一種基於元學習的分布式發電孤島檢測方法
2023-05-30 03:07:31 1
一種基於元學習的分布式發電孤島檢測方法
【專利摘要】本發明涉及一種基於元學習的分布式發電孤島檢測方法，包括以下步驟：1)採用RELIEF算法識別孤島檢測的關鍵特徵，得到關鍵特徵集合；2)多個基學習器對原始關鍵特徵集合進行分類預測；3)將多個基學習器的分類結果作為特徵項加入訓練集中，生成新的樣本集合T；4)元學習器以樣本T作為訓練集，對基學習器的分類結果進行再學習，得到最終的檢測結果。與現有技術相比，本發明解決了樣本中的弱相關特徵會降低分類算法的精度和導致過度擬合問題，具有適應性好、檢測精度高等優點。
【專利說明】—種基於元學習的分布式發電孤島檢測方法
【技術領域】
[0001]本發明涉及一種分布式發電技術，尤其是涉及一種基於元學習的分布式發電孤島檢測方法。
【背景技術】
[0002]將大量分布式發電(distributed generation,DG)以友好的方式接入系統是智能電網的重要特徵。無論從系統運行、人員設備安全還是電能質量角度，都要求分布式發電具備孤島檢測功能。現有孤島檢測方法主要包括被動檢測法、主動檢測法、開關狀態檢測法等3類。開關狀態檢測法依賴於實時通信技術，存在可靠性、費用等問題，所以目前對孤島檢測的研究興趣主要集中在被動或主動檢測方面。較之於繼電保護，孤島檢測保護的各種檢測閾值往往缺乏明確的整定公式，使得檢測閾值的確定存在經驗性和盲目性。近年來，研究者注意到可以利用機器學習中的分類算法解決上述問題並取得了良好效果。
[0003]分布式電源的出力存在波動性，含分布式電源的配網的運行方式存在多樣性。由於分類算法屬於一種有監督學習算法，所以其難點主要在於如何提高算法的分類精度和泛化能力，從應用的角度，就是如何提高算法對未知實例的適應性。
【發明內容】
[0004]本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種解決了樣本中的弱相關特徵會降低分類算法的精度和導致過度擬合問題、適應性好、檢測精度高的基於元學習的分布式發電孤島檢測方法。
[0005]本發明的目的可以通過以下技術方案來實現:
[0006]一種基於元學習的分布式發電孤島檢測方法，其特徵在於，包括以下步驟:
[0007]1)採用RELIEF算法識別孤島檢測的關鍵特徵，得到關鍵特徵集合；
[0008]2)多個基學習器對原始關鍵特徵集合進行分類預測；
[0009]3)將多個基學習器的分類結果作為特徵項加入訓練集中，生成新的樣本集合T ;
[0010]4)元學習器以樣本T作為訓練集，對基學習器的分類結果進行再學習，得到最終的檢測結果。
[0011]所述的採用RELIEF算法識別孤島檢測的關鍵特徵具體步驟如下:
[0012]101)給定樣本集合 E= Kxi, y)} (i = 1,…n),其特徵集合為 A(x) = {a(j)} (j=I,…d)；
[0013]102)對各特徵的值做歸一化處理，設定各特徵的初始權重ωj=O ;對集合E的採樣次數為η ；
[0014]103)隨機從E中選取一個樣本(Xi，yi)，其中i = 1，...n;
[0015]104)找出與樣本(X，y)歐式距離最近的同類樣本H(X)和異類樣本M(X)；
[0016]105) ω j = ω , | x(J)-M(J) (x) | -1 x(J)-H(J) (x) |，其中 j = 1，...d ;
[0017]106)選擇權重大於設定閾值的特徵作為關鍵特徵集合。[0018]所述的基學習器的個數為K個，所述的新的樣本集合
[0019]T = (Xi, C1 (Xi)，C2 (Xi),..., Ck(X1)，C(Xi) | Xi e E}
[0020]其中原始樣本集合E= ((X^yi)I (i = I,...n) ,Ck 為基學習器，k = I,...KjC(Xi)表示Xi的類別標籤，即真實分類Yi，而用Ck(Xi)表示基學習器Ck對Xi的分類結果，公式中前面d列為基學習器的特徵，從d+Ι列到d+K列為由K個基學習器的分類結果構成的特徵，最後一列為類別標籤。
[0021]所述的基學習器包括C4.5、CART和SVM三種分類算法的學習器。
[0022]所述的元學習器為SVM分類算法的學習器。
[0023]與現有技術相比，本發明具有以下優點:
