[发明专利]基于ADASYN-DHSD-ET的电网故障诊断方法

说明书

本发明公开了一种基于ADASYN‑DHSD‑ET的电网故障诊断方法，一、对数据库中电网的监控数据进行提取，预处理后，保留全部属性完整的记录；二、对预处理后的数据进行分类，按照一定比例对每个类进行随机采样，得到训练集D_train和测试集D_test；三、使用ADASYN‑DHSD‑ET算法对D_train训练故障类型诊断训练模型；四：使用D_test验证训练模型，根据每个参数设置进行验证，并根据评价指标，得到最优模型、五：重复步骤一并根据最优模型识别电网中的故障类型；本发明针对电网故障诊断数据的类别分布不平衡问题，通过构建基于ADASYN‑DHSD‑ET算法的模型，然后根据相应的评价指标得到最优模型，较准确的识别电网中的故障类型，增强了电力系统安全运行的稳定性和可靠性。

技术领域：

本发明涉及电力系统故障检修领域，特别是涉及一种基于ADASYN-DHSD-ET的电网故障诊断方法。

背景技术：

随着我国经济发展，对电力需求不断增大，保证电力系统的安全稳定运行，有效诊断预测电网故障尤为重要。近年来计算机和诊断技术的不断发展，电网故障诊断技术也得到飞速的提升，国内外学者已运用专家系统、神经网络、Petri网、机器学习和深度学习等的智能故障诊断技术。虽然在故障诊断上都取得了较好的效果，但存在前提条件苛刻(数据预处理要求过高)、局部欠学习和过学习等问题。但在样本中，如果正常数据占绝大部分，而故障数据只占小部分，正常和故障数据分别为大类和小类样本，即构成典型的不平衡数据。

当前，不平衡数据分类问题的解决方法主要有2个方面：①数据层面，上采样和下采样，改变数据分布，降低不平衡度，称之为重采样方法；②算法层面，分析已有算法在面对不平衡数据的缺陷，改进算法或者提出新算法来提升小类的分类准确率，例如代价敏感学习和集成学习等。

针对故障诊断的不平衡的样本数据，国内外不少学者在其特点下的故障诊断领域的应用进行了研究。有的提出了基于快速聚类和支持向量机的旋转机械故障诊断算法，通过快速聚类减少数据，平衡后利用支持向量机进行训练，有较好的诊断效果。有的提出综合上采样和特征学习的旋转机械不平衡数据故障诊断方法，用加权上采样法平衡数据分布，用增强的自动编码进行特征选择，可以更有效的检测故障样本。

不平衡学习方法在故障诊断领域已有较好的效果，但在电网故障诊断领域应用较少。基于电气量信息(电压、电流、电功耗、电能、相位、频率等)的电网故障诊断(赵耀.基于信息融合的电网故障诊断方法研究[D].山东:山东大学,2018.)，可提供较准确的故障诊断，并具有较强的解释性。但实际情况中电气测量较难，并且电网故障产生的原因较多，比如设备的老化，用电负荷，天气原因中恶劣天气、雷击等，无线通讯等，都会对精密电网设备造成一定的影响；其中部分原因是无规律的，并可能包括很多考虑不到的情况。

目前研究不平衡数据，以SMOTE方法为基础的改进模型居多，但SMOTE方法容易造成小类的生成样本重叠，因为生成样本是各小类盲目地生成相同的数量，忽略了其临近样本的分布特点。而自适应合成上采样(Adaptive Synthetic Sampling Approach，ADASYN)生成样本数量，是根据各小类的密度分布来计算得到的，更能增强分类模型的学习能力。图1为各采样算法生成模拟样本的对比，得出SMOTE采样在样本点之间线性插值生成新样本；SVMSMOTE采样基于SVM的超平面生成新的样本；BorderlineSMOTE采样在小类靠边界点附近生成样本；ADASYN采样在小类的样本聚集处生成较多样本。在集成算法中极端随机树算法(Extremely Randomized Trees，ET)能有效的降低分类的偏差和方差，并在小类的应用上有较好的效果。

本发明内容：