基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于区间TOPSIS法的高层建筑电气火灾风险两级评估方法

高层建筑电气火灾风险居高不下,长期以来威胁着人们的生命财产安全,为此,准确地评估电气火风险、辨识出风险因子,可以有效地制定电气火灾防范措施,为此,本文提出了基于区间TOPSIS方法的高层建筑电气火灾风险两级评估方法。首先,查阅电气火灾数据和专家评价意见,采用改进的德尔菲法获取电气火灾风险评估的两级指标框架：主指标和子指标,然后采用区间层次分析法确定高层建筑电气火灾风险指标的权重系数,最后结合区间TOPSIS方法对风险指标因子进行风险排序。经验证发现高层建筑电气火灾风险因子排序依次为易燃易爆品的连锁反应(占到27.9%)、电气线路引发火灾(占到22.07%)和电气设备引发火灾(占到20.89%),其中过负荷风险因子在子指标中占比最大。     

多策略改进MPA算法与HKELM的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机(HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于天气分型的风光出力互补性分析方法

基于天气分型的风光出力互补性定量分析方法能够科学指导风光互补发电系统优化调度。针对现有天气分型方法中主成分分析法无法提取非线性特征,分布领域嵌入(t-SNE)算法未考虑样本实际分布等不足,提出了基于核主成分分析(KPCA)和自组织特征映射(SOFM)神经网络的天气分型及风光出力互补性分析方法。首先,基于数值天气预报数据,利用KPCA进行特征向量提取;然后,以特征向量为输入条件,构建基于SOFM神经网络的天气类型划分模型;最后,基于波动互补率和爬坡互补率评估指标,从波动性和爬坡性2个角度定量分析不同天气类型下风光出力互补程度和最佳并网容量比例。结果表明不同天气类型下风光出力波动互补性及最佳并网容量比例差异明显,验证了所提方法的有效性。     

基于灵敏度和灰色关联度的配电网运行方式变权重评估方法

为了对配电网运行方式进行准确的评估,提出了一种考虑指标灵敏度的配电网运行方式变权重评估方法。利用主成分分析法对配电网指标进行初步分析,根据分析结果利用最小二乘法计算灵敏度权重,同时利用灰色关联分析法对指标数据序列和评估量化值序列进行分析从而得到灰色关联度权重。灵敏度权重反映了指标对评估结果的影响程度,灰色关联度权重反映了指标数据序列与评估结果序列之间的关联程度,最后利用变权重公式实现指标的综合赋权。利用该方法对一个城市配电网进行评估,计算结果证明了该方法的有效性与可行性。     

基于改进主成分分析的低压配电网供电所综合评价方法

低压配电网供电所特性评估是供电企业发展和低压配电网投资的决策基础与依据。文中提出一种基于改进主成分分析的低压配电网供电所综合评价方法,结合传统主成分分析法和层次分析法的优点,建立了综合评价指标体系,并以A市132个供电所为具体研究对象,计算供电所经济效益性、供电可靠性、协调适应性3个方面的量化评价分数指标。再利用系统聚类方法对得分进行聚类,探究供电所在不同特性上的发展现状,并结合2015—2016年2年的数据进行纵向对比,经计算分析可见,基于改进主成分分析的综合评价方法对低压配电网供电所的评价是切实有效的,对后续发展起指导作用。     

基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法

针对微电网中光伏发电短期预测难度大的问题,从新的空间角度提出一种直接考虑微电源间能量关系的组合预测方法。使用思维进化算法优化BP神经网络、粒子群算法优化支持向量机和基于单隐层前馈网络极限学习机分别进行预测,方差-协方差权值动态分配法来组合预测结果。并对单天预测和滚动预测,提出一种粒子化自组织特征映射网络相似日聚类,结合最小二乘法拟合等权平均输出的综合预测体系。实际实验表明,该方法具有互补性强、灵活度好和准确性高等优点,可为微电网优化调度提供技术参考。     

基于非线性映射与核主成分分析的区域配电网综合评价方法

提出了一种基于非线性映射与核主成分分析的区域配电网综合评价方法。首先,将高维配电网评价结果经非线性映射降至二维,再利用改进的K均值聚类对二维数据进行分类;其次,用核主成分分析对存在非线性关系的配网评价指标降维,从经济性、安全性、可靠性、智能化水平4方面构建配网评价指标体系;最后,依据聚类划分和指标评价结果,分析各区域配电网的发展状况。应用所提方法对某省108个县域配电网进行综合评价,评价结果有效反映出该省108个县域配电网的发展现状并能确定其主要问题,表明了所提方法是科学有效的。     

基于改进的自组织特征映射网络的电能质量检测与识别

针对电能质量扰动信号频谱广(从0～数兆赫兹)、不同扰动信号之间相互叠加的特点,采用小波变换和神经网络(ANN)相结合的方法对电能质量扰动信号进行识别.利用db4小波对IEEE定义的9种电能质量扰动信号进行粗略分类,提取扰动特征信号;与其他文献中不同的是,这里利用一些少量的已知样本对权向量进行初始化,对网络进行非强制性的修正,确定收敛准则,自适应调节学习速率等,从而对自组织特征映射(SOFM)网络进行改进,利用有限的学习样本对神经网络进行训练,提高神经网络分类的精度.用改进的自组织特征映射网络对电能质量扰动信号进行Matlab仿真,结果表明达到了较好的分类效果.     

