基于IBSO-SDT的风电爬坡事件检测方法

为提升风电爬坡事件的检测效果,针对含电池储能的风电场,提出基于改进天牛群优化旋转门算法的爬坡事件检测方法。首先,对天牛群搜索算法进行改进,利用其搜索旋转门算法的最优门宽,并据此提取风电功率的特征数据点;然后,对特征数据点进行处理以消除“凸起”现象,进而连接相邻两个数据点形成一个风电特征时段,将风电特征时段进行分类,结合爬坡方向对其进行编码,并依据编码结果进行合并;接着,结合给出的含电池储能风电场爬坡事件定义,对合并后的风电特征时段进行爬坡事件检测;最后,利用某风电场实际运行数据对检测方法进行仿真,并与多种爬坡事件检测方法进行对比,验证了所提方法的有效性。

基于容差动态调整的旋转门(SDT)改进算法

提出了一种基于容差动态调整的旋转门(SDT)改进压缩算法,该算法通过在数据压缩过程中,根据相近两个压缩区间的标准差对容差进行动态调整,并记录在压缩区间内对压缩精度影响较大的原始数据点,实现了压缩率的提高,压缩误差的降低。应用结果表明,该算法与标准的SDT算法相比,压缩率可以提高0.10%,而压缩精度却提高了56.7%。

用于过程数据压缩的自控精度SDT算法

针对过程数据的压缩,提出一种自控精度SDT算法,通过在压缩过程中对参数的动态调整,使误差控制在给定范围内,保证了压缩精度并且获得了更高的压缩比。相比于SDT算法,压缩比提高了60%～75%,实际误差与期望误差的绝对差在10-3数量级。该算法在UWnTek控制工程软件中测试完成并正式使用,具有重要的工程意义。

一种基于SDT算法的新的过程数据压缩算法

针对流程工业实测过程数据压缩存储问题,在深入分析旋转门(SDT,Swing Door Trending)算法的基础上,提出了一种基于SDT算法新的过程数据压缩算法(NSDT,New Swing Door Trending)。NSDT算法采用曲线对过程数据进行拟和以实现数据压缩,与SDT算法相比能取得更好的压缩效果。根据理论分析和实验数据结果分析,证明了NSDT算法确实可以在不增加压缩误差的前提下,有效地提高压缩比。

SCADA中历史数据的SDT算法研究与改进

随着物联网和大数据技术的快速发展,数据采集与监视控制SCADA系统每天采集的数据量呈几何级数增长,传统的数据压缩算法——旋转门算法SDT已经不能满足SCADA系统对历史数据压缩的要求。在深入研究了数据压缩方法尤其是旋转门SDT算法的基础上,提出了一种改进的ASDT算法,并用Java语言加以实现。ASDT算法通过正弦曲线拟合数据以实现数据压缩,与传统SDT算法的性能相比,ASDT算法能取得更好的压缩效果。实验数据结果表明,相对于传统SDT算法,ASDT算法可以在不显著增加压缩误差的前提下,有效地提高压缩比。

基于数据敏感度自适应的SDT改进算法

为解决日益增加的监测数据的高效存储问题,提出了一种基于数据敏感度自适应的旋转门压缩改进算法,根据数据敏感度及数据波动状态来自适应调整容差参数。经过性能测试和实际应用,该算法与标准旋转门压缩算法相比,在基本未增加复杂度的情况下,提高了压缩率,降低了压缩误差。

一种视频多模态数据自适应采集策略

针对采集视频数据时存在数据冗余、资源占用多、采集质量低、遗漏关键信息等问题,研究人员提出一种视频多模态数据采集模型.首先,从资源服务器获取热度影响因子及视频数据,将视频数据解析为图像、文本、音频等多模态数据,并建立多模态视频数据与热度影响因子的时间关联矩阵.其次,通过“熵权法”计算“关注数”、“点赞数”、“弹幕数”、“分享数”及“在看数”5个热度影响因子的权重值,实现视频热度的量化.而后,提出了多分段旋转门(MSDT)数据采集策略,基于视频热度值自适应调整数据采集时间间隔,在视频热度上升、下降及高热度持续阶段增加采集量;反之,降低采集量,在保证采集质量的同时兼顾采集效率.最后,通过对比实验验证所提策略的可行性,结果表明,MSDT能够实现分段动态调整采集频率,降低数据采集误差约24%,降低数据采集量约26%,提高采集效率17%左右.

