[发明专利]基于加权极限学习机的电力故障预测方法和装置

权利要求书

1.一种基于加权极限学习机的电力故障预测方法，其特征在于，所述方法包括：

根据电力系统的故障检测特征数据，构建模型训练的样本数据集；

遍历所述样本数据集，得到所述样本数据集中各样本的样本类别、所述样本数据集的样本总数、所述样本数据集的正类样本的总数以及所述样本数据集的负类样本的总数；其中，所述样本类别包括所述正类样本和所述负类样本；

为各所述样本分配与所述样本的样本类别所对应的样本权重，并根据各所述样本的样本类别所对应的样本权重生成加权矩阵；其中，所述正类样本的样本权重根据第一目标比例的对数的倒数确定；所述负类样本的样本权重根据第二目标比例的对数的倒数确定；所述第一目标比例是指所述正类样本的总数和所述样本总数的比例；所述第二目标比例是指所述负类样本的总数和所述样本总数的比例；

基于改进加权ELM模型IWELM算法，根据所述加权矩阵和所述样本数据集进行训练处理，得到加权极限学习机分类模型；

根据所述加权极限学习机分类模型，对所述电力系统的电力故障进行预测，并输出预测结果。

2.根据权利要求1所述的方法，其特征在于，基于以下表达式得到所述样本的样本类别所对应的样本权重：

其中，W_ii为所述样本的样本类别所对应的样本权重；λ为调整因子，且λ1；#(t_i)为所述样本的样本类别所对应的样本总数；为所述样本总数。

3.根据权利要求1所述的方法，其特征在于，所述根据电力系统的故障检测特征数据，构建模型训练的样本数据集的步骤包括：

获取电力系统的初始检测数据；所述初始检测数据包括PMS数据、客服工单数据、在线监测数据、线路巡视数据、辅助监控数据和历史故障数据中的任意一种或任意组合；

对所述初始检测数据进行数据抽取、数据清洗转换和数据加载处理，生成所述故障检测特征数据。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述预测结果，确定是否进行电力故障预警。

5.一种基于加权极限学习机的电力故障预测装置，其特征在于，所述装置包括：

数据集构建模块，用于根据电力系统的故障检测特征数据，构建模型训练的样本数据集；

统计分析模块，用于遍历所述样本数据集，得到所述样本数据集中各样本的样本类别、所述样本数据集的样本总数、所述样本数据集的正类样本的总数以及所述样本数据集的负类样本的总数；其中，所述样本类别包括所述正类样本和所述负类样本；

权重分配模块，用于为各所述样本分配与所述样本的样本类别所对应的样本权重，并根据各所述样本的样本类别所对应的样本权重生成加权矩阵；其中，所述正类样本的样本权重根据第一目标比例的对数的倒数确定；所述负类样本的样本权重根据第二目标比例的对数的倒数确定；所述第一目标比例是指所述正类样本的总数和所述样本总数的比例；所述第二目标比例是指所述负类样本的总数和所述样本总数的比例；

模型训练模块，用于基于改进加权ELM模型IWELM算法，根据所述加权矩阵和所述样本数据集进行训练处理，得到加权极限学习机分类模型；

故障预测模块，用于根据所述加权极限学习机分类模型，对所述电力系统的电力故障进行预测，并输出预测结果。

6.根据权利要求1所述的装置，其特征在于，所述权重分配模块基于以下表达式得到所述样本的样本类别所对应的样本权重：

其中，W_ii为所述样本的样本类别所对应的样本权重；λ为调整因子，且λ1；#(t_i)为所述样本的样本类别所对应的样本总数；为所述样本总数。

7.根据权利要求1所述的装置，其特征在于，所述数据集构建模块包括：

数据获取单元，用于获取电力系统的初始检测数据；所述初始检测数据包括PMS数据、客服工单数据、在线监测数据、线路巡视数据、辅助监控数据和历史故障数据中的任意一种或任意组合；

数据处理单元，用于对所述初始检测数据进行数据抽取、数据清洗转换和数据加载处理，生成所述故障检测特征数据。