针对智能电能表在运行过程中出现烧损的现象,在对各类因素进行关联分析后,提出了一种基于XGBoost算法的智能电能表烧损预测方法,以某省份2019—2020年的数据为例进行了测试验证.采用该方法结合电能表基本信息数据、运行数据和环境数据...针对智能电能表在运行过程中出现烧损的现象,在对各类因素进行关联分析后,提出了一种基于XGBoost算法的智能电能表烧损预测方法,以某省份2019—2020年的数据为例进行了测试验证.采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别,并与K最邻近法(K-NearestNeighbor,KNN)、朴素贝叶斯和支持向量机等传统机器学习算法进行对比.结果表明,基于极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的算法精度达到91%,召回率达到66%,综合指标F_(1)达到76.51%,远高于传统算法.算法模型在进行系统部署的过程中,运用长短期记忆算法(Long Short Term Memory,LSTM)对部分缺失值进行了填充,经试点验证,该模型可较为准确地预测低压台区电能表烧损现象.展开更多
文摘针对智能电能表在运行过程中出现烧损的现象,在对各类因素进行关联分析后,提出了一种基于XGBoost算法的智能电能表烧损预测方法,以某省份2019—2020年的数据为例进行了测试验证.采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别,并与K最邻近法(K-NearestNeighbor,KNN)、朴素贝叶斯和支持向量机等传统机器学习算法进行对比.结果表明,基于极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的算法精度达到91%,召回率达到66%,综合指标F_(1)达到76.51%,远高于传统算法.算法模型在进行系统部署的过程中,运用长短期记忆算法(Long Short Term Memory,LSTM)对部分缺失值进行了填充,经试点验证,该模型可较为准确地预测低压台区电能表烧损现象.