伍 珣，劉嘉文，李紅佗，李凱迪,，于天劍，田 睿，趙俊棟

(1. 中南大學 交通運輸工程學院，長沙 410075；2. 深圳地鐵運營集團有限公司，廣東 深圳 518040；3. 國網(wǎng)湖南省電力有限公司檢修公司，長沙 410004)

換流閥是直流輸電工程的核心設備，陡度大、擴散速度不均勻的開通電流導致?lián)Q流閥局部形成高電流密度和局部溫度上升[1]，產(chǎn)生大量的熱。多年服役的換流閥由于發(fā)熱導致的故障時有發(fā)生，造成較大的經(jīng)濟損失。據(jù)不完全統(tǒng)計，國內換流站由于TFM/TE板過熱導致了5次停運，由于電抗器管頭銹蝕或過熱造成二次停運，其他閥塔內過熱及光纖槽放電等導致了二次停運[2]。為保證元件的正常使用并防止其老化，需合理選擇冷卻方式并設計相應的冷卻系統(tǒng)[3]。目前，大多數(shù)文獻集中在對系統(tǒng)進行故障分析和改造等方面[4-6]，而鮮有圍繞換流閥冷卻方式選擇所展開的相關研究。冷卻方式的選擇一般需調研分析當?shù)貧夂蚺c水源供給，分析計算散熱效率、成本等來選擇最為適宜的冷卻方式，并對冷卻系統(tǒng)進行優(yōu)化[7]，人為地分析與計算調研數(shù)據(jù)，會消耗大量的時間與人力成本。以上難點激發(fā)了基于數(shù)據(jù)驅動下機器學習算法在該場合上應用的可能性，可通過對換流站冷卻系統(tǒng)設計的經(jīng)驗案例進行離線分析，來構建冷卻方式的分類模型，為換流閥冷卻系統(tǒng)的最終設計提供參考依據(jù)。

集成學習算法通過將異構或同構的多個模型結合起來，獲得一個聯(lián)合學習方法，通過克服模型過擬合和初始化敏感性來提高學習持久性[8]。堆疊異構[9]是集成學習的一種，其利用元分類器集成多類基礎分類器的輸出結果，同時，豐富了模型多樣性，綜合判斷最終類別：堆疊的目的是最小化泛化誤差[10]，因此堆疊方式與分類器的選擇十分重要。 文獻[11]利用交叉驗證的方式確定每個聚類中性能最優(yōu)異的基礎分類器輸送給元分類器，元分類器的選擇則通過圖像領域相關文獻調研獲得。此外，基礎分類器模型的預測結果可直接作為元分類器的輸入特征[12-14]，或采用多標簽堆疊(multi-label stacking，MLS)方法完成分類任務[15-17]。為進一步完成基礎分類器與元分類器的選擇，文獻[18]建立了兩個堆疊模型，采用兩種不同的非線性元分類器進行綜合預測；文獻[19]探索6種分類算法，構建的3種堆疊組合中逐一對比預測精度來選擇最合適的分類器；文獻[20]所構建的元分類器能增加更優(yōu)分類器的權重，完成最終預測。

實際上，除上述應用較為廣泛的基礎分類器外，有監(jiān)督學習分類器，如判別子空間法(discriminant subspace，DS)[21]、樸素貝葉斯(Na?ve Bayes，NB)[22]在小樣本、包含非線性特征的多分類任務上表現(xiàn)較好；除此之外，無監(jiān)督聚類算法，k中心點聚類(k-Medoids)、基于密度的空間聚類(DBSCAN)和譜聚類(SC)等能有效提高分類的性能[23]。綜上所述，采用交叉驗證后所獲得的置信分數(shù)進行堆疊，并通過已有研究或試驗對比來選擇表現(xiàn)較優(yōu)的分類器作為模型的基礎分類器的方法更為普遍，元分類器則是選擇更能適應非線性分類特點的算法。但針對冷卻方式分類仍需面臨一些難點：1)已有研究成果大多基于復雜的計算過程與工程師經(jīng)驗，鮮有文獻提供基于數(shù)據(jù)驅動的方法來對冷卻方式進行選擇；2)為了便于冷卻系統(tǒng)設計，該冷卻方式的分類模型應具備一定的可解釋性，然而，單一分類器的難以保證模型良好的可解釋性與較高的預測精度；3)目前，已獲得的經(jīng)驗數(shù)據(jù)集較少，樣本間同標簽的特征值差異較大。

