TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 5897 ~ 5904   DOI: 10.115 9 1 /telkomni ka. v 12i8.563 5          5897     Re cei v ed  Jan uary 16, 201 4 ;  Revi sed  Ap ril 23, 2014; Accepted Ma y  10, 2014   Comprehensive Evaluation to Distribution Network  Planning Schemes Using Principal Component  Analysis Method      Wang Ruilian 1 , Gao Shengjian 2   1 School of Elec tric Po w e r, Nor t h Chin a Univ e r sit y  of W a ter Reso urces an d  Electric Po w e r ,   Z hengzho u,  Hen an, Chi n a   2 School of Civ il  Engin eeri ng a nd Comm unic a tion,   North Ch i na Un iversit y  o f  W a ter Resour ces and El ectri c   Po w e r, Z hen gz hou,   Chi n a       A b st r a ct  T h is pap er pro poses a n e w  compre hens ive  eval uat io n method by n onl in e a r princi pa l comp on en t   ana lysis in a llu sion to the pr o b le m i n  distrib u tion n e tw ork pla nni ng, such  as a large n u m b e r of factors,   intens e fu zz i n ess an d the  n onli n e a r rel a tio n shi p  betw e e n  the factors. F i rstly, accordi n g to pre- existi ng   achi eve m e n t  and c ons ider i ng l o n g -ran g e  deve l o p m ent  of distri butio n netw o rk, th e co mpr e h ens ive   eval uatio n i n d e x syste m  tak i ng  into  accou n t the te ch nic a l, eco n o m ic,  envir on me ntal  and  ad apta b i lit y   factors and  so  on is c onstruct ed. Sec ond ly, by dis posi ng  al l of the factors   in t he in dex  sy stem usin g  fu zzy   consiste nt mat r ix mo del to g e t the relative  me mbers h ip d egre e  matrix of ever y scheme, the initial d a t a   matrix  in f u zz y  non li near  pri n cipal  co mp on e n t an alysis  is   obtai ne d. T h ird l y, the w e ig ht of  every princ i pal  compo nent  is acqu ired by means of  the en tropy conc epti on. T he su peri o rity of the  me thod i n  the p a p e r   introd uced  is t he  meth od c a n  disp ose th e fu zz y  pr ob le m i n  complic ated  pl ann ing, si mplif y the co mp utat ion   process  in c o mpr e h ensiv e  eval uatio n, re duce th e su bj ectivity an d a r bitrarin ess, a nd ca n  mak e  the   concl u sio n   mor e  scie n tific a n d  more re aso n a b le. A c o mbi n a t ion of  a flow   dia g ra m b a se d  and  a c oncret e   exa m p l e, the al gorith m  is pr ov ed to be corr ec tly and practic a lly.    Ke y w ords :  dis t ributio n netw o rk pla nni ng ,  co mpr e h ensiv e e v alu a tion ,  pri n c i pal  co mp on en t analys is ,  f u zzy   consiste nt matr ix ,  entropy w e ight     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Linki ng po wer net work  and u s e r s,  distrib u ti on n e twork reflect directly the use r ’ s   requi rem ents in the  se cu rity, reliability, utilit y and  other  aspe cts. The  scie n t ific and  rati onal   distrib u tion n e tworks pla n n ing pl ay an  importa nt role in the  p o we r net wo rk con s tru c tio n ,  improvem ent  and o peratio n. So the co mpre hen sive   evaluation in   distrib u tion n e twork pl anni ng   taking into  accou n t lots of factors  su ch  a s  technolo g y, eco nomic, envi r onment an d  th e   adapta b ility to future  dev elopme n t an d othe rs,  es p e cially in  the  un certai nty environ ment  and  adapta b ility factors, is very difficult.  