一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，包括以下步驟：1)采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征，得到關(guān)鍵特征集合；2)多個(gè)基學(xué)習(xí)器對(duì)原始關(guān)鍵特征集合進(jìn)行分類預(yù)測(cè)；3)將多個(gè)基學(xué)習(xí)器的分類結(jié)果作為特征項(xiàng)加入訓(xùn)練集中，生成新的樣本集合T；4)元學(xué)習(xí)器以樣本T作為訓(xùn)練集，對(duì)基學(xué)習(xí)器的分類結(jié)果進(jìn)行再學(xué)習(xí)，得到最終的檢測(cè)結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明解決了樣本中的弱相關(guān)特征會(huì)降低分類算法的精度和導(dǎo)致過度擬合問題，具有適應(yīng)性好、檢測(cè)精度高等優(yōu)點(diǎn)。
【專利說明】—種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種分布式發(fā)電技術(shù)，尤其是涉及一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法。
【背景技術(shù)】
[0002]將大量分布式發(fā)電(distributed generation,DG)以友好的方式接入系統(tǒng)是智能電網(wǎng)的重要特征。無(wú)論從系統(tǒng)運(yùn)行、人員設(shè)備安全還是電能質(zhì)量角度，都要求分布式發(fā)電具備孤島檢測(cè)功能?，F(xiàn)有孤島檢測(cè)方法主要包括被動(dòng)檢測(cè)法、主動(dòng)檢測(cè)法、開關(guān)狀態(tài)檢測(cè)法等3類。開關(guān)狀態(tài)檢測(cè)法依賴于實(shí)時(shí)通信技術(shù)，存在可靠性、費(fèi)用等問題，所以目前對(duì)孤島檢測(cè)的研究興趣主要集中在被動(dòng)或主動(dòng)檢測(cè)方面。較之于繼電保護(hù)，孤島檢測(cè)保護(hù)的各種檢測(cè)閾值往往缺乏明確的整定公式，使得檢測(cè)閾值的確定存在經(jīng)驗(yàn)性和盲目性。近年來，研究者注意到可以利用機(jī)器學(xué)習(xí)中的分類算法解決上述問題并取得了良好效果。
[0003]分布式電源的出力存在波動(dòng)性，含分布式電源的配網(wǎng)的運(yùn)行方式存在多樣性。由于分類算法屬于一種有監(jiān)督學(xué)習(xí)算法，所以其難點(diǎn)主要在于如何提高算法的分類精度和泛化能力，從應(yīng)用的角度，就是如何提高算法對(duì)未知實(shí)例的適應(yīng)性。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種解決了樣本中的弱相關(guān)特征會(huì)降低分類算法的精度和導(dǎo)致過度擬合問題、適應(yīng)性好、檢測(cè)精度高的基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法。
[0005]本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn):
[0006]一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，包括以下步驟:
[0007]1)采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征，得到關(guān)鍵特征集合；
[0008]2)多個(gè)基學(xué)習(xí)器對(duì)原始關(guān)鍵特征集合進(jìn)行分類預(yù)測(cè)；
[0009]3)將多個(gè)基學(xué)習(xí)器的分類結(jié)果作為特征項(xiàng)加入訓(xùn)練集中，生成新的樣本集合T ;
[0010]4)元學(xué)習(xí)器以樣本T作為訓(xùn)練集，對(duì)基學(xué)習(xí)器的分類結(jié)果進(jìn)行再學(xué)習(xí)，得到最終的檢測(cè)結(jié)果。
[0011]所述的采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征具體步驟如下:
[0012]101)給定樣本集合 E= Kxi, y)} (i = 1,…n),其特征集合為 A(x) = {a(j)} (j=I,…d)；
[0013]102)對(duì)各特征的值做歸一化處理，設(shè)定各特征的初始權(quán)重ωj=O ;對(duì)集合E的采樣次數(shù)為η ；
[0014]103)隨機(jī)從E中選取一個(gè)樣本(Xi，yi)，其中i = 1，...n;
[0015]104)找出與樣本(X，y)歐式距離最近的同類樣本H(X)和異類樣本M(X)；
[0016]105) ω j = ω , | x(J)-M(J) (x) | -1 x(J)-H(J) (x) |，其中 j = 1，...d ;
[0017]106)選擇權(quán)重大于設(shè)定閾值的特征作為關(guān)鍵特征集合。[0018]所述的基學(xué)習(xí)器的個(gè)數(shù)為K個(gè)，所述的新的樣本集合
[0019]T = (Xi, C1 (Xi)，C2 (Xi),..., Ck(X1)，C(Xi) | Xi e E}
[0020]其中原始樣本集合E= ((X^yi)I (i = I,...n) ,Ck 為基學(xué)習(xí)器，k = I,...KjC(Xi)表示Xi的類別標(biāo)簽，即真實(shí)分類Yi，而用Ck(Xi)表示基學(xué)習(xí)器Ck對(duì)Xi的分類結(jié)果，公式中前面d列為基學(xué)習(xí)器的特征，從d+Ι列到d+K列為由K個(gè)基學(xué)習(xí)器的分類結(jié)果構(gòu)成的特征，最后一列為類別標(biāo)簽。
[0021]所述的基學(xué)習(xí)器包括C4.5、CART和SVM三種分類算法的學(xué)習(xí)器。
[0022]所述的元學(xué)習(xí)器為SVM分類算法的學(xué)習(xí)器。
[0023]與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn):
