[发明专利]一种基于多标签置信度比较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多标签置信度比较的智能电表故障分类方法，包括：对智能电表不同故障类别下的历史数据进行划分，得到多个二类数据集，作为输入数据；遍历各二类数据集中的每个样本，将其作为目标样本并在该样本的近邻样本池中进行多次随机采样，构成多个差异化的目标‑近邻样本对；基于由大量目标‑近邻样本对组成的扩充后的新数据集，构建多标签信任判别网络在目标‑近邻样本对内开展目标样本与对照样本组之间的多标签置信度比较；在测试阶段，对于任一待测样本，任意组合其多个不同的对照样本组得到该测试样本的多个目标‑近邻样本对，集成各组预测结果进行反向推理得到在每个二类数据集下的判别结果，通过软投票得到故障类别。

【技术领域】

本发明涉及智能电表故障分类方法，尤其涉及一种基于多标签置信度比较的智能电表故障分类方法。

【背景技术】

21世纪以来，随着电力市场化改革的推进以及国家近年来能源政策的相关调整，电力网络与电力市场和用户之间的交互变得越来越紧密。用户的用电需求和用电量不断提高，可再生能源等分布式发电资源数量不断增加，传统的电力网络已经很难再满足以上需求。在这种大环境下，智能电网应运而生。作为智能电网中的终端设备，智能电表在传统电表计量用电量的基础上，集数据显示、信息传输、窃电防控等功能于一体，在电网的稳定运行中起重要支撑作用。但是，随着智能电表的普及与推广，其在运行中的故障呈现出复杂性、多样性、突发性等特点，严重影响了用户的正常用电。且目前对电网系统的维护主要依赖于运维人员，在处理故障的过程中，难免存在决策主观或片面等问题，导致对电表故障处理的不合理、不及时。因此，对智能电表故障进行准确分类，不仅能够帮助电网企业及时做出合理的决策并派遣具有相关经验的工作人员进行处理，还对提高电网系统整体稳定性、降低人力资源损耗和运维成本具有重要意义。

目前，随着智能电表的大规模投入使用，不同的制造厂商也日益增多。各个厂商在制造过程中所选用的电子元器件、所采取的工艺手法以及整体的设计方案都各不相同，这进一步提升了智能电表本身的复杂性，势必会在使用过程中带来更多的故障类别。同时，鉴于不同地区地理环境以及气候差异较大，智能电表的运行状态也会不可避免地受到影响，其故障的复杂程度也随之更上一层。对智能电表的多种故障进行分类，是一类典型的机器学习问题。且不同故障类型在实际使用过程中出现的频次也各不相同，故障数据整体呈现出多模式分布的特点，进一步增大了对智能电表各类故障正确预测的难度。如果对上述数据不进行处理而直接基于机器学习方法进行学习，往往会导致分类器在学习过程中偏向多数类特征，进而导致模型难以正确识别少数类，严重降低了模型的泛化能力。目前，处理此类问题主要有两类层面的方法，分别为数据层面和算法层面。数据层面的方法通过样本再平衡手段提升少数类样本的召回率与准确率，且不需要依赖具体的数据集，具有较好的泛用性。但缺乏对生成样本可靠性进行监督的机制，难以保证生成样本的真实性，且在构造新样本的过程中无法避免引入噪声的问题。算法层面的方法虽通过人为提高误分类代价，修改模型结构等方法在一定程度上提高了分类精度，缓解了数据不平衡所带来的影响，但往往受限于所选数据集和具体的分类任务，缺乏普适性。此外，如何深入挖掘数据交叠区分布差异，以及在少数类样本绝对数量较少的情况下有效挖掘类别差异也是不平衡分类领域面对的重要挑战。基于以上分析，本发明提出了一种基于多标签置信度比较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多标签置信度比较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多标签置信度比较的智能电表故障分类方法，包括如下步骤：

(1)对智能电表不同故障类别下的历史数据进行划分，得到多个二类数据集，作为输入数据，具体为：