来源：期刊VIP网 时间：
作者：蒋晓丽1,2;李传江3;章倩4;陈琳升5
单位：1.广州软件学院;2.如皋技师学院;3.贵州大学公共大数据国家重点实验室;4.中国船舶集团有限公司第七〇四研究所;5.浙江大学机械工程学院
摘要：电力负荷数据有效分析对于挖掘信息的价值至关重要，聚类和分类是数据挖掘中主要手段。考虑到电力负荷数据分析因其固有的时序复杂性相较于其他类型的数据分析更加具有挑战性。该研究提出一种时间序列数据双模式分析算法，该算法融合监督学习和无监督学习。首先，设计基于门控神经网络的变分自编码器（VAE），深入学习时间序列数据的时序特征。针对传统VAE在KL散度损失项和无监督学习方面的局限，文章改进KL散度损失函数并引入度量学习，以增强潜在空间的表征能力。进一步，通过编码器得到的潜在向量空间，实现符合聚类原则的输出设计，并提出有效的合并和停止标准，以降低计算成本。此外，采用结合度量学习和分类任务的多任务学习策略，实现时间序列数据的准确分类。在大规模工业负荷数据的实验中，与现有技术相比，所提算法在聚类精度上平均提高27.16%，速度提升47.15%，在分类精度上最高提高14.86%，速度提升34.45%，证明本算法的有效性和优越性。
关键词：时间序列数据;聚类算法;变分自编码器;门控神经网络;度量学习
基金资助：教育部产学合作协同育人项目（231101950290232）; 广州软件学院校级科研项目（ky202208）
