技术领域
[0001] 本
发明属于
半导体技术领域，特别涉及一种针对大尺寸
碳化
硅高温反应装置的温场校准的方法。
背景技术
[0002] 电
力电缆是电力传输的重要载体，随着城市电力电缆的供
电网络快速发展，电力电缆的安全运行和事故时有发生，其中一个重要的原因是缺乏对电缆系统有效的在线监测。如传统的电缆测温方法是将点式感温装置如
热电偶安装在电缆重要部位进行测温，此方法在某些场合比如电缆敷设长度较短的情况下比较经济实用，但其不足是只能反映电缆局部
位置的
温度情况，却无法实现整条电缆线路以及所敷设
环境温度的在线监测，且安装繁琐、不可靠、受
电磁干扰大等。为更好地进行电力电缆状态检测，当前比较常用的是分布式光纤测温技术。
[0003] 目前，国内外光纤传感监测技术对配网设备的安全监测的研发和应用主要放在变电站内设备和电缆监测，比如MICRON OPTICS公司推出的光纤点式测温系统实现对
开关柜的温度监测，LIOS公司推出的电力电缆
监控系统实现对电力电缆和架空线路温度监测。但国内外研究机构用光纤传感监测技术对配网设备的安全监测大多还处于初期研究阶段，应用也基本停留在对个别设备和某个部件上的监测，远未形成涵盖电缆防偷盗、电缆关键区域点式测温以及配网自动化的电力电缆在线监控系统的信息网络化综合平台。因此，现在应用全光纤传感监测技术对配网设备进行全面安全监测尚属空白。而具有广
覆盖的配网自动化必须依靠先进的光纤传感监测技术，来助推配网自动化的建设，以确保设备的顺利实施和运行。
[0004] 由于电缆线路分布面广、相距较远，致使分布式光纤
节点部署不均衡、采集
频率频繁、
感知数据强关联等特点，且由于整个系统损耗和噪声的影响，造成所测电力电缆数据的真实性受损，从而形成漏报、误报，致使其应用受限。为了使光纤传感监测技术更好的应用于实际，对其数据
质量和数据管理技术就提出了更高的要求，以便更准确的提高电力电缆感知数据的质量，并进行有效计算与准确报警。目前传统的提高
传感器节点采集数据质量最简单的方法就是利用多次
采样来为每个传感器收集足够多采样数据，然后取采样数据的平均值作为最终的采样数据，但由于分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，直接简单的把采集数据传送到计算机进行运算，则容易出现数据检测不准确。
[0005] 本发明旨在建设一个以全光纤传感技术为核心的智能监测系统，利用光纤传感器对电网中的电力电缆线路的运行状况进行全方位实时智能监测。该监测系统由3个监测子系统和一个中央信息监测处理平台组成，可实现对电力电缆线路的温度、载流量、偷盗入侵等进行监测，确保电网安全、高效运行；综合分析处理各传感器信息，并且在出现异常情况时，通过控制相应的联动设备采取一定的措施来保障电网正常运行。同时给出
传感器数据流的
预测模型及其预测机制，为了降低预测误差，提出了一种预测模型自动调整策略，以便在预测误差超过预先设定的
阈值时，自动调整预测模型，从而提高分布式光纤传感器信息的质量，并在数据出现异常情况时能够进行有效修正，在一定程度上降低光纤检测系统的
缺陷发生率，避免了大量的现场工作，提高了工作效率。
发明内容
[0006] 本发明是针对电力电缆的状态监测器的设计，并涉及电缆光纤安全与可靠性监测技术。发明主要包括全光纤的状态监测系统设计。
[0007] 本发明提出了一种全光纤分布式的电缆安全与可靠性监测系统，该系统包括以下模
块：外接光纤，激光发生模块，中央信息处理监测平台，
防盗预警监测子系统，载流量及温度监测子系统，异常数据监测子系统。其中，所述激光发生模块，包括脉冲驱动
电路，
激光器、光纤
