基于数据挖掘的智能电表故障类型预测技术研究

发布时间：2020-05-29 15:47

【摘要】：智能电表作为用电采集系统中的重要计量器件,是电网公司和电力用户之间的重要连接设备,保证智能电表的正常运行,对故障电表进行及时检修更换,对维护电网公司和电力用户的切身利益具有重要意义。目前,随着智能电表功能的日益丰富,其故障类型也越来越多样化,准确判断出智能表的故障类型,协助相关人员做出相应合理的解决方案,将会大大降低智能电表运维成本,提高故障电表检修效率。基于所采集的智能电表历史故障数据,结合数据挖掘多分类算法,本文对智能电表故障类型预测技术展开了研究,论文主要工作如下:首先,对智能电表历史故障数据开展了数据预处理研究。针对智能电表故障数据集存在样本数据重复、缺失、异常等情况,进行了数据清洗处理,并结合数据集特征和样本故障类型之间的相关性分析,对智能电表历史故障数据进行特征筛选,降低冗余特征及不相关特征对故障分类模型构建的影响;提出一种基于特征相关度分析的不平衡数据混合采样方法,从样本采样层面减弱各故障类样本量不平衡引起的模型过拟合现象,并在公共数据集上对本文所提采样方法进行了验证。其次,研究了不同输出形式下的模型融合技术。由于决策机制的限制,单一模型在进行电表故障分类模型构建时会出现数据集信息学习不充分的现象,基于信息互补的思想,本文提出了一种基于模型自适应选择的智能电表故障多分类方法,解决了现有融合方法不能将结果输出形式分别为样本所属各类别概率值和类别标签的两个基分类模型进行融合的问题;并利用所提方法,将对电表故障数据分类效果较好的随机森林和LightGBM算法所构建的模型进行结合,从而实现模型信息互补,提升模型分类准确率,并在公共数据集上验证了所提融合方法的有效性。最后,结合特征权重对基分类模型进行了优化研究。为避免智能电表故障数据集各特征属性权重不明确对模型构建的影响,提出了一种将遗传算法与多分类算法结合进行特征权重优化的方法。利用遗传算法对特征权重做了优化处理,并基于优化后的各基分类模型,采用模型融合的思想,经过两步融合之后实现智能电表的故障分类模型构建。
【图文】：

到货批次逦０．０９４逦０．０１８逦－０．０２２逦－０．４８２逦－０．３３７逦０．２５６逦０．００１逦－０．６０１逦－０．１８１逦１．０００逦－０．２３０逡逑供应商逦－０．０８２逦－０．０２１逦０．００８逦０．０７４逦－０．０３４逦０．０１６逦０．００４逦０．２１９逦０．３６５逦－０．２３０逦１．０００逡逑特征选择流程图如

明显地大幅提升，本部分选取综合性指标＾值作为样本分类结果主要评价度量，逡逑由表２－６、表２－７及表２－８可得三种分类算法在该数据上采样前后的实验结果对逡逑比如图２－３所示：逡逑２０逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM933.4;TP311.13

【相似文献】

相关期刊论文 前10条

1 陶洋;;零距离接触智能电表[J];供电企业管理;2012年03期

2 李伟;;基于远程费控的智能电表的设计分析[J];价值工程;2018年36期

3 刘越武;焦永生;孙家宽;郭奇;;智能的“偏见”?——河南智能电表计量情况调查[J];河南电力;2018年03期

4 王莹;王金旺;;全球化趋势加速智能电表技术突破[J];电子产品世界;2017年Z1期

5 欧媛;易映萍;;单相智能电表中电能计量方法的研究[J];电子测量技术;2017年05期

6 陈启健;;新型多功能单相智能电表研究与设计[J];电子技术与软件工程;2017年07期

7 吴昊;;智能电表真的“走得快”吗[J];大众用电;2017年09期

8 刘婧宇;;以节能环保理念促智能电表推广应用[J];中国电力企业管理;2017年28期

9 孙谊Z，

本文编号：2687141