基于TFER及退化趋势相似性分析的轴承剩余使用寿命预测

为了解决传统退化指标对轴承退化起始点的敏感性差,以及退化指标趋势偏移导致无法准确预测风力机轴承剩余使用寿命(RUL)的问题,提出了一种基于Teager能量算子-故障能量比(TFER)与退化趋势(DT)相似性检测相结合的双指数轴承RUL预测方法。首先,通过计算原始信号的TFER值,根据4σ原则确定轴承退化起始点,提取了TFER值趋势特征作为退化指标;然后,采用历史TFER值拟合双指数退化模型,通过分析最新TFER值与拟合曲线的相似性,选取了最佳DT段;最后,通过外推相似性最佳的DT段至失效阈值,进行了风力机轴承RUL预测。实验结果表明:该预测方法对退化起始时间点的检测精度达到98%,与原始指数模型、长短期记忆神经网络(LSTM)以及支持向量回归(SVR)相比,该方法在轴承RUL预测精度上分别提高了10.04%、6.29%、5.22%。该方法不仅提升了风力机轴承的预测性维护精度,还对降低运营成本和提高维护效率提供了有力支撑。

基于趋势相似度分析的多重时滞辨识及其在加氢裂化流程中的应用

针对复杂工业流程生产单元间变量存在多重时滞且检测困难,提出一种基于趋势相似度分析的多重时滞辨识方法。选取单元间相关性强的关键变量,利用多项式最小二乘拟合后的变量导数数据定义趋势相似度,以经采样时滞平移后的趋势相似度最小,描述多重时滞辨识问题;用L2范数量化趋势相似度向量,将多重时滞辨识问题转化成L2范数最小化问题;并用改进的自适应粒子群算法快速寻优,确定各变量的最优采样时滞。所提方法被应用于加氢裂化流程中,辨识出各变量的实际采样时滞,由此建立了基于局部加权核主元回归的柴油闪点预测模型。实验结果表明:考虑多重时滞的预测模型准确率提高了19.05%,验证了所提时滞辨识方法的有效性。

时间序列趋势相似性度量方法研究

为了进一步改善和提高基于模式的时间序列趋势相似性度量效果,在时间序列分段线性表示的基础上,依据分段子序列的均值及其线性拟合函数的导数符号,实现时间序列的分段模式化,以模式之间的异同性定义模式匹配距离,借鉴动态时间弯曲(Dynamic Time Warping,DTW)的动态规划原理,提出一种动态模式匹配方法(Dynamic Pattern Matching,DPM)。实验结果表明,该方法能够在不同压缩率条件下,准确度量等长时间序列的趋势相似性,而且时间消耗较低。时间序列不等长作为存在数据缺失的一种表现形式,该方法的度量效果与数据缺失比例之间的关系值得进一步的深入研究。

基于前趋势相似度的细粒度用户用电负荷预测

在智能电网普及的大数据背景下,对电力数据进行准确地分析和预测具有重要意义。提出一种基于前趋势相似度的细粒度居民用电预测模型。根据用户的用电行为特征采用基于DTW距离的K-mediods方法对总体用户进行细粒度划分;在各个子类分别建立用电量预测模型;根据用户的用电行为具有周期性突变这一现象,采用基于前趋势相似度的BP神经网络模型对原BP网络进行改进。基于真实居民用电数据的实验表明,所提出的方法具有较好的预测效果。

基于趋势相似性特征的异常工况监测方法研究

当前火力发电生产过程中,多元变量检测方法难以实现多元非平稳过程变量异常工况监测。对此,首先计算多元变量之间在固定时间窗口宽度内数据之间的趋势相似性,采用所得到的趋势相似性作为监控特征。其次,采用主元分析方法对所得到相似性特征序列进行降维,对降维后所得到的主元空间趋势相似性特征序列进行监控。最后,以T2统计量作为监测指标,依据T2统计量与其控制阈值T2α的大小关系产生告警信号,从而达到有效监控多元非平稳过程变量的目的。通过在华北电网某300 MW火电机组的应用,验证了所提出方法的有效性与可靠性。该方法较好地解决了多元非平稳过程的检测问题,对于相关研究与应用具有借鉴意义。

