高维数据非参数可加模型的传输功率影响因素分析

发布时间：2017-07-04 03:19

  本文关键词：高维数据非参数可加模型的传输功率影响因素分析

  更多相关文章： 断面极限传输功率 交叉验证 非参数方法 三次B样条 独立变量筛选 Group-Lasso 非参数可加模型

【摘要】：随着计算机科学、电力技术、社会管理和经济金融等多种学科的交叉延伸发展,数据信息化开始由电力系统运行控制的生产层面开始向着协调管控、多级联合等管理层面发展。在电力系统实际运行中,为了分析和控制电力系统中的一些运行规则和系统状态,就必须要对相关的数据进行研究。随着测量工具和监控系统的完善,加上电网系统本身的复杂性,使得收集的数据不仅数据量巨大,而且维度很高,同时很多变量之间的相互影响关系也非常的复杂,这就给调控工作带来了很大的困难。当前有些方面的电力系统调控还是以主观判断来进行调节,不仅时效性低,而且可靠性不强,容易发生事故,这是目前亟待解决的问题。针对电力系统数据的特点,如果能找到真正影响重要状态的变量以及展现变量之间的显式函数表达式,不仅挖掘这类数据的信息,而且可以为控制人员提供调控策略,那将会使得电力系统的实际操作变得更方便、更有效和更可靠。针对上述问题,本文就以断面极限传输功率(TTC)为例,通过非参数可加模型方法,在对可能影响断面极限传输功率的高维变量进行降维,找到影响断面极限传输功率的重要变量,并列出断面极限传输功率与最终筛选出的自变量之间的具体函数表达式。本文所研究的因变量断面极限传输功率在现实的电力系统中是非常重要的一个因素,在日常的电力供电时,传输功率是随着时间在不停的改变,而且有时传输功率的波动比较剧烈,比如：用电高峰或低谷就有可能导致传输功率不稳,甚至出现事故,所以及时有效的调节传输功率,使其稳定在某一个范围内是非常关键的。当前调节传输功率的方法一般是哪部分需要调节就相应调节距离此节点最近的调节设备上的电压、负荷以及线路有功等,但实际上可能离节点最近的传输功率调节装置对此节点处传输功率的影响不是最大的,直接采用就近原则调节可能会出现混乱的情况,尤其是面对比较复杂的电路系统时,利用这种调节方式就更容易出现盲目调节的问题,严重时可能会导致事故的发生。综上可以看出,当前调节方式最大的问题就是不清楚每处的传输功率主要是受到哪些电压、负荷以及线路有功等自变量的影响以及具体的影响方式。目前有一些传统的数据挖掘方法和统计分析方法可以解决上述类似问题,但也存在着一些不足,下面将进行简单介绍：1、数据挖掘方法(1)决策树法,决策树法是典型的分类算法,是一种从含类标号的训练样本集中学习的方法。决策树的结构类似于流程图,其最顶层是根节点,剩余部分中每个内部结点表示在一个属性上的测试,内部结点的每个下属分支代表该测试的一个输出,每个终端结点对应一个类标号。对样本数据进行分类时,从根节点开始自上向下进行逐层测试,最终进入某一终端结点,获得该样本的类标号,分类即完成。(2)支持向量机,支持向量机是一种高级的分类方法,其使用一种线性或非线性映射方法把初始训练集映射至新的空间中,并在新的空间内搜索一个将某类样本与其他类样本分开的最佳分离超平面。(3)关联性分析,关联性分析包括挖掘频繁模式和形成关联规则。判断该规则对应的模式是否是频繁使用了以下两个度量：支持度：A事件和B事件同时出现的可能性P(A∩B),支持度的高低正比于该规则的有用性。置信度：A出现前提下,B出现的可能性P(A|B),置信度的高低正比于该规则的确定性。上述三种数据挖掘方法虽然能对分类和关联关系进行很好的运算,在解决降维问题的同时也可以做预测,但是往往为了提高预测的准确率就要大大的增加计算量,反过来如果减少计算量往往又要牺牲准确率,而且这些数据挖掘方法没有给出每处的传输功率具体是受到哪些电压、负荷以及线路有功等自变量的影响以及具体的影响方式,解释性都比较差,很难为控制人员提供具体的调控策略。2、统计分析方法(1)逐步回归,逐步回归就是将自变量逐步引入回归模型,对每个引入的自变量都要进行检验,一般回归方程的检验方法是F检验,同时对引入的每个变量逐个进行T检验,如果当前引入的自变量没有通过检验,则要剔除当前引入的自变量,如果当前引入的自变量通过检验,则对此变量进行保留,逐步实施直到结束。(2)主成分分析,主成分分析可以通过降维的方法消除指标间的信息重叠,将错综复杂的变量综合递减为数量较少的几个主成分因子,同时又很好的表现各主成分因子与原始变量之间的相互关系,并且配合指标所提供的原始信息确定的权重系数。(3) Lasso方法,Lasso方法就是通过使用模型系数的绝对值函数来构造一个惩罚函数,这个惩罚函数会对模型系数进行压缩,使得一些绝对值较小的模型系数判罚为零,这样就会达到对自变量指标集合进行变量筛选的目的。通过对上述几种方法的介绍,主成分分析是无监督学习方法,逐步回归和Lasso方法是描述的自变量与因变量之间的线性关系,而本文要研究的问题首先是有监督的学习,其次变量之间并不是简单的线性关系,而是非线性关系,所以对解决本文的问题,上述方法还是存在一定的缺点。针对本文研究的目的以及上述传统方法的不足,本文提出了非参数可加模型方法,该方法不仅弥补上述传统方法的不足,而且很好的解决了本文所要研究的实际问题。首先本文的非参数可加模型方法分别使用非参数独立变量筛选方法和Group-Lasso方法进行两步变量筛选,这样不仅能够选择出真正有影响的自变量,而且随着样本或维数的增加,本文方法增加的运算量要远远少于上述数据挖掘方法；其次在第一步非参数独立变量筛选过程中先对每个变量做B样条基展开,充分考虑了自变量与因变量之间的非线性关系,具有很强的适应性和变通性；最后在第二步中建立非参数可加模型,在进一步进行变量筛选的同时,又很好的把握了变量之间的函数关系,所以拟合效果也是非常的好。通过样本为99,变量为53的实例分析结果可知,本文方法在选择变量个数比逐步回归和Lasso方法分别少了5个和12个,但拟合效果却明显的要比逐步回归和Lasso方法好。本文提出的非参数可加模型方法不但解决了维数高的问题,而且找出因变量断面极限传输功率主要是受到哪些电压、负荷以及线路有功等变量的影响以及具体的影响方式。希望这些结论可以为运行调度人员提供比较直观的辅助控制策略,进而对提高电网运行调度行为的效率和可靠性有一定的意义。
【关键词】：断面极限传输功率 交叉验证 非参数方法 三次B样条 独立变量筛选 Group-Lasso 非参数可加模型
【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM732;O212
【目录】：

