張林利 ，劉 洋 ，李立生 ，蘇建軍 ，譚培紅

（1.國網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003；2.山東理工大學(xué) 電氣與電子工程學(xué)院，山東 淄博 255049）

0 引言

高滲透率分布式電源、儲能系統(tǒng)以及電動汽車等可控負(fù)荷的接入，對傳統(tǒng)電網(wǎng)的潮流分布、電能質(zhì)量、繼電保護(hù)和系統(tǒng)規(guī)劃都產(chǎn)生了巨大的影響，促使原有單電源輻射狀網(wǎng)絡(luò)結(jié)構(gòu)的傳統(tǒng)配電網(wǎng)逐步向多電源弱環(huán)狀拓?fù)浣Y(jié)構(gòu)的主動配電網(wǎng)ADN（Active Distribution Network）轉(zhuǎn)變［1］，這種轉(zhuǎn)變要求能夠快速、準(zhǔn)確地監(jiān)測系統(tǒng)的實時運行狀態(tài)，這使得實時監(jiān)測變得越來越重要。為了適應(yīng)這種變化，越來越多的量測設(shè)備被接入配電網(wǎng)，智能電表SM（Smart Meter）、同步相量測量單元PMU（Phasor Measurement Unit）、微型PMU等量測單元在配電網(wǎng)中的應(yīng)用也得到了關(guān)注［2-4］。

由于PMU或微型PMU的成本高，從經(jīng)濟(jì)性和工程可行性角度而言其都無法在系統(tǒng)中實現(xiàn)全面配置，因此如何實現(xiàn)PMU的優(yōu)化配置成為了一個研究熱點，目前已有許多研究成果。文獻(xiàn)［5］考慮電動汽車和光伏的不確定性，結(jié)合加權(quán)最小二乘和自適應(yīng)協(xié)方差矩陣優(yōu)化策略得到量測最優(yōu)配置。文獻(xiàn)［6］考慮了測量冗余度和狀態(tài)估計的精度，利用改進(jìn)的遺傳模擬退火算法實現(xiàn)了PMU的優(yōu)化配置。文獻(xiàn)［7］利用拓?fù)浼s束分析方法，采用改進(jìn)的遺傳算法實現(xiàn)了PMU的優(yōu)化配置。文獻(xiàn)［8］以投資成本最小和全局狀態(tài)估計不確定性有界為目標(biāo)，通過隨機(jī)優(yōu)化實現(xiàn)了PMU配置。上述研究大多都是在一定約束條件下通過優(yōu)化算法或智能算法來實現(xiàn)優(yōu)化配置，而且隱含了對系統(tǒng)具有完備先驗知識的假設(shè)。然而主動配電網(wǎng)具有拓?fù)浣Y(jié)構(gòu)靈活、系統(tǒng)不確定性強(qiáng)的特點，即研究者或電網(wǎng)操作人員往往缺乏必要的先驗知識，那么如何在先驗知識缺乏的情況下實現(xiàn)優(yōu)化配置成為了量測設(shè)備配置須解決的關(guān)鍵問題之一。

另一方面，實時監(jiān)測的需求使得各種量測設(shè)備在主動配電網(wǎng)中大量配置，產(chǎn)生了海量的高維量測數(shù)據(jù)。雖然不是所有的量測數(shù)據(jù)中都包含反映系統(tǒng)特征的信息，但對這些數(shù)據(jù)進(jìn)行分析就可在缺乏先驗知識的情況下獲得表征系統(tǒng)運行特性的關(guān)鍵信息［9］。量測設(shè)備優(yōu)化配置問題就轉(zhuǎn)變成如何從量測數(shù)據(jù)中提取反映系統(tǒng)特征的關(guān)鍵信息并依據(jù)該信息完成對系統(tǒng)關(guān)鍵節(jié)點識別的問題。

