CN107239857A - 基于ls_svm和pca的架空输电线路风险评估方法 - Google Patents

基于ls_svm和pca的架空输电线路风险评估方法 Download PDF

Info

Publication number
CN107239857A
CN107239857A CN201710401741.4A CN201710401741A CN107239857A CN 107239857 A CN107239857 A CN 107239857A CN 201710401741 A CN201710401741 A CN 201710401741A CN 107239857 A CN107239857 A CN 107239857A
Authority
CN
China
Prior art keywords
msub
mtd
mrow
characteristic quantity
transmission line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201710401741.4A
Other languages
English (en)
Inventor
胡志鹏
刘剑
王坤
张志轩
吴奕贝
刘权莹
李伟瑶
张国梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710401741.4A priority Critical patent/CN107239857A/zh
Publication of CN107239857A publication Critical patent/CN107239857A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及电力设备技术，具体涉及基于LS_SVM和PCA的架空输电线路风险评估方法，包括以下步骤：1、提取所有技术因素的特征量，进行数据预处理；2、对于处理过的特征量，采用主成分分析，对特征量进行降维处理，选取出n个关键特征量；3、将部分包含n个关键特征量的样本作为训练数据，作为LS_SVM的输入进行训练，构造一个分类器，建立用于架空输电线路运行环境整体风险评估的LS_SVM模型；将包含n个关键特征量的剩余样本作为测试数据进行测试，与原有评估结果进行对比，得到预测精度；4：将新得到的架空输电线路特征量输入步骤3所建立的风险评估LS_SVM模型，得到新评估架空输电线路风险状态等级。简化了输电线路运行环境风险评估方法，降低了难度和复杂度。

