基于电网末端感知数据的电气火灾隐患识别技术

为解决电气火灾隐患识别难题,围绕电网末端数据感知技术展开分析,提出一种识别系统。为电气火灾隐患识别领域的工作人员提供一定的参考,在日常工作中减少火灾事故的发生率,确保生活生产安全。电气火灾是城市建设和工业生产中常见且严重的灾害。随着电力需求增加和电气设备广泛使用,电气火灾事故的发生率不断上升。

基于实例和属性加权朴素贝叶斯的电气故障分类研究

为实现对电气故障快速、准确和动态的分类,提出一种有机结合实例和属性加权的朴素贝叶斯电气故障分类方法(AIWNB);朴素贝叶斯分类方法中的先验概率和条件概率采用两种实例加权方式加以改进,积极实例权值取决于各属性值频度的统计值,而消极实例权值通过逐条计算训练实例与测试实例间的相关性加以确定;属性权值则基于互信息定义为属性-属性相关性和属性-类相关性之间的残差;所提出的AIWNB方法将属性加权和实例加权有机结合在朴素贝叶斯统一框架内,利用高低压用户的电气实测数据进行验证,实验结果表明,与朴素贝叶斯相比,加权后的朴素贝叶斯方法更具竞争性,准确率和F1分数可提升3.09%和9.39%,证明所提的AIWNB算法在电气故障分类的实用性及有效性;并与其他电气故障分类方法进行对比,验证算法的优越性。

基于ADASYN-随机森林的智能家电内部电路故障诊断

针对智能家电内部电路故障诊断中存在的数据不平衡和分类器诊断精度低的问题,提出一种基于ADASYN算法过采样和随机森林(random forest,RF)的故障诊断方法。将电流信号进行小波包分解,提取最后一层各节点能量作为特征向量;使用ADASYN算法扩充训练数据集,得到随机森林故障诊断模型并进行测试。实验结果表明:ADASYN-随机森林故障诊断模型对智能家电内部电路故障具有较高的诊断精度,对故障诊断有一定的实用价值和指导意义。

基于XGBoost的电网过流异常检测模型

在电网系统中,异常检测效率直接影响到系统维护成本,传统电网异常检测方法基于专家经验知识转化为固定规则与阈值,存在一定的局限性。现有的异常检测研究多以窃电、设备故障为主要分析对象,对过流异常的分析不足。本文针对过流异常的特性,分析了传统经验规则存在的问题与缺陷,通过特征工程确定了特征量,提出了基于XGBoost的电网过流异常检测模型。通过实验数据测试与评估,本文模型在5折交叉验证中F1分数最低值相较于传统规则提升了19.2%,平均值相较于传统规则提升了15.1%,各项实验指标均优于基于传统经验规则的检测方法,且没有出现明显的性能差异,证明了模型的检测效果。与异常检测常用的其他机器方法对比,本文模型的F1分数提升了6.4%至8.7%,稳定性及准确性均有优势。通过训练数据远少于测试数据的极端情况测试以及对模型进行的可解释性分析表明,本文模型具有较高的透明度、可信度,同时具有良好的泛化性能,可以有效支撑在实际环境中推广应用于过流异常检测。