【技术实现步骤摘要】
本专利技术涉及一种基于数据增强和动态权重更新的knn漏电流分类方法、装置及计算机可读存储介质。
技术介绍
1、漏电流通常是由电力设备或线路中的绝缘故障引起的，可能会导致电气事故、设备损坏甚至火灾。因此，准确、快速地分类漏电流对于确保电力系统的安全性和稳定性至关重要。
2、传统的漏电流分类方法虽然在一些情况下可以有效地进行漏电流分类，但也存在一些不足之处，特别是在面对一些特定挑战时：
3、1.特征工程的依赖：传统方法通常需要手动进行特征工程，即从原始数据中提取有用的特征。这需要领域专业知识和人工努力，可能会导致特征选择不准确或不全面。
4、2.泛化能力差：传统方法在处理复杂的、多变的数据分布时，可能泛化能力较差。这可能导致在未知情况下的分类性能下降。
5、3.对标记数据的依赖：传统方法通常需要大量的标记数据来训练模型，尤其是在深度学习中。然而，在某些领域，如漏电流分类，获得大量标记数据可能是昂贵且困难的。
6、4.不适应新情况：传统方法可能难以适应新的漏电流模式或情况，特别是当出现罕见或突发情况时。模型需要重新训练或重新调整，导致延迟和额外的工作量。
7、5.对数据分布的假设：传统方法往往假设数据分布符合特定的模型，但在实际情况下，数据分布可能更加复杂，这可能导致传统方法的性能下降。
8、总体而言，传统的漏电流分类方法在面对数据分布多样性、标记数据稀缺、适应性学习等问题时，可能会受到限制。因此，需要一种新的方法来提高漏电流分类的准确性和实时性，以满
技术实现思路
1、本专利技术的目的是提供一种基于数据增强和动态权重更新的knn漏电流分类方法，以解决现有knn漏电流分类方法在面对数据分布多样性、标记数据稀缺问题时，会受到限制的问题。
2、为解决上述技术问题，本专利技术提供一种基于数据增强和动态权重更新的knn漏电流分类方法，包括：
3、s1：数据准备，采集不同供电台区的实时漏电流数据作为漏电流样本数据，将漏电流数据样本数据划分为训练集和测试集；
4、s3：模型构建，建立knn模型，为knn模型中的每个特征分配初始权重，并构建权重更新函数；
5、s4：模型训练，根据当前权重和增强数据集，在训练集上训练knn模型，计算模型在测试集上的准确率，并在每个适应性学习迭代过程中根据准确率和权重更新函数进行权重调整，对knn模型进行优化；
6、s5：模型应用，将待分类漏电流数据漏电流数据输入到优化后的knn模型中进行数据分类。
7、进一步地，在将漏电流数据样本数据划分为训练集和测试集前，根据漏电流样本数据特性将漏电流样本数据标注为正常数据和异常数据，然后将标注为正常数据的漏电流数据样本数据划分为训练集和测试集。
8、进一步地，在步骤s1中，按照7：3或8：2的比例将漏电流数据样本数据划分为训练集和测试集。
9、进一步地，该方法还包括：
10、s2：数据增强，利用数据增强技术，对训练集中的每个样本进行多次随机扰动，生成增强样本。
11、进一步地，步骤s2具体包括：
12、添加噪声，为正常和异常的漏电流样本添加噪声；
13、微小变化，通过微调漏电流的数值创建新的样本；
14、数据合成，使用smote等算法来合成少数类样本。
15、进一步地，在模型训练过程中，设置一个停止准则，当达到预设的迭代次数或模型性能已经收敛，停止迭代优化。
16、进一步地，在应用过程中，将优化后的knn模型部署到电力系统中，自动实时接收和分类新的漏电流数据。
17、进一步地，该方法还包括：
18、s6：维护和更新，定期收集新的漏电流数据对knn模型进行训练和更新。
19、本专利技术还提供了一种基于数据增强和动态权重更新的knn漏电流分类装置，包括：处理器以及存储器；其中，存储器用于存储计算机执行指令，当该装置运行时，处理器执行存储器存储的计算机执行指令，以使装置执行上述优化调度方法。
20、本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质包括指令，指令当被执行时使计算机执行上述优化调度方法。
21、本专利技术的有益效果为：该专利技术通过深度学习模型的训练和优化，能够更好地适应不同的漏电流模式，从而提高了在新情况下的分类性能；通过仅对权重进行微调，模型就能够在短时间内适应新情况，而无需重新训练整个模型；通过少量标记样本和数据增强技术，在面对标记数据有限的情况下依然能够进行有效的学习；通过设置权重更新函数能够自动调整knn模型的关注点，使其能够更好地适应新的漏电流模式；通过多次适应性学习迭代和数据增强，方法能够在新情况下提供更高的分类准确率。
本文档来自技高网...【技术保护点】
1.一种基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，包括
2.根据权利要求1所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，在将所述漏电流数据样本数据划分为训练集和测试集前，根据漏电流样本数据特性将漏电流样本数据标注为正常数据和异常数据，然后将标注为正常数据的漏电流数据样本数据划分为训练集和测试集。
3.根据权利要求2所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，在所述步骤S1中，按照7：3或8：2的比例将漏电流数据样本数据划分为训练集和测试集。
4.根据权利要求1-3任一所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，该方法还包括：
5.根据权利要求4所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，所述步骤S2具体包括：
6.根据权利要求1所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，在模型训练过程中，设置一个停止准则，当达到预设的迭代次数或模型性能已经收敛，停止迭代优化。
7.根据权利
8.根据权利要求1所述的基于数据增强和动态权重更新的KNN漏电流分类方法，其特征在于，该方法还包括：
9.一种基于数据增强和动态权重更新的KNN漏电流分类装置，其特征在于，包括：处理器以及存储器；其中，所述存储器用于存储计算机执行指令，当该装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述装置执行权利要求1-8中任一项所述的优化调度方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令，所述指令当被执行时使所述计算机执行权利要求1-8中任一项所述的优化调度方法。
...【技术特征摘要】
1.一种基于数据增强和动态权重更新的knn漏电流分类方法，其特征在于，包括
2.根据权利要求1所述的基于数据增强和动态权重更新的knn漏电流分类方法，其特征在于，在将所述漏电流数据样本数据划分为训练集和测试集前，根据漏电流样本数据特性将漏电流样本数据标注为正常数据和异常数据，然后将标注为正常数据的漏电流数据样本数据划分为训练集和测试集。
3.根据权利要求2所述的基于数据增强和动态权重更新的knn漏电流分类方法，其特征在于，在所述步骤s1中，按照7：3或8：2的比例将漏电流数据样本数据划分为训练集和测试集。
4.根据权利要求1-3任一所述的基于数据增强和动态权重更新的knn漏电流分类方法，其特征在于，该方法还包括：
5.根据权利要求4所述的基于数据增强和动态权重更新的knn漏电流分类方法，其特征在于，所述步骤s2具体包括：
6.根据权利要求1所述的基于数据增强和动态权重更新的knn漏...
【专利技术属性】
技术研发人员：杨占刚，周勇，向文平，谢梁，马骁，籍永亮，吴发旺，童威，徐伟，向阳峻桐，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。