Description

基于LS_SVM和PCA的架空输电线路风险评估方法
技术领域
本发明属于电力设备技术领域，尤其涉及基于LS_SVM和PCA的架空输电线路风险评估方法。
背景技术
由于输电线路的分布位置较广，运行环境复杂，导致技术因素的特征参量信息采集困难，工作量巨大，运用国家电网规则对输电线路进行风险评估的方案也较为繁琐。在发生自然灾害时，技术因素之间具有很大的相关性，例如冰雪灾害下，舞动、冰灾和冰害对线路的影响相互叠加。为避免重复计算相关技术因素对线路的影响，更加简化线路的风险评估，减少数据采集的工作量，有必要选取关键性技术因素进行评估，除去影响较小的技术因素，同时建立一个适用性较强，且评估简易的方法对输电线路运行环境整体风险进行评估。
由于运行环境整体风险评估过程中，需要评估和搜集的特征量过多，会增加分析问题的难度和复杂度。故可以通过降维技术，除去某些冗余特征量以达到简化模型的效果。目前应用较多的有主成分分析(以下称PCA)、因子分析、典型相关分析等。而因子分析主要是通过寻找潜在的、不可观测的组合变量来表达原始变量之间的数据关系。PCA可以通过提取少量主成分因子，这些主成分可以通过原变量的线性组合得到，能够表征原始数据的大部分信息，从而简化了评估过程。
发明内容
本发明的目的是提供一种结合最小二乘支持向量机(以下称LS_SVM)和PCA的架空输电线路运行环境整体风险评估模型，能够简化输电线路运行环境风险评估过程。
为实现上述目的，本发明采用的技术方案是：基于LS_SVM和PCA的架空输电线路风险评估方法，包括以下步骤：
步骤1、提取表征影响架空输电线路安全的运行环境技术因素的特征量，进行数据预处理；
步骤2、对于处理过的特征量，采用主成分分析，对特征量进行降维处理，选取出n个关键特征量；
步骤3、将部分包含n个关键特征量的样本作为训练数据，作为LS_SVM的输入进行训练，构造一个分类器，建立用于架空输电线路运行环境整体风险评估的LS_SVM模型；将包含n个关键特征量的剩余样本作为测试数据进行测试，与原有评估结果进行对比，得到预测精度；
步骤4：将新得到的架空输电线路特征量输入步骤3所建立的用于架空输电线路运行环境整体风险评估LS_SVM模型，得到新评估架空输电线路风险状态等级。
在上述的基于LS_SVM和PCA的架空输电线路风险评估方法中，步骤2的实现包括：
步骤2.1、根据定义标准化之后得到一个p×n阶的矩阵：X＝(X1，X2，...，Xp)T，其中有n个样本，p个特征量；
步骤2.2、建立特征量的相关系数阵：
R＝(rij)p×p＝X′X，求出R的特征值λ1≥λ2≥…≥λp≥0，对应的特征向量为α1，α2,…，αp；
步骤2.3、确定主成分个数：
前m个主成分的累计贡献率为：
当前m个主成分的累计贡献率达到80％，用前m个主成分来表征原始p个特征量的信息，m<p，记F＝(F1，F2，...，Fm)T，实现降维的目的；
式中：A表示因子载荷矩阵；
步骤2.4、主成分得分计算
通过对得到的m个主成分进行加权，可以得到主成分的综合得分C以及每个特征量的权重K；
特征量对主成分综合得分的权重为：
K＝(k1，k2，...，kp)＝(λ1α1+λ2α2+…+λmαm)T (5)；
步骤2.5、将特征量的权重K归一化到[0,1]，得到关键特征量；选取出n个权重大于0.5的关键特征量。
本发明的有益效果是：
1、通过分析，提取出了表征影响架空输电线路安全的运行环境技术因素的特征量，便于进行数据统计，为算法训练数据分析提供坚实的数据基础。
2、针对实际数据采集的工作量和风险评估的复杂性，使用PCA对特征量进行降维处理，得到权重较大的关键特征量，减小了分析问题的难度和复杂度。同时降低了一线巡检人员的工作量。
3、LS_SVM算法基于结构风险最小化原理，具有较好的泛化能力，在小样本下效果尤其突出，可以通过对PCA提取出的关键特征量数据进行训练分析，并得到最优的分类器，最后通过该分类器得到新线路的风险评估结果。从而简化了输电线路运行环境风险评估方法。LS_SVM训练时间更短，结果也更加精确。
附图说明
图1是本发明一个实施例基于LS_SVM和PCA的架空输电线路风险评估流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本发明提供了各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其它工艺的可应用性和/或其他材料的使用。另外，以下描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例，也可以包括另外的特征形成在第一和第二特征之间的实施例，这样第一和第二特征可能不是直接接触。
本发明的描述中，需要说明的是，除非另有规定和限定，术语“相连”“连接"应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于相关领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本实施例采用以下技术方案来实现，基于LS_SVM和PCA的架空输电线路风险评估方法，包括以下步骤：
步骤1、提取表征影响架空输电线路安全的运行环境技术因素的特征量，进行数据预处理；
步骤2、对于处理过的特征量，采用主成分分析，对特征量进行降维处理，选取出n个关键特征量；
步骤3、将部分包含n个关键特征量的样本作为训练数据，作为LS_SVM的输入进行训练，构造一个分类器，建立用于架空输电线路运行环境整体风险评估的LS_SVM模型；将包含n个关键特征量的剩余样本作为测试数据进行测试，与原有评估结果进行对比，得到预测精度；
