一种动态测量数据的处理方法和装置与流程

1.本技术涉及数据处理技术领域，尤其涉及一种动态测量数据的处理方法和装置。


背景技术：

2.目前，新能源行业数据不仅体量巨大、类型多样、构成复杂，而且更重要的是数据质量良莠不齐，数据缺失、异常、混乱、重复等现象明显，直接导致国网消纳云的数据价值密度低、数据质量待提高、数据孤岛、数据潜在价值未充分挖掘等问题突出。
3.然而，目前采用的“数据清洗”，是在数据引入前，去掉空值数据和不满足有效性要求的数据，仍属于数据筛选的范畴，并不是真正意义上的数据清洗，不能得到足以用于研究的高质量动态测量数据。


技术实现要素：

4.本技术基于上述问题，提供一种动态测量数据的处理方法和装置，通过坏数据定位及纠错、系统性的和随机性的误差分离来实现数据清洗。
5.本技术一方面提供了一种动态测量数据的处理方法，该方法包括：
6.从新能源云数据库获取原始数据，其中，所述原始数据为动态测量过程中获取到的所有数据；
7.对所述原始数据进行预处理，以得到动态测量数据，其中，所述预处理至少包括如下一种：数据截断、离散化、初辨统计特性和剔点处理；
8.建立所述动态测量数据的组合模型，所述组合模型用于对所述动态测量数据进行特征分析，以得到所述动态量测数据的系统误差和随机误差；
9.根据所述组合模型输出的所述系统误差分离所述动态测量数据中的包含系统误差的数据；
10.根据所述组合模型输出的所述随机误差分离所述动态测量数据中的包含随机误差的数据；
11.根据分离出的所述包含系统误差的数据和分离出的所述包含随机误差的数据，从所述动态测量数据中得到所述动态测量数据的真实值。
12.优选地，对所述原始数据进行数据截断，包括：
13.根据预设的截取长度对所述原始数据进行截断，以得到所述动态测量数据；
14.其中，所述截取长度为一个或多个动态测量过程中所需要测量的最大数据长度。
15.优选地，对所述原始数据进行剔点处理，包括：
16.根据所述原始数据构造第一中位数序列；
17.根据所述第一中位数序列构成与所述第一中位数序列相邻的三个数据的第二中位数序列；
18.根据所述相邻的三个数据的第二中位数序列构建第三序列，其中，所述第三序列的构建方法通过如下公式所示：
[0019][0020]
其中，{x
″′i}为第三序列，{x
″i}为第二中位数序列；
[0021]
计算所述第一中位数序列中的第一值减去所述第三序列中对应的第一值的差的绝对值，得到差值，并判断所述差值是否大于预设的阈值；
[0022]
若所述差值大于预设的阈值，则从所述原始数据中剔除所述第一中位数序列中的第一值，并根据所述第一中位数序列中的第一值的相邻数据计算一个平滑的线性插值，再用所述线性插值代替所述第一中位数序列中的第一值。
[0023]
优选地，所述动态测量数据的组合模型，包括：确定性函数f(n)、随机函数y(n)；
[0024]
通过如下公式对所述动态测量数据x(n)进行特征提取；
[0025]
x(n)＝f(n) y(n)＝d(n) p(n) y(n)；
[0026]
其中，所述随机函数y(n)用于计算外界因素对数据测量产生的误差；所述确定性函数f(n)划分成非周期函数d(n)和周期函数p(n)，所述周期函数p(n)用于计算所述动态测量数据中有规律波动的数据，所述非周期函数d(n)用于计算所述动态测量数据中无规律波动的数据；
[0027]
动态测量数据x(n)包括动态测量数据真实值x0(n)及测量误差e(n)，所述动态测量数据真实值x0(n)包括所述确定性函数f(n)对应的真实值f0(n)和所述随机性函数的真实值y0(n)；所述测量误差e(n)由系统误差es(n)和随机误差er(n)组成，通过如下公式表示：
[0028]
x(n)＝x0(n) e(n)＝f0(n) y0(n) es(n) er(n)＝d0(n) p0(n) y0(n) es(n) er(n)；
[0029]
其中，d0(n)是非周期函数的真实值；p0(n)是周期函数的真实值。
