基于分段聚合近似与Shapelet算法的户变关系异常识别方法

在电力系统运营中,准确地监测和识别户变关系异常是保证系统安全和提高运营效率的关键。本文基于分段聚合近似(piecewise aggregate approximation, PAA)和Shapelet算法提出了一种新的户变关系异常识别方法。首先,利用PAA算法对电力消费数据进行降维处理,其次,通过Shapelet算法从简化后的数据中提取关键模式,以准确识别和分类异常情况。最后,将本文方法与传统支持向量机算法进行性能比较,结果表明:本方法在准确率和召回率方面均显著优于支持向量机算法。

融合趋势信息的时间序列符号聚合近似方法

为解决符号聚合近似方法(SAX)表示时间序列时忽略序列局部趋势的问题,提出一种融合形态趋势信息的时间序列符号聚合近似方法。该方法以子序列段中的最大值和最小值以及它们两者之间的相对位置为依据,定义一种新的趋势指标来描述子序列段的趋势,并使用融合趋势指标的符号矢量来近似表示时间序列。针对所提表示方法,给出一种新的距离度量方法,并在UCR数据集和电机转矩数据集上进行分类实验,实验结果表明,所提方法在绝大多数数据集上获得了较SAX方法更高的分类准确率,能够有效弥补SAX方法表示时间序列时忽略局部趋势的不足。

基于自适应分段聚合近似的户变关系聚类识别方法

低压配电变压器台区广泛存在户变关系不准确的现象,导致台区线损统计异常、停复电通知不及时等问题。目前,台区档案校验主要依靠电力员工现场排查,过程耗时耗力。针对此,依据智能电表记录的电压数据,提出基于自适应分段聚合近似和谱聚类的低压台区户变关系识别方法。首先,采用零均值标准化放大原始电压数据间的相对差异;其次,采用自适应分段聚合近似方法对电压数据进行降维处理,提取电压曲线特征;然后,应用谱聚类算法对电压特征数据进行聚类,实现用户与所属台区的识别;最后,通过算例分析的结果验证了所提模型的可行性和有效性。

基于符号聚合近似法的钻井液漏失类型自动识别

目前钻井液漏失类型判断需基于详细的地质工程信息,并辅以人工分析,漏失类型识别存在着主观性和滞后性。基于钻井液漏失原因和参数表征规律,建立了裂缝性、孔隙性、溶洞性和诱导裂缝性4种漏失类型特征曲线模版,并采用符号聚合近似(SAX)方法对特征曲线进行字符化转换;通过获取待识别井漏失特征曲线的SAX字符串,并计算与模版字符串的相似性,再根据量化的相似度自动识别漏失类型。实例井验证结果显示,该方法能直接利用录井数据自动识别漏失类型,识别效率相比传统的人工分析方法提升了90%以上。该方法既可用于海量历史数据挖掘分析,为后续钻井提供指导,也可用于实时漏失类型判断,为堵漏措施的选择提供科学依据。

基于信息熵分段聚合近似和谱聚类的负荷分类方法

居民和商业负荷参与需求响应项目时,负荷数据日趋多维化和海量化,需要对其进行降维分类处理。提出一种基于信息熵分段聚合近似(information entropy piecewise aggregate approximation,IEPAA)和谱聚类的负荷分类方法。首先采用IEPAA对典型日负荷数据集进行可变时间分辨率重表达,进一步采用基于距离和曲线形态的双尺度相似性度量谱聚类算法进行聚类处理,从而获得合理的负荷分类结果。利用商业办公楼宇中央空调机组的典型日负荷数据对所提方法进行了验证,表明该方法在数据降维、负荷分类有效性、稳定性和降低运算量等方面均具有优势。

基于符号化聚合近似的时间序列相似性复合度量方法

基于关键点的符号化聚合近似(SAX)改进算法(KP_SAX)在SAX的基础上利用关键点对时间序列进行点距离度量,能更有效地计算时间序列的相似性,但对时间序列的模式信息体现不足,仍不能合理地度量时间序列的相似性。针对SAX与KP_SAX存在的缺陷,提出了一种基于SAX的时间序列相似性复合度量方法。综合了点距离和模式距离两种度量,先利用关键点将分段累积近似(PAA)法平均分段进一步细分成各个子分段;再用一个包含此两种距离信息的三元组表示每个子分段;最后利用定义的复合距离度量公式计算时间序列间的相似性,计算结果能更有效地反映时间序列间的差异。实验结果显示,改进方法的时间效率比KP_SAX算法仅降低了0.96%,而在时间序列区分度性能上优于KP_SAX算法和SAX算法。