步骤4：将新得到的架空输电线路特征量输入步骤3所建立的用于架空输电线路运行环境整体风险评估LS_SVM模型，得到新评估架空输电线路风险状态等级。
进一步，步骤2的实现包括：
步骤2.1、根据定义标准化之后得到一个p×n阶的矩阵：X＝(X1，X2，...，Xp)T，其中有n个样本，p个特征量；
步骤2.2、建立特征量的相关系数阵：
R＝(rij)p×p＝X′X，求出R的特征值λ1≥λ2≥…≥λp≥0，对应的特征向量为α1，α2,…，αp；
步骤2.3、确定主成分个数：
前m个主成分的累计贡献率为：
当前m个主成分的累计贡献率达到80％，用前m个主成分来表征原始p个特征量的信息，m<p，记F＝(F1，F2，...，Fm)T，实现降维的目的；
式中：A表示因子载荷矩阵；
步骤2.4、主成分得分计算
通过对得到的m个主成分进行加权，可以得到主成分的综合得分C以及每个特征量的权重K；
特征量对主成分综合得分的权重为：
K＝(k1，k2，...，kp)＝(λ1α1+λ2α2+…+λmαm)T (5)；
步骤2.5、将特征量的权重K归一化到[0,1]，得到关键特征量；选取出n个权重大于0.5的关键特征量。
具体实施时，考虑到线路运行受较多环境技术因素影响，各技术因素对线路有叠加影响，且技术因素的特征量测量和采集工作繁重、困难。故以传统评估结果为样本，首先用PCA方法对11个技术因素进行降维处理，忽略影响较少的技术因素，得到贡献率较大的技术因素来表征输电线路运行环境整体风险，即得到关键特征量，最后采用LS_SVM算法对包含关键特征量的样本进行训练，并分析。
本实施例的技术方案是：
(1)PCA提取关键特征量
由于运行环境整体风险评估过程中，需要评估和搜集的特征量过多，会增加分析问题的难度和复杂度。故可以通过降维技术，除去某些冗余特征量以达到简化模型的效果。PCA可以通过提取少量主成分因子，这些主成分可以通过原变量的线性组合得到，能够表征原始数据的大部分信息，从而简化了评估过程。
用PCA提取关键特征量的步骤如下：
1)根据定义标准化之后可以得到一个p×n
阶的矩阵：X＝(X1，X2，...，Xp)T，其中有n个样本，p个特征量。
2)建立特征量的相关系数阵：
R＝(rij)p×p＝X′X，求出R的特征值λ1≥λ2≥…≥λp≥0，对应的特征向量为α1，α2,…，αp。
3)确定主成分个数：
前m个主成分的累计贡献率为：
累计贡献率表明了前m个主成分的解释能力。当前m个主成分的累计贡献率达到80％～90％，此时可以用该m个主成分来表征原始p个特征量的信息(m<p)，记F＝(F1，F2，...，Fm)T，从而达到了降维的目的。
式中：A表示因子载荷矩阵。
4)主成分得分计算
通过对得到的m个主成分进行加权，可以得到主成分的综合得分C以及每个特征量的权重K。
由(5)式可以得到特征量对主成分综合得分的权重
K＝(k1，k2，...，kp)＝(λ1α1+λ2α2+…+λmαm)T (5)
5)将特征量的权重K归一化到[0,1]，可以得到关键特征量，即当特征量权重越大，表明该特征量表征的原始数据信息量越大，则该特征量就越具有代表性，因此把权重大于0.5的特征量选取为关键特征量。
通过降维选出来的关键特征量在误差允许的范围内可以代替原有数据进行风险评估，降低复杂度，同时降低一线巡检人员的工作量。
(2)基于LS-SVM的风险状态评估
鉴于上述(1)的分析，引入支持向量机技术来构造风险分类器，来简化风险评估过程。支持向量机基于结构风险最小化原理，具有较好的泛化能力，在小样本下效果尤其突出。本实施例采用拓展的支持向量机，即LS-SVM，其训练时间更短，结果也更加精确。
1)LS_SVM算法
故障识别功能即相当于LS_SVM的分类器功能，通过使用最大分类间隔来设计决策最优分类超平面，以获得良好的推广能力和预测能力。对非线性进行分类，需要用到核函数来将非线性的训练数据映射到高维空间，从而在高维空间构造最优分类超平面。其分类函数形式上相当于一个神经网络，输出是中间节点的线性组合，一个支持向量即为一个中间节点。
分类的优化方程为：
其中：ω是映射权值向量，b是阈值，ξ是松弛变量，φ为非线性映射函数，γ为惩戒函数。
引入拉格朗日函数
其中，αi为拉格朗日乘子，通过求L对应于ω、ξ、b、αi的偏导置零后，根据KKT条件消去ω和ξ后，可以得到线性方程
其中，Ω＝yiyjφ(xi)Tφ(xj)＝yiyjK(xi，xj)，Y＝[y1，...，yn]，1v＝[1，...，1]，K(xi，xj)为核函数，在此选用径向基核函数。其形式为：
这样就将非线性问题转化成线性问题求解，该线性方程可以用最小二乘法进行求解，简化计算复杂度，所以最小二乘支持向量机比一般向量机有更快的训练速度，从而构造了一个风险分类器。
综上所述，对技术因素的特征量进行PCA，通过特征量主成分综合得分的权重提取出能够表征输电线路风险状态的关键特征量，结合LS_SVM，得到输电线路运行环境整体风险评估方法。具体评估步骤可概括如下：
步骤1：提取出所有技术因素的特征量，并进行数据预处理。
步骤2：对于处理过的特征量，应用PCA，对特征量进行降维处理，当前m个特征量的累计贡献率达到80％，即可认为该m个特征量可以表征原始数据结构。通过公式(5)计算，选取出n个权重大于0.5的关键特征量。
步骤3：将部分包含该n个关键特征量的样本作为训练数据，作为LS_SVM的输入进行训练，构造一个分类器，建立用于架空输电线路运行环境整体风险评估的LS_SVM模型。将包含该n个关键特征量的剩余样本作为测试数据进行测试，与原有评估结果进行对比，得到预测精度。
步骤4：将新得到的架空输电线路特征量输入上述建立的LS_SVM风险评估模型，得到新评估架空输电线路风险状态等级。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (2)