基于趋势相似性的二甲酚尾气处理过程监测

利用工业锅炉对二甲酚的尾气进行处理时,存在爆炸和有毒尾气泄漏的风险,因此对二甲酚尾气处理过程进行故障监测十分必要。然而该过程具有非平稳特征,常规的故障监测方法监测准确率不高。为了解决这个问题,提出了基于趋势相似性特征的故障监测方法,通过滑动时间窗口切割时间序列,计算各时间窗口内数据之间的趋势相似性,并以此作为新的监控特征对该非平稳过程进行监测,从而提高监测准确率。最后,以某二甲酚生产企业采集的现场数据进行验证。结果表明,基于趋势相似性特征的故障监测较常规方法有较高的准确率,且监测准确率随过程的非平稳性增强而提高,验证了所提方法的有效性及实际应用价值。

一种挖掘相似子趋势的可变递增步长算法

通过引入趋势相似和趋势分布的概念 ,分析了趋势分布与趋势序列相似度之间的关系 ,发现趋势分布可排除掉满足一定的不相似条件的侯选子趋势 ,并且可采用“跳跃”的方式来进行相似子趋势的搜索 .提出了在时间序列数据库中进行相似子趋势的数据挖掘的快速算法 VISL (variable increm ental step length) .对比于两个已有算法(一个具有与相似度阈值无关的运行时间 ,另一个在高相似度阈值下具有目前领域内最好的时间性能 )进行了仿真数据集上的运行实验 ,在较长的序列长度及高相似度阈值的情况下 ,得到了较对比算法更优的时间性能 .

基于相似日选取样本的短期风电功率混沌预测

为减小构成初始条件的样本数据所导致的预测误差,本文借鉴负荷预测中基于相似日选取样本的思想,采用趋势相似度的概念选择相似日作为模型输入量,对短期风电功率进行混沌预测。选择我国某区域风电功率数据作为研究对象,考虑不同预测步长和季节差异,进行了大量的算例仿真,结果验证了该方法提高混沌预测精度的有效性和适用性。

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。

基于OLAM的时态序列相似搜索研究

时间序列相似搜索是时间序列数据挖掘的一个重要功能,它所面临的最大问题是搜索空间过大、计算过于复杂。本文提出了基于OLAM体系架构的一种时间序列相似模式分层匹配方法。该方法首先利用对时间序列广义移动均值的聚类进行相似搜索的粗匹配,接着通过构造时间序列趋势的相似度,利用此用户对相似度的要求可以进行第二次筛选;最后通过对剩余的时间序列的距离计算,就可以获得最终相似的时间序列。实验分析表明该方法具有良好的性能和OLAM特征。

基于相似日的遗传程序设计短期负荷预测模型

针对短期负荷预测中对自动化、智能化和预测精度的进一步需求,提出了基于相似日的遗传程序设计短期负荷预测模型.首先从日特征量、日前趋势相似度及其综合来选择预测日的趋势相似日样本数据,然后重点介绍了利用相似日样本数据进行短期负荷预测遗传程序设计演化建模的算法设计流程.贵州电网日96点负荷实例预测结果表明,模型所对应的预测曲线与原始曲线拟合较好,模型具有较高的预测精度,能够反映短期负荷变化的规律.

电力系统元件模型仿真准确度评估

结合规范系数法与距离法提出了一种定量判断元件模型仿真准确度的方法。该方法在评估2条曲线的相似性时既考虑了2条曲线间的距离,同时也考虑了曲线变化趋势的相似程度。城西变电站的实测数据与仿真结果表明,该方法在评估元件模型的准确度时能有效克服只考虑仿真结果与实测曲线的数值相似度,而没有考虑仿真结果与实测曲线的变化趋势相似度问题。该方法使评估仿真元件模型的准确度更加合理、全面。

基于滑动窗口聚类的时序关联规则挖掘方法

通过研究时间序列中特定时间段内某种趋势的频繁发生,提出基于滑动窗口聚类的时序关联规则挖掘方法。利用滑动窗口对时间序列进行离散,形成多个子序列;根据子序列之间的趋势相似性利用K-Means方法对离散后的子序列进行聚类,使得每个子序列与其所属类相对应,形成趋势序列;对趋势序列进行规则挖掘,利用J-measure准则对规则进行再次筛选。实验结果表明,该方法能使用户发现更有价值的规则,能反映规则在特定时间内的变化趋势,指导用户做短期的预测或决策。

