[发明专利]基于参数优化的随机森林油中气体浓度预测方法及系统

说明书

本公开提供了一种基于参数优化的随机森林油中气体浓度预测方法，包括：获取变压器的油色谱数据；依据油色谱数据和预设的油中气体浓度预测模型，得到油中气体浓度；所述油中气体浓度预测模型通过随机森林算法训练得到；进行油中气体浓度预测时，先将随机森林中决策树数目、决策树最大深度、节点可分最小样本数、叶子节点的最小样本数和最大叶子节点数进行参数优化，然后将优化后的参数值带入随机森林算法中，并对变压器的油中溶解气体进行浓度预测；本公开对随机森立算法的五个关键参数进行优化，将优化后的参数值带入随机森林算法中，并对变压器的油中溶解气体进行浓度预测，获得理想仿真结果，改进的随机森林算法具有更好的适用性和可行性。

技术领域

本公开属于变压器技术领域，尤其涉及一种基于参数优化的随机森林油中气体浓度预测方法及系统。

背景技术

变压器作为电网运行中的关键设备，其油中溶解气体浓度预测一直是研究热点问题；随机森林算法作为一种泛化能力很强的集中机器学习算法，算法性能与算法参数选择有密切影响；目前存在较多的利用随机森林算法解决变压器油中溶解气体浓度预测方法。

本公开发明人发现，现有的随机森林变压器油中溶解气体浓度预测方法中，忽略了参数取值问题，影响了预测结果，现有方法的实用性和鲁棒性较差。

发明内容

本公开为了解决上述问题，提出了基于参数优化的随机森林油中气体浓度预测方法及系统，本公开对随机森立算法的五个关键参数进行优化，将优化后的参数值带入随机森林算法中，并对变压器的油中溶解气体进行浓度预测，获得理想仿真结果，证明了改进的随机森林算法具有更好的适用性和可行性。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本公开提供了一种基于参数优化的随机森林油中气体浓度预测方法，包括：

获取变压器的油色谱数据；

依据油色谱数据和预设的油中气体浓度预测模型，得到油中气体浓度；

其中，所述油中气体浓度预测模型通过随机森林算法训练得到；进行油中气体浓度预测时，先将随机森林中决策树数目、决策树最大深度、节点可分最小样本数、叶子节点的最小样本数和最大叶子节点数进行参数优化，然后将优化后的参数值带入随机森林算法中，并对变压器的油中溶解气体进行浓度预测。

进一步的，参数优化过程为：

对所有需要优化的参数进行遗传编码，并生成初始种群；

将初始种群中每个个体的参数带入随机森林算法，进行回归分析，得到预测结果；

采用可决系数作为适应度：可决系数越接近1，表示模型准确度越高；

判断遗传算法的终止条件是否满足，如果满足则结束计算，否则，重新生成足量个体形成种群；

重复上述过程。

进一步的，所述可决系数R²为：

其中，y_i为真实值，f(x_i)为预测值，为真实值均值。

进一步的，评估每个个体的适应度，根据适应度进行选择、交叉、变异和克隆操作，然后判断终止条件。

进一步的，随机森林算法中决策树的生成过程为：将输入空间递归地划分为二叉树，每个节点只向下分裂成两个区域，生成回归决策树。

进一步的，随机森林算法抽取数据采用无权重抽样，根据事先设定的决策树数量，对训练集数据进行多次有放回抽样，每次抽样产生相应的决策树。

进一步的，进行油中气体浓度预测模型训练时，将数据集分为训练集和测试集。