1.基于LS_SVM和PCA的架空输电线路风险评估方法，其特征是，包括以下步骤：
步骤1、提取表征影响架空输电线路安全的运行环境技术因素的特征量，进行数据预处理；
步骤2、对于处理过的特征量，采用主成分分析，对特征量进行降维处理，选取出n个关键特征量；
步骤3、将部分包含n个关键特征量的样本作为训练数据，作为LS_SVM的输入进行训练，构造一个分类器，建立用于架空输电线路运行环境整体风险评估的LS_SVM模型；将包含n个关键特征量的剩余样本作为测试数据进行测试，与原有评估结果进行对比，得到预测精度；
步骤4：将新得到的架空输电线路特征量输入步骤3所建立的用于架空输电线路运行环境整体风险评估LS_SVM模型，得到新评估架空输电线路风险状态等级。
2.如权利要求1所述的基于LS_SVM和PCA的架空输电线路风险评估方法，其特征是，步骤2的实现包括：
步骤2.1、根据定义标准化之后得到一个p×n阶的矩阵：X＝(X1，X2，...，Xp)T，其中有n个样本，p个特征量；
<mrow> <mi>X</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mn>11</mn> </msub> </mtd> <mtd> <msub> <mi>x</mi> <mn>12</mn> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>p</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mn>21</mn> </msub> </mtd> <mtd> <msub> <mi>x</mi> <mn>22</mn> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mn>2</mn> <mi>p</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mn>2</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>p</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤2.2、建立特征量的相关系数阵：
R＝(rij)p×p＝X′X，求出R的特征值λ1≥λ2≥…≥λp≥0，对应的特征向量为α1，α2,…，αp；
步骤2.3、确定主成分个数：
前m个主成分的累计贡献率为：
<mrow> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </msubsup> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
当前m个主成分的累计贡献率达到80％，用前m个主成分来表征原始p个特征量的信息，m<p，记F＝(F1，F2，...，Fm)T，实现降维的目的；
<mrow> <mi>F</mi> <mo>=</mo> <mi>A</mi> <mi>X</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> </msqrt> <msub> <mi>&amp;alpha;</mi> <mn>1</mn> </msub> <mo>,</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> </msqrt> <msub> <mi>&amp;alpha;</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mi>m</mi> </msub> </msqrt> <msub> <mi>&amp;alpha;</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>X</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式中：A表示因子载荷矩阵；
步骤2.4、主成分得分计算
通过对得到的m个主成分进行加权，可以得到主成分的综合得分C以及每个特征量的权重K；
<mrow> <mi>C</mi> <mo>=</mo> <mi>&amp;omega;</mi> <mi>F</mi> <mo>=</mo> <mrow> <mo>(</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> </msqrt> <mo>,</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> </msqrt> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msqrt> <msub> <mi>&amp;lambda;</mi> <mi>m</mi> </msub> </msqrt> <mo>)</mo> </mrow> <mo>.</mo> <mi>F</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <msub> <mi>&amp;alpha;</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> <msub> <mi>&amp;alpha;</mi> <mn>2</mn> </msub> <mo>+</mo> <mn>...</mn> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mi>m</mi> </msub> <msub> <mi>&amp;alpha;</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>X</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
特征量对主成分综合得分的权重为：
K＝(k1，k2，...，kp)＝(λ1α1+λ2α2+…+λmαm)T (5)；
步骤2.5、将特征量的权重K归一化到[0,1]，得到关键特征量；选取出n个权重大于0.5的关键特征量。
CN201710401741.4A 2017-05-31 2017-05-31 基于ls_svm和pca的架空输电线路风险评估方法 Withdrawn CN107239857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710401741.4A CN107239857A (zh) 2017-05-31 2017-05-31 基于ls_svm和pca的架空输电线路风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710401741.4A CN107239857A (zh) 2017-05-31 2017-05-31 基于ls_svm和pca的架空输电线路风险评估方法

