基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

特征增强的改进LightGBM流量异常检测方法

针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient boosting machine)流量异常检测方法。首先,采用隔离森林(isolation forest, iForest)实现异常值处理,并利用异常值处理后的数据训练引入全局平均池化(global average pooling, GAP)的一维卷积去噪自编码器(convolutional denoising autoencoder, CDAE),间接地消除数据中的噪声,得到原始特征的低维增强表达。然后,采用自适应合成采样(adaptive synthetic, ADASYN)对异常值处理后的数据实现数据增强并运用训练完成的CDAE进行特征提取,将得到的低维特征作为LightGBM的输入,训练并进行贝叶斯参数寻优。最后,通过得到的CDAE+LightGBM组合模型实现对异常流量的精准分类。在NSL-KDD数据集上所提方法的五分类准确率和F1分数分别达到了87.80%和87.75%,能够有效提升检测精度,增强未知攻击的检测能力。在CICIDS2017场景数据集上的测试进一步验证了所提方法可行性,且优于与同类型的深度学习算法。     

基于可解释性XGBoost的电力系统惯量短期预测方法

对于新型电力系统,提前预测系统惯量水平是消除系统惯量薄弱风险的重要前提。而预测所使用的机器学习模型大多是“黑箱”模型,存在可解释性不足的问题。为此,提出了一种基于可解释性极端梯度提升算法(extreme gradient boosting, XGBoost)的电力系统惯量短期预测方法。该方法根据系统惯量响应特性分析,选择电力系统运行数据和气象数据作为输入特征。基于SHAP归因方法构建可解释性XGBoost的解释机制,通过计算Shapley值来量化各特征的重要程度,从而对模型预测结果进行多维度解构分析。以实际系统为例进行实证分析,结果表明,所提方法能够有效地预测电力系统短期惯量以及解释特征对预测的影响。     

分布式光伏功率数据的IMOWOA和LightGBM混合虚拟采集方法

点多面广、分散无序的分布式光伏电站规模化接入电网是我国新型电力系统向低碳演进的重要路径之一。低成本、高效率的分布式光伏电站数据获取是光伏电站开展精细化管理、精益化运维的重要基础。为此,该文提出一种基于改进多目标鲸鱼优化算法(improved multi-objective whale optimization algorithm,IMOWOA)与轻量梯度提升机(light gradient boosting machine,LightGBM)的分布式光伏数据虚拟采集方案。针对虚拟采集区域划分难题,该方案首先在网格化区域划分的基础上提出一种自编码器相似性分析方法,获取满足相似性需求的光伏电站集;为解决参考电站集选择难题,提出一种改进的多目标鲸鱼优化算法,提高算法的全局搜索能力,基于区域内光伏电站的历史功率数据,同时对参考电站子集与LightGBM超参数进行优化,从而实现仅选取部分分布式光伏电站安装完备的数据采集装置,完成区域范围内所有电站功率数据的高精度虚拟采集。最后,以我国江苏省某区域范围内的29个分布式光伏电站为算例进行分析,验证提出的方法的可行性和有效性。     

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。     

基于特征优选和机器学习组合模型的锅炉受热面壁温预测

为及时有效预测锅炉壁温的变化趋势,以某火电厂600MW的1号机组高温再热器为例,提出一种融合特征筛选和极端梯度树（Extreme gradient boosting,XGboost）组合自适应增强算法（Adaptive boosting,Adaboost）模型。首先,利用灰色关联分析法和随机森林特征重要度分析法分别计算锅炉大量的历史运行数据与高再壁温之间的线性和非线性关联度,然后进行综合特征排序。在特征优选的基础上,利用建立的XGboost-Adaboost组合模型进行锅炉高再壁温的预测。结合真实运行数据的实验结果表明,该预测模型的平均相对误差和均方根误差分别为0.18%和1.34℃,预测的精度高于几种相关类型高再壁温的预测方法。     

