《表4 不同分类器性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于集成深度置信网络的精细化电力系统暂态稳定评估》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

集成DBN模型考虑2种情况，第1种情况是按照2.2节式（7）进行去冗余后的特征作为输入，记为DBNa；另一种情况是不进行去冗余，将27个特征全部作为输入，记为DBNb。针对目前在电力系统暂态稳定预测中所使用的方法，本文将集成DBN模型与深度学习中的人工神经网络（artificial neural network，ANN）、多层感知机（multilayer perceptron，MLP）及浅层学习中的SVM，DT，RF和KNN进行对比，以说明本文所提方法不仅优于常规的浅层学习，也优于部分深度学习模型。针对以上分类器，分别选择其最优参数，其中：ANN的结构与DBN5相同；MLP经实验寻优，选取其结构为[23，500，500，2]；SVM采用径向基函数作为核函数，采用网格法和五折交叉验证进行相关参数寻优；DT采用C5.0算法；RF采用90棵树进行集成；KNN经寻优后，k选为20。测试模型均基于开源机器学习库scikitlearn搭建。以故障切除后第20个周期（即0.33 s）的数据集为例，分别用以上方法进行暂态稳定预测，并对预测结果进行分析，如表4所示。