• 摘要4-7
• Abstract7-12
• 1. 绪论12-24
• 1.1 研究背景及意义12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究意义14-15
• 1.2 国内外研究现状15-21
• 1.2.1 国外研究现状15-18
• 1.2.2 国内研究现状18-20
• 1.2.3 文献小结20-21
• 1.3 本文研究思路和内容21-22
• 1.3.1 研究思路21
• 1.3.2 研究内容21-22
• 1.4 研究方法22-23
• 1.5 本文的创新之处23-24
• 2. 几种降维方法的介绍24-31
• 2.1 逐步回归24-26
• 2.1.1 逐步回归的基本思想24
• 2.1.2 逐步回归的实施过程24-25
• 2.1.3 逐步回归的主要计算步骤25
• 2.1.4 逐步回归的模型实现25-26
• 2.2 主成分分析方法26-28
• 2.2.1 主成分分析的基本思想26-27
• 2.2.2 主成分分析法数学模型及实现步骤27-28
• 2.3 Lasso方法28-31
• 2.3.1 Lasso的概念及基本思想28-29
• 2.3.2 Lasso方法的模型实现29-31
• 3. 高维数据非参数可加模型建立31-40
• 3.1 要研究的问题31-32
• 3.2 数据预处理32-34
• 3.3 非参数独立变量筛选34-36
• 3.3.1 模型建立34-35
• 3.3.2 筛选流程35-36
• 3.4 非参数可加模型36-40
• 3.4.1 模型建立36-37
• 3.4.2 筛选和拟合过程37-40
• 4. 高维数据非参数可加模型实证分析40-57
• 4.1 样本选取与数据来源40
• 4.2 变量选取40-42
• 4.2.1 变量选取的原则40-41
• 4.2.2 变量的选取41-42
• 4.3 本文实证分析结果42-50
• 4.3.1 自变量与因变量之间的散点图42-43
• 4.3.2 数据预处理-皮尔逊相关系数43-44
• 4.3.3 非参数独立变量筛选44-47
• 4.3.4 非参数可加模型47-50
• 4.4 对比实证分析结果50-55
• 4.4.1 逐步回归50-53
• 4.4.2 Lasso回归53-55
• 4.5 小结55-57
• 5. 结论和展望57-60
• 5.1 结论57-58
• 5.2 展望58-60
• 参考文献60-65
• 附录65-75
• 致谢75

【参考文献】

中国期刊全文数据库 前10条

1 史东宇;鲁广明;顾丽鸿;陈启超;李刚;;基于数据聚类的电力系统在线小干扰稳定机组分群算法[J];华东电力;2013年11期

2 王联国;韩晓慧;宋磊;;基于改进混合蛙跳-K均值聚类算法的无功电压控制分区[J];传感器与微系统;2013年06期

3 王玉荣;万秋兰;陈昊;;基于模糊聚类和学习自动机的多目标无功优化[J];电网技术;2012年07期

4 高爽;冬雷;高阳;廖晓钟;;基于粗糙集理论的中长期风速预测[J];中国电机工程学报;2012年01期

5 顾伟;丁涛;杨自群;万秋兰;;在线电压安全评估的多重动态决策树方法[J];中国电机工程学报;2011年31期

6 孙宏斌;赵峰;蒋维勇;王康;王皓;张伯明;;电网精细规则在线自动发现系统架构与功能设计[J];电力系统自动化;2011年18期

7 刘友波;刘俊勇;Gareth Taylor;刘利民;李俊;;面向同步相量轨迹簇规则的电力系统暂态稳定实时评估[J];中国电机工程学报;2011年16期

8 叶圣永;王晓茹;刘志刚;钱清泉;;基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估[J];中国电机工程学报;2011年01期

9 张天兵;彭启伟;;基于形式化预案的电力应急辅助决策规则生成方法[J];电力系统自动化;2010年22期

10 夏世威;白雪峰;陈士麟;郭志忠;;基于模糊聚类法的暂态稳定机组分群方法[J];电力系统自动化;2010年02期

中国硕士学位论文全文数据库 前1条

1 宋阳;电力系统暂态稳定评估中的数据挖掘技术研究[D];哈尔滨工程大学;2008年

，

本文编号：516165