液化场地水平位移预测数据驱动方法研究

基于Youd等2002液化变形数据库，结合机器学习方法，本研究建立了基于机器学习的液化场地水平位移预测数据驱动方法，并利用其对新近地震液化场地的水平位移进行了预测。首先，收集了新近几次地震液化场地水平位移案例，在此基础上采用已有常用工程经验方法对新近地震液化场地水平位移进行预测以探究其适用性，发现Youd 2018方法具有良好的表现。为获得最优的机器学习模型，本研究分别讨论了BP神经网络模型（BPNN）、径向基神经网络模型（RBF）、决策树模型（DT）、随机森林模型（RF）、支持向量机模型（SVM）等机器学习模型的适用性。研究发现，随机森林模型（RF）表现优越，该方法计算效率高、数据可扩展性好，同时能够很好地反映已有数据特性。相较于Youd 2018方法，随机森林模型（RF）对新近地震液化场地水平位移的整体预测精度提升18.17%。最后，本研究探讨了随机森林模型（RF）预测液化场地水平位移时不同影响因素的敏感性。     

机器学习算法在反窃电分析中的应用

针对现阶段利用高科技手段进行窃电的行为,提出了基于机器学习算法构建的反窃电模型,分析用户用电数据、异常事件以及线损,介绍随机森林算法以及其在反窃电分析中的应用,通过进行验证测试,认为随机森林算法在反窃电领域可行、有效。     

基于机器学习的飞灰含碳量预测模型比较研究

锅炉飞灰含碳量是衡量锅炉燃烧效率的重要指标之一,基于机器学习构建了一套能够准确预测飞灰含碳的模型。首先,借助随机森林算法解决了飞灰含碳实测值与其他输入特征频率不一致的问题;其次,采用基于随机森林的递归特征消除方法,从30个原始输入特征中提取出9个输入特征,在降低模型计算量的同时提高了预测准确度;最后,以某电厂330 MW机组锅炉实际运行数据,建立了线性回归、决策树、KNN、随机森林、Catboost、XGBoost 6个机器学习模型对飞灰含碳量进行预测。预测结果发现：决策树、KNN、随机森林和XGBoost模型预测效果较好,均方误差分别为0.010、0.009、0.006和0.006,线性回归模型表现最差;构建的预测模型在锅炉低、中、高负荷下均保持稳定。     

基于集成学习的输变电设备数据质量检测方法

在数据分析的应用中,数据质量是一切分析研究的基础,针对电网运行过程中输变电设备基础数据质量不高的问题,首先介绍了电力系统不良数据的产生原因与主要表现形式,并设计了一种通过历史数据训练优化生成的随机森林(一种集成学习算法)模型,可以实现对可疑数据的检测与筛查。通过对不平衡训练样本的处理,在测试算例结果对比中,均衡样本后的随机森林模型比未均衡样本的随机森林在负样本的预测准确率高10%,相比单个决策树模型在正样本的预测准确率也高出9%,这表明了集成学习在计算效率与准确率方面相对其他机器学习分类算法的优势,以及均衡训练样本对模型准确率的提升有明显效果。     

双通道卷积神经网络模型电力设备图像识别方法

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

双通道卷积神经网络模型电力设备图像识别

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

机器学习在听性脑干诱发电位数据分析中的应用研究

近年来,许多学者将机器学习算法应用到肌电信号(EMG)数据分析中,取得了良好的效果,但是主要针对手势识别等应用研究,较少有学者对辅助临床诊断进行研究。针对模型训练所需数据较大和机器学习在听性脑干诱发电位(ABR)数据分析中的应用较少两种问题。研究了机器学习方法在基于小型ABR数据集数据的计算机辅助诊断中的应用。收集了四川省中医医院的2 352份肌电图检查报告,通过设计纳入标准并进行数据清洗,构建了包含233份ABR报告的数据集。之后,使用数据标准化方法对数据进行数据预处理,再使用随机森林、线性回归、Logistic回归和人工神经网络4种机器学习算法对数据集进行分析处理。4种算法的性能对比表明随机森林算法性能最优,其准确率、召回率、精确率分别达到了0.995 7、0.989 7、0.950 0。此外还对每种算法在数据标准化前后的性能进行了比较,表明标准化处理对准确率的提高有一定的提升效果。随机森林算法输出的特征重要性表明,ABR检查中最重要的指标是L_latency_5、L_latency_A和L_Interval_35,其次是L_latency_b和L_latency_4。这些指标重要性融入上位机软件有助于提高临床诊断效率,在临床应用中具有较高的临床判读潜力。     