主元分析 PCA（Principal Component Analysis）是一種信息提取、特征判別的有效方法，并在電力系統(tǒng)的孤島監(jiān)測［10-11］、干擾檢測與消除［12-13］、廣域測量［14］等方面得到成功應(yīng)用。通過PCA方法可以將高維量測數(shù)據(jù)分別映射到2個正交的低維子空間中，即主元子空間 PCS（Principal Component Subspace）和殘差子空間RS（Residual Subspace）。通過這種方式實現(xiàn)量測數(shù)據(jù)的特征提取和監(jiān)測變量間關(guān)聯(lián)特性的消除。目前PCA在電力系統(tǒng)中的應(yīng)用主要側(cè)重于故障監(jiān)測與配電自動化，其主要是利用殘差子空間對故障特征進(jìn)行分析與判別。但就筆者的知識面而言，還未見到PCA或其他多元統(tǒng)計方法在量測設(shè)備優(yōu)化配置方面的應(yīng)用和研究成果。而在利用PCA時，數(shù)據(jù)在主元子空間的映射舍棄了殘差，保留了變量數(shù)據(jù)中表征系統(tǒng)特征的最大信息要素，因此根據(jù)主元子空間中變量對監(jiān)測統(tǒng)計量影響程度的分析就可實現(xiàn)對系統(tǒng)中關(guān)鍵變量或關(guān)鍵節(jié)點的識別。

本文將多元統(tǒng)計監(jiān)測方法引入主動配電網(wǎng)量測配置領(lǐng)域，使用PCA方法分析量測數(shù)據(jù)，通過對監(jiān)測變量的重構(gòu)和統(tǒng)計量的改進(jìn)，將節(jié)點重構(gòu)貢獻(xiàn)率和節(jié)點相對貢獻(xiàn)率應(yīng)用于量測關(guān)鍵位置的識別，最后結(jié)合配網(wǎng)標(biāo)準(zhǔn)算例討論其結(jié)果。

1 關(guān)鍵位置識別方法

1.1 PCA的基本原理

設(shè)系統(tǒng)需監(jiān)測m個變量，每個變量具有n個量測值，這就構(gòu)成了系統(tǒng)運行監(jiān)測矩陣?Rn×m，由于監(jiān)測矩陣包含不同類型、不同數(shù)量級、不同含義的數(shù)據(jù)，因此為了最大限度地保留初始矩陣中各指標(biāo)數(shù)值的特征信息，采用文獻(xiàn)［15］中的方法對進(jìn)行標(biāo)準(zhǔn)化，即：

然后對標(biāo)準(zhǔn)化后的矩陣X進(jìn)行分解可以得到：

其中，U為正交矩陣；V?Rm×m為X的對稱關(guān)聯(lián)矩陣；D 為矩陣 V 的特征值 λi（i=1，2，…，m）所構(gòu)成的對角矩陣且滿足λ1≥λ2≥…≥λm。特征值λi表征了在主元變換過程中每個變量所保留信息量的程度，即主元的采樣方差。主元矩陣P?Rm×n可表示為：

其中，矩陣 Q 的列［q1，q2，…，qm］T是與關(guān)聯(lián)矩陣 V的特征值相對應(yīng)的特征向量矩陣，矩陣中qi為與特征值 λi相對應(yīng)的特征向量；為 X 的均值［16］。 主元矩陣P的每一行為所求主元，其特征向量為：

其中，fi為與第i個特征值對應(yīng)的特征向量。

那么第i個主元的方差貢獻(xiàn)率為：

累計方差貢獻(xiàn)率為：

在主元子空間中建立的模型保留了變量數(shù)據(jù)中表征系統(tǒng)特征的最大信息，一般使用Hotelling T2統(tǒng)計量對主元子空間中的變量進(jìn)行監(jiān)測。隨著系統(tǒng)指標(biāo)（電壓、負(fù)荷等）的波動，如果T2統(tǒng)計量超過限定值，表明構(gòu)成子空間的主元對系統(tǒng)指標(biāo)波動敏感，即構(gòu)成該主元的變量對系統(tǒng)運行狀態(tài)變化的貢獻(xiàn)度大。

T2統(tǒng)計量及其限值分別定義如下［17］：

其中，x為監(jiān)測數(shù)據(jù)；P為主元矩陣；Λ為主元特征值所構(gòu)成的對角矩陣；K為選取的主元數(shù)量；表示自由度為K的卡方分布。

1.2 貢獻(xiàn)圖節(jié)點識別方法

貢獻(xiàn)圖法在故障監(jiān)測領(lǐng)域尤其是故障診斷方面起到重要作用。貢獻(xiàn)圖法識別的依據(jù)是高貢獻(xiàn)率變量對系統(tǒng)波動起主要作用，可通過計算每個變量對監(jiān)測統(tǒng)計量的貢獻(xiàn)率來構(gòu)造貢獻(xiàn)圖。式（7）可改寫為如下二次形式：

