面向任务携行航材品种确定和消耗预测的特征选择分析

为进一步提高对携行航材品种确定和消耗数量预测的准确性,针对非线性多影响因素的品种分类和消耗预测模型中的特征选择问题进行研究.对影响携行航材需求的因素进行分析,建立三级特征体系,并针对品种确定和消耗预测提取相应的特征集合;采用XGboost、灰色关联度分析(grey relation analysis,GRA)、决策试验和评价实验法(decision making trial and evaluation laboratory,DEMATEL)等方法对各影响特征进行重要性排序和相关性分析;综合运用定性和定量分析方法筛选特征;分别建立可用于品种确定和数量预测的精简版特征集合.该研究可为后续提高携行航材品种确定和预测的准确率和运算效率提供参考.     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

基于ICPSO-XGBoost的非侵入式负荷辨识方法

针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题,文中提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,并结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上,提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中,首先利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地,通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷入过拟合。同时,将混沌思想应用于粒子群算法中提升其全局寻优能力,并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。最后,在AMPds公用数据集上进行测试,通过对比分析测试结果,验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵入式负荷辨识的有效性。     

基于XGboost 算法的面向任务携行航材品种确定方法

为解决传统选取航材品种方法对人的经验依赖较多、准确率不高、运算效率低等问题,提出一种采用XGboost算法的携行航材品种选择方法.建立分类特征体系,使用XGboost算法对特征进行重要性排序、分析和筛选,构建精简版分类特征体系,使用K折交叉验证法和经验调参对样本数据分组和训练,并与GBDT、RF、Adaboost等分类算法的结果比析.结果表明:XGboost算法可减少人为因素干预,在携行航材品种确定应用中具有高效性、科学性和优越性.     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于多层集成学习的岩性识别方法

岩性识别是油藏地质解释中的关键问题和难点问题,人工智能特别是机器学习技术的发展和应用为岩性识别问题解决提供了新的技术途径。本文利用支持向量机（Support vector machine,SVM）、多粒度级联森林（Multi-grained cascade forest,GCForest）、随机森林（Random forest,RF）以及XGBoost（eXtreme gradient boosting）等机器学习模型建立一个异构多层集成学习模型,该集成学习模型克服了单一模型对数据集要求高、泛化能力差以及识别精度低等缺点。本文分别利用集成模型和单一模型进行了岩性识别实验。实验结果表明,本文集成模型在岩性分类测试集上平均精度达到96.66%,高于SVM的平均精度75.53%、GCForest的平均精度96.21%、随机森林的平均精度95.06%和XGBoost的平均精度95.77%。该集成模型能有效地用于油藏地质分析中的岩性识别和分类任务,适应性强,识别精度高。     

XGBoost-RF的物联网入侵检测模型

针对物联网入侵检测中检测数据不平衡导致的分类不准确的问题,提出了一种基于极端梯度提升树和随机森林相结合的物联网入侵检测模型.首先,针对物联网应用环境中产生的大量数据,对数据进行数据归一化处理.然后,利用XGBoost算法对其中的特征进行重要性评分,选择最优特征.最后,结合改进的随机森林算法,解决因数据不平衡导致的分类不准确的问题.仿真试验表明所提模型能有效的进行数据最优特征选择及合理地检测分类,同RF算法、SVM算法、Tree-SVM模型和RF-GDBT模型相比,所提模型的检测准确率有效改善.