[0024]1、解決了樣本中的弱相關(guān)特征會(huì)降低分類算法的精度和導(dǎo)致過度擬合問題，提出利用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征，該算法獨(dú)立于所選用的分類器，且適應(yīng)于各種孤島檢測(cè)問題。
[0025]2、適應(yīng)性好，利用多個(gè)基學(xué)習(xí)器之間的互補(bǔ)性以及元學(xué)習(xí)器的再學(xué)習(xí)能力來提高整體分類的適應(yīng)性；
[0026]3、檢測(cè)精度高，元學(xué)習(xí)器并不從各個(gè)基學(xué)習(xí)器中挑選最佳學(xué)習(xí)器，而是對(duì)基學(xué)習(xí)器的結(jié)果進(jìn)行“再學(xué)習(xí)”，對(duì)基學(xué)習(xí)器錯(cuò)誤的分類進(jìn)行糾正，而對(duì)正確的分類加以鞏固。這樣，元學(xué)習(xí)器的分類精度就不限于最佳的基學(xué)習(xí)器，而是優(yōu)于所有基學(xué)習(xí)器。
【專利附圖】

【附圖說明】
[0027]圖1為元學(xué)習(xí)系統(tǒng)結(jié)構(gòu)示意圖；`
[0028]圖2為含多個(gè)DG的配網(wǎng)系統(tǒng)示意圖；
[0029]圖3為關(guān)鍵特征組合的基學(xué)習(xí)器特征散點(diǎn)圖；
[0030]圖4為非關(guān)鍵特征組合的基學(xué)習(xí)器特征散點(diǎn)圖；
[0031 ] 圖5為CART決策樹示意圖；
[0032]圖6為C4.5決策樹示意圖；
[0033]圖7為不同功率不平衡度(PI)下C4.5交叉分類的準(zhǔn)確率曲線圖；
[0034]圖8為本發(fā)明的流程圖。
【具體實(shí)施方式】
[0035]下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0036]如圖8所示，一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，包括以下步驟:
[0037]S100、采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征，得到關(guān)鍵特征集合；
[0038]S200、多個(gè)基學(xué)習(xí)器對(duì)原始關(guān)鍵特征集合進(jìn)行分類預(yù)測(cè)；
[0039]S300、將多個(gè)基學(xué)習(xí)器的分類結(jié)果作為特征項(xiàng)加入訓(xùn)練集中，生成新的樣本集合T ；
[0040]S400、元學(xué)習(xí)器以樣本T作為訓(xùn)練集，對(duì)基學(xué)習(xí)器的分類結(jié)果進(jìn)行再學(xué)習(xí)，得到最終的檢測(cè)結(jié)果。
[0041]1、特征選擇方法
[0042]1.1特征判據(jù)[0043]設(shè)E = Kxi, Yi)! (i = I,...η)為訓(xùn)練樣本集合，η為樣本總數(shù)，(Xi, Yi)為一個(gè)樣本實(shí)例。其中
【權(quán)利要求】
1.一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，包括以下步驟: 1)采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征，得到關(guān)鍵特征集合； 2)多個(gè)基學(xué)習(xí)器對(duì)原始關(guān)鍵特征集合進(jìn)行分類預(yù)測(cè)； 3)將多個(gè)基學(xué)習(xí)器的分類結(jié)果作為特征項(xiàng)加入訓(xùn)練集中，生成新的樣本集合T; 4)元學(xué)習(xí)器以樣本T作為訓(xùn)練集，對(duì)基學(xué)習(xí)器的分類結(jié)果進(jìn)行再學(xué)習(xí)，得到最終的檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的采用RELIEF算法識(shí)別孤島檢測(cè)的關(guān)鍵特征具體步驟如下: 101)給定樣本集合E = Kxi, Yi)} (i = I,...η),其特征集合為 A(x) = {a(j)} (j =I，...d)； 102)對(duì)各特征的值做歸一化處理，設(shè)定各特征的初始權(quán)重ω」=0 ;對(duì)集合E的采樣次數(shù)為η ； 103)隨機(jī)從E中選取一個(gè)樣本(Xi,Yi)，其中i = I,...η ; 104)找出與樣本(x，y)歐式距離最近的同類樣本H(X)和異類樣本M(X)；
105)ω j = ω ^ | x(J)-M(J) (x) | -1 x(J)-H(J) (x) |，其中 j = 1，...d ; 106)選擇權(quán)重大于設(shè)定閾值的特征作為關(guān)鍵特征集合。
3.根據(jù)權(quán)利要求2所述的一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的基學(xué)習(xí)器的個(gè)數(shù)為K個(gè)，所述的新的樣本集合
T= (Xi，C1 (Xi)，C2 (Xi)，...，Ck (Xi)，C (Xi) I Xi e E} 其中原始樣本集合E = Kx^yiM (i = I,...n), Ck為基學(xué)習(xí)器,k = I,...K, C(Xi)表示Xi的類別標(biāo)簽，即真實(shí)分類Yi，而用Ck(Xi)表示基學(xué)習(xí)器Ck對(duì)Xi的分類結(jié)果，公式中前面d列為基學(xué)習(xí)器的特征，從d+Ι列到d+K列為由K個(gè)基學(xué)習(xí)器的分類結(jié)果構(gòu)成的特征，最后一列為類別標(biāo)簽。
4.根據(jù)權(quán)利要`求1所述的一種基于元學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的基學(xué)習(xí)器包括C4.5、CART和SVM三種分類算法的學(xué)習(xí)器。
5.根據(jù)權(quán)利要求1所述的一種基于兀學(xué)習(xí)的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的元學(xué)習(xí)器為SVM分類算法的學(xué)習(xí)器。
【文檔編號(hào)】G06Q50/06GK103778569SQ201410050235
【公開日】2014年5月7日 申請(qǐng)日期:2014年2月13日 優(yōu)先權(quán)日:2014年2月13日
【發(fā)明者】楊珮鑫, 張沛超, 譚嘯風(fēng) 申請(qǐng)人:上海交通大學(xué)