多元时序数据演化模糊分割算法研究及其在热工过程中的应用

论文摘要

火力发电是我国国民经济的支柱产业,也是促进经济健康快速发展的重要保障。因此,针对发电机组设备热工过程状态监测的研究具有重要的价值与意义。在发电机组中广泛使用的信息化系统,为长时间采集机组运行数据提供了良好的条件,为基于数据的运行状态监测提供了新的技术手段。然而,由于这些数据具有非线性、强耦合性、大规模及时变性等特性,给人工分析带来了巨大的困难,需要借助数据挖掘的相关理论及方法开展深入研究,以达到对发电机组设备热工过程状态监测的目的。本文以典型发电机组设备热工过程为研究对象,从多元时间序列数据分割的角度出发,提出一种基于核主成分分析及演化理论的Gath-Geva聚类时序分割方法。主要内容如下:1、针对发电机组设备热工过程数据所具有的非线性及强耦合特性,提出一种基于核主成分分析法和Gath-Geva模糊聚类的多元时序分割算法,即KPCA-GG算法。根据Gath-Geva模糊聚类算法所得到的聚类结果,利用核主成分分析法提取类簇之间的非线性特征并构造非线性分析模型,将类簇在该模型空间中的距离作为类簇相似性分析及合并的标准,提高聚类分割算法对非线性数据的准确性,从而达到对该类数据状态监测的目的。2、针对发电机组设备热工过程数据规模大以及时变特性,将演化聚类理论融入上述KPCA-GG算法,提出一种可用于实时聚类的演化KPCA-GG分割算法。根据演化聚类的理论框架,考虑上一时间段数据聚类模型与当前时间段数据聚类模型之间的差异,把历史信息正则化项加入到KPCA-GG算法的目标函数建模中,从而将静态的KPCA-GG聚类分割算法扩展为动态的KPCA-GG聚类分割算法。所提出的新算法能够克服静态算法只能分析单一时间段的缺点,实现了动态的聚类分析,实时得到分割结果,更好地处理具有大数据量以及时变特性的非线性数据。3、为了验证算法的有效性,利用本文提出的方法对“云南省水火电机组状态监测中心数据采集与监控系统”中采集的数据进行研究。以高压加热器为代表设备进行状态监测实验,并给出相应的实验图、实验数据及研究结果。旨在说明本文方法用于热工过程设备状态监测的优点:适用于非线性数据的实时分割处理。4、利用MATLAB的图形用户界面化功能开发一套基于本文方法的数据分析工具。该工具能够显示系统数据的处理过程,能够将算法的运行效果可视化并且有利于参数调整。

论文目录

文章来源

类型: 硕士论文

作者: 汪国新

导师: 郝勇生

关键词: 多元时序分割法,热工过程,核主成分分析,演化聚类,状态监测

来源: 东南大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,电力工业

单位: 东南大学

分类号: TM621;O212.4;O211.61

DOI: 10.27014/d.cnki.gdnau.2019.002455

总页数: 78

文件大小: 5313K

下载量: 21

相关论文文献

• [1].储油罐液位时序数据模式发现[J]. 重庆大学学报 2020(03)
• [2].时序数据库发展研究[J]. 广东通信技术 2020(03)
• [3].基于时序数据库的工业大数据应用研究[J]. 重型机械 2020(04)
• [4].工业互联网中时序数据处理面临的新挑战[J]. 信息通信技术与政策 2019(05)
• [5].基于自相关函数的非平稳时序数据的辨识改进[J]. 微型机与应用 2016(13)
• [6].基于时序数据库的监控数据存储方法研究[J]. 电子元器件与信息技术 2020(01)
• [7].时序数据并行压缩速率改进技术研究[J]. 电子设计工程 2018(20)
• [8].基于时序数据的辽宁省环境库兹涅茨曲线实证分析[J]. 统计与咨询 2013(04)
• [9].基于统计特征的时序数据符号化算法[J]. 计算机学报 2008(10)
• [10].基于相关性分析的工业时序数据异常检测[J]. 软件学报 2020(03)
• [11].基于微局部特征的时序数据二分类算法[J]. 计算机系统应用 2019(11)
• [12].基于动态时间规整的时序数据相似连接[J]. 计算机学报 2018(08)
• [13].《时序数据挖掘与过程神经元网络》[J]. 全国新书目 2013(12)
• [14].多周期时序数据的傅氏级数拟合算法[J]. 计算机系统应用 2015(07)
• [15].时序数据曲线排齐的相关性分析方法[J]. 软件学报 2014(09)
• [16].非平稳NDVI时序数据人工神经网络建模方法[J]. 遥感信息 2019(06)
• [17].路灯监控系统中时序数据流的异常值检测研究[J]. 微处理机 2018(06)
• [18].时序数据的动态有界符号化方法[J]. 控制与决策 2008(10)
• [19].基于GARCH模型下金融时序数据的影响点识别[J]. 统计与管理 2016(11)
• [20].小样本跳变水质时序数据预测方法[J]. 计算机应用 2010(02)
• [21].集思特思发布新一代时序数据产品TSM7[J]. 中国水利 2009(04)
• [22].一种平稳时序数据的高效辨识改进算法[J]. 微处理机 2019(01)
• [23].成品油零售价格变动对销售量影响研究——基于成品油价格时序数据挖掘分析[J]. 价格理论与实践 2019(10)
• [24].面向大规模网络安全态势分析的时序数据挖掘关键技术研究[J]. 信息化建设 2016(05)
• [25].一种新型时序数据库在大型配电网自动化系统数据中心中的应用[J]. 中国电业(技术版) 2014(07)
• [26].时序数据的矢量化符号方法[J]. 小型微型计算机系统 2008(12)
• [27].基于时序数据库的转移规则挖掘算法研究[J]. 计算机仿真 2008(06)
• [28].海量时间序列数据的相关探索[J]. 通信电源技术 2020(10)
• [29].基于时序数据库的分布式网络波动监控系统[J]. 中国传媒科技 2018(03)
• [30].基于自动分发多级分解TCN-BiLSTM-LightGBM家庭PV发电量预测[J]. 电子制作 2020(19)

标签：多元时序分割法论文;  热工过程论文;  核主成分分析论文;  演化聚类论文;  状态监测论文;