CN109857978B - 一种适用于生活电器功率曲线的在线自适应分段算法 - Google Patents

Abstract

本发明公开了智能家居数据压缩领域的一种适用于生活电器功率曲线的在线自适应分段算法，通过逐个计算数据点的幅度误差与角度误差判断分段点，分段性能优且分段具备更明确得物理含义，反映了数据时间序列本身的特征。同时利用增量处理技术，在每次新的数据点到达时，线性拟合函数可以仅基于拟合直线的斜率、点数、时间均值、时间方差和数值均值进行计算，而不是针对所有数据点来进行重新计算，并能结合相邻拟合直线的斜率、点数、时间均值、时间方差和数值均值使两端拟合直线生成新的拟合直线，大大减小了计算的复杂程度，有利于提高运算效率。

Description

一种适用于生活电器功率曲线的在线自适应分段算法

技术领域

本发明涉及智能家居数据压缩领域，具体涉及一种适用于生活电器功率曲线的在线自适应分段算法。

背景技术

对于智能家居来说，数据压缩是关键性的技术。因为通过物联网采样的数据是具有时间标签的数据点序列，所以数据压缩问题的具体实现形式就变为时间序列字段中的近似表示问题，而适当地对时间序列数据流分段则是数据流近似表达的关键准备。

时间序列数据流分段可以被视为各种数据挖掘任务的预处理步骤或趋势分析技术，它也被视为离散化问题。与具有离散项目的事务性数据库不同，时间系列数据的特点是数值性和连续性性质。

基于阈值的算法是在电器负载曲线边缘检测领域经典且仍然广泛应用的分段算法(附图2第[17-19]行)。但是，如果两个级别之间的转换经历了多个时间间隔，那么算法可能将本应属于一段的数据点分成若干段，成为对设备的转换无效的数据序列。

滑动窗口算法是另一种用于在线分割时间序列的经典算法。滑动窗口的一个明显缺点是每次新数据点到达时，需将根据本段所有的数据点重新计算近似直线和相应的误差，因此算法的时间复杂度和空间复杂度相对较大。此外，由于转换出的近似直线总是斜率很大并且导致较大的近似误差，算法还可能将本应属于一段的数据点分成若干段，成为对设备的转换无效的数据序列。

上述两种算法都没有利用电器运行数据时间序列本身的特征和物理意义，所以对于分段的效果便不具备很好的物理意义。

可以看出，电器时间序列在线分割算法的主要挑战可归纳为以下三点：1)如何正确对于需要多个时间间隔的时间序列的转换进行分段；2)如何降低分段算法的时空复杂度，提高运算效率；3)如何很好的利用电器时间序列自身的特征和物理意义。基于这三点考虑，本专利提出新算法——一种适用于生活电器功率曲线的在线自适应分段算法。

发明内容

解决的技术问题

针对现有背景中的问题，本发明提供了一种适用于生活电器功率曲线的在线自适应分段算法。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供了一种适用于生活电器功率曲线的在线自适应分段算法，包括以下步骤：

S1：定义幅度误差阈值Δ_Amp以及角度误差阈值Δ_Angle，通过数据采集模块采集数据点序列，通过数据处理模块将起始两个数据点作为起始候选段，并将候选段表示为基于该段的所有数据点通过线性拟合方法生成的拟合直线；

S2：根据拟合直线预测下一个数据点的值，并计算下一个数据点的实际值与预测值之间的预测误差；

S3：比对预测误差与幅度误差阈值Δ_Amp，当预测误差小于幅度误差阈值Δ_Amp时，下一个数据点列入当前候选段的拟合直线；当预测误差大于等于幅度误差阈值Δ_Amp时，除了生成第一段时将该点作为实际分段点，生成第二段及之后段时，该点成为可能分段点，应进一步计算拟合直线的角度误差；

S4：计算当前候选段与上段候选段拟合直线之间的角度误差；当角度误差小于角度误差阈值Δ_Angle时，上一段与当前候选段合并，并以当前候选段的分段点替代上段候选段的分段点；当角度误差大于等于角度误差阈值Δ_Angle时，当前候选段作为实际段，当前数据点与下一个数据点形成新的候选段，重复S2-S4。

