排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对当前电力公司面临的专变用户电费回收风险,提出一种基于Stacking模型融合的专变用户电费回收风险识别方法。对专变用户数据进行特征处理、特征构造与特征筛选,从样本分布和特征属性上优化模型的泛化性能;利用Stacking模型融合多个基学习器,构建专变用户电费回收风险识别模型。实验结果表明,相较于其他常用的分类算法,所提方法具有更优的精确率、召回率、P-R调和均值、AUC值以及模型泛化性能,对专变风险用户的识别率也更高。 相似文献
2.
3.
专用变压器作为工业园区电力系统的重要组成部分,对园区内电网的稳定性与安全性有着十分重要的影响。针对专变实时电气运行参数的波动性与异质性,提出了一种基于极限区间的专变数据标准化方法。考虑了专变电气运行参数的动态集结方式与评价特征裕度,为后续专变健康量化评价方法提供完整且公平的评价信息。为了将专变电气运行参数对专变自身健康的影响进行清晰量化,将专家经验评价与神经网络相结合提出了一种基于极限区间与改进PCA-SOM的电气运行参数对专变健康影响的量化评价方法。在自组织映射神经网络的基础上,通过引入主成分分析法中的主成分贡献度对目标函数进行修正,并且结合各神经元的专家经验评分得到专用变压器的健康状态实时量化评分。最后采用"浙电云"大数据平台上采集的专变数据进行实验。结果表明该方法相比其他方法有着更好的评价效果,更能准确反映专变的实时电气运行参数的变化对专变健康状况的影响。 相似文献
1