期刊文献+

用于暂态稳定评估的人工神经网络输入空间压缩方法 被引量:24

INPUT DIMENSION REDUCTION IN NEURAL NETWORK TRAINING FOR TRANSIENT STABILITY ASSESSMENT
下载PDF
导出
摘要 应用粗糙集理论中的决策表化简技术 ,提出了一种压缩人工神经网络 (ANN)输入空间的方法 ,改善了 ANN用于电力系统暂态稳定评估 (TSA)时面临的数据训练瓶颈问题。由于训练样本是连续性的数据 ,采取了 3种离散化方法 :等频法、等距法和最大熵法。用 1 0机 39节点的新英格兰系统测试了该数据压缩方法的有效性。ANN初始输入变量为 1 1个 ,利用粗糙集化简方法抽取出 6个关键特征变量 ,样本集压缩了 45.5% ,而 ANN稳定分类器的判别效果并没有因此受到影响。 This paper proposes a rough-set-based approach for input dimension reduction in artificial neural network, which is used for power system transient stability assessment (TSA). Several discretization methods for the continuous data set are tested and evaluated. The 10-machine 39-bus New England system is used for simulation. Six out of the original 11 features are selected using rough set attribute reduction techniques. Comparison results show that the ANN classifier with the reduced input dimension is as effective as before, while the training data set compressed 45.5%. This project is supported by National Natural Science Foundation of China (No. 59777011).
出处 《电力系统自动化》 EI CSCD 北大核心 2001年第2期32-35,39,共5页 Automation of Electric Power Systems
基金 国家自然科学基金!资助项目 (5 97770 11)
关键词 电力系统 暂态稳定评 决策表 人工神经网络 粗糙集理论 Computer simulation Neural networks Rough set theory System stability Transients
  • 相关文献

参考文献9

  • 1韩祯祥,张琦,文福拴.粗糙集理论及其应用综述[J].控制理论与应用,1999,16(2):153-157. 被引量:157
  • 2Tso S K,Electrical Power and Systems Research,1998年,46卷,3期,259页
  • 3Laufenberg M,Proceedings of the Power Industry Computer Applications Conference(PICA),1997年
  • 4Dougherty J,Proceedings of 12th Int Conference on Machine Learning,1995年,194页
  • 5Pao Y H,IEEE Trans Power Systems,1989年,4卷,4期,220页
  • 6Xue Y,IEEE Trans Power Systems,1989年,4卷,1期,44页
  • 7Pai M A,Energy Function Analysis for Power System Stability,1989年,223页
  • 8Pawlak Z,Int J Information Computer Science,1982年,11期,341页
  • 9Imhof J A,IEEE Trans Power Apparatus Systems,1977年,96卷,5期,1556页

二级参考文献7

共引文献156

同被引文献200

引证文献24

二级引证文献327

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部