学位论文 > 优秀研究生学位论文题录展示

基于模式识别和集成学习的电力系统暂态稳定评估

作　者: 李洪伟
导　师: 卢锦玲
学　校: 华北电力大学（河北）
专　业: 电力系统及其自动化
关键词: 模式识别朴素贝叶斯分类器集成学习灰色关联聚类
分类号: TM712
类　型: 硕士论文
年　份: 2010年
下　载: 67次
引　用: 0次
阅　读: 论文下载

内容摘要

模式识别可以摆脱描述系统运行特性的模型限制,计算量受系统规模影响小,整体评估速度快,可以用于在线分析。朴素贝叶斯分类器是模式识别中常用的分类器,具有简单、健壮而且高效的特点,但由于它是建立在属性变量相对类变量独立的假设前提下,影响了其分类精度。本文利用电科院PSASP软件仿真,进行故障数据的采集;编写特征量采样程序,形成了用于暂态稳定评估的原始样本集。在此基础上,提出了基于灰色关联聚类的特征量选择方法,对暂态稳定特征量进行降维,在一定程度上放松了朴素贝叶斯分类器的独立性限制条件;并以朴素贝叶斯分类器作为基分类器,采用Bagging和AdaBoost两种集成学习算法对分类器分类性能进行进一步提升。通过对新英格兰10机39节点系统的仿真计算,结果表明了本文方法的有效性和正确性。

全文目录

中文摘要  4
英文摘要  4-7
第一章引言  7-14
  1.1 选题的背景及意义  7-8
  1.2 研究的内容和现状  8-12
    1.2.1 电力系统暂态稳定评估的研究现状  8-10
    1.2.2 模式识别及分类器集成的研究现状  10-12
  1.3 本论文的主要工作  12-14
第二章分类器和分类器集成学习  14-25
  2.1 引言  14
  2.2 分类器  14-20
    2.2.1 分类理论  14-15
    2.2.2 分类器模型构造方法  15-20
    2.2.3 分类器评价标准  20
  2.3 分类器集成学习  20-24
    2.3.1 Bagging  21-22
    2.3.2 Boosting  22-24
    2.3.3 Bagging 和 Boosting 的比较  24
  2.4 本章小结  24-25
第三章特征量的选择和样本的组织  25-41
  3.1 引言  25-26
  3.2 特征量选择的原理  26
  3.3 特征量选择的原则  26-27
  3.4 待选特征量的选取  27-30
  3.5 基于灰色关联聚类的特征量选择方法  30-34
    3.5.1 灰色关联分析  30-32
    3.5.2 灰色关联聚类  32-33
    3.5.3 灰色关联因素和关联算子集  33-34
  3.6 算法流程  34-35
  3.7 算例分析  35-39
    3.7.1 仿真软件简介  35-37
    3.7.2 灰色关联聚类筛选结果与分析  37-39
  3.8 本章小结  39-41
第四章基于集成学习的贝叶斯分类器暂态稳定评估  41-56
  4.1 引言  41
  4.2 贝叶斯网络分类器  41-44
    4.2.1 贝叶斯网络  41-43
    4.2.2 朴素贝叶斯分类器  43-44
  4.3 朴素贝叶斯分类器集成学习的实现  44-45
  4.4 样本数据的离散化  45-46
  4.5 基于集成学习的评估流程  46-47
    4.5.1 基于 Bagging 的评估流程  46
    4.5.2 基于 AdaBoost 的评估流程  46-47
  4.6 算例分析  47-55
    4.6.1 数据离散化  47-50
    4.6.2 基于 Bagging 暂态稳定评估  50-52
    4.6.3 基于 Adaboost 暂态稳定评估  52-53
    4.6.4 分类器评估性能的比较  53-55
  4.7 本章小结  55-56
第五章结论  56-57
参考文献  57-62
致谢  62-63
在学期间发表的学术论文和参加科研情况  63

基于模式识别和集成学习的电力系统暂态稳定评估

内容摘要

全文目录

相似论文