[0030]
优选地，所述动态测量数据的组合模型还用于计算系统误差，通过如下公式实现：e[e(n)]＝es(n)，其中，e[e(n)]为所述测量误差e(n)的期望值；
[0031]
所述系统误差用于分离所述动态测量数据中的包含系统误差的数据。
[0032]
优选地，所述动态测量数据的组合模型还用于计算随机误差，通过如下公式实现：
[0033]er
(n)＝x(n)-x0(n)＝x(n)-e[x(n)]；
[0034]
其中，e[x(n)]通过如下公式计算：
[0035]
x0(n)＝e[x(n)]＝e[x0(n) er(n)]＝d0(n) p0(n)；
[0036]
其中，e[x0(n) e(n)]为所述动态测量数据的真实值x0(n)与所述测量误差e(n)之和的期望值；
[0037]
所述随机误差用于分离所述动态测量数据中的包含随机误差的数据。
[0038]
优选地，所述动态测量数据的组合模型还用于计算随机误差的方差值，通过如下公式实现：
[0039]
其中，σ
r2
(n)为随机误差的方差值；d[x(n)-x0(n)]为动态测量数据x(n)与动态测量数据的真实值x0(n)之差的方差值；d[x(n)]为动态测量数据x(n)的方差值。
[0040]
本技术一方面提供了一种动态测量数据的处理装置，该装置包括：获取模块，处理模块和模型建立模块；
[0041]
所述获取模块，用于从新能源云数据库获取原始数据，其中，所述原始数据为动态测量获取到的所有数据；
[0042]
所述处理模块，用于对所述原始数据进行预处理，以得到动态测量数据，其中，所述预处理至少包括如下一种：数据截断、离散化、初辨统计特性和剔点处理；
[0043]
所述模型建立模块，用于建立所述动态测量数据的组合模型，所述组合模型用于对所述动态测量数据进行特征分析，以得到所述动态量测数据的系统误差和随机误差；
[0044]
所述处理模块，还用于根据所述组合模型输出的所述系统误差分离所述动态测量数据中的包含系统误差的数据；
[0045]
所述处理模块，还用于根据所述组合模型输出的所述随机误差分离所述动态测量数据中的包含随机误差的数据；
[0046]
所述处理模块，还用于根据分离出的所述包含系统误差的数据和分离出的所述包含随机误差的数据，从所述动态测量数据中得到所述动态测量数据的真实值。
[0047]
优选地，所述处理模块，还用于：
[0048]
根据预设的截取长度对所述原始数据进行截断，以得到所述动态测量数据；
[0049]
其中，所述截取长度为一个或多个动态测量过程中所需要测量的最大数据长度。
[0050]
优选地，所述处理模块还用于：
[0051]
根据所述原始数据构造第一中位数序列；
[0052]
根据所述第一中位数序列构成与所述第一中位数序列相邻的三个数据的第二中位数序列；
[0053]
根据所述相邻的三个数据的第二中位数序列构建第三序列，其中，所述第三序列的构建方法通过如下公式所示：
[0054][0055]
其中，{x
″′i}为第三序列，{x
″i}为第二中位数序列；
[0056]
计算所述第一中位数序列中的第一值减去所述第三序列中对应的第一值的差的绝对值，得到差值，并判断所述差值是否大于预设的阈值；
[0057]
若所述差值大于预设的阈值，则从所述原始数据中剔除所述第一中位数序列中的第一值，并根据所述第一中位数序列中的第一值的相邻数据计算一个平滑的线性插值，再用所述线性插值代替所述第一中位数序列中的第一值。
[0058]
优选地，所述模型建立模块具体用于建立所述动态测量数据的组合模型，包括：确定性函数f(n)、随机函数y(n)；
[0059]
通过如下公式对所述动态测量数据x(n)进行特征提取；
[0060]
x(n)＝f(n) y(n)＝d(n) p(n) y(n)；
[0061]
其中，所述随机函数y(n)用于计算外界因素对数据测量产生的误差；所述确定性函数f(n)划分成非周期函数d(n)和周期函数p(n)，所述周期函数p(n)用于计算所述动态测量数据中有规律波动的数据，所述非周期函数d(n)用于计算所述动态测量数据中无规律波动的数据；