At pre s ent, t he  comp re he nsive  evaluat ion meth od s for  distri buti on n e two r k  planni ng   inclu de A H P, entro py de ci sion, g r o up d e ci sion -ma k in g and  data  e n velopme n t a nalysi s  an d  so   on, as  well a s  the integ r at ions of two o r  more  meth ods [1 -5]. Fo r example, a  combi nation  of  expert su bje c tive experie nce a nd obj ective entro p y  to get compre hen sive  weight u s e d  for  scheme  opti m ization  [1-2 ], prefere n ce  ord e r  and  t r aditional A H P to establi s h co mprehe n s ive   evaluation  m odel [3], g r o up de ci sion -makin g  the o ry and A H P to evaluate  comprehe nsiv ely  distrib u te  net work [4], dat a envel opme n t analy s is  method  and  AHP to  ev aluate  plan ni ng   scheme of di stributio n net work [5], all of that  methods insepa rabl e  from the experts expe rie n c e  are  difficult t o  de al  with t he mi scellan eou s in dex a nd for the to o hig h  expe rt s exp e rie n ce  and  techni cal req u irem ents h a v e large of co mputing in di stributio n net work pla nnin g .  Princi pal  co mpone nts  an alysis  metho d , by weig hting an d synt hesi z in g several l e ss  uncorrelate d  variable s   th at is line a r  combinatio n o f  more  o r igin al  indexe s  to  obtain the fi nal  con c lu sio n , can simplify the analysi s  sy stem  st ructu r e,  redu ce the  calculated a m ount and  keep  the informatio n of original  v a riabl es a s  m u ch a s  po ssi b le[6].  But th e method n o t con s ide r ing t he  nonlin ear  rela tionshi p between the ori g in al indexe s   is  not accord wi th the pra c tical engin eeri n g.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  589 7 –  5904   5898 On the  ba si s of traditio n a l  prin cip a l  co mpone nt an a l ysis m e thod,  nonli nea r p r incip a l  comp one nt with  go od d e velopme n t and  a ppli c ati on,  can refl ect  the nonli near  rel a tion ship   betwe en the  origin al varia b les, extra c t t he hig h -o rde r s relation s fro m  origi nal variable s , also can   redu ce  the  concl u si on d e pend en cies  on o r igin al  v a riabl e. However, the  pri n cip a l  comp o nent  analysi s  is h a rd to qualita t ive indexes with  vague la ngua ge in the compl e x distributio n net work  evaluation  system, and th e  weight s  of ev ery prin cip a l  comp one nt u s ing th e varia n ce  co ntributi o n   rate ca n only reflect the inf o rmatio n ratio  but the amou nt carried in t he origi nal va riable s .   To qualitative indexes  with  vague language, on the  basi s  of  fuzzy consistent matrix,  fuzzy  de cisi o n  metho d  by  rigo ro us mat hematical  cal c ulatio n can  get  the relati ve  memb ership   degree  can b e  pre s e n ted [9-11] a nd ent ropy can q u a n tify information co ntaine d  in indexes  o r   variable s  [1 2 - 14]. By su mmari zing  th e re se arch  result s,  this pape r con s tructs  di stribut ion  netwo rk plan ning in dexe s   system, int r o duces th e  rel a tive membe r ship  deg ree  a nd ent ropy uti lity  values to n online a r p r in cipal  com p o nent analy s i s , and q u ickly and a ccurately evalu a te   comp re hen si vely distributi on network pl annin g .       