基于双层XGBoost和数据增强的空间负荷预测方法

为了解决空间负荷预测面临的特征变量众多和数据匮乏问题,文中提出一种基于双层极端梯度提升(extreme gradient boosting,XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域;其次构建基于双层XGBoost的特征选择模型,第一层XGBoost对特征进行评分及排序,将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测,根据子区域负荷预测结果选择每个子区域的最佳特征变量;然后利用生成对抗网络(generative adversarial network,GAN)增强每个子区域的训练集样本,并通过极限学习机(extreme learning machine,ELM)实现子区域预测;最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例,对文中方法进行仿真实验和对比分析。结果表明,文中方法可同时解决特征变量选择和数据匮乏问题,具有更高的预测精度。     

基于LightGBM 的变压器故障预测在数字孪生变电站中的应用

变压器是变电站中主要设备之一,其安全运行对于变电站的运转起着至关重要的作用,因此对变压器故障进行预测对保障变压器的平稳运行有着重要意义.提出基于 LightGBM 的预测模型,将其应用在实际数字孪生变电站中.首先对特征量进行选择,并使用 PCA 对数据进行降维;其次用 LightGBM 算法构建模型并对测试样本进行模型精准度验证,证明了算法的可用性;最后与其他机器学习算法对比,分析模型的不足,并对 LightGBM 算法在变压器故障预警中的深入应用提出了改进方向.     

基于MIC和XGBoost的火电厂发电量预测

针对目前火电厂发电量难以预测问题,提出一种基于最大互信息系数(maximal information coefficient, MIC)和极限梯度提升(extreme gradient boosting, XGBoost)的火电厂发电量预测方法。首先对原始数据进行数据预处理工作,然后利用MIC计算各特征与目标变量的相关性,通过特征重要性排序选择特征变量作为输入,最后利用XGBoost算法建立火电厂发电量预测模型。结果表明:该模型可以有效解决非线性变量难以筛选的问题,减少输入特征的维度,预测结果的均方根误差和平均绝对百分比误差较小,模型具有较高的预测精度,对火电厂能够提供一定参考意义。     

数据-知识驱动的变工况运行风电机组塔筒振动状态预测

为有效监测塔筒异常振动，保障机组运行安全，提出数据-知识驱动的基于长短时记忆（long-short term memory,LSTM）神经网络、经验模态分解（empirical mode decomposition,EMD）-极限梯度提升（e Xtreme gradient boosting,XGBoost）算法分步建模的变工况塔筒振动预测方法。首先，根据机组运行机理分析剥离出环境变量与运行变量之间的关系，并确定影响塔筒振动的风机SCADA运行参数；然后，基于LSTM神经网络实现机组环境风速和运行功率的超短期预测，根据全工况历史运行数据建立机组数据知识模型，实现由预测风速和功率查询桨距角和转子转速；最后，采用希尔伯特-黄算法（Hilbert-Huang transform,HHT）对振动信号分解并提取塔筒低频振动，构建基于XGBoost算法的塔筒振动预测模型，通过输入预测变量输出塔筒低频振动预测结果并确定预测区间。结果表明：塔筒振动预测模型能有效预测塔筒振动，判定塔筒的运行状况，保障机组平稳运行。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

基于XGBoost的集成式隔离断路器状态评估

为全面、客观、准确地评估集成式隔离断路器的运行状态,提出一种基于极端梯度提升算法(extreme gradient boosting,XGBoost)的状态评估方法。依据专家经验及状态评价导则选择集成式隔离断路器状态量并对其状态进行划分,以历史信息、试验数据、在线监测数据、外部环境数据建立训练样本。整个模型以分类和回归树(classification and regression tree, CART)作为基础模型,采用XGBoost集成学习算法训练,通过交叉验证选择适当参数,建立最优集成模型。模型输入为各状态量值,输出为每个运行状态中所属叶子节点分值的累加,最大分值对应状态即为评估结果。实例分析表明,该方法建立的模型在测试集中时准确率为95%,能准确地判断集成式隔离断路器的实际运行状态,同时该模型能反映影响评估结果的状态量,为状态检修提供依据。     