面對以上亟待解決的問題，本文提出了一種冷卻方式分類方法：將多種異構分類器堆疊于殘差網(wǎng)絡(residual network，ResNet)中，構建基于堆疊異構分類器的殘差網(wǎng)絡模型(stacked heterogeneous-residual network，SH-ResNet)，深度挖掘基礎分類器輸出結果之間的聯(lián)系，進一步增強模型的泛化能力，提高其分類準確率。

1 冷卻方式選型的重要參考因素

換流閥所產(chǎn)生的大部分熱量需要由冷卻介質通過熱交換帶走，所以換流閥穩(wěn)定性和使用壽命很大程度上取決于冷卻系統(tǒng)散熱能力的好壞，為了使晶閘管元件的運行溫度不高于80 ℃，以保證元件的正常使用并防止其老化，選擇適當?shù)睦鋮s方式，并進行合理的設計，是使晶閘管閥的潛力得到充分發(fā)揮、提高系統(tǒng)可靠性不可缺少的重要環(huán)節(jié)之一[24]。

換流閥冷卻方式主要分為水冷卻、風冷卻和風串水冷卻[25]。換流閥的冷卻系統(tǒng)應考慮采用水冷卻的水源條件與采用風冷卻的氣象條件是否滿足。

1.1 冷卻方式的優(yōu)劣

水冷卻與風冷卻是最為常用的兩種冷卻方式，其主要的區(qū)別見表1。水冷卻方式利用水與空氣接觸蒸發(fā)吸熱來降溫，相較于利用室外空氣與管內水換熱降溫的風冷卻方式，其最主要的優(yōu)點是換熱效率高。

前期資源占比與成本上，水冷卻裝置數(shù)量少，占地面積小，前期投資較低；但須配備水處理設備，對水源要求高、站外輸水管線較長、敷設水源較為困難、噴淋水的水質要求較高。風冷卻系統(tǒng)僅由變頻調速風機和換熱盤管組成，系統(tǒng)部件少，結構簡單，但設備體積大，占地面積大。

后期系統(tǒng)運維上，水冷卻塔換熱盤管外壁表面易結垢、運行管理維護較復雜、存在排污問題等；但是，其運行時噪聲較低，運行費用少。風冷卻維護工作少，但安裝的冷卻風機臺數(shù)多，運行時噪聲大，運行費用高。

此外，在寒冷地區(qū)水冷卻裝置冬季運行易結冰，堵塞噴嘴，且風機運行時，會將水汽混合物吹出。而風冷卻裝置冬季運行時不會出現(xiàn)結冰的危害，適于北方寒冷地區(qū)應用。因此換熱效率、設備占地的面積、耗水耗電量等設備條件因素往往是決定冷卻方式的主要原因。

1.2 氣候環(huán)境因素

除了南北方氣候差異外，部分極端地區(qū)酷寒的冬季可能會使換熱面積較大的冷卻器結凍，導致閥冷卻系統(tǒng)可靠性降低。因此，閥冷卻系統(tǒng)在設計時不僅要考慮冷卻容量、進出閥水溫度、冷卻介質類型及額定流量等參數(shù)，還要考慮環(huán)境條件對閥冷卻系統(tǒng)的影響。

1.2.1 溫度

由于換流閥對進閥水溫有著嚴格的要求，溫度過高或過低都將影響換流閥的正常運行。以風冷卻為例，其有效傳熱溫差ΔT=Ft×ΔTm，其中ΔTm表示對數(shù)平均溫差；Ft為溫差修正系數(shù)。若已知換熱面積A與傳熱系數(shù)K，則換熱量Q由Q=A×K×ΔT得到。此外，排除其他降溫因素，在直流滿負荷、風扇工頻運行時，換熱冗余量[26]為

(1)

