基于GWO-LightGBM的冲击地压预测模型

冲击地压的预测是煤矿安全生产的一项重要工作,为了准确快速的预测冲击地压发生的可能性,提出了基于优化轻量型梯度提升机(LightGBM)的预测方法。由于LightGBM的超参数众多,往往依靠人工经验和迭代试错,耗费时间且效果有限,因此优化LightGBM的超参数对于正确预测冲击地压显得尤为重要。引入灰狼智能优化算法GWO对LightGBM的部分超参数进行快速择优,建立GWO-LightGBM的预测模型,并与支持向量机(svm)和XGboost进行比较,结果表明在准确率、杰卡德相似系数、均方根误差等方面GWO-LightGBM均有更好的表现,进一步说明GWO-LightGBM预测冲击地压有更好的表现。

基于RF-LightGBM算法在风机叶片开裂故障预测中的应用

针对SCADA系统采集的数据繁杂,难以从原始数据判别工作中风机叶片开裂状态的问题,提出了一种对风机叶片状态进行分类预测的随机森林(RF)算法与LightGBM算法结合的模型。首先对SCADA数据进行预处理,特征变换,采用RF算法对特征进行重要性排序;然后利用清洗后的数据训练该分类预测模型,利用K折交叉验证法对模型进行验证调优;最后用测试数据集对叶片状态进行预测,依靠F1-score指标对模型性能进行评价。实验结果表明,数据处理后,模型性能明显提高,较XGBoost与GBDT算法分别提高了11%、16%,与传统的叶片状态识别方法相比,该算法能够更加快速精准的在线预测出风机叶片开裂状态,为风电场对风机叶片状态监测检修提供更可靠的参考依据。