本文關(guān)鍵詞：高維數(shù)據(jù)非參數(shù)可加模型的傳輸功率影響因素分析

  更多相關(guān)文章： 斷面極限傳輸功率 交叉驗證 非參數(shù)方法 三次B樣條 獨(dú)立變量篩選 Group-Lasso 非參數(shù)可加模型

【摘要】：隨著計算機(jī)科學(xué)、電力技術(shù)、社會管理和經(jīng)濟(jì)金融等多種學(xué)科的交叉延伸發(fā)展,數(shù)據(jù)信息化開始由電力系統(tǒng)運(yùn)行控制的生產(chǎn)層面開始向著協(xié)調(diào)管控、多級聯(lián)合等管理層面發(fā)展。在電力系統(tǒng)實際運(yùn)行中,為了分析和控制電力系統(tǒng)中的一些運(yùn)行規(guī)則和系統(tǒng)狀態(tài),就必須要對相關(guān)的數(shù)據(jù)進(jìn)行研究。隨著測量工具和監(jiān)控系統(tǒng)的完善,加上電網(wǎng)系統(tǒng)本身的復(fù)雜性,使得收集的數(shù)據(jù)不僅數(shù)據(jù)量巨大,而且維度很高,同時很多變量之間的相互影響關(guān)系也非常的復(fù)雜,這就給調(diào)控工作帶來了很大的困難。當(dāng)前有些方面的電力系統(tǒng)調(diào)控還是以主觀判斷來進(jìn)行調(diào)節(jié),不僅時效性低,而且可靠性不強(qiáng),容易發(fā)生事故,這是目前亟待解決的問題。針對電力系統(tǒng)數(shù)據(jù)的特點,如果能找到真正影響重要狀態(tài)的變量以及展現(xiàn)變量之間的顯式函數(shù)表達(dá)式,不僅挖掘這類數(shù)據(jù)的信息,而且可以為控制人員提供調(diào)控策略,那將會使得電力系統(tǒng)的實際操作變得更方便、更有效和更可靠。針對上述問題,本文就以斷面極限傳輸功率(TTC)為例,通過非參數(shù)可加模型方法,在對可能影響斷面極限傳輸功率的高維變量進(jìn)行降維,找到影響斷面極限傳輸功率的重要變量,并列出斷面極限傳輸功率與最終篩選出的自變量之間的具體函數(shù)表達(dá)式。本文所研究的因變量斷面極限傳輸功率在現(xiàn)實的電力系統(tǒng)中是非常重要的一個因素,在日常的電力供電時,傳輸功率是隨著時間在不停的改變,而且有時傳輸功率的波動比較劇烈,比如：用電高峰或低谷就有可能導(dǎo)致傳輸功率不穩(wěn),甚至出現(xiàn)事故,所以及時有效的調(diào)節(jié)傳輸功率,使其穩(wěn)定在某一個范圍內(nèi)是非常關(guān)鍵的。當(dāng)前調(diào)節(jié)傳輸功率的方法一般是哪部分需要調(diào)節(jié)就相應(yīng)調(diào)節(jié)距離此節(jié)點最近的調(diào)節(jié)設(shè)備上的電壓、負(fù)荷以及線路有功等,但實際上可能離節(jié)點最近的傳輸功率調(diào)節(jié)裝置對此節(jié)點處傳輸功率的影響不是最大的,直接采用就近原則調(diào)節(jié)可能會出現(xiàn)混亂的情況,尤其是面對比較復(fù)雜的電路系統(tǒng)時,利用這種調(diào)節(jié)方式就更容易出現(xiàn)盲目調(diào)節(jié)的問題,嚴(yán)重時可能會導(dǎo)致事故的發(fā)生。綜上可以看出,當(dāng)前調(diào)節(jié)方式最大的問題就是不清楚每處的傳輸功率主要是受到哪些電壓、負(fù)荷以及線路有功等自變量的影響以及具體的影響方式。目前有一些傳統(tǒng)的數(shù)據(jù)挖掘方法和統(tǒng)計分析方法可以解決上述類似問題,但也存在著一些不足,下面將進(jìn)行簡單介紹：1、數(shù)據(jù)挖掘方法(1)決策樹法,決策樹法是典型的分類算法,是一種從含類標(biāo)號的訓(xùn)練樣本集中學(xué)習(xí)的方法。決策樹的結(jié)構(gòu)類似于流程圖,其最頂層是根節(jié)點,剩余部分中每個內(nèi)部結(jié)點表示在一個屬性上的測試,內(nèi)部結(jié)點的每個下屬分支代表該測試的一個輸出,每個終端結(jié)點對應(yīng)一個類標(biāo)號。對樣本數(shù)據(jù)進(jìn)行分類時,從根節(jié)點開始自上向下進(jìn)行逐層測試,最終進(jìn)入某一終端結(jié)點,獲得該樣本的類標(biāo)號,分類即完成。(2)支持向量機(jī),支持向量機(jī)是一種高級的分類方法,其使用一種線性或非線性映射方法把初始訓(xùn)練集映射至新的空間中,并在新的空間內(nèi)搜索一個將某類樣本與其他類樣本分開的最佳分離超平面。