那么第i個變量xi對T2統(tǒng)計量的貢獻(xiàn)率為：

其中，ζj為與第i個變量相對應(yīng)的列向量，其元素如式（11）所示。

即：對于一個含有4個變量的系統(tǒng)而言，第2個變量對應(yīng)的列向量為 S2=［0，1，0，0］T。

由于計算貢獻(xiàn)率時存在擴(kuò)散效應(yīng)，即一個變量的波動會影響其他變量對于統(tǒng)計量的貢獻(xiàn)率［18］，因此本文依據(jù)變量重構(gòu)的思想［19］，沿系統(tǒng)指標(biāo)波動方向重構(gòu)監(jiān)測變量為：

重構(gòu)后，T2統(tǒng)計量可以表示為：

令式（13）對?i求導(dǎo)且等于0，可以得到：

進(jìn)而有式（15）成立。

其中，ξj=Pζj。

將式（15）代入式（12）得到：

將式（16）代入式（13）整理得到：

變量xi對T2統(tǒng)計量的重構(gòu)貢獻(xiàn)率可表示為：

其中，ρii為 PTΛ-1P 的第 i個對角元素。 式（17）和式（18）表明了變量xi重構(gòu)貢獻(xiàn)率對T2統(tǒng)計量的影響程度，可看出重構(gòu)貢獻(xiàn)率越大，該變量在系統(tǒng)指標(biāo)波動方向上對指標(biāo)變化的貢獻(xiàn)越大，而高貢獻(xiàn)率節(jié)點就是表征系統(tǒng)特征的關(guān)鍵節(jié)點。

重構(gòu)貢獻(xiàn)率的控制限為：

其中，S為數(shù)據(jù)矩陣X的協(xié)方差矩陣。

與傳統(tǒng)統(tǒng)計量相似，所有變量的重構(gòu)貢獻(xiàn)統(tǒng)計量為各變量重構(gòu)貢獻(xiàn)統(tǒng)計量之和，即：

重構(gòu)統(tǒng)計量的控制限為各變量重構(gòu)貢獻(xiàn)率的控制限之和，即：

第k個節(jié)點的貢獻(xiàn)率為該節(jié)點所對應(yīng)的所有變量重構(gòu)貢獻(xiàn)率之和，即：

其中，l為第k個節(jié)點處所監(jiān)測變量的個數(shù)。

依據(jù)文獻(xiàn)［20］中所定義的變量對統(tǒng)計量的貢獻(xiàn)控制限，本文中節(jié)點重構(gòu)貢獻(xiàn)控制限為：

其中，μ和s分別為貢獻(xiàn)率的均值和標(biāo)準(zhǔn)差。

利用節(jié)點對T2統(tǒng)計量的相對貢獻(xiàn)（式（24））來識別關(guān)鍵節(jié)點。如果相對貢獻(xiàn)率大于1，則說明該節(jié)點上所監(jiān)測變量對指標(biāo)波動的綜合貢獻(xiàn)率大，即為關(guān)鍵節(jié)點。

基于主元子空間識別方法進(jìn)行量測設(shè)備關(guān)鍵配置位置識別的具體步驟如下。

a.利用系統(tǒng)以基準(zhǔn)負(fù)荷運行時的變量監(jiān)測數(shù)據(jù)建立初始樣本矩陣。

b.根據(jù)式（1）對樣本矩陣進(jìn)行標(biāo)準(zhǔn)化，可得到標(biāo)準(zhǔn)化后的矩陣X，并利用奇異值分解獲得特征值對角矩陣D和特征向量矩陣Q。

c.按式（5）計算主元方差貢獻(xiàn)率，并計算累計方差貢獻(xiàn)率。為了保證計算的精度，一般選擇累計方差貢獻(xiàn)率CVE≥0.995，從而確定應(yīng)選取的主元個數(shù)。

d.對系統(tǒng)運行數(shù)據(jù)X進(jìn)行監(jiān)測，根據(jù)式（20）計算監(jiān)測變量xi對T2統(tǒng)計量的重構(gòu)貢獻(xiàn)率

e.利用式（24）計算節(jié)點對T2的相對貢獻(xiàn)率。判斷相對貢獻(xiàn)率是否大于1。如果Conrel>1，則該節(jié)點為關(guān)鍵節(jié)點。

