[发明专利]一种基于近邻样本对构造的智能电表故障分类方法

说明书

本发明实施例提出了一种基于近邻样本对构造的智能电表故障分类方法，包括：将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集；针对每个二类数据集，将每个样本作为目标样本，从其近邻样本池中进行多次随机采样，获得等量的多个同类和异类对照样本组，分别与目标样本组合后得到多个近邻样本对，作为后续分类任务中的正样本或负样本；基于平衡的近邻样本对数据集，构建基于对比学习的模式判别网络用于目标样本与对照样本组的标签匹配任务；对于给定测试样本，任意组合与其对应的不同类别的对照样本组得到大量近邻样本对，经结果集成和逆向推理得到分类器在每个二类数据集下的判别结果，通过软投票得到其故障类别。

【技术领域】

本发明涉及智能电表故障分类方法，尤其涉及一种基于近邻样本对构造的智能电表故障分类方法。

【背景技术】

21世纪以来，智能电表在用电信息采集领域大规模推广应用，电力工业进入大数据时代，作为我国当前智能电网建设下的终端设备，智能电表集计量、显示、通信等多种功能于一体，对电网的稳定运行起重要支撑作用。随着智能电网的发展，智能电表的功能日益丰富，同时其故障类型也日益增多，故障电表的及时检修，对电网的稳定运行和用户的稳定用电具有重大意义。但由于运维人员往往只具备针对某些特定故障电表的维修经验，在智能电表发生故障时，难以在未知电表故障类型的情况下派遣具备相关维修经验的维修人员进行电表检修。因此，对智能电表故障类型的准确预测是至关重要的。

随着智能电网的发展，对智能电表的需求日益加大，智能电表生产厂商随之增多，不同生产厂商的设计方案、元器件选型及工艺流程各不相同，加上复杂的生产环境和应用环境，导致智能电表的故障类型复杂且多样，其故障的发生同时受上述多种因素影响，寻找这些因素与故障类型之间的映射关系异常复杂，是一类典型的机器学习问题。此外，不同故障类型电表出现的频次也各不相同，故障数据呈现出多模式分布特点，这更加增大了智能电表的预测难度。直接基于不平衡数据学习会导致分类器的预测结果向多数类偏移。数据层面的处理方法能够实现样本的平衡，但本质上并没有产生新的信息，只是按照特定样本生成原则进行数量扩充，得到平衡的样本数据集后再进行分类器的学习，难以充分挖掘类别间的特征差异，且不可避免会引入随机噪声。算法层面的方法主要是通过更改模型的损失函数或者模型结构以提升模型对少数类样本的学习，但存在模型过拟合问题，难以从相对数量较少的少数类样本中学习两类样本的分布差异。在不平衡学习领域，目前尚存在以下挑战：1.如何在不引入噪声和不丢失信息的条件下实现样本的平衡；2.如何在少数类相对数目较少的条件下挖掘样本间的差异；3.如何学习类别间样本特征交叠区中的分布差异。基于上分析，本发明提出了一种基于近邻样本对构造的智能电表故障分类方法，以提高智能电表故障分类的性能。

【发明内容】

有鉴于此，本发明提出了一种基于近邻样本对构造的智能电表故障分类方法，以提高智能电表故障分类的性能。

本发明提出了一种基于近邻样本对构造的智能电表故障分类方法，包括如下步骤：

(1)将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集，具体为：

将智能电表实际故障数据集输入，该数据集中的样本共包含工作时长、到货批次号、供电单位编号、电能表类别、故障识别月份、安装月份、省份、设备规格、通讯方式、设备标识9种特征变量；其故障类别标签共包含外观故障、计量故障、存储单元故障、处理单元故障、显示单元故障、控制单元故障、电源单元故障、通讯单元故障、时钟单元故障、其它故障、软件故障11类；遍历故障数据集中的每一类样本，将该类别下所有样本作为少数类样本集，其余类别所有样本为多数类样本集，将原数据集转化为11个二类数据集；对于其中每个二类数据集，均可将数据集描述为：

X＝[X_min,X_maj]