多粮浓香型白酒生产数据挖掘及分析研究

当前酿酒工艺中的关键技术参数主要依靠经验传承,利用数据分析与挖掘技术对生产工艺参数进行优化具有非常重要的意义。本文通过对某企业白酒生产数据进行统计分析,抽取与一级酒产量相关的生产工艺参数特征,应用LightGBM算法构建针对所抽取特征预测是否产有一级酒的分类模型,再应用分类预测模型获取更多满足正交实验的数据,最后利用正交实验的仿真数据通过极差分析来优化生产工艺参数,以指导生产实践。本文提出的白酒生产数据分析与挖掘的总体流程分为,数据采集,预处理,一级酒的分类预测和正交实验4个阶段。经实验对比,本文提出的基于LightGBM模型的一级酒产量分类预测方法效果明显优于传统贝叶斯,随机森林等算法,通过极差分析后优化的白酒生产工艺参数对于酿酒实践具有很强的指导意义。     

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。     

基于特征选择和贝叶斯优化LightGBM的注塑制品尺寸预测

提出了一种基于Pearson相关系数特征选择和经贝叶斯优化的LightGBM算法模型对注塑制品的尺寸进行回归预测的方法。首先对注塑数据预处理,计算各特征与待预测注塑制品尺寸的Pearson相关系数,筛选出与注塑制品尺寸相关性较强的特征,然后使用经贝叶斯优化的LightGBM算法对处理后的数据进行训练和测试。通过与随机森林、支持向量机以及人工神经网络算法进行对比验证,发现所提出的贝叶斯优化LightGBM算法比其它三种算法具有更高的预测精度,且能准确反映尺寸的变化趋势。     

基于LightGBM算法的配电网单相接地故障区段定位方法

我国广泛分布的中性点不接地配电网受量测设备配置所限,长期存在故障区段定位困难问题.为此,提出了一种量测量受限条件下的基于轻量级梯度提升机(LightGBM)算法的故障区段定位方法.该方法可在不加装相量测量单元(PMU)、微型PMU、电压互感器等量测装置的情况下,利用常规的相电流有效值准确识别中性点不接地配电网故障区段.通过对目标配电网的量测信息和网架结构分析,采用LightGBM算法离线建立故障区段定位模型,实现在线快速定位故障区段.其中,故障前后各线路稳态电流有效值变化量被选定为故障识别核心特征.此外,针对模型预测结果可能存在的偏差,提出了易错线路标注法和类别概率法辅助识别误判情况,进一步提高了预测结果的可靠性.以修改后的IEEE 123节点系统作为算例,仿真验证了所提方法的可行性和有效性.     

基于混合重抽样和LightGBM算法的配变低压跳闸预测

针对配变台区在夏季用电高峰期易频繁跳闸的问题,提出一种基于混合重抽样和LightGBM算法的配变低压跳闸预测模型。为了解决数据分布的边缘化问题,首先采用隔离森林剔除样本中的离群值。其次采用NCL欠抽样与SMOTE过抽样相结合的混合重抽样方法处理训练样本的数据不平衡问题。然后采用混合重采样算法产生的新样本对LightGBM分类器进行训练。最后利用训练好的模型对目标台区低压跳闸进行预测。通过算例仿真表明,对比其他预测模型,所提iF-SMOTE-NCL-LightGBM模型在低压跳闸预测中的各项评价指标均达到最高,能有效预测低压跳闸事件。     

基于代价敏感型 LightGBM 的分子泵故障检测

针对 EAST 全超导托卡马克装置的分子泵在数据集不平衡条件下导致的故障识别率低,模型容易过拟合等问题,提出 了一种基于时频域分析与改进的 LightGBM 算法相结合的方法。 首先,利用在 EAST 搭建的分子泵实验平台采集正常与故障的 振动数据,再对数据进行时频域特征提取。 其次,通过优化误分类代价,建立了代价敏感型 LightGBM 故障检测架构。 最后,将 得到的特征量作为代价敏感型 LightGBM 算法的输入,实现分子泵故障检测。 经实验验证,该方法的正确率达 99. 4%,同时,所 提出的方法在误报率和漏检率方面均优于传统分类算法与 LightGBM 算法。 此方法能够有效解决模型过拟合问题,实现对分子 泵故障的高准确率检测。     

基于边界自适应SMOTE和Focal Loss函数改进LightGBM的信用风险预测模型

针对信用风险评估中数据集不平衡影响模型预测效果的问题,提出一种基于边界自适应合成少数类过采样方法（BA-SMOTE）和利用Focal Loss函数改进LightGBM损失函数的算法（FLLightGBM）相结合的信用风险预测模型。首先,在边界合成少数类过采样（Borderline-SMOTE）的基础上,引入自适应思想和新的插值方式,使每个处于边界的少数类样本生成不同数量的新样本,并且新样本的位置更靠近原少数类样本,以此来平衡数据集;其次,利用Focal Loss函数来改进LightGBM算法的损失函数,并以改进的算法训练新的数据集以得到最终结合BA-SMOTE方法和FLLightGBM算法建立的BA-SMOTE-FLLightGBM模型;最后,在Lending Club数据集上进行信用风险预测。实验结果表明,与其他不平衡分类算法RUSBoost、CUSBoost、KSMOTE-AdaBoost和AK-SMOTE-Catboost相比,所建立的模型在G-mean和AUC两个指标上都有明显的提升,提升了9.0%~31.3%和5.0%~14.1%。以上结果验证了所提出的模型在信用风险评估中具有更好的违约预测效果。     

基于蚁群参数优化的LightGBM辐射源个体识别

为提升辐射源个体识别正确率和运算效率,提出了一种基于蚁群参数优化的LightGBM辐射源个体识别方法。运用提升小波包变换对辐射源信号数据进行特征提取并构建特征参数体系,对得到的特征数据集进行Z-score标准化处理;以最大分类正确率和最小特征子集规模为目标,建立了LightGBM参数优化和特征选择的数学模型;采用蚁群算法优化LightGBM的6个参数(最小叶子节点数据量、决策树的数量、学习率、L₁正则化项的权重、L₂正则化项的权重和最小叶子节点样本权重和);根据优化后的LightGBM得到每个特征的重要性值并使用序列后向搜索策略进行特征选择;最后通过LightGBM分类器实现对辐射源信号的分类识别。实验结果表明,所提方法在无噪声、信噪比为10 dB和信噪比为5 dB信号的数据集上的识别正确率优于对比特征选择方法GBDT、XGBoost和LightGBM的,同时特征维数的减少也提升了辐射源个体识别的运算效率。     

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。