需要說明的是：本文所給出的識別流程也可用于實現(xiàn)對某一系統(tǒng)指標(biāo)（如電壓）最佳觀測點的識別。這不是本文的研究范圍，因此不再詳細(xì)講述。

2 算例分析

利用IEEE 69節(jié)點配電系統(tǒng)對所提方法的性能進(jìn)行驗證。IEEE 69節(jié)點系統(tǒng)是PG&E配電系統(tǒng)的一部分，它由7條分支線路、5個聯(lián)絡(luò)開關(guān)、69個分段開關(guān)以及74條線路、53個負(fù)荷、1個電源構(gòu)成。網(wǎng)絡(luò)首段基準(zhǔn)電壓為12.66kV，系統(tǒng)總有功負(fù)荷為3802.19 kW，總無功負(fù)荷為2694.60 kvar。IEEE 69節(jié)點系統(tǒng)如圖1所示。

圖1 IEEE 69節(jié)點配電系統(tǒng)Fig.1 IEEE 69-bus distribution system

IEEE 69節(jié)點系統(tǒng)線路的具體參數(shù)參見文獻(xiàn)［21］。本文研究中，系統(tǒng)接入6個光伏，容量及位置如下：母線16處200 kW，母線23處250 kW，母線36處250kW，母線48處300kW，母線50處250kW，母線65處300 kW。

假設(shè)系統(tǒng)運行時的基準(zhǔn)負(fù)荷為總負(fù)荷的75%，最小負(fù)荷與峰值負(fù)荷分別為總負(fù)荷的45%和100%，則最小負(fù)荷和峰值負(fù)荷分別為基準(zhǔn)負(fù)荷的60%和133%。正常運行時，負(fù)荷在基準(zhǔn)負(fù)荷±40%范圍內(nèi)波動，這樣最小負(fù)荷和最大負(fù)荷均被包含在波動范圍內(nèi)。本文使用PSAT進(jìn)行潮流仿真，共監(jiān)測340個變量，包括有功潮流和無功潮流、光伏的有功潮流和無功潮流以及所有節(jié)點的電壓幅值和相角，每個變量生成1506個觀測值。使用MATLAB對獲得的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后使用PCA對數(shù)據(jù)進(jìn)行分析，通過奇異值分解得到數(shù)據(jù)矩陣的特征值。按照對變量累計方差貢獻(xiàn)率的設(shè)定，保留前7個主元。前10個主元的方差貢獻(xiàn)率與累計方差貢獻(xiàn)率如表1所示。

表1 前10個主元貢獻(xiàn)率Table 1 Contribution rate of top 10 principal components

從表1可以看出，第1個主元的方差貢獻(xiàn)率達(dá)到79.9985%，而所保留的前7個主元總的累計方差貢獻(xiàn)率達(dá)到99.5070%，即前7個主元包含了反映系統(tǒng)狀態(tài)特征的絕大部分信息。然后使用貢獻(xiàn)圖法對節(jié)點的相對貢獻(xiàn)率進(jìn)行判別，節(jié)點對T2統(tǒng)計量的相對貢獻(xiàn)率如圖2所示。

圖2（a）為本文方法得到的節(jié)點相對貢獻(xiàn)率，圖2（b）為傳統(tǒng)PCA方法所得到的節(jié)點相對貢獻(xiàn)率。通過判斷節(jié)點對T2統(tǒng)計量的相對貢獻(xiàn)率是否大于1可知，傳統(tǒng)PCA方法識別出28個關(guān)鍵節(jié)點，而本文所提方法確定出41個關(guān)鍵節(jié)點：5，8—10，12—21，23—27，29，31，36，37，39，41，43，44，46—50，52，55，58，60，62—66。

圖2 節(jié)點相對貢獻(xiàn)率Fig.2 Relative contribution degree of nodes

為了驗證在IEEE 69節(jié)點系統(tǒng)所確定的關(guān)鍵節(jié)點上配置量測設(shè)備的監(jiān)測能力，設(shè)定負(fù)荷水平分別為0.2、0.3、0.4、1.5、1.6、1.7 這 6 個場景。 由于系統(tǒng)運行時母線電壓幅值是一個考核系統(tǒng)是否安全運行的重要指標(biāo)，因此在6個場景中對各個節(jié)點電壓幅值進(jìn)行監(jiān)測。電壓幅值的正常波動范圍為0.9～1.1 p.u.。本文研究中只監(jiān)測各節(jié)點電壓是否越限，而不考慮其他因素。為了說明關(guān)鍵節(jié)點的監(jiān)測能力，定義關(guān)鍵節(jié)點對電壓越限的識別率為關(guān)鍵節(jié)點識別的電壓越限節(jié)點數(shù)與實際電壓越限節(jié)點數(shù)之比。6個場景的監(jiān)測結(jié)果如表2所示。

