防汛抗旱远程遥测显示系统的制作方法

本发明涉及一种防汛抗旱远程遥测显示系统，属于防汛抗旱技术领域。

背景技术：

随着现代科学技术的发展，防汛抗旱自动化监测系统得到迅速发展。在汛期，水管部门常常需要对众多的水位点进行实时监测以及上报，由于监测点分散，分布范围广，无自动监测设备的站点通过人工测量方式进行上报，影响主管部门对水情监测的时效性，有自动监测设备点大多通过自动监测系统对数据进行采集，尤其在汛期内，一旦系统出现故障，维护人员无法及时修复，势必造成对水情观测的延误。

技术实现要素：

本发明针对现有技术存在的不足，提供了防汛抗旱远程遥测显示系统，具体技术方案如下：

防汛抗旱远程遥测显示系统，包括现场采集设备、本地采集服务器和内置有rtu的终端显示设备，所述现场采集设备采用数据通过无线传输技术传输至本地采集服务器，所述本地采集服务器通过远程发送至终端显示设备并显示。

上述技术方案的进一步优化，所述现场采集设备是安装在防汛抗旱区域的水位计。

上述技术方案的进一步优化，所述现场采集设备采用的数据是水位数据。

上述技术方案的进一步优化，所述终端显示设备还内置有数据纠错模块，所述数据纠错模块对于新来数据直接计算其偏离值；如果偏离值值小于设定阈值，则表示该条数据异常。

上述技术方案的进一步优化，针对时间t和水位数据w，取最近的k个上传数据；k值的选取根据每天上传的水位数据数wda，除以上传设备点位数dn，再除以设备每小时上传的频率fh得到k值，

对于时间t和上传水位值w两个二维数据向量，数据差异距离dc(w,t)计算公式为：

把历史上传的水位数据加入训练数据集tr[n]，使用多数表决法，把训练数据集tr[n]和预测样本特征最近的k个样本，预测里面有最多类别数的类别；

根据数据差异距离dc(w,t)计算公式计算当前上传水位数据wr、时间tr和训练数据集tr[n]中的样本的距离dc(wr,tr)，然后计算出最小的k个dc(wmin,tmin)，接着多数表决，如果是少数，则数据为异常数据，插入异常数据库中。

上述技术方案的进一步优化，还包括预警模块，所述预警模块通过以下步骤进行：

步骤1、数据预处理

通过汇总各地区时间空间数据关注缺失值，基于指定的汇总函数来汇总时间间隔较小的数据，然后将缺失数据做填充，使用“最近点的平均值”，即将要创建的时间周期之前的三个最近非空值的均值来替换或者填充缺失值；

步骤2、预警时空数据建模

时空预警模型是一个基于线性回归的扩展模型，公式如下：

y＝xβ+z；

其中，系数β是自变量的系数，表示自变量对于目标变量的影响程度；z作为线性拟合的残差，是目标变量变化中用自变量线性组合无法表示的部分，用来在自回归模型中捕捉时间自相关性，进而用于描述空间的相关性；

步骤3、时空预警数据处理

首先，将时间数据，空间数据，水位数据，警报数据准备并录入数据库；其次，回归模型采用标准的线性回归模型，线性回归的系数用来衡量时间和位置和水位对预警值的影响程度；自回归模型使用指定的自回归阶数n＝20，即指定时间之前20个时刻的值来预测当前值；自回归的系数用来衡量过往时刻的残差对当前值的影响；

基于地理空间的协方差模型建立在时间自回归模型残差的基础上，空间协方差模型使用参数法；假设所给数据能够进行参数化建模的情况下，提供了x1，z1两个参数检验方法来确定模型的准确性；x1是检测是否空间中存在随着距离而变化的衰减，z1检测空间方差在给定区域具有普遍性；

x1z1和x2z2归一化后的协方差矩阵r1r1和r2r2分别为：

r1＝x1z1ttrace(x1z1t)；

r2＝x2z2ttrace(x2z2t)；

xzt表示xx矩阵的转置，trace(x)表示矩阵对角线上元素的和；

然后求混合空间协方差矩阵rr：

r＝r1^-+r2^-(3)(3)r＝r1^-+r2^-；

完成模型的估计过程后，获得的模型可生成目标变量的估计值，与观测值相比较，同时通过一些参数检验的方法，做检验，然后保存模型；

选择时间段的数据利用构建的空间协方差矩阵对初始地理位置经过转换后的回归残差进行插补，从而得到预测报警的地理位置。

本发明的有益效果：

所述防汛抗旱远程遥测显示系统采用led显示屏作为上位机显示系统，具有优良的直观性、美观性。采集服务器放在本地能及时有效处理各种故障，提前对现场故障进行维修保养，实现了管养分离；保障汛期系统的正常运行，具有方便性、可靠性。所述防汛抗旱远程遥测显示系统能够摆脱人为操作不当造成的影响，安全性好，能够给水管部门提供方便、便捷的服务。

