A燜ault燚iagnosis燤ethod爁or燬mart燤eters爒ia燭wo-layer燬tacking燛nsemble燨ptimization燼nd燚ata燗ugmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The accurate identification of smart meter (SM) fault types is crucial for enhancing the efficiency of operation and maintenance (O&M) and the reliability of power collection systems. However, the intelligent classification of SM fault types faces significant challenges owing to the complexity of features and the imbalance between fault categories. To address these issues, this study presents a fault diagnosis method for SM incorporating three distinct modules. The first module employs a combination of standardization, data imputation, and feature extraction to enhance the data quality, thereby facilitating improved training and learning by the classifiers. To enhance the classification performance, the data imputation method considers feature correlation measurement and sequential imputation, and the feature extractor utilizes the discriminative enhanced sparse autoencoder. To tackle the interclass imbalance of data with discrete and continuous features, the second module introduces an assisted classifier generative adversarial network, which includes a discrete feature generation module. Finally, a novel Stacking ensemble classifier for SM fault diagnosis is developed. In contrast to previous studies, we construct a two-layer heuristic optimization framework to address the synchronous dynamic optimization problem of the combinations and hyper-parameters of the Stacking ensemble classifier, enabling better handling of complex classification tasks using SM data. The proposed fault diagnosis method for SM via two-layer stacking ensemble optimization and data augmentation is trained and validated using SM fault data collected from 2010 to 2018 in Zhejiang Province, China. Experimental results demonstrate the effectiveness of the proposed method in improving the accuracy of SM fault diagnosis, particularly for minority classes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle