电能表计量性能评价及预测方法研究

为解决对电能表进行评价的时间和误差特征维度单一等问题,提出一种电能表计量性能评价及预测方法。首先,利用电能表拆回检测及其首次检定多时间维度的误差数据,提出利用K-means聚类算法对电能表计量性能进行评价的方法,从均值、方差、平均偏移量、最大偏移量误差进行多特征维度评价分析。然后,提出一种利用电能表基本信息特征对其评价类别进行预测的方法,采用集成学习Stacking模型进行预测,以支持向量机(SVM)、K近邻(KNN)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)相异模型为Stacking模型基分类器,并利用合成少数类过采样技术(SMOTE)处理类别不平衡问题。对比结果表明,平均偏移量维度对其计量性能评价效果最好,同时Stacking模型预测准确率优于单个模型,SMOTE采样后准确率提升2.5%,最终预测准确率达到88.5%。该结果验证了利用电能表基本信息特征进行评价类别预测的有效性。