1、目的及意义

1.1 研究目的及意义

近些年来，随着电力建设事业飞速发展和供暖需求量的逐年上升，水资源变得日益匮乏。在我国富煤缺水的北方地区，火力发电厂采用直接空冷凝汽器技术(简称直接空冷技术)来冷却汽轮机排汽，可以大幅度节水，已经成为冷端系统的必然选择。但是，直接空冷技术也有自身的一些不足，如冷却效果易受环境温度、外界环境风速、风向影响，同时，到了冬季严寒时期，低温引起的局部冻管，如果不及时处理，就会直接影响机组的安全经济运行。

而光纤传感技术近几年在各工业领域已经得到了广泛深入地推广和应用，其中，以光纤布拉格光栅为主的测温技术，凭借其测量精度高、测量灵敏度强、抗电磁干扰能力强、传输距离远、使用寿命长等诸多优点，从极其恶劣环境下或者大动态范围的温度测量领域中脱颖而出。利用光纤光栅传感大面积点式温度测量技术对空冷机组的温度监测，有着很高的测量精度和分辨率以及良好的性能表现。

但是，由于规模光纤光栅阵列在实际布设过程中受到弯曲、拉伸等外力或者在传感系统工作过程中受到强烈的外部刺激或较大干扰，而导致后期的光栅出现不可逆转性的质量问题，相关参数已经偏离了光栅出厂的标定数值，表现为光纤布拉格光栅的中心发射波长变化出现明显异常，由此增加了温度测量的不确定性，对实际测温系统造成严重的干扰。特别对于这样的温度传感光栅，由于参数变化未知，终端无法对其进行温度准确分析的。本文提出的基于特征区间的时间序列加权斜率距离相似性度量算法可以快速有效地将它提取出来，具有实际工程意义，能很大程度上提高光纤光栅传感系统在大范围温度测量的可靠性和稳定性。

1.2 国内外研究现状

时间序列相似性度量是时间序列数据分析中的重要技术之一。1995年，Agrawal等人提出了时间序列相似性度量的概念，根据时间序列的形态变化趋势是上升、下降或平稳等变化特征判断相似性。由于时间序列数据具有数据量大、维度高、噪声含量多等特点，如果直接在原始时间序列中进行相似性度量，不仅计算量大，而且冗余信息的干扰可能造成度量结果不理想。通过对时间序列的特征表示，不仅能够实现数据的维度约简，减少计算量，而且可以削弱噪声的干扰，提高时间序列相似性度量的计算效率和计算结果精度，优化数据分析结果。目前常见的时间序列特征表示方法有离散傅里叶变换方法、离散小波变换方法、符号聚集近似方法、奇异值分解法、分段累积近似方法和分段线性表示等方法。

不同的应用数据时间序列表现形式不同，针对不同类型时间序列的特点，研究者们提出了许多相似度量算法。主要分为以下几类：基于形态的相似度、基于特征的相似度、基于模型的相似度和基于压缩的相似度。

2、研究（设计）的基本内容、目标、拟采用的技术方案及措施

本文以新疆合盛热电2×330 MW空冷机组（形象称呼为空冷岛）结合光纤光栅温度传感为例，根据异常光栅波长数据变化特征，将异常光纤光栅分成断点、毛刺点、分歧点三类，并分别利用零值判决、方差检测和相关性度量算法对其进行提取和分析。重点对相关性度量算法进行了详细的讨论和研究，针对国内外普遍相关性度量算法没有考虑趋势特征区间的不足，对此提出了改进，通过提取特征区间，来计算两数据序列的加权斜率距离，并进行相关性度量研究。总体设计方案如图1所示。

图1 结构框图

本文针对实际光栅数据的波长特征，设计出了如上图所示的总体方案流程，来完成三类点的提取与分析。其中，主要对第三类异常点即分歧点做重点研究和讨论，通过实验数据发现，该类点变化相对不明显，并且受温度变化影响，筛选难度较大。本文的算法系统在MATLAB环境下进行算法仿真与测试，通过仿真达到设计要求，最后通过图形用户界面（GUI）对光栅数据异常特征进行表示，更加形象直观地展示光纤光栅阵列的“健康状况”，并利用后续数据对系统进行验证与测试。本文旨在通过对大量的原始采样数据进行降维处理后，能通过算法系统自动实现异常光栅的特征辨别和精确定位，同时，进一步提高提取算法系统的稳定性和可靠性，最后为光纤传感系统后期的温度监测提供技术支持。

4、参考文献

[1] 卜永东,杨立军,杜小泽,杨勇平.电站空冷技术[J].现代电力,2013,30(03):69-79.

[2] L. J. Yang,X. Z. Du,Y. P. Yang. Wind effecton the thermo-flow performances and its decay characteristics for air-cooledcondensers in a power plant[J].International Journal of Thermal Sciences,2012,53:175-187.

