基于聚类集成与迁移学习的数据驱动停电恢复时间预测
信号处理
2021-12-22 v1
摘要
本文开发了一种数据驱动方法，用于在不同规模和因素下准确预测停电的恢复时间。为实现该目标，所提方法包含三个阶段。首先，鉴于公用事业机构收集的前所未有的数据量，提出一种基于稀疏字典的集成谱聚类（SDESC）方法来分解历史停电数据集，其具有良好的计算效率和可扩展性。具体而言，每个停电样本通过基于密度的方法由少量选定字典样本的线性组合表示。然后，利用基于字典的表示进行谱分析，将具有相似特征的数据样本分组到同一子集中。在第二阶段，通过结合天气信息和停电相关特征，为每个子集训练一个加入知识迁移的停电恢复时间预测模型。引入迁移学习技术旨在处理不同子集中数据不平衡导致的低估问题，从而提升模型性能。此外，为将未见停电事件与已学习的停电子集建立关联，采用了基于 t 分布随机邻域嵌入的策略。所提方法完全建立并在某公用事业提供商跨度连续六年的大型真实停电数据集上进行了测试。数值结果验证了我们的方法具有高预测精度，同时对真实数据的局限性表现出良好的稳定性。
引用
@article{arxiv.2112.11374,
title = {Data-Driven Outage Restoration Time Prediction via Transfer Learning with Cluster Ensembles},
author = {Dingwei Wang and Yuxuan Yuan and Rui Cheng and Zhaoyu Wang},
journal= {arXiv preprint arXiv:2112.11374},
year = {2021}
}