基于轻量级梯度提升机优化的工业互联网入侵检测方法

入侵检测作为一种积极主动的安全防护技术,对于确保工业互联网安全起着至关重要的作用。为了满足工业互联网高准确率和高实时性的入侵检测需求,提出基于轻量级梯度提升机优化的工业互联网入侵检测方法。针对工业互联网业务数据中难分类样本导致检测准确率低的问题,改进轻量级梯度提升机原有的损失函数为焦点损失函数,该损失函数可自适应动态调节不同类别数据样本的损失值和权重,支持模型在训练过程中降低易分类样本的权重,进而提高难分类样本的检测准确率;针对轻量级梯度提升机参数较多并且对模型的检测准确率、检测时间和拟合程度等影响较大的问题,利用果蝇优化算法选择模型的最优参数组合;在密西西比州立大学提供的天然气管道数据集上得到模型的最优参数组合并进行验证,并在储水罐数据集上进一步验证所提模型的有效性。实验结果表明,采用所提方法改进的模型在天然气管道数据集上的检测准确率较对比模型最少提高了3.14%,检测时间较对比模型中的随机森林和支持向量机分别降低了0.35 s和19.53 s,较决策树和极端梯度提升机分别增加了0.06 s和0.02 s,同时在储水罐数据集上取得了良好的检测结果。因此证明所提方法可以很好地识别工业互联网业务数据中的攻击数据样本,提升了在工业互联网入侵检测中的实用性。

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。

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O_(3)浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O_(3)浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O_(3)浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O_(3)浓度(R^(2)=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O_(3)浓度预测方面具有显著的优势.

基于DGA与TPE-LightGBM的变压器故障诊断

油中溶解气体分析(dissolved gas analysis,DGA)对变压器故障的早期预警及诊断具有重要意义。为了提升变压器故障诊断的准确性及可靠性,提出一种基于树结构概率密度估计(tree-structured parzen estimator,TPE)算法优化轻量级梯度提升机(light gradient boosting machine,LightGBM)的变压器故障诊断方法。首先,建立包含油中气体比值、编码等16维DGA特征集合,采用最小绝对收缩和选择(least absolute shrinkage and selection opera-tor,LASSO)算法选择用于变压器故障诊断的有效特征量;其次,构建基于LightGBM的变压器故障诊断方法,并引入TPE算法对LightGBM诊断模型参数进行优化,形成最优故障诊断模型;最后,选用精确度、召回率和F1分数等评价指标对所提诊断模型性能进行评估。研究结果表明,TPE-LightGBM的平均准确率为90.23%,其诊断精度及鲁棒性均优于RF和XGBoost等算法。同时,与现场常用的三比值法进行对比,所提方法的准确性和可靠性均有显著提升。该方法可有效提升电力变压器的智能运维水平。

基于改进GWO-LightGBM的磨煤机故障预警方法研究

为提高燃煤电厂磨煤机运维效率、降低运维成本,对磨煤机故障预警进行了研究。创新性地提出一种基于改进灰狼优化(GWO)算法的轻量级梯度提升机(LightGBM)故障预警方法。通过建立LightGBM轴承温度预测模型获取磨煤机轴承温度阈值,并引入改进GWO算法优化模型超参数,以提高算法效率和性能。试验结果表明,改进GWO-LightGBM算法相比支持向量机(SVM)等传统算法具有更高的精度和更优的泛化能力。通过实际故障案例证明,该方法能够提前2 h对磨煤机进行早期故障预警。该方法对燃煤电厂磨煤机安全运维具有指导意义。

基于IPSO-LightGBM模型的锂离子电池荷电状态预测

为有效提升锂离子电池的荷电状态(State of Charge,SOC)预测精度,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)和轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)的锂离子电池SOC预测模型,LightGBM模型用于构建锂离子电池SOC的预测,IPSO用于优化LightGBM模型的超参数。首先,对公开数据集进行预处理,并使用多种策略改进基本粒子群优化算法;其次,建立基于IPSO-LightGBM、LightGBM和反向传播(Back Propagation,BP)神经网络的锂离子电池SOC预测模型;最后,使用马里兰大学提供的电池数据集对三种模型进行实验仿真。结果表明,IPSO-LightGBM模型的预测准确率优于未优化的LightGBM模型和BP神经网络模型。

基于IGOA-LightGBM模型的锂电池荷电状态预测

针对锂电池荷电状态(SOC)无法直接测量的问题,提出一种使用改进蝗虫优化算法(IGOA)优化轻量级梯度提升机器学习(LightGBM)的SOC预测模型。首先,引入非线性递减系数、自适应权重系数和位置更新策略改进标准GOA算法,获取最优种群个体。其次,利用IGOA寻找LightGBM算法中的最优超参数组合,建立IGOA-LightGBM预测模型;最后,在马里兰大学提供的电池数据集上,将IGOA-LightGBM、LightGBM和BP神经网络模型的预测结果进行对比。实验结果表明,IGOA-LightGBM模型表现最优,平均绝对误差、平均绝对值百分比误差和均方根误差分别为0.013%、0.022%、0.018%,具备良好的预测精度及工程研究意义。

