申请/专利权人:华北电力大学
申请日:2022-09-20
公开(公告)日:2024-04-02
公开(公告)号:CN117807532A
主分类号:G06F18/2431
分类号:G06F18/2431;G01N33/28
优先权:
专利状态码:在审-公开
法律状态:2024.04.02#公开
摘要:本发明提供了一种基于XGBoost和网格搜索法的变压器油中溶解气体含量预测方法,包括如下步骤:①采集数据,通过在线监测装置,获得油浸式变压器的气体历史数据;②数据清洗,对所有气体的数据缺失部分使用均值插补法进行填充;③超参数筛选,使用网格搜索法找到对XGBoost的预测效果影响显著的超参数;④超参数优化,使用网格搜索法优化步骤三中筛选出的重要超参数,得到最优超参数组合;⑤气体含量预测,使用最优超参数组合建立XGBoost模型,并将原始数据集划分成训练集和测试集,对变压器油中溶解气体进行预测,同时使用未优化的XGBoost进行预测;⑥依据RMSE、MAPE两个指标,对比优化前和优化后的XGBoost模型对油中溶解气体含量的预测效果。本发明中优化后的XGBoost算法,对油中溶解气体含量有更高的预测精度、可靠性和稳定性。
主权项:1.一种基于XGBoost和网格搜索的变压器油中溶解气体含量预测方法,特征在于,包括步骤:步骤一:采集数据。通过在线监测装置,获取油浸式变压器的气体历史数据,包含:甲烷、乙烷、乙烯、乙炔、氧气、一氧化碳、二氧化碳和总烃;步骤二:数据清洗。对所有气体数据中的缺失值使用均值插补法进行填充;步骤三:超参数筛选。使用网格搜索对进行筛选重要超参数。网格搜索法可以分成搜索和验证两部分,通过对设定值域内所有的值进行搜索并加以验证,获得最优的超参数取值。使用网格搜索进行超参数筛选,会遍历XGBoost回归模型中的所有超参数,通过调整这些超参数的取值,可以确定哪些超参数对模型的预测效果影响较大;步骤四:超参数优化。使用网格搜索法,对步骤四中筛选出的重要超参数进行数值优化,确定它们的最优值;步骤五:气体含量预测。由最优超参数组合建立XGBoost模型,并将原始数据集划分成训练集和测试集,对油中溶解气体进行预测。XGBoost算法的核心原理就是每一次迭代都是在训练上一棵决策树的错误结果,以不断减小残差,并在残差减少的方向上建立一个新的决策树,其具体的目标函数是: 其中表示前t-1轮的模型预测结果,ftxi为一个新的函数,C为常数项,Ωft为回归树正则化项,其表达式为: γ与λ是控制叶子结点个数与叶子结点权重的超参数,T代表回归树的叶子结点总数,wj是叶子结点的权重,经过对目标函数进行二阶泰勒展开和一系列优化,得到方便计算的最优目标值: 其中Gj和Hj分别表示叶子结点j所包含样本的一阶偏导、二阶偏导累加之和;步骤六:预测效果评估。经过各算法模型完成对油中溶解气体含量的预测后,依据均方根误差RMSE、平均绝对百分比误差MAPE两个指标,来评估和对比优化前后的XGBoost算法的预测效果,它们的计算公式分别为: 。
全文数据:
权利要求:
百度查询: 华北电力大学 一种基于XGBoost和网格搜索的变压器油中溶解气体含量预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。