针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering st...针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering structure,KPCA-OPTICS)集群划分的分布式光伏功率异常感知方法。首先,基于光伏电站的出力数据,采用OPTICS算法对多场站进行集群划分,进而利用KPCA对聚类数据进行降维操作,以降低高维数据对OPTICS算法聚类准确性的影响。然后,以所划分的集群为目标进行异常感知处理,对集群不同天气下的出力进行等权重的加权平均,获得可以表征集群整体出力状况的出力曲线,并利用分位数回归(quantile regression,QR)拟合集群的出力区间,作为分布式光伏(distributed photovoltaic,DPV)集群的异常感知依据。最后,采用中国南方某城市分布式光伏数据集作为实际验证数据进行了仿真实验。结果表明:该方法能够有效地感知分布式光伏系统的功率异常,具有较高的检出率、精确率和较低的误报率,在实际部署中具有良好的模型扩展性。展开更多
针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高...针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高维数据进行非线性降维与重构,利用SAE-BP神经网络完成分类识别。仿真结果表明,在干噪比(JNR)大于-1 dB的强噪声环境中,KPCA-SAE-BP网络算法对6种新型有源干扰的识别准确率达到90%以上,训练与识别时间少于0.7 s。相同参数条件下,与经典BP神经网络、SAE-BP网络、KPCA-BP网络、GA-BP网络相比,具有更好的检测识别性能。展开更多
文摘针对分布式光伏电站缺少专业监测、难以准确定位异常站点的问题,借助临近分布式光伏场站出力的相似性及相关性,提出一种基于核主成分分析-密度聚类(kernel principal component analysis-ordering points to identify the clustering structure,KPCA-OPTICS)集群划分的分布式光伏功率异常感知方法。首先,基于光伏电站的出力数据,采用OPTICS算法对多场站进行集群划分,进而利用KPCA对聚类数据进行降维操作,以降低高维数据对OPTICS算法聚类准确性的影响。然后,以所划分的集群为目标进行异常感知处理,对集群不同天气下的出力进行等权重的加权平均,获得可以表征集群整体出力状况的出力曲线,并利用分位数回归(quantile regression,QR)拟合集群的出力区间,作为分布式光伏(distributed photovoltaic,DPV)集群的异常感知依据。最后,采用中国南方某城市分布式光伏数据集作为实际验证数据进行了仿真实验。结果表明:该方法能够有效地感知分布式光伏系统的功率异常,具有较高的检出率、精确率和较低的误报率,在实际部署中具有良好的模型扩展性。
