嵌入轻量梯度提升机评估模型的暂态稳定预防-紧急协调控制

为了综合发挥运行方式控制和稳控切机控制对电网暂态稳定性的提升作用,提出一种嵌入轻量梯度提升机(light gradient boosting machine,LightGBM)评估模型的电力系统暂态稳定预防-紧急协调控制决策方法。为快速评估控制措施对稳定裕度的影响,首先利用混合控制样本生成方法和LightGBM算法构建预防-紧急控制对稳定裕度的评估模型,考虑到不合理的切机、切负荷控制可能破坏系统稳定性,利用LightGBM评估模型的数值灵敏度来辨识有效的控制地点、缩减决策空间。进一步将LightGBM模型嵌入暂态稳定双层优化控制模型、替代暂态稳定时域仿真校核,结合改进的非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)实现协调控制策略的快速求解。通过IEEE 39节点测试算例,验证了所提方法能够实现不同严重程度的故障在发生前后的预防控制和紧急控制之间的协调配合,既提高了电网安全稳定性,又减小了优化调度成本。

基于轻量梯度提升机的广告转化率预估方法

互联网广告转化率对于搜索引擎服务供应商和广告商都是一个重要的量化指标,大数据平台下互联网广告转化率预估的实现具有很强的理论研究价值和实际应用价值。由于互联网广告的转化是一个大量数据下的小概率事件,因此为了提高广告转化率预估,提出了轻量梯度提升机的预估方法。通过对大规模广告转化日志的分析,提取数据特征并构造数据集,成功应用轻量梯度提升机算法实现广告转化率的预估。实验结果表明,与传统工业界常用的机器学习方法相比,在相同的特征处理和数据集下,轻量梯度提升机的预估结果优于其他方法。

分布式光伏功率数据的IMOWOA和LightGBM混合虚拟采集方法

点多面广、分散无序的分布式光伏电站规模化接入电网是我国新型电力系统向低碳演进的重要路径之一。低成本、高效率的分布式光伏电站数据获取是光伏电站开展精细化管理、精益化运维的重要基础。为此,该文提出一种基于改进多目标鲸鱼优化算法(improved multi-objective whale optimization algorithm,IMOWOA)与轻量梯度提升机(light gradient boosting machine,LightGBM)的分布式光伏数据虚拟采集方案。针对虚拟采集区域划分难题,该方案首先在网格化区域划分的基础上提出一种自编码器相似性分析方法,获取满足相似性需求的光伏电站集;为解决参考电站集选择难题,提出一种改进的多目标鲸鱼优化算法,提高算法的全局搜索能力,基于区域内光伏电站的历史功率数据,同时对参考电站子集与LightGBM超参数进行优化,从而实现仅选取部分分布式光伏电站安装完备的数据采集装置,完成区域范围内所有电站功率数据的高精度虚拟采集。最后,以我国江苏省某区域范围内的29个分布式光伏电站为算例进行分析,验证提出的方法的可行性和有效性。

基于VMD与优化LightGBM的混凝土拱坝变形预测

变形是反映混凝土拱坝安全运行状态的重要指标,因此变形预测模型的研究对拱坝结构健康评价具有重要意义。为充分挖掘拱坝变形监测数据的有效信息,提高监控模型的预测精度,提出一种基于变分模态分解与优化LightGBM的混凝土拱坝变形预测模型。首先,采用VMD将变形实测数据分解为多个模态分量;其次,引入改进灰狼算法与LightGBM相结合建立混凝土拱坝变形预测模型;随后,对模态分量进行单独建模和预测,最后叠加以得到最终的预测结果。工程实例分析表明,通过有效地分解重构,构建的变形预测模型具有较高的预测精度和泛化性能。

基于可解释性机器学习模型的轻型缺血性卒中复发预测研究

目的利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素。方法回顾性收集2020年7—12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读。结果本研究共纳入520例MIS患者,2年内复发93例(17.9%),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95%CI 0.896~0.973)、0.833(95%CI 0.770~0.896)、0.764(95%CI 0.691~0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200。结果显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟。结论本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴。通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策。

