[发明专利]基于机器学习的计量点电压异常检测方法及系统

说明书

本发明提供了一种基于机器学习的计量点电压异常检测方法及系统，该方法包括：基于决策树算法构建用于电压分类的机器学习模型；对模型的性能进行评估以度量所述模型是否达到预期的分类要求；在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。在本发明中，通过引入机器学习模式对计量点的电压进行分类，避免了原有的人工分析或是单纯的阈值判断所带来的效率低和准确度差的问题，从而提高了现场异常处理的及时性和准确性。

技术领域

本发明涉及机器学习领域，具体而言，涉及一种基于机器学习的计量点电压异常检测方法及系统。

背景技术

计量装置电压异常是一种常见的异常现象，引起的原因一般分为两类，一类是由于计量装置自身原因引起的，另外一类是由外界因素导致的。

由于计量装置自身原因导致的故障主要是由表计、互感器、采集终端(包括专变采集终端和公变采集终端)故障。常见的表计故障主要由时钟或抄表电池、显示屏、程序飞走、EEPROM损坏等。常见的计量用互感器故障有CT二次开路、局部放电、串联谐振、PT保险管或熔断丝烧毁等。

外界因素主要为接线故障和变配电设备故障。接线故障主要是未拧紧接线盒螺丝导致，在直接接入表计中也存在长期大负荷运行引起接线端子严重发热产生火花。变配电设备故障主要为高压保险跌落，变压器绕组接线错误等。

以上异常虽然种类繁多，但是最终都会反映到电压、电流等工况信号上，因此可通过对用电信息采集系统中工况信号的分析，来发现现场异常。当是，这种人工判断方式效率低，准确度差。

发明内容

本发明实施例提供了一种基于机器学习的计量点电压异常检测方法及系统，以至少解决相关技术中人工判断计量装置电压异常所导致的效率低，准确度差的问题。

根据本发明的一个实施例，提供了一种基于机器学习的计量点电压异常检测方法，包括：基于决策树算法构建用于电压分类的机器学习模型；对模型的性能进行评估以度量所述模型是否达到预期的分类要求；在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。

可选地，基于决策树算法构建用于电压分类的机器学习模型包括：将电压互感器PT变比、电压值和电压分类进行组合构建决策树训练集；将所述决策树训练集引入决策树算法生成决策树。

可选地，对模型的性能进行评估以度量所述模型是否达到预期的分类要求包括：采用混淆矩阵的方式对电压进行分类评价，当分类预测值与真值相同时确定为正确的分类。

可选地，基于所述模型对计量点电压的异常进行检测包括：对用电信息采集系统中的表号、日期、日整点电压，以及表计中的PT变比进行收集；将收集后的各表的日期、日整点电压、PT变比输入所述模型，并输出各计量点的电压分类结果；根据输出的分类结果判断计量点的电压是否存在异常。

可选地，统计所述日整点电压的中位值作为所述日整点电压值。

根据本发明的另一个实施例，提供了一种基于机器学习的计量点电压异常检测系统，包括：构建模块，用于基于决策树算法构建用于电压分类的机器学习模型；评估模块，用于对模型的性能进行评估以度量所述模型是否达到预期的分类要求；检测模块，在所述模型达到预期的分类要求的情况下，基于所述模型对计量点的电压异常进行检测。

可选地，所述构建模块包括：构建单元，将电压互感器PT变比、电压值和电压分类进行组合构建决策树训练集；生成单元，用于将所述决策树训练集引入决策树算法生成决策树。

可选地，所述评估模块包括：评价单元，用于采用混淆矩阵的方式对电压进行分类评价，当分类预测值与真值相同时确定为正确的分类。