数据去噪方法、装置、计算机可读存储介质及电子设备与流程

1.本发明涉及能源技术领域，尤其涉及数据去噪方法、装置、计算机可读储存介质及电子设备。


背景技术：

2.利用海洋能发电，是一种可再生清洁能源。海洋能具有永不枯竭、能量密度大、可预测性强等诸多优点，因此在近年来得到了广泛关注和大力发展，是新能源探索领域的一个热点。
3.在海洋能发电站中，可以采集海洋能发电站的运行数据并对其进行分析，从而更好的监控海洋发电站的工作状态。
4.可以理解的是，在海洋发电站中采集得到的运行数据通常十分复杂，而且可能伴随有大量不准确的、异常的数据，将直接的影响到后续数据分析处理结果的准确性。现有技术中缺少一种针对性的数据降噪技术，以解决这一技术问题。


技术实现要素：

5.本发明提供一种数据降噪方法、装置、可读介质及电子设备，可实现对采集到的海洋潮流能发电平台的运行数据的去噪处理。
6.第一方面，本发明提供了一种数据降噪方法，包括：
7.获取针对海洋发电站在测点采集的第一时间序列数据进行异常数据处理后得到的第二时间序列数据；
8.根据所述第二时间序列数据，确定小波基函数以及分解层级；
9.根据所述小波基函数以及分解层级，对所述第二时间序列数据进行离散小波包分解，以确定所述分解层级对应的至少两个第一分解系数；
10.确定各个所述第一分解系数分别对应的第二分解系数，所述第二分解系数为从所述第一分解系数中估算出的不包含噪声的分解系数；
11.根据各个所述第一分解系数分别对应的第二分解系数以及逆小波变换公式，对所述第二时间序列数据进行重构，以确定去噪时间序列数据。
12.第二方面，本发明提供了一种数据降噪装置，包括：
13.获取模块，用于获取针对海洋发电站在测点采集的第一时间序列数据进行异常数据处理后得到的第二时间序列数据；
14.参数确定模块，用于根据所述第二时间序列数据，确定小波基函数以及分解层级；
15.分解模块，用于根据所述小波基函数以及分解层级，对所述第二时间序列数据进行离散小波包分解，以确定所述分解层级对应的至少两个第一分解系数；
16.估算模块，用于确定各个所述第一分解系数分别对应的第二分解系数，所述第二分解系数为从所述第一分解系数中估算出的不包含噪声的分解系数；
17.重构模块，用于根据各个所述第一分解系数分别对应的第二分解系数以及逆小波
变换公式，对所述第二时间序列数据进行重构，以确定去噪时间序列数据。
18.第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
19.第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
20.本发明提供了一种数据降噪方法、装置、计算机可读存储介质及电子设备，该方法通过获取针对海洋发电站在测点采集的第一时间序列数据进行异常数据处理后得到的第二时间序列数据，这里，第二时间序列数据为对第一时间序列数据进行异常数据处理后的时间序列数据，从而降低了异常数据对第二时间序列数据的影响，进而确保第二时间序列能够较为准确的反映海洋发电站的运行情况，然后，根据第二时间序列数据，确定小波基函数以及分解层次，然后，根据小波基函数以及分解层级，对第二时间序列数据进行离散小波包分解，以确定分解层级对应的若干个第一分解系数，然后，确定各个第一分解系数分别对应的第二分解系数，第二分解系数为从第一分解系数中估算出的不包含噪声的分解系数，之后，根据各个第一分解系数分别对应的第二分解系数以及逆小波变换公式，对第二时间序列数据进行重构，以确定去噪时间序列数据，得到的去噪时间序列数据由于考虑了分解系数中不包含噪声的分解系数，从而提高了数据质量。综上所述，通过本发明提供的技术方案，可实现对海洋发电站的运行数据的降噪处理，同时确保降噪效果。
21.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
22.为了更清楚地说明本实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明一实施例提供的一种数据降噪方法的流程示意图；
24.图2为本发明一实施例提供的一种数据降噪方法中的分解结果的示意图；
25.图3为本发明一实施例提供的一种数据降噪装置的流程示意图；；
26.图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
27.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.如图1所示，为本发明提供的数据去噪方法的具体实施例。本实施例中，所述方法具体包括以下步骤：
29.步骤101、获取针对海洋发电站在测点采集的第一时间序列数据进行异常数据处
理后得到的第二时间序列数据。
30.具体地，海洋能发电站可以是潮汐能电站、海洋温差电站、波浪能电站、潮流能发电站或海水盐浓度差电站，本发明实施例对比不做具体限定，优选潮流能发电站。
31.具体地，测点可以理解为能够用于采集海洋发电站的运行数据的数据采集设备。考虑到海洋发电站在运行过程中产生的数据具有时间性，可选地，可利用采集的数据以时间序列的形式输出的传感器来设置测试点，以获取到海洋发电站的第一时间序列数据。
32.具体的，第一时间序列数据可以理解为未进行处理过的数据，即原始时间序列数据，包括海洋发电站中的某种设备对应的某个变量，举例来说，当海洋发电站为潮流能发电站时，潮流能发电站中的设备包括涡轮、电机、框架以及主轴承中的任意一种，当设备为涡轮时，变量为涡轮转速、涡轮压力以及涡轮温度中的任意一种，当设备为电机时，变量为电机转速、电机电流以及电机温度中的任意一种，当设备为框架时，变量为框架位移、框架振动、框架腐蚀度中的任意一种，当设备为主承轴时，变量为主轴承振动或主轴承扭矩。需要说明的是，不同设备的不同变量的处理方式相同。
33.具体地，第二时间序列数据可以理解为对第一时间序列数据进行异常数据处理后得到的时间序列数据。考虑到第一时间序列数据为测点采集的原始时间序列数据，不可避免的存在测量误差、离群值以及噪声等异常数据的缺陷，而第一时间序列数据中的异常数据可能会导致平均值、方差等偏离实际情况，因此，通过对第一时间序列数据进行异常数据处理，降低异常数据对时间序列数据的影响，确定出能够较为准确的反映出海洋发电站的运行情况的第二时间序列数据，并且确保第二时间序列数据的数据质量，提高后续利用第二时间序列数据进行降噪处理后所得到的去噪数据的数据质量。
34.在一个实施例中，具体可通过如下方法确定第二时间序列数据：
35.获取针对海洋发电站在测点采集的第一时间序列数据；对第一时间序列数据进行异常值检测及过滤，以确定第三时间序列数据；对第三时间序列数据进行空值填充，以确定第四时间序列数据；对第四时间序列数据进行奇异值检测处理，以确定第二时间序列数据。
36.具体地，异常值可以理解为因测点故障或数据管理过程中所导致的数据异常，对异常值的检测和过滤均属于现有技术，本实施例在此不做过多赘述，可以结合数据的实际情况选择不同的异常值检测和过滤方法，可选地，异常值可以通过专家知识、趋势回归拟合或上下有效值，进行自动检测和过滤。
37.具体地，空值填充可以理解为海洋发电站中的测点停机、数据存储所导致的数据缺失情况，空值填充方法为现有技术，这里不做过多赘述，可以结合数据的实际情况选择不同的空值填充方法，可选地，空值填充方法可以选择上下值、中间值和平均值、趋势回归拟合或标准值。
38.具体地，奇异值可以理解为对数据的趋势、拟合或预测产生误导的数据。考虑到奇异值可能会影响数据趋势的偏向、改变数据拟合估计或数据预测方向，因此，若不进行奇异值检测，可能会后期的数据分析及挖掘产生较大的误导，降低数据挖掘出的信息的参考价值。对奇异值检测和处理均属于现有技术，本实施例在此不做过多赘述，可以结合数据的实际情况选择奇异值检测和处理方法，可选地，奇异值检测方法包含局部离群因子法、马氏距离法或箱型图法；可选地，奇异值处理包括删除、按照空缺值处理、或者根据近邻域多个数据点的平均值对奇异值进行修正。