放大器及光
耦合器，所述脉冲驱动电路向激光器输出固定脉冲
信号；激光器采用窄带激光
光源发射连续光波，经由脉冲驱动电路调制为脉冲光，通过光纤放大器及光耦合器作用于外接光纤；
[0008] 所述中央信息处理监测平台，接收并存储防盗预警监测子系统、载流量及温度监测子系统、异常数据监测子系统的监测数据，进行
信号处理分析处理后，实时显示光纤各点防盗预警信息、温度及载流量情况，并对异常数据进行预测和调整；所述防盗预警监测子系统，接收激光探测信号，并对信号进行预处理后传输至中央信息处理监测平台；所述载流量及温度监测子系统，接收经转换的的光
电信号，并对信号进行预处理后传输至中央信息处理监测平台；所述异常数据监测子系统，接收经转换的光电信号，将信号直接传输至中央信息处理监测平台，以监测异常数据。
[0009] 进一步的，所述防盗预警监测子系统包括第一信号控
制模块，防盗预警监测电路。
[0010] 其中，所述第一信号
控制模块，接受中央信息监测平台的控制程序的调控，采集防盗预警监测电路的监测信号，将采集到的信号进行预处理及初步的信号分析，并将处理过的信号通过总线传送至中央信息监测平台，控制脉冲驱动电路的脉冲信号频率及激光器的开启；所述防盗预警监测电路，采用光电探测器接受光纤探测信号，包括激光与后向瑞利散射
光信号的混频信号，将监测
信号传输至第一信号控制模块。
[0011] 进一步的，所述载流量及温度监测子系统包括，第二信号控制模块，滤波模块、光电转换模块及载流量及温度监测电路。
[0012] 其中，所述第二信号控制模块，接受中央信息监测平台的控制程序的调控，采集载流量及温度监测模块的监测信号，将采集到的信号进行预处理及初步的信号分析，并将处理过的信号通过总线传送至中央信息监测平台，控制高压电路的开启；所述滤波模块，包括stokes 光
滤波器及Anti-stokes光滤波器，采集激光作用于光纤后产生的stokes光及Anti-stokes 光；所述光电转换模块，包括光电转换信号放大器及高压电路，高压电路控制光电转换信号放大器的工作
电压，光电转换信号放大器接收滤波模块处理的信号，将转换后的信号传输至异常数据监测模块和载流量及温度监测模块中；所述载流量及温度监测电路，接收光电转换信号放大器传输的光电信号，将监测信号传输至第二信号控制模块；异常数据监测模块，接收光电转换信号放大器传输的光电信号，将监测信号直接传输至中央信息处理监测平台，以监测异常数据。
[0013] 进一步的，中央信息处理监测平台包括防盗预警信息处理模块，
温度计算模块，载流量计算模块及异常数据计算模块；其中，所述防盗预警信息处理模块通过计算激光与后向散射光的混频信号识别可能发生扰动的位置；所述温度计算模块通过计算stokes光及 Anti-stokes光的强度比，以得到光纤各段温度信息；所述载流量计算模块，通过
指定控件计算出光纤在施加预设
电流值下的温度，在温度计算模块计算出温度分布情况后即可判断当前负荷电流是否达到了载流量。
[0014] 进一步的，异常数据监测子系统包括采样模块，采样模块包括高速采集电路，并将采样数据输入中央信息处理监测平台；其中，所述采样模块使用采样估计方法进行采样，对于第 i个
光电传感器，采样值si是一个以μi为中心，方差为 的服从正态分布的随机变量，采样数据为 传感器样本数据满足 其中 为根据传感器要求确定的误差范围， 是正态分布中的分割点， mi为采样
时间区间内该传感器节点的采样数量， 为传感器节点连续采集到第j个符合 分
布的样本，为样本的均值，采集时，首先获取一个样本数据，然后计算样本均值 和样本方差 在检验区间 上执行t检验(t test),如果通过则本次采集数据成
