基于多分类融合模型的智能电能表故障预测北大核心

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditionalvariationalautoencoder-convolutional neuralnetwork,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。     

考虑样本类别不平衡的电网故障事件智能识别方法

电网中不同设备的故障概率存在差异,影响智能诊断技术的准确性.为解决此问题,提出了一种基于代价敏感学习和模型自适应选择融合的电网故障事件智能识别方法.首先,利用Word2vec模型将预处理后的电网告警信息向量化,并搭建2个双向长短期记忆网络作为基础分类器;然后,设计代价敏感损失函数,将交叉熵损失函数与代价敏感损失函数分别应用于2个分类器中;最后,提出一种模型自适应选择融合法,融合上述分类器,得到故障事件识别结果.实际数据测试表明,所提方法能够有效降低故障事件识别中样本类别不平衡的影响.     

基于深度信念网络的计量装置故障溯源研究

针对电网海量大数据中存在异常的电表数据,提出了一种基于深度信念网络的计量装置故障溯源模型。首先,分析了深度信念网络（DBN）模型基本原理,提出了一种智能电表故障分类DBN结构模型,并给出了计量装置故障溯源建模流程;然后,通过建立离线台账样本库、实时用电曲线故障特征样本库,实现了计量装置故障样本库构建;最后,基于实际电表测试和数据异常识别,完成了计量装置的台账样本库溯源测试,并与已有的贝叶斯、决策树、随机森林、决策树提升等分类算法进行比较,测试结果验证了所提模型和方法的正确性和有效性。     

基于集成学习的时间自适应电力系统暂态稳定评估方法

对于电力系统暂态稳定评估而言,在故障清除后的早期阶段,临界样本间的特征差异不明显,预测准确率低。随着时间推移,准确率提高,但难以保证评估的及时性。针对暂态稳定评估的评估准确性与及时性之间的矛盾,提出了基于集成学习的时间自适应电力系统暂态稳定评估方法。首先,通过EasyEnsemble算法对不平衡数据进行采样,训练出多个不同评估时刻的集成长短期记忆网络分类器,输出样本在不同评估时刻的稳定性预测结果。其次,将评估时刻进行划分,提出了多阶段阈值分类规则,自适应调整阈值,对样本预测结果进行可信度评估。最后,预测结果评估为不可信的样本交由下一评估时刻的模型继续判断,直到可信度达到阈值后输出。在IEEE 39节点系统的仿真结果表明,所提方法相较于其他时间自适应方法具有更优的评估性能,在样本不平衡的情况下该方法实现了更好的修正效果。     

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(...     

基于ACGAN和模型融合的电机轴承故障诊断方法

电机轴承疲劳试验成本较高和故障数据不足导致利用机器学习等人工智能算法进行故障诊断时效果不佳。另外,单一模型对电机轴承故障诊断的准确率也较低。为解决这两个问题,提出了一种结合辅助分类器生成对抗网络（ACGAN）和模型融合的电机轴承故障诊断方法。首先将采集到的振动数据转换为二维灰度图,对每个灰度图添加标签后输入ACGAN模型,生成大量与原始数据高度拟合的新样本。然后将新样本与原始样本混合,经数据降维后输入由6个基学习器和1个元学习器融合而成的模型中。最后由融合模型输出诊断结果。试验证明,ACGAN和模型融合能有效提高电机轴承故障诊断的准确率。     

近邻成分分析和k近邻学习融合的变压器不平衡样本故障诊断

在基于机器学习的电力变压器故障诊断方法中,各故障类别间案例数量不平衡会导致诊断准确率降低。为了提升电力变压器故障诊断模型的准确率及运行效率,构建了融合引入修正因子的近邻成分分析和k近邻学习的故障诊断模型。首先,通过对近邻成分分析算法(neighborhood component analysis, NCA)目标函数引入修正因子减少样本不均衡对模型训练的影响,结合油色谱故障数据通过关联规则得到样本参量相关性量化矩阵,作为NCA算法训练度量矩阵的初值;然后,利用训练得到的度量矩阵对k近邻(k-nearest neighbors, k NN)分类器的输入数据结果进行映射变换,使同类型样本间的距离减小,进而使k NN分类性能提高;最后,用贝叶斯优化算法对模型进行超参数调优,获得能使测试集准确率最高的模型参数集。以变压器故障案例库为对象的算例分析结果表明,提出的模型与传统的机器学习诊断模型相比,用时节省了近一半,且所提模型对少数样本类的诊断准确率相比于其它模型提升了至少15%。论文研究可为电力变压器的故障诊断提供参考。     

