《International Transactions on Electrical Energy Systems》:Reliable Estimation of Neutral Current in Industrial Power Systems Using Genetic Algorithm–Based Ensemble Learning and Multimethod Explainability Analysis
编辑推荐:
本文提出一种基于遗传算法(GA)优化的集成学习框架,结合SHAP与LIME双通道可解释性分析,实现了工业三相电力系统中性电流(In)的高精度预测。该方法利用12,328组现场实测数据,通过多目标优化同时选择基学习器(SVR、ANN、GPR等)并分配权重,在交叉验证中达到R2=0.9972、RMSE=1.83,噪声环境下仍保持R2=0.9933,为电力质量监测提供了可解释、强鲁棒的解决方案。
1. 引言
工业电力系统中性电流的可靠估计对谐波抑制、设备保护和运行安全至关重要。传统方法如无源滤波和负载平衡在动态工业环境中适应性不足,而现有监测技术多缺乏预测能力。本研究填补了这一空白,首次将遗传算法优化的集成学习与多方法可解释性分析结合,用于中性电流的精准预测。
2. 相关研究综述
2.1. 中性电流现象与危害
工业三相四线系统中,非线性负载和相位不平衡导致中性电流异常增大,引发导体过热和设备故障。研究表明,第三次谐波和零序电流的叠加是主要成因。
2.2. 传统 mitigation 技术局限
被动滤波、变压器矢量组设置等方法无法适应实时变化的负载条件,缺乏前瞻性调控能力。
2.3. 数据驱动模型的兴起
机器学习在电能质量分析中展现潜力,但中性电流预测领域仍存在模型可解释性、泛化能力不足的问题。
3. 材料与方法
3.1. 数据预处理与特征分析
研究基于29个电力特征(如功率、电流、谐波失真指标),采用z-score标准化和IQR去噪,数据呈现重尾分布和相位不对称特性。
3.2. 基模型配置与集成优化
集成框架包含8种回归算法(SVR、ANN、GPR等),通过遗传算法动态选择模型并分配权重,优化目标涵盖RMSE、R2等8项指标。
3.3. 可解释性分析设计
结合SHAP(全局特征贡献)和LIME(局部实例解释),统计比较两种方法的特征重要性差异,28/29个变量显示显著性差异(p< 0.05)。
4. 结果与讨论
4.1. 预测性能与鲁棒性
GA优化集成在10折交叉验证中达到SMAPE=10.31%,未见数据测试保持R2=0.9820。在5%高斯噪声干扰下,模型仅出现轻微性能衰减。
4.2. 可解释性洞察
SHAP分析识别无功功率(Q1-3)和谐波指标为关键特征,而LIME揭示局部环境下电压参数(Urms)的瞬时主导作用,二者形成互补解释视角。
4.3. 方法学对比优势
相较于粒子群优化(PSO)、模拟退火(SA)等方法,GA在帕累托收敛速度和多目标平衡上表现最优,50代内即达到稳定解。
5. 结论与展望
本研究提出的GA-XAI框架为工业电力系统提供了高精度、可解释的中性电流预测工具。未来将扩展至多电压场景,探索轻量级实时部署方案。