1.2. The Basi c Ideas of Fu zzy  Nonlinea r Principal Componen t  Analy s is    Nonli nea r p r i n cip a l comp onent a nalysis (NLP CA) based o n   prin cipal  co mpone nt  analysi s  met hod is  a nonli near  analy s is method, incl uding fou r  proce s se s: firstl y, the initial data  matrix from the evaluatio n s  of every in dex to  sch e m es i s  gotte n usin g fu zz y c o ns is tent matr ix   model,  se co ndly, nonlin e a r p r in cipal   comp one nts  by han dling  the initial d a ta matrix u s i ng  Aitchiso n.J lo garithmi c  tra n sformation  to get  th e  co varian ce  mat r ix and  obtai n the  prin cip a l  comp one nts  from the eig envalue s an d eigenve c to rs  of the co varian ce mat r ix, thirdly, the  weig hts  of every p r in cipal  comp one nt u s ing  con c ept   of entro py, At last, by a  co mbination  of t he  weig ht and princip a l com p o nent, deci s io ns can be ma de.   Nonli nea r pri n cip a l co mpo nent analy s is, taking into  accou n t the nonlin ear  rel a tionship   betwe en eve r y index in  e v aluation  system, redu cin g  dimen s io n a lity, can settle the probl em  about  comp rehen sive eva l uation results in di re ct  proportio n  to th e co rrelation  degree b e tween   the origin al variabl es, but t o  part of the quantit ative d e scriptio n ind e xes in sy ste m , the Acheson  logarith m ic transfo rmatio n is po werl ess l eadin g  to  the initial data matrix hard to  be esta blishe d.  The fu zzy  co nsi s tent matri x  base d  an al ysis  c an  qua ntify qualitative descriptio n  indexe s  u s i ng  member ship,  but it exis ts  defec t s  in fuzzy c o ns is te nt matr ix- b as ed  s u c h  as  difficult to inc a r nat e   the differe nce between t w o  schem e s  by the ele m ents i n  the  establi s h ed  fuzzy p r e c e d ence  relation  matri x , poor  simil a rity deg ree   betwe en o b tained fu zzy  con s i s tent m a trix and fu zzy  pre c ed en ce  relation  matrix. In view  of  advantag es  and  disa dvantage s in  the p r in cip a l  comp one nt a nd fu zzy  co n s iste nt matrix  analy s is,  no nlinea r p r in ci pal  comp one nt analy s is-b ase d   total pro c e ss  is co mpleted  after all of the indexe s  is  disp osed u s i ng the fuzzy con s i s tent m a trix  model to g e t the ne w initial  data matrix, a nd the  info rm ation entropy  is intro d u c ed  in the analy s i s   to get the wei ght of every princi pal comp onent.       2. Calculatio n Process    2.1. Calculati on Proces s Char t  The nonli nea r princi pal co mpone nt anal ysis calculati on pro c e s s is sho w n in Fig u re 1:         Figure 1. Fuzzy Nonli nea r Princi pal Co mpone nt  Ana l ysis Based Calcul ation Flo w  Ch art   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com p re hen si ve Eval uation  to Distributio n Ne twork Plannin g  Sche m e s Usin g…  (Wang Ruilia n)  5899 2.2. Initial Data Matrix  The initial da ta matrix is constituted by  t he evaluation of every index to sche mes. To  compli cate d evaluation system,  the  init ial  data  matrix from the relative mem bership  deg ree   matrix by fuzzy co nsi s tent  matrix model  to di spo s e  every evaluatio n is p r e s ente d . Assu ming t hat  n  sch eme s  expresse d  in  n i x i , , 2 , 1 and  m  evaluation  indexes  expre s sed i n    m k u k , , 2 , 1  c o ns titute a c e rtain s y s t em, the init ial  data matrix is gotten as foll ows:  (1)  Fu zzy  prefer ence r e lation matrix   The orde r of a ce rtain ind e x  k u to sch eme s  is exp r e s se d with the na tural num be r, the  greate r  num b e rs the  worse sch eme s , the equal  n u m bers the same impo rta n ce of sche mes.  