主成分在输电线路可听噪声预测中的应用研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (14): 233-236.

主成分在输电线路可听噪声预测中的应用研究

李静雅1，2，曹洁1，姜梅3

1.兰州理工大学计算机与通信学院，兰州 730050
2.长治学院计算机系，山西长治 046011
3.甘肃电力科学研究院，兰州 730050

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-11 发布日期:2011-05-11

Applied research of PCA method to transmission line audible noise prediction

LI Jingya1，2，CAO Jie1，JIANG Mei3

1.College of Computer and Communication，Lanzhou University of Technology，Lanzhou 730050，China
2.Department of Computer，Changzhi University，Changzhi，Shanxi 046011，China
3.Gansu Electric Power Research Institute，Lanzhou 730050，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-11 Published:2011-05-11

摘要/Abstract

摘要： 针对超高压输电线路可听噪声BP网络预测模型影响因素多的问题，运用主成分分析算法（PCA）对影响可听噪声的环境因素、地理参数、导线结构参数等14个因素进行简化，建立PCA-BP网络预测模型。选取甘肃省内多条750 kV、330 kV输电线路的可听噪声的实测资料为样本集，采用Matlab神经网络工具箱进行模型训练与预测，并与BP网络模型预测结果比较。结果表明：主成分分析方法在可听噪声影响因素的简化中不适用，预测结果没有BP网络模型预测结果理想。分析了主成分在可听噪声影响因素简化中不适用的原因。

关键词: 主成分分析（PCA）, BP神经网络, 超高压输电线路, 可听噪声预测

Abstract: Aimed at solving the multiple-influence-factor problem in the audible noise BP network predictive model on EHV transmission line，14 factors，which affect the value of audible noise，such as environment，geographical parameter and conductor structure are simplified using Principal Component Analysis（PCA） and a PCA-BP network predictive model is established.Based on measured data of audible noise from 330 kV and 750 kV EHV transmission lines in Gansu province，the principal-component-based model is trained and predicted with Matlab neural network toolbox，and compared with the predictive result of BP neural network model.Results show that PCA is not suitable for the simplification of audible noise influence factors and its predictive ability is worse than that of the BP network，and possible reasons of the PCA failure are pointed out.

Key words: principal component analysis, BP neural network, Extra High Voltage（EHV） transmission line, audible noise prediction

李静雅1，2，曹洁1，姜梅3. 主成分在输电线路可听噪声预测中的应用研究[J]. 计算机工程与应用, 2011, 47(14): 233-236.

LI Jingya1，2，CAO Jie1，JIANG Mei3. Applied research of PCA method to transmission line audible noise prediction[J]. Computer Engineering and Applications, 2011, 47(14): 233-236.

[1]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[2]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[3]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[4]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[5]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[6]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[7]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[8]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[9]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[10]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[11]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[12]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[13]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[14]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[15]	刘鹏睿，宋礼鹏. 针对恶意JavaScript识别的降维方法[J]. 计算机工程与应用, 2018, 54(21): 20-24.