基于机器学习的计量点电压异常检测方法及系统技术方案

本发明专利技术提供了一种基于机器学习的计量点电压异常检测方法及系统，该方法包括：基于决策树算法构建用于电压分类的机器学习模型；对模型的性能进行评估以度量所述模型是否达到预期的分类要求；在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。在本发明专利技术中，通过引入机器学习模式对计量点的电压进行分类，避免了原有的人工分析或是单纯的阈值判断所带来的效率低和准确度差的问题，从而提高了现场异常处理的及时性和准确性。

Method and system of measuring point voltage anomaly detection based on machine learning

【技术实现步骤摘要】
基于机器学习的计量点电压异常检测方法及系统
本专利技术涉及机器学习领域，具体而言，涉及一种基于机器学习的计量点电压异常检测方法及系统。
技术介绍
计量装置电压异常是一种常见的异常现象，引起的原因一般分为两类，一类是由于计量装置自身原因引起的，另外一类是由外界因素导致的。由于计量装置自身原因导致的故障主要是由表计、互感器、采集终端(包括专变采集终端和公变采集终端)故障。常见的表计故障主要由时钟或抄表电池、显示屏、程序飞走、EEPROM损坏等。常见的计量用互感器故障有CT二次开路、局部放电、串联谐振、PT保险管或熔断丝烧毁等。外界因素主要为接线故障和变配电设备故障。接线故障主要是未拧紧接线盒螺丝导致，在直接接入表计中也存在长期大负荷运行引起接线端子严重发热产生火花。变配电设备故障主要为高压保险跌落，变压器绕组接线错误等。以上异常虽然种类繁多，但是最终都会反映到电压、电流等工况信号上，因此可通过对用电信息采集系统中工况信号的分析，来发现现场异常。当是，这种人工判断方式效率低，准确度差。
技术实现思路
本专利技术实施例提供了一种基于机器学习的计量点电压异常检测方法及系统，以至少解决相关技术中人工判断计量装置电压异常所导致的效率低，准确度差的问题。根据本专利技术的一个实施例，提供了一种基于机器学习的计量点电压异常检测方法，包括：基于决策树算法构建用于电压分类的机器学习模型；对模型的性能进行评估以度量所述模型是否达到预期的分类要求；在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。可选地，基于决策树算法构建用于电压分类的机器学习模型包括：将电压互感器PT变比、电压值和电压分类进行组合构建决策树训练集；将所述决策树训练集引入决策树算法生成决策树。可选地，对模型的性能进行评估以度量所述模型是否达到预期的分类要求包括：采用混淆矩阵的方式对电压进行分类评价，当分类预测值与真值相同时确定为正确的分类。可选地，基于所述模型对计量点电压的异常进行检测包括：对用电信息采集系统中的表号、日期、日整点电压，以及表计中的PT变比进行收集；将收集后的各表的日期、日整点电压、PT变比输入所述模型，并输出各计量点的电压分类结果；根据输出的分类结果判断计量点的电压是否存在异常。可选地，统计所述日整点电压的中位值作为所述日整点电压值。根据本专利技术的另一个实施例，提供了一种基于机器学习的计量点电压异常检测系统，包括：构建模块，用于基于决策树算法构建用于电压分类的机器学习模型；评估模块，用于对模型的性能进行评估以度量所述模型是否达到预期的分类要求；检测模块，在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。可选地，所述构建模块包括：构建单元，将电压互感器PT变比、电压值和电压分类进行组合构建决策树训练集；生成单元，用于将所述决策树训练集引入决策树算法生成决策树。可选地，所述评估模块包括：评价单元，用于采用混淆矩阵的方式对电压进行分类评价，当分类预测值与真值相同时确定为正确的分类。可选地，所述检测模块包括：收集单元，用于对用电信息采集系统中的表号、日期、日整点电压，以及表计中的PT变比进行收集；分类单元，用于将收集后的各表的日期、日整点电压、PT变比输入所述模型，并输出各计量点的电压分类结果；判断单元，根据输出的分类结果判断计量点的电压是否存在异常。可选地，所述检测模块还包括：统计单元，用于统计所述日整点电压的中位值作为所述日整点电压值。根据本专利技术的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。在本专利技术上述实施例中，通过引入机器学习模式对计量点的电压进行分类，避免了原有的人工分析或是单纯的阈值判断所带来的效率低和准确度差的问题，从而提高了现场异常处理的及时性和准确性。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的计量点电压异常检测方法流程图；图2是根据本专利技术实施例的电压分类决策树示意图；图3是根据本专利技术实施例的异常计量点的电压曲线示意图；图4是根据本专利技术实施例的异常计量点的电流曲线示意图；图5是根据本专利技术实施例的计量点电压异常检测系统的结构示意图；图6是根据本专利技术可选实施例的计量点电压异常检测系统结构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。机器学习是伴随概率论、统计学、凸优化、分布式计算、海量数据存储等理论和技术发展起来的一门交叉学科，通过机器学习，我们可以洞见数据背后的本质(insight)，可以使数据变得更加有意义。机器学习目前在产品推荐、人脸识别、信息过滤以及疾病诊断等领域得到了广泛的应用，它本身也是一个应用驱动的学科，主要是解决分类和预测问题，而异常电压诊断本质上是一个电压分类问题。因此，为了解决现有技术中人工判断计量装置电压异常所导致的效率低，准确度差的问题，在本专利技术中，通过引入机器学习模式对计量点的电压进行分类，以解决原有的人工分析方式所带来的效率低和准确度差的问题。机器学习算法从学习方式上分为有监督式学习和无监督式学习。有监督式学习主要是指通过一个给定结果的训练集(学习集)数据来建立模型，再通过建立的模型进行新数据的分类和预测；无监督式学习又称归纳性学习(clustering)利用K方式(Kmeans)，建立中心(centriole)，通过循环和递减运算(iteration&descent)来减小误差，达到分类的目的。监督式学习的主要算法有贝叶斯学习、决策树、支持向量机(SVM)、人工神经网络(ANNs)。本文主要应用的是决策树(DecisionsTree)分类算法。决策树算法是常用的监督式机器学习算法，从直观上讲就是一种类似流程图的树状决策机制，包含决策节点(DecisionBlocks)和终端节点(TerminatingBlocks)。其中，每个决策结点表示在一个属性上的分类，而每个终端结点表示最终分类结果，对应一个具体分类标号，经过实际工程验证，决策树具有较好分类效果。迭代二分器(IterativeDichotomister,ID3)是决策树的原型算法，在此基础上衍生出C4.5、C5.0、CART算法，而且决策树作为基分类器，进一步形成随机森林(Randomforest)算法。决策树以信息熵(Entropy)理论作为基础，使用信息增益(InformationGain)来本文档来自技高网...