[0024]1、解決了樣本中的弱相關特徵會降低分類算法的精度和導致過度擬合問題，提出利用RELIEF算法識別孤島檢測的關鍵特徵，該算法獨立於所選用的分類器，且適應於各種孤島檢測問題。
[0025]2、適應性好，利用多個基學習器之間的互補性以及元學習器的再學習能力來提高整體分類的適應性；
[0026]3、檢測精度高，元學習器並不從各個基學習器中挑選最佳學習器，而是對基學習器的結果進行「再學習」，對基學習器錯誤的分類進行糾正，而對正確的分類加以鞏固。這樣，元學習器的分類精度就不限於最佳的基學習器，而是優於所有基學習器。
【專利附圖】
【附圖說明】
[0027]圖1為元學習系統結構示意圖；`
[0028]圖2為含多個DG的配網系統示意圖；
[0029]圖3為關鍵特徵組合的基學習器特徵散點圖；
[0030]圖4為非關鍵特徵組合的基學習器特徵散點圖；
[0031 ] 圖5為CART決策樹示意圖；
[0032]圖6為C4.5決策樹示意圖；
[0033]圖7為不同功率不平衡度(PI)下C4.5交叉分類的準確率曲線圖；
[0034]圖8為本發明的流程圖。
【具體實施方式】
[0035]下面結合附圖和具體實施例對本發明進行詳細說明。
[0036]如圖8所示，一種基於元學習的分布式發電孤島檢測方法，包括以下步驟:
[0037]S100、採用RELIEF算法識別孤島檢測的關鍵特徵，得到關鍵特徵集合；
[0038]S200、多個基學習器對原始關鍵特徵集合進行分類預測；
[0039]S300、將多個基學習器的分類結果作為特徵項加入訓練集中，生成新的樣本集合T ；
[0040]S400、元學習器以樣本T作為訓練集，對基學習器的分類結果進行再學習，得到最終的檢測結果。
[0041]1、特徵選擇方法
[0042]1.1特徵判據[0043]設E = Kxi, Yi)! (i = I,...η)為訓練樣本集合，η為樣本總數，(Xi, Yi)為一個樣本實例。其中
【權利要求】
1.一種基於元學習的分布式發電孤島檢測方法，其特徵在於，包括以下步驟: 1)採用RELIEF算法識別孤島檢測的關鍵特徵，得到關鍵特徵集合； 2)多個基學習器對原始關鍵特徵集合進行分類預測； 3)將多個基學習器的分類結果作為特徵項加入訓練集中，生成新的樣本集合T; 4)元學習器以樣本T作為訓練集，對基學習器的分類結果進行再學習，得到最終的檢測結果。
2.根據權利要求1所述的一種基於元學習的分布式發電孤島檢測方法，其特徵在於，所述的採用RELIEF算法識別孤島檢測的關鍵特徵具體步驟如下: 101)給定樣本集合E = Kxi, Yi)} (i = I,...η),其特徵集合為 A(x) = {a(j)} (j =I，...d)； 102)對各特徵的值做歸一化處理，設定各特徵的初始權重ω」=0 ;對集合E的採樣次數為η ； 103)隨機從E中選取一個樣本(Xi,Yi)，其中i = I,...η ; 104)找出與樣本(x，y)歐式距離最近的同類樣本H(X)和異類樣本M(X)；
105)ω j = ω ^ | x(J)-M(J) (x) | -1 x(J)-H(J) (x) |，其中 j = 1，...d ; 106)選擇權重大於設定閾值的特徵作為關鍵特徵集合。
3.根據權利要求2所述的一種基於元學習的分布式發電孤島檢測方法，其特徵在於，所述的基學習器的個數為K個，所述的新的樣本集合
T= (Xi，C1 (Xi)，C2 (Xi)，...，Ck (Xi)，C (Xi) I Xi e E} 其中原始樣本集合E = Kx^yiM (i = I,...n), Ck為基學習器,k = I,...K, C(Xi)表示Xi的類別標籤，即真實分類Yi，而用Ck(Xi)表示基學習器Ck對Xi的分類結果，公式中前面d列為基學習器的特徵，從d+Ι列到d+K列為由K個基學習器的分類結果構成的特徵，最後一列為類別標籤。
4.根據權利要`求1所述的一種基於元學習的分布式發電孤島檢測方法，其特徵在於，所述的基學習器包括C4.5、CART和SVM三種分類算法的學習器。
5.根據權利要求1所述的一種基於兀學習的分布式發電孤島檢測方法，其特徵在於，所述的元學習器為SVM分類算法的學習器。
【文檔編號】G06Q50/06GK103778569SQ201410050235
【公開日】2014年5月7日 申請日期:2014年2月13日 優先權日:2014年2月13日
【發明者】楊珮鑫, 張沛超, 譚嘯風 申請人:上海交通大學