考虑配网负荷曲线特性的低频减载执行方案调整方法

在我国交直流电网互联规模及新能源发电并网容量持续扩大背景下,系统发电侧面临的有功缺额风险增加,这对电网第三道保护防线低频减载方案在地市电网的执行可靠性提出了更高的要求。针对现有执行方案轮次线路调整方法下执行合格率较低、稳定性较差及时效有限的不足,提出一种考虑配网线路负荷特性的轮次线路调整方法。基于低频减载方案设计执行评价指标,建立执行方案线路调整优化0-1整数规划模型,并加入考虑线路相对全网负荷曲线趋势相似性及线路负荷曲线波动性的诱导函数,实现算法流程设计。基于实际工程案例进行实证分析,证明了所提方法下轮次执行合格率及稳定度、应用时效相对现有方法均更优。通过建立低频减载执行方案评估决策系统,有效提升执行方案管理智能化水平,对地市电网低频减载执行方案的调整优化具有一定的参考意义。

基于DTW算法的空间目标结构识别研究

利用空间目标雷达散射截面(Radar Cross section,RCS)序列开展空间目标结构识别是空间态势感知的重要组成部分,针对RCS序列受目标物理特性、姿态特性影响大,序列信号非平稳特征明显的问题,提出利用动态时间规整(dynamic time warping,DTW)算法解决空间目标结构特征识别的问题。首先介绍了DTW算法的原理与特点,对算法原理及适用范围进行了分析;然后针对空间结构目标识别问题的特点,提出一种生成仿真数据的方法并分析了利用DTW算法的具体步骤;最后,利用一组仿真测试数据对算法进行了仿真验证。分析结果表明,DTW算法在解决利用RCS序列进行目标结构识别这一问题中具有鲁棒性强,识别准确的特点。

股票遴选与投资业绩——基于属性约简及动态时间规整距离

评价风险资产价值的指标(属性)有很多,以少量指标(属性)从数以千计的风险资产中筛选出有投资价值的资产对投资业绩影响重大。本文以股票市场为例,提出了基于属性约简及动态时间规整距离的股票遴选方法。首先利用基于属性重复度的改进属性约简算法筛选出能区分股票投资价值的约简属性集,之后将单指标动态时间规整算法拓展到多指标,建立股票间基于约简属性集的多维动态时间规整距离集,利用聚类技术对规整距离集进行聚类并通过拆分规整距离对股票进行类别划分,遴选收益-风险特征均较好的类别中的股票构建资产池。数值试验表明:随机模拟权重和均等权重投资组合的累积收益率均高于市场基准,且资产的优化配置进一步改善了投资组合的收益-风险特征。该方法通过属性约简降低了投资者评价股票投资价值的难度,通过多维动态时间规整距离度量了不同股票关于各指标(属性)时间序列变动趋势的相似程度;遴选过程基于历史数据,避免了主观因素的影响,且筛选结果具有稳健性。此外,该方法适合于一般风险资产的遴选,还可以将不同市场不同行业考虑在内,以便更好地实现分散化投资。

Gen-Cluster:一个基因表达数据的高维聚类算法

基因表达数据聚类是分析基因之间共调控关系的重要手段.挖掘子空间中表达值存在差异但变化趋势保守的序列已成为基因表达数据聚类的主要研究内容之一.在N-同维趋势相似定义的基础上,提出了一个基因表达数据的高维聚类算法Gen-Cluster,将基因表达值转化为序列形式,采用无重复投影且无候选生成的序列模式挖掘策略自底向上挖掘N-同维趋势模式,并解决了OP-Cluster算法不能挖掘含有项集的序列模式问题,最终得到表达值变化趋势保守的基因序列形成的N-同维趋势簇.实验采用Breast Tumor和MicroRNA表达数据集,验证挖掘结果是有效的,且较OP-Cluster算法表现更高效率,并涵盖其结果.

基于遮挡检测机制的DDAT目标跟踪算法

针对机器视觉中目标跟踪出现的遮挡问题,在原有的DAT(Distractor-Aware Tracking)算法框架上引入遮挡检测机制,提出了DDAT(Detection-DAT)算法。该机制首先提取目标的颜色特征,通过颜色特征计算目标帧间的相似度,利用相似度的变化趋势及帧间差值阈值,判断目标在跟踪中是否出现遮挡;然后利用朴素贝叶斯分类器和最邻近分类器,得到后续帧中的目标框;最后再次通过相似度检测两个分类器得到的目标框是否为正确的目标框。为了验证算法的有效性,在具有遮挡属性的标准数据集视频序列上,与DAT算法以及其他的跟踪算法进行定性和定量的比较。