دانلود ترجمه مقاله روش پیش بینی خطای خاموشی شبکه توزیع براساس انتخاب ویژگی

1. مقدمه 2. پیش پردازش داده 3. روش انتخاب ویژگی 4. پیش بینی سطح خطای ADA-SVM 5. مطالعه موردی 6. نتیجه گیری

چکیده – در این مقاله، یک روش پیش بینی سطح خطا برای شبکه توزیع براساس انتخاب ویژگی و یادگیری دسته ای برای حل مسئله نرخ دقت پیش بینی زیاد، اضافی و کم در شبکه توزیع، پیشنهاد می شود. ابتدا، با پیش پردازش داده های خطایس شبکه توزیع، 23 نوع ویژگی خطای اولیه برای شبکه های توزیع شامل آب و هوا، بار و تجهیزات با هم تجمیع می شوند و روشی جدید برای تقسیم درجه خطا برای شبکه توزیع پیشنهاد می شود. یک روش انتخاب ویژگی خطا، در ترکیب با تحلیل رابطه ای خاکستری یا گری (grey)، که مشخصات را بهبود می دهد درحالی که الگوریتم Relief-F نمی تواند افزونگی و مازاد بودن را برطرف کند، پیشنهاد می گردد. در آخر، یک دسته کننده قوی برای پیش بینی سطح خطا برای شبکه توزیع براساس ماشین بردار پشتیبانی بهبود یافته بوسیله یادگیری دسته ای، مورد استفاده قرار می گیرد. سپس، روش پیشنهادی با روش های انتخاب و پیش بینی ویژگی دیگر، مقایسه می شود. از طریق تحلیل یک مثال واقعی، تایید می شود که روش پیشنهادی می تواند بطور موثر دقت پیش بینی خطای شبکه توزیع را بهبود بخشد و ارزش کاربرد عملی دارد.

In this paper, a fault level prediction method for distribution network based on feature selection and ensemble learning is proposed to solve the problem of high, redundant and low accuracy rate of level prediction in power distribution network. First, by preprocessing the fault data of the distribution network, the 23 kinds of initial fault features for distribution networks involving weather, load and equipment are summed up, and a new method of fault grade division for distribution network is proposed. Combined with grey relational analysis, a fault feature selection method which improves the characteristic that Relief-F algorithm can't eliminate redundancy is proposed. Finally, a strong classifier is used to predict the fault level for distribution network based on support vector machine improved by ensemble learning. Then, the proposed method is compared with the other feature selection and prediction methods. Through the actual example analysis, it is verified that the proposed method can effectively improve the prediction accuracy of distribution network fault, and has practical application value.