Genetic Algorithm-Driven Feature Selection for Total Harmonic Distortion Prediction Using Hybrid Machine Learning
Notice bibliographique
Résumé
Due to the high penetration of renewable energies and the implementation of electronic switches alongside the load non-linearity, Total Harmonic Distortion (THD) has raised concern among engineers due to its direct impact on grid stability. Machine learning has been used to gain the capability of prediction to the system. However, dealing with a high number of features could introduce a significant computational burden and potential model overfitting. This paper introduces a novel Genetic Algorithm (GA) – driven feature selection framework for the THD prediction that effectively can mitigate the mentioned challenges. The approach is to combine evolutionary optimization for feature selection with focusing on a hybrid Autoregressive Integrated Moving Average (ARIMA) and Extreme Gradient Boosting (XGBoost) model, that leverages ARIMA’s capability for capturing the temporal trends and linear dependencies alongside XGBoost’s advantageous feature for modelling complex non-linear interactions and residual patterns. For the model performance validation, a comparative analysis against Principal Component Analysis (PCA) and Recursive Feature Elimination (RFE) has been done, over real-time power system data, to demonstrate the privilege of the proposed approach, Mean Absolute Error (MAE) of 0.1179 and a Root Mean Squared Error (RMSE) of 0.1489. In comparison, PCA alone resulted in an MAE of 0.1852 and an RMSE of 0.2103, while RFE yielded an MAE of 0.1958 and an RMSE of 0.2241., alongside reducing computational time by approximately 20%. The results confirm an effective solution for accurate THD prediction, enabling proactive power quality management in increasingly complex grid environments.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».