Декомпозиция отрезков временных рядов на основе субполосных представлений
DOI:
https://doi.org/10.5281/zenodo.15056692Ключевые слова:
временные ряды потребления электроэнергии, субполосные представления, декомпозиция временного ряда, экспоненциальное сглаживание, k -ближайших соседей, dbscanЛицензия
Аннотация
В данной статье представлен подход к декомпозиции временных рядов потребления электроэнергии с использованием субполосных представлений. Исследование ориентировано на выделение квазипериодической компоненты и случайных флуктуаций временных рядов, а также на анализ их распределений. Физический фундамент субполосных представлений является важным обоснованием адекватности данного метода, позволяющим учитывать особенности исследуемых временных рядов и эффективно решать задачи выделения системных и остаточных компонент. Исследованы гипотезы о распределениях случайных компонент (нормальное, логнормальное, гамма-распределение и др.), определены погрешности аппроксимации временного ряда с выделенной квазипериодической компонентой и нормально распределенными остатками. Также проведено сравнение результатов декомпозиции с использованием методов экспоненциального сглаживания и k-ближайших соседей. Выявлено, что субполосные представления обеспечивают минимальный уровень автокорреляции остатков при высокой точности декомпозиции. Продемонстрирована эффективность метода на данных бытового и коммерческого сектора потребления электроэнергии.
Скачивания
Библиографические ссылки
1. О внесении изменений в отдельные законодательные акты Российской Федерации в связи с развитием систем учета электрической энергии (мощности) в Российской Федерации: Федеральный закон №522-ФЗ от 27.12.2018: [принят Государственной думой 19 декабря 2018 года: одобрен Советом Федерации 21 декабря 2018 года]. – Москва: Кремль, 2018.
2. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. М. Дженкинс. Г. М.: Мир, 1974. – 406 с.
3. Жиляков, Е. Г. Построение трендов отрезков временных рядов / Е. Г. Жиляков // Автоматика и телемеханика. – 2017. – № 3. – С. 80-95. – EDN YJTIYP.
4. Forecasting: Principles and Practice. 3rd ed. OTexts / R. J. Hyndman, G. Athanasopoulos. – 2021. – 442 p. –ISBN 13 978-0-98750713-6.
5. Жиляков, Е. Г. Оптимальные субполосные методы анализа и синтеза сигналов конечной длительности / Е. Г. Жиляков // Автоматика и телемеханика. – 2015. – № 4. – С. 51–66.
6. Жиляков, Е. Г. Анализ и аппроксимация функций по эмпирическим данным на основе субполосных представлений / Е. Г. Жиляков, И. И. Лубков, Е. В. Болгова // Экономика. Информатика. – 2022. – Т. 49, № 4. – С. 833-853. – DOI 10.52575/2687-0932-2022-49-4-833-853. – EDN FAVCQO.
7. Гантмахер, Ф. Р. Теория матриц / Ф. Р. Гантмахер. – М.: Наука, 1967. – 576 с.
8. Вентцель, Е. С. Теория вероятностей / Е. С. Вентцель. – М.: Наука, 1969. – 576 с.
9. Artificial intelligence-based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives / Y. Himeur, K. Ghanem, A. Alsalemi [et al] // Applied Energy. – 2021. – V. 287. – P. 1-26.
10. Марьясин, О. Ю. Обнаружение аномальных отклонений от типового профиля энергопотребления / О. Ю. Марьясин, А. И. Лукашов, Л. И. Тихомиров // Математические методы в технологиях и технике. – 2022. – № 8. – С. 108-113. – DOI 10.52348/2712-8873_MMTT_2022_8_108. – EDN FCTZFF.
11. Automating DBSCAN via Deep Reinforcement Learning / Z. Ruitong, P. Hao, D. Yingtong [et al] // CIKM '22: Proceedings of the 31st ACM International Conference on Information & Knowledge Management. – 2022. – P. 2620-2630. – DOI https://doi.org/10.1145/3511808.3557245.
REFERENCES LIST
1. O vnesenii izmenenii v otdelnye zakonodatelnye akty Rossiiskoi Federatsii v sviazi s razvitiem sistem ucheta elektricheskoi energii (moshchnosti) v Rossiiskoi Federatsii: Federalnyi zakon №522-FZ ot 27.12.2018: [priniat Gosudarstvennoi dumoi 19 dekabria 2018 goda: odobren Sovetom Federatsii 21 dekabria 2018 goda]. – Moskva: Kreml, 2018.
2. Boks, Dzh. Analiz vremennykh riadov. Prognoz i upravlenie / Dzh. Boks, G. M. Dzhenkins. G. M.: Mir, 1974. – 406 s.
3. Zhiliakov, E. G. Postroenie trendov otrezkov vremennykh riadov / E. G. Zhiliakov // Avtomatika i telemekhanika. – 2017. – № 3. – S. 80-95. – EDN YJTIYP.
4. Forecasting: Principles and Practice. 3rd ed. OTexts / R. J. Hyndman, G. Athanasopoulos. – 2021. – 442 p. –ISBN 13 978-0-98750713-6.
5. Zhiliakov, E. G. Optimalnye subpolosnye metody analiza i sinteza signalov konechnoi dlitelnosti / E. G. Zhiliakov // Avtomatika i telemekhanika. – 2015. – № 4. – S. 51–66.
6. Zhiliakov, E. G. Analiz i approksimatsiia funktsii po empiricheskim dannym na osnove subpolosnykh predstavlenii / E. G. Zhiliakov, I. I. Lubkov, E. V. Bolgova // Ekonomika. Informatika. – 2022. – T. 49, № 4. – S. 833-853. – DOI 10.52575/2687-0932-2022-49-4-833-853. – EDN FAVCQO.
7. Gantmakher, F. R. Teoriia matrits / F. R. Gantmakher. – M.: Nauka, 1967. – 576 s.
8. Venttsel, E. S. Teoriia veroiatnostei / E. S. Venttsel. – M.: Nauka, 1969. – 576 s.
9. Artificial intelligence-based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives / Y. Himeur, K. Ghanem, A. Alsalemi [et al] // Applied Energy. – 2021. – V. 287. – P. 1-26.
10. Mariasin, O. Iu. Obnaruzhenie anomalnykh otklonenii ot tipovogo profilia energopotrebleniia / O. Iu. Mariasin, A. I. Lukashov, L. I. Tikhomirov // Matematicheskie metody v tekhnologiiakh i tekhnike. – 2022. – № 8. – S. 108-113. – DOI 10.52348/2712-8873_MMTT_2022_8_108. – EDN FCTZFF.
11. Automating DBSCAN via Deep Reinforcement Learning / Z. Ruitong, P. Hao, D. Yingtong [et al] // CIKM 22: Proceedings of the 31st ACM International Conference on Information & Knowledge Management. – 2022. – P. 2620-2630. – DOI https://doi.org/10.1145/3511808.3557245.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