式中：Tid和Twd分別表示設計進閥溫度和冷卻塔進風設計濕球溫度；Ti和Tw分別表示進閥溫度和進風濕球溫度。

可見，環(huán)境溫升必然會影響冷卻器出水溫度，在炎熱的夏季，僅使用風冷無法將冷卻水溫降至環(huán)境溫度以下，并且會導致閥冷卻系統(tǒng)能耗劇增；相反，酷寒的冬季則可能會使換熱面積較大的冷卻器結凍，導致閥冷卻系統(tǒng)可靠性降低，同時給換流閥的正常運行帶來極大風險。因此，溫度是冷卻方式選擇與系統(tǒng)設計的重要參考因素之一，而溫度則可以使用干、濕球溫度、平均氣溫、極端溫度、最大溫差等來詳細描述。

1.2.2 濕度

大氣的相對濕度主要影響著環(huán)境的濕球溫度，因此，濕度與溫度相互作用進而影響冷卻系統(tǒng)的冷卻效率。以水冷為例：不同溫度下冷卻水出水溫度均隨著相對濕度的增加而升高；此外，隨著環(huán)境溫度增加，相對濕度對冷卻水溫降的影響越明顯[27]。

1.2.3 海拔與氣壓

海拔主要影響大氣壓力和空氣密度。高度每升高1 000 m，相對大氣壓力降低約12%，空氣密度降低約10%[28]?？諝饷芏认陆?，風冷的散熱效率下降。在風冷系統(tǒng)選型計算過程中，應充分考慮空氣密度變化所帶來的影響，如傳熱系數(shù)、空氣質量、空氣流量、風機外壓等。隨著海拔的上升，大氣壓力下降，空氣稀薄，散熱能力大幅下降。

在高海拔地區(qū)空氣的密度小，空氣性質的改變導致傳熱系數(shù)減小，此時工作中設備的運行溫度比一般海拔環(huán)境下溫升增加。對于風冷卻來說，風機壓力隨著海拔高度的變化而變化，其壓力大小和風扇的轉速比的平方成正比，和密度成正比，因此，隨著海拔高度上升，空氣密度下降，冷卻風扇的壓力降低，散熱能力降低。綜上所述，海拔高度與當?shù)貧鈮褐低瑯邮抢鋮s方式選擇的關鍵因素。

1.3 設備條件

除了考慮到氣候條件以及不同環(huán)境下冷卻方式的適應度，成本及設備運行條件也是在方式選擇中至關重要的一環(huán)。在設計完整的冷卻系統(tǒng)時，系統(tǒng)的需求參數(shù)與設備布置參數(shù)須根據(jù)換流站自身條件所設置，因此，在選擇合適的冷卻方式時，需綜合考慮諸如冷卻介質流量、進閥水溫的設置、所要求的額定冷卻容量、用電負荷量、噴水池容積、補水量以及設備占地面積等。

1.4 冷卻方式分類關鍵特征總結

通過前文分析，氣候條件因素包含溫度、濕度、氣壓、海拔高度等，這些因素由當?shù)囟嗄昶骄鶜鉁?、極端最高氣溫(包含干、濕球溫度)、極端最低氣溫、最大日溫差、多年平均氣壓、多年最高氣壓、多年最低氣壓、多年平均相對濕度，多年平均風速、平均最大風速和海拔高度來確定。

設備條件參考額定冷卻容量、額定進閥流量、冷卻塔進塔水溫、用電負荷、補水量、噴淋水池容積和設備占地空間來確定站點設施是否能滿足水源的供給和系統(tǒng)設備功率的要求。

2 SH-ResNet理論與方法

2.1 SH-ResNet模型的框架

由于缺少在冷卻方式分類模型建立上的一些先例，難以確定哪類分類器適合該數(shù)據(jù)，因此，本文考慮采用一種堆疊集成的方法，從提高模型分類精確度、增強模型泛化能力、賦予模型可解釋性等多個角度出發(fā)，構建SH-ResNet對冷卻系統(tǒng)數(shù)據(jù)集進行分類，以滿足冷卻方式分類應用上的需求。

堆疊框架包括兩個學習階段。第1階段使用了一個基礎分類器庫，為了使元分類器在解決方案空間上獲得更多信息，庫中的分類器基本工作原理是不同的。然后，在第2階段使用元分類器，將基礎分類器的輸出與減少泛化誤差相結合。對于每個類別，堆疊異構分類器將更大的權重分配給較優(yōu)的分類器，避免了由于樣本間同標簽的特征值差異較大所導致的單個模型預測不準確問題，以改善最終的預測。

