基于LightGBM,XGBoost,ERT混合模型的风机叶片结冰预测研究
发布时间：2021-05-16 03:38
近年来,随着互联网、物联网、传感器等信息技术与通信技术的迅猛发展,数据量的急速增长成了许多行业共同面对的严峻挑战和宝贵机遇。而工业中信息技术的进步和现代化管理理念的发展与普及,企业的运营越来越依赖信息技术。在现阶段的工业中,已经存储了海量的设备工况数据,呈现出了大数据的诸多特征,但是绝大部分企业并没有挖掘出这些数据应有的价值。现在先进的信息通信技术不断地融入工业设备中并不断更新,推动工业设备向自动化、数字化、智能化方向发展。中国政府更是基于以上发展趋势提出了“工业大数据”的概念。具体而言,在设备、生产线中配备各种传感器,抓取数据,然后通过无线通信连接互联网,传输、存储数据,对设备运行或生产过程进行点对点的实时状态监控。在设备运行过程中,外部环境或者意外事件会使设备的性能发生一定的变化,会出现故障。现在可通过传感技术感知数据,通过对设备运行过程中的各个因素精确感知并利用统计学习的知识来实现设备的故障诊断。为了充分利用工业中海量数据并且保证诊断的准确性和高效性,本文将基于数据驱动的方法,运用统计学习模型,对风机叶片结冰情况进行预测。本文在对风机运行状态数据划分不同时间窗的基础上,运用模型L...
【文章来源】：上海师范大学上海市
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究目的和意义
1.3 研究内容、方法和技术路线背景
1.3.1 研究内容
1.3.2 研究方法和技术路线
1.4 本文的主要贡献
第二章 文献综述和相关理论
2.1 国内外文献综述
2.1.1 国外研究现状
2.1.2 国内研究现状
2.2 相关理论
2.2.1 XGBoost
2.2.2 LightGBM
2.2.2.1 GOSS
2.2.2.2 EFB
2.2.3 ERT
2.2.4 基于时间窗口的模型融合
第三章 数据来源和特征工程
3.1 数据来源
3.1.1 数据说明
3.1.2 选择该数据的原因
3.2 特征工程
3.2.1 数据表基本分析
3.2.2 特征工程基本框架
3.2.3 缺失值处理和数据标准化
第四章 风机叶片结冰预测模型实证结果分析与比较
4.1 模型评价指标
4.1.1 准确率
4.1.2 平均准确率
4.1.3 精确率、召回率、F值
4.1.4 AUC评价指标
4.2 基于单模型的风机叶片结冰预测
4.2.1 基于XGBoost的叶片结冰预测模型
4.2.2 基于LightGBM的叶片结冰预测模型
4.2.3 基于ERT的叶片结冰预测模型
4.3 基于混合模型的风机叶片结冰预测
4.3.1 时间窗口为半小时下,基于LightGBM的模型实证
4.3.2 时间窗口为十分钟下,基于XGBoost的模型实证
4.3.3 时间窗口为十分钟下,基于ERT的模型实证
4.3.4 时间窗口为十分钟下,基于混合模型的模型实证
4.4 模型对比研究
第五章 总结和后续研究建议
5.1 总结
5.2 后续研究建议
参考文献
附录
致谢
【参考文献】：
期刊论文
[1]风电机组状态检测技术研究现状及发展趋势[J]. 丁显,徐进,滕伟,柳亦兵. 可再生能源. 2017(10)
[2]神经网络技术在风电机组SCADA数据分析中的应用研究[J]. 杜勉,易俊,郭剑波,程林,马士聪,贺庆. 电网技术. 2018(07)
[3]结合链路预测和ET机器学习的科研合作推荐方法研究[J]. 吕伟民,王小梅,韩涛. 数据分析与知识发现. 2017(04)
[4]基于随机森林的风机状态监测数据可视化研究[J]. 郭晓利,温延立. 电测与仪表. 2016(22)
[5]基于证据理论和支持向量机的风机故障智能诊断[J]. 李家伟. 吉林大学学报(理学版). 2016(03)
[6]浅谈风力发电技术的问题与探讨[J]. 杨寅越. 河南科技. 2015(23)
[7]风力机结冰问题研究综述[J]. 东乔天,金哲岩,杨志刚. 机械设计与制造. 2014(10)
[8]叶片覆冰对风电机组的影响[J]. 孙少华,徐洪雷,符鹏程,蔡继峰. 风能. 2014(09)
