基于CatBoost的常用电器负载电弧故障识别方法.pdf

第6 0 卷第7 期2023年7 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.7Jul.15,2023基于CatBoost的常用电器负载电弧故障识别方法金翠,刘洋,李琦,赵墨林,莫显耀,王影（内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院，呼和浩特0 10 0 10）摘要：电气火灾造成的危害日益受到人们重视，其成因中占比最大的是电弧故障。电弧识别是一种重要的电弧故障预防性技术,可以监测电气设备中的电弧事故,以便及时采取应对措施,是智能用电的重要组成部分。文中就电弧故障识别方法展开研究，搭建了实验平台,分析了不同家用电器负载组合的电弧特征，进行了特征提取；提出了一种基于CatBoost分类模型的电弧识别方法，使用CatBoost模型对提取到的特征进行训练，以实现电弧故障的快速识别；经过测试及验证，与现有的SVM、R a n d o m Fo r e s t 等常用识别分类方法相比，提出的基于CatBoost分类模型的电弧识别方法具有更高的准确率和召回率，能够有效提高电弧事故的识别精度。关键词：电弧故障;CatBoost分类模型；电弧识别；召回率D0I:10.19753/j.issn1001-1390.2023.07.028中图分类号：TM501.2CatBoost-based arc fault identification method for common electrical load(Inner Mongolia Electric Power Economic and Technological Research Institute,Inner MongoliaAbstract:The hazards caused by electrical fires are receiving increasing attention,and the largest proportion of their cau-ses is arcing fault.Arc identification is an important preventive technology to monitor arcing in electrical equipment so thattimely countermeasures can be taken,and is an important part of smart electricity.In this paper,we conduct a study onthe arc fault identification method,we first build an experimental platform,and then,analyze the arc characteristics ofdifferent household appliance load combinations and perform feature extraction.We propose an arc identification methodbased on CatBoost classification model,and use the CatBoost model to train the extracted features to achieve fast identifi-cation of arc accidents.After testing set,it is verified that the proposed arc recognition method based on CatBoost classifi-cation model has higher accuracy and recall rate compared with existing recognition classification methods such as SVMand Random Forest,which can effectively improve the recognition accuracy of arcing accidents.Keywords:arc fault,CatBoost classification model,arc identification,recall rate00引言我国应急管理部消防救援局发布了2 0 2 1年全国消防救援队伍接处警与火灾情况，数据显示2 0 2 1年全国共接报火灾7 4.8 万起，其中电气占火灾总数的28.4%，同时较大以上火灾则有超过三分之一系电气故障引起，电弧故障已成为电气火灾的最重要成因。电弧故障是电动机、变压器等电气设备中常见的现象，由于其突发的特性极易造成损失和危害。因此，准确识别电弧并及时采取措施防止事故发展对于火灾防范和电气设备安全是非常重要的。