电容型设备缺陷预测模型研究

发布时间：2020-11-02 00:12

　　 在电力系统中,电容型设备数量众多,占变电站设备总量的40%~50%,电容型设备的健康运行对于电力系统至关重要。随着电网信息化建设的大力推进,各种电力数据呈爆炸式增长,这为电容型设备健康运行提供了强大的数据支撑。传统的统计方法已无法满足实际的分析需求。本论文以重要性高、数据量大、数据种类丰富的电容型设备数据为数据源,并检验随机森林(Random Forest,RF)、多层感知机(Multi-Layer Perceptron,MLP)、支持向量机(Support Vector Machine,SVM)、集成树(Extreme Gradient Boosting,XGBoost)和线性分类算法等五种不同机器学习算法在电容型设备缺陷预测中的适用性,构建缺陷发生预测和缺陷等级预测模型,并将金融领域的评分卡模型应用在电容型数据分析中,探索出最优缺陷预测模型。本论文的研究内容与研究结果如下:(1)针对一般的编码方法,在各种缺陷发生预测以及缺陷等级预测模型中的效果较差,在对电容型设备数据进行清洗和数据均衡化基础上,结合电容型数据的特点,加入基于评分卡模型的证据权重(Weight of Evidence,WOE)特征编码,用于改进缺陷发生预测以及缺陷发生模型的性能。(2)针对设备是否发生缺陷进行预测,将五种机器学习算法应用在缺陷发生预测中,进行模型训练和参数调优,对各算法使用普通编码和评分卡模型WOE特征编码的预测结果进行比较,并分析特征重要性。实验结果表明,加入评分卡模型的WOE特征编码后,各算法的分类效果均得到改善,支持向量机、集成树和线性分类的精度提高0.07以上,多层感知机和随机森林分别提高0.02和0.03。随机森林各综合评价指标均最优,精度达到0.95。因此,基于WOE的随机森林算法(WOE_RF)缺陷发生预测模型最优。(3)在预测设备是否发生缺陷的基础上,进一步预测设备可能发生缺陷的等级。同样使用上述五种机器学习算法对两种特征编码方法下的缺陷等级预测结果进行比较,并分析特征重要性。研究结果表明,加入基于评分卡模型的WOE特征编码,可以有效改善各算法的分类能力,随机森林、多层感知机和支持向量机精度提高0.05以上,集成树和线性分类分别提高0.01和0.02。但同样是随机森林表现最佳,精度达到0.78。因此,WOE_RF缺陷等级预测模型最优。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM507
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究意义
    1.2 国内外研究现状及存在的问题
        1.2.1 国内外研究现状
        1.2.2 存在的问题
    1.3 研究内容和技术路线
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 论文创新之处
    1.5 论文组织结构
第二章 相关理论
    2.1 线性分类算法
    2.2 多层感知机算法
    2.3 支持向量机算法
    2.4 随机森林算法
    2.5 集成树算法
    2.6 评分卡模型
    2.7 本章小结
第三章 电容型设备数据预处理
    3.1 数据介绍
        3.1.1 样本变量概述
        3.1.2 样本变量分析
    3.2 数据清洗
        3.2.1 数据清洗介绍
        3.2.2 确定输入变量
    3.3 特征编码
        3.3.1 普通特征编码
        3.3.2 基于评分卡模型WOE特征编码
    3.4 数据均衡
    3.5 本章小结
第四章 电容型设备缺陷预测模型构建
    4.1 模型研究内容
        4.1.1 基于机器学习算法缺陷发生预测
        4.1.2 基于机器学习算法缺陷等级预测
    4.2 基于随机森林预测模型构建
    4.3 基于多层感知机预测模型构建
    4.4 基于支持向量机预测模型构建
    4.5 基于集成树预测模型构建
    4.6 基于线性分类预测模型构建
    4.7 本章小结
第五章 电容型设备缺陷预测模型结果与分析
    5.1 缺陷发生预测模型
        5.1.1 缺陷发生预测模型实验结果
        5.1.2 实验结果对比与分析
        5.1.3 最优缺陷发生预测模型确定
    5.2 缺陷等级预测模型
        5.2.1 缺陷等级预测模型实验结果
        5.2.2 实验结果对比与分析
        5.2.3 最优缺陷等级预测模型确定
    5.3 特征重要性分析
        5.3.1 缺陷发生特征重要性
        5.3.2 缺陷等级特征重要性
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间取得的成果
攻读硕士学位期间参与的项目

【参考文献】

相关期刊论文 前9条

1 高志远;姚建国;郭昆亚;曹阳;宋宁希;李强;孙芊;;智能电网对智慧城市的支撑作用研究[J];电力系统保护与控制;2015年11期

2 李文斌;陈嶷瑛;张娟;张新东;;使用Fisher线性判别方法的提取分类器[J];计算机工程与应用;2010年14期

3 邹海荣;;基于径向基函数神经网络的电容传感器非线性辨识[J];上海电机学院学报;2009年03期

4 杨兆升;王媛;管青;;基于支持向量机方法的短时交通流量预测方法[J];吉林大学学报(工学版);2006年06期

5 张干周;;澳大利亚变电站在线状态监视系统[J];国际电力;2005年06期

6 左自强,徐阳,曹晓珑,刘斌;计算电容型设备介质损耗因数的相关函数法的改进[J];电网技术;2004年18期

7 孙才新,毕为民,周湶,廖瑞金,陈伟根;灰色预测参数模型新模式及其在电气绝缘故障预测中的应用[J];控制理论与应用;2003年05期

8 王楠,陈志业,律方成;电容型设备绝缘在线监测与诊断技术综述[J];电网技术;2003年08期

9 付蓉,鞠平,倪辉,陆小涛;可控串联电容补偿的模糊神经网络控制[J];电力系统自动化;2000年02期

相关博士学位论文 前1条

1 王永强;考虑环境影响的电容型设备绝缘监测与故障诊断研究[D];华北电力大学（河北）;2009年

相关硕士学位论文 前2条

1 李艳芳;线性判别式的比较与优化方法研究[D];华东理工大学;2015年

2 李春生;模糊变权重组合预测方法的研究[D];中南大学;2002年

本文编号：2866298