Thus  the fuzzy pr ec edenc e  r e lations h ip  matr ix is  s how n:     C n n k ij c    n j i m k , , 2 , 1 , ; , , 2 , 1                                    In the form ula:  k ij c are the  pre c e den ce  deg ree  coe fficients  abo ut schem e i x and   scheme j x to the index k u . Assumin g  that the order  of sche m e i x   to some an  index  m k u k , , 2 , 1  is  n i a i , , 2 , 1 , s o m fuzzy p r eferen ce  rel a tion m a trixe s  of   m indexes are  sho w n:     C k n n k ij c k l n l k l n l k i k j a a a a 1 1 min max 5 . 0 5 . 0 ） （                                           ( 1)    (2)  Fu zzy  consiste nt matrix  Fuzz y c o ns istent matr ix  n n k ij k r R m k , , 2 , 1  converted fro m  fuzzy pref eren ce  relation m a tri x  in the condi tion of    1 ) min max ( 1 1 n r r k p n p k p n p  is co mputed by the formula:     5 . 0 2 1 1 k p n p k p n p k j k i k ij r r r r r                                                    ( 2)    In the formula:  n j c r n l k il k i , , 2 , 1 1  and k ij r reflect  relative sup e rio r ity degree  about sch e m e    n i x i , , 2 , 1   and  n j x j , , 2 , 1   to the evaluation in dex k u .  (3) O p timiza tion  v a lue of single index   The optimi z a t ion value k i s about every scheme  i x  to index  k u  is com puted by the   formula:      n j k ij k i r n n s 1 1 2 1 1                                                    (3)    (4)  Op timiza tion member ship matrix  of ev er y   index   Optimizatio n  membershi p  matrix of ever y inde x in evaluation system  from the  optimizatio n value of sin g le  index is sh o w n:     m n ij s S ] [                                                               (4)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  589 7 –  5904   5900 2.3. Nonline a r principal componen t s   (1) Initial data matrix   Optimizatio n  membe r ship  matrix of every index  is the initial data matrix from the formula   (4).  Thu s  t he n onlin ear pri n ci pal  compon ent s  analysi s   by Ach e son l ogarith m ic cente r   transfo rmatio n method is p r esented.   (2) Ache son logarithmic  transformatio n   All of the d a ta in the initial data matr ix is co nverted by Ache son lo g a rithmi c  transfo rmatio n sho w n:     m l il ij ij s p s y 1 ln 1 ln                                                 (5)    Thus th e new data matrix is  Y = nm ij y .  (3) Cov a riance  m a trix   Covari an ce  matrix from the new d a ta matrix  by logari t hmic center  i s  gotten, expressed  in:    m m ij ij z Z                                                              (6)    In the formula: j pj n p i pi ij y y y y n z 1 1 1  where  n p pi i y n y 1 1 and n p pj j y n y 1 1 .  (4)  Nonlinea r principal componen t s   The Nonli n e a r  p r in cipal  comp one nts from  the  fo rmula  m m ij ij z Z  are  o b tained  sho w n:      SA f F q n ij ) ( T = mq nm a s                                                    (7)    In the formul a: Matrix  A = （ a mq ） is   corresp ondi ng ei genve c tors o f  every positive eigenvalu e  of  matrix  Z m m ij z . Usu a lly, the po sitive eigenval u e s i s  le ss tha n  all of th e ei genvalu e s,  so th e   corre s p ondin g  eigenve c tors is le ss too. That is  to say ,  the corresp ondin g  prin ci pal com pon e n ts  are le ss tha n  the origin al variabl es. Th e  dimen s ion a lity reductio n  is succe s sful.    2.4. Entrop y   Weigh t   Usually, the varian ce  cont ri bution rate of prin cipal  co mpone nts i s  the  wei ght dist ribution.  