Random forest algorithm and multi-source data fusion based on the converter valve electrical characteristics of time-varying law extraction method and condition monitoring technology research
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
As the core equipment of high-voltage direct current transmission system, the operation status of the converter valve directly affects the safety of the power grid.In this paper, we first construct a multisource data fusion system to realize the error-free fusion of fault information parameters.Then, combined with the random forest algorithm, the time-varying law of the electrical characteristics of the converter valve based on harmonic theory is extracted.Finally, the collected time-varying laws of electrical characteristics are input into the constructed Random Forest particle swarm optimization model, and the trained model is used to monitor the status of the converter valve.In the simulation experiment, the 800kV UHV DC transmission system is built by PSCAD/EMTDC software, from which the current waveforms are collected when the converter valve fails, the time domain features of the current are extracted, and the obtained converter feature indicators are selected using the Random Forest algorithm, and 10 important features will be finally identified to construct the converter valve feature indicator set, and input into the Random Forest Particle Swarm Optimization model and the other comparative models for training and testing.The accuracy of this model is 97.5%, which is better than other comparative models.The study provides a high-precision solution for converter valve condition monitoring and effectively extends the application of multi-source data fusion in power equipment.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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