39.该实施例通过对第一时间序列数据依次进行异常值检测过滤、空值填充以及奇异值检测处理，从而确保第二时间序列数据能够较为准确的反映出海洋发电站的运行情况。
40.步骤102、根据所述第二时间序列数据，确定小波基函数以及分解层级。
41.具体地，小波基函数可以理解为将母小波伸缩、平移得到的一系列函数，用其来构建信号，并利用固有特征使信号易于处理。其中，母小波是一类具有快速衰减有限长的波函数。分解层级可以理解为分解的层数。
42.在一个实施例中，具体可通过如下方法确定小波基函数以及分解层级：
43.确定至少两个候选分解组合，分解组合包括候选正交小波基函数以及候选分解层级，不同的候选分解组合中的候选正交小波基函数和/或候选分解层次不同；根据候选分解组合中的候选正交小波基函数以及候选分解层级，对第二时间序列数据进行离散小波包分解，确定候选分解层级的每个参考分解系数分别对应的分解结果，并对每个参考分解系数分别对应的分解结果和第二时间序列数据进行比对，确定候选分解组合对应的评估信息；根据多个候选分解组合分别对应的评估信息，从多个候选分解组合中确定目标分解组合；将目标分解组合中的候选正交小波基函数以及候选分解层级分别确定为小波基函数以及分解层级。
44.具体地，确定至少两个候选分解组合可通过如下方式实现：选择若干个候选正交小波基函数以及若干个分解层级，对若干个候选正交小波基函数以及若干个分解层级进行不重复的组合，确定若干个候选分解组合，每个候选分解组合由一个候选正交小波基函数以及一个分解层级组成。可选地，若干个候选正交小波基包括但不限于daubechies小波基函数、coiflet小波基函数。可选地，若干个分解层级包括但不限于2层、3层、4层以及5层。需要说明的是，候选分解组合的数量应当合理，过多则可能会影响计算效率，过少则可能不能保证选择的分解组合的分解效果。
45.具体地，评估信息具体指的是用于评价候选分解组合中的所有参考分解系数分别对应的分解结果对第二时间序列数据的信息表征程度。
46.具体地，参考分解系数对应的分解结果可以理解为基于参考分解系数对第二时间序列数据进行处理后所得到的时间-频率曲线。
47.可选地，根据多个候选分解组合分别对应的评估信息，从多个候选分解组合中确定目标分解组合可通过如下方式实现：显示多个候选分解组合分别对应的评估信息，用户根据多个候选分解组合分别对应的评估信息，点击目标分解组合，从而确定目标分解组合。
48.在一个实施例中，评价信息包括数据趋势相似度，则可通过如下方法确定候选分解组合对应的评价信息：
49.从各个参考分解系数分别对应的分解结果中确定数据趋势分解结果；确定数据趋势分解结果对应的数据趋势相似度，数据趋势相似度指示了数据趋势分解结果的数据趋势和第二时间序列的数据趋势的相似度；将数据趋势分解结果对应的数据趋势相似度加入候选分解组合对应的评估信息中。
50.具体地，数据趋势分解结果的数量为一个。考虑到数据趋势能够反映出数据的变化的特点和方式，对后期的数据分析具有重要的意义，因此，选择数据趋势分解结果来评价候选分解组合对信息的提取效果。
51.可选地，可通过如下实现方式确定数据趋势分解结果对应的数据趋势相似度。
52.作为一种可能的实现方式，显示所有分解结果和第二时间序列数据，用户选择某一分解结果作为数据趋势分解结果，并输入数据趋势分解结果对应的数据趋势相似度。
53.作为另一种可能的实现方式，基于第二时间序列数据和各个分解结果进行比对，以从各个所述分解结果中确定出一个数据趋势分解结果，该数据趋势分解结果应该是各个分解结果中和第二时间序列数据的数据趋势最接近的一个，然后，对数据趋势分解结果的数据趋势进行识别，并与对第二时间序列数据的数据趋势进行识别的结果进行比较，从而确定数据趋势分解结果对应的数据趋势相似度。
54.需要说明的是，数据趋势相似度越高越能说明数据趋势分解结果和第二时间序列数据的数据趋势越接近，也可以理解为，候选分解组合分解出的第二时间序列数据的数据趋势信息具有相对较高的准确性及有效性，确定数据趋势分解结果对应的数据趋势相似度为现有技术，本实施例对此不作过多赘述。
