不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(UC Irvine machine learning repository)不平衡分类公开数据集和智能电表实际故障数据集上的大量实验结果表明,与17种典型方法相比,该文所提算法在处理智能电表故障分类问题上具有显著优势。

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,提出基于投票法voting集成的智能电能表故障多分类方法。针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO(particle swarm optimization)确定各基模型的权重,据此构建基于极限梯度提升树(extreme gradient boosting trees, XGBT)、K近邻(k-nearest neighbor, KNN)和朴素贝叶斯(naive bayes, NB)模型的智能电能表故障多分类方法。实测实验结果表明:所提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。

基于改进支持向量机的智能电能表故障多分类方法

智能电能表故障多分类对于制定合理及时的智能电能表检修计划具有重要意义。针对智能电能表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电能表的输出电压、输出电流、输出功率、功率因数误差等数据作为分类依据构建多维空间,考虑包括误差超差、直流电流开路、直流电压短路、控制回路短线在内的智能电能表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电能表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电能表故障多分类方法进行求解流程设计。再通过对某配电台区智能电能表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。

基于混合威布尔模型的智能电能表可靠性评价方法

针对当前智能电能表故障类型多样、可靠性评价单一的问题,提出基于混合威布尔模型的可靠性评价方法。论文基于智能电能表各单元串联关系和故障事件进行故障类型分类,利用最小二乘法推算各单元故障类型的尺度与形状参数,结合中位秩与平均秩次计算智能电能表累计失效概率提高模型准确度,并通过熵权法计算各故障类型对整表可靠度影响的权重系数,据此建立基于混合威布尔模型的智能电能表可靠性评价方法。实例结果表明,提出的方法在各类故障类型下均能准确得到智能电能表可靠度评估,并能准确获得智能电能表单元模块的可靠度,与现有方法相比,文中方法不需大量先验知识,且实现简单、准确度更高。

基于PLC的智能电表通信故障诊断技术研究

随着智能电网的快速发展,智能电表作为智能电网的重要组成部分,其可靠性和稳定性至关重要。电力线通信(Power Line Communication,PLC)是智能电表与电力公司之间进行数据传输的重要手段。然而,由于电力线本身的复杂性和外部干扰,PLC过程中常会发生各种故障。文章研究基于PLC的智能电表通信故障诊断技术,分析常见的故障类型及其成因,提出有效的诊断方法,以提升智能电表通信的可靠性和稳定性。

基于随机森林算法的智能电表故障诊断及寿命预测模型设计

为及时发现并处理智能电表故障,延长其使用寿命,依据某地级市用电大数据进行数据挖掘和分析,基于随机森林(Random Forest,RF)算法建立智能电表故障诊断及寿命预测模型,并与其他模型进行实验比较。结果表明,构建的预测模型能实现智能电表的故障诊断与使用寿命预测,且有效性和准确性优于其他模型,具有工程应用价值。

基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法

实现智能电表可视故障的精准检测,对电网计量现场的高效运维至关重要。不同故障电表的布局结构高度相似,其特征呈现类间方差小的特点,细粒度图像分类方法是此条件下挖掘鉴别性特征的有效手段。在目前主流研究中,混淆拼图机制引导模型学习固定粒度的特征,但容易导致拼图块内的特征冗余或不完整。掩码机制通过恒定遮挡非鉴别性特征区域来突出鉴别性特征,但忽视了该区域中有助于分类的信息。该文提出了一种基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法。首先,对训练图像构建注意力图,以呈现目标特征的重要性分布,将图中重要特征的轮廓尺寸转换为等效粒度值并进行聚类挖掘,获得反映目标特征尺寸特点的鉴别性粒度值,据此自适应设定拼图的划分粒度,有效保留拼图块内语义特征完整性的同时减少冗余信息;在此基础上,根据目标特征重要性分布挖掘非鉴别性特征区域,并对其施加掩码,在迭代训练中衰减掩码概率,逐步降低对该区域的遮挡程度,引导模型学习此区域中有助于分类的特征信息;最后结合渐进式多粒度特征引导学习框架,融合不同粒度的特征信息以完成分类。在多个权威公开的细粒度图像分类数据集和智能电表可视故障数据集开展大量实验,与10种典型细粒度图像分类方法对比,验证了所提方法在准确率等指标上的先进性。

