基于核主成分分析的热误差模型自变量优化

为了改善主成分分析对温度场的非线性数据提取能力不足的问题,提出一种核主成分温测点优化法。引入非线性映射函数,将输入的温度数据向特征空间映射,选择高斯径向基为核函数,将特征空间的内积运算变换为输入空间的核函数运算,求出特征值和核特征向量,建立综合自变量。在一台数控加工中心上进行试验,将提出方法建立的预测模型和主成分分析获得的预测模型进行比较,均方根误差降低约36%,最大残差降低29%,结果表明,采用核主成分法建模,能更好提取温度数据特征,可以使试验机床进给系统的热误差预测能力显著提升。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择.通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性.     

基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断

提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法，将数据先用核主元法进行分析和处理，即通过非线性变换将样本数据从输入空间映射到高维特征空间，然后在高维特征空间中进行特征提取，若数据的Hotelling'sT2和Q统计量超过控制限，说明有故障发生，则计算样本的非线性主元得分向量，并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。该方法可以有效地捕捉变量间的非线性关系，过程监控和故障诊断效果明显好于PCA-PSVM法。汽轮机历史故障特征数据集仿真试验证明了该方法的有效性。     

改进Sammon映射算法在分析暂态稳定评估输入特征有效性中的应用

基于机器学习技术的电力系统暂态稳定评估方法中,输入特征提取的是否合理往往决定了最终的分类效果。然而,目前却缺乏一种工具去评价选择的输入特征是否具有可分性。鉴于此,引入Sammon映射算法将高维样本数据映射到低维空间中,通过观察映射点的分布情况判断提取的特征是否有效,并针对原算法的不足之处进行改进。首先利用主成分分析法(principal component analysis,PCA)求出包含原始数据信息最多的前两维主成分向量,代替原算法随机取值的方法,作为映射点坐标向量的初始值。然后,采用迭代修正法求解最终的映射点坐标向量,加快了求解速度。最后,以改进Sammon映射算法作为工具,分析IEEE 39节点系统的仿真数据和某地区实际在线历史数据提取特征的有效性,证明该算法在指导特征选择中具有良好的应用前景。     

基于Copula函数和LU分解法的汽轮机数据特征选择

为了能够有效利用高维空间的数据并且解决冗余维数对最终结果的影响,本文提出了一种采用Copula函数和前向替换(LU)分解法的维数降低特征选择方法,即由Copula函数提供一个适合的相关性模型来比较多变量分布的数据,LU分解可以快速获得维数的线性组合相关系数,然后通过相关系数分析和消除不相关或冗余数据以及其他线性组合的变量,保持数据信息的完整性,这样可对多维数据进行特征选择。将本文方法与主成分分析(PCA)、简单主成分分析(SPCA)、奇异值分解(SVD)特征选择方法用于某厂2个月内汽轮机3种工况下大量数据的处理分析。结果表明,本文方法对识别的故障数据维数的降低数和识别效率较其他方法效果更好。     

基于改进主成分分析的变压器励磁涌流识别方法

分析了主成分分析用于变压器励磁涌流识别的理论依据。将每组采样数据看作采样空间中的一点,使用主成分分析对采样空间进行变换,找到变压器不同状态下采样数据分布差异最大的一个方向,在该方向上识别励磁涌流和故障电流。分析了常规主成分分析过程用于励磁涌流识别的不足,提出了新的数据预处理方法和主成分分离度的概念,给出了依据分离度大小选择主成分构成励磁涌流识别判据的原则。大量仿真数据计算结果表明基于主成分的判据具有足够的可靠性和灵敏性,性能上优于二次谐波制动判据和间断角判据。     

基于改进主成分分析的变压器励磁涌流识别方法

分析了主成分分析用于变压器励磁涌流识别的理论依据.将每组采样数据看作采样空间中的一点,使用主成分分析对采样空间进行变换,找到变压器不同状态下采样数据分布差异最大的一个方向,在该方向上识别励磁涌流和故障电流.分析了常规主成分分析过程用于励磁涌流识别的不足,提出了新的数据预处理方法和主成分分离度的概念,给出了依据分离度大小选择主成分构成励磁涌流识别判据的原则.大量仿真数据计算结果表明基于主成分的判据具有足够的可靠性和灵敏性,性能上优于二次谐波制动判据和间断角判据.     

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KPCA和LSSVM的过热器异常诊断

为提高过热器系统异常识别准确率,对核主元分析以及最小二乘支持向量机在过热器异常识别分类中的应用进行研究,提出了一种改进KPCA-LSSVM的过热器异常工况识别策略.采用核主元分析算法对获取到的过程数据提取主成分,并选择贡献度最大的主成分输入LSSVM中进行建模,建立KPCA-PSO-LSSVM分类模型对主汽温故障进行识...     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

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。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。     

电力通信网光纤保护通道风险评估

对电力通信网光纤保护通道风险评估进行了研究,针对电力通信网光纤保护通道风险评估的影响因素繁多,复杂性和重要程度不同,难以用精确数学模型描述的特点,提议利用主成分分析(PCA)-径向基(RBF)神经网络进行风险评估的方法。具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各个主成分的贡献率来确定径向基网络结构,从而提高了网络的训练速度和评估能力。最后对某省实际运行的光纤保护通道进行风险评估来验证该方法的优越性。     

微机距离保护仿真系统的设计与实现

根据微机距离保护的工作原理和基本组成,设计了微机距离保护动态仿真系统。按照模块化设计,系统由基于EMTDC的故障暂态计算模块、启动元件模块、傅里叶算法模块、选相元件模块、阻抗继电器模块和显示模块6部分组成。仿真系统将数据格式转换后的故障暂态计算结果作为距离保护动态仿真程序的输入量,通过对输入量进行逐点计算,能同步逐点显示出继电器的测量阻抗和其他各种仿真结果。仿真实例表明,该动态仿真系统既能较好地仿真距离保护在不同工况下的动作行为,为分析距离保护提供依据,而且还可以作为一种有效的软件工具用于继电保护的开发和教学。     

基于主成分分析与神经网络复合模型的汽轮机排汽焓计算

以某300 MW汽轮机为例,建立了基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型。首先分析了主成分分析和人工神经网络计算原理,然后采集了影响汽轮机排汽焓的各个主要参数的历史数据,并对采集到的数据进行了数据预处理,对剔除坏点后的历史数据做主成分分析,得到了累计贡献值大于99.95%的4个主要成分,并以这4个主要成分作为BP神经网络的输入变量,汽轮机排汽焓作为输出变量,建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型,通过对模型的训练和验证,得到了汽轮机排汽焓计算模型,便于在线监测中进行实时调用。研究结果表明：主成分分析能够确定合理的BP神经网络输入变量个数,提高训练精度和训练速度;主成分分析与神经网络复合模型对排汽焓的计算精度符合工程要求;排汽焓在各个负荷工况下波动不大。     

数据挖掘在电力系统暂态稳定评估中的应用综述

人工智能和数据挖掘在发现潜在问题和提高计算效率等方面有较大的优越性。综述了几年来人工智能与数据挖掘等技术应用于电力系统暂态稳定评估所取得的研究成果。对所涉及的主成分分析、遗传算法、粗糙集、信息熵等数据预处理方法,神经网络与支持向量机等分类器,可视化显示等方面的研究成果进行了深入的分析和比较,指出了存在的问题,并对以后的发展方向进行了一定的展望。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于 KPCA 和 SVM 的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。