LỰA CHỌN BIẾN TRONG CHẨN ĐOÁN ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NEURAL
FEATURE SELECTION FOR DYNAMIC STABILITY PREDICTION OF POWER SYSTEM USING NEURAL NETWORK
Nguyễn Ngọc Âu, Quyền Huy Ánh, Phan Viết Thịnh
Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh

TÓM TẮT
Bài toán chẩn đoán ổn định động hệ thống điện gặp phải vấn đề số biến lớn của tập dữ liệu, nhưng không phải tất cả các biến đều hữu ích. Các biến thừa sẽ gây nhiễu làm giảm tính năng của bộ phân lớp hay chẩn đoán. Lựa chọn biến nhằm mục đích chọn số ít biến đặc trưng cho bộ phân lớp giúp cải thiện độ chính xác nhận dạng. Bài báo đề nghị áp dụng giải thuật Relief để lựa chọn biến và so sánh với phương pháp chọn biến sử dụng hai hàm khoảng cách Fisher và Divergence. Hai bộ nhận dạng được đề xuất để đánh giá độ chính xác nhận dạng là mạng neural GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network). Kết quả kiểm tra trên sơ đồ IEEE 39-bus cho thấy giải thuật chọn biến Relief với bộ nhận dạng GRNN cho kết quả có số biến nhỏ hơn và độ chính xác kiểm tra cao hơn các phương pháp còn lại. Giải thuật Relief cho số biến giảm đáng kể trong khi độ chính xác nhận dạng được nâng cao hơn so với toàn tập biến.
Từ khóa: Chẩn đoán ổn định động, hệ thống điện, mạng neural nhân tạo, lựa chọn biến.

ABSTRACT
Dynamic stability prediction of power system faces with a large number of features, but not all features are useful. The redundant features will cause noise and reduce the performances of classifier. Feature selection aims to select a feature subset for classifier and improve recognition accuracy. This paper suggests the application of Relief algorithm for the feature selection. It is compared with two methods of feature selection that are Fisher discrimination and Divergence. Two recommended models for recognition accuracy are GRNN (Generalized Regression Neural Network) and MLPNN (Multilayer Perceptron Neural Network). Testing results on IEEE 39-bus diagram show that the Relief algorithm with GRNN has yielded the results with smaller number of features and higher accuracy prediction than the other. Relief algorithm has significantly reduced the number of features while the recognition accuracy has been improved over all features.
Keywords: Dynamic stability prediction, power system, neural network, feature selection.

Toàn văn bài báo ( Thầy/cô vui lòng đăng nhập bằng email ...@hcmute.edu.vn để xem)



Góp ý
Họ và tên: *  
Email: *  
Tiêu đề: *  
Mã xác nhận:
 
 
   
  
 
 
   
 *
Copyright © Tạp Chí Khoa Học Giáo Dục Kỹ Thuật - Trường Đại Học Sư Phạm Kỹ Thuật - TP.HCM  
Địa chỉ: Phòng 601B, 1 Võ Văn Ngân, Quận Thủ Đức, Thành Phố Hồ Chí Minh. 
Điện thoại: 08-3722.1223 (8168)
Email:
tapchikhgdkt@hcmute.edu.vn

                                      
                                

Truy cập tháng: 20,026

Tổng truy cập:246,965