功，否则重新获取样本数据。
[0015] 所述中央信息处理监测平台中的异常数据计算模块还包括数据分析模块，预测调整模块，及异常数据输出模块；其中所述数据分析模块包括建立预测模型，对采样数据进行建模。数据分析模块根据采样估计
算法得到传感器的N个样本点{xt}:x1，x2，…，xN。假设x1，x2，…， xt-1与xt的估计值 有 的线性关系，其中β1,...,βn为待计算的参数，εt为随机误差，是一个随机变量，n为模型阶数。则建立如下预测模型：
[0016]
[0017] 式(1)为预测模型，βi为待定参数， 为εt的方差；
[0018] 将传感器样本点序列{xt}直接代入式(1)，得到以下方程组：
[0019] 将上述方程组以矩阵形式表示为：
[0020]
[0021] y＝xβ+ε (3)
[0022] 其中
[0023]
[0024] 参数矩阵β的最小二乘估计为：
[0025]
[0026] 由式(1)可知，若εt是未知的，则 是xt的预测值 当参数βi、xi是已知的，则可计算 的值。现假设xt是当前t时刻的实际值，则根据公式(1)预测未来l(l＝1,2,…) 时刻的数据值，即： 当l＝1时，表示预测下一时刻的数据，当xt+l-i,…,xt都
是实际观察值，即：
[0027]
[0028] 当l>1时，表示要预测下l个时刻的数据，由于在预测时，xt+l-1的值是未知的，所以用 来代替xt+l-1执行预测，即：
[0029]
[0030] 所述预测调整模块包括，输入采样数据进行预测，当预测误差超过预先设定的阈值，则自动调整预测模型。根据当前时刻的预测误差为εt，平均预测误差为E(εt)，假设调整后的误差为ε′t，要使ε′t尽可能为0，可将εt-E(εt)的值近似为ε′t，设ε′t＝εt-E(εt)，则原模型 可成为 用β′t代替βi+E(εt)/(nxt-i)，用ε′t代替εt-E(εt)，则调整后的模型变为：
[0031]
[0032] 首先对感知向量进行规范化处理，然后进行相似性度量测定阈值。假设用i和j表示两个相邻节点，则这两个节点经过规范化处理的感知数据分别为xi和xj，则两个感知向量的积为xi·xj，则进行相似度测量确定的阈值可以表示为：
[0033]
[0034] 所述异常数据输出模块，根据预测调整模块中确定的预测误差阈值Jij对感知数据进行判断，向中央信息处理监测平台输出异常数据并显示给当前用户；
[0035] 由式(1)可得 且 若B为移位算子，即xt-1＝Bxt,
[0036]
[0037] 则式(9)中 令 且设定则有：
[0038]
[0039] 其中ω2为当前时刻向后N个相应的误差εt平方和的平均值，λ表示当前误差值εt+12
的平方与ω的比值，λ即为监测xt+1是否异常的统计量。当λ＞Jij，xt+1就是异常数据。这里Jij可根据实际要求和数据特点进行设定。
[0040] 本发明监测系统同时采用实时采样方式，依靠高速变换的A/D转换器，对每个采样点进行采入、量化、存储过程。这种采样方式要实现一个连续的
波形采集，采集的正确方法是在信息流优化一次完成后再次启动
数据采集卡的读取。在系统工作时，两路被测信号经过前置放大及主放大以后，变成0-5V的信号分别送入各自的A/D转换器中，经过A/D转换后(即实现了在一个周期内信号的多点取样，转化速率即是取样频率)从而得到一组数据信号流。在控制电路的作用下分别送入数据存贮器存放。控制电路受到来自
触发电路的触发信号后，就启动一次写操作循环。在写循环中，控制电路自动送出顺序递增的写地址，使得每组数据写到相应的存贮单元内，在数据存贮到一定量要求以后，通过DMA传输方式将存贮单元的内容送到DTS主机相应的存贮单元，经过计算机的线性累加达到数字平均的目的。