Publications (1)

Publication Number Publication Date
CN107239857A true CN107239857A (zh) 2017-10-10

Family

ID=59984727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710401741.4A Withdrawn CN107239857A (zh) 2017-05-31 2017-05-31 基于ls_svm和pca的架空输电线路风险评估方法

Country Status (1)

Country Link
CN (1) CN107239857A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359896A (zh) * 2018-12-10 2019-02-19 国网福建省电力有限公司 一种基于svm的电网线路故障风险预警方法
CN109446474A (zh) * 2018-09-05 2019-03-08 中国电力科学研究院有限公司 一种数据舞动性的展示方法及***
CN110648763A (zh) * 2019-09-29 2020-01-03 江苏拉曼医疗设备有限公司 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备
CN110674892A (zh) * 2019-10-24 2020-01-10 北京航空航天大学 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN111027402A (zh) * 2019-11-15 2020-04-17 国网江西省电力有限公司电力科学研究院 一种自然灾害风险智能检测与评估方法及应用
CN111428766A (zh) * 2020-03-17 2020-07-17 深圳供电局有限公司 一种高维海量量测数据的用电模式分类方法
CN111639715A (zh) * 2020-06-01 2020-09-08 重庆大学 基于ls-svm的汽车仪表组装质量预测方法与***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523316A (zh) * 2006-10-11 2009-09-02 费舍-柔斯芒特***股份有限公司 用于检测加工厂中的故障的方法和***
CN102628917A (zh) * 2012-04-25 2012-08-08 广州供电局有限公司 局部放电识别方法和***
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN103488869A (zh) * 2013-08-23 2014-01-01 上海交通大学 一种最小二乘支持向量机的风力发电短期负荷预测方法
US20150331835A1 (en) * 2014-05-15 2015-11-19 International Business Machines Corporation Regression using m-estimators and polynomial kernel support vector machines and principal component regression

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523316A (zh) * 2006-10-11 2009-09-02 费舍-柔斯芒特***股份有限公司 用于检测加工厂中的故障的方法和***
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102628917A (zh) * 2012-04-25 2012-08-08 广州供电局有限公司 局部放电识别方法和***
CN103488869A (zh) * 2013-08-23 2014-01-01 上海交通大学 一种最小二乘支持向量机的风力发电短期负荷预测方法
US20150331835A1 (en) * 2014-05-15 2015-11-19 International Business Machines Corporation Regression using m-estimators and polynomial kernel support vector machines and principal component regression

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
严英杰 等: "基于关联规则和主成分分析的输电线路状态评价关键参数体系构建", 《高电压技术》 *
彭文季 等: "基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断", 《中国电机工程学报》 *
翟进乾: "配电线路在线故障识别与诊断方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446474A (zh) * 2018-09-05 2019-03-08 中国电力科学研究院有限公司 一种数据舞动性的展示方法及***
CN109359896A (zh) * 2018-12-10 2019-02-19 国网福建省电力有限公司 一种基于svm的电网线路故障风险预警方法
CN109359896B (zh) * 2018-12-10 2021-11-12 国网福建省电力有限公司 一种基于svm的电网线路故障风险预警方法
CN110648763A (zh) * 2019-09-29 2020-01-03 江苏拉曼医疗设备有限公司 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备
CN110674892A (zh) * 2019-10-24 2020-01-10 北京航空航天大学 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN111027402A (zh) * 2019-11-15 2020-04-17 国网江西省电力有限公司电力科学研究院 一种自然灾害风险智能检测与评估方法及应用
CN111428766A (zh) * 2020-03-17 2020-07-17 深圳供电局有限公司 一种高维海量量测数据的用电模式分类方法
CN111428766B (zh) * 2020-03-17 2024-01-19 深圳供电局有限公司 一种高维海量量测数据的用电模式分类方法
CN111639715A (zh) * 2020-06-01 2020-09-08 重庆大学 基于ls-svm的汽车仪表组装质量预测方法与***

Similar Documents

Publication Publication Date Title
CN107239857A (zh) 基于ls_svm和pca的架空输电线路风险评估方法
CN104392071B (zh) 一种基于复杂网络的高速列车***安全评估方法
CN103136539B (zh) 接地网腐蚀速率等级预测方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN105354587A (zh) 一种风力发电机组齿轮箱的故障诊断方法
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN105334504A (zh) 基于大边界的非线性判别投影模型的雷达目标识别方法
CN104794368A (zh) 基于foa-mksvm的滚动轴承故障分类方法
CN106203723A (zh) 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法
CN106056157A (zh) 基于空‑谱信息的高光谱图像半监督分类方法
CN106920007A (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN107194600A (zh) 一种电力负荷季节特性分类方法
CN101587155A (zh) 一种油浸式变压器的故障诊断方法
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN105678343A (zh) 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN106227718A (zh) 基于cnn的陆空通话语义一致性校验方法
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN108876163A (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN104182767A (zh) 主动学习和邻域信息相结合的高光谱图像分类方法
CN106021789A (zh) 基于模糊智能的轨道车辆悬挂***故障分类方法及***
CN105572572A (zh) 基于wknn-lssvm的模拟电路故障诊断方法
CN110991472B (zh) 一种高速列车牵引***微小故障诊断方法
CN108664673A (zh) 一种轮轨力载荷辨识特征数据模型建立方法及装置
CN106056235A (zh) 基于古林法物元可拓模型的输电网效率效益检测方法
CN102495939A (zh) 基于核函数优化的支持向量机太阳翼展开可靠性评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20171010

WW01 Invention patent application withdrawn after publication