内冷水系统缓冲罐(膨胀罐)液位下降原因分析

换流阀是换流站的核心元件,目前在运换流站中换流阀额定电流最高已达4500A,正常运行时,大电流产生高热量,导致晶闸管温度急剧上升,为防止晶闸管被烧毁,因此换流站配置有阀冷却系统对晶闸管进行冷却。阀内冷系统是一个密闭的循环系统,它通过冷却介质的流动带走换流阀产生的热量。水冷系统出现缓冲罐(膨胀罐)液位下降将会影响换流阀的正常工作,甚至导致换流阀的强迫停运,从而使电能无法及时送出。缓冲罐(膨胀罐)液位下降时快速判明原因,及时有效地排除故障,能够保证水冷系统的正常稳定运行,防止晶闸管被烧毁。     

云广直流工程阀冷系统冷却塔风扇控制逻辑分析

阀冷系统是直流输电系统中最重要的辅助设备之一,其安全稳定与否直接关系到整个直流系统的运行情况。冷却塔是阀冷系统的重要设备之一,它直接影响阀冷的散热效果,其稳定运行直接影响阀冷系统的稳定运行。为利于今后特高压直流阀冷系统的运行维护,分析和介绍了阀冷系统冷却塔风扇的控制逻辑和常见告警。     

基于长短期记忆法的换流站阀冷系统参数预测

在对换流站阀冷系统的内冷水流量、进出阀温度、主泵及回水压力等参数进行采样时,时常发生数据缺失或异常的情况;同时,由于阀冷系统的上述运行参数具有时序性,对内冷水系统的入水温度等关键参数完善并进行有效预测可以更准确地评估阀冷系统冷却能力。提出了一种基于均值填补的采样值处理方法,使样本集更完善、更贴合换流站阀冷系统的实际运行情况;分析了阀冷系统运行参数的时序属性,提出一种基于主成分分析的长短期记忆网络模型的时间序列预测方法,通过对换流阀关键运行参数的预测实现对系统冷却能力的有效判断。经实例验证,所建立的预测模型的平均绝对百分比误差约为4.96%,证明了所建模型的有效性。     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

露天煤矿边坡稳定性的随机森林预测模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM和BP神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

楚雄换流站阀冷系统冷却塔风机电源改造措施研究

阀冷系统是高压直流输电换流站最重要的辅助系统,阀冷系统故障是导致阀组强迫停运的主要原因之一。阀冷系统中,喷淋水系统通过冷却塔实现对内冷水系统的冷却,冷却塔风机一旦停运,内冷水温度将快速上升,影响直流系统的安全稳定运行。分析了阀冷系统冷却塔风机电源特性,并根据其特点提出风机电源的改进措施,以实现冷却塔风机在变频器或控制器故障后的快速恢复,提高阀冷系统的可靠性。     

基于LabVIEW的换流站阀水冷主循环泵振动监测与状态评估系统

在高压直流输电系统中,智能化程度和可靠性的需求越来越高,迫切需要对换流站阀水冷系统核心设备主循环泵的运行状态进行实时监测。从监测系统的功能需求出发,介绍了所提出的换流站阀水冷主循环泵振动信号监测系统的总体结构、数据采集单元硬件系统及软件系统。依据标准中提出的振动烈度参数,作为主循环泵监测预警的阈值,基于虚拟仪器LabVIEW,开发了循环泵的监测系统软件,测试结果表明可以有效的监测循环泵运行情况,保证阀水冷系统的安全稳定运行。     

基于有效特征选择的高价值移动通信用户预测方法

高价值移动通信用户预测是电信客户关系管理中的一项重要内容。针对建立预测模型时遇到的高维、大规模、类不平衡等数据处理问题,提出了一种基于有效特征选择的预测方法。利用欠采样方式从初始不平衡数据集提取多个平衡训练集,使用结合Pearson相关性分析和随机森林特征重要性评估的特征选择策略,在集成学习方法中嵌入加权和投票机制获得最优的特征子集,最后采用随机森林算法建立预测模型。实验结果表明,该预测模型可以有效降低特征集的维度并提升对高价值移动通信用户的预测性能。     

基于贝叶斯模型组合的随机森林预测方法

为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.     

