[发明专利]一种电能表烧表在线监测方法、系统及介质

权利要求书

1.一种电能表烧表在线监测方法，其特征在于，包括：

1）获取被监测电能表的特征数据，所述特征数据包括电气特征数据、产品特征数据和环境特征数据；所述电气特征数据包括被监测电能表的每日用电量Q、每日最大电压U、每日最大电流I和表计走字终码A；所述产品特征数据包括被监测电能表的生产厂家B、所属市州C、运行时间D、安装年份E、所在台区近两年的烧表数量F和所在台区线损G；所述环境特征数据包括被监测电能表的环境温度T和环境湿度H；

2）将特征数据输入预先训练好的机器学习模型，得到机器学习模型输出的被监测电能表未来发生烧表的概率评估结果。

2. 根据权利要求1所述的电能表烧表在线监测方法，其特征在于，所述每日用电量Q、每日最大电压U、每日最大电流I、所在台区近两年的烧表数量F、所在台区线损G、环境温度T和环境湿度H为基于设定单位的原始数值，所述表计走字终码A和运行时间D为采用下式标准化处理得到的结果：

x′=log₁₀(x)

上式中，x′为标准化处理得到的结果，x为标准化处理前的输入；所述生产厂家B、所属市州C和安装年份E为采用One-hot编码处理得到的结果。

3.根据权利要求2所述的电能表烧表在线监测方法，其特征在于，所述机器学习模型为基于XGBoost的机器学习模型。

4.根据权利要求3所述的电能表烧表在线监测方法，其特征在于，步骤1）之前还包括训练机器学习模型的步骤：

S1）获取电能表样本在烧坏前一段时间内的特征数据，并附加是否烧表的标签形成样本数据集，将样本数据集划分为训练集和测试集；

S2）基于训练集对基于XGBoost的机器学习模型进行训练；

S3）基于测试集对完成本轮训练的基于XGBoost的机器学习模型进行测试，并采用精确率、召回率构成的综合评价指标作为评价指标，计算测试结果的评价指标；

S4）判断测试结果的评价指标是否满足要求，如果满足要求，则将当前的基于XGBoost的机器学习模型的参数作为训练得到的基于XGBoost的机器学习模型，结束并退出；否则，跳转执行步骤S2）以继续训练基于XGBoost的机器学习模型。

5.根据权利要求4所述的电能表烧表在线监测方法，其特征在于，步骤S3）中精确率、召回率构成的综合评价指标的函数表达式为：

上式中，F1为精确率、召回率构成的综合评价指标，P为精确率，R为召回率。

6.一种电能表烧表在线监测系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～5中任意一项所述电能表烧表在线监测方法的步骤。

7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～5中任意一项所述电能表烧表在线监测方法的计算机程序。