试验海区水文参数时间序列的多周期重构预测方法

针对水文参数时间序列的预测问题,在多尺度影响因素分析的基础上,提出了一种新的基于多周期重构的预测方法。首先利用小波变换和滑动平均计算对原始时间序列进行若干周期的分解;对分解序列分别进行自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)建模,由模型进行递推预测;再将预测结果反向重构实现对原始序列未来值的预测。运用此方法,对烟台海区某海洋浮标站的温度测量数据进行了分析。分析结果表明,此方法相比直接在原始序列上进行ARIMA建模与预测,预测准确度得到提升,可用于对试验海区水文参数序列的处理,为试验决策提供支撑。

基于周期项方法选择的季节性时序预测

根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性时间序列整体预测模型。实验结果表明,该模型能克服周期项多步预测的缺点,具有较高的预测精度。

基于双路时频特征融合网络的电能质量扰动识别方法

针对噪声环境下单一及复合电能质量扰动(Power Quality Disturbance,PQD)识别的准确性和鲁棒性不足的问题,提出了一种基于双路时频特征融合网络的PQD识别模型。首先对电能质量扰动信号进行处理,通过S变换生成对应的矩阵图像,并结合周期重构矩阵图像,以此构建双路输入特征;再将两种矩阵图像特征送入轻量级网络ShuffleNet_V2进行特征提取,提取得到的特征随后被展平并拼接,形成一组特征序列,输入到多头注意力机制模块中进行深度融合;最终,通过分类层输出电能质量扰动的识别结果。实验结果表明,该模型能够有效地提取和融合时频特征,从而在复杂噪声背景下实现对PQD信号的准确识别,验证了方法的有效性。

面向用电侧电能质量监测的时空压缩感知方法

针对当前电能质量监测采样数据量庞大、前端数据计算处理负荷激增的问题,提出了一种自检测电能质量数据时空压缩感知方法。该方法采用压缩感知理论突破了基于奈奎斯特采样定律的传统采样方式需要大量传输数据的瓶颈;并充分考虑多个同类型测量对象的数据相关性,将不同小区的用电数据投射为二维矩阵,通过二维离散余弦变换稀疏基变形推导实现时空压缩感知;且针对冲击脉冲信号重构识别不稳定提出脉冲自检测机制与压缩感知模型结合;最后经实验证明该方法能实现电能质量数据的准确重构、提高传输数据压缩率、缩短采样重构周期从而增大控制中心可处理数据容量,提高工作效率。