本发明实施例涉及智能电能表检测,尤其涉及一种智能电能表故障检测方法及装置。
背景技术:
1、随着电力行业的快速发展和智能电能表的广泛应用,智能电能表设备的故障类型和故障率不断增加,智能电能表故障检测成为了保障电力行业稳定运行和质量保障的重要工作。由此,如何准确快速地检测智能电能表是否发生故障以及发生故障的故障类型,对保证智能电能表的安全稳定运行至关重要。
2、然而,目前智能电能表故障检测依赖于人工巡检和手动测试,显然人工检测存在检测效率低、人工成本高、易出现漏检和误检等问题。
技术实现思路
1、本发明实施例提供一种智能电能表故障检测方法及装置,以提高对智能电能表的检测效率和检测的准确率。
2、第一方面,本发明实施例提供了一种智能电能表故障检测方法,其特征在于,包括:
3、根据目标故障特征属性对智能电能表的目标故障数据集进行混合采样,获得多个故障特征采样数据子集;
4、根据多个基础分类模型和每一所述故障特征采样数据子集,构建故障检测混合模型;
5、将所述智能电能表的当前运行数据输入所述故障检测混合模型,以确定所述智能电能表的故障状态。
6、可选地,所述对智能电能表的历史故障数据集进行混合采样,获得故障采样数据集之前,包括:
7、根据所述智能电能表的历史故障数据确定所述智能电能表的故障类型和故障特征属性;
8、根据所述故障类型和所述故障特征属性将所述历史故障数据划分为多个故障分类子集;
9、根据每一所述故障分类子集和决策树模型,确定目标故障数据集和目标故障特征属性。
10、可选地,所述根据目标故障特征属性对智能电能表的目标故障数据集进行混合采样,获得多个故障特征采样数据子集,包括:
11、根据所述目标故障特征属性对所述目标故障数据集进行分类,获得多个故障特征采样数据子集;
12、统计每一所述故障特征采样数据子集包括的数据数量;
13、根据每一所述故障特征采样数据子集包括的数据数量,计算所有所述故障特征采样数据子集包括的数据数量的平均值;
14、根据每一所述故障特征采样数据子集包括的数据数量和所有所述故障特征采样数据子集包括的数据数量的平均值,对每一所述故障特征采样数据子集进行混合采样,获得多个故障特征采样数据子集。
15、可选地,所述根据每一所述故障特征采样数据子集包括的数据数量和所有所述故障特征采样数据子集包括的数据数量的平均值,对每一所述故障特征采样数据子集进行混合采样,获得多个故障特征采样数据子集,包括:
16、若所述故障特征采样数据子集包括的数据数量大于所有所述故障特征采样数据子集包括的数据数量的平均值,则对所述故障特征采样数据子集进行欠采样;
17、若所述故障特征采样数据子集包括的数据数量小于所有所述故障特征采样数据子集包括的数据数量的平均值,则对所述故障特征采样数据子集进行过采样;
18、若所述故障特征采样数据子集包括的数据数量等于所有所述故障特征采样数据子集包括的数据数量的平均值,则无需对所述故障特征采样数据子集进行采样。
19、可选地,所述根据多个基础分类模型和每一所述故障特征采样数据子集,构建故障检测混合模型,包括:
20、将每一所述故障特征采样数据子集输入每一所述基础分类模型得到故障预测结果集;
21、根据所述故障预测结果集计算每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率;
22、根据每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率计算每一所述基础分类模型的权重;
23、根据所述故障预测结果集、每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率以及每一所述基础分类模型的权重,构建所述故障检测混合模型。
24、可选地,所述根据所述故障预测结果集计算每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率,包括:
25、根据所述故障预测结果集统计每一所述故障特征采样数据子集输入每一所述基础分类模型输出的正确结果数量集和结果总数量集;