[0041] 本发明的防盗预警监测子系统采用基于Φ-OTDR技术对电缆光纤周边的振动信号进行分布式检测，并实现感应微振动信号的除噪、信号分析与识别、事件分析，能够实现长达30公里的多个振动事件的同时检测，具有高的空间
分辨率，空间分辨率最高可达±35米(可根据监测距离来定制空间分辨率)。由于本发明的分布式光纤防盗预警监测子系统采用第三代半导体激光器件及光纤技术，功率及
精度均比第二代半导体制作的激光器更加高等，从而使得本发明设计的分布式光纤防盗预警监测子系统具有测量灵敏度高，空间分辨率小、响应速度快、误报率低、测量长度大、工作稳定等优点。
[0042] 本发明的分布式光纤载流量/温度监测子系统，通过积累和分析光纤运行的温度数据，寻找光纤运行温度和载流量变化的关系，通过温度监测的数据，研究线路附近的建筑或设施对电缆运行的影响程度，即敷设现场的改变对光纤运行的影响，为以后电缆光纤的敷设提出建议和参考；通过监测光纤的运行温度，为研究光纤温度与光纤老化的关系提供依据；通过对温度设定报警温度来监测电缆光纤的运行温度，找到其在运行过程中存在隐患问题。
[0043] 本发明的异常数据监测子系统给出传感器数据流的预测模型及其预测机制，为了降低预测误差，在预测误差超过预先设定的阈值时，可以自动调整预测模型，从而提高分布式光纤传感器信息的质量，并在数据出现异常情况时能够进行有效修正，在一定程度上降低光纤检测系统的缺陷发生率，避免了大量的现场工作。
[0044] 本发明通过中央信息处理监测平台将三种监测系统结合统一，实现全光纤的多方面安全状态监测，同时简化了设计模块，有效提升了安全监测工作效率。
附图说明
[0045] 图1为全光纤分布式的电缆安全与可靠性监测器及其信息流优化技术
框图[0046] 图2为监测器数据级层次融合框图
[0047] 图3为监测器特征层次融合框图
[0048] 图4为监测器决策层次融合框图
[0049] 图5为监测器数据流优化可靠度分布示意图
[0050] 图6为监测器数据流优化无异常的试验数据与其预测值对比图
[0051] 图7为监测器数据流优化有异常的试验数据与其预测值对比图
[0052] 具体实施方法
[0053] 本发明提出了一种全光纤分布式的电缆安全与可靠性监测系统，如图1所示该系统包括以下模块：
[0054] 外接光纤，激光发生模块，中央信息处理监测平台，防盗预警监测子系统，载流量及温度监测子系统，异常数据监测子系统。其中，所述激光发生模块，包括脉冲驱动电路，激光器、光纤放大器及光耦合器，所述脉冲驱动电路向激光器输出固定脉冲信号；激光器采用窄带激光光源发射连续光波，经由脉冲驱动电路调制为脉冲光，通过光纤放大器及光耦合器作用于外接光纤；
[0055] 所述中央信息处理监测平台，接收并存储防盗预警监测子系统、载流量及温度监测子系统、异常数据监测子系统的监测数据，进行信号处理分析处理后，实时显示光纤各点防盗预警信息、温度及载流量情况，并对异常数据进行预测和调整；所述防盗预警监测子系统，接收激光探测信号，并对信号进行预处理后传输至中央信息处理监测平台；所述载流量及温度监测子系统，接收经转换的的光电信号，并对信号进行预处理后传输至中央信息处理监测平台；所述异常数据监测子系统，接收经转换的光电信号，将信号直接传输至中央信息处理监测平台，以监测异常数据。
[0056] 进一步的，所述防盗预警监测子系统包括第一信号控制模块，防盗预警监测电路。
