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.pdf

1、隨著計算機科學(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)實際運行中，為了分析和控制電力系統(tǒng)中的一些運行規(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

2、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，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，

3、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

4、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

5、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

6、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，支持向量機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

7、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

8、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

9、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

10、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

11、文方法增加的運算量要遠(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