文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 电力/水利 > 基于Stacking元学习策略的电力系统暂态稳定评估
侵权投诉

基于Stacking元学习策略的电力系统暂态稳定评估

为提高电力系统暂态稳定评估单个模型的准确率,研究了基于元学习策略的暂态稳定评估问题,提出了支持向量机、决策树、朴素贝叶斯和K最近邻法作为基学习算法,线性回归为元学习算法的Stacking评估模型。该模型将上述基学习算法的概率输出作为新训练数据的输入特征,同时保留原始的类标识。线性回归算法在新训练集上学习得到最终暂态稳定评估结果。新英格兰39节点测试系统和IEEE50机测

第 3卷第 6期 9 21年 3 1 01月 6日

电力系统保护与控制 Po e w rSyse o e ton a d Con r t m Pr t c i n tol

、 1 9 No 6, . ., 3 0 M a .6. r1 20l 1

基于 S a k n学习策略的电力系统暂态稳定评估 t c _g元 叶圣永,王晓茹,刘志刚,钱清泉 (南交通大学电气工程学院,四川成都 6 3 )西 1 0 1 0

摘要:为提高电力系统暂态稳定评估单个模型的准确率,研究了基于元学习策略的暂态稳定评估问题,提出了支持向量机、

决策树、朴素贝叶斯和 K最近邻法作为基学习算法,线性回归为元学习算法的 S a k n t c ig评估模型。该模型将上述基学习算法的概率输出作为新训练教据的输入特征,同时保留原始的类标识。线性回归算法在新训练集上学习得到最终暂态稳定评估 结果。新英格兰 3 9节点测试系统和 IE 5机测试系统上仿真实现了该模型, E E 0仿真结果证明所提模型比单个模型的评估性能 更好,为电力系统暂态稳定评估提供了新的思路。

关键词:暂态稳定评估;朴素贝叶斯;支持向量机;决策树;K最近邻法;S a k n tc i g算法 Po rs s e t a se t t b l y a s s m e t a e n S a k n e a l a n n t a e y we y t m r n in a i t s e s n s d o t c i gm t—e r i g sr t g s i b

Y h n—o g ES egy n,WA a ,L UZ i a g Q A Qi u n NGXi r o u I h— n, I N n q a g g ( h o f e tia n iern Sc o l Elcrc l gn eig, S uh s ioo gUnv ri o E o t we t a tn iest Ch n d 1 0 1 C ia J y, e g u6 0 3, hn ) Ab t a t I r e o i c e s i g d l c u a y i r n in t b l y a s s me to o rs se, t e t n in t bl y sr c: n o d r t n r a e sn e mo e’ a c r c n t se tsa ii s e s n fp we y tms h r s tsa i t S a t a e i a s s me tb s d o t e r i g s a e y i s d e se s

n a e n mea l an n t tg s t id, a d a S a k n s e s n d li p e e t d T e b s e r ig i cu e r u n tc ig a s s me tmo e s r s n e . h a e la n n n ld s s p o t e t r c ie, d c so e s n ieBa e ina dK— e r s eg b r ls i e . Lie r e r s in i d p e s tc ig u p r c o v ma h n s e ii nt e, av y sa n n a e t ih o a sf r r n c i n a g e so a o t da a k n r s S a s s me t s e s n d l f t - a n n mo e a l r ig. T emo e s st ep o a i si u p t f a e la i g ag rt m s ip tatiu e n a n w o me e h d lu e h r b b l t o t u s r n l o i i c o b en h a n u tr ts i e b t i i g s t a d k e s t e o i i a l s a e s Th n l rn in t b l y a s s me t e u t s a q i d a trla n n e n w r n n e, n e p h r n l a s lb l . a g c e f a a se ts i t se s n s l i c u r f r ig i t e i t a i r e e e n h t i i g s t b i e r r g e so . T e s ua in n Ne E g a d 3一 u n E 0 ma h i e t s y t ms s o t a h r n n e y l a e s i n a n r h i lt s o w n l 9 b s a d I EE 5一 c c n e t s s6 h w h tt e m o n a s s me tp ro ma c ft e p o o e p r a h i e trt a h to e sn l d l a d p o ie e wa O a s s o r se s n e f r n e o r p s d a p o c sb t h n t a f h i ge mo es n r v d sa n w y t se sp we h e t s se ta s n tb ly. y tm n i t a i t r e s i

T i woki s p o t yN t n l trl c n eF

u d t no hn ( . 0 0 6 . hs r p r db ai a Na a S i c o n ai f ia No 9 6 2 ) su e o u e o C 1 0 Ke r s r se t tbl ses n;n ieBa e in u p rv co c ie;d cso e s ywo d ̄t in a it as sme t av y sa;s p ot e tr n a s i y ma hn s e iint e;K— e e t eg b r lsi e; r n a sn ih o asf r r c i S a kig l ort m t c n a g ih

中图分类号: T 1 M7 2

文献标识码:A

文章编号: 17 .4 52 1)60 1.5 643 1(0 0.0 20 1

0引言 机器学习为电力系统暂态稳定评估提供了新的途径,已用于暂态稳定评估的机器学习包括:人工神经网络 (常采用 Muta e ecpin llyr re t,ML )【、 i P o P I】决策树 ( e io re DT 、 D c i Te, )J sn K最近邻法 ( Ners K aet Ne h o,K i b r NN)【和支持向量机 ( u p r V co g j S p ot etr Ma hn s V )[。给定隐含层数和各层所含的 c ie,S M 4 1 基金项目:国家自然科学基金项目 ( o 9 6 2 ) N . 0 1 0 6;教育部 0

神经元,ML P可得到输入和输出问的任意函数映射。由于是“黑匣子”得其解释性较差,且存在,使过拟合现象,推广能力较差I DT通过检视最好测 。试特征及门槛值,逐层逐节点对测试特征分裂,直到可以正确将输入数据分类。DT的优点是速度快、 结果相对容易解释;但缺点是不稳定、树过大容易出现过拟合现象。 NN是基于实例的学习方法, K通过距离该数据的个最邻近数据中的大多数类别来确定该点的类别。通常 KN分类准确率较低,常 N和 D T和 ML P等其他方法配合L。S 5 VM作为统计 l学习理论的实现方法,受到广大研究者的关注,已成为最广泛使用的分类算法I】文献[]多组不同 6。’ 6对输入特征的 S M信息融合来提高电力系统暂态稳 V

新世纪优秀人才支持计划 (ET 0-8;中央高校基本 NC- 802 ) 5 科研业务费专项资

金资助 (W T 0Z 1) S J U 9 T;教育部霍英东青 O 年教师基金 ( 0 0 0 11 6 )

基于Stacking元学习策略的电力系统暂态稳定评估

第1页

你可能喜欢

  • 电力系统暂态稳定性分析
  • 电力系统暂态稳定实验
  • 电力系统暂态稳定计算
  • 电力系统的电磁功率特性

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email