近日，团队硕士生张浩毅在国际著名期刊《Applied Soft Computing》（中科院一区top期刊，影响因子：8.7）发表题为“Multi-strategy active learning for power quality disturbance identification”的研究成果。
随着光伏、风电等新能源占比不断增加，以及大量新型电力电子设备等非线性负载接入电网，电力系统中的电能质量扰动事件频发。目前，大多数电能质量扰动分类模型依赖于监督学习，需要大量标记的数据，而数据标注的过程将耗费大量人力物力。
该研究创新性地提出了一种基于自适应权重的多策略融合主动学习算法。该方法融合多种策略，通过排序融合技术精准地筛选出既富含信息性又具有高度代表性的电能质量扰动数据，从而进行高效标注。此外，该研究设计了一种独特的权重计算函数，能够根据不同策略在每次主动学习迭代过程中对模型提升的贡献度，自适应为其分配不同的权重。为了进一步提升分类器的性能，该研究将图拉普拉斯流形正则化和类别权重系数引入到极限学习机中。将所提出的算法与其他的主动学习算法进行对比，该方法对识别模型性能提升最高。该研究为降低电能质量扰动信号标注成本方面提供了新的解决方案。
原文链接：https://www.sciencedirect.com/science/article/pii/S1568494624001005