，及时保证了管道的安全性。需要说明是，因为燃气管道中存在多维数据，因此针对每个维度下对应的预设极限值数据可设置具体的判断阈值大小，在此不做赘述，例如可根据管道极限压力、管道极限燃气速率、管道极限浓度等多个维度下对应的具体极限值数据进行具体设置，在此不做限定。在本发明一个实施例中，进一步考虑到多维数据特征，为了防止不同维度之间判断结构存在矛盾，将每个维度下的状态差异求平均后进一步结合判断阈值进行压力控制。

综上所述，本发明实施例通过历史数据构建整合移动平均自回归模型，在整合移动平均自回归模型中通过数据值相关性和变化趋势相关性构建自回归系数；根据预测数据和实际数据之间的分布差异和数值差异获取误差系数。进一步根据获取到的预测调压参数数据对应的临近时间范围内各个时刻下预测值和实际数值之间的变化趋势差异和数据差异获得调整系数，根据调整系数获得优化调压参数数据，根据多个维度下的优化调压参数数据实现对燃气自动调压柜压力的监测。本发明实施例通过构建高效的整合移动平均自回归模型并对预测数据进行优化，获得准确度优异的优化调压参数数据，实现对燃气自动调压柜压力的及时监测。

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。