由于电弧事故发生的时间短、信号复杂多变，而且随着用电场景的不同,信号特征也不同，传统的安全监控方法难以有效检基金项目：内蒙古电力（集团)有限责任公司科技项目（LX34210245）文献标识码：BJin Cui,Liu Yang,Li Qi,Zhao Molin,Mo Xianyao,Wang YingElectric Power（G r o u p)Co.,L t d.,H u h h o t 0 10 0 10,Ch i n a)文章编号：10 0 1-139 0(2 0 2 3)0 7-0 19 3-0 8测和识别电弧2。常见的传统电弧故障识别方法主要从电弧的数学模型、物理特性、电压电流特性等几个方面展开研究。文献3采用Schwarz电弧数学模型,通过已知的电压、电流、热扩散等规律对串联电弧进行了数学仿真研究。根据电弧的物理特性，如发光、放热以及电磁辐射等现象,文献4提出了基于热电离的物理特性对电弧故障进行识别研究。根据电弧的电压电流特性,从时域和频域两方面分析,文献5利用小波包去噪,结合EMD方法分解得到本征模态分量，用以克服故障电弧检测时信号的高频噪声的干扰。近年来,随着机器学习、人工神经网络的发展，越来越多基于人工智能的电弧故障检测算法被应用于电弧故障识别领域,文献6提出了基于K-means算法的故障电弧检测方法。一19 3一第6 0 卷第7 期2023年7 月15日参考国家标准文献7 相关要求搭建了不同场景的实验平台，获取了不同负荷组合的电弧故障时的电流数据,并从时域和频域中提取了十个特征构建电弧特征向量,然后提出了基于CatBoost的电弧故障识别模型,使用CatBoost模型对提取到的特征数据进行训练，最终实现了电弧故障的快速识别。1数据获取与特征分析1.1实验平台搭建为了模拟产生电弧的各种情况，文中参考电弧检测装置（AFDD)标准制作了特定电弧发生器,结构如图1所示。铜棒和碳棒作为两个电极分别分布在电极座上两侧，为保证两者的充分接触，将铜棒电极设计成尖端，碳棒设计成平面；再调节可移动滑块使碳棒电极成为移动电极，同时两边分别留出导线用以连接电源；最后以透明亚克力板罩住整个装置，避免燃弧时电火花飞溅。产生电弧时，为保证安全，首先调节可移动滑块，使两极充分接触，然后使两侧通电，让电路导通，然后慢慢让两极分开，当电极间距较小时就会产生电弧，间距较大时就会电弧熄灭，电路断开。电源侧铜棒碳棒负载侧口滑块侧面调节器图1电电弧发生器Fig.1Arc generator文中参考国家标准相关要求7 设计了电弧数据测量实验平台，实验平台由实验电路和测量设备组成，实验电路主要由2 2 0 V/50Hz交流电源、电弧发生装置、负载串联组成，如图2 所示。为了便捷地获取大量实验样本进行特性研究并建立数据样本库，测量设备采用示波器采样并存储电弧串联电流数据。电弧发生装置用于产生电弧，通过丝杠旋转调节电极间距，控制两者到达适当距离即可产生电弧。通过本实验平台，可测得不同状态下不同负载组合的电流数据，进而建立样本库。交流供电电弧发生装置空气开关图2 电弧故障实验采集平台Fig.2 Arc fault experiment acquisition platform一 19 4一电测与仪 表Electrical Measurement&Instrumentation1.2负载组合选择为了研究在不同电器负载下的电弧故障电流多样性,文中按照阻性和感性对各种负载分类8,并选择了典型的阻性和感性以及阻感性负载进行实验,并采集不同负载组合场景下正常运行和发生电弧故障情况下的数据。具体的实验负载类型及工作功率如表1所示，电源为220V/50Hz的交流电，示波器的采样频率为10 kHz。表1实验负载类型及工作功率Tab.1EExperimental load type and working power负载类型阻性负载感性负载阻感性负载根据表中的各种负载及组合，建立实验环境。采集正常工作时和故障时的电流波形数据，每种状态下保存100组数据,共计2 0 0 0 组数据组成电流波形数据库，然后对阻性、感性、阻感性负载的电流波形进行分析。1.3电弧特征分析从实验平台获取的数据中分别取出电水壶正常运行和电弧故障的电流波形,将5个周期的波形作为一组完整的波形数据进行分析，通过对比分析可以发现，阻性负载电水壶在正常工作时的电流波形接近标准的正弦波。在电弧故障发生时,电流在零点附近有明显“平肩部”，即“零休”现象，而且在每个周期电流上升沿和下降沿都会出现。电流波形总体上也存在明显的畸变，每个周期“平肩部”的宽度有所不同，说明电弧在每次熄灭和引燃的过程中存在一定的随机性。电弧故障时电流的幅值有效值比正常时略低，因为电弧燃烧时击穿空气增加了线路在短时间尺度上的平均阻抗。其他阻性负载，如图3白炽灯的情况中，虽然功率不波形采集同,但电弧故障波形中也可以发现与同类型阻性负载负载2电水壶相似的特点（见图4）。吸尘器是典型的感性负载，其正常运行和电弧故负载障的电流波形如图5所示。通过分析发现在正常工作状态下,吸尘器的电流波形大致为一个等腰三角形,但是电流在零点前后的斜率存在一定差异。