期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于极限学习机的电力系统暂态稳定评估方法
被引量：
13
1
作者
张林林
胡熊伟
+2 位作者
李鹏
石访
于之虹
《上海交通大学学报》
EI
CAS
CSCD
北大核心
2019年第6期749-756,共8页
随着清洁能源替代和电力系统电力电子化的趋势增强,传统的基于理论模型的电力系统数值仿真方法将面临新的挑战,不依赖于元件模型的数据驱动型电网稳定评估方法逐渐受到重视.基于极限学习机(ELM)理论,提出适于在线应用的电力系统暂态稳...
随着清洁能源替代和电力系统电力电子化的趋势增强,传统的基于理论模型的电力系统数值仿真方法将面临新的挑战,不依赖于元件模型的数据驱动型电网稳定评估方法逐渐受到重视.基于极限学习机(ELM)理论,提出适于在线应用的电力系统暂态稳定评估方法.首先,通过调节稳定和失稳仿真样本的比例进行样本筛选,减轻样本集中失稳样本较少而引起的样本不均衡现象,并引入递归特征消除法进一步处理样本集;然后利用交叉验证法优化ELM的网络结构,并用处理后的样本集进行ELM的训练;最后,根据神经网络的输出结果预测系统的稳定性,并改进泛化能力评价标准对结果的可靠性进行评估.算例分析表明,递归特征消除法可明显降低特征冗余度,改善模型性能,所提出算法的训练时间短且具有较高的预测准确度.
展开更多
关键词
电力系统
暂态稳定
极限学习机
递
归特征
消除
交叉
验证
在线阅读
下载PDF
职称材料
基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
2
作者
柯扬忠
程小龙
+2 位作者
程志良
刘陶胜
王丽丽
《三峡大学学报(自然科学版)》
2025年第5期19-25,共7页
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost...
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost)的大坝变形预测模型.首先对大坝的变形数据进行OVMD分解,将原始数据分解成K个模态分量;其次,使用RFECV为每个模态分量进行最优特征子集筛选;最后使用PSO对XGBoost的参数进行优化,构建基于OVMD-RFECV-PSO-XGBoost的大坝变形预测模型;以中国江西省某大坝2009—2015年变形监测数据为例,对大坝的垂直沉降位移进行预测,设置不同对照组进行验证.实验结果表明,OVMD-RFECV-PSO-XGBoost预测模型的EMS为0.1411mm,EMAP为5.9455%,R2为0.9348,预测精度均优于其他对照模型.
展开更多
关键词
大坝变形预测
最优变分模态分解
递归特征消除及交叉验证
粒子群优化算法
极限梯度提升算法
机器学习
在线阅读
下载PDF
职称材料
题名
基于极限学习机的电力系统暂态稳定评估方法
被引量：
13
1
作者
张林林
胡熊伟
李鹏
石访
于之虹
机构
山东大学电气工程学院
中国石油大学(华东)信息与控制工程学院
中国电力科学研究院有限公司
出处
《上海交通大学学报》
EI
CAS
CSCD
北大核心
2019年第6期749-756,共8页
基金
山东省自然科学基金项目资助(ZR201808210126)
文摘
随着清洁能源替代和电力系统电力电子化的趋势增强,传统的基于理论模型的电力系统数值仿真方法将面临新的挑战,不依赖于元件模型的数据驱动型电网稳定评估方法逐渐受到重视.基于极限学习机(ELM)理论,提出适于在线应用的电力系统暂态稳定评估方法.首先,通过调节稳定和失稳仿真样本的比例进行样本筛选,减轻样本集中失稳样本较少而引起的样本不均衡现象,并引入递归特征消除法进一步处理样本集;然后利用交叉验证法优化ELM的网络结构,并用处理后的样本集进行ELM的训练;最后,根据神经网络的输出结果预测系统的稳定性,并改进泛化能力评价标准对结果的可靠性进行评估.算例分析表明,递归特征消除法可明显降低特征冗余度,改善模型性能,所提出算法的训练时间短且具有较高的预测准确度.
关键词
电力系统
暂态稳定
极限学习机
递
归特征
消除
交叉
验证
Keywords
power system
transient stability
extreme learning machine ( ELM)
recursive feature elimination
cross-validation
分类号
TM712 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
2
作者
柯扬忠
程小龙
程志良
刘陶胜
王丽丽
机构
江西理工大学土木与测绘工程学院
出处
《三峡大学学报(自然科学版)》
2025年第5期19-25,共7页
基金
国家自然科学基金青年项目(42004158)
江西省自然科学基金青年项目(20224BAB212025)。
文摘
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost)的大坝变形预测模型.首先对大坝的变形数据进行OVMD分解,将原始数据分解成K个模态分量;其次,使用RFECV为每个模态分量进行最优特征子集筛选;最后使用PSO对XGBoost的参数进行优化,构建基于OVMD-RFECV-PSO-XGBoost的大坝变形预测模型;以中国江西省某大坝2009—2015年变形监测数据为例,对大坝的垂直沉降位移进行预测,设置不同对照组进行验证.实验结果表明,OVMD-RFECV-PSO-XGBoost预测模型的EMS为0.1411mm,EMAP为5.9455%,R2为0.9348,预测精度均优于其他对照模型.
关键词
大坝变形预测
最优变分模态分解
递归特征消除及交叉验证
粒子群优化算法
极限梯度提升算法
机器学习
Keywords
dam deformation prediction
optimal variational mode decomposition(OVMD)
recursive feature elimination with cross-validation(RFECV)
particle swarm optimization(PSO)
extreme gradient boosting(XGBoost)
machine learning
分类号
TV698.1 [水利工程]
P227 [水利工程—水利水电工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于极限学习机的电力系统暂态稳定评估方法
张林林
胡熊伟
李鹏
石访
于之虹
《上海交通大学学报》
EI
CAS
CSCD
北大核心
2019
13
在线阅读
下载PDF
职称材料
2
基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
柯扬忠
程小龙
程志良
刘陶胜
王丽丽
《三峡大学学报(自然科学版)》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