一种无创预测血压的改进LightGBM学习方法

为提高无创血压预测模型的准确率,减小个人身体差异对准确率的影响,提出一种基于鲸鱼优化算法(WOA)与轻量级梯度提升机(LightGBM)的无创血压检测模型WOA-LightGBM。该模型首先提取预处理后的光电容积脉搏波、心电信号特征,并结合人体特征组成输入特征矩阵;然后通过核主成分分析法对输入特征矩阵进行降维,减少冗余;最后运用WOA优化LightGBM模型参数。实验结果表明,WOA-LightGBM模型预测的收缩压和舒张压的平均绝对误差均满足美国医疗仪器促进协会制定的标准(±5mmHg),与传统模型相比具有一定优势,且与传统水银血压计测量结果有高度一致性。

基于VAE-GWO-LightGBM的信用卡欺诈检测方法

针对信用卡欺诈检测中样本数据规模大、计算复杂程度高、数据分布极度不平衡等问题,提出一种结合变分自编码器(VAE)、灰狼算法(GWO)和轻量级梯度提升机(LightGBM)的信用卡欺诈检测(VAE-GWO-LightGBM)方法.对原始数据进行预处理,考虑到数据的不平衡性,采用VAE处理训练样本的数据不平衡问题.在扩充后的平衡数据集上,利用LightGBM作为分类器,并通过智能优化算法(GWO算法)对分类器参数进行寻优,进而获得最优分类器,提高欺诈检测性能.最后在信用卡欺诈数据和其他不平衡数据集上进行对比实验验证.结果表明,基于VAE-GWO-LightGBM的融合模型从整体上大大提高了信用卡欺诈检测的识别率.

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LightGBM算法的边坡稳定性预测研究

为减少边坡失稳造成的灾害和事故,提出基于轻量级梯度提升机(LightGBM)算法的边坡稳定性预测模型;将容重、黏聚力、内摩擦角、边坡角、边坡高度和孔隙压力比6个主要影响因素作为模型的输入,将边坡稳定性作为模型的输出;引入基于混淆矩阵的分类性能度量指标和被试工作特性曲线线下面积(AUC),评估模型的泛化性能。结果表明:提出的边坡稳定性预测模型能很好地描述影响因素与边坡稳定性之间复杂的非线性关系;与其他算法相比,LightGBM算法的F_(1)-Score和AUC分别为0.92和0.91,分别提高1.10%~61.40%和1.11%~28.17%;相较于0-均值归一化和反正切归一化,考虑正负相关性的最大值和最小值归一化更适合作为LightGBM模型的前处理方法;通过改变训练数据集长度,进行单因素分析,发现模型的泛化性能与训练数据集长度呈正相关关系。

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。

基于PRF-RFECV特征优选的GA-LightGBM的网络安全态势评估

目前,在网络安全领域中,传统机器学习模型存在训练时间过长和对冗余特征高敏感性的缺点,已然处理不了日益复杂的网络空间。为针对海量、高维的网络安全要素,提高网络安全态势评估的精度和效率,提出了一种基于PRF-RFECV特征优选的GA-LightGBM的网络安全态势评估模型。首先利用并行随机森林筛选出的特征重要度,然后结合带有交叉验证的递归特征消除选出最优特征集,最后利用遗传算法的全局搜索特性选取轻度级梯度提升机模型的最优参数后进行分类。实验仿真表明,该模型在准确率和F1分数上均优于传统的网络安全态势评估算法,且效率更高。

基于PCA与SSA-LightGBM的油浸式变压器故障诊断方法

针对现阶段油浸式变压器故障复杂性导致诊断精度不高的问题,提出一种基于主元分析(PCA)与麻雀搜索算法-轻量级梯度提升机(SSA-LightGBM)的油浸式变压器故障诊断方法。采集油中溶解气体数据,结合无编码比值方法构建17维故障特征矩阵,并对特征矩阵进行标准化处理得到联合特征。利用主元分析法进行特征融合,消除变量之间的信息冗余,构造融合特征。构建基于SSA-LightGBM变压器诊断模型,并采用十折交叉验证法验证该模型的分类能力。试验结果表明:提出的模型平均故障诊断精度为93.6%,与GA-LightGBM和GWO-LightGBM故障诊断模型相比,诊断精度分别提高了8.1和5.7百分点,验证了该方法能够有效提高油浸式变压器的故障诊断性能。

