《表3 不同算法结果对比:数据驱动的电力系统静态电压稳定态势评估》
选择同样属性特征,将本文方法与其他机器学习算法[4]如K最近邻(k-nearest neighbor,KNN)分类算法、SVM法、提升树算法进行比较,在统计正确率的同时,比较在相同软硬件的环境下算法的平均耗时,仿真结果如表3。本文所提模型考虑集成学习技术的优越性,通过对多个单一决策树分类器集成学习训练得到集成决策树。当输入待分类的样本时,每个决策树会得到分类结果,最终的输出结果由所有决策树的输出结果投票判别。这样更多考虑了各特征之间相关性的最优选择,其测试准确率达到99.9%,与其他均是单个分类器的传统机器学习算法相比,有较大的性能提升,这说明随机森林分类模型生成后,其评估静态电压稳定的准确性较高,且样本分类时充分考虑了电压稳定裕度,适用实时安全评估,能够给紧急控制预留较多时间。
图表编号 | XD00116219200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 梁修锐、刘道伟、杨红英、李卫星、邵广惠、徐兴伟、王克非、李宗翰、赵高尚 |
绘制单位 | 哈尔滨工业大学电气工程及自动化学院、中国电力科学研究院有限公司、中国电力科学研究院有限公司、哈尔滨工业大学电气工程及自动化学院、国家电网公司东北分部、国家电网公司东北分部、国家电网公司东北分部、中国电力科学研究院有限公司、中国电力科学研究院有限公司 |
更多格式 | 高清、无水印(增值服务) |