[发明专利]电网缺陷数据选取方法、装置、设备和介质

说明书

本发明涉及电网缺陷数据处理技术领域，公开了电网缺陷数据选取方法，包括：采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；其中，环境状态即电网缺陷数据；测试目标网络的对电网缺陷数据的分类性能；本发明的选取电网缺陷数据的网络，采用强化学习算法，面对不同的当前环境状态，将是否选取样本视为离散动作，采取最合适的动作来转换状态使得回报函数最大化，提高电网缺陷数据分类的准确性。

技术领域

本发明涉及电网缺陷数据处理技术领域，特别是涉及电网缺陷数据选取方法、装置、设备和介质。

背景技术

随着我国经济的高速发展，社会对电力的需求量越来越大。为保证输电线路的正常运行，对常见故障的正确分类具有重要意义。使用电力物联网技术以及无人机信息采集系统等技术对常见输电线路的故障进行采集，数据显示，由于输电线路故障发生的偶然性，导致了缺陷数据的有限性，且各类故障发生次数的不确定，导致各类故障数据量不均衡。针对输电线路故障的特点和现有故障分类技术的缺陷，研究更加有效的输电线路故障分类技术具有重要的研究价值。

不平衡数据分类问题的解决方法主要有两个方面：数据层面和算法层面。数据层面的方法包括上采样和下采样，通过改变数据分布，降低不平衡度，提高分类效果。算法层面，通过分析已有算法在处理不平衡数据时的缺陷，改进算法或提出新算法来提升分类正确率，例如代价敏感学习和集成学习。针对故障分类的不平衡样本数据，基于快速聚类和支持向量的旋转机械故障诊断算法，是通过快速聚类减少数据，平衡后利用支持向量机进行训练，有较好的分类结果。

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，可以更有效地分类故障样本。不平衡分类方法在故障分类领域已有较好的效果，但在输电线路故障分类领域应用较少。

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方法容易造成少数类的生成样本重叠，因为生成样本是各少数类样本随机生成的，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计算得到的，在少数类样本聚集处生成较多样本，模型分类效果更好。SVMSMOTE采样基于SVM的超平面生成新样本，BorderlineSMOTE采样在少数类边界点附近生成样本。

上采样方法通过增加少数类样本的数量，来降低类之间的不平衡度。下采样指的是减少多数类样本的个数，来降低类之间的不平衡度，利用一些指标在多数类中选取与少数类样本个数相当的样本。发现下采样方法容易去除多数类样本上的重要样本，而目前的一些启发式方法还未能较好地保证只去除冗余样本和噪声样本。

因此，在数据层面解决不平衡分类问题时，衡量少数类与多数类之间数据分布的不平衡程度是重要的，需要增加有效的少数类样本数据和删除冗余的多数类样本数据。

由于，上述采样方法存在的技术缺陷，当应用在输电线路故障分类中时对电网缺陷数据分类准确率不高。

发明内容

本发明的目的是提供电网缺陷数据选取方法、装置、设备和介质，应用于电网缺陷数据分类中，提高电网缺陷数据分类准确率。

为了实现上述目的，

第一方面，本发明提供了电网缺陷数据选取方法，包括：

采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；

用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；其中，环境状态即电网缺陷数据；

测试目标网络的对电网缺陷数据的分类性能。

第二方面，本发明提供了电网缺陷数据选取装置，其特征在于，包括：