[發明專利]一種基于多分類器融合的智能電表故障預測方法

有效

• 申請號: 202110472639.X
• 申請日: 2021-04-29
• 公開（公告）號: CN113011530B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 李寧;郭澤林;袁鐵江;張偉;齊尚敏;王永超;韓鑫磊;劉海洋;申李;李娜;田嬌娟;余英;張皓淼;費守江;周宜
• 申請（專利權）人: 國網新疆電力有限公司營銷服務中心（資金集約中心;計量中心）;國網新疆電力有限公司電力科學研究院;大連理工大學
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06N3/04;G06N3/084;G06Q10/04;G06Q50/06;G06F18/241
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 關玲

一種基于多分類器融合的智能電表故障預測方法，針對智能電表故障數據規模大、維度高、結構復雜、存在錯誤及異常數據的特點，采用正態分布補全及箱型圖方法，對原始數據集進行缺失值填補及異常值替換；通過計算特征屬性與故障類型之間的相關系數，消除冗余及不相關特征，形成特征子集；構建對少數樣本過采樣、對多數樣本進行欠采樣的混合采樣策略，解決故障數據不平衡問題。計算支持向量機(SVM)、BP神經網絡及隨機森林算法處理智能電表故障數據的準確率，構建表征各分類器性能的混淆矩陣；考慮各分類器針對不同故障類型的識別能力，為各分類器分配權重，進而構建多分類器決策函數，取權重和最大的類別作為樣本的故障預測結果。

技術領域

本發明涉及一種智能電表故障預測方法，特別涉及一種基于多分類器融合的智能電表故障預測方法。

背景技術

智能電表作為用電信息采集系統的重要組成設備，承擔著電能采集與計量傳輸的任務，隨著當前社會的發展以及地區經濟水平的提高，用電信息采集系統建設的覆蓋率不斷擴大，智能電表故障突出表現為突發性、難復現、復雜性、多面性的特點。此外由于智能電表的來源不同，國內多家供應商所選擇的設備原件、制作工藝有所區別，因此安裝后的智能電表可能發生的故障類型有所差異，當故障發生時，要求檢修人員能快速維護，然而實際操作中，運維系統因無法判斷具體故障導致故障電表維修不及時。如何確定智能電表發生了何種故障，提高智能電表的檢修效率，成為現在電表檢修的一個關鍵問題。

針對智能電表的故障預測問題，傳統的方法是基于模型、知識驅動或者概率推理方法，著眼于智能電表的失效物理模型等方面開展定性推理。隨著大數據技術的發展，有學者提出了基于數據驅動的方法，采用支持向量機、決策樹、神經網絡等機器學習算法開展相關研究。各分類器在處理不同類型的數據樣本時，表現出不同的優缺點：SVM適用于規模大及維度高的數據集分類中，但需要先驗知識且核函數選取標準不一；BP神經網絡具有較大的容錯能力，但收斂速度慢且易于過擬合；隨機森林對異常值和噪聲具有很高的容忍度，并且不易出現過擬合現象，但對于小數據或者低維數據，分類準確率較低。

綜上所述，考慮到智能電表故障數據規模大、維度高、結構復雜、存在錯誤及異常數據的特點，同時為了融合多種分類器的優勢，采用多種模型混合集成的方法，提出一種基于多分類器融合的智能電表故障預測方法。

發明內容

本發明針對現有技術關于智能電表故障預測研究中的不足，提出一種基于多分類器融合的智能電表故障預測方法。本發明針對智能電表故障數據結構復雜的特點，對原始數據集進行缺失值填補及異常值替換，消除冗余及不相關特征，形成特征子集，構建混合采樣策略，解決故障數據不平衡問題；構建表征支持向量機(SVM)、BP神經網絡及隨機森林算法等分類器性能的混淆矩陣，為各分類器分配權重，進而構建多分類器決策函數，取權重和最大的類別作為樣本的故障預測結果。

1、分析智能電表的故障數據信息，對從用電信息采集系統中獲取的電表故障數據進行缺失值與異常值處理；

2、采用特征選擇方法，計算各特征屬性與故障類型之間的相關系數，剔除與故障類型相關性小的特征屬性，形成特征子集；

3、構建混合采樣方法，對少數樣本采用過采樣、對多數樣本采用欠采樣的方式，消除數據不平衡特征；

4、將數據集按照8:3的比例劃分訓練組和測試組，分別將訓練組和測試組樣本輸入到支持向量機(SVM)、BP神經網絡、隨機森林三種分類器中進行訓練和測試，統計各個分類器的預測結果，將預測結果以統計概率的形式構建混淆矩陣；

5、結合各分類器對不同故障類型的識別能力，提出權重分配方法并構建評價矩陣，計算得出各分類器對應的權重系數；

6、構建包含各分類器權重系數的決策函數，將經過預處理的訓練組和測試組數據輸入到各個分類器模型中進行訓練和預測，將預測結果相同的分類器的權重相加，取權重和最大的類別作為故障樣本的預測結果，故障樣本的預測結果可作為各種故障類型所對應的標簽，依據標簽即可確定電表發生了何種故障。