在电弧故障时，在零点附近存在明显的“平肩部”且整体产生大量谐波。与阻性负载相比，感性负载在电弧故障时产生的“平肩部”宽度要大得多。在正常运行时,感性负载Vol.60 No.7Jul.15,2023负载名称功率白炽灯20W纯电阻1 000W电水壶1500W吸尘器600W电机800W电风扇1000W电水壶+电机2.300W电水壶+吸尘器2100W电阻+吸尘器1 600 W电吹风高档位1 200W第6 0 卷第7 期2023年7 月15日2.5F21.510.50-0.5-1-1.5-2-2.500.020.040.060.08时间/s(a)正常运行时32V/0-1-2-300.02 0.040.06 0.08时间/s(b）电弧故障时图3阻性负载白炽灯的电流波形Fig.3Current waveforms of the resistive loadincandescent lamp10864V/E20-2-4-6-8-1000.020.04 0.060.08时间/s(a)正常运行时1086420-2-4-6-8-10日00.020.040.06 0.08时间/s(b）电弧故障时图4阻性负载电水壶的电流波形Fig.4Current waveform of resistance load electric kettle电测与仪 表Electrical Measurement&Instrumentation432V/日10-1-2-3-40.100.020.040.060.08时间/s(a)正常运行时864V/20-2-4-6M-800.1图5感性负载吸尘器的电流波形Fig.5Current waveform of inductive load vacuum cleaner的电流在过零点时就存在阻抗变化，使电流在零点附近的上升率降低。在发生电弧故障时，由于电弧本身使线路阻抗产生了不连续的、易突变的变化。使感性负载在电流过零时的特性表现被放大,并使电流过零的“平肩部”变得更宽。阻感性负载由电机和电吹风联合组成，电吹风的主要功率消耗来自于电热丝，需要对线路并联一个功率较大的电机以维持平衡。该联合负荷的正常运行和电弧0.1故障的电流波形如图6 所示，通过分析可以发现在正常运行时,阻感性负载的电流波形接近正弦波形但有所差异,但是在电弧故障时,波形发生了较大的变形,零点附近产生了不同宽度和不同斜率的“坡度”，每个周期电流波形峰谷值频繁变化,甚至出现某一周期的谷值消失，直接变化成“平肩部”。这是由于电弧故障时线路的阻抗频繁变化,使电机的转子频繁启停,但电机的转子存在惯性延迟了启停，导致电流波形大幅变化。将上述不同类型负载及其组合的正常运行和电弧故障时的电流波形进行综合对比可以得出以下结论：0.1(1)在串联交流电线路中发生电弧故障时,电流波形会在零点附近出现“平肩部”和“零休”特征，这种特征对于判断电弧故障具有显著的参考价值；(2)同种类型的负载，即使功率大小不同，但电流波形相似,有一定的规律,但也有区别；195Vol.60 No.7Jul.15,20230.10.020.040.06 0.08时间/s(b）电弧故障时0.1第6 0 卷第7 期2023年7 月15日（3)不同类型的负载对于这种现象的影响有所不同,纯感性负载会导致谐波毛刺的产生，而阻感性负载则会导致电流周期均值的变化。642V/审0-2-4-600.020.04 0.060.08时间/s(a)正常运行时8642V/甲0-2-4-6-80图6阻感性电吹风+电机的电流波形Fig.6Current waveform of resistive-inductivehair dryer and motor2电弧故障数据时频域特征分析对采集得到的电流数据分析后，可以看出正常的故障时的电流波形特征存在差异，但是不同类型的负载发生电弧故障时特征是不相同的9，同类型的不同负载发生电弧故障时,特征也有区别,因此对电弧故障数据进行特征分析是非常重要的。2.1时域特征分析通过对原始数据进行时频域上的特征工程，深人分析电流特征，时域特征主要包括变化率、平均值、峰峰值、方差、均方根值、峭度、波形因子；频域特征主要包括重心频率、均方频率、n次谐波相对含量。主要时域、频域特征及计算式如表2 所示。2.2频域特征分析从1.3小节中的波形图中可以看出，当电弧故障产生时，电路电流产生了不同程度的变化，且带有很强的随机性，如果从能量的角度去进行思考，将会更全面10。频域分析是一种常见的信号分析手段，而傅里叶变换是用于频域分析的主要方法，针对采集的长度为N的信号样本n 进行傅里叶变换（FastFourierTransform,FFT):-196一电测与仪 表Electrical Measurement&Instrumentation表2 时频域特征及表达式Tab.2Time-frequency domain characteristicsand expressions时频域特征变化率平均值峰峰值方差均方根0.1峭度脉冲因子重心频率均方频率X(m)=FFTx(n)=Z0.02 0.040.060.08时间/s(b）电弧故障时Vol.60 No.7Jul.15,2023表达式Ilehange=maxi,-in-1 XmeanPpvmax(i)-min(i)二N1XvarXImsNXCfXfP(S)dfFCP(S)dfPP(f)dfMSFP(S)dfN-10.1x(n)e-2m/,(0 mn=0N-1)得到了信号样本在各频率下的含有量,各典型负载在正常和故障情况下的幅频差异如图7 图10 所示。