基于SAO-LightGBM算法的致密砂岩储层孔隙度预测方法

孔隙度是评价储层物性的关键参数,四川盆地中部NC地区钻井取心资料有限,储层孔隙度直接获取难度大,而基于常规测井资料的传统孔隙度预测方法误差大、精度低。为了明确NC地区致密砂岩气藏储层物性特征,以上三叠统须家河组四段储层为研究对象,提出了一种改进的机器学习算法SAO-LightGBM;使用该算法分析了孔隙度与地球物理测井参数之间的深层次潜在关系,指出了研究区储层孔隙度与声波时差、密度、中子孔隙度、地层电阻率和自然伽马具有较强的相关性,并基于以上测井参数建立了孔隙度预测模型。研究结果表明:①采用SAO优化算法独特的双重种群机制、高效的探索与利用策略,可以快速寻找到LightGBM的最优超参数组合,提升了模型的预测能力;②在测试数据集上,SAO-LightGBM的平均绝对误差为3.37%,决定系数为0.92。结论认为,较之于其他常规模型,SAO-LightGBM具有更为可靠的预测能力,能够高效完成目标层位孔隙度的预测工作,对NC地区的储层研究和后期勘探开发具有指导作用。

基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。

基于累积贡献率和可解释人工智能的静态电压稳定裕度估计特征量筛选方法

利用海量量测数据估计大规模互联电网静态电压稳定裕度时,合理地选择输入量测信号和裕度估计算法是实现高质量裕度估计的基础。提出了一种基于累积贡献率和可解释人工智能的关键特征量筛选方法。给出了基于沙普利值加性解释理论可解释模型的输入特征贡献值量化方法,并依据贡献值大小对特征降序排列;采用基于累积贡献率增量的循环优化过程剔除冗余特征,形成关键特征子集;在系统关键特征优选的基础上,采用轻量梯度提升机算法实现静态电压稳定裕度在线估计。所提方法在保证估计精度的同时,大幅降低初始样本维度,解决特征过拟合问题,有效提升静态电压稳定裕度估计在线性能。基于WECC 3机9节点系统、IEEE 10机39节点系统以及IEEE 300节点系统的仿真分析验证了所提关键特征量筛选方法在电力系统静态电压稳定裕度估计中的有效性。

基于VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解(variational mode decomposition,VMD)的长短期记忆(long short-term memory,LSTM)神经网络与轻量级梯度提升机(light gradient boosting machine,LightGBM)预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差(mean absolute error,MAE)值仅为其23%~73%,平均绝对百分比误差(mean absolute percentage error,MAPE)值能达到0.37%,具有更好的预测精度。

LightGBM算法在发动机开发中的应用研究

新型汽车发动机的开发过程包含有前期功能标定阶段和后期耐久性验证阶段。功能标定阶段需要布置大量各类传感器,而耐久性验证阶段则很少布置,因此在耐久性验证阶段出现故障时,会出现因传感器数据不足而无法准确分析故障原因的情况。基于某型号发动机开发前期的功能标定数据,应用轻量梯度提升机(LightGBM)算法,建立并训练合适的模型,并对模型进行特征过滤、丰富训练集等优化,用于预测温度特征。结果表明:该模型精度和预测结果良好,可以很好地解决由于传感器数据不足而无法准确分析故障原因的问题;同时,可以将该模型预测功能应用到其他发动机开发过程中。

不平衡数据驱动的山区公路货车移动遮断险态跟驰行为识别模型

为识别山区双车道公路货车移动遮断下的小客车险态跟驰行为,基于无人机拍摄和视频轨迹提取技术提取车辆轨迹,利用人工少数类过采样法(Synthetic Minority Oversampling Technique,SMOTE)对不平衡轨迹数据过采样,并对驾驶行为聚类分析,将跟驰行为标定为危险和安全两种类别;依据紧迫跟驰、偏移过大和车速变化大三种险态跟驰行为诱因,确定险态跟驰行为风险测度(Measure of Driving Risk,MOR),包括碰撞时间倒数、相对横向偏移量和速度变异系数,并将MOR和聚类标定标签作为识别模型输入变量;通过轻量梯度提升机(Light Gradient Boosting Machine,LGBM)建立险态跟驰行为识别模型,再通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)算法验证模型的有效性。以云南省某山区双车道公路为例进行试验,共提取543对小客车跟驰货车轨迹数据,数据预处理后筛选出467对有效跟驰数据;经过采样处理和聚类标定,结果表明:小客车跟驰货车时,超三成小客车处于险态跟驰状态;险态跟驰行为直道和弯道识别模型的精确率分别达95.49%和95.48%,其中LGBM表现最稳定,而RF和AdaBoost的稳定性较差且精确率不高。基于LGBM的险态跟驰行为识别模型具有较高的准确率和稳定性,在车路协同和自动驾驶等领域有应用前景。

