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。

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。

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%。

基于机器学习的燃气轮机控制系统分层故障诊断

针对传统算法在实际应用中存在网络规模庞大、学习训练时间过长和知识“组合爆炸”而导致网络组织失败等问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)、自回归模型(Autoregressive Model,AR)和轻量型梯度提升机(Light Gradient Boosting Machine,LightGBM)算法的燃气轮机控制系统分层故障诊断方法。首先对原始信号进行VMD-AR建模,获取最具表征性的故障特征向量;然后根据不同层级特点和故障类型设计多个LightGBM模型;最后采用贝叶斯优化算法优化分层诊断模型中的超参数,并将待测信号输入模型进行故障诊断。结果表明:所提算法不仅能够达到95%以上的故障识别率,而且具有更强的泛化能力。