最小权点覆盖下的智能电表通信故障区域预警方法

电表通信故障预警可以保证智能电表的通信安全,有利于实现对智能电能表的全过程质量管控。但是,智能电表的工作轨迹具有随机性,跟踪难度较大,其故障变量信息的提取难度较大。为此,提出了基于最小权点覆盖的智能电表通信故障区域预警方法。利用智能电表运行状态的观测向量作为故障检测的关键变量,计算出运行状态观测向量的平均轨迹。根据智能电表通信故障数据变量在不同时刻的运行轨迹,提取出智能电表通信故障的关键变量信息,完成智能电表通信故障的检测。在最小权点覆盖下,采集智能电表通信故障数据。利用Fisher准则,计算出智能电表通信故障属性的重要程度,通过设计智能电表通信故障区域预警算法,实现智能电表通信故障区域的预警。实验结果表明,研究方法可以成功预警智能电表通信故障,通过较高的预警准确率确保了智能电表的稳定运行。

一种智能电表电路暂态故障实时识别方法

基于故障信号频率的识别模型由于受到周围磁场等的影响,精度较低,为提高智能电表电路暂态故障信号实时识别的准确性,从故障信号处理的方向出发,基于时域粗检测方法,研究了一种智能电表电路暂态故障实时识别方法.对智能电表电路故障信号采样,使故障信号按照指定的路线传输,就要增加通道的接收能力,利用小波分析方法,对复杂的电信号进行样本预处理,经过时域检测后的信号被统一进行重新分布,以较为简单的方式进行标记;基于小波熵测度的故障信号融合模型,采用信息熵方法融合分离相似故障信号,确定所有智能电表故障电路信号暂态特征;构建基于小波熵测度的故障信号融合模型,在信号谱上完成信号的筛选与分解,实现智能电表电路暂态故障信号实时识别.实验结果表明,针对智能电表电路接地短路、两相接地短路、相间短路、三相接地短路四种不同类型的暂态故障,通过该方法识别出的故障电压曲线值与实际的值相差小于0.3 V,具有较高的识别准确性,具备一定的实际应用意义.

基于超状态隐马尔可夫模型的智能电能表非侵入式故障远程检定

存在故障或误差的智能电能表不仅给电网企业带来经济损失,而且其中的安全隐患容易影响电网的稳定运行,尤其是对成分复杂的智能电网体系。针对这一问题,提出一种基于超状态隐马尔可夫模型(Super-State Hidden Markov Model,SSHMM)对故障电能表进行非侵入式远程检测与定位。该方法不仅能发现已经出现故障的电能表,还可以对最有可能出现故障的电能表进行估计,为电网企业的运营管理提供参考,在真实数据集上的实验结果验证了该方法的有效性与稳定性。

智能电能表故障分析中数据挖掘的运用探究

智能电能表作为现代能源管理的关键设备,其稳定运行至关重要。在实际运行中,智能电能表存在多种故障和异常情况。通过运用数据挖掘技术,能对电能表中的大量数据进行深度解析,揭示其背后的规律和趋势。以智能电能表故障分析中数据挖掘的运用为研究主题,阐述了智能电能表故障分析中数据挖掘的运用的重要性与现状,提出了智能电能表故障分析中数据挖掘的运用的创新策略。