面向配电网边缘计算装置的两阶段PMU数据压缩方法

针对配电网高上送速率的同步相量测量装置(phasor measurement unit,PMU)产生的海量数据对通信系统和存储系统造成巨大压力的问题,考虑到配电网边缘计算装置计算与存储资源有限,提出了基于过滤旋转门和指数哥伦布编码的配电网边缘侧PMU数据压缩方法。首先,对旋转门压缩判据进行改进,利用改进的过滤旋转门压缩算法对原始PMU数据进行有损压缩。其次,对有损压缩数据进行差分编码和归一化处理,利用0阶指数哥伦布编码方法进一步无损压缩,降低数据冗余。最后,利用实际的PMU数据,对所提出的方法进行验证。与过滤旋转门压缩算法和通用压缩工具相比,该方法在预先设定的精度要求下,实现了更高的压缩比。

Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression

To address the significant lifecycle degradation and inadequate state of charge(SOC)balance of electric vehicles(EVs)when mitigating wind power fluctuations,a dynamic grouping control strategy is proposed for EVs based on an improved k-means algorithm.First,a swing door trending(SDT)algorithm based on compression result feedback was designed to extract the feature data points of wind power.The gating coefficient of the SDT was adjusted based on the compression ratio and deviation,enabling the acquisition of grid-connected wind power signals through linear interpolation.Second,a novel algorithm called IDOA-KM is proposed,which utilizes the Improved Dingo Optimization Algorithm(IDOA)to optimize the clustering centers of the k-means algorithm,aiming to address its dependence and sensitivity on the initial centers.The EVs were categorized into priority charging,standby,and priority discharging groups using the IDOA-KM.Finally,an two-layer power distribution scheme for EVs was devised.The upper layer determines the charging/discharging sequences of the three EV groups and their corresponding power signals.The lower layer allocates power signals to each EV based on the maximum charging/discharging power or SOC equalization principles.The simulation results demonstrate the effectiveness of the proposed control strategy in accurately tracking grid power signals,smoothing wind power fluctuations,mitigating EV degradation,and enhancing the SOC balance.

变压器油光谱监测系统中的实时数据存储

为解决变压器油光谱监测系统实时数据量大、难以传输的问题,提出了具有针对性的ISDT算法以实现数据压缩,节约存储数据所需的内存空间。经典SDT算法对数据的适应性弱,抗噪声能力不足,并存在重要数据丢失的可能。ISDT算法首先对二次谐波进行SG滤波,而后对影响浓度测量的极点数据进行直接记录,最后根据允许压缩误差动态调整门限值ΔE,在保留有用信息的基础上实现了高数据压缩比。实践表明,在数据重要信息不丢失及数据误差满足要求的前提下,ISDT算法可有效降低数据冗余度,使实时数据的高效存储与传输成为可能。

电力调度SCADA系统中历史数据压缩及存储策略

为降低电力调度SCADA系统历史数据量、提高历史数据存储效率,提出一种基于有效估算的旋转门算法(effective reckon swing door trending,ERSDT),并针对压缩的历史数据给出了一种新的数据多级存储策略。ERSDT通过搜寻最远压缩点以及旋转平衡因子方式进行数据压缩。针对压缩数据给出实时数据库、历史数据库、磁盘文件库三级存储体系,并描述了三级存储体系的运行原理。实验数据验证了ERSDT算法的可行性,与传统的SDT算法相比提高了压缩率、降低了压缩时间。实践证明ERSDT算法以及多级数据存储策略可以降低历史数据量、提高数据存储及查询效率,从而保证SCADA系统安全、稳定的运行。

文物监测中无线传感器网络数据压缩算法

文物监测数据具有结构单一、冗余性大、误差高容忍度的特点,使得无线传感器网络中现有的数据压缩算法在文物监测中显得计算复杂度高、计算能耗大.将轻计算量型的SDT(Swing Door Trending)算法应用到无线传感器网络的文物监测中并作了改进,分析了大规模情况下数据压缩和网络能耗之间的关系,将改进的SDT算法与目前无线传感器网络中有代表性的分布式小波压缩算法进行比较.实验表明,改进的SDT计算能耗较分布式小波压缩算法的能耗少73%,在压缩率小于25%时,改进的SDT压缩算法性能可与分布式小波压缩算法媲美.在长期、大规模的文物监测下,改进的SDT算法更适合于无线传感器网络数据压缩.