But the va ria n ce  contri but ion  rate  refle c ts t he  relati ve value  of i n formatio n  carri ed i n  eve r y  origin al va ria b les but th e  actual  qu antity. Inform atio n ent ropy  ca n qu antify informatio n, so  it is  use d  to determine the wei ght of t princi pal com pon e n ts.  (1)  Nonneg a tiv e  processing of princip a l compone nts   In orde r to  acq u ire  entropy, the po ssi bl e ne gati v e quantity existing in  prin cipal  comp one nt  matrix ne ed s non neg ative pro c e s sing.  After non neg ative pro c e ssing, the  matri x  is  F ′ :    F ′ =F +  g                                                             (8)    In the form ul a: g is the  smallest  natural num ber le ading  all of t he p r in cipal  comp one nts  to  positive.   (2)  Entr opy     Entropy ca n displ a y the order de gree of  info rmation i n  variable s  o r  indexes. The  amount  of information  is expre s sed  in  e t   ( t =1 ， 2 ， … ， q ):     q t it it t h h n e 1 ln ln 1                                                               ( 9)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com p re hen si ve Eval uation  to Distributio n Ne twork Plannin g  Sche m e s Usin g…  (Wang Ruilia n)  5901 In the fo rm ula: q j ij ij ij f f h 1 ' '  where ij f ' is the d a ta a fter non neg a t ive pro c e ssi ng of   prin cipal com pone nts.   (3)  Principal componen t  w e i ght   The di spe r se  degree of the  q   Princi pal  comp onent s is expre s se d in informati on avail  value  d t （ t =1 ， 2 ， … ， q ） ,t he formul a is:     t t e d 1                                                            ( 10 )    The d a ta in t he  q  p r in cip a l com pon ent  more  scattered, the  corre s po ndin g  dat a in the  d t   （ t =1 ， 2 ， … ， q ） lag e r, indi cate that the  importan c e  degree of th e index is h i gher, o n  the  contrary, the  lowe r im port ance de gree  of the in d e x. Thus, th e  weig ht dist rib u tion vecto r s of  prin cipal  com pone nts by n o rmali z in g  d t  ( t =1 ， 2 ， … ， q ) are a c q u ire d :    q , , , 2 1 T , q t t t t d d 1                                              ( 11 )    2.5. Fuzzy  Nonlinear Principal Compo n ent-ba sed  Compre hens iv e Decision Model   Every princi p a l comp one n t  weighted a nd sy nthe si zed, the com p reh e n s ive d e ci sion   model is  sho w n:     i O q iq i i F F F 2 2 1 1 ( i =1, 2 ， … ， n )                                    ( 12 )      3. Planning Scheme  Decisions by  Fuzz y  Nonlinear Princi pal Compo n e nt  Analy s is to   Distribu tion Net w o r k   3.1. Scheme Compre hens iv e Ev aluation  Index Sy st em of Ne t w o r k Planning   Network pla n n ing involve s  many facto r s.  The sche me  compreh ensive evalu a tion  ind e x  system  of net work  plan nin g  is summa ri zed  from  t he  [1-4] refere nces, al so  kno w n a s  2 4  attrib ute  comp re hen si ve evaluation  index  set. T he ind e x system ca n ove r all reflect n e t work pl annin g   scheme. Fo r some repeti t ive el ements in the evaluation index  set, to spe c ific issu es,  the   approp riate comprehe nsiv e eval uation i ndexe s  are  chosen.     3.2. Scheme Decision -ma k ing Proces s  After sele ctin g, evaluation   index syste m  of distribu ti on netwo rk plannin g  scheme is  formed. All o f  the indexe s  data in the   evaluat ion sy stem  a r e con v erted  to  n u m ber betwee n   0   and 1 u s ing t he fuzzy con s iste nt matrix deci s ion - ma king mo del. T hus the d a ta betwe en 0 an d 1   is the memb ership de gre e  of every index to sch e m es that est ablishe s initial data matri x  of  nonlin ear p r i n cip a l com p o nent analy s is and the non linear p r in cip a l comp one n t s are obtai n ed.  