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。     

基于主成分分析及系统聚类的县域电网综合评价方法

对多个县域电网进行统筹优化建设时,县域电网评价体系会直接影响建设方案的制定。传统电网评价体系常常表现为细致度不够、主观性较大,因而现实指导性不强。因此,建立了一套县域电网评价体系,该评价体系利用主成分分析(Principal component analysis,PCA)进行微观剖析,应用系统聚类分析(Hierarchical cluster analysis,HCA)实现宏观引导。其中,通过主成分分析实现对多元评价指标进行降维、去相关性处理,对各评价指标赋予不含主观因素的主成分权重,从而建立县域电网综合评价体系,并得出能反映县域电网在安全性、经济性、可靠性、适应性、优质性这五个性质上优劣程度的分数及排名。再利用系统聚类分析法对这些得分逐性逐层地进行聚类,以不同层面的系统聚类结果回溯定位于与之相应的由主成分分析法得出的排名,从而对县域电网不同指标模块的薄弱所在聚类研究,并结合当地县域负荷及经济发展情况制定相应的发展路径。应用结果表明,将主成分分析法及系统聚类分析法有机结合来对县域电网进行综合评价是切实有效的。     

基于主成分聚类分析的火电机组综合评价方法

针对火电机组运行状态评价中涉及到的多指标体系的综合评价问题,本文将主成分分析和聚类分析相结合应用于机组运行状况综合评价。首先运用主成分分析法对单一指标评价体系进行综合,抽取影响火电机组运行状况的主要因素;然后以提取出的主成分作为新的数据矩阵进行聚类分类,避免了经典聚类定性选择聚类变量的主观性;最后利用主成分得分的大小来量化各因素的优劣性,评价结果全面地反映了机组的整体运行状况。实例分析结果验证了本文所提方法的有效性。     

考虑场景聚类的配电网?天然气联合系统双层随机运行优化

风电大规模接入配电网给系统安全经济运行带来了极大挑战。为充分表征风电随机性和不确定性对系统运行优化的影响,提出了考虑场景聚类的配电网?天然气联合系统双层随机运行优化模型。首先,通过主成分分析法对海量的高维度风电出力场景进行降维,在降维数据的基础上构建了基于分层聚类算法的风电随机场景选取方法,并提出最优聚类类数的确定标准以有效划分风电场景类数。其次,构建了基于分层场景聚类法的配电网?天然气网耦合系统双层随机运行优化模型,从多个时间尺度提高运行方案对风电波动的适应性。同时,引入拉格朗日因子,并提出KKT（Karush-Kuhn-Tucker）理论的等价方程表示方法,将所提随机运行优化模型转化为单层求解。通过算例,将所提方法与现有运行优化策略对比,验证了所提方法的有效性和优越性。     

基于主成分分析法与对应分析法的县域配电网状况评估

针对目前县域配电网综合评价方法中存在的不足,提出了基于主成分分析法与对应分析法的县域配电网整体状况分析方法,从安全性、经济性、可靠性、适应性和优质性5个方面选取相关指标建立配电网综合评价指标体系,2次运用主成分分析法,计算各个性质的权重以及各县域配电网的综合得分并对其进行分类。最后,将配电网综合得分与5个一级指标的得分,以及配电网综合得分与5个一级指标各主成分的得分分别绘制成图,通过比对5个一级指标及其各主成分可清晰准确地确定各个县域配电网状况的优劣情况,进而确定各个县域配电网的薄弱所在与发展路径。此外,首次将对应分析法引入配电网整体状况与核心经济指标间对应关系的分析中,为制定配电网发展规划提供经济性依据。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于核主成分分析和极限学习机的短期电力负荷预测

电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。     

基于海量场景降维的配电网源网荷储协同规划

风电、光伏等新能源大规模接入配电网,给配电网规划方法的效率和规划结果的经济性带来了极大挑战。为了解决配电网中新能源海量运行数据与配电网源网荷储协调规划之间的配合问题,提出了基于海量场景降维的配电网源网荷储协同规划方法。首先,通过主成分-高斯混合聚类算法对风-光-荷海量高维场景进行降维聚类,得到风-光-荷的典型场景集;然后,构建了面向海量场景的配电网源网荷储协同规划模型,并采用二阶锥松弛技术将模型中非凸约束转凸处理;最后,在Portugal 54节点配电网算例上验证了海量场景降维聚类方法和规划模型的有效性。     

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.     

基于投票策略的智能配电网柔性负荷聚类分析方法

面向智能配电网台区负荷特性差异大，以及传统聚类算法的聚类效果、聚类精度以及鲁棒性难以平衡的问题，结合K均值(K-means)算法和基于灰狼优化的模糊C均值（fuzzy C-means clustering algorithm based on Grey Wolf optimization,GWO-FCM）算法等不同算法的聚类稳定性和聚类效应，提出一种基于投票策略的智能配电网柔性负荷聚类分析方法。通过集成树拟合，实现智能配电网台区柔性负荷高维数据的降维。利用马氏距离克服聚类指标维度的相关性，进而确定有效聚类数。通过卡林斯基-哈拉巴斯指数（Calinski-Harabaz,CH）确定基准聚类算法。通过一致性函数矩阵对聚类结果进行统一，攻克了聚类结果不稳定的问题，得到更一致、更稳定的总体聚类结果。通过宁夏回族自治区智能配电台区实际运行数据分析，验证了所提基于投票策略的聚类算法的有效性。     

