基于贝叶斯网和集成学习的智能电表状态评价

智能电能表随着社会的发展和其采集信息的便利性而日益普及,同时每年对智能电表进行的状态判断与检测过程也耗费了大量的人力物力资源。因此,为了高效准确地进行智能电表状态的判断,课题组提出利用智能电表运行数据构建贝叶斯网络来实现精准推断的方法。首先根据生活经验和相关文献确定能反映智能电能表状态的主要因素,然后选取相关因素的代表性数据构成电能表状态评价数据集,并对该数据集进行离散化,然后利用贝叶斯网作为融合模型解决智能电能表相关数据中存在的不确定性和不完备性问题。同时结合选择性集成学习方法进一步提高状态评价的准确性,利用聚类算法选取每组中的最优贝叶斯网络结构,然后基于凸函数证据理论对各贝叶斯网的决策结果进行进一步融合,最终实现对问题表计的高准确判定。