一种基于贝叶斯优化和LightGBM的干式变压器寿命预测方法与流程

一种基于贝叶斯优化和lightgbm的干式变压器寿命预测方法
技术领域
1.本发明属于电力系统领域，具体涉及一种基于贝叶斯优化和lightgbm的干式变压器寿命预测方法。


背景技术：

2.干式变压器是电力系统中的核心装置，其寿命预测是指预测干式变压器当前时刻到系统失效时刻之间的有效时间间隔。干式变压器性能退化导致的系统失效,会造成巨大的人员伤亡和财产损失。若能在性能退化初期，根据状态监测信息对干式变压器实施寿命预测,可以切实保障干式变压器的安全、可靠和经济运行。
3.目前，干式变压器的寿命预测方法主要包括基于失效机理分析的方法、基于数据驱动的方法以及基于机理模型和数据混合驱动的方法。由于干式变压器机械结构复杂，往往难以建立其精确的数学模型,限制了基于失效机理分析的方法、基于机理模型和数据混合驱动的方法在实际场景中的应用。相比之下，基于数据驱动的方法对模型依赖性小且非线性处理能力强，已经被成功应用于航空航天、军事、工业制造等领域中核心设备的剩余寿命预测。
4.本发明提出一种新颖的基于数据驱动的干式变压器寿命预测框架，以数据驱动的思想，引入轻量式梯度提升机(light gradient boosting machine，lightgbm)方法，建立干式变压器寿命预测模型，并利用贝叶斯策略实现预测模型的超参数寻优。该方法简化了干式变压器寿命预测模型的训练流程，减少了计算量。此外，该方法预测精度高，更适用于数据特征较多且数据样本量较大的情况，能准确反应寿命的变化趋势。


