基于多标签随机森林的电能质量复合扰动分类方法

被引：26

作者：

瞿合祚 ^{[1
]}

刘恒 ^{[2
]}

李晓明 ^{[1
]}

黄建明 ^{[1
]}

机构：

[1] 武汉大学电气工程学院

[2] 湖北省电力公司孝感供电公司

来源：

电力系统保护与控制 | 2017年 / 45卷 / 11期

关键词：

电能质量; 复合扰动; 多标签分类; 随机森林; 决策树;

D O I：

暂无

中图分类号：

TM711 [网络分析、电力系统分析];

学科分类号：

080802 ;

摘要：

提出一种多标签随机森林(Multi-label Random Forest,ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree,ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。

引用

页码：1 / 7

页数：7

共 17 条

[11]

随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014

[12]

M L-KNN : A lazy learning approach to multi-label learning[J] . Min-Ling Zhang,Zhi-Hua Zhou.Pattern Recognition . 2007 (7)

[13] Random forests [J].