在SH-ResNet模型中，第1階段包含了多個異構基礎分類器C1,C2,…,CL，為了進一步提高最終輸出不同觀測結果的不確定性[29]，這些分類器涵蓋了有監(jiān)督的機器學習算法與無監(jiān)督的聚類算法，以提高最終模型的泛化能力，保證對不同站點相關特征差異較大時模型能分類正確。

(2)

在第2階段中，為充分利用基礎分類器預測概率特征，元分類器應具備更強的非線性表達[30]：本文選擇具有優(yōu)異的非線性特征提取能力，且在深度學習中有效避免由于網(wǎng)絡深度加深而產(chǎn)生的學習效率變低與準確率無法提升等問題的殘差網(wǎng)絡(ResNet)[31]。這樣在基礎分類器庫的輸出復雜化后，加速網(wǎng)絡的收斂過程并提高訓練過程的穩(wěn)定性。此階段，每個樣本對應的分數(shù)集與類標簽yi將訓練元分類器ResNet。在ResNet中，具有分數(shù)集映射的殘差學習塊可以表述為

uλ=g(vλ)+F(vλ,wλ)

(3)

其中:vλ為殘差網(wǎng)絡第λ層的輸入；函數(shù)g為恒等映射函數(shù)，即g(vλ) =vλ。

將第λ層的輸入與訓練權重wλ代入損失函數(shù)F中便可求出此層輸出uλ。最后通過(rectified linear unit，ReLU)f計算出λ+1層的輸入，則vλ+1的表達式為

vλ+1=f(uλ)

(4)

(5)

不難看出，隨著網(wǎng)絡深度增加，梯度消失的問題得以解決。

2.2 網(wǎng)絡結構的優(yōu)化

為了更加高效地訓練深層的ResNet結構，隨機梯度下降(stochastic gradient descent，SGD)將被應用于快速求解包含權重w與偏置值b的網(wǎng)絡參數(shù)向量θ= {w,b}；但是，隨機梯度下降算法可能會沿著最陡的下降路徑向最優(yōu)方向振蕩。因此，在參數(shù)更新過程中加入動量項能緩解這一問題。則帶動量的隨機梯度下降(stochastic gradient descent with momentum，SGDM)參數(shù)更新過程為

θt+1=θt-α?J(θt)+γ(θt-θt-1)

(6)

其中t表示迭代次數(shù)，學習率α> 0，J(θ)為損失函數(shù)，參數(shù)γ決定了前一個梯度步驟對當前迭代的貢獻值。可見，α、γ的設置影響著整個網(wǎng)絡的訓練效率與結果。

因此，本文采用貝葉斯優(yōu)化(Bayesian optimization，BO)[32]來尋找最合適的超參數(shù)。BO是一種智能尋優(yōu)算法，相較于遺傳算法、粒子群算法以及網(wǎng)格尋優(yōu)等，它在少量樣本點的情況下優(yōu)化效率更高，更加適合模型的超參數(shù)尋優(yōu)。假設一組超參數(shù)為B= {β1,β2,…,βm}，在設置的區(qū)間內尋找使得式(7)成立的最優(yōu)參數(shù)β*：

β*=argminq(β),β∈B

(7)

E(β,P)=EP[max(0,μP(β*)-q(β))]

(8)

其中μP(β*)定義為后驗均值的最小值，EP表示P分布下的期望函數(shù)。

本文選取α、γ以及卷積濾波器的數(shù)量作為BO方法所需尋找的網(wǎng)絡結構超參數(shù)。

2.3 模型的評價指標

為了進一步對所建模型評價，并與基礎模型進行比較，本文引入了預測精度AC、靈敏度SN、調和平均數(shù)F1、馬修斯相關系數(shù)MC和特異性SP[33]，以上5類分類評價指標計算公式分別為

(9)

(10)

(11)

(12)

(13)

其中:TP、TN分別表示被模型分了正確的正樣本與負樣本；FP、FN分別表示被模型分類錯誤的正、負樣本；χ表達式為

χ=(TP+FN)×(TN+FP)×(TP+FP)×

(TN+FN)

(14)

值得注意的是，正、負樣本是針對二分類問題而言，冷卻方式分類屬于多分類范疇，因此，在定義正、負樣本時可以視某類標簽樣本為正，其余類別樣本為負，而分類器的整體評價指標則采用算術平均的方式來計算。