基于泛在电力物联网的普适性智能电表状态实时评估方法

针对当前智能电表状态评估存在精确度低、泛化性差和实时困难等问题,本文采用泛在电力物联网构建状态实时评估方法解决该问题。首先,采用决策树算法实现智能电表的分类,整体增强方法的匹配度和适应性;随后针对不同类别的智能电表,采用Apriori算法对样本集数据的特征集进行识别和提取,从而降低特征维度并增强关联性;接着,基于决策引擎实现对智能电表状态实时评估,并以度量学习实现新增物联网采集数据的有效性评估,反馈优化传感设备部署,从而根据评估结果实现对新增部署传感器及其位置的调整,进而根据应用场景不断优化智能电表状态实时评估应用模式。实验结果表明,本方法可实现智能电表运行状况的实时、普适、精准运维评估,进一步解决泛在电力物联网设备现场部署经验不足、校验无目标等问题。     

不平衡数据集下海量配电网量测终端故障诊断方法

配电网量测终端设备的大规模接入,往往伴随着突发性、多样性的故障,其故障类型的精准判断对合理的运维检修策略制定与配电系统可靠运行具有重要意义。为此,以量测终端中的智能电表为典型,提出一种基于卷积神经网络-长短时记忆模型的故障分类方法。首先,考虑实际场景中智能电表故障数据不平衡以及存在分类特征的情况,通过K-prototypes算法对少数类故障类别进行聚类,在簇中心附近通过SMOTE-NC过采样技术生成智能电表故障数据;其次,将平衡后的故障数据通过卷积神经网络提取更高层次的特征信息作为长短时记忆网络的输入以实现智能电表的故障分类。最后,基于浙江省各市区智能电表故障分拣数据进行算例分析,结果表明本文所提出方法具有可行性和有效性。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道 岔多级故障诊断组合模型。 首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。 其次,考虑到 故障文本存在类别不均衡问题,采用 Borderline-SMOTE 算法对不均衡文本数据进行处理,优化故障文本数据分布。 接着使用 BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后 通过分类器实现智能故障诊断。 采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断 准确率达到 95. 62%,二级故障诊断准确率达到 93. 81%,证明多级故障诊断精度可达到理想效果。     

基于区间证据推理的继电器接触系统故障检测

针对现有接触电阻阈值检测算法过于依赖先验知识导致漏检率较高的缺陷,提出一种基于区间证据推理的继电器接触 系统故障检测算法。 首先,将先验阈值和接触电阻测试数据转换为区间信度结构;然后,根据修正权重对先验阈值和测试数据 进行区间证据推理融合;最后,计算出融合后的检测阈值。 该方法充分考虑了接触电阻测量模型所包含的不确定性以及区间证 据推理融合过程中的权重一致性,避免了现有算法自适应能力不足的缺陷。 在继电器加速寿命试验平台上进行验证,实验结果 表明,与经验阈值算法和常规区间证据推理方法相比,所提算法具有较好的自适应能力,可以有效提升电磁继电器接触系统的 故障检测精度。 考虑数据不平衡问题,对原始数据进行重采样后,所提算法能进一步提高故障检测效果。     

基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题，提出一种基于样本集成学习和蛇优化算法（SO）优化支持向量机（SVM）的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集；然后以Bagging策略训练SO优化关键参数后的SVM模型，综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证，数据表明，SO-SVM的故障诊断相比于RF、SVM、KNN等模型，诊断准确率分别提高了3.44%、6.89%、10.92%，AUC值分别提高了0.026 4、0.042 5、0.081 2；在同一分类器下，SO-SVM模型相比于SMOTE和ADASYN样本平衡方法，诊断准确率分别提高了4.59%、2.87%，说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

