[发明专利]基于数据重采样的Adaboost集成学习电网故障诊断系统及方法

说明书

本发明是一种基于数据重采样的Adaboost集成学习电网故障诊断系统及方法，包括故障信息数据库、数据预处理模块和故障诊断模块，其中数据预处理模块调用故障信息数据库的数据进行数据预处理，且数据预处理模块将预处理后的数据送至模块故障诊断模块。所述故障信息数据库，用于存储故障信息包；所述数据预处理模块，用于对数据进行空缺值填补和归一化操作；所述故障诊断模块包含有用于对数据进行平衡操作的数据重采样模块、用于对故障数据进行建模训练和故障预测的决策树基分类器模块和用于对决策树基分类器进行多轮学习和故障预测的Adaboost集成分类器模块；本发明确保故障数据的完整性，使对故障数据的诊断更为准确。

技术领域

本发明设计智能电网应用领域，具体设计一种基于数据重采样的Adaboost集成学习电网故障诊断系统及方法。

背景技术

随着信息技术在电网调度中的应用，同时电网规模的不断扩大，使得大量丰富的故障信息送入调度中心。如何从海量的故障数据中提出有效信息是现阶段亟需解决的问题。电网故障中往往包含正确报警信息、误传信息、重复信息和不相关信息等。这些信息给运行人员的工作带来了极大的困难，尤其是在电力系统发生复杂故障时的反应机制是十分重要。此非常有必要建立电网故障诊断系统,以实现对电网故障的自动快速诊断。

目前的电网故障诊断多为人工手动操作，少数已经运行的电网故障诊断系统在发生故障信息不明确时难以保证诊断的准确性。因此，如何提升电网故障诊断一直是诸多学者探讨的问题。常见的故障诊断方法有根据电力系统发生故障时形成的时序序列信息，提取出基于时间序列DM原理的故障诊断模型。也有学者使用决策树对故障数据进行建模训练形成树状型分类规则，从而及时的做出判断。因此，有研究人员尝试引入基于数据重采样方法和集成学习方法，进一步提升故障诊断的准确性。现有故障诊断模型包含如下几方面缺点：

(1)故障数据的不完整性电网设备产生的数据往往是不完整的，传统的缺失数据处理方法是删除缺失的样本，也就是说如果某样本的某一属性缺失，那么就删除该样本。这种删除方法可能会导致某些重要样本信息被删除，严重影响了数据的客观性和结果的正确性。

(2)决策树算法的不稳定性

基于决策树的故障诊断方法具有一定优势，但是有研究表明决策树是一种不稳定的算法，即故障数据的微小波动就会导致诊断结果发生显著的变化。因此，在使用决策树进行故障诊断时，需要使用集成学习的方法来提升决策树的不稳定性。

(3)故障数据的不平衡性

故障数据往往存在着严重的不平衡性，即发生故障产生的数据信息和设备正常的数据信息相差是巨大的。传统的诊断算法通过假设数据集中各类别所包含的样本数相同且误分代价相等。然而，少数类的故障数据的误分代价更高。因此，故障数据的不平衡性极大影响了传统算法的诊断性能。

发明内容

为了解决上述技术问题，本发明提出了一种基于数据重采样的Adaboost集成学习电网故障诊断系统及方法，以达到确保故障数据的完整性，使对故障数据的诊断更为准确的目的。

为达到上述目的，本发明的技术方案如下：一种基于数据重采样的Adaboost集成学习电网故障诊断系统，所述系统包括故障信息数据库、数据预处理模块和故障诊断模块，其中数据预处理模块调用故障信息数据库的数据进行数据预处理，且数据预处理模块将预处理后的数据送至模块故障诊断模块。所述故障信息数据库，用于存储故障信息包；所述数据预处理模块，用于对数据进行空缺值填补和归一化操作。

本发明基于数据重采样的Adaboost集成学习电网故障诊断系统的故障诊断方法，包括有如下步骤：

步骤1：使用比率插补法对故障数据进行空缺值填补；

步骤2：使用少数类样本过采样技术对步骤1处理后的故障数据进行过采样，使得故障数据达到平衡；