3 基于SH-ResNet的換流閥外冷卻系統(tǒng)最優(yōu)選型方法設計

3.1 換流閥外冷卻系統(tǒng)數(shù)據(jù)特征選擇

本文調研了近年來湘潭、武漢、新松等不同地區(qū)站點的氣候環(huán)境、換流閥冷卻系統(tǒng)需求、設備布置情況以及最終設計使用的冷卻方式，總計209個樣本數(shù)據(jù)對所提出模型進行訓練與評估。樣本均取自通過工程師綜合分析與大量計算后得到的典型地區(qū)的換流閥外冷卻系統(tǒng)設計方案，不同地區(qū)換流閥本身存在一定差異，這些差異為后續(xù)模型提供了更全面的特征訓練。通過前文分析，取方案中影響冷卻方式選型的特征：當?shù)囟嗄昶骄鶜鉁?℃)、極端最高氣溫(包含干、濕球溫度，℃)、極端最低氣溫(℃)、最大日溫差(℃)、多年平均氣壓(hPa)、多年最高氣壓(hPa)、多年最低氣壓(hPa)、多年平均相對濕度(%)，多年平均風速(m/s)、平均最大風速(m/s)和海拔高度(m)共計12個氣候環(huán)境參數(shù)；額定冷卻容量(kW)、額定進閥流量(m3/h)、冷卻塔進塔水溫(℃)、用電負荷(kW)、補水量(m3/h)、噴淋水池容積(m3)和設備占地空間(m3)共計7個設備條件參數(shù)，以及通過經(jīng)驗和計算所確定的對應冷卻方式。

3.2 基礎分類器庫的選擇

由于缺少基于數(shù)據(jù)驅動對冷卻方式進行分類的先例，模型在選擇分類器時需利用數(shù)據(jù)集對每個分類器進行交叉驗證，選擇精度最高的多個分類器作為SH-ResNet模型的基礎分類器庫，通過調研可知，常作為基礎分類器的包括SVM、RF以及KNN，另外本文增加NB與DS兩種異構分類器，適用于小樣本問題，以提高模型整體預測精度，就此，模型的有監(jiān)督分類器包括：基于Linear核函數(shù)的SVM(SVML)、基于Gauss核函數(shù)的SVM(SVMG)、NB、RF、KNN和DS。

由于交叉驗證中訓練數(shù)據(jù)與測試數(shù)據(jù)隨機劃分，因此，在對整個樣本進行測試時，分類器可能學習到了所有地區(qū)不同的冷卻方式選擇標準，但受到數(shù)據(jù)量的限制，不同地區(qū)氣候環(huán)境與設備條件差異較大，分類器若不能在有限的樣本中學習到特征參數(shù)與類標簽之間深層次的關系，則該模型在除訓練數(shù)據(jù)所包含地區(qū)外的其他站點進行分類時，會顯得尤為乏力。為了進一步分析模型的泛化能力，本文通過基于Mahalanobis距離的t-分布隨機鄰域嵌入法(t-SNE)將19維特征參數(shù)降至2維，將冷卻方式的分布可視化，包含映射特征Y1和Y2聚類效果如圖1所示，可見，部分樣本出現(xiàn)在聚類邊界上，聚類特征不明顯，存在歧義，隨機將這些“歧義點”中的一部分挑選出來并與另外一些具備明顯聚類特征的點組合作為模型的測試集，其余的樣本作為訓練集，這樣可進一步分析模型在有限訓練樣本下的預測精度和泛化能力。

圖1 通過t-SNE將數(shù)據(jù)集可視化

采用5倍交叉驗證的方式分別針對整個樣本以及挑選出“歧義點”后的訓練集進行評估，這些分類器分類錯誤率見表2，實驗結果表明所有分類器均取得了優(yōu)異的分類效果，分類誤差小于10%，難以通過先驗知識證明哪些分類器在包含“歧義點”的測試集上取得更優(yōu)的結果。

表2 不同基礎分類器的5倍交叉驗證后分類誤差

因此，將這6類分類器均作為SH-ResNet模型的基礎分類器，此外，為了進一步體現(xiàn)特征參數(shù)間的深層次聯(lián)系，在原有分類器基礎上增加無監(jiān)督的聚類方法，包括k中心點聚類(K-Medoids)、基于密度的空間聚類(DBSCAN)和譜聚類(SC)。在K-Medoids中，每個樣本離聚類中心點的馬氏距離作為該樣本對每一類的置信分數(shù)，距離越短分數(shù)越高；在DBSCAN中，能識別某些噪聲樣本，進而弱化這些樣本對分類器影響；對于SC，計算的特征向量對應于Laplace矩陣的3個最小特征值分別作為3類標簽的置信分數(shù)。