【技术保护点】
1.一种基于机器学习的计量点电压异常检测方法，其特征在于，包括：/n基于决策树算法构建用于电压分类的机器学习模型；/n对模型的性能进行评估以度量所述模型是否达到预期的分类要求；/n在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。/n

【技术特征摘要】
1.一种基于机器学习的计量点电压异常检测方法，其特征在于，包括：
基于决策树算法构建用于电压分类的机器学习模型；
对模型的性能进行评估以度量所述模型是否达到预期的分类要求；
在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。


2.根据权利要求1所述的方法，其特征在于，基于决策树算法构建用于电压分类的机器学习模型包括：
将电压互感器PT变比、电压值和电压分类进行组合构建决策树训练集；
将所述决策树训练集引入决策树算法生成决策树。


3.根据权利要求1所述的方法，其特征在于，对模型的性能进行评估以度量所述模型是否达到预期的分类要求包括：
采用混淆矩阵的方式对电压进行分类评价，当分类预测值与真值相同时确定为正确的分类。


4.根据权利要求1所述的方法，其特征在于，基于所述模型对计量点电压的异常进行检测包括：
对用电信息采集系统中的表号、日期、日整点电压，以及表计中的PT变比进行收集；
将收集后的各表的日期、日整点电压、PT变比输入所述模型，并输出各计量点的电压分类结果；
根据输出的分类结果判断计量点的电压是否存在异常。


5.根据权利要求4所述的方法，其特征在于，将统计的所述日整点电压的中位值作为所述日整点电压值。


6.一种基于机器学习的计量点电压异常检测系统，其特征在于，包括：
构建模块，用于基于决策树算法构建用于电压分类的机器学习模型；
评估模块，用于对模型的性能进行评估以度量所述模型...

【专利技术属性】
技术研发人员：李亦非，王宏成，王芳，张雅静，宋玮琼，李蕊，吴小林，徐慧安，王欣然，
申请(专利权)人：国网北京市电力公司，国家电网有限公司，
类型：发明
国别省市：北京;11