【摘要】：目前,利用數(shù)據(jù)挖掘方法進(jìn)行電力系統(tǒng)暫態(tài)穩(wěn)定分析的研究,所用數(shù)據(jù)集普遍存在失穩(wěn)樣本少的樣本不均衡問題,且挖掘模型的參數(shù)選擇困難,缺乏對預(yù)測結(jié)果可信度進(jìn)行評價。針對以上問題,文章提出用于暫穩(wěn)預(yù)測的支持向量機(jī)(support vector machine,SVM)組合分類器及其可信度評價方法。首先采用改進(jìn)bootstrap抽樣得到多個類別均衡的數(shù)據(jù)集,利用隨機(jī)特征子空間技術(shù)進(jìn)一步壓縮數(shù)據(jù)集;然后用壓縮后的數(shù)據(jù)訓(xùn)練得到多個SVM分類器,各SVM的參數(shù)在經(jīng)驗范圍內(nèi)隨機(jī)選取;最后,通過綜合多個SVM的概率輸出,得到組合分類器的預(yù)測結(jié)果,并對結(jié)果可信度進(jìn)行評價。通過算例分析表明,改進(jìn)Bootstrap算法能夠明顯減少對失穩(wěn)樣本的漏判,所提出的SVM組合分類器具有較高的預(yù)測準(zhǔn)確度和可信度。
[Abstract]:At present, the data mining method is used to study the transient stability analysis of power system. The data sets used in this paper generally have the problem of sample unbalance with less unstable samples, and it is difficult to select the parameters of the mining model. There is a lack of evaluation of the reliability of the prediction results. In order to solve the above problems, this paper presents a support vector machine (support vector machine,SVM) combined classifier for transient prediction and its reliability evaluation method. First, the improved bootstrap sampling is used to obtain the multi-class equilibrium data sets, then the random feature subspace technique is used to further compress the data sets, and then the compressed data is trained to obtain multiple SVM classifiers. The parameters of each SVM are randomly selected in the range of experience. Finally, by synthesizing the probabilistic outputs of multiple SVM, the prediction results of the combined classifier are obtained, and the reliability of the results is evaluated. The example analysis shows that the improved Bootstrap algorithm can obviously reduce the missing judgment of the unstable samples, and the proposed SVM combined classifier has high prediction accuracy and reliability.
【作者單位】： 北京交通大學(xué)電氣工程學(xué)院;中國電力科學(xué)研究院;
【基金】：國家自然科學(xué)基金項目(NSFC)(51577009) 國家電網(wǎng)公司科技項目(XT71-15-001)~~
【分類號】：TM712

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 鄭忠;曾永年;劉慧敏;徐艷艷;于菲菲;;并聯(lián)結(jié)構(gòu)組合分類器的誤差分析[J];遙感技術(shù)與應(yīng)用;2011年03期

2 洪文學(xué);張濤;宋佳霖;王金甲;徐永紅;;基于多維數(shù)據(jù)列向量2D圖表示的多維篩可視化組合分類器[J];燕山大學(xué)學(xué)報;2008年05期

3 楊雪梅;蘇禎;;基于KPCA及SVM的蛋白質(zhì)O-糖基化位點(diǎn)的預(yù)測[J];科學(xué)技術(shù)與工程;2013年25期

4 ;[J];;年期

相關(guān)會議論文 前1條

1 徐f ;宗成慶;;漢語base NP識別:錯誤驅(qū)動的組合分類器方法[A];第三屆學(xué)生計算語言學(xué)研討會論文集[C];2006年

相關(guān)博士學(xué)位論文 前2條

1 許言午;面向行人檢測的組合分類計算模型與應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2009年

2 張陽;復(fù)雜交通場景中基于視頻的行人檢測與跟蹤若干關(guān)鍵問題研究[D];華南理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王亞松;關(guān)于組合分類器修剪方法的研究[D];鄭州大學(xué);2011年

2 張銀峰;面向類分布不平衡數(shù)據(jù)的組合分類器剪枝方法的研究[D];鄭州大學(xué);2014年

3 鄭忠;適應(yīng)性組合分類器遙感分類研究[D];中南大學(xué);2013年

4 李俊磊;多組合分類器在局部區(qū)域氣溫預(yù)測中的研究與應(yīng)用[D];廣東工業(yè)大學(xué);2014年

5 李新強(qiáng);組合分類器及其在財務(wù)預(yù)警中得應(yīng)用研究[D];云南大學(xué);2012年

6 石國強(qiáng);基于規(guī)則的組合分類器的研究[D];鄭州大學(xué);2010年

7 宋麗;基于決策樹的組合分類器的研究[D];西安電子科技大學(xué);2012年

8 樊繼慧;基于SVM組合分類器的局域氣象預(yù)測研究[D];廣東工業(yè)大學(xué);2015年

9 吳正娟;特征變換在組合分類中的應(yīng)用研究[D];鄭州大學(xué);2010年

10 李斌;基于多組合分類器的高光譜圖像識別技術(shù)研究[D];中國地質(zhì)大學(xué)（北京）;2008年

，

本文編號：2216794