After the dat a in p r in cipal  comp one nt m a trix is  n on-n egative p r o c e s sed, ent ropy  utility value of  the prin cipal  compo nent  is gotten, and by t he weig ht distri bution after  norm a lization  and  comp re hen si ve deci s ion  can be mad e .  In this  pap er,  the d a ta in  the initial  data   matrix i s   wei ghted  nonlin e a r inte gration  usi ng  Ache son  log a rithmi c cent er tra n sfo r ma tion and  then  the pri n ci pal  com pon ent  gotten, that i s  to  say, the prin cipal com pon e n t is nonlin ea rity.        4. Examples   A distributio n  network pla n n ing exampl e  from  the Ref e renc es  [1], verify the c o rrec t nes s   of the a r ith m etic d e scri bed in  this  pape r.  Lo ng-term pl annin g  sch e me s  of high -volta ge   distrib u tion n e twork in the  plannin g  are a  pro p o s ed i n clu de: sche me 1 (3 5kV  prog ram ) , scheme   2 (11 0 kV  progra m ) a nd  scheme  3 (3 5kV an d 1 1 0 k V hybri d  scheme ) . The  evaluation i n dex  system   is  si mplified, sele cted and  sho w n  i n   Fi gure 2.  According  to  the planni ng schem es and   comp re hen si ve evaluation  indexe s   syst em, the ev al uation  of eve r y index to  scheme s  i s   sho w n   in Table 1.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  589 7 –  5904   5902     Figure 2. Indice s set of Simplified Co m p reh e n s ive Evaluation System to Distrib u tion Net w ork      Table 1. Evaluation of Every Index to Scheme s   Attribute  elements  Technical indexe s   Economic  indexes  Environmental  indexes   Adaptability   indexes   Scalability   indexes   Reliability  Power   supply   quality  Total   investment  (hundr ed  million  yuan )   Net w ork  l o s s  rate(%)   Number of  high  voltage station    Degree o f   matching  schemes and  load gro w th   Ex tensible  allow ance   Scheme  1  Better  Better   13.02   0.73  More   Middling  The  most   Scheme  2  Better  Better   12.73   0.72  Gene ric  Better   More   Scheme  3  Worse  The best   13.21   0.68  The least  Worse  Middling  Data t y pe   Qualitative  Qualitative  quantitative  quantitative Qualitative  Q ualitative Qualitative      By the formula (1) to (4) ， t he initial data  matrix by the obt ained d a ta from the evaluation of   every index to scheme s  u s ing fu zzy co nsi s tent matri x  model is sh own a s  follo wing:    08333 . 0 08333 . 0 58333 . 0 58333 . 0 08333 . 0 66667 . 0 08333 . 0 33333 . 0 58333 . 0 33333 . 0 33333 . 0 58333 . 0 16667 . 0 5 . 0 58333 . 0 33333 . 0 08333 . 0 08333 . 0 33333 . 0 16667 . 0 5 . 0 S     By the formula (5), the ne w matrix is:    0.85305 -     0.85305 -    1.09289      1.09289        0.85305 -     1.22643       0.85305 - 0.1188 -      0.44082        0.1188 -      0.1188 -      0.44082      0.81192 -     0.286675 0.916859     0.35724      1.02909 -    1.02909 -    0.357239      0.33588 -     0.762714 Y     By the formula (6), the covarian ce m a tri x  of that new matrix is m m ij ij z Z , shown:     0.7912      0.5014      0.9309 -     0.9309 -     0.5014      0.6289 -     0.6965      0.5014      0.5248      0.6761 -     0.6761 -     0.5248      0.7621 -     0.5633      0.9309 -     0.6761 -     1.1338      1.1338      0.6761 -     0.8912      0.8756 -     