针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted ...针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解,提取趋势分量;其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型;然后提出趋势跨度指数以量化电能质量指标趋势变化程度,并根据趋势跨度指数的分布特征划分预警等级;最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据,对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。展开更多
文摘为研究车辆组团视角下的道路偶发拥堵预警方法,本文提出一种基于双重跟驰模式与多参数融合层次聚类的粘滞性车辆组团(Viscous Vehicle Group,VVG)识别框架。首先,基于普通跟驰(Normal Following,NF)与错位跟驰(Staggered Following,SF)两种微观跟驰模式,划分VVG的普通跟驰单元(Normal Following Unit,NFU)和错位跟驰单元(Staggered Following Unit,SFU);然后,从偶发拥堵特征、时空相似性和结构动态稳定性这3个维度出发,分别选取车速、时间间隔、空间间隔、速度差和加速度差这5个核心参数用以进行量化表征,结合Kolmogorov-Smirnov检验与统计分析进行参数筛选,并通过自底向上的层次聚类确定NFU与SFU的参数阈值范围,并识别VVG。以南京市道路实测交通流数据为例,实证结果表明:NFU与SFU参数的分布差异显著,支持将两种组团单元区分处理;在3088个车辆样本中成功识别出243辆参与VVG,有效验证了模型的识别能力;VVG多在偶发拥堵前出现,可作为拥堵前驱信号,预警成功率可达93.33%。本文为道路偶发拥堵预警提供理论和方法支持。
文摘针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解,提取趋势分量;其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型;然后提出趋势跨度指数以量化电能质量指标趋势变化程度,并根据趋势跨度指数的分布特征划分预警等级;最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据,对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。