分段聚合近似和数值导数的动态时间弯曲方法

针对动态弯曲方法对时间序列数据相似性度量的质量和效率的局限性,本文提出一种基于分段聚合近似和数值导数的动态时间弯曲方法。该方法通过分段聚合近似将时间序列数据进行有效地降维,再结合数值导数对降维后的特征序列构建新特征序列,并且设计符合该特征序列相似性度量方法。实验结果分析表明,与传统动态弯曲方法相比,新方法具有较好的度量质量,能在时间序列数据挖掘中得到较好的分类效果,且在低维空间具有较高的分类效率,具有一定的优越性。

基于改进符号聚合近似的柔性直流牵引供电系统馈线5G保护方案

基于电压源型换流器(Voltage Source Converter,VSC)的柔性技术是提高城市轨道交通直流牵引供电系统灵活性的新手段.为克服现有二极管整流的直流牵引供电系统能量流向单一和新能源并网困难的缺点,采用直流电压下垂控制策略对750 V柔性直流牵引供电系统建模,并研究该系统下的故障特性.针对远端故障电流和机车启动电流难以区分导致电流变化率和电流增量DDL保护不灵敏的问题,在5G通信实现馈线电流与供电区间机车启动电流数据交互的基础上,提出了一种通过改进符号聚合近似(Symbolic Aggregate Approximation,SAX)算法实现电流数据符号化转换,并结合使用符号距离的动态时间规整算法(Dynamic Time Wrapping,DTW)建立保护判据的新型多端电流差动保护方案.仿真结果表明:所提出的保护方案在噪声为30dB,时钟抖动为200μs的情况下,仍可100%准确区分远端故障与机车启动状态,具有较高可靠性.

基于粒子群优化分段聚合近似的负荷分类

针对分段聚合近似算法存在对数据分段数目敏感以及需要人为确定压缩比的不足,提出一种基于粒子群优化分段聚合近似的负荷分类方法.利用加速粒子群算法优化分段聚合近似压缩比,获得负荷曲线拟合误差最小时所对应的压缩比,在此基础上通过模糊C均值聚类算法对分段聚合近似曲线进行划分.将所提出的负荷分类法用于辽宁某地电力负荷数据分类中,结果表明,所提方法要优于传统分段聚合近似分类方法.

基于小波熵的时间序列分段聚合近似表示

由于时间序列数据具有高维性等特征,不易直接进行挖掘。在对时间序列数据进行挖掘之前通常先进行特征表示达到降维的目的,分段聚合近似表示(PAA)是特征表示方法中比较常用的一种,针对PAA算法对每一区间有平均对待的缺点,提出一种采用小波熵的时间序列分段聚合近似表示,将小波熵运用到PAA算法的改进中,把某一区间内的小波能量熵值作为判评区间复杂度的指标,按各区间内小波熵值的比重分配各区间内分段数,实现对复杂区间详细描述,对相对平稳区间粗略逼近,利用matlab平台仿真证明,上述方法在压缩比相同的情况下比PAA方法更好地拟合原始序列,不仅能对时间序列有效地降维,而且能使近似更加精确,进而实现时间序列数据挖掘效率的提高。

基于分段分区聚合近似和模糊聚类的风电出力特性分析

风电出力特性与负荷需求的形状(负荷需求具有双峰性的典型形状)不一样,难以直观得到风电出力特性曲线的大概轮廓。因此,提出改进的自适应模糊聚类算法,采用表征多时空尺度的风电波动性、同时率评价指标对风电出力数据归一化处理,分段聚合降低维度,计算自适应函数α(c),确定各时段最佳聚类数c,对风电出力类型分类;引入变异离散度系数βi,剔除风电出力畸变数据;提出分区加权中位值法,辨识并提取风电出力特性概率区间带。针对新疆区域电网2015年1月份的风电出力数据,仿真计算分析风电出力特性曲线及概率区间带,验证了所提方法的有效性和稳定性。

基于金融时间序列的符号聚合近似测度的改进

针对金融时间子序列模式匹配准确率低的问题,提出了一种在金融时间序列中定位图形模式的新方法,即改进的符号聚合近似表示方法。利用子序列每个区段的最小值、平均值和最大值进行符号化,并采用余弦相似度作为模式相似性的衡量标准。采用香港股票市场的恒生指数HIS的历史数据进行仿真实验,实验结果表明,无论是从匹配时间还是匹配的准确性角度分析,所提算法均比传统的SAX方法和TD_SAX方法更有效,所需时间较短且可以产生更少的假阴性和假阳性序列。

