一篇研究论文介绍了一种检测和分类电力系统摇摆事件的新方法,能够区分稳定和不稳定的摇摆。该研究利用三个时间序列特征提取库——tsfresh、TSFEL 和 tsfeatures——从电压和电流数据中生成了 3,000 多个描述符。通过严格的两步特征选择过程,数据集被缩减到 18 个关键特征。对十四种不同的分类器进行了基准测试,其中旋转森林 (ROF) 在识别事件类型方面达到了 99.98% 的准确率,而支持向量机径向基函数 (SVM-RBF) 在区分稳定与不稳定摇摆方面达到了 97.97% 的准确率。 AI
影响 这项研究展示了适用于复杂时间序列数据的先进特征工程和分类技术,有望改善电网稳定性分析。
排序理由 该集群包含一篇详细介绍新分类和统计验证方法的论文。[lever_c_demoted from research: ic=1 ai=0.7]
在 Hugging Face Daily Papers 阅读 →
- Boruta
- RFECV
- Rotation Forest (ROF)
- Shap
- Support Vector Machine Radial Basis Function
- tsfeatures
- TSFEL
- tsfresh
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →