基于遗传算法优化集成学习与多方法可解释性分析的工业电力系统中性电流可靠估计

《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

【字体: 大 中 小 】 时间:2025年12月31日 来源:International Transactions on Electrical Energy Systems 1.9

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。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号