文献

J-GLOBAL ID：201902216675927793   整理番号：19A0916619

因子分析法と改良重力探索アルゴリズム-極端学習機械に基づく中国における台風に起因する低電圧線損傷の予測【JST・京大機械翻訳】

Forecasting the Low-Voltage Line Damage Caused by Typhoons in China Based on the Factor Analysis Method and an Improved Gravitational Search Algorithm-Extreme Learning Machine

著者 (5件)： Wang Weijun (Department of Economics and Management, North China Electric Power University, Baoding 071000, China) ,  Peng Weisong (Department of Economics and Management, North China Electric Power University, Baoding 071000, China) ,  Tan Xin (Department of Economics and Management, North China Electric Power University, Baoding 071000, China) ,  Wang Haoyue (Department of Economics and Management, North China Electric Power University, Baoding 071000, China) ,  Sun Chenjun (Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China)
資料名： Energies (Web)  (Energies (Web))
巻： 11  号： 9  ページ： 2321  発行年： 2018年 
JST資料番号： U7016A  ISSN： 1996-1073  CODEN： ENERGA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 中国における台風の頻度は徐々に増加し,低電圧送電網に深刻な被害をもたらした。したがって,影響因子を研究して,損傷の量を予測することは,非常に重要であり,それは,風抵抗を強化して,修理の効率を改善することに貢献した。本論文において,0.75より高い相関度を有する18の影響因子を灰色相関分析によって選択して,次に因子分析によって6つの一般的因子に変換した。さらに,IGSA-ELMと呼ばれる改良重力探索アルゴリズムにより最適化された極端な学習機械を確立し,台風による低電圧線に起因する損傷を予測し,因子解析の有効性を検証した。結果は,因子分析によって作り出された6つの一般的因子が効果的に予測精度を向上させることができて,IGSA-ELMの適合効果は極端な学習機械(ELM)と粒子群最適化に基づく極端な学習機械(PSO-ELM)のそれらより良いことを明らかにした。最後に,本論文は,広東省における低電圧線の反台風能力と修理効率を改良するために有効な政策推薦を提案した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *因子分析 ,  *台風 ,  *重力 ,  送電系統 ,  *風 ,  最適化 ,  有効性
準シソーラス用語： 広東省 ,  粒子群最適化 ,  予測精度 ,  相関分析 ,  影響因子 ,  *低電圧 ,  極度学習機械 ,  *探索アルゴリズム , 【Automatic Indexing@JST】

著者キーワード (4件)： 台風破壊 ,  灰色関係分析(GRA) ,  因子分析 ,  改良重力探索アルゴリズム(IGSA-ELM)により最適化された極端学習機械

分類 (4件)： 風力エネルギー  (LB03060X) ,  風力発電  (NB03120Q) ,  人工知能  (JE08000Z) ,  電力系統一般  (NB02000E)

引用文献 (36件)：

• Wei, C.C. Nearshore wave predictions using data mining techniques during typhoons: A case study near Taiwan’s northeastern coast. Energies 2017, 11, 11.
• Bo, Z.; Ouyang, S.; Zhang, J.; Shi, H.; Wu, G. An analysis of previous blackouts in the world: Lessons for China’s power industry. Renew. Sustain. Energy Rev. 2015, 42, 1151-1163.
• Guangdong Meteorogical Service. Guangdong Provincial Meteorological Yearbook 2017. Available online: http://www.grmc.gov.cn/qxgk/qxnj/201708/t20170829_25503.html (accessed on 25 April 2018). Shanghai Typhoon Warning Center. Guangdong Typhoon Overview. Available online: http://www.stwc.info/h-col-175.html (accessed on 4 May 2018).
• Mao, S.; Wang, C.; Yu, S.; Gen, H.; Yu, J.F.; Hou, H. Review on economic loss assessment of power outages. Procedia Comput. Sci. 2018, 130, 1158-1163.
• Yin, J.; Dai, E.B.; Wu, S.H. Integrated risk assessment and zoning of typhoon disasters in China. Sci. Geogr. Sin. 2013, 11, 1370-1377.

タイトルに関連する用語 (10件)： 因子分析法 ,  重力 ,  探索アルゴリズム ,  極端学習機械 ,  中国 ,  台風 ,  起因 ,  低電圧 ,  損傷 ,  予測