基于树结构Parzen估计器优化集成学习的短期负荷预测方法

短期负荷预测主要用于电力系统实时调度、日前发电计划的制定,对电力系统经济调度、系统的安全运行具有重要意义.国内外在采用智能模型进行短期负荷预测方面开展了大量研究,然而智能预测方法的预测效果较易受到现存方法结构及参数的影响,以及预测对象自身个性差异使得参数难以复用,如何精准快速地获取方法结构与参数成为短期负荷预测的关键难题.对此,提出基于树结构Parzen估计器优化集成学习的短期负荷预测方法,可对方法结构与参数进行快速寻优.将该方法应用于中国南方某省短期负荷预测,以实际算例验证了其对预测精度的有效提升.

基于CatBoost用信预测模型的TreeSHAP解释性研究

银行客户申请信用贷款在授信通过后,精准预测客户是否用信及分析影响客户用信的关键因素,对提高银行客户服务能力及盈利能力具有重要意义.目前,机器学习算法鲜有在用信预测方面的应用,且金融用信领域缺乏模型可解释性的研究,为此提出一种基于CatBoost的TreeSHAP解释性用信预测模型.通过CatBoost构建用信预测模型,利用3种超参数优化算法对该模型进行对比优化,与基线模型在4项主要性能指标上进行实验对比,结果表明经TPE算法优化后的模型性能均优于其他模型,然后结合TreeSHAP方法从全局和局部的层面增强模型的可解释性,解释性分析客户用信的影响因素,为银行对客户进行精准化营销提供决策依据.

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest,RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator,TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战,提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先,通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次,对原始数据集进行特征筛选,生成新的特征子集。最终,使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明,相比其他应用机器学习算法的入侵检测方法,所提方法在提升综合性能的同时拥有更高的检测效率,有效地提升了入侵检测技术的实用性。

一种超像素上Parzen窗密度估计的遥感图像分割方法

图像分割是高分辨率遥感图像分析中的关键步骤,对信息提取精度起到重要作用。为提高传统基于像素的遥感图像分割算法性能,提出一种在超像素上进行Parzen窗密度估计的分割算法。包括超像素初始分割、特征测量、密度估计并重新聚类3个主要步骤。在超像素初始分割阶段,采用简单线性迭代聚类算法将图像进行超像素粗分割,并将每个超像素块标记为图结构中的一个顶点;然后测量每个超像素块的Gabor纹理特征,构建高维特征向量并计算纹理间的相似度,作为图中连接2个顶点的边的权值,并在该图的最小生成树上计算2个顶点之间的距离;接着将此距离用于Parzen窗,估计每个顶点的密度,并重新聚类得到最终结果。采用多幅多光谱高分辨遥感图像验证本文提出的算法,基于目视判别以及基于准确率和召回率的定量评价,将该方法与其他分割算法的结果进行比较,验证了提出算法的有效性。

基于极端梯度提升和时间卷积网络的短期电力负荷预测

电力负荷预测是实现电力系统智能化的基础。准确的负荷预测可以保证电力系统安全稳定地运行。针对短期负荷波动大,随机性强的特点,提出一种基于极端梯度提升和时间卷积网络的短期电力负荷预测方法。首先,利用变分模态分解(variational mode decomposition,VMD)对负荷序列进行平稳化预处理,将原始负荷拆分成若干个模态分量负荷。同时,为了减少预测模型训练所需的时间,利用样本熵来评估各分量的复杂度,将复杂性相近的负荷分量归为一类用于训练同一模型。最后,结合极端梯度提升和时间卷积网络的优点,利用极端梯度提升模型来预测趋势负荷,时间卷积网络模型来预测随机扰动负荷,并在模型训练过程中,利用树状Parzen估计来调节模型的超参数,得到最优的预测模型。为验证本文所提方法的有效性,在EUNITE竞赛数据集上进行了仿真实验,分别预测未来24 h的短期负荷和每日峰值负荷。实验结果表明,相比于支持向量回归(support vector regression,SVR),长短时记忆(longshort-term memory,LSTM),门控循环单元(gated recurrent unit,GRU),经验模态分解(empirical mode decomposition,EMD)+LSTM等短期负荷预测模型,该方法能取得更好的预测效果,具有更高的预测精度。

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。

基于电子鼻与LightGBM算法判别葡萄酒品种的研究

针对葡萄酒的鉴别问题,通过电子鼻采集7种葡萄酒的气味信息,应用LightGBM算法对葡萄酒的气味特征进行学习,并运用TPE超参数优化算法对LightGBM算法超参数进行自适应寻优,以5折交叉验证为指标评估模型的性能。试验结果表明LightGBM建立的判别模型对葡萄酒样本的判别准确率为96.62%,优于传统的支持向量机、随机森林、神经网络,验证了LightGBM在葡萄酒品种鉴别中的优越性。