電力網の信頼性の向上: 電気故障の分類のためのハイブリッドの機械学習アプローチ

科学分野:

• 電気工学 電気工学とは
• コンピュータサイエンス コンピュータサイエンス
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 送電線は電力配送に不可欠ですが,故障すると停電や損傷が起こります.
• 正確で迅速な故障分類は,スマートグリッドと信頼性の高い電力供給に不可欠です.
• 既存の方法は,リアルタイム・グリッド・モニタリングの効率性や解釈性が欠けている可能性があります.

研究 の 目的:

• 電気送電線の故障を分類するための効率的な機械学習モデルを開発し,評価する.
• クラシック・アンサンブル・マシン・ラーニング・テクニックを,故障分類パフォーマンスのベンチマークに用いる.
• ディープラーニングの代替手段として,実用的で軽量なハイブリッドモデルを提案する.

主な方法:

• 調査された意思決定ツリー (DT),ランダムフォレスト (RF),ナイブベイ (NB),K-Nearest Neighbors (KNN),サポートベクトルマシン (SVM) およびAdaBoost.
• 組み込まれたアンサンブルテクニック:ハード・ボーティング,ソフト・ボーティング,スタッキング,ブレンド.
• ハイブリッドアンサンブルモデル (RF + DT + スタッキング) を開発し,テストしました.

主要な成果:

• ハイブリッド (RF + DT + スタッキング) モデルは,高性能を達成しました: 93.64%の精度,93.65%の精度,93.64%のリコール,93.64%のF1スコア.
• 提案されたハイブリッドモデルは,他の評価されたモデルと比較して,優れた性能,解釈性,および計算効率を示しました.
• このモデルは,グリッドの故障モニタリングのための実用的で軽量な代替案であることが証明されました.

結論:

• ハイブリッド・アンサンブル・マシン・ラーニング・アプローチ,特に (RF + DT + スタッキング) は,電気的な故障分類に非常に効果的です.
• このモデルは意思決定を強化し,メンテナンスを最適化し,送電網における絶え間ないエネルギー供給を保証します.
• この研究は,電気網の回復力と運用効率の向上のために,マシーン・ラーニング・ソリューションの潜在力を強調しています.