0.9309 -     0.6761 -     1.1338      1.1338      0.6761 -     0.8912      0.8756 -     0.5014      0.5248      0.6761 -     0.6761 -     0.5248      0.7621 -     0.5633      0.6289 -     0.7621 -     0.8912      0.8912      0.7621 -     1.1381      0.7676 -     0.6965      0.5633      0.8756 -     0.8756 -     0.5633      0.7676 -     0.6958     Z   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Com p re hen si ve Eval uation  to Distributio n Ne twork Plannin g  Sche m e s Usin g…  (Wang Ruilia n)  5903 The po sitive eigenvalu e s  of matrix  m m ij ij z Z  are 0.008 、 00.52 33 and 5.4 1 1 1 , that is  to s a y  q =3, th en by the formula (7 ), the prin cipal  com pone nt matrix is:     0.6874 -     0.2764      0.4406     0.0927      0.2481 -     0.1607     0.0238 -     0.0387 -     0.0053 -   F     By the formula (8), the n a tural n u mbe r  g= 1, after non-neg ative data in the prin cip a l   comp one nt matrix, and b y  the formula   ( 9), the entropy  e t   of the three pri n ci p a l comp one nt is    0.866554       0.984817      0.999911 t e . By the formula  (10) , the entropy utility is  0.1334      0.0152      0.0001   t d , and by  the formula  (11), the  weight vector is  0.897108     0.102219     0.000672 t .   By the formula (12 ) , the co mpre hen sive  evaluation  co nclu sio n  is:      9747 . 0 0579 . 1 4119 . 0 i O     The sche me-orde r  is  sche me 2, schem e 3, sch eme  1, that is to say, the sche m e 2 is  the optimal schem e. The concl u si on co nsi s tent with  the refe ren c e  [1], proves th e corre c tne ss of  the method d e scrib ed in th is pap er.       5. Conclusio n   1) Acco rdin g  to the rese arch re sult s, i ndex syste m  of comp re hen sive eval uation to  distrib u tion n e twork pl ann ing sche me  is e s tablis he d. By prioriti zation of ev ery sche me  to   indexe s , fuzzy preferred  relation  matrix  is esta blish e d  and then th e fuzzy  con s i s tent matrix. By  the relative membe r ship  degree matri x  of every  in dex to sche m es, the initial data matri x  in   nonlin ear p r in cipal  comp on ent analysi s  i s  gotten.   2) After Ache son lo garith m ic ce nter  con v ersio n  to the initial data matrix, the covariance  matrix is obta i ned. Accordi ng to the corresp ondi ng ei genve c tors of positive eige nvalue s by the   covari an ce m a trix and  initi a l data  matri x , princi pal  compon ent m a trix is  gotte n. The  prin ci pal  comp one nt is nonli nea r  co mbination s   of the initia l  dat a matrix -vect o r, it i s  mo re   rea s on able  th an  the comm onl y linear pri n ci pal com pon e n t analysi s .  3) The weight  distribution vector of pri n ci pal com ponent using norm alized entropy utility   not cumul a tive vari an ce  contributio n  ra te, not o n ly  unifies the  selecte d   stan dard  of  pri n cipal  comp one nts  numbe r, but also  sho w s the amou nt  of variable informatio n ca rried in prin cip a l   comp one nt from initial data matrix.  4) In  com p re hen sive eval uation, the i n dexes having  little influen ce on  co mpre hen sive   evaluation  n eed b e  redu ced, the  stro ng fuzzin ess of the com p reh e n s ive e v aluation  system  need s to  be  co nsi d e r ed,  and  the  co mpre hen sive  evaluatio n  con c lu sio n s  are  mad e  m o re  convin cin g  a s  mu ch  as po ssible, fo r th e  many in dexe s  d e scribed  o n ly usi ng va g ue la ngu age  i n   distrib u tion  n e twork plan n i ng eval uatio n sy stem . T he ju dgme n t evaluatio n  con c lu sio n  u s ing   nonlin ear prin cipal com pon ent  analy s is brou ght  in  fu zzy d e ci sio n -makin g an d  entropy the o ry is  easy to obtai n. The cal c ul ation pro c e ss is simp le, o r derlin ess, an d con c lu sio n  is co rrect.       