随机森林

为及时掌握输电线路绝缘子污秽情况，提出了一种基于气象的绝缘子盐密预测方法。挖掘了与积污相关性更强的气象特征，通过随机森林评估了气象特征的重要程度，结合序列前向搜索确立了最佳气象特征子集。基于台州市自然积污测试数据，使用极限学习机（extreme learning machine，ELM）建立盐密预测基础模型，并使用思维进化算法（mind evolution algorithm，MEA）对其初始权值与阈值进行优化，通过自适应提升（adaptive boosting，AdaBoost）算法集成进一步提高模型精度。结果表明：AdaBoost-MEA-ELM模型盐密预测平均绝对误差为0.0032 mg/cm2，相比原始ELM模型误差降低58.97%，优化效果显著；与其他模型对比验证了AdaBoost-MEA-ELM模型的性能以及3种算法结合的合理性；通过k折交叉验证获得了训练数据改变时模型误差的变化情况，进一步验证了模型的泛化性与稳定性。

针对交流接触器各状态样本不均衡导致故障状态识别精度低和特征冗余度高的问题，文中提出一种基于嵌入式随机森林(embedded random forest，ERF)和贝叶斯优化非线性支持向量机(Bayesian optimization-support vector classification，BO-SVC)的复合识别方法。首先，通过交流接触器全寿命试验平台提取接触器状态特征，并针对各状态样本间不均衡导致识别精度低现象，提出一种基于权重法的样本均衡处理策略。然后，使用ERF对均衡后样本进行特征选择和降维，提取最能表征触头状态变化规律的最优特征。最后，将最优特征输入到BO-SVC识别模型，与另外2种代表性模型作为对比，以精确率、召回率和F1-分数3个指标对各模型性能进行评估。在3个指标上，文中方法的结果分别达到95.22%、98.91%和97.01%，均高于对比模型。以F1-分数为指标，在4组样本上对各模型性能进行测试，结果表明文中方法的F1-分数平均高出对比模型0.56%和27.28%，验证文中研究有效解决了交流接触器特征冗余和故障识别精度低的问题。

随着高比例分布式能源(distributed generation, DG)的接入，配电网的拓扑变化更加频繁。针对含DG的配电网拓扑辨识所需量测特征多、辨识准确率低的问题，提出基于随机森林(random forest, RF)算法和最大互信息系数(maximal information coefficient, MIC)关键特征选择的配电网拓扑辨识方法。首先，考虑风光出力的不确定性和相关性，基于Frank-Copula函数得到典型风光出力场景，与配电网不同拓扑相结合构建数据集。然后，根据RF和MIC进行特征选择，筛选出对拓扑辨识最重要且不含冗余信息的关键特征。最后，利用蝙蝠算法(bat algorithm, BA)优化BP(back propagation, BP)神经网络模型对配电网拓扑模型进行辨识。通过IEEE 33节点配电网和PG&E 69节点配电网进行仿真分析，验证所提模型的可行性。

随机森林算法具有抗噪声和计算能力强的优点，被广泛应用于旋转机械的振动故障诊断中，但在工业场景中存在样本较少、无法引入先验知识、准确度较低等问题。对此，基于层次分析思想，利用信息熵引入先验知识优化决策树，提出了基于IRF（改进随机森林算法）的汽轮机振动故障诊断方法。为验证所提方法的有效性和可靠性，采用某百万火电机组数据中心的真实运行数据集进行评估。计算结果表明，相较于经典随机森林算法，IRF能够在降低33%决策树数目的情况下具有更高的精确度和低漏报率，同时运行时间缩短至经典随机森林算法的11.4%，在火电机组实时精确振动故障诊断方面有较高的实用价值。

针对能源物联网背景下，5G场景下的馈线自动化系统网络安全边界模糊、合法终端被利用作为跳板攻击内网的问题，文章提出一种基于零信任的馈线自动化5G网络访问控制方法。首先，选取能准确反映5G场景下馈线终端特性行为的数据作为信任评价指标，使得馈线终端信任值计算更加可靠；其次，采用多元线性回归模型预测馈线终端的信任值，并提出被访问资源的信任阈值计算方法；最后，根据馈线终端信任值与被访问资源的信任阈值进行访问决策，实现了更细粒度的访问控制。实验结果表明，相较于随机森林模型、支持向量机模型和径向基神经网络模型，多元线性回归模型在信任值预测准确性方面具有优势，并且其信任值预测时延能够满足馈线终端间对等通信对时延的要求。

