摘要：准确预测输电工程的造价对电力工程的建设具有重要作用,为提高输电工程造价预测的准确度,提出一种基于Stacking的集成模型预测方法。该方法能够融合各分类器预测的优势,显著提高模型的泛化能力和预测精度,通过对支持向量机、BP神经网络、随机森林以及K近邻法四个学习器进行融合,得到一个两层结构的集成模型,提取影响输电工程造价的10个典型特征量作为集成模型的输入,由此展开线路造价预测的研究。结果表明,相较于单一预测模型,Stacking集成学习模型的预测效果更佳。

摘要：线路故障会威胁电力系统的安全稳定运行,甚至可能造成严重的经济损失。不同类型的线路故障对电力系统的影响程度存在差异;且在线路故障诊断时,故障信息的完整度也将影响最终诊断结果。因此,在故障信息缺失的情况下,实现线路故障的快速、准确诊断是至关重要的。提出一种将支持向量机与随机森林相结合的故障诊断方法,利用随机森林弥补支持向量机算法对于缺失信息的不敏感性,同时支持向量机算法良好的泛化性能又能有效地缓解随机森林在构建决策树时对较大属性值的偏重。基于所搭建的线路仿真模型分别获取单相接地故障、相间故障和三相故障时电压及电流数据,进行模型训练,训练集与测试集的结果对比表明:当故障信息完整时,不同故障类型的诊断正确率分别为95.43%、100%和100%;而当故障信息部分缺失时,诊断的正确率分别为62.5%、83.33%和95.8%,该方法可用于线路故障的诊断。