一种站房空气质量智能监测方法及系统与流程

本发明涉及数据清洗，具体涉及一种站房空气质量智能监测方法及系统。

背景技术：

1、智慧站房是一种应用智能算法和分析仪器对子站进行全方位监控及远程运维的智能化解决方案。但在智慧站房的部分应用场景中，其相对密闭的空间内可能产生有害气体以威胁相关操作人员和设备仪器的安全，因此对站房的空气质量监测是十分重要的。然而在监测过程中，可能因环境干扰或传输失真等情况而导致空气质量监测数据中存在噪声，噪声不仅影响正常监测，甚至可能使报警器发出误报，因此对空气质量数据去噪是非常必要的。

2、孤立森林算法是一种常用的离群检测算法，但由于噪声数据与异常超标的空气质量数据的离群特征相似，在利用孤立森林算法进行异常检测时，易将具有重要监测意义的异常超标数据及噪声数据赋予相似的异常得分，从而无法准确区分噪声与异常超标数据，导致监测准确性大大降低。

技术实现思路

1、为了解决现有孤立森林算法对数据降噪效果差导致空气质量监测准确性低的技术问题，本发明的目的在于提供一种站房空气质量智能监测方法及系统，所采用的技术方案具体如下：

2、本发明提出一种站房空气质量智能监测方法，所述方法包括：

3、获取当前采样时刻的预设历史时段中站房内所有空气质量监测数据，所述空气监测质量数据包括一种目标气体浓度和一种参考气体浓度，其中所述目标气体浓度受所述参考气体浓度的波动影响；

4、根据每个采样时刻下所述目标气体浓度的局部波动特征及所述目标气体浓度与所述参考气体浓度的局部波动一致性，获取每个采样时刻下所述目标气体浓度的噪声表现程度；

5、以每个采样时刻下的所述目标气体浓度为一个样本数据，根据所有样本数据构建孤立树，获取每个所述孤立树对应的样本集及每个所述孤立树上每个样本数据的路径长度；根据每个所述样本集内每个样本数据的局部波动特征及噪声表现，获取每个所述样本集的优选特征值；根据所述优选特征值及所述样本集内样本数据的整体时序连续性，获取每个所述样本集的样本集优选程度；根据每个所述样本集优选程度及对应所述样本集内每个所述样本数据的局部时序连续性，获取每个所述样本集内每个所述样本数据的样本优选程度；

6、根据所述样本优选程度调整每个所述孤立树上每个样本数据的所述路径长度，获取每个所述目标气体浓度的异常得分；根据所述异常得分对所述目标气体浓度降噪，得到所述目标气体浓度的监测结果。

7、进一步地，所述噪声表现程度的获取方法包括：

8、根据每个所述目标气体浓度的局部幅值变化速度及局部幅值变化稳定程度，获取第一噪声表现程度；

9、在每个采样时刻下，根据每个所述目标气体浓度与所述参考气体浓度的局部幅值变化速度一致性，及所述目标气体浓度与所述参考气体浓度的局部幅值变化速度稳定程度的一致性，获取第二噪声表现程度；

10、将所述第一噪声表现程度与所述第二噪声表现程度的和作为所述噪声表现程度。

11、进一步地，所述第一噪声表现程度的计算公式包括：

12、；其中，为第个目标气体浓度的第一噪声表现程度；为预设邻域内一阶差的序号；为预设邻域内二阶差的序号；为预设邻域内目标气体浓度的总数量；为第个目标气体浓度的预设邻域内第个一阶差；为第个目标气体浓度的预设邻域内第个二阶差；为第个目标气体浓度的预设邻域内相邻一阶差的符号变化次数；为标准归一化函数。

13、进一步地，所述第二噪声表现程度的计算公式包括：

14、；其中，为第个目标气体浓度的第二噪声表现程度；为预设邻域内一阶差的序号；为预设邻域内二阶差的序号；为预设邻域内目标气体浓度的总数量；为第个目标气体浓度的预设邻域内第个一阶差；为第个参考气体浓度的预设邻域内第个一阶差；为第个目标气体浓度的预设邻域内第个二阶差；第个参考气体浓度的预设邻域内第个二阶差；为标准归一化函数。