[0057] 其中，所述第一信号控制模块，接受中央信息监测平台的控制程序的调控，采集防盗预警监测电路的监测信号，将采集到的信号进行预处理及初步的信号分析，并将处理过的信号通过总线传送至中央信息监测平台，控制脉冲驱动电路的脉冲信号频率及激光器的开启；所述防盗预警监测电路，采用光电探测器接受光纤探测信号，包括激光与后向瑞利散射光信号的混频信号，将监测信号传输至第一信号控制模块。
[0058] 进一步的，所述载流量及温度监测子系统包括，第二信号控制模块，滤波模块、光电转换模块及载流量及温度监测电路。
[0059] 其中，所述第二信号控制模块，接受中央信息监测平台的控制程序的调控，采集载流量及温度监测模块的监测信号，将采集到的信号进行预处理及初步的信号分析，并将处理过的信号通过总线传送至中央信息监测平台，控制高压电路的开启；所述滤波模块，包括stokes 光滤波器及Anti-stokes光滤波器，采集激光作用于光纤后产生的stokes光及Anti-stokes 光；
[0060] 所述光电转换模块，包括光电转换信号放大器及高压电路，光电转换电路中的APD必须工作与高压环境，高压
偏置电路正是为此设计用于控制APD两端的电压大小。光信号转换成电信号后，因为电信号极其微弱，必须通过信号放大电路的高增益效果实现信号的加强。高压电路控制光电转换信号放大器的工作电压，光电转换信号放大器接收滤波模块处理的信号，将转换后的信号传输至异常数据监测模块和载流量及温度监测模块中；所述载流量及温度监测电路，接收光电转换信号放大器传输的光电信号，将监测信号传输至第二信号控制模块；异常数据监测模块，接收光电转换信号放大器传输的光电信号，将监测信号直接传输至中央信息处理监测平台，以监测异常数据。
[0061] 进一步的，中央信息处理监测平台包括防盗预警信息处理模块，温度计算模块，载流量计算模块及异常数据计算模块；其中，所述防盗预警信息处理模块通过计算激光与后向散射光的混频信号识别可能发生扰动的位置；所述温度计算模块通过计算stokes光及 Anti-stokes光的强度比，以得到光纤各段温度信息；所述载流量计算模块，通过指定控件计算出光纤在施加预设电流值下的温度，在温度计算模块计算出温度分布情况后即可判断当前负荷电流是否达到了载流量。
[0062] 本发明的系统架构
软件平台是基于SOA架构的可灵活扩展的应用
框架，以满足未来监测设备添加、业务功能升级的需要，并设计一致的
接口适配器模式，可灵活接入多个厂家、多种接口类型的监测设备；同时建立集中的数据计算与分析模块，提供设备状态综合监测分析能力；满足分散管理、集中监测的业务管理模式。其中最为核心的是采用了信息融合的故障诊断技术，以便更加准确的判断出故障，而不至于形成误报，其信息融合的的故障诊断技术分为三个级别，分别是数据层次、特征层次以及决策层的融合。图2的数据层次融合在图1 的DSP结构中完成，主要是对分布式光纤传感器采集到的原始数据直接进行处理，根据这些数据融合后的结果来对研究对象进行初步分析。图3中，特征层次融合是在中央信息处理监测平台完成的，该层次功能就是对传感器获得的大量数据先进行处理，这样会使数据量变小，在对这些大量信息流优化之后得到这些数据的
特征向量，对这些特征向量进行融合处理的过程被称为特征层次的融合，得到融合的结果之后，对研究对象再进行可靠性分析或故障诊断等研究，相比较于数据层次的融合，特征层次的融合无疑要更进一步。特征层次融合的最大优点就是实时性比数据级层融合的实时性要好，因为在数据融合之前对数据进行了处理，减小了融合的计算量，缩短了融合需要的时间。图4是决策级层次融合，其同样是在中央信息处理监测平台完成，是在特征层次融合的