(3)關(guān)聯(lián)性分析,關(guān)聯(lián)性分析包括挖掘頻繁模式和形成關(guān)聯(lián)規(guī)則。判斷該規(guī)則對應(yīng)的模式是否是頻繁使用了以下兩個度量：支持度：A事件和B事件同時出現(xiàn)的可能性P(A∩B),支持度的高低正比于該規(guī)則的有用性。置信度：A出現(xiàn)前提下,B出現(xiàn)的可能性P(A|B),置信度的高低正比于該規(guī)則的確定性。上述三種數(shù)據(jù)挖掘方法雖然能對分類和關(guān)聯(lián)關(guān)系進(jìn)行很好的運(yùn)算,在解決降維問題的同時也可以做預(yù)測,但是往往為了提高預(yù)測的準(zhǔn)確率就要大大的增加計算量,反過來如果減少計算量往往又要犧牲準(zhǔn)確率,而且這些數(shù)據(jù)挖掘方法沒有給出每處的傳輸功率具體是受到哪些電壓、負(fù)荷以及線路有功等自變量的影響以及具體的影響方式,解釋性都比較差,很難為控制人員提供具體的調(diào)控策略。2、統(tǒng)計分析方法(1)逐步回歸,逐步回歸就是將自變量逐步引入回歸模型,對每個引入的自變量都要進(jìn)行檢驗,一般回歸方程的檢驗方法是F檢驗,同時對引入的每個變量逐個進(jìn)行T檢驗,如果當(dāng)前引入的自變量沒有通過檢驗,則要剔除當(dāng)前引入的自變量,如果當(dāng)前引入的自變量通過檢驗,則對此變量進(jìn)行保留,逐步實施直到結(jié)束。(2)主成分分析,主成分分析可以通過降維的方法消除指標(biāo)間的信息重疊,將錯綜復(fù)雜的變量綜合遞減為數(shù)量較少的幾個主成分因子,同時又很好的表現(xiàn)各主成分因子與原始變量之間的相互關(guān)系,并且配合指標(biāo)所提供的原始信息確定的權(quán)重系數(shù)。(3) Lasso方法,Lasso方法就是通過使用模型系數(shù)的絕對值函數(shù)來構(gòu)造一個懲罰函數(shù),這個懲罰函數(shù)會對模型系數(shù)進(jìn)行壓縮,使得一些絕對值較小的模型系數(shù)判罰為零,這樣就會達(dá)到對自變量指標(biāo)集合進(jìn)行變量篩選的目的。通過對上述幾種方法的介紹,主成分分析是無監(jiān)督學(xué)習(xí)方法,逐步回歸和Lasso方法是描述的自變量與因變量之間的線性關(guān)系,而本文要研究的問題首先是有監(jiān)督的學(xué)習(xí),其次變量之間并不是簡單的線性關(guān)系,而是非線性關(guān)系,所以對解決本文的問題,上述方法還是存在一定的缺點。針對本文研究的目的以及上述傳統(tǒng)方法的不足,本文提出了非參數(shù)可加模型方法,該方法不僅彌補(bǔ)上述傳統(tǒng)方法的不足,而且很好的解決了本文所要研究的實際問題。首先本文的非參數(shù)可加模型方法分別使用非參數(shù)獨(dú)立變量篩選方法和Group-Lasso方法進(jìn)行兩步變量篩選,這樣不僅能夠選擇出真正有影響的自變量,而且隨著樣本或維數(shù)的增加,本文方法增加的運(yùn)算量要遠(yuǎn)遠(yuǎn)少于上述數(shù)據(jù)挖掘方法；其次在第一步非參數(shù)獨(dú)立變量篩選過程中先對每個變量做B樣條基展開,充分考慮了自變量與因變量之間的非線性關(guān)系,具有很強(qiáng)的適應(yīng)性和變通性；最后在第二步中建立非參數(shù)可加模型,在進(jìn)一步進(jìn)行變量篩選的同時,又很好的把握了變量之間的函數(shù)關(guān)系,所以擬合效果也是非常的好。通過樣本為99,變量為53的實例分析結(jié)果可知,本文方法在選擇變量個數(shù)比逐步回歸和Lasso方法分別少了5個和12個,但擬合效果卻明顯的要比逐步回歸和Lasso方法好。本文提出的非參數(shù)可加模型方法不但解決了維數(shù)高的問題,而且找出因變量斷面極限傳輸功率主要是受到哪些電壓、負(fù)荷以及線路有功等變量的影響以及具體的影響方式。希望這些結(jié)論可以為運(yùn)行調(diào)度人員提供比較直觀的輔助控制策略,進(jìn)而對提高電網(wǎng)運(yùn)行調(diào)度行為的效率和可靠性有一定的意義。
【關(guān)鍵詞】：斷面極限傳輸功率 交叉驗證 非參數(shù)方法 三次B樣條 獨(dú)立變量篩選 Group-Lasso 非參數(shù)可加模型
【學(xué)位授予單位】：西南財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM732;O212
【目錄】：