技术实现要素：

5.本发明旨在解决基于模型的寿命预测方法存在模型依赖性强、在干式变压器等具有复杂机械结构的场景中应用受限的问题。为此，本发明从数据驱动角度出发，提出一种基于贝叶斯优化和lightgbm的干式变压器寿命预测方法。本发明用lightgbm方法建立干式变压器寿命预测模型，采用单边梯度抽样算法(gradient-based one-side sampling，goss)排除训练不足的数据，同时采用互斥特征捆绑算法(exclusive feature bundling，efb)将互斥的特征捆绑在一起；使用贝叶斯优化算法寻找出寿命预测模型的最优超参数；最后用精度指标评估模型的预测性能。
6.本发明解决其技术问题所采用的技术方案是：
7.一种基于贝叶斯优化和lightgbm的干式变压器寿命预测方法，所述方法包括如下步骤：
8.1)获取干式变压器的实时工况数据，包括实时谐波电压u、谐波电流i、线圈温度tc、环境温度te与湿度h、有功功率p和无功功率q；
9.2)对已获取的干式变压器数据开展数据预处理，剔除离群点，补全缺失数据，去除高频噪声，并进行归一化处理；
10.3)利用互斥特征捆绑算法提取特征，实现数据降维，并构建样本集；
11.4)将样本集划分为训练集和测试集；
12.5)采用单片梯度抽样算法，训练梯度提升决策树模型，使得分割树模型的节点分裂增益最大化；
13.6)引入梯度提升决策树模型评价指标，包括平均绝对误差准则，均方误差准则，均方根误差准则和决定系数，评估模型预测精度；
14.7)采用贝叶斯优化算法，寻优梯度提升决策树模型的超参数，使得模型预测精度最优；
15.本发明的有益效果主要表现在：1、本发明采用的lightgbm算法相较于传统的梯度提升决策树算法，具有预测精度更高，模型训练速度更快，不易过拟合等优势。2、贝叶斯优化方法能够有效避免不必要的采样，并快速搜索超参数的最优解。3、预测模型具备较好的鲁棒性和较高的预测精度，能够较好地适应数据特征较多及数据样本量较大的情况。
附图说明
16.图1是贝叶斯优化和lightgbm的干式变压器寿命预测方法的算法流程图；
17.图2是lightgbm的直方图原理示意图；
18.图3是按leaf-wise策略的节点生长过程。
具体实施方式
19.为了使本发明的技术方案、设计思路能更加清晰，我们结合附图进行详尽的描述；
20.参照图1，一种基于贝叶斯优化和lightgbm的干式变压器寿命预测方法，包括以下步骤：
21.1)获取干式变压器的实时工况数据集d＝{di,i＝1,2,l,n}，n为数据集样本个数，数据集样本包括实时谐波电压u、谐波电流i、线圈温度tc、环境温度te、环境湿度h、有功功率p以及无功功率q；
22.2)对已获取的干式变压器数据开展数据预处理；
23.2.1)使用3σ准则剔除实施工况数据的离群点，将超出区间(μ-3σ,μ+3σ)的数据予以剔除，其中，μ为数据集的均值，σ为数据集的标准偏差(μ-3σ,μ+3σ)；
24.2.2)使用线性插值法补全缺失数据，公式可以表示为：
[0025][0026]
其中，s0、s1为某两个时间点，d0、d1为对应的样本数据值，s为s0和s1两点之间的某一时间点，d为对应的样本数据值；
[0027]
2.3)采用小波进行一维信号的消噪，去除高频噪声；
[0028]
2.4)采用min-max标准化方法，对数据集进行归一化处理：
[0029][0030]
其中，max{di}为数据集d中元素的最大值，min{di}为数据集d中元素的最小值，xi为归一化后数据集中的数据元素；
[0031]
3)利用互斥特征捆绑算法提取特征，实现数据降维，并构建样本集o＝{xi,i＝1,2,
…
,n}。首先，采用贪婪算法，对特征进行排序；其次，将有序列表中排名最靠后的特征分配给一个新捆绑包；最后，从特征包中识别出原始特征的值；
[0032]
4)将样本集划分为训练集和测试集，首先，将数据集o的所有取值按照绝对值大小降序排序，其次，将数据集oa绝对值最大的前p
×
100％的数据划分为训练集a，剩余的q
×
100％的数据为测试集b，且满足a∪b＝o，常数p和q的取值范围为[0,1]q
×
|ac|；
[0033]
5)采用单边梯度抽样算法，训练梯度提升决策树模型：
[0034][0035]
其中，t∈[0,t]，t为分类回归树的最大个数，函数h
t
(x；θw)为第t棵分类回归树模型，函数f(x；θ)为寿命预测模型的预测值，x为输入数据样本，θ为分类回归树的参数，α
t
为每棵树的权重。采用的损失函数可表示为数据样本真实值和预测值的平方误差，最优模型f*通过最小化损失函数求解：
[0036][0037]
其中，y为真实值，l(y,f(x；θ))为损失函数。单边梯度抽样算法保留绝对值较大的样本，随机选择绝对值较小的样本。为测试集b中绝对值较小的样本赋予一个常数权重
[0038]
在决策树上的节点d分割特征j的方差增益可以表示为：
[0039][0040][0041][0042]
其中，gi为数据样本真实值与预测值的差值，a
l
＝{xi∈a:x
ij≤d
}ar＝{xi∈a:x
ij》d
}b
l
＝{xi∈b:x
ij≤d
}br＝{xi∈b:x
ij》d
}将数据集o no＝∑i[xi∈o]在节点d处分割，特征j大于节点d的样本集为集合r，剩余部分为集合l，分别定义为r＝{xi∈o:x
ij》d
}xi∈o:x
ij≤d
和l＝{xi∈o:x
ij≤d
}r＝{xi∈o:x
ij》d
}，它们的维度分别为}，它们的维度分别为分割得到的信息增益分别为l1和l2。同理，将测试集a和训练集b在节点d处分割，分别定义为ar＝{xi∈a:x
ij》d
}，a
l
＝{xi∈a:
x
ij≤d
}，br＝{xi∈b:x
ij》d
}，b
l
＝{xi∈b:x
ij≤d
}。决策树的方差增益最大是单边梯度抽样算法的最终优化目标；
[0043]
同时，决策树使用直方图算法寻找最佳分裂点，如图2所示。首先，将离散的k个特征构造宽度为k的直方图；其次，根据离散化后的值作为索引进行累计统计；最后，遍历数据，寻找最优点；
[0044]
决策树的生长采用leaf-wise生长策略，如图3所示。首先，从当前所有叶子节点中，找到具有最大分裂增益的节点；其次，进行迭代分裂，多次循环；最后，限制决策树的深度，在保证高效率的同时避免过拟合；
[0045]
6)使用平均绝对误差(mae)、均方误差(mse)、均方根误差(rmse)以及决定系数(r2)作为模型评价指标。同时使用以上四种指标来校验寿命预测模型的精度，计算公式为：
[0046][0047][0048][0049][0050]
其中，n为样本个数，yi为预测样本真实值，为模型预测值，为预测样本真实值的均值。
[0051]
7)采用贝叶斯优化算法，寻优梯度提升决策树模型的超参数，使得模型预测精度最优，过程如下：
[0052]
7.1)使用树形parzen估计器(tree-structured parzen estimator，tpe)算法，初始化超参数的先验概率分布p(α？β：
[0053][0054]
其中，α为超参数，β为风险值，e(α)为观测α形成的密度，其对应的风险损失β＝f(α)小于β
*
；g(α)为除α外剩余的观测值形成的密度，β
*
为当前观测风险值β的某个分位数c，满足p(β《β
*
)＝c；
[0055]
7.2)选取超参数α，使得期望提升(expected improvement，ei)采集函数取最大值，ei采集函数ei
β*
(α)定义为：
[0056][0057]
其中，γ为平滑参数，取值为[0,1]；
[0058]
7.3)在原决策树模型中评估α{x(i)}并获取风险值β；
[0059]
7.4)使用新的α和β估计对应的后验分布p(β)；
[0060]
7.5)重复上述过程，不断更新p(β)选择超参数α，直到得到最优解。