小波包增强稀疏表征分类的管道堵塞故障识别

针对在声学主动检测埋地排水管道故障的过程中,不同程度堵塞信号及常规管道部件三通件信号等难以有效区分的问题,提出小波包增强稀疏表征分类(SRC)的堵塞故障识别方法。该方法首先对管道中采集的声学信号进行小波包分解,提取不同尺度分量的多个时频特征参数并筛选出更为有效的特征值,构建能全面表征不同程度堵塞与管道三通件信号的特征向量,然后利用特征向量分别构造字典和稀疏表征分类器。实验结果表明,该方法在少量样本情况下仍能有效识别排水管道内不同程度的堵塞故障及管道三通件,具有一定的工程实用价值。     

基于电流故障分量特征和随机森林的输电线路故障类型识别

为提高输电线路故障选相的精确性,提出了一种基于电流故障分量特征结合随机森林的输电线路故障类型识别新方法.分别在多个短时序列下计算三相电流故障分量能量相对熵与零序电流故障分量能量和,并按特定顺序把在各短时序列下计算得到的结果组成特征样本向量,以表征输电线路故障类型特征.建立随机森林智能故障类型识别模型,并利用故障特征样本...     

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。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

基于随机森林算法的断路器分合闸线圈故障电流曲线识别

高压断路器是电力系统的核心设备,其稳定可靠运行具有重要意义。高压断路器分合闸电流曲线能够很大程度上反映高压断路器分合闸机构的运行状态,因此文中研究了在几种典型故障条件下,断路器分合闸线圈电流的变化。随机森林算法由于算法实现过程中的两次随机过程,使得算法过拟合风险大大降低,模型泛化能力大大增强。提出了使用随机森林算法识别故障电流曲线,取得了很好的效果。     

基于改进随机森林的电力线通信优化算法研究

针对传统信道估计技术会占用频谱资源的缺陷,提出了一种基于改进随机森林的解映射优化算法。首先针对信源数据固有的不平衡性引入了改进SMOTE算法进行预处理,基于电力线信道特性确定了少数类数据的合成规则,并以解映射模块的子区间误码率作为评价指标进行性能分析。搭建了宽带电力线通信系统模型,以实际电表数据作为信源数据,在500 m的18径电力线信道模型下进行了仿真测试。实验结果表明,所提算法可以很好地弥补电表数据固有的不平衡性对随机森林性能的影响,极大地降低了子区间误码率的波动性。在各种信噪比环境下,引入改进随机森林算法均可以很好地优化解映射模块性能,提高宽带电力线通信质量,降低误码率。     

基于时频域分析和随机森林的故障电弧检测

针对生活用电器品种繁多,不同类型用电器之间的故障电流与正常电流波形可能类似,导致传统的故障电弧识别方法不能有效检测的问题,提出一种时频域分析与随机森林结合且适用于多种典型负载单独或混合工作的串联型低压故障电弧识别方法.根据收集到的多种负载频谱与纯阻性负载频谱的相关系数,将负载分为开关电源型负载和非开关电源型负载,分别训...     

基于WKFCM⁃SMOTE和随机森林的风电机组故障诊断

针对风电机组运行数据中故障数据占比小,不平衡数据集影响故障诊断精度与诊断结果的问题,提出一种基于加权模糊核C均值(Weighted Kernel Fuzzy C?means,WKFCM)算法改进的合成少数类过采样技术(Synthetic Minority Overs?ampling Technique,SMOTE)算法...     

基于深度神经网络和随机森林集成模型的ADS-B辐射源个体识别

针对辐射源个体识别中单一神经网络随着辐射源个体数量的增加,模型的识别准确率显著下降的问题,提出一种基于深度神经网络和随机森林集成模型的广播式自动相关监视(ADS-B)辐射源个体识别方法。该方法利用多种深度神经网络模型和随机森林对增强数据集进行训练,然后利用集成学习方法中的硬投票方法对各网络模型和随机森林识别得到的结果进行集成表决,使得识别结果更具有说服力,同时在在辐射源个体数量增加的情况下依旧保持较高的识别率。实验结果表明,在融合了DRSN、VGG、ResNet、GoogleNet、DenseNet 5类神经网络和随机森林后,相比于单一的神经网络,识别准确率能够提升了3%～20%,且在辐射源个体数量增加的情况下依然能保持较高的识别准确率。     