相比于基于阈值的算法和滑动窗口算法，本专利提出的自适应分段算法可以得到更优秀的分段性能和更小的时间成本，同时分段结果具备更明确的物理含义，反映了数据时间序列本身的特征，便于数据压缩的实现。

进一步地，S3包括，当添加新的数据点s_j+1并重新计算拟合直线时，给定当前候选段的拟合直线的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

则S_[i,j+1]的线性拟合直线方程p＝slope_[i,j+1]×t+offset_[i,j+1]可以用以下公式计算得到：

在传统的最小二乘法中，对于一段一直线性拟合直线，当需要添加新的数据点或者将两段拟合直线合并时，需要重新对所有数据点进行计算新的拟合直线，这是耗费时间的。

对于本发明来说，在每次新的数据点到达时，线性拟合函数可以仅基于拟合直线的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>进行计算，而不是针对所有数据点来进行重新计算，大大减小了计算的复杂程度，有利于提高运算效率。

其中和S_[i,j]的/>也可以递增地计算，与传统的最小二乘线性拟合方法相比，增量处理技术可以大大降低线性拟合算法的时空复杂度。

进一步地，S4包括，

给定上个候选段的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

当前候选段的斜率slope_[j+1,h]、点数|S_[j+1,h]|、时间均值时间方差/>和功率均值/>

则时间序列S_[i,h]的线性拟合直线方程可以表示为

p＝slope_[i，h]×t+offset_[i，h]，其中

因此，可以通过合并两个相邻的候选段生成新的拟合直线，有利于提高数据点处理的效率。

有益效果

本专利通过在线自适应分段算法结合增量数据处理技术，旨在在更小的时间之内获得更优秀的分段性能，同时分段结果具备更明确的物理含义，反映了数据时间序列本身的特征。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的算法原理步骤图

图2为本发明的算法代码图；

图3为图2中的符号含义图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合实施例对本发明作进一步的描述。

实施例1，结合图1-3，一种适用于生活电器功率曲线的在线自适应分段算法包括以下步骤：

S1：定义幅度误差阈值Δ_Amp以及角度误差阈值Δ_Angle，通过数据采集模块采集数据点序列，通过数据处理模块将起始两个数据点作为起始候选段(图2第3-5行)，并将候选段表示为基于该段的所有数据点通过线性拟合方法生成的拟合直线(第5-7行)。

在此数据点序列指时间数据序列，是在按时间顺序在不同时间点收集到的数据，可以用于描述某一事物、现象等随时间的变化状态或程度。

S2：根据拟合直线预测下一个数据点的值，并计算下一个数据点的实际值与预测值之间的预测误差；预测误差指实际值与预测值之间的绝对偏差(第9行)。

S3：比对预测误差与幅度误差阈值Δ_Amp，当预测误差小于幅度误差阈值Δ_Amp时，下一个数据点列入当前候选段的拟合直线；当预测误差大于等于幅度误差阈值Δ_Amp时，除了生成第一段时将该点作为实际分段点，生成第二段及之后段时，该点成为可能分段点，应进一步计算拟合直线的角度误差；

S4：计算当前候选段与上段候选段拟合直线之间的角度误差；当角度误差小于角度误差阈值Δ_Angle时，上一段与当前候选段合并，并以当前候选段的分段点替代上段候选段的分段点(图2第15-18行)；当角度误差大于等于角度误差阈值Δ_Angle时，当前候选段作为实际段，当前数据点与下一个数据点形成新的候选段，并重复S2-S4。

相比于基于阈值的算法和滑动窗口算法，本专利提出的自适应分段算法可以对每个数据点进行处理，得到更优秀的分段性能和更小的时间成本，同时分段结果具备更明确的物理含义，反映了数据时间序列本身的特征，便于数据压缩的实现。

进一步地，S3包括，当添加新的数据点s_j+1＝(t_j+1,p_j+1)并重新计算拟合直线时，给定当前候选段的拟合直线的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