[0062]
动态测量数据x(n)包括动态测量数据真实值x0(n)及测量误差e(n)，所述动态测量数据真实值x0(n)包括所述确定性函数f(n)对应的真实值f0(n)和所述随机性函数y(n)对
应的真实值y0(n)；所述测量误差e(n)由系统误差es(n)和随机误差er(n)组成，通过如下公式表示：
[0063]
x(n)＝x0(n) e(n)＝f0(n) y0(n) es(n) er(n)＝d0(n) p0(n) y0(n) es(n) er(n)；
[0064]
其中，d0(n)是非周期函数的真实值；p0(n)是周期函数的真实值。
[0065]
优选地，所述模型建立模块还包括计算模块，所述计算模块用于计算系统误差，通过如下公式实现：e[e(n)]＝es(n)，其中，e[e(n)]为所述测量误差e(n)的期望值。
[0066]
优选地，所述计算模块还用于计算随机误差，通过如下公式实现：
[0067]er
(n)＝x(n)-x0(n)＝x(n)-e[x(n)]；
[0068]
其中，e[x(n)]通过如下公式计算：
[0069]
x0(n)＝e[x(n)]＝e[x0(n) er(n)]＝d0(n) p0(n)；
[0070]
其中，e[x0(n) e(n)]为所述动态测量数据的真实值x0(n)与所述测量误差e(n)之和的期望值。
[0071]
优选地，所述计算模块还用于计算随机误差的方差值，通过如下公式实现：
[0072]
其中，σ
r2
(n)为随机误差的方差值；d[x(n)-x0(n)]为所述动态测量数据x(n)与所述动态测量数据的真实值x0(n)之差的方差值；d[x(n)]为所述动态测量数据x(n)的方差值。
[0073]
本技术通过避免引入坏数据、剔除包含粗大误差的数据和计算系统误差和随机误差的值，分离包含系统误差和随机误差的数据，实现对动态测量数据的数据清洗，能够得到高质量的动态测量数据。
附图说明
[0074]
为了更清楚地说明本技术实施例或现有技术中的技术方案，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技术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的前提下，还可以根据这些附图获得其他的附图。
[0075]
图1为本技术实施例提供的一种动态测量数据的处理方法的流程示意图；
[0076]
图2为本技术实施例提供的一种动态测量数据的处理方法的示例性场景的流程示意图；
[0077]
图3为本技术实施例提供的一种动态测量数据的处理装置的结构示意图。
具体实施方式
[0078]
下面结合附图，对本技术的实施例进行描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0079]
本技术实施例提供一种动态测量数据的处理方法，用于实现对原始动态测量数据的数据清洗。以下分别进行详细说明。
[0080]
参见图1，该图为本技术实施例提供的一种动态测量数据的处理方法的流程示意图。本技术实施例提供的一种动态测量数据的处理方法，例如可以通过如下步骤s101-s106
实现。
[0081]
s101：从新能源云数据库获取原始数据。
[0082]
从新能源云数据库获取原始数据，由于该数据还没有进行过处理，其中存在过多原始数据、粗大误差、系统误差、随机误差等问题。
[0083]
具体的，该原始数据动态测量过程中获取到的所有数据，其中存在着过多数据等问题，需要进行“数据清洗”，才能得到能用于科学研究的准确数据。
[0084]
s102：对该原始数据进行预处理，得到动态测量数据。
[0085]
原始数据中，存在数据冗余、部分数据误差大等明显问题，需要对原始数据进行预处理，保留部分误差较小的数据。
[0086]