3.3 SH-ResNet冷卻方式分類模型的構建流程

至此，基于SH-ResNet的冷卻方式分類模型構建流程如圖2所示，分成三步完成。

圖2 基于SH-ResNet的冷卻方式分類模型建立流程

步驟1訓練集與測試集通過t-SNE聚類進行篩選；t-SNE聚類將19維數(shù)據(jù)降至2維，可視化了各歷史案例冷卻方式選擇的分布情況，便于隨機挑選聚類不明顯的“歧義點”與部分聚類明顯的樣本共同組成測試集，其余的歷史案例樣本組成訓練集，通過此方法綜合評價模型的預測精度與泛化能力。

步驟2基礎分類器總數(shù)L=6+3=9；定義yi∈{1,2,3}分別代表“水冷”、“風串水冷”和“風冷”3個類別的編碼，標簽數(shù)J=3；將樣本代入9個基礎分類器中：有監(jiān)督分類器輸入為包含19個關鍵特征向量xi，輸出為冷卻方式編碼yi，訓練過程中，分別通過k=3、4、5倍交叉驗證獲得有監(jiān)督的分類器置信分數(shù)；無監(jiān)督分類器輸入同為xi，分別設置聚類數(shù)為J=3，聚類結果對應輸出yi，且隨機進行3次聚類。將9類分類器所獲得結果的置信分數(shù)進行堆疊組合形成9×3×3×N的四維數(shù)組輸入至基于BO算法通過訓練集的交叉驗證所確定好的ResNet結構中。

步驟3ResNet輸入為9×3×3×N的四維特征數(shù)組，網(wǎng)絡輸出同樣為yi，通過隨機梯度下降法求解使得損失函數(shù)最小的各連接層權重值，完成網(wǎng)絡的訓練；將測試集代入訓練好的網(wǎng)絡中，并計算各評價指標，完成對模型的評估。

4 實驗結果與應用

4.1 實驗結果

將209個樣本代入模型中，通過經(jīng)驗分析和計算所選擇的冷卻方式與各模型的分類結果的對比，分析模型對“水冷”、“風串水冷”和“風冷”3種冷卻方式的分類錯誤情況，圖3展示了SVML、NB、RF、SVMG、KNN、DS和所提出的SH-ResNet模型在分別取訓練集大小N=125、146、155、170時模型的5類評價指標大小，表3展示了上述模型4次分類結果的平均值以及SH-ResNet模型相對于其他6個分類器相應指標的提升率Ir和平均提升率Er。可見，當測試集中出現(xiàn)“歧義點”時，分類錯誤率明顯增加了，由于“歧義點”分類特征不明顯，分類器在訓練過程中出現(xiàn)了過擬合現(xiàn)象，訓練結果顯著優(yōu)于測試結果。

(a) N=125

(c) N=155

(b) N=146

(d) N=170

表3 不同分類器的平均評價指標

當N=125時，RF與SH-ResNet分類效果相當，均取得了較高的正確率；而其他3次分類結果表明SH-ResNet模型的評價指標均高于其他的基礎分類器。從4次分類平均結果上來看，SH-ResNet模型的AC值為0.97，相較于基礎分類器中表現(xiàn)最優(yōu)的RF提高了2.95%，相較于其他分類器提高了4.33%～23.69%；在SN與SP的表現(xiàn)上，SH-ResNet模型值分別為0.963 6和0.982 8，對比NB分別提升了29.90%和12.87%，而對比RF同樣取得了少量提升(0.82%，1.17%)；SH-ResNet模型的F1值為0.969 1，同樣是7個分類器中最高值，相較于其他6種提升了2.1%～25.56%；對于MC值，相較于NB模型SH-ResNet提升了36.29%，相較于其他分類器提高了3.17%～25.37%?？傮w而言，SH-ResNet模型在AC、SN、SP、F1和MC上，較基礎分類器平均取得了11.46%、14.45%、6.11%、13.71%和18.14%的提升，證明該模型在分類精度與泛化能力上均具有顯著提高。