基于OVMD算法集成学习模型的火电厂关键辅机故障诊断

针对火电厂辅机设备运行工况复杂、系统非线性强、易受背景噪声干扰、故障特征难以提取等问题,提出1种基于最优变分模态分解(OVMD)算法的集成学习模型故障诊断方法。首先,使用OVMD算法对辅机的纵向与横向原始振动信号进行预处理,从中提取均方根、裕度、峰值、平均值、波形指标、方差等10个参数作为轻量级梯度提升机(LightGBM)的特征向量。然后,结合集成学习算法构造Bagging-LightGBM集成学习模型。试验结果表明:与单一的LightGBM分类器相比,Bagging-LightGBM集成学习模型对于火电厂辅机故障诊断性能更优。集成学习模型为火电厂辅机故障诊断研究提供了参考。

基于ISSA-FLightGBM算法的恶意域名检测方法研究

针对基于机器学习的恶意域名检测效率低、模型难以优化的问题,提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化焦点轻量级梯度提升机(Focal Loss LightGBM,FLightGBM)的恶意域名检测模型.首先,应用Tent混沌映射与螺旋曲线策略改进麻雀搜索算法,改善算法优化能力不足的问题;其次,针对样本分类不均问题,将焦点损失函数引入LightGBM算法,构建FLightGBM算法的分类模型,并使用ISSA进行模型参数优化;最后,收集真实互联网中域名信息构建样本库,提取多种域名特征后构建数据特征库,通过对比多种分类模型识别精度等指标评判算法性能.结果表明,本文模型能更高效地检测恶意域名.

基于相似日和Optuna-LightGBM的智能控制柜内部环境预警评估方法

针对基于事件驱动的智能控制柜温湿度预测精度较低,无法及时对柜内温湿度异常进行预警的问题,提出了一种基于相似日和Optuna-LightGBM的温湿度预测方法。利用相似日算法选取合适的模型训练数据集,构建基于LightGBM的温湿度预测模型,用Optuna优化模型参数。最后,提出了一种基于曲线拐点检测的预警参数阈值计算方法,分析预测模型得到的温湿度曲线特性,实现温湿度预警。实验结果显示,所提方法的温度预测误差MAPE为0.35%,湿度预测误差MAPE为0.73%,可实现对柜内温湿度的精准预测并及时预警。

基于贝叶斯优化LightGBM的车辆碰撞检测模型

针对车辆碰撞检测中的数据缺失和特征数量少等问题,提出了一种经贝叶斯优化的LightGBM算法模型对车辆碰撞状态进行检测。首先,对原始特征进行特征工程预处理;然后使用经贝叶斯优化的LightGBM算法对数据进行训练和测试;最后将LightGBM与LR、SVM、RF及XGboost模型进行对比。模型仿真结果显示,LightGBM算法模型表现最优,精确度、召回率与F1-Score分别为0.93、0.94和0.93。

计及工况预测误差的主动配电网日前无功优化调度策略

为解决工况预测误差较大时,日前无功优化调度方案优化效果不佳的问题,提出了计及工况预测误差的主动配电网日前无功优化调度策略。首先,使用轻量级梯度提升机算法建立日前工况功率预测模型;其次,考虑大规模高比例分布式电源接入主动配电网,以调度时段内所有时间断面的多目标加权累加和为目标函数建立日前无功优化调度模型;最后,设计了一种变寻优粒子空间的改进引力搜索算法对日前无功优化调度模型进行求解,该算法根据历史工况预测误差评价指标调整寻优粒子空间各维度的上下限矩阵,从而抑制了当无功区域内工况预测误差较大时可控设备调度异常的缺陷。最后采用拓展的IEEE 33节点系统算例进行有效性验证。

基于MI-CEEMDAN-RF-LGBM的风功率预测分析

针对传统的风功率预测精度无法满足现场实际需求的问题,提出了一种基于互信息(MI)-完全自适应噪声集合经验模态分解(CEEMDAN)-随机森林(RF)-轻量级梯度提升机(LGBM)多种算法融合的风功率预测模型。采用MI法对风向、风速、温度等一系列风机参数数据进行特征选择,选出与风功率强相关的参数变量;利用CEEMDAN算法对原始风功率序列进行特征分解,将其分解成多个模态分量;为了防止建模输入过多造成数据的冗余,采用RF算法进行二次特征选择,对提取出的特征变量进行特征选择,进一步筛选出与风功率原始序列具有较高相关性的特征变量;利用LGBM算法、极限学习机(ELM)以及深度信念网络(DBN)分别建立风向预测模型,选择出建模精度更高的风功率预测模型。采用桂林某风电场53 747组、每组间隔为10min的风功率、风向、风速等风机参数数据进行试验,验证了所载模型的有效性。