附图说明

图1为本发明所述防汛抗旱远程遥测显示系统的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，所述防汛抗旱远程遥测显示系统，现场采集设备1、本地采集服务器2和内置有rtu的终端显示设备3，所述现场采集设备1采用数据通过无线传输技术传输至本地采集服务器2，所述本地采集服务器2通过远程发送至终端显示设备3并显示。

其中，所述现场采集设备1是安装在防汛抗旱区域的水位计。所述现场采集设备1采用的数据是水位数据。

所述防汛抗旱远程遥测显示系统主要解决技术问题如下：

1)、实行管养分离模式，采集服务器放在本地，远程传输至管理部门，采集数据或采集系统一旦出现异常或者故障等问题，维护及时有效。

2)、终端显示设备采用led显示大屏作为终端显示设备，直观美观。大屏内置rtu(rtu与大屏一体化)，替代了采集服务器与有线传输设备，也摆脱了现场管理人员人为操作不当造成的影响，具有一定的安全性，可靠性、便捷性。

3)、数据存储多重备份，大屏与rtu相连，远程服务器采集数据备份，rtu内也可自动备份，采集数据用u盘插卡式很方便导入其他计算机。

现场采集设备1主要是安装在防汛现场，定时采集现场水位值并存储，现场采集设备1采集到的信息远程遥测到本地采集服务器2并存储，终端显示设备3主要是用于展示本地采集服务器2采集到的信息，本地采集服务器2与远程终端单元4进行通讯，将数据发送到远程终端单元4并存储；远程终端单元4简称为rtu。

所述防汛抗旱远程遥测显示系统安装完毕是全自动化操作流程，一般不需人工操作，维护人员只需要定期对本地采集服务器2进行数据核查(不合格的预警数据会自动记录并报警)，并分析原因进行维护保养即可。

所述防汛抗旱远程遥测显示系统还内置有数据纠错模块，所述数据纠错模块对于新来数据直接计算其偏离值；如果偏离值值小于设定阈值，则表示该条数据异常。

数据纠错模块针对测报数据受采集环境干扰或网络传输故障收取错误数据，通过机器学习算法得到有效范围值，将这种不正常的高峰或低谷数据纠错并记录的技术。可以估计上报数据的偏离值函数，对于新数据来了直接计算其偏离值，如果偏离值值小于某一阈值，则表示该条数据异常。而偏离值函数一般采用多维的高斯分布。目前水位和时间维度的二维数据，也可以看做是符合高斯分布的。

由于大量的数据上传，数据纠错也需要及时性，为了让系统在每一条数据上传后，在最短的时间，发现错误就要有效进行机器学习。

采用k近邻法(knn法)。

针对时间t和水位数据w，取最近的k个上传数据；k值的选取根据每天上传的水位数据数wda，除以上传设备点位数dn，再除以设备每小时上传的频率fh得到k值，

这个k值的结果处于中间值，数据样本datas领域也适中，训练误差小，范化误差也不大，整体模型均衡，拟合准确。

对于时间t和上传水位值w两个二维数据向量，数据差异距离dc(w,t)计算公式为：

把历史上传的水位数据加入训练数据集tr[n]，使用多数表决法，把训练数据集tr[n]和预测样本特征最近的k个样本，预测里面有最多类别数的类别。

根据数据差异距离dc(w,t)计算公式计算当前上传水位数据wr、时间tr和训练数据集tr[n]中的样本的距离dc(wr,tr)，然后计算出最小的k个dc(wmin,tmin)，接着多数表决，如果是少数，则数据为异常数据，插入异常数据库中。

所述防汛抗旱远程遥测显示系统还包括预警模块，预警模块通过以下步骤进行：

1.数据预处理：

通过汇总各地区时间空间数据关注缺失值，基于指定的汇总函数来汇总时间间隔较小的数据，然后将缺失数据做填充，使用"最近点的平均值"，即将要创建的时间周期之前的三个最近非空值的均值来替换或者填充缺失值。各地报警数据，和处理好的时间，空间数据整合。

2.预警时空数据建模

时空预警模型是一个基于线性回归的扩展模型，公式如下：

y＝xβ+z

其中，系数β是自变量的系数，表示自变量对于目标变量的影响程度；z作为线性拟合的残差，是目标变量变化中用自变量线性组合无法表示的部分，可用来在自回归模型中捕捉时间自相关性，进而用于描述空间的相关性。