15、进一步地，所述优选特征值的获取方法包括：

16、所述样本集内的样本数据以采集时刻的先后顺序进行排序；根据优选特征值的计算公式获取优选特征值；优选特征值的计算公式为：

17、；其中，为第个样本集的优选特征值；为第个样本集内所有样本数据的噪声表现程度的均值；为第个样本集内所有样本数据的噪声表现程度的方差；为第个样本集内样本数据的序号；为第个样本数据的噪声表现程度；为第个样本集内样本数据的总数量；为第个样本集内第个样本数据的浓度幅值；为第个样本集内第个样本数据的浓度幅值；为第个样本集内第个样本数据的浓度幅值；为取最小值函数；为标准归一化函数；为预设第一正参数；为预设第二正参数。

18、进一步地，所述样本集优选程度的获取方法包括：

19、所述样本集内的样本数据以采集时刻的先后顺序进行排序；获取每个所述样本集内相邻样本数据的采样时间间隔，将所有所述采样时间间隔的方差进行负相关映射，得到所述样本集内样本数据的整体时序连续特征值；

20、将所述时序连续特征值乘以对应所述样本集的所述优选特征值后映射到指数函数，得到样本集优选程度。

21、进一步地，所述样本优选程度的获取方法包括：

22、所述样本集内的样本数据以采集时刻的先后顺序进行排序；在每个所述样本集中，以每个样本数据为起点，在所述样本集中沿时序方向获取预设第二数量个样本数据作为时序参考样本数据，获取每个所述时序参考样本数据与起点对应样本数据间的采样时刻间隔的均值，将所述均值进行负相关映射后作为每个起点对应所述样本数据的时序连续参考值；将所述时序连续参考值乘以对应所述样本数据所在所述样本集的样本集优选程度，得到每个所述样本集内每个所述样本数据的样本优选程度。

23、进一步地，所述路径长度的调整方法包括：

24、以任一所述样本集内所述样本数据为目标数据，将所述目标数据在所有所述样本集内的所述样本优选程度之和作为分母，所述目标数据在对应所述样本集内的所述样本优选程度作为分子，分子与分母的比值作为对应所述目标数据在对应孤立树中的路径长度的权重；将所述权重乘以所述路径长度，得到调整后的路径长度。

25、进一步地，所述降噪方法包括：

26、将所述异常评分大于预设阈值的所述目标气体浓度作为噪声数据进行剔除，并将与所述噪声数据对应采样时刻相距最近的两个采样时刻的两个所述目标气体数据的浓度均值作为所述噪声数据的修正值对剔除数据进行填补。

27、本发明还提出一种站房空气质量智能监测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种站房空气质量智能监测方法的步骤。

28、本发明具有如下有益效果：

29、本发明首先获取一种目标气体浓度和一种参考气体浓度，其中目标气体浓度受参考气体浓度的波动影响，根据目标气体浓度的局部波动特征及目标气体浓度与参考气体浓度的局部波动一致性，结合噪声的波动特点准确获取每个采样时刻下目标气体浓度的噪声表现程度；以每个采样时刻下的目标气体浓度为一个样本数据，根据所有样本数据构建孤立树，获取每个孤立树对应的样本集及每个孤立树上每个样本数据的路径长度；根据每个样本集内每个样本数据的局部波动特征及噪声表现，获取每个样本集的优选特征值，结合样本集内样本数据的整体时序连续性，获取每个样本集的样本集优选程度，进一步结合对应样本集内每个样本数据的局部时序连续性，获取每个样本集内每个样本数据的样本优选程度，样本集内样本数据的时序连续性对噪声的异常检测存在一定影响，结合时序连续性可以准确获取样本集优选程度及样本优选程度；样本优选程度反映了每个孤立树中每个样本数据对应路径长度的准确性，通过样本优选程度调整对应路径长度，准确获取每个目标气体浓度的异常得分进而对目标气体浓度降噪，得到目标气体的监测结果。本发明通过分析噪声的变化速度及变化速度稳定性特点获取每个目标气体浓度的噪声表现程度，进而分析样本集及样本对噪声异常检测的适配性，从而对其路径长度进行修正后准确去噪，提高空气质量监测准确性及效率。