基于相异性学习与一类分类组合方法的智能电网故障建模与识别
人工智能
2015-07-01 v2
摘要
从电力运营商和消费者的角度来看，检测电网故障至关重要。现代电网（智能电网）配备了智能传感器，能够收集整个基础设施中所有组成元件（例如电缆及其绝缘层、变压器、断路器等）物理状态的实时信息。在现实世界的智能电网系统中，通常还会收集与电网运行状态相关的额外信息，如气象信息。因此，为现实世界的智能电网系统设计合适的故障识别（判别）模型是一项具有挑战性的任务。这源于决定典型故障条件的信息的异质性。其次，在实际合成识别模型时，通常只有观测到的故障条件是有意义的。因此，应仅利用观测到的故障条件来合成合适的识别模型。本文研究了为意大利罗马全市供电的现实世界智能电网系统中的故障建模与识别问题。故障识别采用多种相异性度量定制与一类分类技术相结合的方法来解决。我们就可用数据及所提出的一类分类器合成的模型提供了深入研究。此外，通过利用基于模糊集的可靠性决策规则，我们对故障识别结果进行了全面分析。
引用
@article{arxiv.1407.7008,
title = {Modeling and Recognition of Smart Grid Faults by a Combined Approach of Dissimilarity Learning and One-Class Classification},
author = {Enrico De Santis and Lorenzo Livi and Alireza Sadeghian and Antonello Rizzi},
journal= {arXiv preprint arXiv:1407.7008},
year = {2015}
}