(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110667340.X (22)申请日 2021.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 113536662 A (43)申请公布日 2021.10.2 2 (73)专利权人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 李振华　陈兴新　兰芳　钟悦　 黄悦华　张磊　邾玢鑫　杨楠　 程江洲　张文婷　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 吴思高(51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G01R 35/02(2006.01) (56)对比文件 CN 111814390 A,2020.10.23 CN 109325 616 A,2019.02.12 CN 110782658 A,2020.02.1 1 KR 102157613 B1,2020.09.18 Janmenjoy Nayak, et al. .Hyper- parameter tuned l ight gradient bo osting machine using memetic firefly algorithm for hand gesture recogn ition. 《Applied Soft Computi ng》 .2021, 审查员 吴雪薇 (54)发明名称 基于萤火虫优化LightGBM算法的电子式互 感器误差 状态预测方法 (57)摘要 基于萤火虫优化LightGBM算法的电子式互 感器误差状态预测方法， 包括： 采集电子式互感 器影响参量和误差参量， 构建数据模型； 计算影 响参量和误差参量间的距离相关系数， 根据距离 相关系数选择电子式互感器的主导影 响参量； 萤 火虫算法对LightGBM算法的学习率、 最大深度和 子叶个数进行超参数寻优； 根据最优超参数对误 差参量进行建模 预测， 计算实际误差参量与预测 误差参量的差值， 以平均绝对误差和均方根误差 作为预测评估。 本发明方法能够在不停电的状态 下， 有效预测电子式互感器误差状态曲线走势， 为在线监测电子式互感器误差状态提供可参考 依据。 权利要求书2页 说明书6页 附图3页 CN 113536662 B 2022.06.21 CN 113536662 B 1.基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法， 其特征在于包括 以下步骤： 步骤一： 采集电子式互感器误差参量和影响参量， 对采集的误差参量和影响参量数据 进行处理， 构建数据模型； 步骤二： 计算误差参量和影响参量的距离相关系数， 根据距离相关系数选择误差参量 受影响的主 要特征， 将处理后的相关参 量划分为训练集、 验证集、 测试集； 所述步骤二包括以下步骤： 步骤2.1： 计算影响参 量和误差参 量的距离相关系数： aj,k＝||xj‑xk||2,j,k＝1,2,...,n bj,k＝||yj‑yk||2,j,k＝1,2,…,n 式中， j、 k表示参量的j行和k行； n为样本数量； aj,k、 bj,k分别表示影响参量的成对距离 和误差参量的成对距离， 即数 组间每行数据之间的范数距离； Aj,k、 Bj,k表示对影响参量和误 差参量的成对距离进行中心化处理， 表示参量第j行平均值， 表示参量第k列 平均值， 表示参量的距离矩阵平均值； v2(x,y)、 v2(x,x)分别表示参量距离的平方协方 差的算数平均和参量距离方差； 距离相关系数R2(x,y)衡量线性相关性和非线性相关性， 取 值范围为[0,1],系数越大说明相关性越强； 步骤2.2： 对影响参量进行特征选择， 基于距离相关系数的值越大， 说明对模型的预测 影响越大， 从而筛选对误差参量影响最大 的主导影响参量， 再对筛选数据按比例划分为训 练集、 验证集、 测试集； 步骤三： 基于萤火虫算法寻找L ightGBM算法的最优 超参数； 步骤四： 训练集再次对萤火虫算法寻找LightGBM算法的最优超参数模型进行训练， 测 试集作为基于萤火虫的LightGBM模型的输入， 以平均绝对误差和均方根误差作为预测评 估； 通过上述步骤， 完成电子式互感器误差状态预测。 2.根据权利 要求1所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方 法， 其特征在于： 所述步骤一中， 所述影响参量包括温度参量、 磁场参量、 振动参量、 湿度参 量、 负荷参 量； 所述误差参量包括比差参 量、 角差参 量。 3.根据权利 要求1所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方 法， 其特征在于： 所述 步骤三， 包括以下步骤： 步骤3.1： 初始化萤火虫算法参数： 对萤火虫算法的初始吸引度、 光强吸收系数、 初始光强度、 步长因子、 迭代次数的基本 参数进行初始化； 步骤3.2： 萤火虫位置初始化： 随机初始化 LightGBM算法的学习率、 最大深度和子叶个数， 作为萤火虫算法初始位置； 步骤3.3： 通过训练集对基于萤火虫的Li ghtGBM算法进行建模， 验证集输入未寻优前的权　利　要　求　书 1/2 页 2 CN 113536662 B 2LightGBM算法模型误差， 根据模型误差计算萤火虫亮度、 吸引度， 更新萤火虫空间位置， 当 达到迭代次数， 输出L ightGBM算法的最优 超参数。 4.根据权利 要求1所述基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方 法， 其特征在于： 所述 步骤四中， 以平均绝对误差MAE(Mean  Absolute  Error)和均方根误差RMSE(Root  Mean Square  Error)作为预测评估， 其公式为： 其中， y(i)和 分别表示i时刻的真实值和预测值； n为预测样本数； 当平均绝对误差 和均方根 误差越小， 说明萤火虫算法对L ightGBM超参数寻优效果越好。权　利　要　求　书 2/2 页 3 CN 113536662 B 3