PulseAugur
中
实时 20:37:55
English(EN) Increasing Line Outage Localization Performance with Ensemble Classifiers

集成分类器提升线路故障定位性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探索了使用集成分类器来提高电力系统线路故障定位的性能。他们的研究比较了各种集成方法与单一模型方法，利用了通过贪婪最大覆盖问题（MCP）、高eta和随机选择算法选择的观测输电线路（OTLs）的数据。研究结果表明，由贪婪MCP算法识别的OTLs与集成分类器相结合，其性能显著优于基础kNN分类器，其中extra-trees bagging技术在许多情况下取得了最高的F1分数。 AI

影响 通过改进故障定位来提高电网管理的可靠性和效率。

排序理由 学术论文，详细介绍了一种改进特定技术问题性能的新方法。[lever_c_demoted from research: ic=1 ai=0.4]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

集成分类器提升线路故障定位性能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Daniel Flores, Yuanrui Sang, Michael P. McGarry ·

    使用集成分类器提高线路中断本地化性能

    arXiv:2607.17008v1 Announce Type: cross Abstract: In many cases, the outage of one transmission line in a system can be localized by monitoring the power flow of another line, and machine learning methods can be used to distinguish the cases under uncertainty. In this study, we e…

相关实体

相关话题