基于随机森林和单类支持向量机的电信行业客户流失预测

针对电信行业客户流失问题,使用随机森林方法建立了初步的预测模型,对比电信行业原用的各种预测模型,其准确率有明显改善;针对模型特征维数众多的特点,进一步提出基于随机森林和转导推理的特征提取方法,对数据集进行降维,并引入单类支持向量机(support vector machine,SVM)算法得到最终的预测模型.实验表明,流失预测模型具有更高的预测准确率以及针对预测结果的部分可解释性.     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

基于RF-LR的高速公路逃费车辆状态预测模型

【目的】为严格维护高速公路运营秩序和提高高速公路运行效率,对逃费车辆进行精准稽查以追缴过往车辆偷逃通行费。【方法】通过分析高速公路车辆通行卡大数据,采用随机森林(Random forest,RF)筛选车型、车轴组数、总质量、超载率和通行费共5个逃费特征,经过虚拟化类型变量,利用合成少数类过采样技术(Synthetic minority oversampling technique,SMOTE)算法平衡数据集,建立了逻辑回归(Logistic regression,LR)逃费车辆状态预测模型。【结果】基于RF-LR的高速公路逃费车辆状态预测模型有利于挖掘提取大数据中的有用信息,对逃费车辆状态预测具有较高的精度,预测正确率达到91.74%,预测精准率达到91.95%,召回率达到99.25%,预测性能较好。【结论】基于RF-LR的高速公路逃费车辆状态预测模型较以往简单预测模型有较大改进,消除了预测结果过拟合现象,提高了预测精度,预测结果可为高速公路运营管理提供参考,提高工作效率,实现对偷逃通行费行为的快速稽查。     

换流站换流阀及其换相失败浅析

换流阀是换流站的重要组成部分,其正常运行直接关系到直流输电系统的稳定。换相失败是直流系统运行中常见的故障,它一直是直流输电系统的一个重要研究课题,分析清楚换相失败产生的原因,与哪些因素有关以及各因素对换相失败的影响程度如何具有重要意义。本文从换流阀和换相过程介绍,查找换相失败发生的原因、过程及软件中的判据,结合换流站实际提出了日常运行过程中有效防止换相失败的方法。     

基于随机森林回归和气象参数的城市空气质量预测模型——以重庆市为例

为有效进行城市空气质量预测、推进城市空气污染防治,弥补传统统计学模型在大数据时代背景下对城市空气质量预测准确率低、容错能力差等问题,提出利用随机森林回归构建城市空气质量预测模型;综合考量污染物浓度、气象参数、时间参数等多方面影响因素,通过网格搜索法调整参数的最优组合,构建基于随机森林回归算法的城市空气质量预测模型;基于重庆市2017-01-01—2020-07-31的指标数据,对重庆市空气质量进行预测分析,结果表明:在模型下训练集与测试集的确定性系数R~2均在99%以上,均方误差D_(MSE)和平均绝对误差D_(MAE)在训练集和测试集上的取值均在可接受范围内,证实模型具有运行速度快、预测误差小、具有较高的预测精度等优点,具备较好的学习能力与泛化能力。     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

特高压直流换流阀TFM板发热原因分析及改造

换流阀是特高压直流输电系统中的关键设备,是换流站的"心脏",其作用是把交流电变换成直流电(称为整流),或者把直流电变换成交流电(称为逆变).TFM板是特高压用晶闸管换流阀的核心器件,其主要功能是实现阀控和换流阀之间信号的光电转换,完成对换流阀的触发、保护、状态检测等功能.而TFM板故障将直接影响直流系统的安全稳定运行.针对TFM板发热原因进行了分析,重点讨论了改造实施情况,并提出改进建议.     

基于双采样随机森林的临滑阶段的预测算法：以湖北黄石某治理地块为例

针对碎石土边坡监测过程中滑坡稳定变形期与临滑阶段监测数据量严重不匹配,导致临滑阶段数据量偏小,从而产生的非平衡数据集造成预判不准确的问题,提出一种基于DST随机森林的碎石土边坡临滑阶段地表位移的预测算法。首先,采用过采样和欠采样相结合的双采样技术(DST,DoubleSamplingTechnique)对地表位移中的非平衡数据集进行采集,然后,通过随机森林预测算法有放回的随机抽样进行预测,最后,通过实验得出预测结果。结果表明:DST随机森林预测算法相比于普通随机森林预测算法预测误差率降低到3.39%,证明双采样技术(DST)采集临滑阶段非平衡数据集的必要性。     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。     

±800kV特高压直流输电系统运行方式研究

±800kV特高压直流输电系统在单极中使用了双阀组设计,每极由两个十二脉动阀组串联组成,单个阀组可以独立运行,这种特殊的结构直接影响了直流系统的运行方式。本文主要研究特高压输电系统运行方式的配置及转换特点。     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.