具体的，预处理包括数据截断、离散化、初辨统计特性和剔点处理等。
[0087]
具体的，对原始数据进行数据截断，包括：
[0088]
根据预设的截取长度对该原始数据进行截断，以得到动态测量数据；
[0089]
其中，截取长度为一个或多个动态测量过程中所需要测量的最大数据长度。
[0090]
采用数据截断，能够避免原始数据过多、引入坏数据，解决原始数据冗余的问题。
[0091]
具体的，对原始数据剔点处理的方法为：
[0092]
先从原始数据{xi}(i＝1，2，
…
，n 1)中构造一个第一中位数序列{x
′i}；取{xi}中前5个数x1、x2、x3、x4、x5，按数值大小重新排列为x
(1)
≤x
(2)
≤x
(3)
≤x
(4)
≤x
(5)
，取其中位数x
(3)
，记作x
′3，然后舍去x1加入x6，取x2、x3、x4、x5、x6的中位数x
′4。依此类推得到n-3个中位数，最后组成相邻5个原始数据的第一中位数序列{x
′i}(i＝3，4，3，n-1)。
[0093]
根据上述方法，利用第一中位数序列{x
′i}构成第二中位数序列{x
″i}(i＝4，5，
…
，n-2)。
[0094]
具体的，第二中位数序列是根据第一中位数序列相邻的三个数据构成的。
[0095]
根据第二中位数序列{x
″i}构建第三序列{x
″′i}，该{x
″′i}第三序列的构建方法通过如下公式所示：
[0096][0097]
根据需要，预设数值δh，若|x
i-x
″′i|＞δh，则应剔除xi，并根据相邻数据计算耦合平滑的线性插值，用该线性插值代替xi。
[0098]
采用剔点处理，能够起到剔除包含粗大误差的数据的作用。
[0099]
具体的，初辨统计特性能够初步辨识随机数据的统计特性(独立性、平稳性、止态性、各态历经性等)和确定性成分的变化规律(线性、周期性等)，能够在后续根据统计特性建立表示数据构成的组合模型。
[0100]
s103：建立该动态测量数据的组合模型。
[0101]
动态测量数据x(n)由确定性函数f(n)和随机函数y(n)组成。将确定性函数f(n)进一步划分成非周期函数d(n)和周期函数p(n)两类，即：
[0102]
x(n)＝f(n) y(n)＝d(n) p(n) y(n)
[0103]
具体的，随机函数y(n)用于计算外界因素对数据测量产生的误差，周期函数p(n)用于计算动态测量数据中有规律波动的数据，非周期函数d(n)用于计算所述动态测量数据中无规律波动的数据；
[0104]
具体的，动态测量数据x(n)还能够划分为被测变量真实值x0(n)及其测量误差e(n)(以下均用下标0表示真实值)，真实值x0(n)由确定性函数f(n)对应的真实值f0(n)和随机性函数y(n)对应的真实值y0(n)组成，误差e(n)由系统误差es(n)和随机误差er(n)组成，即:
[0105]
x(n)＝x0(n) e(n)＝f0(n) y0(n) es(n) er(n)＝d0(n) p0(n) y0(n) es(n) er(n)；
[0106]
其中，d0(n)和p0(n)分别是确定性成分的真实值f0(n)的非周期分量和周期分量。
[0107]
具体的，该动态测量数据的组合模型还用于计算系统误差e(n)，通过如下公式实现：e[e(n)]＝es(n)，其中，e[e(n)]为测量误差e(n)的期望值。
[0108]
该系统误差用于分离动态测量数据中的包含系统误差e(n)的数据。
[0109]
具体的，该动态测量数据的组合模型还用于计算随机误差er(n)，通过如下公式实现：
[0110]er
(n)＝x(n)-x0(n)＝x(n)-e[x(n)]；
[0111]
其中，e[x(n)]通过如下公式计算：
[0112]
x0(n)＝e[x(n)]＝e[x0(n) er(n)]＝d0(n) p0(n)；
[0113]
其中，e[x0(n) e(n)]为动态测量数据的真实值x0(n)与测量误差e(n)之和的期望值；
[0114]
