基于多分类机器学习模型的智能电表故障预测

doi:10.16628/j.cnki.2095-8188.2022.02.002

电器与能效管理技术 ›› 2022, Vol. 0 ›› Issue (2): 6-11.doi: 10.16628/j.cnki.2095-8188.2022.02.002

基于多分类机器学习模型的智能电表故障预测

李宁¹, 张伟¹, 郭泽林², 袁铁江², 韩鑫磊¹

1.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, 新疆乌鲁木齐 830000
2.大连理工大学, 辽宁大连 116000

收稿日期:2021-09-30 出版日期:2022-02-28 发布日期:2022-03-31
作者简介:李宁(1968—),男,高级工程师,主要从事电能计量研究。|张伟(1966—),男,高级工程师,主要从事电能计量与输变电设备运维研究。|郭泽林(1996—),男,硕士研究生,研究方向为智能电表健康管理。
基金资助:
中央高校基本科研业务项目(人才专项,DUT20RC(5)021);国网新疆电力有限公司科技项目(5230DK20000J)

Fault Prediction of Intelligent Electricity Meter Based on Multi-Classification Machine Learning Model

LI Ning¹, ZHANG Wei¹, GUO Zelin², YUAN Tiejiang², HAN Xinlei¹

1. State Grid Xinjiang Electric Power Co.,Ltd.Marketing Service Center (Capital Intensive Center,Metering Center),State Grid Xinjiang Electric Power Co.,Ltd.Institute of Electric Power Science,Urumqi 830000,China
2. Dalian University Of Technology,Dalian 116000,China

Received:2021-09-30 Online:2022-02-28 Published:2022-03-31

摘要/Abstract

摘要：

针对智能电表故障数据规模大、维度高、存在错误及异常数据的特点,提出了一种融合多分类机器学习模型的智能电表故障预测方法。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的相关系数,消除不相关特征,形成特征子集;构建混合采样策略,解决故障数据不平衡问题。计算三种典型机器学习算法处理智能电表故障数据的预测准确率,构建混淆矩阵;计及各分类器的预测能力,构建多分类器融合决策函数。最后,分别采用公共数据集与实际用电数据作为样本,验证了所提方法的有效性。

关键词: 智能电表, 机器学习, 数据预处理, 融合算法, 故障预测

Abstract:

In view of the characteristics of large scale,high dimension,error and abnormal data of smart electricity meter fault data,a fault prediction method of smart electricity meter based on multi-classification machine learning model is proposed.The missing values and outliers are replaced in the original data set by using normal distribution completion and box diagram method.By calculating the correlation coefficient between feature attributes and fault types,the uncorrelated features are eliminated and the feature subset is formed.To solve the problem of unbalanced fault data,a mixed sampling strategy is built.The prediction accuracy of three typical machine learning algorithms to process the fault data of smart electricity meters is calculated,and the confusion matrix is constructed.Considering the prediction ability of each classifier,the multi-classifier fusion decision function is constructed.Finally,the effectiveness of the proposed method is verified by using public data sets and actual electricity consumption data as samples.

Key words: smart electricity meter, machine learning, data preprocessing, fusion algorithm, failure prediction

中图分类号:

TM73

李宁, 张伟, 郭泽林, 袁铁江, 韩鑫磊. 基于多分类机器学习模型的智能电表故障预测[J]. 电器与能效管理技术, 2022, 0(2): 6-11.

LI Ning, ZHANG Wei, GUO Zelin, YUAN Tiejiang, HAN Xinlei. Fault Prediction of Intelligent Electricity Meter Based on Multi-Classification Machine Learning Model[J]. LOW VOLTAGE APPARATUS, 2022, 0(2): 6-11.

