基于斜回归树及其集成算法的静态电压稳定规则提取

可再生能源渗透率的增加给电力系统安全稳定运行带来持续性的挑战,传统方法分析系统稳定性、控制电网稳定运行变得愈加困难。针对这一难题,提出了内嵌安全稳定约束的电力系统优化运行框架以及用于电力系统安全稳定规则提取的斜回归树及其集成算法。该算法首先优化斜划分系数以训练单棵斜回归树,然后利用boosting思想集成斜回归树,并通过正则化方法保证树的稀疏度,增强算法的可解释性。相比神经网络等黑箱模型,文中提出的方法能够提取显式安全稳定规则,为内嵌安全稳定约束的电力系统优化运行奠定了基础。最后,以静态电压稳定问题为例验证算法的有效性,算例验证结果表明所提算法具有良好的可解释性、较强的表示能力和较高的集成效率。     

基于 XGBoost 的模拟集成电路测试参数优化方法

随着集成电路的规模不断扩大,其测试成本随测试时间的增长而不断提高,如何优化测试参数是一个重要课题。 模拟 集成电路测试中,测试参数间存在非线性隐式依赖,使得直接揭示其相互关系并进行测试方法优化非常困难。 本文基于 XGBoost 决策树模型提出了一种优化模拟集成电路测试参数数目的方法,该方法探索不同测试参数间的相互表征能力,在测试 序列中依次删减可被良好表达的测试参数,在保证一定逃逸率的条件下达到缩短测试时间的目的。 本文讨论了故障数目、特征 重要性和 SHAP 值 3 种评估测试参数间表征能力的指标,并对两类模拟集成电路测试数据集进行了实验,结果表明故障数目是 一种优秀的评估指标,可在测试逃逸率不超过 20 PPM 的条件下实现 25%的测试参数优化。     

Machine-Learning Assisted Screening Proton Conducting Co/Fe based Oxide for the Air Electrode of Protonic Solid Oxide Cell

Proton-conducting solid oxide cells (P-SOCs) as energy conversion devices for power generation and hydrogen production have attracted increasing attention recently. The lack of efficient proton-conducting air electrodes is a huge obstacle to developing high-performance P-SOCs. The currently widely used air electrode material is Co/Fe based perovskite oxide, however, there is still no systematic research on studying and comparing the roles of diversiform elements at the B site for Co/Fe based perovskite oxide. Here, a machine learning (ML) model with eXtreme Gradient Boosting (XGBoost) algorithm is built to quickly and accurately predict the proton absorption amount of Co/Fe based perovskite oxides with 27 elements dopant at B site. Hereafter, La(Co_0.9Ni_0.1)O₃ (LCN91) is screened by a combination of the ML model and the density functional theory calculation. Finally, LCN91 is applied to the air electrode of P-SOC, and the cell exhibits excellent electrochemical performances in fuel cell and electrolysis modes. The current study not only provides a useful model for screening air electrodes of P-SOC, but also extends the application of ML in exploring the key materials for P-SOCs and other fuel cells/electrolyzers.     

基于CNN-XGBoost的短时交通流预测

为准确预测短时交通流,缓解交通拥堵提高交通运行效率,提出一种基于CNN-XGBoost的短时交通流预测方法。结合短时交通流数据的时间相关性和空间相关性,将本路段和邻近路段的历史数据一同作为输入进行预测。利用卷积神经网络(convolutional neural networks,CNN)实现特征提取以减少数据冗余性,提出一种参数经果蝇算法优化的XGBoost模型用于交通流量预测。实例验证结果表明,CNN可对时间和空间结合下的交通流数据进行有效特征提取;相比SVR、LSTM等模型,改进的XGBoost模型下的交通流量预测误差明显减小。     

基于LSTM与XGBOOST混合模型的孕妇产后出血预测

孕妇产后大出血是造成全球孕妇死亡的重要因素之一,在我国位居孕妇死亡原因首位,然而对产后出血的提前判定一直以来都是医学上一个难题.电子病历的普及,以及机器学习和深度学习技术的发展,为预知孕妇产后大出血提供了基于大数据的解决办法.本文提出利用孕妇的电子病历数据,构建基于LSTM和XGBoost的混合模型来预测孕妇产后大出血.实验结果表明,利用基于LSTM和XGBoost的混合模型对孕妇产后大出血进行预测是可行的,能够为医生判断孕妇产后出血情况提供参考,为孕妇分娩时是否需要备血方案提供决策支持,对降低产后大出血致死率具有积极意义.     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机(SVM)分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

