主成分回归分析在大坝安全监测中的应用

介绍主成分回归的原理,对某大坝的位移预测进行分析研究。利用SPSS软件进行多重共线性诊断后进行主成分分析,确定主成分的个数,将原自变量的主成分代替原自变量进行回归分析,建立主成分回归模型,并对该大坝位移进行预报。对影响大坝位移的各因子进行有效分离,既保留了原指标的绝大部分信息,又有主成分之间不相关的特点,弥补了最小二乘法回归无法有效识别和消除因子间多重相关性影响的不足。     

基于误差校正的中长期负荷预测模型

中国的中长期负荷呈现明显的增长趋势,大部分插值算法在预测建模时,对区间外预测结果的有效性得不到保证.文章建立了一个综合时间序列建模和回归建模优点的模型来预测湖南衡阳地区年度负荷.将总量数据转换成增速数,然后建立广义自回归条件异方差(general autoregressive conditional heteroscedasticity,GARCH)对负荷增速序列建模.建立回归模型分析 GARCH 模型的残差中未被 GARCH模型解释的外界影响,然后根据回归预测的残差对 GARCH模型误差进行校正.在选择回归模型变量时,引入格兰杰因果检验筛选适当的影响因素,引入主成分分析提取影响因素中包含的信息,降低自变量的维数,提高中长期负荷建模精度.实例研究表明该方法对于中国中长期负荷预测较为准确.     

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.     

基于SPSS的电力需求与行业发展之间的规律研究

对地区全社会用电量进行需求分析,找出全社会总用电量与行业用电量之间的关系。通过SPSS软件用主成分分析法对某地区行业用电量指标进行主成分分析,找出若干个重点行业用电量(若干个个变量)的主成分因子,然后再通过回归分析法对主成分因子和全社会用电量进行回归分析,建立电力需求模型。实例分析证明,这种由少数几个行业用电量来预测全社会总用电量的方法,可得到较好的预测效果。     

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。     

基于主曲线方法的水轮机特性曲线的数值拟合

主曲线是用一维光滑曲线对数据集合进行信息抽取的一种方法,是第一主成分的非线性推广.通过分析传统回归方法在水轮机特性曲线数值拟合中存在的问题,提出了利用主曲线作为数学工具对水轮机特性曲线进行数值拟合.理论分析与实践表明,利用主曲线方法进行水轮机特性曲线的数值拟合,不仅拟合精度可以得到保证,而且对各种曲线可以用以投影指标为自变量的统一的数学表达式进行描述.该方法为水轮机特性曲线的数值拟合提供了一个新途径.     

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果.为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型.首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解.然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测.最后,将预测结果进行重构得到最终预测结果.通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度.     

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。     

基于偏最小二乘法与BP神经网络的电力中长期负荷预测

用于考虑多个相关因素影响的负荷预测时,偏最小二乘法(partial least squares regression,PLSR)通过提取影响负荷的自变量集的主成分,克服了自变量间多重相关性对于负荷建模带来的不利影响,具有对模型解释能力强的优点。但PLSR也有其自身的弱点,如自变量系统中可能存在与因变量无关的正交数据信息,而影响模型的预测精度。基于PLSR算法和BP神经网络的特性,建立了一种PLSR-BP神经网络模型,该模型对原PLSR建模过程中产生的权值和回归系数进行修正,仿真研究结果证明了该方法的正确性和有效性。     

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KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于突变理论的风电爬坡多步预测

风电爬坡实现的多步预测是保障大规模风电并网后电网安全和电能质量的有效手段。提出了一种基于突变理论的风电爬坡多步预测方法,首先将风电爬坡事件视为一种突变现象,采用相关性分析、主成分分析和线性加权累加方法处理中尺度气象数据,确定突变爬坡的相关变量;然后分别建立上行和下行爬坡的突变预测模型,通过综合考虑增大预测步长和减小预测误差,求解多目标优化问题,以训练模型参数,实现风电爬坡的多步预测。仿真结果表明,该方法可以比较有效地预测风电爬坡事件,与统计方法相比具有更大的预测步长和更高的准确率。     

