用于高密度养殖节点运行等级评价的方法及系统与流程

本发明涉及自动检测，具体涉及一种用于高密度养殖节点运行等级评价的方法及系统。

背景技术：

1、目前，中国现代渔业建设已经到新的阶段，需要系统规划新时代渔业发展思路，不断提高渔业生产力与发展质量效益，形成绿色高效益、开放合作的渔业资源配置和发展。为实现智能化运维，构建智慧渔场运行态势评级系统，实现所有养殖节点的运行等级的实时在线评价，显得尤为重要。为实现养殖节点的运行等级，目前已经提出多种方法，如基于模糊逻辑的方法、基于bp神经网络的方法、基于支持向量机的方法。

2、上述各方法在计算时间上虽有一定的优势，但是普遍存在参数难以确定（比如模糊逻辑的隶属度、bp神经网络的隐层层数及每层神经元个数、支持向量机的核函数等）的问题，并且往往需要通过遗传算法、烟花算法等各种寻优算法进行参数辨识，由此导致上述方法的复杂度较高、精度也存在不确定性。

技术实现思路

1、本发明要解决的技术问题是：克服现有技术的不足，提供一种用于高密度养殖节点运行等级评价的方法及系统，参数根据实际工况很容易的确定，因此不存在参数辨识的问题，具有方法复杂度低、计算时间少、精度稳定性高等特点。

2、本发明采用的技术方案如下：

3、一种用于高密度养殖节点运行等级评价的方法，包括如下步骤：

4、s1、构造模式特征：获取高密度养殖节点中水质参数和电气指标参数，利用水质参数和电气指标参数构造高密度养殖节点的模式特征；

5、s2、运行等级的评价：根据高密度养殖节点的模式特征，利用训练后的隐马尔可夫模型对高密度养殖节点的运行等级进行评价：

6、在给定高密度养殖节点的观测序列和隐马尔可夫模型参数的情况下，在最优意义上确定一个最佳状态序列来解释观测序列；状态所对应的描述即为采样时刻高密度养殖节点的运行等级的评价结果，为高密度养殖节点的在采样时刻的模式特征，求解这一状态序列的步骤为：

7、初始化：

8、(1)

9、递归：

10、(2)

11、终止：

12、(3)

13、求状态序列：

14、(4)

15、利用隐马尔可夫模型实现养殖节点的运行等级的评价，首先定义变量，将为变量定义为在采样时刻时状态转移路径为的、在采样时刻时状态处于的、养殖节点产生出观测序列的最大概率，的定义如下：

16、(5)。

17、本技术方案通过构造模式特征、隐马尔可夫模型、训练隐马尔可夫模型以及运行等级的评价等步骤，提供一种用于高密度养殖节点运行等级评价的方法，实现运行等级的准确评估，从而指导养殖节点的优化运行和管理。具体地，通过对水质和电气指标的采样值进行特征构造，将原始数据转化为模式特征，用于后续模型捕捉养殖节点的运行特性；隐马尔可夫模型（hmm）是一种统计模型，用于描述一个含有隐变量的马尔可夫过程，hmm用于描述养殖节点的运行状态及其转移规律；通过hmm，捕捉养殖节点在不同状态之间的转移概率以及观测序列与状态之间的关系；为训练hmm，通过建立一个关于连续观测序列概率分布的参数化模型，并采用高斯混合函数；高斯混合函数是一种概率密度函数的逼近方法，拟合复杂的概率分布，更准确地描述养殖节点的运行状况；在训练过程中，通过迭代的方式不断更新hmm的参数，包括状态转移概率、观测序列概率分布等；迭代训练的过程用于找到一组最优参数，使得hmm能够最好地拟合养殖节点的实际运行数据；利用训练好的hmm对养殖节点的运行等级进行评价，通过计算给定观测序列在hmm下的概率，以及寻找最佳状态序列来解释观测序列，能够评估养殖节点的运行状态，并据此进行等级划分。

18、另外，根据本发明上述提出用于高密度养殖节点运行等级评价的方法还具有如下附加技术特征：

19、根据本发明的一个实施例，所述步骤s1中，高密度养殖节点的水质参数包括含氧量、水温、ph值、增氧泵的有功功率，电气指标参数包括光伏并网柜的有功功率，即高密度养殖节点的模式特征为：

20、(6)