基于主动学习和最优路径森林的管道故障分类识别方法

在工业故障分类过程中有标记样本数量少而人工标注成本高会导致分类器精度难以提高,而大量包含丰富信息的无 标记样本却没有得到充分利用。 针对上述问题,提出了一种结合主动学习(AL)和最优路径森林算法(OPF)的半监督故障分类 模型(AL-OPF)。 该方法首先利用 BvSB 和余弦相似度准则综合衡量样本的价值量,以排序批处理模式筛选价值高的样本,并 获取其标签扩充初始标记样本集,然后通过构建最优路径森林实现半监督标签传播,最后在实验室采集得到的管道故障样本集 上进行实验验证。 实验结果表明,该方法能在有标签样本为 10%的情况下达到 96. 68%的整体识别准确率,与逐个采样模式的 主动学习方法以及基于距离度量提取训练样本全局结构信息的半监督方法相比,所提出方法拥有更高的 Recall 值和 F1- score 值 关键词: 。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

基于随机森林回归方法的爆破块度预测模型研究

在筑坝材料爆破开采过程中,块度控制是确保筑坝质量最为重要的手段之一。现阶段关于爆破料块度预测的研究中,存在模型预测精度低、模型泛化能力差等问题,难于准确控制堆石料块度、符合爆破开采堆石料上坝条件。针对目前爆破预测模型存在的不足,并有效控制堆石坝料爆破块度,基于随机森林回归方法建立了爆破块度预测模型。通过交叉验证法,将随机森林模型与其他预测模型进行了对比分析,体现了该模型的优越性。在爆破块度预测系统上,结合某工程实际,验证了该模型可行性,为堆石坝爆破施工管理与控制提供了科学指导。     

基于随机森林的气味感知分类研究

机器嗅觉是一种基于传感器阵列与计算机算法模拟生物嗅觉的新兴仿生技术,气味物质气味表征是机器嗅觉值得研究的领域,目前嗅觉感知处于初级研究阶段,气味的通用分类理论基础还不成熟。本文从物质气味电子信息角度出发,利用采集样本中相对均衡香型数据,通过机器学习算法及参数调整、网格搜索等模型优化手段,提出基于电子鼻数据的物质气味分类模型,建立物质气味电子鼻信息与感知联系,实验结果表明,基于随机森林的气味分类在各评价指标上表现突出,平均准确率达到93.6%,随机森林模型相比其他机器学习算法表现优异。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于小波去噪与随机森林的配电网高阻接地故障半监督识别方法

针对配电网高阻接地故障识别易受噪声干扰、无标签数据难以利用的难题,提出一种基于小波去噪与随机森林的高阻接地故障半监督识别方法。区别于监督式学习方法仅利用标签数据,基于协同训练方法能够充分利用有标签数据与无标签数据。首先,使用小波阈值去噪算法消除零序电流中的噪声。其次,采用波峰波谷故障启动算法判断线路是否发生故障或扰动事件。运用小波变换提取零序电流的小波系数作为故障特征。最后,基于小波系数故障特征构建两个随机森林作为半监督分类器进行协同训练,从而实现高阻接地故障的检测识别。仿真结果表明,所提配电网高阻接地故障半监督识别方法可以充分挖掘配电网既有的故障案例中无标注数据蕴含的关键特征,从而提高故障分类准确率,具有较强的准确性和灵敏性。     

基于随机森林的智能变电站一次侧设备运行状态监测方法研究

变电站对于保证电力系统的安全、稳定运行具有重要意义。针对智能变电站一次侧设备运行状态复杂,难以进行统筹评估,以及常用状态评估算法计算资源消耗大等问题,文章研究并提出了基于随机森林的智能变电站设备运行状态监测方法。首先设计了智能变电站设备运行状态监测系统结构,然后对智能变电站主要一次侧设备的运行状态检测原理进行了描述,之后在设备运行数据的基础上提出了基于随机森林的状态评估方法用于变电站设备运行的实时评估。最后,通过实验分析验证了所述方法的有效性。     

基于灰色投影优化随机森林算法的输电线路舞动预警方法

为实现对输电线路舞动的准确预警,多种预警模型被建立。其中对于预警模型的研究点多集中于参数的最优选取,而尚未开展针对训练样本的聚类改进,特别是地形参量存在难以客观衡量的问题,容易导致预测精度不佳抑或模型存在适应性问题。为此,提出了一种基于灰色投影优化随机森林算法的舞动预警模型。通过加权灰色关联投影法来优化选取与待预测样本关联度较高的样本作为训练样本集,以此来改进随机森林模型对低关联度数据的拟合能力。此外,模型还通过多维度参量即导线分裂数、直径、档距等内部参量以及风速、风向角、湿度等外部参量作为输入特征量来提高预警的准确性。利用历史舞动数据对模型进行检验,结果显示该模型的预警结果相较于传统随机森林算法和BP神经网络具有明显优势。通过该方法,可为输电线路舞动预警提供一种新的解决路线。