[發明專利]基于參數優化的隨機森林油中氣體濃度預測方法及系統

在審

• 申請號: 202111322109.3
• 申請日: 2021-11-09
• 公開（公告）號: CN114184695A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 佟敏;黨樂;史昌明;劉慧;崔亞茹;陳忠源;張欣偉;林阿麗;王鈺;秘立鵬;安義巖;張琰華;李鈺瑩;孔藝慧;王哲
• 申請（專利權）人: 國網內蒙古東部電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G01N30/02
• 分類號: G01N30/02;G01N30/86;G06K9/62;G06N3/12
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 楊琪

本公開提供了一種基于參數優化的隨機森林油中氣體濃度預測方法，包括：獲取變壓器的油色譜數據；依據油色譜數據和預設的油中氣體濃度預測模型，得到油中氣體濃度；所述油中氣體濃度預測模型通過隨機森林算法訓練得到；進行油中氣體濃度預測時，先將隨機森林中決策樹數目、決策樹最大深度、節點可分最小樣本數、葉子節點的最小樣本數和最大葉子節點數進行參數優化，然后將優化后的參數值帶入隨機森林算法中，并對變壓器的油中溶解氣體進行濃度預測；本公開對隨機森立算法的五個關鍵參數進行優化，將優化后的參數值帶入隨機森林算法中，并對變壓器的油中溶解氣體進行濃度預測，獲得理想仿真結果，改進的隨機森林算法具有更好的適用性和可行性。

技術領域

本公開屬于變壓器技術領域，尤其涉及一種基于參數優化的隨機森林油中氣體濃度預測方法及系統。

背景技術

變壓器作為電網運行中的關鍵設備，其油中溶解氣體濃度預測一直是研究熱點問題；隨機森林算法作為一種泛化能力很強的集中機器學習算法，算法性能與算法參數選擇有密切影響；目前存在較多的利用隨機森林算法解決變壓器油中溶解氣體濃度預測方法。

本公開發明人發現，現有的隨機森林變壓器油中溶解氣體濃度預測方法中，忽略了參數取值問題，影響了預測結果，現有方法的實用性和魯棒性較差。

發明內容

本公開為了解決上述問題，提出了基于參數優化的隨機森林油中氣體濃度預測方法及系統，本公開對隨機森立算法的五個關鍵參數進行優化，將優化后的參數值帶入隨機森林算法中，并對變壓器的油中溶解氣體進行濃度預測，獲得理想仿真結果，證明了改進的隨機森林算法具有更好的適用性和可行性。

為了實現上述目的，本發明是通過如下的技術方案來實現：

第一方面，本公開提供了一種基于參數優化的隨機森林油中氣體濃度預測方法，包括：

獲取變壓器的油色譜數據；

依據油色譜數據和預設的油中氣體濃度預測模型，得到油中氣體濃度；

其中，所述油中氣體濃度預測模型通過隨機森林算法訓練得到；進行油中氣體濃度預測時，先將隨機森林中決策樹數目、決策樹最大深度、節點可分最小樣本數、葉子節點的最小樣本數和最大葉子節點數進行參數優化，然后將優化后的參數值帶入隨機森林算法中，并對變壓器的油中溶解氣體進行濃度預測。

進一步的，參數優化過程為：

對所有需要優化的參數進行遺傳編碼，并生成初始種群；

將初始種群中每個個體的參數帶入隨機森林算法，進行回歸分析，得到預測結果；

采用可決系數作為適應度：可決系數越接近1，表示模型準確度越高；

判斷遺傳算法的終止條件是否滿足，如果滿足則結束計算，否則，重新生成足量個體形成種群；

重復上述過程。

進一步的，所述可決系數R²為：

其中，y_i為真實值，f(x_i)為預測值，為真實值均值。

進一步的，評估每個個體的適應度，根據適應度進行選擇、交叉、變異和克隆操作，然后判斷終止條件。

進一步的，隨機森林算法中決策樹的生成過程為：將輸入空間遞歸地劃分為二叉樹，每個節點只向下分裂成兩個區域，生成回歸決策樹。

進一步的，隨機森林算法抽取數據采用無權重抽樣，根據事先設定的決策樹數量，對訓練集數據進行多次有放回抽樣，每次抽樣產生相應的決策樹。

進一步的，進行油中氣體濃度預測模型訓練時，將數據集分為訓練集和測試集。