智能电能表的计量故障与对策分析

阐述智能电能表的计量中出现的黑屏、烧表、电池故障的原因,提出智能电能表故障的预防及处理方法,包括电池故障、费控故障、烧表故障、显示屏与背光故障的预防措施。

智能电表计量中的故障原因与对策分析

阐述智能电能表中的计量故障问题和处理方法,包括管理控制方法、智能电能表的设计、计量芯片的设计优化,完善生产流程的管理制度、监控操作过程、有效防止计量错误的发生。

基于故障树理论的单相智能电能表黑屏故障分析方法研究

借助故障树相关理论,结合电能表现场故障分析数据,展开了基于单相智能电能表的黑屏故障分析方法研究。首先,进行故障统计与电能表结构分析,将引起电能表黑屏故障的原因进行分类和初步分析;其次,逐单元定位失效原因,建立故障树模型;最后结合故障树模型,进行定性分析和定量分析,确定故障树最小割集,计算系统黑屏故障率和最小割集的概率重要度,确定故障定位与分析顺序,为快速、精确定位和分析电能表黑屏故障提供建议。

智能电能表主要故障分析与对策

根据浙江电网智能电能表运行情况,统计了智能电能表运行故障实例,针对运行故障发生数量较多的智能电能表烧毁、时钟电池欠压、时钟异常、继电器故障等进行了分析,并提出了相应的故障预防对策。

无线传感器网络应用于智能电网的探讨

针对智能电网的绩效目标与电网的实际情况,结合无线传感器网络(wireless sensor network,WSN)的主要技术特点,探讨了WSN在状态检修、智能计量与智能家居、应对电网灾变、故障定位、分布式母线保护等方面的应用,给出了WSN在各领域中应用的基本设计理念,阐述了应用WSN构建智能电网通信系统的优势,以及通信系统的具体结构。采用WSN技术的智能电网通信系统将具有成本低、功耗低、自组织、灵活性强的特点。

浅谈运行中智能电能表的常见故障及解决措施

随着我国智能电网建设的快速推进,能够实现电网企业与电网用户之间信息交互的智能电能表得到了广泛的应用。智能电能表功能较电子式电能表更加完善,但伴随着功能的增加,智能电能表现场运行的故障也逐步上升。因此分析研究运行中智能电能表的常见故障以提高其可靠性显得尤为重要。文中就现场运行中智能电能表的一些故障类型逐一进行分析,并提出了一些有效的解决措施。

基于模型自适应选择融合的智能电表故障多分类方法

智能电表故障的准确分类能大幅提高用电采集系统运维能力。融合多个分类模型的机器学习算法是解决该问题的有效手段,但现有方法无法解决输出分别为样本所属各类别概率值和类别标签的两个基分类模型融合问题。提出一种基于模型自适应选择融合的智能电表故障多分类方法。首先,分别取各基分类模型对各类样本分类准确率最大值,将其与阈值系数的乘积作为该类样本准确率阈值,实现阈值自适应调整;然后对各类样本分别计算基分类模型的准确率差值,与阈值进行比较设置样本融合标记;最后根据该标记选择参与融合的基分类模型,结合输出为概率值的基分类模型的Top-N分类标签集,得到模型融合结果。在10组KEEL公共数据集上验证了所提融合方法的有效性,且融合后准确率较基分类模型均有稳定提升,最大提升4.62%;以近年采集的智能电表故障数据为基础,对比实验表明,所提算法能够明显提高故障分类准确率。

智能电表故障辨识模型研究

针对智能电表故障辨识问题,基于电表计量数据并考虑影响智能电表故障的各个因素,提出一种智能电表故障辨识模型(智能电表计量异常分析模型和基于C5.0智能电表故障预测模型)。首先用智能电表计量异常分析模型筛选出计量异常的智能电表,然后采用基于C5.0智能电表故障预测模型预测智能电表是否发生非计量故障或无故障。实例验证结果表明,智能电表故障辨识模型可以较为准确、真实地辨识智能电表故障,可为智能电表故障辨识的进一步研究提供一定参考。

智能电能表的现场运行管理策略研究

智能电能表是智能电网建设的重要组成部分。随着智能电能表的逐步推广,智能电能表在设计、制造、管理、运输等多种环节质量问题也渐渐暴露出来。文章以智能电能表故障实例为基础,分析故障原因,对故障进行分类,研究不同故障类型的检测方法,形成相应的检测项目,以可靠性技术为中心,提出运行管理措施,降低现场故障,提升运行水平。