[3] 李慧君,刘学敏. 600 MW直接空冷机组风机转速优化[J].电力建设,2014,(6):133-136. DOI:10.3969/j.issn.1000-7229.2014.06.025.

[4] 金盛. 直接空冷机组冬季启、停存在的问题及相应对策探讨[J].科学与信息化,2017,(34):91,93.

[5] 侯俊芳,裴丽,李卓轩,刘超.光纤传感技术的研究进展及应用[J].光电技术应用,2012,27(01):49-53.

[6] 张建业,潘泉,张鹏,梁建海. 基于斜率表示的时间序列相似性度量方法[J].模式识别与人工智能,2007,20(02):271-274.

[7] 卫晓峰,郭志强.300MW直接空冷供热机组的防冻措施[J].能源与节能,2013(04):18-19 22.

[8] 程通锐. 直接空冷机组防冻机理分析[D].华北电力大学(北京),2016.

[9] 王学. 600MW直接空冷火电机组节能试验研究[D].华北电力大学(北京),2016.

[10] Juan Wen,DaweiTang,Zhicheng Wang,Jing Zhang,Yanjun Li. Large eddy simulation of flow andheat transfer of the flat finned tube in direct air-cooled condensers[J].Applied Thermal Engineering, 2013,61(2).

[11] Crunelle,C.Caucheteur,M. Wuilpart, et al. Quasi-distributed Temperature Sensor CombiningFibre Bragg Gratings And Temporal Reflectometry Technique Interrogation [J].Opticsand Lasers in Engineering, 2009,(3/4):412-418.

[12] 张江辉,陈翠华,宁全利,马丽芳.几种滤波在数据自动平滑处理中的对比分析[J].四川兵工学报,2013,34(04):101-103.

[13] 唐玉发,张合,徐国泰,刘建敬.基于加权移动平均的姿态角测量技术实现[J].仪器仪表学报,2012,33(08):1844-1849.

[14] 贾振安,乔学光,李明,傅海威,霍汉平,刘颖刚,周红.温度对光纤光栅反射波长漂移量的影响[J].激光技术,2004(03):309-311.

[15] 王瑞.基于形态的时间序列相似性研究[D]:安徽大学,2017.

[16] Keogh E,Chakrabarti K, Pazzani M, et al. Dimensionality Reduction for Fast SimilaritySearch in Large Time Series Databases[J]. Knowledge amp; InformationSystems, 2001, 3(3):263-286.

[17] Hung N Q, Anh D T.An Improvement of PAA for Dimensionality Reduction in Large Time SeriesDatabases[C]// Pacific Rim International Conference on ArtificialIntelligence: Trends in Artificial Intelligence. Springer-Verlag,2008:698-707.

[18] Lin J, Keogh E,Wei L, et al. Experiencing SAX: a novel symbolic representation of timeseries[J]. Data Mining amp; Knowledge Discovery, 2007, 15(2):107-144.

[19] Korn F, Jagadish HV, Faloutsos C. Efficiently supporting ad hoc queries in large datasets oftime sequences[J]. Acm Sigmod Record, 1997, 26(2):289-300.

[20] Cheng S H, Chen SM, Lan T C. A New Similarity Measure between Intuitionistic Fuzzy Sets forPattern Recognition Based on the Centroid Points of Transformed FuzzyNumbers[C]// IEEE International Conference on Systems, Man, and Cybernetics.IEEE, 2016:1125-1129.

[21] Yang C, DuraiswamiR, Davis L. Efficient Mean-Shift Tracking via a New Similarity Measure.[C]//Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE ComputerSociety Conference on. IEEE, 2005:176-183.

[22] Suebsing A,Hiransakolwong N. Feature Selection Using Euclidean Distance and CosineSimilarity for Intrusion Detection Model[C]// First Asian Conference onIntelligent Information and Database Systems. IEEE Computer Society,2009:86-91.

[23] Keogh E,Ratanamahatana C A. Exact indexing of dynamic time warping[J]. Knowledgeamp; Information Systems, 2005, 7(3):358-386.

[24] 肖瑞, 刘国华. 基于趋势的时间序列相似性度量和聚类研究[J]. 计算机应用研究, 2014,31(9):2600-2605.

[25] Cai Q, Chen L, SunJ. Piecewise statistic approximation based similarity measure for timeseries[J]. Knowledge-Based Systems, 2015, 85(C):181-195.

[26] Sitaram D, DalwaniA, Narang A, et al. A Measure of Similarity of Time Series Containing MissingData Using the Mahalanobis Distance[C]// Second International Conference onAdvances in Computing and Communication Engineering. IEEE, 2015:622-627.