基于机器学习的风机发电机绕组温度故障诊断与预警分析

为减少风电机组因故障停机造成的经济效益损失，围绕风机发电机绕组温度的故障预警分析和故障原因诊断进行研究，通过对比XGBoost等多种机器学习模型预测效果，最终选用XBGoost算法建立故障预警模型对发电机绕组进行实时监测，利用MSE、R2等多个指标评价XGBoost模型，结果显示其准确率良好（R2=0.9949）。本文提出的模型预警系统可以实时监测风机发电机绕组温度变化趋势，提前发出预警，最大限度的减少风机因停机造成的损失。     

基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

基于XGBoost和自适应阈值的电厂风机故障预警

为了对电厂风机实现故障预警，提出了基于极端梯度提升(XGBoost)算法的数据驱动的故障预警方法。首先，通过对电厂原始数据进行数据特征提取和Box-Cox变换，建立基于XGBoost算法的风机轴承温度预测模型；其次，将模型预测值和真实值的偏差用相似度函数表示，并设计了基于区间估计思想的自适应阈值方法；最后利用某电厂送风机数据进行仿真，并将XGBoost算法与支持向量机(SVM)算法、梯度提升树(GBDT)算法进行对比。结果表明该方法能实现风机早期故障预警，验证了该故障预警模型的有效性。     

基于Stacking多模型融合的超短期电网负荷预测

为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练第二层LightGBM次级学习器,使用次级学习器得到电网负荷预测的最终结果;最后利用山东省公共数据开放平台提供的某市实际超短期电网数据验证所提方法的有效性。实验结果表明,比起单一模型预测,所提的Stacking多模型融合预测法,在预测结果的平均精度与峰谷变化的适应能力方面更具优势。     

基于LSTNet网络的风电机组发电机主轴承温度预测研究

发电机主轴承温度的预测对风电机组的状态监测和故障预警具有重要的意义。为提高主轴承温度预测的准确性,提出一种基于LSTNet网络的预测方法。首先,针对观测向量选择缺乏理论依据和特征冗余的问题,采用灰色关联度分析筛选出与主轴承温度关联性较强的特征参数,然后结合MIV指标计算出每个参数的平均影响值,进一步比较特征参数对主轴承温度的影响程度,最终选择出4个特征参数参与模型预测,最后利用LSTNet多变量时间序列框架,融合GRU、RNN、LSTM网络的结构特点,建立LSTNet网络预测模型,并与SVR、RNN和LSTM预测方法作对比。结果表明：基于LSTNet模型的长期和短期时间序列多步预测方法,预测准确率达到99.3%,明显优于文中其他方法,有效提升了发电机主轴承温度的预测精度。     

Stacking集成学习模型在混合式成绩分类预测中的应用

针对现有单一算法模型在成绩预测时存在泛化能力不强的问题, 提出一种基于多算法融合的Stacking集成学习模型, 用于混合式教学中学生成绩的预测. 模型以多项式朴素贝叶斯、AdaBoost和Gradient boosting为初级学习器, 逻辑斯蒂回归为次级学习器组成两层融合框架. 通过混合式教学过程中所产生的学习行为数据对模型进行验证. 实验表明, Stacking集成学习模型在测试集上分类预测准确率达到76%, 分别高于多项式朴素贝叶斯、AdaBoost、Gradient boosting和逻辑斯蒂回归4个单一算法模型5%、6%、9%和6%. 与单一算法模型相比, Stacking集成学习模型有着较强的泛化能力, 能更好地预测学生成绩, 为混合式教学的学习预警提供参考.     

基于Stacking的电信客户流失预测模型设计研究

随着互联网的高速发展,电信市场竞争激烈,因此运用数据挖掘技术构建电信客户流失预测模型显得极为重要。基于Stacking集成算法,以梯度提升迭代(GBDT)、决策树、随机森林为基学习器,以逻辑回归模型为次学习器,构建了电信客户流失预测模型。通过与单一预测模型进行对比,Stacking集成模型有更好的预测效果,对电信客户流失预测具有重要意义。     

基于Stacking融合模型的信用贷款违约预测的研究——以Give Me Some Credit数据集为例

文章在Give Me Some Credit数据集上构建Stacking模型，使用SMOTE+Tomek Link综合采样法处理非平衡数据。在实证研究上，选择逻辑回归、K近邻、神经网络、随机森林、LightGBM、XGBoost、Adaboost以及CatBoost模型，并将上述模型分3种情况进行Stacking模型融合。结果显示，对此数据集而言，将随机森林、XGBoost、Adaboost、K近邻以及神经网络5个模型作为基学习器，将逻辑回归作为第二层学习器建立Stacking模型的效果最好。因此，利用Stacking模型构建信用贷款违约风险预测模型具有优异的分类性能和较强的可行性。     

加入情感分析的Stacking模型在网络剧播放量预测中的应用

随着网络剧近年来的飞速发展, 对播放量的研究也逐渐受到关注. 网络剧播放量反映了网络剧的口碑和受欢迎程度, 这与制作方和投资方的收益密切相关. 但目前的研究尚未考虑观众评论的情感态度对播放量的影响, 并且预测模型也较为简单, 预测精度有待进一步提高. 本文在对用户评论进行情感分析的基础上, 构建Stacking集成学习模型对我国网络剧的播放量进行预测. 首先基于SO-PMI算法构建网络剧领域情感词典, 并结合基础情感词典以及点赞数权重计算出评论情感得分, 加入预测指标体系中; 接着以随机森林(random forest, RF), GBDT, XGBoost以及LightGBM为基学习器, MLR为元学习器, 构建Stacking网络剧播放量分阶段的预测模型, 使用当前数据对下一周的播放量进行预测; 最后进行模型比较分析, 并得出预测变量的重要性分值. 实验结果显示, 本文所构建的模型判定系数R方值达到了0.89, 高于基学习器单独的模型预测R方值 (最高0.84)以及未加入情感得分变量的Stacking模型预测R方值 (0.81). 可以得出加入情感得分变量后, 本文构建的Stacking集成学习模型在一定程度上可以提高网络剧播放量的预测精度.     