Performance Degradation Prediction of Proton Exchange Membrane Fuel Cell Based on CEEMDAN-KPCA and DA-GRU Networks

In order to improve the performance degradation prediction accuracy of proton exchange membrane fuel cell (PEMFC), a fusion prediction method (CKDG) based on adaptive noise complete ensemble empirical mode decomposition (CEEMDAN), kernel principal component analysis (KPCA) and dual attention mechanism gated recurrent unit neural network (DA-GRU) was proposed. CEEMDAN and KPCA were used to extract the input feature data sequence, reduce the influence of random factors, and capture essential feature components to reduce the model complexity. The DA-GRU network helps to learn the feature mapping relationship of data in long time series and predict the changing trend of performance degradation data more accurately. The actual aging experimental data verify the performance of the CKDG method. The results show that under the steady-state condition of 20% training data prediction, the CKDA method can reduce the root mean square error (RMSE) by 52.7% and 34.6%, respectively, compared with the traditional LSTM and GRU neural networks. Compared with the simple DA-GRU network, RMSE is reduced by 15%, and the degree of over-fitting is reduced, which has higher accuracy. It also shows excellent prediction performance under the dynamic condition data set and has good universality.     

类均值核主元法在GIS局部放电模式识别中的应用研究

GIS局部放电的模式识别对于评估其运行状态、确定检修策略具有重要意义。论文设计了4种典型的GIS局部放电模型,并通过实验建立了相应的局部放电超高频信号图谱数据库,然后根据信号特点提取了原始特征量,由于原始特征量维数较高,不利于模式识别,因此论文引入类均值核主元分析法,首先求出各类映射数据的类均值矢量,然后根据建立的类均值核矩阵建立类均值核主元算法。研究结果表明,该方法得到的特征量涵盖原始样本中的全部信息,并且维数低于绝缘缺陷种类数,能够实现信息的无损降维。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于核主元分析和多级神经网络集成的汽轮机故障诊断

提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法.该方法首先采用KPCA对汽轮机故障样本数据进行特征提取;然后计算相互独立训练出的多个神经网络个体在验证样本集上的泛化误差,并选择其中精确度较高的子神经网络作为集成的个体;最后采用基于正交最小二乘算法的径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果.在某汽轮发电机组故障诊断中的应用表明,该方法具有较高的精确度和稳定性.     

基于小波KPCA与Bi-LSTM的特高压换流站测控装置健康评估和预测

特高压换流站测控装置作为模拟量非线性、传输转换高要求的二次设备,目前的评估和预测方法不完全适用于测控装置的健康分析。提出了一种基于小波核主元(kernel principal component analysis, KPCA)分析和双向长短期记忆网络(bi-directional long short-term memory, Bi-LSTM)结合的健康评估和预测方法。通过引入小波核函数,以提高KPCA对健康状态影响因素进行特征提取的能力。通过第一核主元建立健康指数,以评估测控装置状态变化。通过构建Bi-LSTM网络模型以输入特征信息达到健康预测目的。以浙江某换流站采集到的真实数据作为样本,通过实验数据进行了对比分析。结果表明,该方法可以提升多维健康监测数据的准确评估和预测精度,为检修人员制定检修策略提供科学参考。     

基于KPCA-WPA-SVM的变压器故障诊断模型

为提高变压器故障诊断的精度,文章提出一种基于核主成分分析(KPCA)和狼群算法(WPA)优化支持向量机(SVM)参数的变压器故障诊断方法。通过KPCA提取样本数据的非线性特征,并获得其主成分,再将其输入至高斯核SVM构成诊断模型,并利用WPA对SVM的惩罚因子以及核参数进行优化。实验结果表明,该方法诊断准确率达到93.33%,与传统SVM以及KPCA-SVM诊断模型相对比,具有更高的变压器故障诊断准确率。     

基于主成分分析的中压配电网供电可靠性评估

针对专家评判法在中压配电网供电可靠性评估确定指标权重的过程中容易受主观因素影响的问题,提出一种基于主成分分析的中压配电网供电可靠性评估方法。建立中压配电网供电可靠性评估指标体系,构造待评估对象的评估指标矩阵,并将其依次处理为归一化指标矩阵和标准化指标矩阵;通过对标准化指标矩阵的主成分分析,确定起主要作用的主成分,并以此求取综合评估函数中各可靠性指标的权重;建立待评估对象的供电可靠性综合评估函数,进而求得待评估对象的可靠性评估值;结合各指标权重及其归一化指标值绘制待评估对象的各指标满意度及重要性区域图,为中压配电网具有更高可靠性的改造提供了量化、直观的科学依据。工程实例证明了所提方法的有效性和实用性。     

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。     

农村电网建设与改造技术评估研究

对农村电网建设与改造技术评估进行研究。提出农网改造技术评怙指标体系和将层次分析法与主成分分析法相结合来确定指标权重的方法．基于模糊集合理论提出模糊综合评估方法。对不同经济类型的典型县的评估结果证明了文中提出的技术评估指标体系是系统，全面、客观的，提出的确定指标权重的方法和评估方法科学有效。