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。

融合波动率的时序数据符号聚合近似方法探究

为解决传统符号聚合近似方法分析时序数据时丢失序列波动形态信息的问题,提出一种融合波动信息的时间序列符号聚合近似方法。该方法在传统符号化方法的基础上定义波动率指标来同时量化时间序列的波动幅度和变化趋势信息,用融合波动率的符号矢量近似刻画子序列,在此基础上给出一种新的时间序列距离度量方法。以此度量方法为基础,提出时间序列的相似性计算和分类方法,并在公开数据集上进行了分类学习实验。实验结果表明,所提方法在绝大部分数据集上获得了较传统符号聚合近似方法更好的分类准确率,尤其在时间序列具有明显的局部波动或明显的上升、下降趋势时。

基于云模型的时间序列分段聚合近似方法

针对时间序列数据的高维特性,提出一种基于云模型的时间序列分段聚合近似方法.利用云模型的熵评判分段聚合后各子序列的数据稳定性,选取稳定性最弱的子序列再分段聚合,最终得到云模型序列,同时给出了云模型序列的相似性度量.该方法对时间序列能够有效降维,并能够自适应地识别和描述其基本特征.实验结果表明,数据压缩较大时,所提出方法能够较好地保证近似的准确性,并提高时间序列数据挖掘的效率.

基于形态特征的时间序列符号聚合近似方法

由于形态特征能够较为客观地反映时间序列的变化趋势,在时间序列数据降维过程中,形态特征的提取能够保留较为充分的数据信息,为提高后期的时序数据挖掘的效率提供可靠的保障.文中提出基于形态特征的时间序列符号聚合近似方法,综合考虑分段序列的均值和数据分布的形态特征,并且通过论域转化对它们实现符号转化.在相同的压缩比环境下,与传统符号化表示方法相比,该方法能更好地提供原始时间序列数据信息,进而提高时间序列数据挖掘的效率.

基于GAF-MCNN的轴承智能故障诊断方法研究

针对轴承微小故障信号非平稳非线性且易受背景噪声干扰的特点,提出了一种基于格拉姆角场和多尺度卷积神经网络(Gramian angular field and multi-scale convolutional neural network,GAF-MCNN)的智能故障诊断方法。首先,利用分段聚合近似算法对原始振动信号进行压缩降维预处理,以减少数据存储空间和提升计算效率;然后,利用格拉姆角场算法将一维序列信号转换为二维矩阵热图,二维化后的矩阵加强了原始振动信号间的时间关系,将时间维度编码到了矩阵结构中;最后,设计了基于多尺度卷积神经网络对故障进行高效快速智能诊断。实验结果表明,GAF-MCNN诊断方法不仅克服了传统卷积神经网络诊断方法存在的计算效率较低的问题,而且诊断准确率优于单尺度卷积神经网络方法,具有较强的工程实用性。

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation,PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field,GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。

基于时间序列变密度处理的负荷曲线聚类分析

负荷曲线聚类是分析用户负荷特性的基础,能够从大量负荷数据中挖掘典型用电模式,了解用户电力消费的特点,对需求响应、电价设计、电网规划等应用具有重要意义。针对现有聚类方法对负荷时段特征考虑不足的问题,为提升聚类精度和满足实际应用需求,提出一种基于时间序列变密度处理的聚类方法。首先,采用线性插值法增加峰、谷、爬坡等3个关键时段数据点的密度,突出和放大其在聚类中的影响,并基于自适应分段聚合近似(adaptive piecewise aggregate approximation,APAA)降维方法减小冗余数据密度。然后,结合欧式距离和相关距离构建综合指标,对负荷曲线开展k-medoids聚类分析。最后,利用UCI数据集的居民用户实测数据对所提方法进行验证。实验结果表明,该方法能有效改善负荷聚类效果,真实反映了居民用户的用电特性。

基于电压序列相似性的户变关系与相别识别

随着低压配电网的改造升级,台区户变关系变化频繁,为解决时有发生的用户台区挂错现象,提出一种利用改进的基于密度的点排序识别聚类结构(ordering points to identify the clustering structure,OPTICS)的台区户变关系识别和相别识别方法。首先,对配网电压序列的相关性进行定性分析,提出利用电压时序序列作为分析识别的数据基础;其次,采用改进的自适应分段聚合近似(adaptive piecewise aggregate approximation,APAA)对电压序列进行降维处理,提取能够反映电压特征的低维向量;然后利用改进的OPTICS算法对所提取的特征向量进行聚类分析,识别台区的户变关系和相别关系;最后,基于实际的台区数据进行算例分析,验证了所提方法的准确性。