该随机误差用于分离动态测量数据中的包含随机误差er(n)的数据。
[0115]
具体的，该动态测量数据的组合模型还用于计算随机误差er(n)的方差值，通过如下公式实现：
[0116]
其中，σ
r2
(n)为随机误差er(n)的方差值；d[x(n)-x0(n)]为动态测量数据x(n)与动态测量数据的真实值x0(n)之差的方差值；d[x(n)]为动态测量数据x(n)的方差值。
[0117]
该随机误差的方差，为随机误差的评定标准，用于判断得到的数据是否稳定。
[0118]
建立该动态测量数据的组合模型，用于对动态测量数据进行特征分析，以得到动态量测数据的系统误差es(n)和随机误差er(n)。
[0119]
s104：根据该组合模型输出的系统误差es(n)分离该动态测量数据中的包含系统误差的数据。
[0120]
根据步骤s103中求出的系统误差es(n)，将动态测量数据x(n)减去系统误差es(n)后得到动态测量数据真实值x0(n)与随机误差er(n)之和，便于后续分离包含随机误差的数据。
[0121]
s105：根据该组合模型输出的随机误差er(n)分离动态测量数据中的包含随机误差的数据。
[0122]
根据步骤s103中求出的随机误差er(n)，从步骤s104中得出动态测量数据真实值x0(n)与随机误差er(n)之和中减去随机误差er(n)。
[0123]
该步骤能将被外界因素影响的动态测量数据去除掉，得到动态测量数据的真实值，所得到的的数据能够用于研究对应的科学问题。
[0124]
s106：根据分离出的包含系统误差的数据和分离出的包含随机误差的数据，从该动态测量数据中得到该动态测量数据的真实值。
[0125]
将步骤s105、s106中分离出的包含系统误差的数据和分离出的包含随机误差的数据舍去，得到了该动态测量数据的真实值。
[0126]
该动态测量数据的真实值即为高质量的动态测量数据，能够直接用于科学研究。
[0127]
本技术实施例通过对动态测量数据的原始数据进行预处理，避免引入过多的原始数据、坏数据以及剔除包含粗大误差的数据，然后从经过预处理的动态测量数据中分离出包含系统误差和随机误差的数据，实现对动态测量数据的数据清洗，得到了高质量的动态测量数据，有利于研究对应的科学问题。
[0128]
图2为本技术实施例提供的一种动态测量数据的处理方法的示例性场景的流程示意图，可以通过如下步骤s201-s206实现。
[0129]
假设动态测量数据为测量风力发电机的电压值，其中，每5秒测试一次电压值。
[0130]
s201：从新能源云数据库获取原始数据。
[0131]
引入动态测量数据的原始数据，假设引入了一天的风力发电机的电压值的动态测量数据。
[0132]
s202：对该原始进行预处理。
[0133]
预处理包括数据截断、离散化、初辨统计特性和剔点处理等。
[0134]
由于每5秒测量一次，一天中包含17280个5秒，一次性引入17280个测量数据显得数据过于繁杂，采用数据截断的方法来截取其中的一部分数据，如截取其中的1小时的数据，则只剩下其中的720个数据。能够避免引入太多的原始数据，不利于后续的计算。
[0135]
假设720个数据中包含1.2,1.3，1.4,10800,1.5等，其中的“10800”则与其他的数据相差过大。为避免引入这类包含粗大误差的数据，采用剔点处理的方法，将如“10800”这类数据剔除。
[0136]
s203：建立该动态测量数据的组合模型。
[0137]
根据下述式子，将动态测量数据x(n)分为确定性函数f(n)和随机函数y(n)，可对f(n)进一步划分成非周期函数d(n)和周期函数p(n)两类；
[0138]
x(n)＝f(n) y(n)＝d(n) p(n) y(n)
[0139]
其中，随机函数y(n)指的是外界因素对数据测量产生的影响，如风力过大影响数据测量、跑过的动物等等；p(n)指的是数据中呈有规律的波动的部分数据，如假设中的电压值在1.2～1.5之间；d(n)指的是数据中不呈有规律的波动的部分数据。