基于机器学习的带被动阻尼直流微电网系统的稳定性检测

直流微电网中恒功率负荷(CPL)具有负阻尼特性,该特性会降低系统稳定性。为此,通过在滤波器上添加被动阻尼来增强直流微电网系统的稳定性,并提出一种基于机器学习的方法来检测带被动阻尼直流微电网系统的稳定性。首先,建立带被动阻尼直流微电网系统的小信号模型,以此来确定影响系统稳定性的参数。其次,以所选系统参数为变量建立仿真场景,以此来获取用于机器学习算法训练的数据集。再次,提出一种基于轻量型梯度提升机(LGBM)的直流微电网稳定性检测模型,并采用沙普利加解释法(SHAP)分析所选参数对LGBM预测结果和直流微电网系统稳定性的影响。最后,通过仿真和硬件在环实验验证所提方法的有效性和优越性。

基于LightGBM的电动汽车行驶工况下电池剩余使用寿命预测

行驶工况下电动汽车锂离子电池剩余使用寿命(RUL)衰退情况复杂,准确的RUL预测可为电池的定期维护和安全稳定运行提供指导,避免安全隐患。为此,该文提出一种适用于行驶工况下电动汽车电池的RUL预测方法。首先,针对行驶工况,提出一种基于轻量型梯度提升机(LightGBM)的RUL预测模型,利用元学习超参数优化方法对其进行超参数调优;其次,搭建行驶工况下电池全生命周期容量测试系统,模拟行驶工况下电池所受振动应力、充放电应力环境和测试电池容量衰退情况;然后,基于动态时间规整对容量衰退的相似性分析结果,使用生成对抗网络(GAN)生成新的容量序列;最后,通过实验数据验证所提模型和生成容量序列的有效性。

紧急控制状态下储能提高电力系统暂态稳定性研究

针对电力系统在面对突发负荷变化和可再生能源波动时的暂态稳定性问题,提出了一种融合轻量梯度提升机(LightGBM)、长短期记忆网络(LSTM)和信任区域策略优化(TRPO)的基于储能系统的紧急控制策略,称为LightGBM-LSTM-TRPO模型,旨在提高电力系统的稳定性和可靠性。首先,分析了电力系统暂态稳定性的重要性及当前面临的挑战,强调了传统控制方法在紧急控制状态下的局限性。随后,使用LightGBM算法预测电力系统的状态变化趋势,包括负荷变化和可再生能源波动。接着,使用LSTM算法处理电力系统中的时间序列历史数据,以捕捉电力系统动态变化的复杂性和长期依赖关系。最后,使用TRPO算法优化储能系统在紧急控制状态下的响应策略,以维持电网的暂态稳定性。实验的仿真结果表明,与传统的LSTM和改进的LightGBM-LSTM等算法相比,本文所提的LightGBM-LSTM-TRPO模型能准确预测出电力系统的储能输出量,其紧急控制状态下的切机量和切负荷量更少,响应速度更快,电压恢复程度更高,可快速缓解电网在突发事件下的压力。

基于改进LightGBM的电动汽车电池剩余使用寿命在线预测

为实现电池剩余使用寿命(RUL)在线预测和降低数据离群值对预测精度影响,提出基于改进轻量型梯度提升机(LightGBM)的RUL在线预测方法。首先,为实现RUL在线预测,通过等压降时间与容量衰减的关系,选取等压降时间为健康因子;然后,为降低数据离群值对预测精度的影响,构建基于LightGBM的预测模型,采用Bagging的学习方式,忽略离群值权重;接着,为进一步降低离群值影响,基于一种兼具自适应性和鲁棒性的损失函数(ARLF)对LightGBM进行改进,通过超参数α限制损失函数一阶导数幅值的饱和值,在残差增长时,限制离群值对梯度的影响;最后,通过行驶工况下电池全生命周期容量测试实验数据,对比基于不同损失函数的RUL在线预测效果,验证所构建健康因子和所提预测方法的有效性。

