[发明专利]一种基于多分辨率小波的传感器数据降噪方法

说明书

本发明涉及一种基于多分辨率小波的传感器数据降噪方法，包括：S01、获取供热系统的一次管网中每一传感器在指定时段内的数据，将每一传感器的数据作为原始信号；S02、基于所述原始信号进行KS检测，获取最优分解层数J；S03、采用预先选择的小波函数和基函数以最优分解层数J对所述原始信号进行处理并重构，获得降噪后的目标信号。本发明的方法解决现有方法的局限性，实现原始信号的降噪可以自适应地在不同分辨率下进行，避免了由于需要设定窗口尺寸导致的问题。该方法有使用简单，泛用性强。

技术领域

本发明涉及数据降噪技术领域，尤其涉及一种基于多分辨率小波的传感器数据降噪方法。

背景技术

在智能楼宇领域以及智能市政中，存在着大量的传感器，这些传感器或密集或稀疏地分布，用来收集各类信息数据，例如温度、压力、流量、功率、湿度和热量等数据。大量分布式的传感器采集得到的数据是大数据分析以及智能化处理的基础。由于传感器的数量多且分布广，难免其中会有部分传感器出现异常，特别是现在部署大量的无线传感器的空间中，如何保障采集的传感器的基础数据的可信与可靠显得尤为关键。

传感器上传的数据可以被认为由两部分组成：一是被测对象属性的事迹值，二是产生于测量过程的随机误差。云计算、大数据平台以及相关的人工智能算法，在很大程度上无法将数据中真实有用的值，同测量过程中不可控的随机误差相分开。特别是一些算法对随机误差类的噪声非常敏感，可能会由于数据中存在的噪声导致计算失败，或者计算出错误的值。因此，数据的降噪就显得额外重要。

传统工业物联网(InternetofThings，IoT)无法得到广泛应用的原因，很大程度上是由于测量数据的不可靠，以及随机误差导致的。传统的降噪技术，例如滑动平均、硬阈值方法、短时窗口傅里叶变换等，在一定程度上能够抑制噪声。

然而，大量各异的传感器被应用于建筑信息的测量中，不同的传感器、安装位置不同的传感器其噪声的特性有区别，而上述方法难以做到自适应。例如，滑动平均的窗口具体取多大就是一个很典型的问题，滑动平均窗口取大了，导致过度平均，以及测量值在时间和空间上的滑移，会导致数据的失真；短时窗口傅里叶变换的窗口大小必须与数据震荡周期的整数倍相同，否则会导致频谱泄露，使得重构后的信号失真。

为此，如何实现各类传感器数据在不同分辨率下的降噪成为亟需解决的技术问题。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于多分辨率小波的传感器数据降噪方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种基于多分辨率小波的传感器数据降噪方法，包括：

S01、获取供热系统的一次管网中每一传感器在指定时段内的数据，将每一传感器的数据作为原始信号；

S02、基于所述原始信号进行KS检测，获取最优分解层数J；

S03、采用预先选择的小波函数和基函数以最优分解层数J对所述原始信号进行处理并重构，获得降噪后的目标信号。

可选地，所述S01之前，所述方法还包括：

从云端设备中获取每一传感器在指定时间段内的数据，将获取的每一传感器的数据作为原始信号；

或者，从云端设备中获取经过异常数据检测之后的每一传感器在指定时间段内的数据，将获取的每一传感器的数据作为原始信号。

可选地，S03包括：

S03-1、从预设的滤波函数中选择一组小波函数ψ(x)和基函数φ(x)；所述小波函数为高分辨率滤波函数，所述基函数为低分辨率滤波函数；