26、根据所述正确结果数量集和结果总数量集,计算每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率。
27、可选地,所述故障特征采样数据子集的准确率集ak为:
28、
29、
30、其中,k表示基础分类模型的标号,m表示故障特性采样数据子集的标号,k和m均为正整数;为标号为k的基础分类模型对于标号为1的故障特性采样数据子集的准确率,……,为标号为k的基础分类模型对于标号为m的故障特性采样数据子集的准确率。
31、可选地,所述基础分类模型的权重wk为:
32、
33、可选地,所述故障检测混合模型y为:
34、
35、argmax表示乘积最高的故障特性属性作为最终预测结果,k表示基础分类模型的标号,m表示故障特性采样数据子集的标号,k和m均为正整数;wk为标号为k的基础分类模型的权重,为标号为k的基础分类模型对于标号为m的故障特性采样数据子集的准确率,表示标号为m的故障特性采样数据子集输入标号为k的基础分类模型输出的故障预测结果。
36、第二方面,本发明实施例提供了一种智能电能表故障检测装置,该智能电能表故障检测装置包括:
37、故障采样数据子集获取模块,用于根据目标故障特征属性对智能电能表的目标故障数据集进行混合采样,获得多个故障特征采样数据子集;
38、故障检测混合模型构建模块,用于根据多个基础分类模型和每一所述故障特征采样数据子集,构建故障检测混合模型;
39、运行状态确定模块,用于将所述智能电能表的当前运行数据输入所述故障检测混合模型,以确定所述智能电能表的故障状态。
40、本发明实施例通过根据目标故障特征属性对智能电能表的目标故障数据集进行混合采样,可以获得多个故障特征采样数据子集,使不同特征属性的数据数量大致相同,从而增加数据的多样性,进而提高后续根据故障采样数据子集构建的故障检测混合模型的泛化能力。根据多个基础分类模型和每一故障特征采样数据子集,可以获知各个模型在验证集上的性能表现,从而根据各个模型在验证集上的性能表现构建故障检测混合模型,使故障检测混合模型对智能电能表的运行状态更加精确,对故障类型的判断更加精确。将智能电能表的当前运行数据输入故障检测混合模型,以确定智能电能表的运行状态,可以自动确定智能电能表是否发生故障,并且快速判断出故障的类型。本方案相较于传统的人工巡检和手动测试电能表故障检测方法,具有自动化,节省人力的特点。相较于单模型分类方法,识别结果准确率更高。
1.一种智能电能表故障检测方法,其特征在于,包括:
2.根据权利要求1所述的智能电能表故障检测方法,其特征在于,所述对智能电能表的历史故障数据集进行混合采样,获得故障采样数据集之前,包括:
3.根据权利要求2所述的智能电能表故障检测方法,其特征在于,所述根据目标故障特征属性对智能电能表的目标故障数据集进行混合采样,获得多个故障特征采样数据子集,包括:
4.根据权利要求3所述的智能电能表故障检测方法,其特征在于,所述根据每一所述故障特征采样数据子集包括的数据数量和所有所述故障特征采样数据子集包括的数据数量的平均值,对每一所述故障特征采样数据子集进行混合采样,获得多个故障特征采样数据子集,包括:
5.根据权利要求3所述的智能电能表故障检测方法,其特征在于,所述根据多个基础分类模型和每一所述故障特征采样数据子集,构建故障检测混合模型,包括:
6.根据权利要求5所述的智能电能表故障检测方法,其特征在于,所述根据所述故障预测结果集计算每一所述基础分类模型对每一所述故障特征采样数据子集进行预测的准确率,包括:
7.根据权利要求6所述的智能电能表故障检测方法,其特征在于,所述故障特征采样数据子集的准确率集ak为:
8.根据权利要求7所述的智能电能表故障检测方法,其特征在于,所述基础分类模型的权重wk为:
9.根据权利要求5所述的智能电能表故障检测方法,其特征在于,所述故障检测混合模型y为:
10.一种智能电能表故障检测装置,其特征在于,包括: