[发明专利]一种基于决策树算法的电能表功能异常评估方法及系统

权利要求书

1.一种基于决策树算法的电能表功能异常评估方法，其特征在于，包括：

对获取到的原始测量数据进行预处理得到样本数据，以剔除原始测量数据中的噪声数据；其中，所述样本数据包括：训练集数据及测试集数据；

根据历史工单对第一异常判定规则进行改进，得到第二异常判定规则并提取特征项数据；

通过所述训练集数据，利用C4.5算法搭建决策树模型，并由所述测试集数据对所述决策树模型进行剪枝优化处理，生成基于决策树算法的计量设备功能异常评估模型；

将所述特征项数据输入所述计量设备功能异常评估模型，得到异常的判定结果。

2.如权利要求1所述的一种基于决策树算法的电能表功能异常评估方法，其特征在于，所述对获取到的原始测量数据进行预处理得到样本数据，具体地：

根据局部异常因子算法检测所述原始测量数据，将异常数据及缺失数据进行填充或过滤。

3.如权利要求1所述的一种基于决策树算法的电能表功能异常评估方法，其特征在于，所述将所述特征项数据输入所述计量设备功能异常评估模型，包括：

基于所述C4.5算法，计算所述特征项数据的信息增益；

将所述信息增益最大值所对应的特征项数据作为决策树根节点；

根据所述根节点的不同取值对应的子集递归生成决策树子节点，直至满足决策树生成条件。

4.如权利要求3所述的一种基于决策树算法的电能表功能异常评估方法，其特征在于，所述通过所述训练集数据，利用C4.5算法搭建决策树模型，包括：

获取目标样本个数占训练总样本的比例；

通过所述目标样本个数占训练总样本的比例计算训练集的类别信息熵；所述训练集的类别信息熵通过以下公式进行计算：

其中，Info(S)为训练集的类别信息熵，p_i为目标样本个数占训练总样本的比例；

通过目标样本概率计算以特征项数据划分的条件信息熵；所述以特征项数据划分的条件信息熵通过以下公式进行计算：

其中，Info(S_j)为S_j以特征项数据A划分的条件信息熵，p_ij为S_j种目标样本概率；

将所述训练集以预设规则进行划分，得到若干子训练集；

通过所述训练集的类别信息熵、所述子训练集，计算特征项数据的条件信息熵；所述特征项数据的条件信息熵通过以下公式进行计算：

其中，Info_A(S)为特征项数据A的条件信息熵，S_j表示按照特征项数据A为分裂特征，若特征项数据A由K个不相关的值，则训练集集S被划分为{S₁,...,S_K}训练子集，Info(S_j)为S_j以特征项数据A划分的训练集的类别信息熵；

根据所述训练集的类别信息熵及所述特征项数据的条件信息熵计算条件特征项数据的信息增益；通过以下公式进行计算：

Gain(A,S)＝Info(S)-Info_A(S)；

其中，Gain(A,S)为条件特征项数据的信息增益，Info(S)为训练集的类别信息熵，Info_A(S)为特征项数据A的条件信息熵；

通过当前样本个数占训练总样本的比例计算特征项数据在样本中的信息熵；所述特征项数据在样本中的信息熵通过以下公式计算：

其中，Info(A)为特征项数据在样本中的信息熵，p_j为当前样本个数占训练总样本的比例；

通过所述条件特征项数据的信息增益及所述特征项数据在样本中的信息熵计算特征量项数据的信息增益；所述特征量项数据的信息增益通过以下公式进行计算：

其中，Gain(A,S)为条件特征项数据的信息增益，Info(A)为特征项数据在样本中的信息熵。