2.52V/1.510.50021.510.5040100200300400500频率/Hz(b）电弧故障时图7阻性负载白炽灯的幅频图Fig.7 Amplitude frequency graph of resistiveload incandescent lampN（x n-XmeanN-111N14100 200300400500频率/Hz(a)正常运行时(1)第6 0 卷第7 期2023年7 月15日108V/64200108V/64200100200300400500频率/Hz(b）电弧故障时图8 阻性负载电水壶的幅频图Fig.8Amplitude-frequency diagram of aresistive load electric kettle543210054值32100100200300400500频率/Hz(b）电弧故障时图9 阻感性负载电吹风+电机的幅频图Fig.9 Amplitude-frequency diagram of the resistor-inductanceload hair dryer and motor电测与仪 表Electrical Measurement&Instrumentation3.532.5V/21.510.50100200300400500频率/Hz(a)正常运行时100200300400500频率/Hz(a)正常运行时Vol.60 No.7Jul.15,20230100200300400500频率/Hz(a)正常运行时32.5V/21.510.500图10 感性负载吸尘器的幅频图Fig.10Amplitude-frequency diagram of the inductiveload vacuum cleaner由图7 和图8 对比可以看出同种类型的电器，即使电器的功率相差较大，但是其幅频图变化趋势基本相同。对比图7、8、9、10 各类型负载在正常和故障时的幅频图可知,同一负载在正常状态和发生电弧故障状态下，电流波形相似，但是谐波含量成分都增加，由电气信号分析经验可知谐波能量主要集中在低次谐波，且奇次谐波比偶次谐波变化更加明显,所以文中选择二、三、四、五、六、七次谐波相对基波的含有量作为频域特征。3基于CatBoost 的电弧故障识别3.1 CatBoost 算法CatBoost算法是Boosting系列集成学习算法的一种17,Boosting算法的原理是将多个弱学习器组合成强学习器，实现过程是：利用数据子集通过不断学习调整原训练集中各个样本相对应的权重,权重是指下一轮学习对样本的重视程度,而调整权重的根据是上一轮训练的结果,然后根据顺序不断迭代，从而提高学习期性能，最后组成强学习器18 2 0 1CatBoost算法是2 0 17 年Yandex公司提出的基于改进梯度提升决策树（Gradient Boosting Decision Tree，GBDT)的集成学习算法，他最突出的优点是通过排序提升策略来解决梯度提升决策树中存在的梯度偏差和预测偏移(Prediction shift)问题,从而减少了过拟合的发生2 1。同时通过完全对称树为基学习器来提升模型的一19 7 一100200300400500频率/Hz(b)电弧故障时第6 0 卷第7 期2023年7 月15日准确性和速度,能够克服梯度偏差,解决预测偏移问题，而且可以依靠完全对称树进行快速组合2-2 5,这使得该算法不易过拟合的同时,提升了处理速度和准确率。3.2基于CatBoost的电弧故障检测算法基于CatBoost的电弧故障检测算法具体步骤如图11所示。首先对采集电流信号数据进行预处理，然后进行时频域特征分析，得到时频域特征数据集。然后构建CatBoost算法模型,将特征数据集按照一定比例划分为训练集和测试集。接着对训练结果分析,并不断调整参数，然后挑选出CatBoost模型中需要优化的最佳参数组合，使得模型性能达到最优。最后保存当前的最佳参数组合，将其导人CatBoost模型中，通过训练得到最终的电弧故障识别模型。电流信号波形数据采集数据预处理时域频域变换变换均值、惠心对称树峰值等时域特征时频域特征数据集图11基于CatBoost的电弧故障检测算法流程图Fig.11 Flow chart of arc fault detection algorithmbased on CatBoost4实验与分析按照上述的实验步骤,对我们采集到的2 0 0 0 组数据输人到CatBoost算法模型中,并找到最优参数组合，如表3所示,得到其准确率,并进行模型评估。同时与常用的算法效果比较,结果如表5所示。