极限学习机和遗传算法在暂态稳定评估特征选择中的应用.pdf

《极限学习机和遗传算法在暂态稳定评估特征选择中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第12期电力系统及其自动化学报Vol

2、28No．122016年12月ProceedingsoftheCSU—EPSADee．2016极限学习机和遗传算法在暂态稳定评估特征选择中的应用卢锦玲，於慧敏(华北电力大学电气与电子工程学院，保定071003)摘要：特征选择和空间降维是电力系统暂态稳定评估中的关键步骤。针对国内外现有文献所提方法中存在的效率低、分解子集操作结果不理想等问题，提出了基于极限学习机和遗传算法的输入特征选择方法。首先运用遗传算法实现特征选择，再输入优选后的子集，利用极限学习机构造分类器加以稳定性评判。

3、其中，适应度函数考虑了两个要素：一是所选特征子集应对分类结果起到较为重要的作用；二是用作输入的特征项尽可能精简。在英格兰l0机39节点系统中进行仿真计算，结果表明，进行特征选择后分类效果优于未进行特征选择情况，与其他文献所选的特征子集相比，该方法所选特征子集的分类准确率更高，证明了其有效性和优越性。关键词：电力系统；暂态稳定评估；特征选择；遗传算法；极限学习机中图分类号：TM712文献标志码：A文章编号：1003—8930(2016)12-0103—06DOI：10．3969~．issn．1003—8930．2016．12

4、．017ApplicationofExtremeLearningMachineandGeneticAlgorithmtoFeatureSelectionofTransientStabilityAssessmentLUJinling．YUHuimin(SchoolofElectricalandElectronicEngineering，NorthChinaElectricPowerUniversity，Baoding071003，China)Abstract：Featureselectionandinputdimension

5、reductionareimportantforthetransientstabilityassessmentofpowersystem．Tosolvetheproblemsintheexistingfeatureselectionmethods，suchasloweficiencyandunsatisfactoryde-composingsubsetresult，amethodisproposedbasedonextremelearningmachine(ELM)andgeneticalgorithm．First，gen

6、eticalgorithmisusedtorealizefeatureselection．ThentheselectedfeatureisinputintoELMclassifierfortransientstabilityassessment．Therearetwofactorsinconstructingthefitnessfunction：oneisthattheselectedfeaturesubsetshouldhaveagreatercontributiontotheclassification；theothe

7、risthattheadoptedinputfeaturesshouldbeaslessaspossible．Theapplicationtoa10-Machine39-BusNewEnglandpowersystemindicatesthattheeffectisobvious—lybetterafterfeatureselection．Comp~edwithothermethodsintheliterature．theclassificationaccuracyofthepro．posedapproachishighe

8、r，whichdemonstratesitsvalidityandadvantage．KeyWords：powersystem；transientstabilityassessment；featureselection；geneticalgorithm；extremelearningma—chine(ELM)特征选择[1-21作为电力系统暂态稳定13]评估工作个待选特征，用Tabu搜索技术进行搜索，但是因为的重要环节，可以从冗杂、无效的海量数据中提取对原始数据进行了离散化，特征包含的信息量被削出有效信息，是保证暂态评估结果

9、的基础。国内外已减，很大程度上影响了最终的分类结果。文献[121有许多学者从不同角度、使用不同的人工智能算法中提出利用SVM进行特征选择，先用主成分分析法试图解决此问题，例如模拟退火算法、支持向量机和遗传算法GA(geneticalgorithm)降低原始数据的SVM(supportvectormach