[发明专利]一种基于多分类器融合的智能电表故障预测方法

说明书

一种基于多分类器融合的智能电表故障预测方法，针对智能电表故障数据规模大、维度高、结构复杂、存在错误及异常数据的特点，采用正态分布补全及箱型图方法，对原始数据集进行缺失值填补及异常值替换；通过计算特征属性与故障类型之间的相关系数，消除冗余及不相关特征，形成特征子集；构建对少数样本过采样、对多数样本进行欠采样的混合采样策略，解决故障数据不平衡问题。计算支持向量机(SVM)、BP神经网络及随机森林算法处理智能电表故障数据的准确率，构建表征各分类器性能的混淆矩阵；考虑各分类器针对不同故障类型的识别能力，为各分类器分配权重，进而构建多分类器决策函数，取权重和最大的类别作为样本的故障预测结果。

技术领域

本发明涉及一种智能电表故障预测方法，特别涉及一种基于多分类器融合的智能电表故障预测方法。

背景技术

智能电表作为用电信息采集系统的重要组成设备，承担着电能采集与计量传输的任务，随着当前社会的发展以及地区经济水平的提高，用电信息采集系统建设的覆盖率不断扩大，智能电表故障突出表现为突发性、难复现、复杂性、多面性的特点。此外由于智能电表的来源不同，国内多家供应商所选择的设备原件、制作工艺有所区别，因此安装后的智能电表可能发生的故障类型有所差异，当故障发生时，要求检修人员能快速维护，然而实际操作中，运维系统因无法判断具体故障导致故障电表维修不及时。如何确定智能电表发生了何种故障，提高智能电表的检修效率，成为现在电表检修的一个关键问题。

针对智能电表的故障预测问题，传统的方法是基于模型、知识驱动或者概率推理方法，着眼于智能电表的失效物理模型等方面开展定性推理。随着大数据技术的发展，有学者提出了基于数据驱动的方法，采用支持向量机、决策树、神经网络等机器学习算法开展相关研究。各分类器在处理不同类型的数据样本时，表现出不同的优缺点：SVM适用于规模大及维度高的数据集分类中，但需要先验知识且核函数选取标准不一；BP神经网络具有较大的容错能力，但收敛速度慢且易于过拟合；随机森林对异常值和噪声具有很高的容忍度，并且不易出现过拟合现象，但对于小数据或者低维数据，分类准确率较低。

综上所述，考虑到智能电表故障数据规模大、维度高、结构复杂、存在错误及异常数据的特点，同时为了融合多种分类器的优势，采用多种模型混合集成的方法，提出一种基于多分类器融合的智能电表故障预测方法。

发明内容

本发明针对现有技术关于智能电表故障预测研究中的不足，提出一种基于多分类器融合的智能电表故障预测方法。本发明针对智能电表故障数据结构复杂的特点，对原始数据集进行缺失值填补及异常值替换，消除冗余及不相关特征，形成特征子集，构建混合采样策略，解决故障数据不平衡问题；构建表征支持向量机(SVM)、BP神经网络及随机森林算法等分类器性能的混淆矩阵，为各分类器分配权重，进而构建多分类器决策函数，取权重和最大的类别作为样本的故障预测结果。

1、分析智能电表的故障数据信息，对从用电信息采集系统中获取的电表故障数据进行缺失值与异常值处理；

2、采用特征选择方法，计算各特征属性与故障类型之间的相关系数，剔除与故障类型相关性小的特征属性，形成特征子集；

3、构建混合采样方法，对少数样本采用过采样、对多数样本采用欠采样的方式，消除数据不平衡特征；

4、将数据集按照8:3的比例划分训练组和测试组，分别将训练组和测试组样本输入到支持向量机(SVM)、BP神经网络、随机森林三种分类器中进行训练和测试，统计各个分类器的预测结果，将预测结果以统计概率的形式构建混淆矩阵；

5、结合各分类器对不同故障类型的识别能力，提出权重分配方法并构建评价矩阵，计算得出各分类器对应的权重系数；

6、构建包含各分类器权重系数的决策函数，将经过预处理的训练组和测试组数据输入到各个分类器模型中进行训练和预测，将预测结果相同的分类器的权重相加，取权重和最大的类别作为故障样本的预测结果，故障样本的预测结果可作为各种故障类型所对应的标签，依据标签即可确定电表发生了何种故障。