55.对应的，根据多个候选分解组合分别对应的评估信息，从多个候选分解组合中确定目标分解组合可通过如下方法实现：确定多个候选分解组合分别对应的数据趋势相似性的最大值，将最大值对应的候选分解组合确定为目标分解组合。
56.在一个实施例中，评价信息包括数据趋势相似度以及高频成分相似度，在前述实施例的基础上，可通过如下方法确定评价信息中的高频成分相似度：
57.根据各个参考分解系数分别对应的分解结果，确定高频分解结果；根据高频分解结果，确定高频分解结果对应的高频成分相似度，高频成分相似度指示了高频分解结果和第二时间序列的高频成分的相似度；将高频分解结果对应的高频成分相似度加入候选分解组合对应的评估信息中。
58.考虑到高频成分指示了数据中变化较快的部分，对数据的影响较大，因此，选择高频分解结果来评价候选分解组合对信息的提取效果。
59.具体地，高频分解结果可以理解为对数据趋势分解结果之外的其他分解结果进行融合后的结果，比如，各个参考分解系数一共有8个，8个参考分解系数中有一个数据趋势分解结果，则对另外7个分解结果进行融合后的结果即为高频分解结果。其中，对其他分解结果进行融合后的结果可以理解为，将其他分解结果表示在同一坐标系中，从而得到融合其他分解结果所得到的时间-频率曲线。
60.可选地，显示高频分解结果和第二时间序列数据，用户输入高频分解结果和第二时间序列数据的高频成分的相似度，以得到高频分解结果对应的高频成分相似度。
61.可选地，对高频分解结果中的高频成分进行识别，并与对第二时间序列数据的高频成分进行识别的结果进行比较，从而确定高频分解结果对应的高频成分相似度。
62.需要说明的是，高频成分相似度越高，高频分解结果越能够较为准确的表示第二时间序列数据中的高频成分，也可以理解为，候选分解组合分解出的第二时间序列数据的高频成分信息具有相对较高的准确性及有效性。
63.还需要说明的是，确定高频分解结果对应的高频成分相似度为现有技术，本实施例对此不作过多赘述。
64.对应的，根据多个候选分解组合分别对应的评估信息，从多个候选分解组合中确定目标分解组合可通过如下方法实现：对多个候选分解组合分别对应的数据趋势相似性以及高频成分相似度进行比较，确定出数据趋势相似性且高频成分相似度均较大的候选分解
组合，并将该候选分解组合确定为目标分解组合。
65.在一个实施例中，评价信息包括数据趋势相似度、高频成分相似性以及高频占比，在前述实施例的基础上，则可通过如下方法确定评价信息中的高频占比：
66.根据高频分解结果，确定高频分解结果对应的高频占比，高频占比基于高频分解结果的频率区间和数据趋势分解结果的频率区间确定；将高频分解结果对应的高频占比加入候选分解组合对应的评估信息中。
67.具体地，高频分解结果对应的高频占比可以是高频分解结果的频率区间的最大值和最小值之间的差值，与数据趋势分解结果的频率区间的最大值和最小值之间的差值的比值。
68.对应的，根据多个候选分解组合分别对应的评估信息，从多个候选分解组合中确定目标分解组合可通过如下方法实现：对多个候选分解组合分别对应的数据趋势相似性、高频成分相似度以及高频占比进行比较，确定出数据趋势相似性且高频成分相似度均较大，同时高频占比较小的候选分解组合，并将该候选分解组合确定为目标分解组合。
69.请参考图2，假设图2显示的是基于候选分解层级为3层，候选正交小波基函数为daubechies小波基函数，对第二时间序列数据进行离散小波包分解后，所得到的8个参考分解系数分别对应的分解结果，其中，a表示数据趋势分解结果，b表示高频分解结果，高频分解结果为数据趋势分解结果之外的其他7 个分解结果的融合，假设经过对若干个候选分解组合分别对应的评价信息进行比较可知，图2所示的数据趋势分解结果的数据趋势相似性以及高频分解结果的高频成分相似性均较高，同时，高频分解结果的高频占比较小，则可将分解层级确定为3层，小波基函数确定为daubechies小波基函数。
70.该实施例通过对不同小波基函数和分解层级对第二时间序列数据的细节信息提取效果进行判断，从而为第二时间序列数据选择出合适的小波基函数以及分解层级，提高后续的数据降噪的准确性和有效性，确保数据去噪效果。