为实现配电网区域风险等级的准确预测,文章提出了一种基于组合机器学习模型的配电网故障等级预测方法。通过对原始数据预处理,并对故障等级进行合理划分后,归纳整理配电网故障相关特征,利用随机森林算法对特征权重进行计算并排序,获得最优故障特征集,随后采用CNN-MSVM算法进行故障风险等级预测,并对模型参数进行优化。通过实际算例分析,验证了所提方法具有良好的预测性能,预测所得结果能够为配电网的风险防控提供理论基础,具有较好的推广与应用价值。

城市配电网安全稳定运行关乎国计民生。感知体系是其可靠运行的基础。立项之初，大型城市配电网感知设备往往局部配置冗余、整体感知能力不足，经济性较差；感知数据完整性、精准度不高，风险防控缺乏数据支持和有效方法；提高电网精益感知水平迫在眉睫。随着分布式电源大量接入、智能化设备快速推广，城市配电网规模愈加庞大，加速向多源协同、信息物理融合的复杂系统演变，对感知和运行提出了更高要求，突破精益感知与风险防控技术意义重大。 长期以来，大型城市配电网精益感知和风险防控领域面临三大难题：①网架结构多样、运行不确定性强，兼顾经济性、可靠性、可观性等多目标的感知设备精准配置难度大；②终端设备运行环境复杂、元件耦合度高，信号交互干扰，设备-系统多层级、多类型数据可信提升困难；③城市配电网呈现源网荷交互、信息物理耦合、中低压协同等特征，风险主动防控十分复杂。 在国家自然科学基金和国网科技项目支持下，团队历时6年产学研联合攻关，取得三方面重大技术突破：①建立了兼顾可观性、可靠性的中低压配电感知设备优化配置模型，突破了基于改进差分演化算法与模糊综合评价的配置方法，优化感知设备位置、类型；②突破了感知终端多维可信诊断技术，攻克了融合参数识别与过零同步的拓扑自动辨识方法，提出了基于随机森林模型分析与数据流异常检测的主站-终端双重校核技术，异常数据识别准确率超过97%；③提出了信息物理协同的配电网“设备-网格-系统”多空间尺度风险感知技术，突破了考虑时滞影响的功率波动协同平抑技术，发明了融合配用电信息的中低压故障快速识别与分级供电保障方法，提升了风险防控能力。 项目获授权发明专利11项，发表论文33篇，发布国标等技术标准8项，出版专著1部，登记软著8项，研制软硬件8套。项目通过了中电联组织的成果鉴定，中国工程院罗安院士任组长的鉴定委员会一致认为配电网感知设备优化配置和精益化感知技术处于国际领先水平。 成果在天津、杭州等20多个大型城市率先应用，并规模化推广至陕西、贵州等23个省，感知体系建设成本降低8.35%以上，异常量测数据识别准确率超过97%，有效平抑了分布式电源、“煤改电”等电能替代负荷大规模接入后带来的风险，直接经济效益超10亿元，在庆祝新中国成立70周年大会、进博会等重大活动保电中发挥了关键作用，间接效益数十亿元，促进配电网感知与防控从“粗放+被动”向“精益+主动”转变，为支撑“新基建”、推进城市能源变革提供了坚强技术保障。

提出一种考虑柔性资源协同互动的配电网灵活性评估方法。首先，构建包含协同调节能力、协作效益质量和电网可靠性三方面的灵活性评估指标体系；其次，采用高斯混合模型构建了典型运行场景，采用层次分析法和随机森林模型分别确定评估指标的主观权重与客观权重，并通过双层评估流程，计算得到各典型场景下的评估指标值；然后，根据典型场景的出现概率，加权得到各个柔性资源接入方案的综合灵活性评估指标值；最后，通过54节点配电网算例分析，验证了所提方法的可行性和有效性。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。

光伏发电在电力系统中占比不断提高，实现准确的光伏出力概率预测能够有效辅助电网调控运行。为了提高概率预测精度，提出了一种基于改进灰狼算法和TCN-QRF（时间卷积神经网络-分位数随机森林）的光伏出力概率预测方法。首先将完成预处理的光伏出力时间序列数据集转换为监督学习数据集；然后使用TCN提取光伏出力时序特征作为QRF的输入，构建TCN-QRF模型；最后，基于非线性收敛因子和高斯突变策略改进灰狼算法，使用改进灰狼算法完成TCN-QRF超参数的高效选择，实现了更精准的光伏出力概率预测。