عنوان مقاله:
تجزیه و تحلیل و مدیریت داده ها برای استفاده بهینه از یک الگوریتم پیشرفته مکان یابی خطا مبتنی بر ML برای شبکه های ولتاژ پایین
Data analysis and management for optimal application of an advanced ML-based fault location algorithm for low voltage grids
سال انتشار: 2022
رشته: مهندسی کامپیوتر - مهندسی برق
گرایش: هوش مصنوعی - مهندسی الگوریتم و محاسبات - تولید، انتقال و توزیع - برق قدرت
دانلود رایگان این مقاله:
دانلود مقاله الگوریتم پیشرفته خطا یابی در شبکه
مشاهده سایر مقالات جدید:
4. Sensitivity analysis
For the verification of the algorithm’s robustness an analysis of its sensitivity to a set of highly influencing parameters was performed. These parameters are the number of examples included in the dataset, the loss of measurements, the fault resistance and the injected power from the PVs to the grid.
4.1. Dataset size
The volume of data required for the effective training of an AI model constitutes one of the biggest concerns related to its application. It is often believed that there is a need for vast data storage as a prerequisite for the utilization of an AI model. Therefore, the dependence of the proposed algorithm on the number of training and testing examples was analyzed. The original dataset contained 21250 examples. In Fig. 12 the MSE and the training time in relation to the amount of examples is presented. As expected, the more the utilized examples the lower the MSE and the higher the CT. Even though the MSE is high for the lower end of the data volume, it drops significantly for more than 6800 examples. Such an amount of data is easily collected and stored. Hence, the presented algorithm combines high accuracy with low data and storage requirements.
The optimum dataset size is approached another case of multiobjective optimization, with the target being the balance point between the lowest CT and the lowest MSE. Both parameters are considered almost equally important with CT being given a slightly higher importance factor. Specifically, the weights selected were 1.1 for the CT and 0.9 for the MSE. The red line in Fig. 12 illustrates the weighted average curve of the CT and the MSE in relation to the number of examples. The minimum of the curve constitutes the optimum point and corresponds to 11900 examples. This is the number of examples used for the training and testing of the presented fault location algorithm.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
4. تجزیه و تحلیل حساسیت
برای تأیید استحکام الگوریتم، تجزیه و تحلیل حساسیت آن به مجموعه‌ای از پارامترهای بسیار تأثیرگذار انجام شد. این پارامترها عبارتند از تعداد نمونه های موجود در مجموعه داده، از دست دادن اندازه گیری ها، مقاومت در برابر خطا و توان تزریق شده از PV ها به شبکه.
4.1. اندازه مجموعه داده
حجم داده های مورد نیاز برای آموزش موثر یک مدل هوش مصنوعی یکی از بزرگترین نگرانی های مربوط به کاربرد آن است. اغلب اعتقاد بر این است که نیاز به ذخیره سازی گسترده داده به عنوان پیش نیاز برای استفاده از یک مدل هوش مصنوعی وجود دارد. بنابراین، وابستگی الگوریتم پیشنهادی به تعداد نمونه‌های آموزشی و آزمایشی مورد تجزیه و تحلیل قرار گرفت. مجموعه داده اصلی شامل 21250 نمونه بود. در شکل 12 MSE و زمان آموزش در رابطه با تعداد مثال ها ارائه شده است. همانطور که انتظار می رود، هر چه نمونه های استفاده شده بیشتر باشد، MSE کمتر و CT بالاتر است. حتی اگر MSE برای انتهای پایین حجم داده بالا است، برای بیش از 6800 نمونه به طور قابل توجهی کاهش می یابد. چنین حجمی از داده ها به راحتی جمع آوری و ذخیره می شود. از این رو، الگوریتم ارائه شده دقت بالا را با داده ها و نیازهای ذخیره سازی کم ترکیب می کند.