基础之上对数据进行进一步的处理，这使数据的数量进一步缩减，融合计算量也进一步减少，在得到决策向量后，对这些决策向量进行融合，在融合之后得到决策级层次融合结果，以此结果对研究对象进行可靠性分析及故障诊断等研究。决策级层次的信息融合是计算量最小的层次融合，决策级层次的融合是信息融合最高层次的融合。决策层次的优点显而易见：由于对数据不断处理，数据的数量小，计算量小，实时性更好。此外决策级层次的融合对传感器的要求较低，因此对传感器的依赖程度小，决策层次的融合抗干扰能力较好。不同的传感数据采用不同的数据融合技术，使得分布式光纤的状态监测数据更加可靠，运算量也得提高，抗干扰能力也得到加强，更加符合分布式光纤的各种应用环境。
[0063] 进一步的，异常数据监测子系统包括采样模块。传统的提高传感器节点采集数据质量最简单的方法就是利用多次采样来为每个传感器收集足够多的采样数据，然后取采样数据的平均值作为最终的采样数据，但该方法在分布式光纤传感技术在电力电缆检测中面临很大的挑战。首先电缆线路分布面广、相距较远，致使分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，系统损耗和噪声的影响较大；其次，对不同状态信息的传感器节点，其感知器件的精度、节点环境和感知过程都可能是不同的，如果要求所有传感器都获取同样数量的样本是不现实的。如果直接简单的把采集数据传送到计算机进行运算，则容易出现数据检测不准确，形成漏报、误报。为消除此影响，提高传感器节点采集数据的质量，需要选择合适的智能采样方法，以便能够得到更能反映所测电力电缆状态的真实数据。
[0064] 本发明中的采样模块包括高速采集电路，将采样数据输入中央信息处理监测平台；其中，所述采样模块使用采样估计方法进行采样，对于第i个光电传感器，采样值si是一个以μi为中心，方差为 的服从正态分布的随机变量，采样数据为 传感器样本数据满足 其中 为根据传感器要求确定的误差范围， 是正
态分布中的分割点， mi为采样时间区间内该传感器节点的采样数
量， 为传感器节点连续采集到第j个符合 分布的样本，为样本的均值，采集时，
采样数量由如图5所示t分布中的
自由度df(degree of freedom)参数确定。其基本过程是：
[0065] Step 1:获取一个样本数据；
[0066] Step 2:计算样本均值 和样本方差
[0067] Step 3：在检验区间 上执行t检验(t test),如果通过，过程结束，否则跳转到Step 1.
[0068] 在分布式光纤传感网络中，有些异常数据虽然是小概率的，但它却往往是故障检测等重要的数据来源。如果直接使用低质量的感知数据，将会对电力电缆的检测和管理造成严重的后果。因此本发明设计了异常数据监测子系统对异常数据进行监测，其中，中央信息处理监测平台中的异常数据计算模块还包括数据分析模块，预测调整模块，及异常数据输出模块；其中所述数据分析模块包括建立预测模型，对采样数据进行建模。数据分析模块根据采样估计算法得到传感器的N个样本点{xt}:x1，x2，…，xN。假设x1，x2，…，xt-1与xt的估计值 有 的线性关系，其中β1,...,βn为待计算的参数，εt为随机误差，是一个随机变量，n为模型阶数。建立如下预测模型：
[0069]
[0070] 式(1)为预测模型，βi为待定参数， 为εt的方差；
[0071] 将传感器样本点序列{xt}直接代入式(1)，得到以下方程组：
[0072] 将上述方程组以矩阵形式表示为：
[0073]
[0074] y＝xβ+ε (3)
[0075] 其中
[0076]
[0077] 参数矩阵β的最小二乘估计为：
[0078]