基于多模型融合Stacking集成学习方式的负荷预测方法

人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合Stacking集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的Stacking集成学习的负荷预测模型,模型的基学习器包含XGBoost树集成算法和长短记忆网络算法。算例使用ENTSO中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking集成学习方式的负荷预测方法有着较高的预测精度。     

基于Stacking集成学习的有源台区线损率评估方法

人工智能及机器学习的发展,为有源台区线损率的评估提供了崭新的思路。文中提出一种基于Stacking集成学习的有源台区线损率评估方法。首先,从特定系统中提取有源台区数据,采用互信息等方法处理数据中异常值,并建立电气特征指标体系。然后,考虑传统的机器学习与不同思想的集成学习算法之间的差异,综合线性模型与非线性模型,选择线性回归算法、随机森林算法、GBDT算法作为基学习器,构建多算法融合的Stacking集成学习模型。最后,以某省有源台区数据为例,验证了所提方法的准确性和有效性。     

基于数据驱动的网络安全数据分类方法

为了快速准确完成网络安全数据分类,提出了基于数据驱动的网络安全数据分类方法.利用基于数据驱动的K-means聚类算法通过初始中心选取和K值的确定聚类分析网络安全数据,采用随机森林算法完成聚类数据预处理,剔除网络数据的不相关特征属性,并利用领域粗糙集算法提取特征,去除冗余数据后,建立基于XGBoost算法的分类模型,通过...     

基于电子舌和WGAN-CNN模型的小麦贮存年限快速检测

为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。     

室内工作面天然采光照度分布实时预测方法

照射进室内的天然光随时间变化往往是非线性的,在空间上的分布也往往是不均匀的,随着智慧照明技术的快速发展,准确舒适的调光决策依赖于可靠的天然采光照度分布基础数据收集方法。本文采用两种机器学习算法:随机森林(Random Forest)和BP反向传播神经网络(Back Propagation Neural Network),以四种主要输入特征(传感器照度信息、天空亮度信息、时间信息、其他信息(房间尺寸、窗地比、室内平均采光系数、建筑朝向))在实测方法下对室内工作面照度分布进行了实时预测。结果表明,随机森林模型在测试集中的回归决定系数R2为0.826;BP反向传播神经网络模型在测试集中的回归决定系数R2为0.739,随机森林的表现相对较好。两种机器学习算法在室内照度分布预测方面具备发展潜力,在未来建筑的照明智慧化调光及间接节能方面具有正向促进作用。     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。     

基于机器学习的网络流量特征选择

互联网技术水平不断提高的同时,也带来了日益复杂的网络安全问题,传统地利用端口检测和深度包检测等流量识别技术已经难以应对当下日趋复杂的网络环境.伴随着机器学习理论的成熟,机器学习方法已经成功的应用于图像识别、声音辨别、医疗等各个领域,机器学习使用计算机模拟人类的活动,通过学习现有的知识,建立有效的学习模型,进一步对未知的数据进行预测或者分类.将机器学习方法应用在网络流量识别领域,首先对网络流量识别的研究现状和机器学习作了相关的介绍,其次基于3种机器学习分类算法,对比分析了不同特征选择算法对网络流量识别准确率的影响,提出了改进的特征选择算法,并经过实验验证了改进后特征选择算法的有效性.     

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:"由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移",并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。     

基于人工智能的客户需求响应研究与分析

随着电力大数据爆炸式地增长,依靠人力物力的传统数据处理模式已经不再适应现代电力系统的发展。以红河州地区居民用电消费行为和日常行为习惯做聚类分析,借助计量自动化系统提供的电力负荷数据,并基于用户群体分析与识别,利用灰色预测、BP神经元网络、自适应BP神经元网络、PSO算法、分类随机森林算法、自适应分类随机森林等人工智能算法对负荷进行预测。通过对当地居民的用电消费行为习惯深入的研究以及电力负荷的预测,为人工智能运用于电力系统客户需求响应提供理论经验和技术支撑。主要创新点在于将自适应随机森林算法等人工智能算法应用于居民需求响应的研究,降低电网处于高峰负荷,并采用了负荷转移策略降低电网运行成本,节约能耗。