一种基于多分类器融合的智能电表故障预测方法技术

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。

【技术实现步骤摘要】
一种基于多分类器融合的智能电表故障预测方法
本专利技术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。
技术介绍
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文档来自技高网...

【技术保护点】
1.一种基于多分类器融合的智能电表故障预测方法，其特征在于，所述的方法将从用电信息采集系统中获取的数据进行数据预处理后，依次作为训练样本和测试样本输入到采用融合算法的多分类器模型中进行训练和预测，进而获取数据样本所对应的故障类型，步骤如下：/n步骤1：分析智能电表的故障数据信息和故障类型，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；/n步骤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；/n步骤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；/n步骤4：将数据集按照8:...

【技术特征摘要】
1.一种基于多分类器融合的智能电表故障预测方法，其特征在于，所述的方法将从用电信息采集系统中获取的数据进行数据预处理后，依次作为训练样本和测试样本输入到采用融合算法的多分类器模型中进行训练和预测，进而获取数据样本所对应的故障类型，步骤如下：
步骤1：分析智能电表的故障数据信息和故障类型，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；
步骤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；
步骤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；
步骤4：将数据集按照8:3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；
步骤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；
步骤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样本的预测结果。


2.根据权利要求1所述的基于多分类器融合的智能电表故障预测方法，其特征在于，所述的步骤1中，对电表故障数据进行缺失值与异常值处理方法如下：
针对时间序列X[x1,x2...xn]的缺失数据，采用按照正态分布补全的方法，计算其均值μ和方差σ，生成符合正态分布的数据：



N(μ，σ)表示均值为μ和方差为σ的正态分布，采用箱形图进行异常值的判断，定义如下范围：
[Q1-1.5IQR,Q3+1.5IQR]
IQR＝Q3-Q1
其中，Q1、Q3分别表示数据集的第一个四分位数和第三个四分位数，IQR为阈值判断范围，不满足该阈值判断范围的数据均认为是异常值，需要对其进行删除或替换。


3.根据权利要求1所述的基于多分类器融合的智能电表故障预测方法，其特征在于，所述的步骤2中，所述特征子集形成方法如下：
假定一个故障数据集的形式为D＝{(x1,y1),(x2,y2)...(xnum,ynum)}，其中，xi表示第i个样本的特征属性信息，其维度为N，num＝1,2,3,...,num表示故障数据集的样本数量，yi表示第i个样本的故障类型，则第i个样本中，各特征属性与故障类型之间的相关系数可表示为：
ri＝[ρ1,ρ2...ρk...ρN]
其中，ρk表示第k个特征属性与故障类型之间的相关系数，ri表示第i个故障类型下的相关系数集，ρk的计算过程如下：



其中，λk表示第k个特征；
通过剔除与故障类型相...

【专利技术属性】
技术研发人员：李宁，郭泽林，袁铁江，张伟，齐尚敏，王永超，韩鑫磊，刘海洋，申李，李娜，田娇娟，余英，张皓淼，费守江，周宜，
申请(专利权)人：国网新疆电力有限公司营销服务中心资金集约中心，计量中心，国网新疆电力有限公司电力科学研究院，大连理工大学，
类型：发明
国别省市：新疆;65