改进主成分分析法在配电变压器综合评价中的应用研究

配电网中配电变压器的监测已经成为配电自动化系统中的一个重要组成部分,但是如何充分利用已收集到的配变监测历史数据对其运行优劣情况进行科学的评价仍然是一个急待解决的问题。首先从配变监测系统的海量历史负荷信息中计算出表征配变优劣运行的多项运行参数指标,然后针对评价指标数据中庞大的数据空间以及数据之间的相关性而不易进行综合评价的缺点,运用改进主成分分析法,经过矩阵变换,在保留运行参数数据主要信息的基础上去除数据间的相关性,降低评价配变的指标维数,提炼出反映配变优劣运行的主要特征,获得配电变压器运行的综合评价指标,为配变的运行、管理、状态监测与诊断提供有效的评价。一个现场的实例验证了所提方法的有效性。     

基于PCA和RBF神经网络的中长期负荷预测方法

针对电力系统负荷预测问题,利用径向基函数(RBF)神经网络补全历史负荷数据,然后在主成分分析(Principal Component Analysis,PCA)和RBF神经网络原理的基础上,结合PCA和RBF神经网络方法进行负荷预测。实例表明该方法能有效降低输入变量的维数,且具有较高的精度。     

电子器件关键寿命参数获取及性能退化研究

研究电子器件生命特征、生命信息与潜在缺陷及寿命的相关性,依赖于其生命信息可靠寿命的预测方法。根据电子器件多参数多采样点组成的序列信息矩阵来研究其性能退化规律,其中涉及数据繁多,需进行压缩。结合神经网络,对包含电子器件序列信息的采样本点进行多方式选取,通过比较所得误差来最终确定采样点的选取方法;采用主成分分析法对继电器序列信息矩阵的列向量进行处理,提取出关键性能参数;构造适合的价值函数以获取描述电子器件性能可靠程度的特征量,对电子器件性能退化进行研究。     

基于历史信息挖掘的变压器健康状态聚类方法

传统变压器健康状态评估主要集中在评价导则与模型建立上,然而人为因素与低数据利用率或导致评估结果不准确,对此提出了一种基于历史信息挖掘的变压器健康状态聚类方法。首先利用关联分析挖掘变压器历史信息,以置信度量化评价指标。其次采用主分量分析方法获取评价指标关联权重,据此修正指标聚类空间。最后通过Canopy-kmeans两层聚类方法分析变压器集群健康状态,针对不同簇给出相应健康等级以指导状态检修与运行调度。算例分析验证了该方法的可行性与有效性。     

基于主成分和小波神经网络的绝缘子污秽放电发展阶段识别

针对绝缘子污秽放电模式识别过程中声发射信号的特征参量维数过高的问题,采用主成分分析法对特征参量降维,利用提取到的绝缘子污秽放电声发射信号的特征参数构成原始特征参量矩阵,通过对原始特征参量矩阵进行K-L正交变换,产生了包含原始特征参量矩阵主要信息的K个主成分,最后利用小波神经网络进行绝缘子污秽放电的模式识别。结果表明:利用主成分分析法降低特征参量的维数,使分类器的结构更简单,小波神经网络比传统的BP神经网络具有更高的识别率和更优的识别效果。     

PCA和Elman网络在移动学习策略分类中的应用

针对传统的大学生英语移动学习策略分类方法准确率较低的情况,提出了一种主成分分析（PCA）和Elman神经网络相结合的分类模型。首先,用PCA对所获得的移动学习策略原始数据作数据降维处理,提取前5个主成分,建立新的特征样本矩阵,再对Elman神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN分类准确率为70.0%,单一的Elman网络分类准确率为80.0%,PCA Elman网络分类准确率为100.0%,PCA Elman网络模型简化了单一Elman网络的结构,提高了网络的训练速率、分类准确率和泛化能力,验证了所提出的模型的有效性。     

基于PCA-BPNN的学生写作成绩预测模型研究

针对传统学生英语写作成绩预测方法准确率偏低的情况,提出一种基于主成分分析(PCA)和BP神经网络相结合的写作成绩预测模型。首先,用PCA对所建立的学生写作评价体系作数据降维处理,提取前3个主成分,构建了新的样本矩阵,再对BP神经网络进行训练和泛化能力测试。仿真结果表明：单一的BPNN预测最大相对误差为-2.165%,PCA BPNN预测最大相对误差仅为-0.824 2%,PCA BPNN简化了网络结构,提高了单一BPNN的训练速率、预测精度和泛化能力,验证了所提出的模型的有效性。     

结合主分量分析法的神经网络在变压器故障诊断中的应用

全文分析了根据油中溶解气体,采用人工神经网络进行变压器的故障诊断时,不同的输入短量构成方式对诊断结果的影响,介绍了主分量分析法原理和步骤,由此构成的新矢量,降低了输入矢量的维数,提高了变量间的不相关性,实例检验结果表明,该方法是有效的。     

基于主元分析的电容式电压互感器计量性能在线评估

电容式电压互感器(CVT)在运行过程中误差稳定性不高,易出现计量误差超差现象,直接影响电能计量的准确性。现有的利用标准电压互感器定期离线校验的方式存在过修和欠修等问题,已不适应智能变电站对关键设备在线监测的运行要求。提出了一种基于主元分析的在运CVT计量性能状态评估方法,采集三相CVT输出的二次模拟信号,利用主元分析的方法将电网一次信号波动和CVT自身异常造成的计量偏差相互分离,提取运行过程中测量数据的特征统计量,分析统计量的变化评估在运CVT的计量性能。实验结果表明所提方法可准确监测0.2级CVT的计量偏差状态,实现在运CVT计量性能的准确评估。