基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。

PEIV模型WTLS估计的Fisher-Score算法

考虑系数矩阵含非随机元素和不同位置含相同随机元素的结构化特征,PEIV (partial errors-in-variables)模型较一般的EIV模型更为严格。现有PEIV模型加权整体最小二乘(weighted total least squares,WTLS)估计算法需多次迭代,影响计算效率。通过利用观测值误差和系数矩阵误差的统计性质构造非线性目标函数,并以此推导了新的PEIV模型WTLS估计的计算公式,同时设计了相应的Fisher-Score算法。算例分析结果表明,相比较而言,Fisher-Score算法迭代次数较少,计算效率得到大大提升。

广义加性模型及其应用

目的探讨广义加性模型在医学研究领域中的应用。方法通过研究低出生体重与年龄、先兆流产、妊高症之间关系的实例分析说明模型的实际应用。结果该模型可以揭示出发病与年龄的复杂非线性关系。结论广义加性模型不需要对模型的线性假设,应用起来灵活性强,是探索变量间复杂关系的有力工具。

广义离散型指数族ARMA模型的参数估计及其Bootstrap置信区间

针对广义离散型指数族ARMA模型,采用Scoring算法对模型进行参数估计,并得到Scoring算法中方向向量的计算公式;再运用分块移动Bootstrap构造参数的置信区间,这种方法更加实用,收敛速度快,并在模拟数据和真实数据部分都得到令人满意的结果.

指数族ACD模型的参数估计及其Bootstrap置信区间

针对指数族ACD模型,采用Scoring算法对模型进行参数估计,得到指数族情况下Scoring算法中方向向量的计算公式,并讨论了该算法的收敛性以及估计值的相合性.本文运用W ild Bootstrap构建参数的置信区间和置信带,将其结果与传统的残差Bootstrap做比较,数据模拟的结果表明,W ild Bootstrap处理问题更加快捷,结果更加准确.