3.时空预警数据处理

处理通过以下几个步骤

a)数据源准备：

时间数据，空间数据，水位数据，警报数据等数据源准备，并录入数据库

b)拟合线性回归模型

回归模型采用标准的线性回归模型，但由于数据的时空相关关系，其残差会形成一个零均值的非独立的时空相关随机过程。线性回归的系数，可衡量时间和位置和水位对预警值的影响程度，较大的系数对应的水位和时间变化会产生较大的预警值变化。

c)拟合时间自回归模型

自回归模型使用指定的自回归阶数n＝20，即指定时间之前20个时刻的值来预测当前值。自回归的系数可用与衡量过往时刻的残差对当前值的影响。自回归模型同样包含残差，由于其中的时间自相关因素已被移除，自回归模型的残差在时间上是相互独立的。

d)计算时间自回归模型残差并建立空间协方差模型

基于地理空间的协方差模型建立在时间自回归模型残差的基础上，空间协方差模型使用参数法。假设所给数据能够进行参数化建模的情况下，提供了x1,z1两个参数检验方法来确定模型的准确性。x1是检测是否空间中存在随着距离而变化的衰减，z1检测空间方差在给定区域具有普遍性(方差同质性检验)。

x1z1和x2z2归一化后的协方差矩阵r1r1和r2r2分别为：

r1＝x1z1ttrace(x1z1t)；

r2＝x2z2ttrace(x2z2t)；

xzt表示xx矩阵的转置，trace(x)表示矩阵对角线上元素的和；

然后求混合空间协方差矩阵rr：

r＝r1^-+r2^-(3)(3)r＝r1^-+r2^-；

e)计算测定后的统计值并保存结果

完成了模型的估计过程后，获得的模型可生成目标变量的估计值，与观测值相比较，同时通过一些参数检验的方法，做检验，然后保存模型。

f)选择时间段数据进行预测

选择时间段的数据利用第d)步骤构建的空间协方差矩阵对初始地理位置经过转换后的回归残差进行插补，从而得到预测报警的地理位置。

经过实际数据检测，计算出的预警值和实际可能预警有线性关系，后期随着数据越来越多，会越来越精准，该算法得到的结果有参考效果。

在上述实施例中，通过设置数据纠错模块，对训练集样本中的每一个特征建立模型，建立模型以后，在验证集中进行算法评估，将验证集中的某一个样本值w输入到模型中，根据阈值k预测验证集样本的标签，大于阈值则为正常点，小于阈值为异常点。

异常检测适用于正样例(y＝1)数量非常少，而负样例(y＝0)数量非常多的样本。因为这正样本正样例太少，无法找到所有的异常原因，若进行监督学习的话，无法学到所有的样例，还有可能会存在未来会发生的新的异常，这些异常现在无法观测的到，更无法进行建模。相反，异常检测是对大量的负样例进行建模，这样任何偏离模型的样本就可以被识别为异常，而不用研究异常的原因是什么。

因此，当负样例即异常点数量非常少的时候，可以使用异常检测法对数据中的负样例进行建模，偏离正常点的数据都被认为是异常点；当负样例即异常点数量非常多的时候，监督学习算法可以有效地进行学习，因此，这个时候可以选择监督学习的算法进行异常点识别。

数据纠错模块的优势：主要依赖于机器学习，特别是监督学习，比如分类、回归。机器学习可以基于数据，帮助智能系统做出各种各样的判断，可能对应于感知的处理，也可能对应于认知的处理，比如识别一张照片里面是不是有人脸，或者判断在下围棋时该走哪一步。数据纠错模块的优势是，数据驱动，根据数据训练持续做出的判断，建立模型，判断远远快于人工，准确度也远远大于人工。帮助业务管理员做出决策。

预警模块是基于系统测报的时空大数据做预警的方法，针对测报数据受采集到的gps位置数据，和时间以及水位数据，以及人工录入的各市县历年警情情况，作为参数进行时空数据存储并从这些非线性、海量的时空数据中提取出预警规律。通过大数据算法做到预警参考，可以推测出某区域，某时间段可能会有警情，提供给专家进行决策。

预警模块的特点和优势：

预警模块围绕时空大数据科学理论、时空大数据计算系统与科学理论、时空大数据驱动的应用模型探索多源异构时空大数据集成、时空大数据统计分析模型与挖掘算法、时空大数据快速可视化方法等，构建时空大数据的理论和方法模型。

预警模块围绕时空大数据存储管理、时空大数据智能综合与多尺度时空数据库自动生成及增量级联更新、时空大数据清洗、分析与挖掘、时空大数据可视化、自然语言理解，深度学习与深度增强学习，提升时空大数据分析与处理能力、知识发现能力和决策支持能力，实现“数据→信息→知识→辅助决策”到“数据→知识→辅助决策”的转变。

预警模块的优势：

利用多维度采集时空大数据和人工智能技术建立模型，根据模型分析方法，能够高效，快速的自动做出预警，第一时间给管理人员做出决策参考。

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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。