基于反向传播神经网络的失流故障智能识别研究

为解决传统方法识别主网电流失流故障准确率低的问题,本文提出了一种基于反向传播神经网络的失流故障智能识别方法。本文利用反向传播的神经网络算法,通过梯度下降的方式反向修正各层权值,使网络输出误差达到可以接受的程度,从而达到对失流故障识别具有很好的自学习自适应能力的目的。首先根据对主网失流故障特征的研究,将失流故障分为持续失流与断续失流两种,构造对应指标,综合所有指标构建失流故障特征提取体系,最后建立反向神经网络来拟合失流故障提取体系。对数据进行识别,建立专家样本库,利用反向神经网络进行离线训练,训练完成后固定权值用于失流故障识别,从而准确输出失流故障事件。经实例验证,所提方法在识别准确率和识别效率优于一般分类识别方法,可实现失流故障的就地识别。     

电力变压器故障诊断的k值自适应加权KNN算法研究

为对变压器故障进行更有效的诊断,针对变压器故障数据数值范围广且分布不均的特点,提出了k值自适应加权K近邻算法。首先,为避免离群样本对分类结果造成影响,利用局部异常因子对样本数据进行了离群点检测,并剔除了显著离群的样本;其次,为弥补传统KNN算法k值固定的缺陷,提出根据待测样本近邻点单位面积密度来对k进行自适应取值;最后,在对待测样本进行分类时,综合考虑各近邻点到待测样本之间的欧式距离,以及待测样本与各类别样本的分布相似度来确定各近邻点权重,并应用到最终的变压器故障分类决策之中。实验结果表明:研究提出的k值自适应加权KNN算法能对变压器故障进行有效诊断,诊断准确率达91.7%,相比改良三比值法以及BPNN、SVM和传统KNN三种分类器分别提高了19.7%、12.1%、6.5%和7.4%。     

基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明：所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。     

基于RB-XGBoost算法的智能电网调度控制系统健康度评价模型

针对智能电网调度控制系统(D5000系统)健康度评价,基于专家经验的传统评价方法存在主观性较大的问题,机器学习多分类方法是提高评价客观性的一种有效手段,但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低,为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先,针对系统各评价等级样本数目严重不平衡的问题,提出一种自适应随机平衡(RB)的混合采样方法,分别以等级间样本数目的最大值、最小值作为采样区间的上、下限,生成多个随机数对各等级样本数据进行欠采样或过采样,增加训练数据的多样性并降低其不平衡程度;然后,训练平衡后的样本数据,建立极端梯度提升(XGBoost)算法子模型,考虑到各子模型重要度的一致性,提出采用硬投票方式集成所有子模型,得到与D5000系统各子模块对应的评价模型;最后,根据该系统指标层级关系,在评价过程中采用并、串行结合的计算方式,构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明,与现有同类典型方法相比,所提方法的平均分类准确率最高提升了6.79%,平均提升了2.03%;某网省级D5000系统的实时采集数据验证了所提方法的有效性。     

自适应模糊支持向量机增量算法在变压器故障诊断中的应用

利用油中溶解气体对变压器进行故障有无以及故障类别判断时,为抑制冗余信息的干扰,提取与分类模式密切相关的特征作为每层诊断模型的输入;增量学习算法通过提取模型的支持向量和误判样本,逐步积累样本的空间分布知识,提高诊断模型的精度与训练速度,同时剔除对构建模型无贡献的样本以节约存储空间。为提升算法的收敛速度,采用参数自适应优化算法动态搜索模糊支持向量机的模型参数。最后,通过实例将该算法与普通的多分类支持向量机以及多分类模糊支持向量机相比,得出该算法具有相对较好的收敛性和诊断效果。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法

针对大功率质子交换膜燃料电池(protonexchange membranefuelcell,PEMFC)系统故障分类识别的问题,提出基于随机森林算法的燃料电池系统的故障分类方法。该方法基于Bootstrap法重采样,产生多个样本子集,通过决策树算法中的CART算法构造多个分类器模型,然后通过测试集对每个分类器进行测试得到分类结果,最后投票选出最优的分类结果作为预测类别。通过实例分析,对比支持向量机和K最邻近算法的分类结果,所提方法可有效识别有轨电车实际运行过程中5种故障状态,分类准确率可达94.4%,能明显提高故障分类正确率,对进一步实现大功率PEMFC系统在线故障诊断研究具有重要意义。