[0140]
具体的，动态测量数据x(n)还能够划分为被测变量真实值x0(n)及其测量误差e(n)(以下均用下标0表示真实值)，真实值x0(n)由确定性真实值f0(n)和随机性真实值y0(n)组成，误差e(n)由系统误差es(n)和随机误差er(n)组成，即：
[0141]
x(n)＝x0(n) e(n)＝f0(n) y0(n) es(n) er(n)＝d0(n) p0(n) y0(n) es(n) er(n)；
[0142]
其中，d0(n)和p0(n)分别是确定性成分的真实值f0(n)的非周期分量和周期分量。
[0143]
根据公式e[e(n)]＝es(n)计算出系统误差es(n)，例如求出电压的系统误差为0.9。
[0144]
根据公式x0(n)＝e[x(n)]＝e[x0(n) er(n)]＝d0(n) p0(n)计算e[x(n)]。
[0145]
再根据公式er(n)＝x(n)-x0(n)＝x(n)-e[x(n)]计算出随机误差er(n)，例如求出电压的随机误差为0.1。
[0146]
根据公式计算出随机误差er(n)的方差值，例如
求出电压的随机误差的方差值为0.05，可见得到的数据趋于稳定。
[0147]
建立该动态测量数据的组合模型，用于对动态测量数据进行特征分析，以得到动态量测数据的系统误差es(n)和随机误差er(n)。
[0148]
s204：根据该组合模型输出的系统误差es(n)分离该动态测量数据中的包含系统误差的数据。
[0149]
根据步骤s203中求出的系统误差es(n)为0.9，将动态测量数据x(n)减去系统误差es(n)后得到动态测量数据真实值x0(n)与随机误差er(n)之和，便于后续分离包含随机误差的数据。
[0150]
s205：根据该组合模型输出的随机误差er(n)分离动态测量数据中的包含随机误差的数据。
[0151]
根据步骤s103中求出的随机误差er(n)为0.1，从步骤s104中得出动态测量数据真实值x0(n)与随机误差er(n)之和中减去随机误差er(n)。
[0152]
该步骤能将被外界因素影响的动态测量数据去除掉，得到动态测量数据的真实值，所得到的的数据能够用于研究对应的科学问题。
[0153]
s206：根据分离出的包含系统误差的数据和分离出的包含随机误差的数据，从该动态测量数据中得到该动态测量数据的真实值。
[0154]
将步骤s205、s206中分离出的包含系统误差的数据和分离出的包含随机误差的数据舍去，得到了该动态测量数据的真实值。
[0155]
该动态测量数据的真实值即为高质量的动态测量数据，能够直接用于研究一天中的风力发电机的点压变化。
[0156]
以上描述了本技术实施例提供的一种动态测量数据的处理方法，下面结合附图介绍本技术实施例提供的动态测量数据的处理装置。
[0157]
如图3所示，本技术实施例提供的动态测量数据的处理装置的一实施例包括：
[0158]
获取模块301，用于从新能源云数据库获取原始数据，其中，该原始数据为动态测量获取到的所有数据；
[0159]
处理模块302，用于对该原始数据进行预处理，以得到动态测量数据，其中，预处理至少包括如下一种：数据截断、离散化、初辨统计特性和剔点处理；
[0160]
模型建立模块303，用于建立该动态测量数据的组合模型，该组合模型用于对该动态测量数据进行特征分析，以得到该动态量测数据的系统误差和随机误差；
[0161]
该处理模块302，还用于根据该组合模型输出的系统误差分离该动态测量数据中的包含系统误差的数据；
[0162]
该处理模块302，还用于根据该组合模型输出的随机误差分离该动态测量数据中的包含随机误差的数据；
[0163]
该处理模块302，还用于根据分离出的包含系统误差的数据和分离出的所述包含随机误差的数据，从该动态测量数据中得到该动态测量数据的真实值。
[0164]
具体的，所述处理模块还用于：
[0165]
根据原始数据构造第一中位数序列；
