基于偏最小二乘回归的年用电量预测研究

对年用电量的预测若采用一般最小二乘回归法建模，其估计参数存在着很大的误差且物理意义明显不足。而偏最小二乘回归方法则实现了多元线性回归、主成分分析和典型相关分析的综合、克服了自变量之间的多重相关性的问题，因而更具有先进性，其计算结果更为可靠，在实际系统中的可解释性也更强，且方法简单，计算快捷。该文将偏最小二乘回归模型(Partial Least Square Regression，PLS)应用于年用电量预测，并与基于最小二乘的多元线性回归模型预测成果进行对比，探讨了偏最小二乘法在电力负荷预测中的可行性和优势。通过四川省电网年用电量预测表明：偏最小二乘回归法比一般最小二乘法优，具有较强的实用性。     

非线性偏最小二乘回归在电力负荷预测中的应用

非线性(二次多项式)偏最小二乘既能够解决线性偏最小二乘只能提取线性成分的问题,它又借鉴了偏最小二乘回归方法能够有效地解决自变量集合多重相关性的问题,因而它更具有先进性,其计算结果更为可靠.本文将二次多项式非线性偏最小二乘回归应用于泉州地区的电力负荷预测.文章还将二次多项式偏最小二乘的预测结果并线性偏最小二乘和logistic模型的预测结果进行比较,实例预测结果表明,非线性偏最小二乘具有较高的预测精度,它能满足实际工程的要求.     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

标么值加权平均组合变量生成法用于中长期电力负荷预测

将标么值概念引入电力负荷预测,将预测中使用的部分自变量做标准化处理,可以消除变量取值单位对回归系数的影响,同时寻找变量间及变量在不同地区间的相似性。利用变量的加权线性组合生成新变量,利用相似性对一些变量的发展规律作出估计,使偏最小二乘回归方法能够应用于我国农村电网。     

标么值加权平均组合变量生成法用于中长期电力负荷预测

将标么值概念引入电力负荷预测,将预测中使用的部分自变量做标准化处理,可以消除变量取值单位对回归系数的影响,同时寻找变量间及变量在不同地区间的相似性.利用变量的加权线性组合生成新变量,利用相似性对一些变量的发展规律作出估计,使偏最小二乘回归方法能够应用于我国农村电网.     

基于岭回归与偏最小二乘回归的中长期负荷预测

为了提高负荷预测的精度,在负荷预测模型的建立过程中往往选取一些相关影响因素。然而此种情况往往将一些不重要的因素也考虑进来,增加了负荷建模的难度,有时甚至出现模型不好解释的现象。为了避免这种情况,提出了首先用岭估计法筛选所有选出的自变量集合,剔除那些对负荷影响不显著的因素,然后用剩余的自变量集合通过偏最小二乘回归法建模。通过实例应用,证明了该方法的正确性和有效性。     

基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。     

基于稳健偏最小二乘法的谐波发射水平估计

为了合理划分电力系统及用户各自的谐波污染责任,文中提出用稳健偏最小二乘回归法估算供电系统谐波阻抗并计算用户谐波发射水平。将公共联接点同步测量采样获得的谐波电压和电流信号作为回归方程的自变量与因变量,利用稳健偏最小二乘求解回归系数,即系统侧谐波阻抗。该方法保留了偏最小二乘法在自变量存在相关性的条件下仍然能够回归建模的优点,同时有效克服了偏最小二乘法由于对异常值敏感而导致建模结果不准确的缺陷。通过仿真分析和实际工程算例验证了该方法的准确性和有效性。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。     

基于改进偏最小二乘法的系统谐波阻抗及谐波发射水平估算

提出了用改进的偏最小二乘回归法估算供电系统谐波阻抗的方法.对公共点采样的电压和电流信号进行快速傅里叶变换,得出各次谐波电压和电流分别作为回归方程的因变量和自变量,以系统侧阻抗为回归系数,利用改进的偏最小二乘法求解出回归系数即为系统侧阻抗.该方法克服了传统偏最小二乘法可能漏选有用成分的缺陷.仿真及实例结果验证了利用改进偏最小二乘法估算系统侧谐波阻抗和用户侧谐波发射水平的有效性.     

