《表6 PCA主成分提取结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为进一步验证基于Copula熵的互信息估计方法用于识别风电机组关键性能监测参数的应用效果，本文采用文献[21]提出的PCA方法对4.3节检测得到的异常点进行对比分析，结果如表6所示。PCA的本质是一种数据降维方法，其核心思想是通过线性投影，将高维变量投射至低维空间，并且投影得到的向量能包含最大的数据信息量，从而保留原始数据特性。根据表6结果可知，主成分1和2的方差所占百分比之和超过75%。因此，分别将各性能监测参数变量投射至主成分1和2所包含的空间，计算出特征值和特征向量，确定各变量与异常状态的相关程度。