表3CatBoost关键参数设置Tab.3CatBoost key parameters settings参数含义iterations最大树数learning_rate学习率depth最大树深12_leaf_reg正则参数进行模型评估的评估指标主要包括准确率、查准率、召回率、F1分值。TP精确率：Precision=TP+FP198一电测与仪 表Electrical Measurement&Instrumentation准确率：Acuracy=TP+TN+FP+FN召回率：Recall=F1 值:F1=2 Precision recallTP(True Positive)：实际为正,模型预测也为正的数量。FN(False Negative）：实际为负,模型预测为正的数量。FP(False Positive)：实际为正,模型预测为负的数量。TN（T r u e Ne g a t i v e）：实际为负，模型预测也为负的数量。将本模型的识别结果与RandomForest、SVM、K-means 等三种常用的算法识别结果进行比较。分别将三种常见算法模型调参至最优，获得电弧识别结果，其中RandomForest参数设置如表4所示。划分训练集和测试集训练集测试集Catboost算法模型对称树分类分类Catboost集成最佳参数组谷分类器+Catboost电弧故障识别模型结束Vol.60 No.7Jul.15,2023TP+TN(3)TP+FNTPprecision+recall表4R-F关键参数设置Tab.4 R-F key parameter settings参数n_estimatorsmax_depthmin_samples_splitmin_samples_leaf实验显示三种常见算法的识别结果及其与所提CatBosst算法的比如表5所示。表5实验结果比较Tab.5Comparison of experimental results模型名称准确率分值查准率CatBoost0.989 9SVM0.897 5KNN0.931 7随机森林0.925 8同时在交叉验证的过程中，借助ROC曲线来进行评估,ROC 曲线与横轴围成的面积为AUC,AUC 能够直观地进行分类器对比，其值越逼近1，代表分类器性能越好2。本模型AUC=0.98,如图12 所示，可看出本模型的有效性。1.0数值0.88000.60.020.430.22.2000.2False Positive Rate图12ROC 曲线结果图(2)Fig.12ROC curve result graph(4)(5)含义数值树的数量10最大树深3分支最小值4节点最小值2召回率FI分值0.986 00.980 00.878 90.830 80.835 00.886 80.919 20.935 8ROC-AUC Curve0.40.60.979 90.819 20.866 70.919 20.81第6 0 卷第7 期2023年7 月15日5结束语电弧故障已成为电气火灾的最重要成因，准确识别电弧并及时采取措施防止事故发展对于火灾防范和电气设备安全运行具有非常重要的意义，同时也是智慧用电的重要组成部分。文中通过实验得到了各种典型的常用电器负载在正常运行和故障时的电流数据，然后通过时域、频域特征分析与提取，构建了10 个特征指标,建立了典型负载特征数据集；建立了基于Cat-Boost算法的交流电弧故障识别算法模型,并将数据集输人模型进行训练实验。实验结果表明，基于CatBoost的电弧识别方法具有较高的电弧故障识别准确率，为检测电弧故障提供了新的途径。参考文献1】高鸽浅谈电气过负荷理论研究C/中国消防协会学术工作委员会消防科技论文集（2 0 2 2）：中国石化出版社，2 0 2 2：40 5-40 6.Gao Ge.An introduction to the study of electrical overload theory C/China Fire Protection Association Academic Working Committeeon Fire Science and Technology Proceedings（2 0 2 2):Si n o p e c Pr e s s,2022:405-406.【2 崔芮华，李英男，王传宇，等基于小波能量矩的航空交流串联电弧故障识别算法研究J.电工电能新技术，2 0 19，38（11）：1-9.Cui Ruihua,Li Yingnan,Wang Chuangyu,et al.Research on waveletenergy moment based aerial AC series arc fault identification algorithmJ.New Technology of Electrical Power,2019,38(11):1-9.3李玮祯，曲娜，张帅，等基于小波分析和Schwarz模型的串联电弧故障仿真研究J消防科学与技术，2 0 2 0，39（9）：12 6 0-12 6 3.Li Weizhen,Qu Na,Zhang Shuai,et al.Simulation study of series arcfault based on wavelet analysis and Schwarz model J.Fire Scienceand Technology,2020,39(9):1260-1263.