太赫兹时域光谱用于橡胶添加剂的定量分析

在利用太赫兹时域光谱（THz TDS）技术对丁腈橡胶中的添加剂进行定量分析时,将偏最小二乘法(PLS)推广到多维偏最小二乘方法(N PLS),解决了高维数据的建模问题,并且具有良好的模型预测能力。为验证本算法的有效性,分别采用PLS算法和N PLS算法对样本进行建模分析,得出N PLS模型的均方根误差为2.04%,相关系数为0.98。PLS模型的均方根误差为2.71%,相关系数为0.97,结果表明,两种方法都可以对丁腈橡胶中添加剂的含量进行预测,而N PLS算法具有更好的预测效果。     

定子绕组绝缘状态参量的偏最小二乘回归分析

借助提取主元的思路 ,在小样本情况下 ,用PLS方法对定子绝缘状态的非破坏性参量与其击穿电压之间的相关性信息进行筛选和综合 ,讨论了定子状态特征参量的各种数据信息。试验结果表明该方法在样本数较少及非破坏性参量之间存在多重相关性时 ,具有更好的分析解释能力 ,为定子绝缘状态参量分析提供了新的研究方法。     

PLSNet: hierarchical feature extraction using partial least squares regression for image classification

In this paper, we propose an image classification method using partial least squares (PLS) regression. PCANet is a hierarchical feature extraction using principal component analysis (PCA) for image classification, which obtained high accuracies on a variety of datasets. PCA projects explanatory variables on a subspace that the first component has the largest variance. In contrast to PCA, PLS projects explanatory variables on a subspace that the first component has the largest covariance between explanatory and objective variables. If class labels are used as objective variables, the subspace is more suitable for classification than PCA. Therefore, we combine PLS with the network architecture of PCANet and call the method ‘PLSNet’. It obtained higher accuracies than PCANet on the MNIST and CIFAR‐10 datasets. Furthermore, we improve the way to learn filters at the second stage and call the method ‘Improved PLSNet’. It obtained higher accuracies than PLSNet.     

基于核偏最小二乘的电厂热力参数预测与估计*

为了解决机组运行过程中参数失效和优化过程中参数计算的问题,提出了一种基于核偏最小二乘方法的热力参数预测和估计方法。首先用正常数据建立机组参数的预测和估计模型,确定各变量之间的回归关系,然后将其用于参数的在线预测与估计。其基本思想是通过非线性核函数将数据映射到高维特征空间,然后在高维特征空间中进行偏最小二乘回归运算。该方法可以有效地捕捉变量间的非线性关系,参数预测和估计效果明显好于偏最小二乘法和主元回归方法等线性回归方法。某1 000 MW发电机组烟气含氧量历史特征数据集仿真试验及实际应用比对实验证明了该方法的有效性。     

采用正交信号修正法与偏最小二乘回归的中长期负荷预测

介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强, 预测精度明显提高,具有较强的实用性。     

基于太赫兹时域光谱系统的橡胶分类识别

基于太赫兹时域光谱（THz TDS）系统对4种橡胶样品进行检测,分别采用核主成分分析（KPCA）和核典型相关分析（KCCA）方法对橡胶太赫兹光谱进行特征提取,引入PCA和CCA作为对比,再结合支持向量机（SVM）建立分类模型,对橡胶进行分类识别,最后以偏最小二乘判别法（PLS DA）的识别结果作为参考。结果表明,SVM结合特征提取方法可以对橡胶的光谱进行分类识别,KPCA SVM对吸收谱的分类效果最佳,而PLS DA对折射谱的分类效果要优于SVM,同时,KPCA对光谱的特征提取效果要优于标准的KCCA方法。实验为橡胶的识别分析提供了新的方法。     

计及需求响应和深度结构多任务学习的电力系统短期负荷预测

随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。首先,在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;其次,采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;最后,将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明：Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。