71.步骤103、根据所述小波基函数以及分解层级，对所述第二时间序列数据进行离散小波包分解，以确定所述分解层级对应的至少两个第一分解系数。
72.为了得到高频部分的信息，同时实现更为精细和可调的分辨率，本实施例选择离散小波包对第二时间序列数据进行分解。
73.在一个实施例中，分解层级为3层，小波基函数为daubechies小波基函数，第一分解系数的数量为8个，8个第一分解系数有4个缩放系数以及4个小波系数形成。
74.步骤104、确定各个所述第一分解系数分别对应的第二分解系数，所述第二分解系数为从所述第一分解系数中估算出的不包含噪声的分解系数。
75.在一个实施例中，针对每个第一分解系数，对第一分解系数进行贝叶斯阈值去噪分析，以确定第一分解系数对应的第二分解系数。
76.考虑到第一时间序列数据中包含多少噪声是难以确定的。如果对含有较小噪声的时间序列数据进行过度降噪，则可能从数据中去除有用的信息，导致后续分析的结果精度降低。如果对含有较多噪音的数据降噪不足，则数据中存在的噪声会导致后续分析不准确。而选择贝叶斯阈值的去噪方法，考虑到含噪数据的不确定性，避免了传统小波阈值法对所有信号的严格滤波，能提高数据降噪的准确性和有效性，平衡过度降噪和降噪不足，从而获得更为精确的降噪效果。
77.需要说明的是，本实施例并不意图对贝叶斯阈值去噪方法进行限定，任何现有技术中的贝叶斯阈值去噪方法皆可。
78.可选地，假设第j层第k个第一分解系数为d
jk
(j＝j0,
…
,j-1；k＝ 0,1,
…
,2
j-1)，第一分解系数d
jk
受到外加高斯白噪声ε
jk
的污染，则d
jk
和ε
jk
的关系如下公式(1)所示：
[0079][0080]
其中，表示无噪声系数，噪声项ε
jk
～n(0，1)是一个独立同分布的误差矢量，σj表示在第j层分解是的噪声标准方差。
[0081]
可选地，对于和的条件分布表示如下公式(2)所示：
[0082][0083]
其中，表示无噪声系数的条件估计。
[0084]
公式(2)是公式(1)的条件分布表达形式，假设的先验分布如下公式(3)所示：
[0085][0086]
其中，γ
jk
是服从独立伯努利分布πj的二元随机变量，即p(γ
jk
＝1)＝1
-ꢀ
p(γ
jk
＝0)＝πj；表示表示第j层的尺度，可以通过sigma假设得到，在实际应用中，第j层中的各个第一分解系数均赋值为相同的和πj，利用第j层的离散小波包的各个第一分解系数的中值与一个贝叶斯阈值因子η
jk
的比值来估计噪声标准差σj，可选地，πj＝0.5，τj＝1，贝叶斯阈值因子η
jk
为0.6745。
[0087]
由公式(2)和(3)计算可得的后验分布，后验分布如下公式(4)所示：
[0088][0089]
在为时，通过一个由正太分布和零点处的质量δ(0)组成的混合模型，得到的边际条件后验分布，如下公式(5)所示：
[0090][0091]
其中，是公式(4)的后验分布，用如下公式(6)描述了非零的
[0092][0093]
其中，η
jk
的表达式如下公式(7)所示：
[0094][0095]
具体地，只有两种可能的情况，或者用γ
jk
＝0表示
用γ
jk
＝1表示假设γ
jk
＝0和γ
jk
＝1成立的先验概率为 p(γ
jk
＝0)和p(γ
jk
＝1)，后验概率为以及以及以及γ
jk
＝0和γ
jk
＝1的后验比η
jk
，η
jk
也是贝叶斯阈值因子，则当时，即第二分解系数为0，否则否则即为最后分解系数，其中，i(η
jk
《1)表示当η
jk
《1时，i(η
jk
《1)＝1。
[0096]
步骤105、根据各个所述第一分解系数分别对应的第二分解系数以及逆小波变换公式，对所述第二时间序列数据进行重构，以确定去噪时间序列数据。
[0097]
具体地，逆小波变换公式如下：
[0098][0099]
其中，表示重构后的时序数据；sj(k)表示第j层第k个节点的缩放系数；φ
j,k
(ti)表示第j层第k个节点在第ti时刻的缩放函数；wj(k)表示第j层第k个节点的小波系数；ψ
