典型文献
基于Bagging集成学习的电力系统暂态稳定在线评估
文献摘要：
针对传统机器学习在处理暂态稳定评估时所表现出的稳定性差、精度低等问题以及离线训练的局限性,提出一种基于多模型融合Bagging集成学习方式的电力系统暂态稳定在线评估模型.首先,结合人工智能前沿理论研究,分析了暂态稳定评估中常用的7种机器学习算法的原理及实现方式,通过Bagging方法进行集成,充分发挥各个模型的优势.其次,给出Bagging集成的数学实现方法并进行了仿真实验.当原系统拓扑结构发生改变时,采用Boosting算法和迁移成分分析,分别对原电网历史数据进行样本迁移和特征迁移,完成对所提模型的在线更新.通过采用IEEE10机39节点系统和IEEE16机68节点系统进行分析,结果表明所提方法比传统机器学习模型精度更高.当数据中掺杂噪声时能够保持稳定运行,在系统拓扑改变时能够通过迁移历史数据进行准确的暂态稳定评估.
文献关键词：
Bagging集成学习;电力系统;机器学习;暂态稳定;迁移学习;在线更新
中图分类号：
作者姓名：
赵冬梅;谢家康;王闯;王浩翔;姜威;王怡
作者机构：
华北电力大学电气与电子工程学院,北京 102206;中国华能北方魏家峁煤电有限责任公司,内蒙古 鄂尔多斯 010308
文献出处：
引用格式：
[1]赵冬梅;谢家康;王闯;王浩翔;姜威;王怡-.基于Bagging集成学习的电力系统暂态稳定在线评估)[J].电力系统保护与控制,2022(08):1-10
A类：
IEEE16
B类：
Bagging,集成学习,电力系统,在线评估,暂态稳定评估,离线训练,多模型融合,学习方式,前沿理论,机器学习算法,实现方式,实现方法,系统拓扑,拓扑结构,Boosting,迁移成分分析,历史数据,特征迁移,在线更新,IEEE10,节点系统,机器学习模型,模型精度,迁移历史,迁移学习
AB值：
0.294379
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
