典型文献
基于回归学习与特征挖掘的运行风险评估
文献摘要：
为了充分利用监测信息的数据价值并实时把握电力系统运行风险的变化情况,提出了一种对电力系统实时状态进行运行风险评估的方法.该方法基于SVM回归学习技术,挖掘量测单元反馈的系统信息与运行状态数据的潮流特征,建立运行状态与风险的关联函数.将该方法与多目标粒子群优化算法相结合,预先实现电力系统数据特征挖掘,从而降低了对于PMU量测设备的数量要求.提出了改进的蚁群算法,并将其与SVM回归模型融合,实现对回归学习模型内部参数的优选,提高了评估准确性,进一步改善了在线风险评估的运行速度与计算精度.
文献关键词：
特征挖掘;机器学习;信息融合;风险评估
中图分类号：
作者姓名：
王天昊;马世乾;宋海涛;赵士朗;于光耀
作者机构：
国网天津市电力公司电力科学研究院,天津 300384;天津市电力物联网企业重点实验室,天津 300384;国网天津市电力公司,天津 300010
文献出处：
引用格式：
[1]王天昊;马世乾;宋海涛;赵士朗;于光耀-.基于回归学习与特征挖掘的运行风险评估)[J].电力系统及其自动化学报,2022(05):35-41
A类：
B类：
回归学习,特征挖掘,运行风险评估,监测信息,数据价值,电力系统运行,实时状态,行运,学习技术,状态数据,潮流特征,关联函数,多目标粒子群优化算法,系统数据,数据特征,PMU,改进的蚁群算法,模型融合,评估准确性,运行速度,计算精度,信息融合
AB值：
0.374141
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。