基于XGBoost的电力系统暂态稳定预测方法

目前,基于人工智能法对电力系统进行暂态稳定预测,是通过对电力系统中相量测量单元(phasormeasurement unit,PMU)采集的大量样本离线训练,得到一个分类器,而预测模型往往是一个"黑箱"模型,使得模型解释型较差。根据电力系统故障中发电机的运行特征构建基于极限梯度提升(extreme gradient boosting,XGBoost)的暂态稳定预测模型,该模型采用串行集成多棵回归树,可计算得到暂态稳定特征重要度排序和决策图,从而可直观地挖掘特征与暂态稳定性之间的关系,并且在预测精度和运算速度的权衡上具有极大优势。在新英格兰10机39节点系统上测试,结果表明所构建的XGBoost暂态稳定预测模型相比随机森林、支持向量机和神经网络等方法在计算速度和预测精度方面具有明显优势,并且可以根据特征重要度进行特征选择来剔除冗余变量以加快训练速度。最后,提出一种针对某一具体故障而解释预测结果的算法,进一步提高了模型的解释性。     

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果。然后,采用最优加权组合法确定权重系数,并得出组合模型的预测值。最后,采用实际负荷数据进行算例分析,结果表明所提方法能够有效结合2种模型的优点,在保留对时序数据整体感知的同时兼顾非连续特征的有效信息,与其他模型相比具有更高的预测精度。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值。通过对Prophet框架和XGBboost (eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负荷预测模型和XGBboost机器学习预测模型,通过误差倒数法将Prophet和XGBoost结合得到混合预测模型。应用所提方法对西南地区某地市历史电负荷数据进行验证,结果证明,Prophet-XGBoost混合模型比支持向量机回归模型(SVR, support vector regression)、Prophet模型和XGBoost模型拥有更高的预测精度,且与SVR模型相比运行时间更短。     

基于XGBoost和无迹卡尔曼滤波自适应混合预测的电网虚假数据注入攻击检测

随着信息技术在电力系统中的广泛应用,电网正发展为一类信息系统与物理系统高度融合的电力信息物理系统(cyber-physical system,CPS)。而虚假数据注入攻击(false data injection attacks,FDIA)是影响电力CPS安全运行的隐患之一。为了能够检测与修正虚假数据注入攻击,提出一种基于极端梯度提升(extreme gradient boosting,XGBoost)结合无迹卡尔曼滤波(unscented Kalman filter,UKF)的电网虚假数据注入攻击检测方法。首先通过改进的加权灰色关联分析法进行相似日的选取,然后使用XGBoost进行电力系统日前负荷预测;将负荷预测结果经潮流计算得到的状态量与UKF动态状态估计得到的状态量进行自适应混合预测,以降低FDIA对状态预测的影响;最后基于预测值和静态状态估计值构造随机变量,通过中心极限定理比较随机变量的分布以进行FDIA检测与修正。IEEE-14和IEEE-118节点测试系统仿真结果验证了文中提出方法的有效性和准确性。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络线理论,并根据光伏功率包络线参数进行聚类划分,将聚类后的数据作为输入,借鉴Stacking集成学习框架构造XGBoost+LightGBM+LSTM融合模型对光伏功率进行预测;将所提算法与气象因素聚类和功率区间聚类下的各预测算法进行实验对比;为了避免训练过程中模型超参数的影响,采用K折交叉验证对数据的训练集、验证集和测试集进行划分.仿真结果表明,所提算法较气象因素和功率区间聚类法能有效提高复杂天气情况下光伏功率预测精度,且多模融合效果总体优于单独算法模型.     

基于多层分解——累加原理的城市综合体月度用电量预测方法

由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。     

基于混合智能模型的分布式风力发电预测方法

进行准确的多尺度风功率预测对分布式风电机组的可靠和经济运行至关重要。提出了一种基于人工智能算法的混合模型,包括最小冗余最大相关(mRMR)准则的输入变量选择(IVS)模块,以及元启发式随机算法优化的自适应神经模糊推理系统(ANFIS)。所提混合模型将可利用的相关数据,包括历史风电功率时间序列和区域数值天气预报(NWP),利用最小冗余最大相关(mRMR)的滤波方法来自动选择不同预测步长的输入变量;然后对于具备最优特征的输入数据,通过自适应神经模糊推理系统来进行监督学习;模型应用粒子群优化(PSO)算法对ANFIS参数训练以达到最优预测效果;最后通过实际分布式风电机组的运行数据对所提出的混合智能模型进行评估,实验结果证实了模型的有效性。