• 摘要4-7
• Abstract7-12
• 1. 緒論12-24
• 1.1 研究背景及意義12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究意義14-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-21
• 1.2.1 國外研究現(xiàn)狀15-18
• 1.2.2 國內(nèi)研究現(xiàn)狀18-20
• 1.2.3 文獻(xiàn)小結(jié)20-21
• 1.3 本文研究思路和內(nèi)容21-22
• 1.3.1 研究思路21
• 1.3.2 研究內(nèi)容21-22
• 1.4 研究方法22-23
• 1.5 本文的創(chuàng)新之處23-24
• 2. 幾種降維方法的介紹24-31
• 2.1 逐步回歸24-26
• 2.1.1 逐步回歸的基本思想24
• 2.1.2 逐步回歸的實施過程24-25
• 2.1.3 逐步回歸的主要計算步驟25
• 2.1.4 逐步回歸的模型實現(xiàn)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 主成分分析法數(shù)學(xué)模型及實現(xiàn)步驟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方法的模型實現(xiàn)29-31
• 3. 高維數(shù)據(jù)非參數(shù)可加模型建立31-40
• 3.1 要研究的問題31-32
• 3.2 數(shù)據(jù)預(yù)處理32-34
• 3.3 非參數(shù)獨(dú)立變量篩選34-36
• 3.3.1 模型建立34-35
• 3.3.2 篩選流程35-36
• 3.4 非參數(shù)可加模型36-40
• 3.4.1 模型建立36-37
• 3.4.2 篩選和擬合過程37-40
• 4. 高維數(shù)據(jù)非參數(shù)可加模型實證分析40-57
• 4.1 樣本選取與數(shù)據(jù)來源40
• 4.2 變量選取40-42
• 4.2.1 變量選取的原則40-41
• 4.2.2 變量的選取41-42
• 4.3 本文實證分析結(jié)果42-50
• 4.3.1 自變量與因變量之間的散點圖42-43
• 4.3.2 數(shù)據(jù)預(yù)處理-皮爾遜相關(guān)系數(shù)43-44
• 4.3.3 非參數(shù)獨(dú)立變量篩選44-47
• 4.3.4 非參數(shù)可加模型47-50
• 4.4 對比實證分析結(jié)果50-55
• 4.4.1 逐步回歸50-53
• 4.4.2 Lasso回歸53-55
• 4.5 小結(jié)55-57
• 5. 結(jié)論和展望57-60
• 5.1 結(jié)論57-58
• 5.2 展望58-60
• 參考文獻(xiàn)60-65
• 附錄65-75
• 致謝75

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 史東宇;魯廣明;顧麗鴻;陳啟超;李剛;;基于數(shù)據(jù)聚類的電力系統(tǒng)在線小干擾穩(wěn)定機(jī)組分群算法[J];華東電力;2013年11期

2 王聯(lián)國;韓曉慧;宋磊;;基于改進(jìn)混合蛙跳-K均值聚類算法的無功電壓控制分區(qū)[J];傳感器與微系統(tǒng);2013年06期

3 王玉榮;萬秋蘭;陳昊;;基于模糊聚類和學(xué)習(xí)自動機(jī)的多目標(biāo)無功優(yōu)化[J];電網(wǎng)技術(shù);2012年07期

4 高爽;冬雷;高陽;廖曉鐘;;基于粗糙集理論的中長期風(fēng)速預(yù)測[J];中國電機(jī)工程學(xué)報;2012年01期

5 顧偉;丁濤;楊自群;萬秋蘭;;在線電壓安全評估的多重動態(tài)決策樹方法[J];中國電機(jī)工程學(xué)報;2011年31期

6 孫宏斌;趙峰;蔣維勇;王康;王皓;張伯明;;電網(wǎng)精細(xì)規(guī)則在線自動發(fā)現(xiàn)系統(tǒng)架構(gòu)與功能設(shè)計[J];電力系統(tǒng)自動化;2011年18期

7 劉友波;劉俊勇;Gareth Taylor;劉利民;李俊;;面向同步相量軌跡簇規(guī)則的電力系統(tǒng)暫態(tài)穩(wěn)定實時評估[J];中國電機(jī)工程學(xué)報;2011年16期

8 葉圣永;王曉茹;劉志剛;錢清泉;;基于受擾嚴(yán)重機(jī)組特征及機(jī)器學(xué)習(xí)方法的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J];中國電機(jī)工程學(xué)報;2011年01期

9 張?zhí)毂?彭啟偉;;基于形式化預(yù)案的電力應(yīng)急輔助決策規(guī)則生成方法[J];電力系統(tǒng)自動化;2010年22期

10 夏世威;白雪峰;陳士麟;郭志忠;;基于模糊聚類法的暫態(tài)穩(wěn)定機(jī)組分群方法[J];電力系統(tǒng)自動化;2010年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 宋陽;電力系統(tǒng)暫態(tài)穩(wěn)定評估中的數(shù)據(jù)挖掘技術(shù)研究[D];哈爾濱工程大學(xué);2008年

，

本文編號：516165