高維數據非參數可加模型的傳輸功率影響因素分析.pdf

1、隨著計算機科學、電力技術、社會管理和經濟金融等多種學科的交叉延伸發(fā)展，數據信息化開始由電力系統運行控制的生產層面開始向著協調管控、多級聯合等管理層面發(fā)展。在電力系統實際運行中，為了分析和控制電力系統中的一些運行規(guī)則和系統狀態(tài)，就必須要對相關的數據進行研究。隨著測量工具和監(jiān)控系統的完善，加上電網系統本身的復雜性，使得收集的數據不僅數據量巨大，而且維度很高，同時很多變量之間的相互影響關系也非常的復雜，這就給調控工作帶來了很大的困難。當前有些

2、方面的電力系統調控還是以主觀判斷來進行調節(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。針對電力系統數據的特點，如果能找到真正影響重要狀態(tài)的變量以及展現變量之間的顯式函數表達式，不僅挖掘這類數據的信息，而且可以為控制人員提供調控策略，那將會使得電力系統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表達式。
　　本文所研究的因變量斷面極限傳輸功率在現實的電力系統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致傳輸功率不穩(wěn)，甚至出現事故，所以及時有效的調節(jié)傳輸功率，使其穩(wěn)定在某一個范圍內是非常關鍵的。當前調節(jié)傳輸功率的方法一般是哪部分需要調節(jié)就相

4、應調節(jié)距離此節(jié)點最近的調節(jié)設備上的電壓、負荷以及線路有功等，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節(jié)可能會出現混亂的情況，尤其是面對比較復雜的電路系統時，利用這種調節(jié)方式就更容易出現盲目調節(jié)的問題，嚴重時可能會導致事故的發(fā)生。綜上可以看出，當前調節(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。
　　目前有一些傳統的

5、數據挖掘方法和統計分析方法可以解決上述類似問題，但也存在著一些不足，下面將進行簡單介紹:
　　1、數據挖掘方法
　　(1)決策樹法，決策樹法是典型的分類算法，是一種從含類標號的訓練樣本集中學習的方法。決策樹的結構類似于流程圖，其最頂層是根節(jié)點，剩余部分中每個內部結點表示在一個屬性上的測試，內部結點的每個下屬分支代表該測試的一個輸出，每個終端結點對應一個類標號。對樣本數據進行分類時，從根節(jié)點開始自上向下進行逐層測試，最終進入某

6、一終端結點，獲得該樣本的類標號，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練集映射至新的空間中，并在新的空間內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)關聯性分析，關聯性分析包括挖掘頻繁模式和形成關聯規(guī)則。判斷該規(guī)則對應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出現前提下，B

7、出現的可能性P(A|B)，置信度的高低正比于該規(guī)則的確定性。
　　上述三種數據挖掘方法雖然能對分類和關聯關系進行很好的運算，在解決降維問題的同時也可以做預測，但是往往為了提高預測的準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確率，而且這些數據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控策略。
　　2、統計分析

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行T檢驗，如果當前引入的自變量沒有通過檢驗，則要剔除當前引入的自變量，如果當前引入的自變量通過檢驗，則對此變量進行保留，逐步實施直到結束。(2)主成分分析，主成分分析可以通過降維的方法消除指標間的信息重疊，將錯綜復雜的變量綜合遞減為數量較少的幾個主成分因子，同時又很好的表現各主成

9、分因子與原始變量之間的相互關系，并且配合指標所提供的原始信息確定的權重系數。(3) Lasso方法，Lasso方法就是通過使用模型系數的絕對值函數來構造一個懲罰函數，這個懲罰函數會對模型系數進行壓縮，使得一些絕對值較小的模型系數判罰為零，這樣就會達到對自變量指標集合進行變量篩選的目的。
　　通過對上述幾種方法的介紹，主成分分析是無監(jiān)督學習方法，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系，而本文要研究的問題首先是有

10、監(jiān)督的學習，其次變量之間并不是簡單的線性關系，而是非線性關系，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方法的不足，本文提出了非參數可加模型方法，該方法不僅彌補上述傳統方法的不足，而且很好的解決了本文所要研究的實際問題。首先本文的非參數可加模型方法分別使用非參數獨立變量篩選方法和Group-Lasso方法進行兩步變量篩選，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的增加，本

11、文方法增加的運算量要遠遠少于上述數據挖掘方法;其次在第一步非參數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系，具有很強的適應性和變通性;最后在第二步中建立非參數可加模型，在進一步進行變量篩選的同時，又很好的把握了變量之間的函數關系，所以擬合效果也是非常的好。通過樣本為99，變量為53的實例分析結果可知，本文方法在選擇變量個數比逐步回歸和Lasso方法分別少了5個和12個，但擬合效果卻明顯的要比逐