[9]风电机组叶片结冰研究现状与进展[J]. 王聪,黄洁亭,张勇,韩爽. 电力建设. 2014(02)
[10]基于人工智能的煤矿风机故障诊断方法[J]. 李晶,刘国华. 煤矿机械. 2013(12)
硕士论文
[1]基于超声导波方法的风机叶片覆冰检测[D]. 王鹏.哈尔滨工业大学 2016
[2]基于Xgboost方法的实体零售业销售额预测研究[D]. 叶倩怡.南昌大学 2016
[3]监督学习算法在预测太阳能生产中的应用[D]. 戴卫特.中南大学 2014
本文编号：3188895
【文章来源】：上海师范大学上海市
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究目的和意义
1.3 研究内容、方法和技术路线背景
1.3.1 研究内容
1.3.2 研究方法和技术路线
1.4 本文的主要贡献
第二章 文献综述和相关理论
2.1 国内外文献综述
2.1.1 国外研究现状
2.1.2 国内研究现状
2.2 相关理论
2.2.1 XGBoost
2.2.2 LightGBM
2.2.2.1 GOSS
2.2.2.2 EFB
2.2.3 ERT
2.2.4 基于时间窗口的模型融合
第三章 数据来源和特征工程
3.1 数据来源
3.1.1 数据说明
3.1.2 选择该数据的原因
3.2 特征工程
3.2.1 数据表基本分析
3.2.2 特征工程基本框架
3.2.3 缺失值处理和数据标准化
第四章 风机叶片结冰预测模型实证结果分析与比较
4.1 模型评价指标
4.1.1 准确率
4.1.2 平均准确率
4.1.3 精确率、召回率、F值
4.1.4 AUC评价指标
4.2 基于单模型的风机叶片结冰预测
4.2.1 基于XGBoost的叶片结冰预测模型
4.2.2 基于LightGBM的叶片结冰预测模型
4.2.3 基于ERT的叶片结冰预测模型
4.3 基于混合模型的风机叶片结冰预测
4.3.1 时间窗口为半小时下,基于LightGBM的模型实证
4.3.2 时间窗口为十分钟下,基于XGBoost的模型实证
4.3.3 时间窗口为十分钟下,基于ERT的模型实证
4.3.4 时间窗口为十分钟下,基于混合模型的模型实证
4.4 模型对比研究
第五章 总结和后续研究建议
5.1 总结
5.2 后续研究建议
参考文献
附录
致谢
【参考文献】：
期刊论文
[1]风电机组状态检测技术研究现状及发展趋势[J]. 丁显,徐进,滕伟,柳亦兵. 可再生能源. 2017(10)
[2]神经网络技术在风电机组SCADA数据分析中的应用研究[J]. 杜勉,易俊,郭剑波,程林,马士聪,贺庆. 电网技术. 2018(07)
[3]结合链路预测和ET机器学习的科研合作推荐方法研究[J]. 吕伟民,王小梅,韩涛. 数据分析与知识发现. 2017(04)
[4]基于随机森林的风机状态监测数据可视化研究[J]. 郭晓利,温延立. 电测与仪表. 2016(22)
[5]基于证据理论和支持向量机的风机故障智能诊断[J]. 李家伟. 吉林大学学报(理学版). 2016(03)
[6]浅谈风力发电技术的问题与探讨[J]. 杨寅越. 河南科技. 2015(23)
[7]风力机结冰问题研究综述[J]. 东乔天,金哲岩,杨志刚. 机械设计与制造. 2014(10)
[8]叶片覆冰对风电机组的影响[J]. 孙少华,徐洪雷,符鹏程,蔡继峰. 风能. 2014(09)
[9]风电机组叶片结冰研究现状与进展[J]. 王聪,黄洁亭,张勇,韩爽. 电力建设. 2014(02)
[10]基于人工智能的煤矿风机故障诊断方法[J]. 李晶,刘国华. 煤矿机械. 2013(12)
硕士论文
[1]基于超声导波方法的风机叶片覆冰检测[D]. 王鹏.哈尔滨工业大学 2016
[2]基于Xgboost方法的实体零售业销售额预测研究[D]. 叶倩怡.南昌大学 2016
[3]监督学习算法在预测太阳能生产中的应用[D]. 戴卫特.中南大学 2014
本文编号：3188895
本文链接：https://www.wllwen.com/kejilunwen/yysx/3188895.html