RWM & DEWS数据二次压缩算法研究

对柑橘实时水分监控与旱情预警系统中的数据参数进行拟合分析,在探讨SDT和LZW 2种压缩算法的基础上,提出一种二次压缩算法:第1次压缩采用基于SDT算法思想的平均值方法;第2次压缩采用改进的LZW算法实现。对压缩效果进行测试,仿真实验证明,在相同的硬件和软件环境下,该算法能实时、高效地压缩数据。

基于旋转门算法的自适应变频数据采集策略

针对无线传感器网络在监测类似室内或大棚等微气候环境数据时,传统的等间隔时间数据采集方法存在数据大量冗余、浪费网络带宽的问题,以及现有自适应变频数据采集策略仍然非常复杂的问题,提出一种基于旋转门算法的自适应变频数据采集策略,该策略根据旋转门算法能否"套住"数据以及能连续"套住"数据的次数,自适应地调整数据采集的间隔时间。仿真和实验结果证明,该策略与传统的等间隔时间数据采集方法相比,可以降低数据采集量76%以上,减少数据传输量90%以上。该策略具有创新性,实现简单,不仅可行,而且高效。

基于旋转门算法的安全网关控制信息采集策略

安全网关控制信息采集是天地一体化网络中的一种重要安全感知技术,传统的等时间间隔采集策略存在网络带宽浪费、数据大量冗余、采集节点数据采集量过大、传输次数过多等问题,针对这些问题,提出了一种基于旋转门算法的安全网关控制信息采集策略,该策略通过改进的旋转门算法分析判断安全网关控制信息(如网关流量、CPU利用率等)的变化幅度,自适应调整安全网关控制信息采集间隔。实验结果表明,该策略与传统等时间间隔采集策略相比,能在保证数据准确率的情况下,减少数据采集次数和数据传输次数,有效降低网络开销,提高数据采集效率。

基于SDLST算法的导弹状态数据压缩方法

针对海量状态数据的压缩,对旋转门趋势(Swinging Door Trending,SDT)算法进行改进,提出一种旋转门最小二乘趋势(Swinging Door Least Square Trending,SDLST)算法。通过最小二乘拟合的引入,避免了压缩偏移量对压缩精度的影响,有效控制压缩失真度在0.5以下,同时不增加算法复杂度,运算速度快,对系统资源占用少。该算法在导弹状态监测系统软件中测试完成,对导弹全寿命维护监测产生的海量状态数据,如温湿度、振动、位置姿态等进行了有效的压缩存储。验证了其有效性,具有很高的实用价值。

探讨旋转门数据压缩技术在实时数据库中的应用

比较详细地比较了存储历史数据的各种方式,着重讨论了在实时数据库中常用的旋转门过程数据压缩技术,总结了数据压缩在工程应用中的优缺点,并对存在的问题针对性的提出改进方法。

过程数据的压缩与存取系统构建策略

数据是一个企业的宝贵资源,对过程数据的存储和管理尤为重要。提出了基于SDT算法和BDB的数据存取策略,采用WCF技术进行分布式管理,改善了工业应用中大数据量数据存取效率及实时性差的问题。应用实践表明了该方法的有效性。

Process data compression based on recursive identification of nonuniformly sampled systems

A recursive identification method is proposed to obtain continuous-time state-space models in systems with nonuniformly sampled （NUS） data. Due to the nonuniform sampling feature, the time interval from one recursion step to the next varies and the parameter is always updated partially at each step. Furthermore, this identification method is applied to form a combined data compression method in NUS processes. The data to be compressed are first classified with respect to a series of potentially existing （possibly time-varying） models, and then modeled by the NUS identification method. The model parameters are stored instead of the identification output data, which makes the first compression. Subsequently, as the second step, the conventional swinging door trending method is carried out on the data from the first step. Numeric results from simulation as well as practical data are given, showing the effectiveness of the proposed identification method and fold increase of compression ratio achieved by the combined data compression method.