十一五期间江苏省全社会用电量的统计预测

建立了江苏省全社会电力需求量的主成分回归模型,得到主成分后,根据数据自身的特点,分别选择了二次多项式、三次多项式和生长模型,将主成分与全社会用电量2个变量进行回归,得到预测模型,然后根据江苏省"十一五"规划的要求,在单位能耗降低20%、地区GDP年均增长率分别为12%、12.8%、15%的情况下,对江苏省2006～2010年的全社会电力需求量进行了预测.并分析了各模型的优缺点.     

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.     

基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法，通过对影响电力负荷的相关因素进行主成分分析，减少自适应神经模糊推理系统的输入量，可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。     

基于主元子空间的主动配电网量测设备关键配置位置识别

为了进一步优化主动配电网中量测设备的配置,提出了基于主元子空间的量测设备关键配置位置识别方法。该方法不需要关于系统的完备先验知识。利用主元分析方法将量测数据映射到主元子空间中,利用主元的累计方差贡献率选取样本主元;在量测变量重构的基础上,计算量测变量对Hotelling T2统计量的重构贡献率;定义了节点重构贡献率和节点相对贡献率,并将相对贡献率应用到关键配置位置识别中。IEEE 69节点系统的仿真结果表明了所提方法的有效性。     

基于非线性频谱特征及核主元分析的模拟电路故障诊断方法

针对模拟电路基于非线性输出频域响应函数(NOFRF)模型进行故障特征提取时,具有维数多、数据量大的特点,提出了采用核主元分析(KPCA)和多类别支持向量机(MSVM)进行故障模式判别的新方法(KPCA-MSVM)。该方法首先采用KPCA对特征向量进行维数压缩、消除变量之间的非线性;其次构造MSVM分类器,在PSpice环境下通过蒙特卡罗仿真生成模拟电路在各种故障状态下的数据,对MSVM分类器进行训练,将训练好的MSVM分类器用于模拟电路的故障状态识别。通过对Sallen-Key带通滤波器模拟电路的故障诊断结果表明,该故障诊断方法对模拟电路参数型故障有很好的识别、定位能力并具有速度快和准确率高的特点。     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。     

基于互信息和PCA理论的湿法烟气脱硫工况特征提取方法

目前火电厂湿法烟气脱硫系统优化研究中主要采用主成分分析法进行特征提取,但由于湿法烟气脱硫系统能耗影响因素之间存在高耦合、非线性特征,现有特征提取方法无法评估特征间非线性关系。为此提出了一种基于互信息和主成分分析理论的特征提取方法。该方法用特征间的互信息矩阵取代主成分分析中的协方差矩阵,其特征向量表示新的主成分空间中各主成分的方向,特征值作为评价准则判断主成分维数。使用该方法对某电厂脱硫实测数据进行特征提取,实验结果表明：该方法降维效果更好,使用基于网格搜索法的支持向量机作为分类器,相同维度的主成分提出方法分类正确率更高;使用该方法进行浆液循环泵运行方式优化,耗电量平均降低约14.69%。     

基于PCA-SVR的电能计量装置误差评估算法

针对目前电能计量综合误差计算方法无法实时评价电能计量装置误差的问题,提出了一种基于PCA-SVR的电能计量装置误差评估算法。该方法首先对互感器二次信号有效值进行主元分析(PCA),通过Q统计量及其贡献率对电能计量装置进行计量状态检测和异常定位。然后建立正常计量状态下电能计量装置合成误差的多参数降维模型,通过支持向量机回归(SVR)得到互感器实际工况下的计量误差,与在线监测获得的二次回路误差、电能表误差合成得到综合误差。本文方法可以实现电能计量误差的状态评价和合成误差的实时评估,最后通过仿真验证了本文方法的准确性。