面向海量不平衡数据的轨道电路故障诊断方法

为解决轨道电路故障诊断任务中监测数据类别不平衡导致诊断模型决策边界产生偏移,以及数据海量导致训练速度慢的问题,提出数据重采样与集成学习算法相结合的轨道电路故障诊断方法。首先,通过特征合成和数据重采样处理不平衡数据,重采样包括随机降采样和合成少数类过采样技术(SMOTE);然后,利用训练高效的轻量梯度提升机(LightGBM)算法构建面向海量监测数据的故障诊断模块,并设计训练及诊断流程,以网格搜索和交叉验证方法调整关键参数;最后,引入不易受数据不平衡影响的Macro-F_(1)值作为故障诊断模型评价指标。结果表明:特征合成、数据重采样对不平衡数据下的各故障诊断模型的综合表现均有不同程度的提升,LightGBM相较于其他算法在综合表现和训练时间上都是最佳,可保障准确性和面对海量数据时的快速性。

基于LightGBM的蛋白质类泛素化修饰位点预测

蛋白质类泛素化修饰位点的准确识别对基础研究和药物开发都具有重要意义。该文提出了一种基于蛋白质序列特征的类泛素化修饰位点预测模型。该模型结合氨基酸的物理化学属性统计特征和氨基酸序列二元语法模式特征,训练一种轻量型梯度提升机(Light gradient boosting machine,LightGBM)分类器预测某个蛋白质序列的类泛素化修饰位点。该文对比了不同特征的鉴别性,以及不同分类模型的预测性能。在基准数据集上的试验结果证明了该文所提方法的有效性,相比于现有方法在性能上取得了明显的提升,马修斯相关系数为91.64%。

结合长短期混合特征的均衡风缸控制系统健康状态评估方法

制动机均衡风缸控制系统具有部件种类多、退化过程复杂、工况多样等特点,给系统的健康状态评估带来挑战。提出一种结合长期和短期混合特征的健康状态评估方法,通过对均衡风缸系统关键部件进行寿命预测进行健康状态评估。结合系统工作模式切换对部件退化过程的影响提取累积物理动态指标,使用循环神经网络实现部件的长期累积寿命预测;在时间滑窗内提取局部时域和频域特征,表征系统短期波动对老化的影响,利用改进的轻量梯度提升机进行短期寿命预测;通过分段模型平均法进行长期和短期寿命预测结果的融合,得到健康状态评估结果。通过搭建制动机均衡风缸控制系统实验平台,进行加速老化实验,获取全寿命周期老化数据,对提出的混合健康状态评估方法进行仿真,验证所提方法的有效性。

机器学习预测脓毒症患者血流动力学不稳定

目的 在脓毒症患者中建立基于生命体征监测数据的血流动力学不稳定事件预测模型。方法 从重症监护病房合作研究数据库(eICU-CRD)的脓毒症患者中识别在重症监护病房(ICU)住院期间发生的血流动力学不稳定事件。提取事件发生前6 h的连续生命体征监测数据(包括心率、呼吸和血氧饱和度)作为阳性样本,在未发生血流动力学不稳定事件的脓毒症患者中随机抽取6 h生命体征监测数据为阴性对照样本。建立并训练极致梯度提升(XGBoost)、轻量的梯度提升机(LightGBM)以及深度神经网络(DNN)模型进行建模及训练。利用受试者工作特征曲线下面积(ROC-AUC)对模型效能进行评估,使用最优的模型在脓毒症血流动力学不稳定事件发生前1 h和前2 h对事件的发生进行预测。结果 本研究共提取阳性样本2 569例,阴性对照样本7 048例。XGBoost、LightGBM以及DNN模型预测脓毒症血流动力学不稳定事件的ROC-AUC值分别为0.78、0.77和0.61。XGBoost模型在脓毒症血流动力学不稳定事件发生前1 h、前2 h进行预测的ROC-AUC值分别为0.76和0.75。结论 在ICU的脓毒症患者中,基于连续生命体征监测数据的机器学习模型可用于血流动力学不稳定事件的预测。

基于稀疏采样传播数据和决策树算法的蒸发波导反演

蒸发波导的超视距传播特性是影响海上无线电系统性能的重要因素,准确预测蒸发波导是进行系统评估的基础。文中提出一种基于稀疏采样传播数据和决策树轻量梯度提升机(Light Gradient Boosting Machine,LightGBM)算法的蒸发波导反演方法。首先,采用抛物方程方法仿真得到稀疏采样传播数据并构建训练集和测试集;其次,使用决策树LightGBM算法搭建反演模型,通过不断调参改进模型的精度以达到较高的反演准确度;最后,调用训练好的LightGBM模型进行蒸发波导反演,并对反演结果的概率分布进行了分析。结果表明,基于稀疏采样传播数据的蒸发波导反演方法能够有效且快速地实现蒸发波导反演,为海上蒸发波导预测提供了一种新途径。