【4张瑞祥，耿英三，宋政湘，等开关柜故障电弧检测与预警方法的新进展J.电气制造，2 0 12（7）：36-38.Zhang Ruxiang,Geng Yingsan,Song Zhengxiang,et al.New advancesin fault arc detection and early warning methods for switchgear J.E-lectrical Manufacturing,2012（7):36-38.5王志斌，曹红伟，刘佳佳。基于小波包去噪与EMD的故障电弧检测算法研究J电测与仪表，2 0 19，56（6）：117-12 1.Wang Zhibin,Cao Hongwei,Liu Jiajia.Research on fault arc detectionalgorithm based on wavelet packet denoising with EMDJ.ElectricalMeasurement&Instrumentation,2019,56(6):117-121.6张帅，曲娜,郑天芳，等基于K-means算法的故障电弧检测方法J.沈阳航空航天大学学报，2 0 2 2，39（1）：6 1-6 8.Zhang Shuai,Qu Na,Zheng Tianfang,et al.Fault arc detection meth-od based on K-means algorithmJ.Journal of Shenyang University ofAeronautics and Astronautics,2022,39(1):61-68.7】G B142 8 7.42 0 14，电气火灾监控系统第4部分：故障电弧探测器S.8陈浩，阎俏，张桂青，等基于模态分解与特征匹配的串联故障电弧识别方法研究J计算机测量与控制，2 0 2 1，2 9（11）：53-6 0.Chen Hao,Yan Qiao,Zhang Guiqing,et al.Research on series faultarc identification method based on modal decomposition and featurematching J.Computer Measurement and Control,2021,29(11):53-60.电测与仪表Electrical Measurement&Instrumentation9】褚若波，张认成，杨凯，等基于多层卷积神经网络的串联电弧故障检测方法J.电网技术，2 0 2 0，44（12）：47 9 2-47 9 8.Chu Ruobo,Zhang Rencheng,Yang Kai,et al.A multilayer convolu-tional neural network-based method for series arc fault detection J.Power Grid Technology,2020,44(12):4792-4798.10郑梦笛，吴细秀，闫格.基于新型故障电弧模型的电弧能量特性分析J.中国电力，2 0 15，48（11)：49-53.Zheng Mengdi,Wu Xixiu,Yan Ge.Analysis of arc energy characteris-tics based on a new fault arc modelJ.China Electric Power,2015,48(11):49-53.11娄为，何毅帆，曲兰青，等基于阻抗谱加窗傅里叶变换的电缆多段缺陷识别方法J.电网与清洁能源，2 0 2 2，38（9）：8 0-8 8.Lou Wei,He Yifan,Qu Lanqing,et al.Research on Multi-SegmentDefect Identification in Cables Based on Windowed Fourier Transform ofImpedance SpectrumunJ.Power System and clean Energy,2022,38(9):80-88.12陈砚圃，杨一鸣，解云虹，等一种基于准均匀采样的电力谐波分析方法J电力系统保护与控制，2 0 2 2，50（16）：115-12 0.Chen Yanpu,Yang Yiming,Xie Yunhong.A power harmonic analysismethod using quasi-uniform sampling J.Power System Protection andControl,2022,50(16):115-120.13郭艳玲，邱枫，李志鹏.