ارزیابی تعمیم‌پذیری مدل‌های یادگیری ماشین در تشخیص دست‌کاری داده‌های اندازه‌گیری شبکه‌های قدرت تحت شرایط بارگذاری دیده‌نشده

ارزیابی تعمیم‌پذیری مدل‌های یادگیری ماشین در تشخیص دست‌کاری داده‌های اندازه‌گیری شبکه‌های قدرت تحت شرایط بارگذاری دیده‌نشده

محبوبه مرادطجری1

1) دانش‌آموخته کارشناسی ارشد مهندسی کامپیوتر، گرایش الگوریتم‌ها و محاسبات؛ مدرس گروه کامپیوتر، دانشگاه ملی مهارت، تهران، ایران.

کد IOI مقاله : ACCA-ACAGFK
محل انتشار : چهارمین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com)
چکیده :
    با توسعه سامانه‌های هوشمند اندازه‌گیری و پایش شبکه‌های قدرت، صحت و یکپارچگی داده‌های اندازه‌گیری اهمیت بیشتری یافته است. یکی از مسائل مهم در به‌کارگیری مدل‌های یادگیری ماشین برای شناسایی دست‌کاری داده‌ها، حفظ دقت آن‌ها در شرایطی است که در مرحله آموزش با آن مواجه نبوده‌اند. پژوهش حاضر با هدف بررسی تعمیم‌پذیری این مدل‌ها در تشخیص دست‌کاری مصنوعی داده‌های اندازه‌گیری، تحت شرایط بارگذاری دیده‌نشده انجام شده است. برای این منظور، داده‌های شبکه استاندارد ۳۳ باس IEEE با استفاده از نرم‌افزار pandapower تولید شدند. مجموعه داده شامل پنج سطح بارگذاری از ۰٫۸ تا ۱٫۲ و ۱۵ سناریوی پایه در هر سطح بود. از هر سناریوی پایه، یک نمونه سالم و دو نمونه دست‌کاری‌شده با شدت‌های ۰٫۰۳ و ۰٫۰۸ ایجاد شد که در نهایت، ۲۲۵ سناریو در قالب ۷۵ گروه مبدأ به دست آمد. سپس، عملکرد سه الگوریتم رگرسیون لجستیک، جنگل تصادفی و درخت‌های بسیار تصادفی با روش کنارگذاری یک سطح بارگذاری (LOLO) مورد ارزیابی قرار گرفت. نتایج حاصل نشان داد که رگرسیون لجستیک با استفاده از ویژگی‌های کانالی، میانگین دقت متوازن ۰٫۸۴۶۷ و نرخ مثبت کاذب ۰٫۰۲۶۷ را ثبت کرده است. در مقابل، دو الگوریتم درختی در آستانه‌های تصمیم‌گیری انتخاب‌شده، تمامی نمونه‌های آزمون را در کلاس دست‌کاری‌شده قرار دادند. این نتایج نشان می‌دهد که ارزیابی تعمیم‌پذیری مدل‌ها، نحوه انتخاب آستانه تصمیم‌گیری و توجه هم‌زمان به خطای تشخیص نمونه‌های سالم و دست‌کاری‌شده، در سنجش عملکرد این مدل‌ها اهمیت دارد.

کلمات کلیدی : شبکه‌های قدرت دست‌کاری داده‌های اندازه‌گیری یادگیری ماشین تعمیم‌پذیری بارگذاری دیده‌نشده تشخیص ناهنجاری