针对非平稳时间序列与风速行为的带深度聚类
应用统计
2015-09-02 v1 统计方法学
摘要
我们使用国家可再生能源实验室发布的东部风能数据集，探索了风速随时间的行为。该数据集提供了数百个潜在风电场址三年间的风速。风速分析对于将风能并入电网是必要的；风速的短期变异性会影响关于其他电源使用的决策，因此风速曲线的形状变得与整体水平同样重要。为了评估日内时间序列的差异，我们提出了一种函数距离度量，即带距离，它扩展了 Lopez-Pintado 和 Romo (2009) 的带深度。该度量强调时间序列或函数观测相对于数据集中其他成员的形状，并允许在不依赖逐点欧氏距离的情况下对观测进行聚类。为了强调短期变异性，我们考察了非平稳速度时间序列的短时傅里叶变换；我们还可以对季节效应进行调整，并将这些标准化结果作为带距离的输入。我们表明，这些表征数据的方法超越了依赖均值的传统聚类方法（如 k-means），能够提供更多受形状影响的聚类代表，这对电网决策是有用的。
引用
@article{arxiv.1509.00051,
title = {Band Depth Clustering for Nonstationary Time Series and Wind Speed Behavior},
author = {Laura L. Tupper and David S. Matteson and C. Lindsay Anderson},
journal= {arXiv preprint arXiv:1509.00051},
year = {2015}
}