基于VMD-INFORMER-LOF算法的变频器故障提前预警研究

针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(Variational Mode Decomposition, VMD)提取电流电压等电信号的平稳变化分量与高频干扰噪声,并结合Permutation Importance筛选对温度具有高灵敏性的变量。同时,基于故障时温度呈现为过低温,或过高温的特点,将Informer预测温度值和SCADA(Supervisory Control And Data Acquisition)系统实测值重组为二维序列,结合局部异常因子(Local outlier factor, LOF)算法识别变频器不同状态下的温度模式,进而实现高效的异常识别。经实验验证,本文所提出的VMD-Informer模型的温度预测拟合优度能够达到0.9841,效果优于LSTM(Long Short Term Memory)、XGBoost(Extreme Gradient Boosting)等时序预测方法;同时,结合滑动窗口划分数据,LOF算法能够有效对窗口内异常数据进行识别,在故障率阈值为0.2的情况下,能够实现提前约14小时发现故障,显著提高了故障预警效果。     

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。     

基于时空自编码网络的风电齿轮箱状态监测

在风电机组状态监测问题中,常规自编码网络通常仅使用截面SCADA(supervisory control and data acquisition)数据,使得网络对数据时间特征的学习不足。因此,提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络(1DCNN)级联双向长短时记忆网络(Bi-LSTM)作为编码层,序贯提取面板数据的空间及时间特征,以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证,结果表明：相比故障记录时刻,时空自编码网络能提前20 d发出报警信号,且故障检出率和误报警次数均优于常规方法;通过分析重构误差各分量的贡献率,可知该齿轮箱故障中主要异常参数为油路压力和油池温度。     

基于XGBoost特征选择的疾病诊断XLC-Stacking方法

针对医学疾病数据中存在特征冗余的问题,以XGBoost特征选择方法度量特征重要度,删除冗余特征,选择最佳分类特征;针对识别精度不高的问题,使用Stacking方法集成XGBoost、LightGBM等多种异质分类器,并在异质分类器中引入性能更好的CatBoost分类器提升集成分类器分类精度。为了避免过拟合,选择基层分类器输出的分类概率作为高层分类器输入。实验结果表明,提出的基于XGBoost特征选择的XLC-Stacking方法相比当前主流分类算法以及单一的XGBoost算法和Stacking方法有较大提升,识别的准确率和F1-Score达到97.73%和98.21%,更加适用于疾病的诊断。     

A comparative assessment of ensemble learning for credit scoring

Both statistical techniques and Artificial Intelligence (AI) techniques have been explored for credit scoring, an important finance activity. Although there are no consistent conclusions on which ones are better, recent studies suggest combining multiple classifiers, i.e., ensemble learning, may have a better performance. In this study, we conduct a comparative assessment of the performance of three popular ensemble methods, i.e., Bagging, Boosting, and Stacking, based on four base learners, i.e., Logistic Regression Analysis (LRA), Decision Tree (DT), Artificial Neural Network (ANN) and Support Vector Machine (SVM). Experimental results reveal that the three ensemble methods can substantially improve individual base learners. In particular, Bagging performs better than Boosting across all credit datasets. Stacking and Bagging DT in our experiments, get the best performance in terms of average accuracy, type I error and type II error.     

煤矿机械振动信号预测研究

根据煤矿机械振动信号高低频组成成分变化规律的差异,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解,得到相对平稳的本征模态函数(IMF)分量,并将波动程度相近的IMF分量进行重构,得到高频子序列和低频子序列,采用SVM分别对高频子序列和低频子序列进行预测,将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证,结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测,预测结果与实际情况相符。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题。首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩采集得到的数据作为卷积神经网络(CNN)的输入,利用卷积池化层提取压缩采集数据中的故障特征;最后,将得到的故障特征通过softmax分类器进行分类。仿真实验表明:该方法能够自动提取风电机轴承的故障特征,在保证较高故障诊断准确率的同时,缩短了网络训练时间。     

一起水轮发电机轴承温度异常升高原因分析及防范措施

水轮发电机组在工作中发生轴瓦温度升高,是水轮机比较常见的故障类型[1]。针对普定水电站2号水轮发电机组推力瓦温异常升高导致机组跳闸停机的故障,详细了解故障前系统设备运行方式和故障发生过程;拆机对所有推力瓦进行全面检查,发现8块推力瓦中间位置磨损严重,对所有磨损推力瓦进行刮瓦处理,效果不佳;进而将受损推力瓦更换为塑料瓦,开机试运行时推力瓦温正常,效果明显。事后初步估计经济损失,深入分析事故原因,发现电站在设备、管理和技术方面存在的不足,提出了防范措施和重点要求,防止或避免类似情况再次发生,保证机组安全,确保电力系统安全、经济、高效运行,为普定水电站早日实现“远程集控、少人值守”创造良好条件。本次故障处理方法值得其他同类型水电厂（站）借鉴,提前防范,降低类似故障发生的概率,切实提高电力系统安全水平。