基于迁移学习的自适应 Hoeffding 树用于流式 Synchrophasor 数据集
机器学习
2025-01-29 v1 人工智能
摘要
同步相量技术或相量测量单元（PMU）被认为比监控控制与数据采集（SCADA）系统更能检测多种振荡或故障，但单个 PMU 每秒 30-120 个样本的大数据（例如在聚合器级别（如多个 PMU））的生成量需要特殊处理。传统机器学习或数据挖掘方法不适用于处理此类更大规模的实时流数据。这主要是由于与云环境（如在聚合器或 PDC 级别）相关的延迟，因而需要在边缘（或 PMU 级别本地）进行数据处理的本地计算。需要在本地级别（例如由基于 Field 可编程阵列（FPGA）的控制器）处理更快的实时流算法。本文提出一种基于迁移学习的 Hoeffding 树（THAT）方法，用于检测异常同步相量特征。该算法使用 OzaBag 方法进行训练和测试。迁移学习的初步结果表明，THAT 算法（0.34ms）相对于 Ozabag（1.04ms）实现了 0.7ms 的计算时间节省，而两者在检测故障事件方面的准确率均为 94%。
引用
@article{arxiv.2501.16354,
title = {Adaptive Hoeffding Tree with Transfer Learning for Streaming Synchrophasor Data Sets},
author = {Zakaria El Mrabet and Daisy Flora Selvaraj and Prakash Ranganathan},
journal= {arXiv preprint arXiv:2501.16354},
year = {2025}
}