优化的ANN-RF混合模型,具有在电力传输系统中故障检测和分类的可选功能

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 电力传输网络是关键基础设施,需要强大的故障检测系统.
• 传统的方法经常与复杂的故障场景和数据不平衡作斗争.
• 机器学习为提高电网可靠性和安全性提供了有前途的解决方案.

研究的目的:

• 开发和评估混合人工神经网络 (ANN) 和随机森林 (RF) 模型,用于电力传输网络的故障检测和分类.
• 为了利用Optuna进行超参数优化和合成少数群体过量采样技术 (SMOTE) 来解决类不平衡.
• 将拟议模型的性能与传统和先进的机器学习分类器进行比较.

主要方法:

• 一个混合ANN-RF模型被开发和训练在来自11kV多发电机系统的合成数据.
• 模拟包括使用三相电流和电压信号的各种故障类型 (LG,LLG,LLLG).
• 使用Optuna进行超参数调整,并应用SMOTE来平衡数据集.

主要成果:

• 混合ANN-RF模型实现了高精度 (99.8%),精度 (99.5%) 和回忆 (99.4%).
• 该模型的表现优于K-最近邻居,包装,AdaBoost和梯度提升分类器.
• 性能优于修改的InceptionV3 (98.93%准确率) 和极端学习机器 (99.60%准确率).

结论:

• 由Optuna和SMOTE增强的拟议的混合ANN-RF模型为电力系统中故障检测提供了可靠和准确的解决方案.
• 集成ANN的特征提取和RF的稳定性,以及SMOTE,有效地处理复杂的故障和数据不平衡.
• 未来的工作应该集中在实时智能电网应用的现实世界数据验证和优化上.