.png){kind=icon}
返回
Synthesizing Fault Localization Datasets
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03098-6_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力配电网的可靠性对于维持向所有消费者和经济部门持续供电至关重要。故障定位在最小化停机时间和维修成本方面发挥着关键作用。近年来，越来越多的研究利用机器学习技术来提高故障检测和定位的精度与速度。然而，一个主要挑战仍然存在：能够捕捉电力系统故障复杂性的综合数据集稀缺。本研究通过开发一个丰富的数据集并提出方法来缓解过拟合问题（即模型捕捉到训练数据中的噪声或特定模式，从而损害其在未见数据上的性能）来解决这一局限性。通过利用模拟故障场景扩充现有数据，我们的框架提高了模型的鲁棒性和泛化能力，并降低了机器学习模型的过拟合风险。
Keyword:
Power System
Distribution System
Dataset
Machine Learning
Graph Neural Network
Fault Localization
期刊
E
IF:
0
论文数:
25
被引数:
0
机构
引用论文
分享收藏
A systematic literature review of machine learning methods applied to predictive maintenance应用于预测性维护的机器学习方法的系统文献综述
PREAI
分享收藏Review on Artificial Intelligence-Based Fault Location Methods in Power Distribution Networks.png)
Energies
OAAI
EnergiesIF0
OAAI分享收藏
查看更多内容