图/表 7

图1

图2

表1

表2

表3

表4

表5

参考文献 20

[1]	张乐平, 胡珊珊, 梅能, 等. 智能电能表可靠性研究综述[J]. 电测与仪表, 2020, 57(16):134-140.
[2]	张文嘉, 江小昆, 王妲, 等. 基于误差在线自诊断技术的智能电表设计[J]. 自动化仪表, 2020, 41(4):16-22.
[3]	陈志强, 陈旭东, VALENTE DE OLIVIRA J, 等. 深度学习在设备故障预测与健康管理中的应用[J]. 仪器仪表学报, 2019, 40(9):206-226.
[4]	刘紫熠, 刘卿, 王崇, 等. 基于智能电表运行故障数据的纵向分析模型[J]. 计算机科学, 2019, 46(增刊1):436-438,456.
[5]	刘金硕, 刘必为, 张密, 等. 基于GBDT的电力计量设备故障预测[J]. 计算机科学, 2019, 46(增刊1):392-396.
[6]	邱伟, 唐求, 刘旭明, 等. 基于MBBS的电能计量设备故障率预估[J]. 仪器仪表学报, 2019, 40(1):43-51.
[7]	杜蜀薇, 成达, 邱伟, 等. 基于分层贝叶斯的电能表短期故障评估与预测[J]. 电子测量与仪器学报, 2018, 32(12):178-184.
[8]	李媛, 郑安刚, 谭煌, 等. 基于时间序列的电能表月故障数预测方法[J]. 中国电力, 2020, 53(6):72-80.
[9]	陈叶, 韩彤, 魏龄, 等. 基于多分类融合模型的智能电表故障预测[J/OL]. 电测与仪表:1-9. http://lens.cnki.net/kcms/detail/23.1202.TH.20202806.1627.012.html.
[10]	陈燕文, 李坤, 韩焱, 等. 基于MFCC和常数Q变换的乐器音符识别[J]. 计算机科学, 2020, 47(3):149-155.
[11]	陈仁祥, 吴昊年, 杨黎霞, 等. 多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别[J]. 仪器仪表学报, 2019, 40(10):66-73.
[12]	郇战, 陈学杰, 吕士云, 等. 基于多分类器融合的步态识别方法[J]. 计算机应用, 2019, 39(3):712-718.
[13]	许良凤, 徐小兵, 胡敏, 等. 基于多分类器融合的玉米叶部病害识别[J]. 农业工程学报, 2015, 31(14):194-201,315.
[14]	刘肖, 袁冠, 张艳梅, 等. 基于自适应多分类器融合的手势识别[J]. 计算机科学, 2020, 47(7):103-110.
[15]	商曦文, 吉莹, 张建寰. 智能电能表运行状态评估技术研究综述[J]. 电测与仪表, 2020, 57(3):134-141.
[16]	高欣, 刁新平, 刘婧, 等. 基于模型自适应选择融合的智能电表故障多分类方法[J]. 电网技术, 2019, 43(6):1955-1961.
[17]	贺兴, 艾芊, 邱才明, 等. 泛在电力物联网数据挖掘体系建设综述及数据驱动认知框架探究[J]. 电器与能效管理技术, 2019(19):1-14.
[18]	王蕊, 俞凌枫, 朱斌, 等. 大数据和机器学习技术在电缆运维中的应用研究[J]. 电器与能效管理技术, 2020(12):114-118.
[19]	杨金成, 蒋平, 陈广宇, 等. 智能电表故障辨识模型研究[J]. 电器与能效管理技术, 2017(6):30-36.
[20]	缪希仁, 唐玲玲, 庄胜斌, 等. 低压配电系统短路故障保护方法综述[J]. 电器与能效管理技术, 2019(15):21-29.

数据集名称	数据量	特征属性维度	标签数目
penbased	1 100	16	10
newthyroid	215	5	3
hepatitis	80	19	2
glass	214	9	7
flare	1 066	11	6
dermatology	358	34	6
cleveland	297	13	5

数据集	准确率/%
数据集	SVM	BP神经网络	随机森林	多分类模型
penbased	83.31	78.69	81.33	85.01
newthyroid	87.23	87.02	86.41	88.77
hepatitis	96.91	97.66	97.24	98.21
glass	75.42	68.65	72.45	77.32
flare	90.11	86.09	89.31	92.25
dermatology	98.21	99.30	98.18	99.69
cleveland	90.26	89.64	88.67	92.87

故障类别	数量/台	占比/%	类别标签
电池欠压	13 240	35.04	1
电费扣减异常	1 426	3.77	2
计量芯片损坏	5 065	13.41	3
继电器损坏	1 409	3.73	4
外观损坏	2 697	7.14	5
显示单元故障	6 017	15.93	6
载波模块损坏	2 419	6.40	7

故障类别标签	准确率
故障类别标签	SVM	BP神经网络	随机森林	多分类模型
1	0.83	0.82	0.84	0.85
2	0.78	0.69	0.75	0.78
3	0.71	0.55	0.73	0.74
4	0.72	0.58	0.71	0.73
5	0.77	0.43	0.71	0.77
6	0.81	0.77	0.76	0.84
7	0.69	0.48	0.64	0.71

基于多分类机器学习模型的智能电表故障预测

Fault Prediction of Intelligent Electricity Meter Based on Multi-Classification Machine Learning Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 20

相关文章 3

编辑推荐

Metrics

本文评价

[1]	刘百鑫, 王召斌, 乔青云, 朱佳淼, 李朕. 基于深度学习的继电器寿命预测方法研究综述[J]. 电器与能效管理技术, 2021, 0(12): 1-6.
[2]	包岱远, 潘俊涛, 李伟坚. 基于嵌入式平台的NFC购电卡通信测试仪设计与实现^*[J]. 电器与能效管理技术, 2020, 0(2): 67-72.
[3]	王蕊, 俞凌枫, 朱斌, 徐剑. 大数据和机器学习技术在电缆运维中的应用研究[J]. 电器与能效管理技术, 2020, 0(12): 114-118.