[0166]
根据第一中位数序列构成与第一中位数序列相邻的三个数据的第二中位数序列；
[0167]
根据相邻的三个数据的第二中位数序列构建第三序列，其中，第三序列的构建方
法通过如下公式所示：
[0168][0169]
其中，{x
″′i}为第三序列，{x
″i}为第二中位数序列；
[0170]
计算第一中位数序列中的第一值减去第三序列中对应的第一值的差的绝对值，得到差值，并判断所述差值是否大于预设的阈值；
[0171]
若该差值大于预设的阈值，则从原始数据中剔除该第一中位数序列中的第一值，并根据该第一中位数序列中的第一值的相邻数据计算一个平滑的线性插值，再用所述该线性插值代替该第一中位数序列中的第一值。
[0172]
具体的，该模型建立模块303具体用于建立动态测量数据的组合模型，包括：确定性函数f(n)、随机函数y(n)；
[0173]
通过如下公式对动态测量数据x(n)进行特征提取；
[0174]
x(n)＝f(n) y(n)＝d(n) p(n) y(n)；
[0175]
其中，随机函数y(n)用于计算外界因素对数据测量产生的误差；确定性函数f(n)划分成非周期函数d(n)和周期函数p(n)，周期函数p(n)用于计算动态测量数据中有规律波动的数据，非周期函数d(n)用于计算动态测量数据中无规律波动的数据；
[0176]
动态测量数据x(n)包括动态测量数据真实值x0(n)及测量误差e(n)，动态测量数据真实值x0(n)包括确定性函数f(n)对应的真实值f0(n)和随机性函数y(n)对应的真实值y0(n)；测量误差e(n)由系统误差es(n)和随机误差er(n)组成，通过如下公式表示：
[0177]
x(n)＝x0(n) e(n)＝f0(n) y0(n) es(n) er(n)＝d0(n) p0(n) y0(n) es(n) er(n)；；
[0178]
其中，d0(n)是非周期函数的真实值；p0(n)是周期函数的真实值。
[0179]
具体的，该模型建立模块303还包括计算模块304，该计算模块304用于计算系统误差，通过如下公式实现：e[e(n)]＝es(n)，其中，e[e(n)]为测量误差e(n)的期望值。
[0180]
具体的，该计算模块304还用于计算随机误差，通过如下公式实现：
[0181]er
(n)＝x(n)-x0(n)＝x(n)-e[x(n)]；
[0182]
其中，e[x(n)]通过如下公式计算：
[0183]
x0(n)＝e[x(n)]＝e[x0(n) er(n)]＝d0(n) p0(n)；
[0184]
其中，e[x0(n) e(n)]为动态测量数据的真实值x0(n)与测量误差e(n)之和的期望值。
[0185]
具体的，该计算模块304还用于计算随机误差的方差值，通过如下公式实现：
[0186]
其中，σ
r2
(n)为随机误差的方差值；d[x(n)-x0(n)]为动态测量数据x(n)与动态测量数据的真实值x0(n)之差的方差值；d[x(n)]为动态测量数据x(n)的方差值。
[0187]
需要说明的是，上述所描述动态测量数据的处理装置由于与本技术图1所示的方法实施例基于同一构思，其带来的技术效果与本技术方法实施例相同，具体内容可参见本技术前述所示的图1的方法实施例的技术效果的叙述，此处不再赘述。
[0188]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第
四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0189]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0190]
以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已。
[0191]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。