表2 6個場景的監(jiān)測結(jié)果Table 2 Monitoring results of six scenes

由表2可以看出，傳統(tǒng)PCA方法電壓越限的識別率最高只有80%，而本文所提方法的電壓越限識別率均高于75%。根據(jù)圖2和表2可以看出，盡管傳統(tǒng)PCA方法識別出的節(jié)點數(shù)目比本文所提方法識別出的節(jié)點少13個，但綜合6個場景的監(jiān)測結(jié)果可知，傳統(tǒng)PCA方法的平均識別率只有65.672%，而本文所提方法的平均識別率為89.025%。兩者之間的差異在于傳統(tǒng)PCA方法利用貢獻(xiàn)圖法進(jìn)行識別時，擴(kuò)散效應(yīng)使得變量之間相互影響，從而削弱了節(jié)點對系統(tǒng)指標(biāo)波動的敏感性。而本文方法通過在系統(tǒng)指標(biāo)波動方向上進(jìn)行變量重構(gòu)，增強(qiáng)了監(jiān)測變量在波動方向上的敏感性，同時也減小了擴(kuò)散效應(yīng)的作用。

3 結(jié)論

a.所提識別方法不需要完備先驗知識，通過重構(gòu)量測變量和計算節(jié)點對T2統(tǒng)計量的相對貢獻(xiàn)率實現(xiàn)了對關(guān)鍵位置的識別。

b.節(jié)點重構(gòu)貢獻(xiàn)率綜合了同一節(jié)點上不同變量重構(gòu)貢獻(xiàn)率的影響；相對貢獻(xiàn)率避免了控制限的不同對識別結(jié)果的影響。

c.本文方法識別出的關(guān)鍵節(jié)點數(shù)只為總節(jié)點數(shù)的59%，減少了所需量測節(jié)點的數(shù)量，進(jìn)而降低了所需處理的數(shù)據(jù)量，且能達(dá)到電壓越限的平均識別率。

d.主元構(gòu)成所需量測變量的系數(shù)均不為0，系數(shù)的大小對于變量對主元構(gòu)成的作用是否一致、主元構(gòu)成對識別準(zhǔn)確度是否有影響將是筆者下一步的研究重點。

參考文獻(xiàn)：

［1］范明天，張祖平，蘇傲雪，等.主動配電網(wǎng)系統(tǒng)可行技術(shù)的研究［J］. 中國電機(jī)工程學(xué)報，2013，33（22）：12-18.FAN Mingtian，ZHANG Zuping，SU Aoxue，et al.Enabling technologies for active distribution systems［J］.Proceedings of the CSEE，2013，33（22）：12-18.

［2］曹子健，林今，宋永華.主動配電網(wǎng)中云計算資源的優(yōu)化配置模型［J］. 中國電機(jī)工程學(xué)報，2014，34（19）：3043-3049.CAO Zijian，LIN Jin，SONG Yonghua.Optimization modelfor resource allocation of cloud computation in active distribution networks［J］.Proceedings of the CSEE，2014，34（19）：3043-3049.

［3］萬蓉，薛慧.考慮PMU的配網(wǎng)潮流計算［J］.電力自動化設(shè)備，2017，37（3）：33-37，44.WAN Rong，XUE Hui.Power flow calculation for distribution network with PMU［J］.Electric Power Automation Equipment，2017，37（3）：33-37，44.

［4］李江，徐志臨，李國慶，等.配電網(wǎng)微型PMU與故障錄波裝置研究與開發(fā)［J］. 電力自動化設(shè)備，2016，36（9）：54-59.LI Jiang，XU Zhilin，LI Guoqing，et al.Research and development of micro PMU and fault wave recording device for distribution network［J］.Electric Power Automation Equipment，2016，36（9）：54-59.

［5］徐俊俊，戴佳木，吳在軍，等.計及電動汽車和光伏不確定性的主動配電網(wǎng)量測優(yōu)化配置［J］. 電力系統(tǒng)自動化，2017，41（1）：57-64.XU Junjun，DAI Jiamu，WU Zaijun，et al. Optimal meter placement for active distribution network considering uncertainties of plug-in electrical vehicles and photovoltaic systems［J］.Automation of Electric Power Systems，2017，41（1）：57-64.

