[发明专利]基于XGBoost的电力二次设备缺陷程度评估方法

说明书

本发明公开了一种基于XGBoost的电力二次设备缺陷程度评估方法，该方法首先采集并整理电力系统二次设备相关缺陷数据，对采集到的电力系统二次设备历史缺陷数据进行去重、异常值过滤、去除缺失值等一系列预处理工作；然后基于Apriori算法对处理好的数据进行关联规则挖掘，筛选出与电力系统二次设备缺陷程度具有强关联规则的特征建立特征指标集，并对指标数据进行特征及标签编码，经过数据分组后，分别利用训练集和测试集数据对XGBoost模型进行训练和参数寻优；最后，用训练好的分类模型实现电力系统二次设备缺陷的准确分类，进而可以很好的辅助检修人员进行设备的维护与管理。

技术领域

本发明属于电力设备状态评估与缺陷分类技术，具体地涉及一种基于XGBoost的电力二次设备缺陷程度评估方法。

背景技术

电力系统二次设备是智能变电站安全稳定运行的关键设备之一，其运行状态的好坏关乎电力系统能否可靠供电。近年来，随着科学技术的迅猛发展，电力系统规模不断扩大，电力系统中二次设备的数量也发生了跨越式的增长，“设备多，检修人员少”的矛盾给二次设备的运维人员带来了相当大的工作负担，同时也给电力系统运行带来了风险，二次设备的运维和管控水平亟待提高。

二次设备缺陷率逐年增长，严重影响了电力系统的稳定运行。随着保护设备数量的增多，缺陷发生时所要记录的相关数据量也随之增大，且各类数据之间有着或多或少的关联性，单凭运维人员的经验无法对缺陷严重程度进行准确判断。

对于二次设备的状态评估与缺陷分类，一般多采用层次分析法、模糊综合评价法、灰色定权聚类等方法。此类方法虽然能够较为准确地对二次设备当前缺陷程度进行判断，但其不可避免的夹杂着主观因素，需要依靠专家和运维人员的经验。而XGBoost算法作为梯度提升机器算法的一种，能分布式处理高维稀疏特征，具有高准确度、不易过拟合、可扩展性等特点。基于XGBoost模型对电力系统二次设备历史数据进行分析和特征提取，从而实现对设备缺陷程度的准确判断，辅助电力系统设备检修人员决策。

发明内容

发明目的：针对电力系统中二次设备运维人员对于设备缺陷程度判断易出错、效率低的问题，本发明的目的是提供一种基于XGBoost的电力二次设备缺陷程度评估方法。

技术方案：一种基于XGBoost的电力二次设备缺陷程度评估方法，包括以下步骤：

(1)获取电力监控系统中二次设备的历史缺陷数据，所述缺陷数据包括设备属性数据和设备运行数据；

(2)对步骤(1)采集的电力系统二次设备历史缺陷数据进行数据清洗，包括去重、异常值过滤和数据重组；

(3)利用Apriori算法对清洗后的数据进行关联规则挖掘，包括设定支持度筛选出所有频繁项集和设定置信度产生关联规则进行构建特征指标集，所述频繁项集为支持度大于等于最小支持度的集合；

(4)基于独热编码对特征指标集中的指标数据进行按照特征及标签编码；

(5)将经过清洗的历史缺陷数据经过编排分组后按3:1:1划分为训练集，测试集和验证集；

(6)分别利用训练集和测试集数据对XGBoost模型进行训练和参数寻优；选择网格搜索得到的每组参数下模型分类的最高准确率对应的参数为最优参数；

(7)将验证集数据输入参数最优参数模型中进行验证，通过分类器对输入数据特征的自动分析和提取，实现二次设备缺陷程度的自动分类。

进一步的，步骤(1)所述的设备属性数据包括装置类别、保护类别、设备电压等级、装置型号、设备制造厂家、故障分类、故障部位、故障设备类型中的一项及其以上，所述的设备运行数据包括消缺时间、光模块光强、温/湿度、光纤接收/发送功率、正确动作率、电源输出电压、累计缺陷次数、缺陷累计时间和缺陷率。

步骤(2)所述的数据清洗具体包括如下过程：