基于机器学习XGBoost的机制砂细粉含量预测

机制砂是由碎石或者砾石经制砂机反复破碎加工至粒径小于2.36 mm的人工砂. 在实验中把机制砂中的石粉含量和含泥量称为细粉含量, 细粉含量表征机制砂的洁净程度. 本文提出了一种基于XGBoost网络的机制砂细粉含量预测方法. 首先, 利用完全封闭的图像采集设备对机制砂细粉制成的溶液进行图像采集, 保证外界光线不会对图像拍照造成影响, 之后进行图片裁剪、读取RGB值、转LCH颜色空间等预处理, 然后构建XGBoost网络模型, 通过贝叶斯原理进行参数的循环迭代, 之后进行模型优化, 使模型的r2_score更高, 最终实现对机制砂细粉含量的预测. 结果表明: 该模型预测的数据的r2_score可以达到0.967 762, 相比于传统的多元线性回归模型、BP神经网络、传统XGBoost网络预测的r2_score为0.896 144、0.914 598、0.950 670, 预测精度有明显提高. 在实际应用中, 该方法可以缩短机制砂细粉含量测量时间, 简化机制砂细粉含量测量步骤, 是一种新型的预测机制砂细粉含量的方法.     

贝叶斯极限梯度提升机结合粒子群算法的电阻点焊参数预测

电阻点焊是多种因素交互作用的复杂过程.该过程的复杂性加上数据规模小和工艺不稳定问题使得难以建立精确的数学模型来对电阻点焊参数进行预测.该文提出一种将贝叶斯极限梯度提升机(Bayes-XGBoost)与粒子群优化(PSO)算法结合的方法,对厚度为0.15 mm的镍片和0.4 mm的不锈钢电池正极帽选取合适的样本特征和样本组合;利用极限梯度提升机(XGBoost)的非线性切分能力和防控过拟合机制对点焊工艺参数进行正向训练,并引入贝叶斯优化为梯度提升机选取最佳超参数;利用粒子群优化算法的全局寻优能力,对可变目标值的工艺参数进行反向预测,从而得到最优工艺参数.电阻点焊实验表明该方法比文中其他对比算法具有较强的综合性能,能够有效辅助点焊工艺.     

基于机器学习的水电机组劣化趋势预测模型北大核心CSCD

水电机组的劣化影响着水电站乃至电力系统的安全稳定运行。为了准确解析水电机组运行状态,获取机组的劣化趋势并对其进行准确预测,本文提出了一种基于极限梯度提升算法、变分模态分解算法、双向门控循环单元神经网络和注意力机制的水电机组劣化趋势预测混合模型。该方法首先用极限梯度提升算法建立考虑工作水头、有功功率和导叶开度影响的水电机组健康状态模型;其次,根据健康状态模型,推导出数年后的水电机组劣化趋势;再次,通过变分模态分解算法对水电机组劣化趋势进行分解,得到多个相对平稳的固有模态函数分量,并对每个模态分量建立双向门控循环单元神经网络和注意力机制的组合模型进行预测;最后,将预测模型的结果进行叠加,得到最终的趋势预测结果。实例分析结果表明,所提方法能准确地表达水电机组的劣化趋势,并且能有效地提高机组劣化趋势的预测精度。     

基于随机森林非侵入式负荷分解的地区居民需求响应能力评估

需求响应在缓解供电不足、促进新能源消纳以及节约发电侧的资源投资方面意义重大,而需求响应能力评估可以为需求响应策略的制定提供依据。为解决需求响应能力评估困难的问题,本文提出一种基于非侵入式负荷分解的地区居民响应能力评估的方法。首先建立基于随机森林算法的非侵入式负荷分解模型,再使用该模型针对性的分解出单个用户的可中断负荷,然后基于可中断负荷的用电情况计算出单个用户在各个时刻的响应能力,最后再将区域内的所有用户聚合即可得到地区居民总的响应能力。在真实数据集上进行验证,结果表明所提出的基于随机森林非侵入式负荷分解模型可以更精确的得到用户可中断负荷的有功功率值,地区有功功率聚合误差也更小,可以较好的进行需求响应能力评估。