旋转机械扭振检测方法的研究现状及展望J哈尔滨理工大学学报，2 0 2 1，2 6（6）：47-54.Guo Yanling,Qiu Feng,Li Zhipeng.Research Status and Prospect ofTorsional Vibration Detection Methods for Rotating MachineryJ.Jour-nal of Harbin University of Science and Technology,2021,26(6):47-54.14魏震波，余雷基于FFT,DC-HC及LSTM的短期负荷预测方法J.智慧电力，2 0 2 2，50(3)：37-43.Wei Zhenbo,Yu Lei.Short-term Load Forecasting Method Based onFFT,DC-HC and LSTMJ.Smart Power,2022,50(3):37-43.15赵法强，卢思缴，张智宏，等基于芯片化配电网终端的智能环网柜研究J自动化技术与应用，2 0 2 1，40（7）：18 4-18 6.Zhao Faqiang,Lu Sijiao,Zhang Zhihong,et al.Research on IntelligentRing Network Cabinet Based on Chip Distribution Network TerminalJ.Techniques of Automation and Applications,2021,40（7):184-186.16魏科文，张靖，何宇，等基于VMD和相关性聚类的谐振接地系统单相接地故障选线J电力系统保护与控制，2 0 2 1，49（2 2：105-113.Wei Kewen,Zhang Jing,He Yu,et al.Single-phase grounding faultline selection in a resonant grounding system based on VMD and correla-tion clusteringJ.Power System Protection and Control,2021,49(22):105-113.17陈海宏，易永利，黄坤，等基于CatBoost算法的短期光伏功率预测方法J.浙江电力，2 0 2 3，42(2）：6 7-7 5.Chen Haihong,Yi Yongli,Huang Kun,et al.Research on a short-termphotovoltaic power prediction method based on CatBoost J.ZhejiangElectric Power,2023,42(2):67-75.18党存禄，杨海兰，武文成基于LSTM和CatBoost组合模型的短期负荷预测J电气工程学报，2 0 2 1，16（3）：6 2-6 9.Dang Cunlu,Yang Hailan,Wu Wencheng.Short-term load forecastingbased on combined LSTM and CatBoost modelsJ.Journal of Electri-cal Engineering,2021,16(3):62-69.19康文豪，徐天奇，王阳光，等双层特征选择和CatBoost-Bagging集一19 9 一Vol.60 No.7Jul.15,2023第6 0 卷第7 期2023年7 月15日成的短期风电功率预测J重庆理工大学学报（自然科学），2022,36(7):303-309.Kang Wenhao,Xu Tianqi,Wang Yangguang,et al.Short-term windpower prediction by two-level feature selection and CatBoost-Bagging in-tegration JJ.Journal of Chongqing University of Technology(NaturalSciences),2022,36(7):303-309.20姜琦刚，杨秀艳，杨长保，等基于CatBoost算法的面向对象土地利用分类J吉林大学学报（信息科学版），2 0 2 0，38（2）：185-191.Jiang Qigang,Yang Xiuyan,Yang Changbao,et al.Object-oriented landuse classification based on CatBoost algorithm J.Journal of Jilin Uni-versity(Information Science Edition),2020,38(2):185-191.21岳鹏，侯凌燕，杨大利，等基于XCBoost特征选择的疾病诊断XLC-Stacking方法J计算机工程与应用，2 0 2 0，56（17）：136-141.22马晓君，宋嫣琦，常百舒，等基于CatBoost算法的P2P违约预测模型应用研究J.统计与信息论坛，2 0 2 0，35（7）：9-17.