[發明專利]一種基于決策樹算法的電能表功能異常評估方法及系統

在審

• 申請號: 202110262053.0
• 申請日: 2021-03-10
• 公開（公告）號: CN113011481A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 黃友朋;路韜;化振謙;唐捷;招景明;紀伊琳
• 申請（專利權）人: 廣東電網有限責任公司計量中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/00;G06Q10/06;G06Q50/06
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;吳落

1.一種基于決策樹算法的電能表功能異常評估方法，其特征在于，包括：

對獲取到的原始測量數據進行預處理得到樣本數據，以剔除原始測量數據中的噪聲數據；其中，所述樣本數據包括：訓練集數據及測試集數據；

根據歷史工單對第一異常判定規則進行改進，得到第二異常判定規則并提取特征項數據；

通過所述訓練集數據，利用C4.5算法搭建決策樹模型，并由所述測試集數據對所述決策樹模型進行剪枝優化處理，生成基于決策樹算法的計量設備功能異常評估模型；

將所述特征項數據輸入所述計量設備功能異常評估模型，得到異常的判定結果。

2.如權利要求1所述的一種基于決策樹算法的電能表功能異常評估方法，其特征在于，所述對獲取到的原始測量數據進行預處理得到樣本數據，具體地：

根據局部異常因子算法檢測所述原始測量數據，將異常數據及缺失數據進行填充或過濾。

3.如權利要求1所述的一種基于決策樹算法的電能表功能異常評估方法，其特征在于，所述將所述特征項數據輸入所述計量設備功能異常評估模型，包括：

基于所述C4.5算法，計算所述特征項數據的信息增益；

將所述信息增益最大值所對應的特征項數據作為決策樹根節點；

根據所述根節點的不同取值對應的子集遞歸生成決策樹子節點，直至滿足決策樹生成條件。

4.如權利要求3所述的一種基于決策樹算法的電能表功能異常評估方法，其特征在于，所述通過所述訓練集數據，利用C4.5算法搭建決策樹模型，包括：

獲取目標樣本個數占訓練總樣本的比例；

通過所述目標樣本個數占訓練總樣本的比例計算訓練集的類別信息熵；所述訓練集的類別信息熵通過以下公式進行計算：

其中，Info(S)為訓練集的類別信息熵，p_i為目標樣本個數占訓練總樣本的比例；

通過目標樣本概率計算以特征項數據劃分的條件信息熵；所述以特征項數據劃分的條件信息熵通過以下公式進行計算：

其中，Info(S_j)為S_j以特征項數據A劃分的條件信息熵，p_ij為S_j種目標樣本概率；

將所述訓練集以預設規則進行劃分，得到若干子訓練集；

通過所述訓練集的類別信息熵、所述子訓練集，計算特征項數據的條件信息熵；所述特征項數據的條件信息熵通過以下公式進行計算：

其中，Info_A(S)為特征項數據A的條件信息熵，S_j表示按照特征項數據A為分裂特征，若特征項數據A由K個不相關的值，則訓練集集S被劃分為{S₁,...,S_K}訓練子集，Info(S_j)為S_j以特征項數據A劃分的訓練集的類別信息熵；

根據所述訓練集的類別信息熵及所述特征項數據的條件信息熵計算條件特征項數據的信息增益；通過以下公式進行計算：

Gain(A,S)＝Info(S)-Info_A(S)；

其中，Gain(A,S)為條件特征項數據的信息增益，Info(S)為訓練集的類別信息熵，Info_A(S)為特征項數據A的條件信息熵；

通過當前樣本個數占訓練總樣本的比例計算特征項數據在樣本中的信息熵；所述特征項數據在樣本中的信息熵通過以下公式計算：

其中，Info(A)為特征項數據在樣本中的信息熵，p_j為當前樣本個數占訓練總樣本的比例；

通過所述條件特征項數據的信息增益及所述特征項數據在樣本中的信息熵計算特征量項數據的信息增益；所述特征量項數據的信息增益通過以下公式進行計算：

其中，Gain(A,S)為條件特征項數據的信息增益，Info(A)為特征項數據在樣本中的信息熵。