《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》

  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

《数据驱动的电力系统静态电压稳定态势评估》

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

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。