基于变权重随机森林的暂态稳定评估方法及其可解释性分析

摘要：

现有机器学习模型泛化能力不佳和可解释性差的问题限制了其在暂态稳定评估上的应用.首先,提出基于变权重随机森林算法的暂态功角稳定评估方法,根据模型的学习程度和各基分类器性能差异对样本及基模型进行动态赋权,以最小化损失函数进而提升模型准确性.之后,构建了面向决策过程和评估结果的可解释体系,得到以系统运行状态为导向的最佳决策规则和考虑状态差异性的特征贡献度,从模型、特征和样本3个维度对模型的决策机制、评估结果和预测原因进行了解释.对IEEE 39节点系统和某省级电网的仿真结果表明,所提方法较传统机器学习算法具有更高的评估准确性,并且能有效解释模型决策机制及影响模型评估结果的关键因素.

关键词：暂态稳定、可解释性、数据驱动、决策规则、特征贡献度

所属期刊栏目：47

分类号：F063.2;TM74;TP391

在线出版日期：2023-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：93-104