电视剧杨贵妃秘史,樱岛麻衣,血战钢锯岭在线观看,巴黎野玫瑰在线观看,电视剧心术全集在线观看,升序动画的介绍,地上地下在线观看,1996版隋唐演义全集,亲切的善珠小姐电视剧,时光教会我爱你第一季,射雕英雄传94版,火影忍者1 720免费观看,国产一卡2卡3卡4卡网站动漫,僵尸道长粤语,长江七号电影下载,老电影武打片100部,强剑粤语版

。
      各風(fēng)險等級的饋線樣本數(shù)量如表4所示。

        采用基于RBF的SVM方法和22個最優(yōu)故障特征子集，對預(yù)測樣本中120條饋線在2015年5,6月的月風(fēng)險等級進(jìn)行預(yù)警，具體的饋線預(yù)警結(jié)果如表5所示,表中月預(yù)測準(zhǔn)確率為當(dāng)月準(zhǔn)確預(yù)測的樣本數(shù)與當(dāng)月饋線樣本總數(shù)的比值。

表5  配電網(wǎng)故障風(fēng)險等級預(yù)警結(jié)果

      由表5可見，每個月的預(yù)警準(zhǔn)確率都在90%以上，2個月的平均預(yù)警準(zhǔn)確率為93.75%，說明本文提取的故障特征子集和預(yù)警方法具有較高的準(zhǔn)確性和實用性；預(yù)警失誤的樣本最多只偏差一個等級，不會跨越2個等級，說明本文方法的魯棒性較強(qiáng)；5月份等級2和3的樣本預(yù)測精度較低，是因為這2個等級的原始樣本太少。在原始樣本中，風(fēng)險等級1的樣本占74%，等級2和3的樣本分別只占20%和 6%,這也符合配電網(wǎng)故障的實際情況。若能在訓(xùn)練樣本中增加高風(fēng)險等級的樣本數(shù)量,還能進(jìn)一步提 高預(yù)警的準(zhǔn)確率。由于各特征變量的時變性，導(dǎo)致配電網(wǎng)的風(fēng)險也是隨時間變化的，而本文提出的方法可以很好地適應(yīng)這種時變特征，為風(fēng)險防控提供及時的技術(shù)支持。
      為了驗證本文采用的基于KBF的SVM進(jìn)行風(fēng)險預(yù)警的優(yōu)越性，還與人工神經(jīng)網(wǎng)絡(luò)（ANN)、C4.5決策樹和基于線性核函數(shù)的SVM這3種常用的預(yù)測方法進(jìn)行了對比，其準(zhǔn)確率和Kappa指標(biāo)如表6所示。
      由表6可見，本文采用的基于RBF的SVM預(yù)警方法，不論是在預(yù)警準(zhǔn)確率還是Kappa統(tǒng)計指標(biāo)上，都優(yōu)于其他3種方法。

表6  預(yù)測方法結(jié)果對比

5 結(jié)論

a. 本文基于數(shù)據(jù)挖掘的方法以某地級市配電網(wǎng)120條饋線1.5 a的數(shù)據(jù)為研究對象，對配電網(wǎng)故障關(guān)聯(lián)因素分析和風(fēng)險預(yù)警的模型和方法進(jìn)行了研究

；提出了基于改進(jìn)Relief-Wrapper算法的配電網(wǎng)故障關(guān)聯(lián)因素分析方法,提取了22個與故障強(qiáng)相關(guān)的故障特征構(gòu)成最優(yōu)故障特征子集，提高了風(fēng)險預(yù)警的效率和準(zhǔn)確性。

b. 提出了兼顧故障發(fā)生頻率和失電負(fù)荷比例的配電網(wǎng)故障風(fēng)險指標(biāo)和風(fēng)險等級劃分方法

，采用基于RBF的SVM方法和最優(yōu)故障特征子集進(jìn)行風(fēng)險預(yù)警。對某地級市120條饋線進(jìn)行了風(fēng)險預(yù)警算例分析,驗證了本文所提風(fēng)險預(yù)警模型和方法的有效性和正確性，為后續(xù)配電網(wǎng)在線風(fēng)險防控提供了理論依據(jù)