特征选择是数据挖掘的关键过程,特征贡献度评分和特征优选是其核心部分.针对特征贡献度评分,提出一种用变异系数度量类内距离、互信息度量类间距离的CVMI(coefficient of variation and mutual of information)方法,将该算法运用到嵌入...特征选择是数据挖掘的关键过程,特征贡献度评分和特征优选是其核心部分.针对特征贡献度评分,提出一种用变异系数度量类内距离、互信息度量类间距离的CVMI(coefficient of variation and mutual of information)方法,将该算法运用到嵌入式特征选择方法中进行特征优选.实验采用UCI提供的4组数据集、1组遥感数据和1组鸟鸣声数据,使用7种特征贡献度评分方法进行对比.结果表明,CVMI方法更符合特征贡献度评价的客观规律,对比其他7种方法,CVMI方法取得较好效果.此外,基于CVMI特征评分方法构建最大特征树,结合二邻域去冗余的特征优选方法CVMI-RRMFT(remove redundancy of maximum feature tree),采用上述数据集进行实验,结果表明该方法不仅能有效降低数据维度,而且还能提高分类准确率.展开更多
暂态电压稳定(transient voltage stability,TVS)与暂态功角稳定(transient angle stability,TAS)是电力系统安全运行的重要基础。随着新型电力系统的建设,电压与功角问题紧密耦合且频发,亟需高精度的一体化超前评估为紧急控制夯实基础...暂态电压稳定(transient voltage stability,TVS)与暂态功角稳定(transient angle stability,TAS)是电力系统安全运行的重要基础。随着新型电力系统的建设,电压与功角问题紧密耦合且频发,亟需高精度的一体化超前评估为紧急控制夯实基础。首先根据调研整合了表征功角稳定与电压稳定的综合特征,并根据极限梯度提升(extreme gradient boosting,XGBoost)衡量特征贡献度,根据贡献度生成含差分特征的特征集作为评估模型的输入。其次,提出了融合挤压激励模块的多尺度卷积门控循环单元模型(a multi-scale convolution gated recurrent unit integrated with squeeze excitation,SE-CGRU)。该模型通过挤压激励(squeeze&excitation,SE)模块实现特征通道权重的自适应调整,并利用多尺度卷积融合细节特征与宏观特征,实现了暂态功角与暂态电压的高精度一体化评估。在线评估时无需已知故障切除时间即可给出预测结果并输出系统当前状态下的安全裕度。通过引入带时间约束的损失函数与动态权重训练的方式,在保持现有精度的基础上大大缩减了响应时间,实现超前评估。采用多判据融合策略进一步减少了漏判与误判,提高了模型评估的可靠性。以新英格兰10机39节点系统和国内某区域省级互联系统为例验证分析,结果表明所提方法可实现高精度的功角和电压稳定一体化超前评估。展开更多
文摘特征选择是数据挖掘的关键过程,特征贡献度评分和特征优选是其核心部分.针对特征贡献度评分,提出一种用变异系数度量类内距离、互信息度量类间距离的CVMI(coefficient of variation and mutual of information)方法,将该算法运用到嵌入式特征选择方法中进行特征优选.实验采用UCI提供的4组数据集、1组遥感数据和1组鸟鸣声数据,使用7种特征贡献度评分方法进行对比.结果表明,CVMI方法更符合特征贡献度评价的客观规律,对比其他7种方法,CVMI方法取得较好效果.此外,基于CVMI特征评分方法构建最大特征树,结合二邻域去冗余的特征优选方法CVMI-RRMFT(remove redundancy of maximum feature tree),采用上述数据集进行实验,结果表明该方法不仅能有效降低数据维度,而且还能提高分类准确率.
