33、机器学习回归与有源电力滤波器控制技术研究

机器学习回归与有源电力滤波器控制技术研究

在电力系统的研究与应用中，机器学习回归算法和有源电力滤波器控制技术是两个重要的领域。下面将详细介绍这两方面的相关内容。

机器学习回归算法比较评估

在电力系统状态估计（PSSE）中，对四种多目标回归（MTR）算法进行了比较评估。
- 误差指标
- 均方根误差（RMSE） ：公式为 $RMSE = \sqrt{\frac{1}{m}\sum_{j = 1}^{m}(h_{\theta}^{(j)} - y^{(j)})^2}$ ，其中 $m$ 是数据样本数量，$h_{\theta}$ 是预测输出或假设，$y$ 是实际输出，$\theta$ 是模型的参数矩阵。RMSE 在计算均值前对每个误差进行平方，对于大误差（误差 > 1）更有用。
- 平均绝对误差（MAE） ：公式为 $MAE = \frac{1}{m}\sum_{j = 1}^{m}|h_{\theta}^{(j)} - y^{(j)}|$ ，MAE 在计算均值前取每个误差的绝对值。通常有 $RMSE \geq MAE$ 。
- 故障与负载情况测试
- 三相接地故障情况 ：在母线 4 发生螺栓故障时，观察母线 4 和母线 6 的电压幅值和相角。发现决策树（DT）模型能较好地跟踪实际波形，而 k 近邻（kNN）和线性回归（LR）模型在故障发生后与实际波形偏差较大。
- 负载瞬变情况
- 负载减