4.2 冷卻方式推薦系統(tǒng)交互式設計

為便于設計人員后續(xù)對不同站點換流閥冷卻系統(tǒng)進行設計，同時對已集成分類器拓撲可視化解釋，集成SH-ResNet的冷卻方式推薦系統(tǒng)交互窗口初步設計構思如圖4所示，該系統(tǒng)的輸入為當?shù)貧夂蛞蛩貐?shù)、設備條件參數(shù)以及歷史案例，歷史數(shù)據(jù)由“載入歷史數(shù)據(jù)”執(zhí)行。

系統(tǒng)包含了集成冷卻方式推薦百分比，即由SH-ResNet模型分類結果，和SH-ResNet中所堆疊的聚類方法推薦百分比。前者是整個系統(tǒng)對輸入?yún)?shù)分析后作出的冷卻方式選擇判斷，以百分比形式給出，后者可理解為不確定因素，因為聚類方法在學習過程中不涉及給定的標簽，該過程不會考慮歷史案例中人為的選擇，也就消除了由人為設計所帶來的不確定性，設計這一過程的目的也是盡量從數(shù)據(jù)中挖掘冷卻方式與輸入?yún)?shù)的潛在聯(lián)系。圖4是冷卻方式的推薦結果示例，在圖示輸入條件下系統(tǒng)以86%推薦水冷，14%推薦風冷，不推薦風串水冷，其中存在50%的不確定因素。

此外，系統(tǒng)集成了多個可視化模塊：1)輸入特征與基礎分類器的部分依賴性，圖4中，隨著多年平均氣壓的增加，SVML認為是水冷方式的概率隨多年平均氣壓的升高而增加，風冷則正好相反；2)基于基礎分類器中效果最優(yōu)的RF，采用Out-of-Bag的方式對歷史數(shù)據(jù)中輸入特征的重要性進行排列，圖4中多年最高氣壓、多年平均相對濕度和極端最低氣溫是影響冷卻方式分類的最主要3個特征；3)分別基于Mahalanobis、Minkowski、Hamming和Jaccard算法構建的t-SNE將數(shù)據(jù)集映射至兩類特征，可視化輸入點在歷史數(shù)據(jù)中所處在的位置。這些方法可協(xié)助研究人員參考不同特征對冷卻方式的影響和輸入點與歷史案例間的關聯(lián)性，進而更加全面地分析設計整個冷卻系統(tǒng)，以保障換流閥安全、高效運行。

5 結 論

1)SH-ResNet模型集成了SVML、NB、RF、SVMG、KNN和DS共計6個有監(jiān)督的基礎分類器，以及K-Medoids、DBSCAN、譜聚類3個無監(jiān)督聚類算法，使用ResNet作為元分類器綜合9種分類方法結果。這是基于數(shù)據(jù)驅動方式結合機器學習算法對冷卻系統(tǒng)設計方向的一次創(chuàng)新，通過學習歷史案例，模型挖掘了氣候環(huán)境因素和設備條件對冷卻方式的深層影響，給予設計初期冷卻方式選擇的依據(jù)，避免了冗長且復雜的計算過程來確定設計方向。

2)通過挑選環(huán)境因素或設備條件與模型訓練集案例差異較大的“歧義點”， 驗證了模型的分類準確率、普適性和泛化能力。多次選擇不同大小的訓練集和測試集對模型進行驗證后，分類正確率仍能達到97%，相較于基礎分類器，提高了11.46%，在已有的數(shù)據(jù)支撐下取得了優(yōu)異的分類效果。此外，ResNet降低了基礎分類器的選擇對模型最終分類結果的影響，因此，該模型能集成多個或多類異構分類器，強大的泛化能力和較高的預測精度更好地適應了類似于冷卻系統(tǒng)選型中樣本間同標簽的特征值差異較大的應用場景，利于模型的后續(xù)推廣與拓撲。

3)基于該模型的冷卻方式推薦系統(tǒng)設計集成了多個可視化模塊，包含不同分類器上特征與類標簽的依賴性、特征的重要性以及待推薦點所處歷史案例中的位置，為研究人員在后續(xù)的對該站點換流閥冷卻系統(tǒng)的設計時提供更為全面分析。