则S_[i,j+1]的线性拟合直线方程p＝slope_[i,j+1]×t+offset_[i,j+1]可以用以下公式计算得到(图2第7-16行)：

在传统的最小二乘法中，对于一段直线性拟合直线，当需要添加新的数据点或者将两段拟合直线合并时，需要重新对所有数据点进行计算新的拟合直线，可想而知，耗费时间且作业效率不高。

对于本发明来说，在每次新的数据点到达时，线性拟合函数可以仅基于拟合直线的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>进行计算，而不是针对所有数据点来进行重新计算，大大减小了计算的复杂程度，有利于提高运算效率。

其中和S_[i,j]的/>也可以递增地计算，与传统的最小二乘线性拟合方法相比，增量处理技术可以大大降低线性拟合算法的时空复杂度。

进一步地，S4包括，

给定上个候选段的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

当前候选段的斜率slope_[j+1,h]、点数|S_[j+1,h]|、时间均值时间方差/>和功率均值/>

则时间序列S_[i,h]的线性拟合直线方程可以表示为

p＝slope_[i，h]×t+offset_[i，h]，其中

因此，可以通过合并两个相邻的候选段生成新的拟合直线，有利于提高数据点处理的效率。

进一步地，增量处理技术可以通过证明得到实现。

(1)引理1：给定两个数据序列x_n＝{x₁,x₂,...x_n}和x_m＝{x_n+1,x_n+2,...x_n+m}以及它们的均值和方差/>数据序列x_n+m＝{x₁,x₂,...x_n,x_n+1,...x_n+m}的均值/>和方差/>可以通过如下的演算推出：

特殊的，当m＝1,那么数据序列x_m＝{x_n+1}只是一个数据点：

的推导过程如下：

(2)引理2：给定时间序列S_[i,j]的slope_[i,j],|S_[i,j]|,和/>和slope_[j+1,h],|S_[j+1,h]|,/>和时间序列S_[j+1,h]的/>时间序列S_[i,h]的线性拟合方程可以被写成p＝slope_[i,h]·t+offset_[i,h],其中

证明过程如下：

根据最小二乘法,时间序列S_[i,j]的线性拟合方程可以被写成p＝slope_[i,j]·t+offset_[i,j],其中

因此，

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (2)

1.一种适用于生活电器功率曲线的在线自适应分段方法，其特征在于，包括以下步骤：

S1：定义幅度误差阈值Δ_Amp以及角度误差阈值Δ_Angle，通过数据采集模块采集数据点序列，通过数据处理模块将起始两个数据点作为起始候选段，并将候选段表示为基于该段的所有数据点通过线性拟合方法生成的拟合直线；

S2：根据拟合直线预测下一个数据点的值，并计算下一个数据点的实际值与预测值之间的预测误差；

S3：比对预测误差与幅度误差阈值Δ_Amp，当预测误差小于幅度误差阈值Δ_Amp时，下一个数据点列入当前候选段的拟合直线；当预测误差大于等于幅度误差阈值Δ_Amp时，除了生成第一段时将该点作为实际分段点，生成第二段及之后段时，该点成为可能分段点，应进一步计算拟合直线的角度误差；包括：

当添加新的数据点s_j+1＝(t_j+1,p_j+1)并重新计算拟合直线时，给定当前候选段的拟合直线的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

则S_[i,j+1]的线性拟合直线方程p＝slope_[i,j+1]×t+offset_[i,j+1]用下式计算得到：

S4：计算当前候选段与上段候选段拟合直线之间的角度误差；当角度误差小于角度误差阈值Δ_Angle时，上一段与当前候选段合并，并以当前候选段的分段点替代上段候选段的分段点；当角度误差大于等于角度误差阈值Δ_Angle时，当前候选段作为实际段，当前数据点与下一个数据点形成新的候选段，重复步骤S2-步骤S4。

2.根据权利要求1所述的一种适用于生活电器功率曲线的在线自适应分段方法，其特征在于，步骤S4包括：

给定上个候选段的斜率slope_[i,j]、点数|S_[i,j]|、时间均值时间方差/>和功率均值/>

当前候选段的斜率slope_[j+1,h]、点数|S_[j+1,h]|、时间均值时间方差/>和功率均值/>

则时间序列的线性拟合直线方程表示为

p＝slope_[i，h]×t+offset_[i，h]；其中：