j,k
(ti)表示第j层第k个节点在第ti时刻的小波基函数。
[0100]
需要说明的是，各个第一分解系数分别对应的第二分解系数以及逆小波变换公式，对第二时间序列数据进行重构为现有技术，本实施例对此不作过多赘述。
[0101]
该实施例中得到的去噪时间序列数据，降低了数据中的噪声干扰，提高了后续分析的准确性。
[0102]
还需要说明的是，本实施提供的数据去噪方法应用在边缘服务器或者本地服务器，优选边缘服务器，之后，通过边缘服务器或本地服务器将去噪时间序列数据传输给数据中心或云端，从而减少云端计算工作量和数据传输量。
[0103]
通过以上技术方案可知，本实施例存在的有益效果是：通过对第一时间序列数据进行异常数据处理，提高数据的质量，得到能够较为准确的反映出海洋发电站的运行情况的第二时间序列数据，选择离散小波包加上贝叶斯阈值的去噪方法对第二时间序列数据进行去噪处理，平衡了过度降噪以及降噪不足，确保对第二时间序列数据的去噪效果，从而得到参考价值以及数据质量相对较高的去噪时间序列数据，降低去噪时间序列数据中的噪声干扰，确保后续基于去噪时间序列数据进行数据分析的准确性。
[0104]
基于与本发明方法实施例相同的构思，请参考图3，本实施例还提供了一种数据去噪装置，包括：
[0105]
数据获取模块301，用于获取针对海洋发电站在测点采集的第一时间序列数据进行异常数据处理后得到的第二时间序列数据；
[0106]
参数确定模块302，用于根据所述第二时间序列数据，确定小波基函数以及分解层级；
[0107]
分解模块303，用于根据所述小波基函数以及分解层级，对所述第二时间序列数据进行离散小波包分解，以确定所述分解层级对应的至少两个第一分解系数；
[0108]
估算模块304，用于确定各个所述第一分解系数分别对应的第二分解系数，所述第二分解系数为从所述第一分解系数中估算出的不包含噪声的分解系数；
[0109]
重构模块305，用于根据各个所述第一分解系数分别对应的第二分解系数以及逆小波变换公式，对所述第二时间序列数据进行重构，以确定去噪时间序列数据。
[0110]
需要说明的是，本实施提供的数据去噪装置应用在边缘服务器或者本地服务器内，优选边缘服务器，之后，通过边缘服务器或本地服务器将去噪时间序列数据传输给数据中心或云端，从而减少云端计算工作量和数据传输量。
[0111]
另外在图3所示实施例的基础上，优选地，所述参数确定模块302，包括：组合单元、评估单元以及参数确定单元；其中，
[0112]
所述组合单元，用于确定至少两个候选分解组合，所述分解组合包括候选正交小波基函数以及候选分解层级，不同的所述候选分解组合中的候选正交小波基函数和/或候选分解层次不同；
[0113]
所述评估单元，用于根据所述候选分解组合中的候选正交小波基函数以及候选分解层级，对所述第二时间序列数据进行离散小波包分解，确定所述候选分解层级的每个参考分解系数分别对应的分解结果，并对每个所述参考分解系数分别对应的分解结果和所述第二时间序列数据进行比对，确定所述候选分解组合对应的评估信息；
[0114]
所述参数确定单元，用于根据多个所述候选分解组合分别对应的评估信息，从多个所述候选分解组合中确定目标分解组合，将所述目标分解组合中的候选正交小波基函数以及候选分解层级分别确定为小波基函数以及分解层级。
[0115]
在一个实施例中，所述评估单元，包括：第一结果确定子单元、第一相似度确定子单元以及第一加入子单元；其中，
[0116]
所述第一结果确定子单元，用于从各个所述参考分解系数分别对应的分解结果中确定数据趋势分解结果；
[0117]
第一相似度确定子单元，用于确定所述数据趋势分解结果对应的数据趋势相似度，所述数据趋势相似度指示了所述数据趋势分解结果的数据趋势和所述第二时间序列的数据趋势的相似度；
[0118]
所述第一加入子单元，用于将所述数据趋势分解结果对应的数据趋势相似度加入所述候选分解组合对应的评估信息中。
[0119]