Referen ces   [1]  Nian  L i u, L i   Ma, T i eming  Z hu. S y nthetic al  a ssessme n t on  distri butio n n e t w ork P l a nni ng sc he m e   consi deri n g   An ti-Disaster ab ili t y  and   e g io na l character i stics.  Po we r System  Te ch no l o g y .  20 12;  36(5) :   219- 225.   [2]  F eng S h i, P e il i  Li u. Dec i sio n   makin g  meth o d  for  urb an po w e r distrib u tion   gri d   p l a nni ng  usin g  e n trop y  w e ight.  Engi ne erin g Journ a l o f  W uhan Univ e r sity . 2012; 45( 2): 211-2 15, 22 4.  [3]  Gang W e i, Ji a Li u, Xi n Z h ang, et a l .  C o mpre hens ive  decisi on- maki ng of AHP/P R OMET HEE in   distrib u tion n e t w ork plann in g.  Procee din g s of  the CSU-EPS A. 2009; 21( 3): 36-40.   [4]  Yu  Yi. Compr e hens ive eva l ua tion and   d e cisi on-Maki ng  for  distrib u tion  n e tw o r k  pla nni ng.  Dissertati o n   for Master' s  Degree. 20 12.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  589 7 –  5904   5904 [5]  Luji e  L i u, Ro ng  Hu, Yang F u ,  et al. Compr e h ensiv e eva l uati on of reso urce  econ om y bas e d  distrib u tio n   net w o rk p l an ni ng Schem e.  Power System  Technology.  200 8; 32(16): 6 6 -7 0.  [6]  Hon g zha n  N i e,  Son g  Ni e, Yi  Qian, et  al. Co mpreh ensiv e d e cisio n -mak i ng  of alter nativ e t r ansmissi o n   net w o rk pla nni ng  b a sed on princi pa l  comp one nt  an al ysis .  Pow e r System T e ch no logy .  201 0; 34(6 ) :   134- 138.   [7]  Bei Li u. Appl i c ation of n o n - Lin ear pri n ci p a l comp on ent  anal ys is method to rock  mass qua lit y  classification.  W a ter Resourc e s and Pow e r.   201 1; 29(1 2 ): 78-80.   [8]  Ping  Li.  Class ificatio n of  e x p a n sive  soi l  b a se d o n  n on- lin ear  pri n cip a l c o m pon ent  ana l y si s an d cl uste r   analy sis.  Ya ng tz e Ri ve r . 20 12;  43(7): 40-4 3 .  [9]  Z heng yo n g  Z h ou, Xia ohu i Yu an, Yon g  Z h o u .   T he pr edicti o n rese arch a b out the stren g th of ceme nt  base d  o n  th e  non- lin ear  pri n cipal  com pon e n t ne ural   n e t w ork. Mathem ati cs in Pr actice   and  T heor y .   201 3; 43(3): 83 -91.  [10]  Ron g  Z h a n , D e sha n  T ang, Z i zeng  Li u. Opti mizati o n  of r u b ber d a m’s st yl e s  bas ed  on fuz z y  c onsist ent   matrix .  Water Resources and Power . 2009; 27(6): 10 7-1 0 9 ．   [11]  Xi an g Qiu. Improve d  fuzzy  cons istent matrix a nd it s applic at io n  in Engin eer i ng Eval uatio n .   Mathe m atics i n  Practice and T heory.  20 11; 4 1 (17): 44- 47 ．   [12]  Jiken g  L i n, T ongfei  Li, Z i min g   Z hao, et  a. As s e ssment  on  po w e r s y stem  bla ck-start schem es b a sed  o n   entrop y - w e i ght ed fuzz y  com p rehe nsive ev al uatio n mode l.  Pow e r System T e chnol ogy.  201 2; 36(2):   115- 120.   [13]  Herui C u i, Lih ua Li ang, Li ho ng W ang.  Reliability evaluati on index of distribut ion system  based on  entropy-w ei ght  T O PSIS meth od.  T r ansactions of the CSAE.  2011; 27(s u ppl ement1): 1 7 2 -17 5 .       Evaluation Warning : The document was created with Spire.PDF for Python.