[0079] 由式(1)可知，若εt是未知的，则 是xt的预测值 当参数βi、xi是已知的，则可计算 的值。现假设xt是当前t时刻的实际值，则根据公式(1)预测未来l(l＝1,2,…) 时刻的数据值，即： 当l＝1时，表示预测下一时刻的数据，当xt+l-i,...,xt都是实际观察值，即：
[0080]
[0081] 当l>1时，表示要预测下l个时刻的数据，由于在预测时，xt+l-1的值是未知的，所以用 来代替xt+l-1执行预测，即：
[0082]
[0083] 在实际所感知的数据中，xt可能是一个不符合参数模型的数据，即异常数据。此时，如果用xt去预测xt+1xt+2，…,则会出现预测失真。这时通常就用预测值 来代替xt进行预测，来减小误差。
[0084] 所述预测调整模块包括，输入采样数据进行预测，当预测误差超过预先设定的阈值，则自动调整预测模型。由于采集数据满足标准正态分布，为了使模型的误差值εt尽可能为0，需要在预测过程中自动调整预测模型的参数，即当εt＝0出现的概率小于一个阈值时，模型就需要调整。根据当前时刻的预测误差为εt，平均预测误差为E(εt)，假设调整后的误差为ε′t，要使ε′t尽可能为0，可将εt-E(εt)的值近似为ε′t，设ε′t＝εt-E(εt)，则原模型可成为 用β′t代替βi+E(εt)/(nxt-i)，用ε′t代替εt-E(εt)，则调整后的模型变为：
[0085]
[0086] 在模型自动调整策略中，需要进行阈值的确定。本发明阈值的确定是利用两个传感器节点的感知向量相似性度量来对相邻两个节点之间测量序列的相似程度进行比较。首先对感知向量进行规范化处理，然后进行相似性度量测定阈值。假设用i和j表示两个相邻节点，则这两个节点经过规范化处理的感知数据分别为xi和xj，则两个感知数据向量的积为xi·xj，则进行相似度测量确定的阈值可以表示为：
[0087]
[0088] 所述异常数据输出模块，根据预测调整模块中确定的预测误差阈值Jij对感知数据进行判断，向中央信息处理监测平台输出异常数据并显示给当前用户；
[0089] 由式(1)可得 且 若B为移位算子，即xt-1＝Bxt,
[0090]
[0091] 则式(9)中 令 且设定则有：
[0092]
[0093] 其中ω2为当前时刻向后N个相应的误差εt平方和的平均值，λ表示当前误差值εt+12
的平方与ω的比值，λ即为监测xt+1是否异常的统计量。当λ＞Jij，xt+1就是异常数据。这里Jij可根据实际要求和数据特点进行设定。
[0094] 为了测试本发明的预测模型、动态调整策略是否有效及测试异常数据检测算法。对系统中温度数据进行了测试，数据的采样周期为60s，测试数据包括温度，单位是℃。具体实现过程就是在某段时间内，从实验数据中选用100个作为样本数据，采用式(3)提供的矩阵方程构建成式(6)预测模型，模拟阶数n选为4，自动调整策略按照式(7)进行，式(8) 阈值确定为2，异常数据的产生是通过人为加热进行模拟。图6表示某段时间内无异常数据时候的部分数据截图所对应的预测效果，其试验数据同预测数据基本相同。图7表示某段时间内人为模拟异常数据时候的部分数据截图所对应的预测效果，由图7可以看出，预测结果未受异常数据太大干扰，基本维持在正常范围。
[0095] 以上所述仅是本发明的较佳
实施例而已，并非对本发明做任何形式的限制。虽然本发明已以较佳实例揭露如上，然而并非用以限定本发明。任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述所述的方法及技术内容做出些许的更改或修饰为等同变化的等效实施例，但凡是未脱离本发明技术发案的内容，依据本发明的技术实质对以上实例所做的任何简单
修改、等同变化与修饰，仍属于本发明技术方案的范围。