21、其中，、、、分别为在采样时刻时高密度养殖节点d的含氧量、水温、ph值、增氧泵的有功功率，为在采样时刻时高密度养殖节点d的光伏并网柜的有功功率。

22、根据本发明的一个实施例，所述步骤s2中，获取训练后的隐马尔可夫模型，包括：构建初始的隐马尔可夫模型，对初始的隐马尔可夫模型进行改良，并对改良后的隐马尔可夫模型进行训练迭代，得到训练后的隐马尔可夫模型。

23、根据本发明的一个实施例，所述步骤s2中，初始的隐马尔可夫模型为；

24、

25、式中：为初始状态分布，其中；

26、为状态转移概率分布，其中；

27、为观测序列概率分布，其中；

28、为状态集合，其中为状态个数，在采样时刻的状态表示为，显然；

29、为观测序列，其中，采样时刻观测到的输出值为。

30、根据本发明的一个实施例，所述步骤s2中，对初始的隐马尔可夫模型进行改良，包括：采用高斯混合函数对初始的隐马尔可夫模型中的观测序列概率分布进行改良，得到改良后的连续观测序列概率分布的参数化模型，连续观测序列概率分布的参数化模型为：

31、(7)

32、(8)

33、式中：和分别为组成观测向量的概率分布函数的第个高斯分量函数的均值向量与协方差，为高斯混合函数个数，为权系数，其中，；满足：

34、(9)

35、根据改良后的连续观测序列概率分布的参数化模型，确定改良后的隐马尔可夫模型，改良后的隐马尔可夫模型为：

36、(10)

37、根据本发明的一个实施例，所述步骤s2中，对改良后的隐马尔可夫模型进行训练迭代，得到训练后的隐马尔可夫模型，包括：

38、对改良后的隐马尔可夫模型中的参数进行初始化：

39、(11)

40、状态转移概率分布、权系数满足式要求，观测值向量的均值向量与协方差随机生成，根据实际观测序列作出初步估计，先以连续观测序列概率分布的参数化模型为基础，再定义变量，将变量定义为在采样时刻处于状态的、第个分量函数对观测向量的贡献；

41、改良后的隐马尔可夫模型中的参数进行迭代：

42、(12)

43、(13)

44、(14)

45、(15)

46、终止条件：

47、(16)

48、式中：为本次迭代后获得的隐马尔可夫模型；

49、为上次迭代后获得的隐马尔可夫模型，为预先设定的阈值，设定。

50、根据本发明的一个实施例，所述步骤s2中，隐马尔可夫模型输出的评价分为四个状态，即各状态对应的等级为：、、和。

51、为了实现本发明的效果，本发明还提供一种用于高密度养殖节点运行等级评价的系统。

52、一种用于高密度养殖节点运行等级评价的系统，所述系统包括：

53、数据采集单元，用于收集高密度养殖节点内的水质参数和电气指标参数；

54、特征提取单元，用于收集到的水质参数和电气指标参数，构造高密度养殖节点的模式特征，这实现全面反映节点的运行状态；

55、模型训练单元，基于隐马尔可夫模型，利用历史数据对模型进行训练，使其能够准确识别养殖节点的不同运行等级；

56、运行等级评价单元，根据训练好的模型，结合实时数据，对高密度养殖节点的运行等级进行评价，并给出相应的建议或预警。

57、另外，根据本发明上述提出用于高密度养殖节点运行等级评价的系统还具有如下附加技术特征：

58、根据本发明的一个实施例，所述运行等级评价系统在确定高密度养殖节点的运行等级之前，还执行以下步骤：

59、确定养殖节点的特定环境事件类型及其特征参数值，特定环境事件类型包括水质突变、温度异常、电气设备故障，特征参数值包括水质参数、温度参数、电气设备的运行功率；

60、基于确定的特定环境事件类型、特征参数值以及预先设定的养殖节点运行等级与环境事件分类规则，精确判断当前环境事件对养殖节点运行等级的影响，并据此确定高密度养殖节点当前所处的运行等级；

61、通过实时监测高密度养殖节点的运行状态，根据具体环境事件的影响程度，动态调整运行等级评价。

62、本发明有益效果如下：

63、本发明具有方法复杂度低、计算时间少、精度稳定性高等特点；与基于模糊逻辑的方法、基于bp神经网络的方法、基于支持向量机的方法等方法不同，本发明不存在参数难以确定的问题，不需要通过人工或者寻优的方式确定关键参数，可有效降低计算复杂度，并稳定精度。