在一个实施例中，所述评估单元，还包括：第二结果确定子单元、第二相似度确定子单元以及第二加入子单元；其中，
[0120]
所述第二结果确定子单元，用于根据各个所述参考分解系数分别对应的分解结果，确定高频分解结果；
[0121]
所述第二相似度确定子单元，用于根据所述高频分解结果，确定所述高频分解结果对应的高频成分相似度，所述高频成分相似度指示了所述高频分解结果和所述第二时间序列的高频成分的相似度；
[0122]
所述第二加入子单元，用于将所述高频分解结果对应的高频成分相似度加入所述候选分解组合对应的评估信息中。
[0123]
在一个实施例中，所述评估单元，还包括：占比确定子单元以及第三加入子单元；其中，
[0124]
所述占比确定子单元，用于根据所述高频分解结果，确定所述高频分解结果对应的高频占比，所述高频占比基于所述高频分解结果的频率区间和所述数据趋势分解结果的频率区间确定；
[0125]
所述第三加入子单元，用于将所述高频分解结果对应的高频占比加入所述候选分解组合对应的评估信息中。
[0126]
在一个实施例中，所述分解层数包括3层；
[0127]
所述小波基函数为daubechies小波基函数或coiflet小波基函数。
[0128]
在一个实施例中，所述估算模块304，用于对所述第一分解系数进行贝叶斯阈值去噪分析，以确定所述第一分解系数对应的第二分解系数。
[0129]
在一个实施例中，所述数据获取模块301，包括：获取单元、异常值处理单元、空值处理单元以及奇异值处理单元；其中，
[0130]
所述获取单元，用于获取针对海洋发电站在测点采集的第一时间序列数据；
[0131]
所述异常值处理单元，用于对所述第一时间序列数据进行异常值检测及过滤，以确定第三时间序列数据；
[0132]
所述空值处理单元，用于对所述第三时间序列数据进行空值填充，以确定第四时间序列数据；
[0133]
所述奇异值处理单元，用于对所述第四时间序列数据进行奇异值检测处理，以确定第二时间序列数据。
[0134]
图4是本实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器 4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheralcomponent interconnect，外设部件互连标准)总线或eisa(extended industrystandard architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1所示的方法。
[0135]
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种数据去噪装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种数据去噪方法。
[0136]
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(applicationspecific integrated circuit，asic)、现场可编程门
阵列(field－programmablegate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0137]
本实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种数据去噪装置所对应计算机程序。
[0138]
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
[0139]
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0140]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0141]
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。