基于自然梯度提升的静态电压稳定裕度预测及其影响因素分析

为提升电压稳定裕度预测的精准度和增强预测模型的可解释性,将自然梯度提升算法与沙普利值加性解释理论应用于电压稳定裕度预测中。以离线样本为基础,采用自然梯度提升算法探索运行状态变量与电压稳定裕度间的非线性映射关系,构建自然梯度提升驱动的电压稳定裕度预测模型。然后,引入沙普利值加性解释理论对自然梯度提升模型进行解释,构建基于沙普利值加性解释理论的电压稳定裕度预测影响因素分析架构,并通过全局分析和个体分析两个角度,给出各特征量对于电压稳定裕度预测的具体影响过程,挖掘出导致系统电压稳定裕度降低的关键因素。在新英格兰39节点系统上的算例分析结果表明,与其他算法相比,自然梯度提升不仅具有最佳的预测精度,还拥有良好的鲁棒性与泛化能力,并且基于沙普利值加性解释理论的影响因素分析架构为电压稳定裕度预测提供了依据和支撑。

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。

地震动强度参数估计的可解释性与不确定度机器学习模型

准确预测地震动强度参数(峰值加速度PGA、峰值速度PGV等)对于震后应急和地震危险性概率分析至关重要.作为地震动强度参数预测的新手段,机器学习算法具有优势,但也存在可解释性差和难给出预测结果不确定度的问题.本文提出采用自然梯度提升(NGBoost)算法在预测结果的同时提供其不确定度,并结合SHAP值解释机器学习模型.基于NGA-WEST2强震动数据库,本文训练出了适合预测活跃构造区地壳地震的PGA和PGV概率密度分布的机器学习模型.测试集数据PGA和PGV的预测值与真实值的相关系数可达0.972和0.984,并可给出预测结果的合理概率密度分布.通过SHAP值,我们从数据角度弄清了各输入特征(矩震级M_(W)、Joyner-Boore断层距R_(jb)、地下30 m平均S波速度V_(S30)、滑动角Rake、断层倾角Dip、断层顶部深度Z_(TOR)和V_(S)达到2.5km·s^(-1)时的深度Z_(2.5))对机器学习模型预测结果的影响机理.SHAP值显示,基于NGBoost算法的机器学习模型的预测方式基本与物理原理相符,说明了机器学习模型的合理性.SHAP值还揭示出一些以往研究忽视的现象:(1)对于活跃构造区地壳地震,破裂深度较浅(Z_(TOR)<~5 km)时,Z_(TOR)的SHAP值低于破裂深度较深(Z_(TOR)>~5 km)时的值,表明浅部破裂可能主要受速度强化控制,地震动强度较弱.并且Z_(TOR)的SHAP值随Z_(TOR)值增大而减小,表明地震动强度可能还受破裂深度变化引起的几何衰减变化影响;(2)破裂深度较深时,Z_(TOR)的SHAP值随Z_(TOR)值增大而增大,表明深部破裂的地震动强度可能受和破裂深度变化相关的应力降或品质因子Q的变化影响;(3)Z_(2.5)较小(Z_(2.5)<~1 km)时,Z_(2.5)的SHAP值的变化规律对于PGA和PGV预测是相反的,表明加速度和速度频率不同,受浅层沉积物厚度变化引起的共振频率变化影响不同.

融合JMIM和NGBoost的电力系统暂态稳定评估方法

为实现电力系统暂态稳定在线快速评估和可信度评价,提出了一种融合联合互信息最大化(JMIM)和自然梯度提升(NGBoost)的暂态稳定评估方法。基于JMIM,采用联合互信息和“最大最小值”原则挖掘海量输入数据的相关性,从而筛选出电网关键运行特征,避免维度爆炸问题。为实现高可信度的暂态稳定评估,构建NGBoost驱动的暂态稳定评估模型,可以以函数形式对模型的条件概率分布参数进行预测,进而实现概率预测,并量化可信度。结合自适应可信度阈值修正方法,实现对系统受扰状态暂态稳定的时序评估。利用新英格兰10机39节点系统和中国某省级电网数据进行了算例测试。与其他机器学习方法相比,所提方法在噪声干扰下具有更好的鲁棒性,可更准确识别不稳定运行状态。

机器学习算法与深度学习模型盾构刀盘扭矩预测效率研究

目的探讨机器学习算法与深度学习模型盾构刀盘扭矩预测效率,为盾构机实践应用刀盘扭矩预测方法选择提供参考。方法选用深度学习模型LSTM和GRU及机器学习算法ANN、NGBoost,以3种历史刀盘扭矩数据为模型输入进行预测,探讨不同模型的预测效率。采用决定系数(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)有限评价模型预测精度,预测运行时间(time)反映预测效率。结果不同预测模型运行结果表明,就预测精度而言,RMSE值:LSTM<GRU<ANN<NGB;R^(2)值:LSTM>GRU>ANN>NGB;MAE值:LSTM<GRU<NGB<ANN。运行时间time:ANN<GRU<NGB<LSTM。结论LSTM的平均预测精度最高,ANN运行用时最短,综合评估预测精度与运行用时,提示GRU预测效率最优。与传统的机器学习相比,深度学习模型的表达能力更强,且深度学习模型的结构可根据业务场景自由调整,可实现刀盘扭矩的高精度预测,保证盾构机安全高效进行挖掘。