［6］袁澎，艾芊，趙媛媛.基于改進(jìn)的遺傳-模擬退火算法和誤差度分析原理的PMU多目標(biāo)優(yōu)化配置［J］.中國電機(jī)工程學(xué)報，2014，34（13）：2178-2187.YUAN Peng，AIQian，ZHAO Yuanyuan.Researchonmultiobjective optimal PMU placement based on error analysis theory and improved GASA［J］.Proceedings of the CSEE，2014，34（13）：2178-2187.

［7］趙媛媛，袁澎，艾芊，等.考慮拓?fù)浼s束并采用改進(jìn)遺傳算法的PMU 優(yōu)化配置［J］. 電網(wǎng)技術(shù)，2014，38（8）：2063-2070.ZHAO Yuanyuan，YUAN Peng，AI Qian，et al.Improved genetic algorithm based optimalconfiguration ofPMUs considering topological constraints［J］.Power System Technology，2014，38（8）：2063-2070.

［8］LIU J，TANG J，PONCI F，et al.Trade-off in PMU deployment for state estimation in active distribution grids［J］.IEEE Transactions on Smart Grid，2012，3（2）：915-924.

［9］LIU Y，ZHANG G.Scale-sifting multiscale nonlinear process quality monitoring and fault detection［J］.Canadian Journal of Chemical Engineering，2015，93（8）：1416-1425.

［10］GUO Y，LI K，LAVERTY D M，et al.Synchrophasor-based islandingdetection fordistributed generation systemsusing systematic principal component analysis approaches［J］.IEEE Transactions on Power Delivery，2015，30（6）：2544-2552.

［11］LIU X，KENNEDY J M，LAVERTY D M，et al.Wide-area phaseangle measurements for islanding detection-an adaptive nonlinear approach［J］.IEEE Transactions on Power Delivery，2016，31（4）：1901-1911.

［12］BAROCIO E，PAL B C，F(xiàn)ABOZZID，etal.Detection and visualization ofpower system disturbances using principal component analysis［C］∥Bulk Power System Dynamics&Control-IX Optimization，Security& Control of the Emerging Power Grid.Rethymno，Greece：IEEE，2013：1-10.

［13］AFSHARI M，TAVASOLI A，GHAISARI J.A PCA-based Kalman estimation approach for system with colored measurement noise［C］∥2012 20th Iranian Conference on Electrical Engineering（ICEE）.Tehran，Iran：IEEE，2012：969-973.

［14］GUO Y，LI K，YANG Z，et al.A novel radial basis function neural network principal component analysis scheme for PMU-based wide-area power system monitoring［J］.Electric Power Systems Research，2015，127：197-205.

［15］楊廷方，張航，黃立濱，等.基于改進(jìn)型主成分分析的電力變壓器潛伏性故障診斷［J］. 電力自動化設(shè)備，2015，35（6）：159-165.YANG Tingfang，ZHANG Hang，HUANG Libin，et al.Incipient fault diagnosis based on improved principal component analysis for power transformer［J］.Electric Power Automation Equipment，2015，35（6）：159-165.

［16］JACKSON J E.A user’s guide to principal components［M］.New York，USA：John Wiley and Sons，Inc.，1991：13-16.

［17］LIU Y，ZHANG G，XU B.Compressive sparse principal component analysis for process supervisory monitoring and fault detection［J］.Journal of Process Control，2017，50：1-10.

［18］CHERRY G A，QIN S J.Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis［J］.IEEE Transactions on Semiconductor Manufacturing，2006，19（2）∶159-172.

［19］ALCALA C F，QIN S J.Reconstruction-based contribution for process monitoring［J］.Automatica，2009，45（7）：1593-1600.

［20］劉洋，張國山.基于敏感稀疏主元分析的化工過程監(jiān)測與故障診斷［J］. 控制與決策，2016，31（7）：1213-1218.LIU Yang，ZHANG Guoshan.Chemical process monitoring and fault diagnosis based on sensitive sparse principal component analysis［J］.Control and Decision，2016，31（7）：1213-1218.

［21］王守相，王成山.現(xiàn)代配電系統(tǒng)分析［M］.2版.北京：高等教育出版社，2014：248-252.