基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明:所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。

基于概率的自适应学习预测策略

动态电源管理技术降低系统功耗的主要办法是根据工作负载的变化动态地切换目标设备工作模式。针对自适应学习树模型的缺陷,提出基于概率的自适应学习预测策略,通过概率描述设备行为,能够提高预测正确率,从而达到系统功耗与性能之间的优化平衡。基于概率的自适应学习预测策略是一种集预测、控制、反馈为一体的预测策略。实验结果表明,该预测策略具有较好的稳定性,与其他预测策略相比可以进一步降低系统的功耗。