[发明专利]一种基于多标签置信度比较的智能电表故障分类方法

权利要求书

1.一种基于多标签置信度比较的智能电表故障分类方法，其特征在于，包括如下步骤：

(1)对智能电表不同故障类别下的历史数据进行划分，得到多个二类数据集，作为输入数据，具体为：

对智能电表实际故障数据集进行处理，该数据集中的样本共包含9种特征变量，分别是：工作时长、到货批次号、供电单位编号、电能表类别、故障识别月份、安装月份、省份、设备规格、通讯方式、设备标识；其故障类别标签共包含11类，分别是：外观故障、计量故障、存储单元故障、处理单元故障、显示单元故障、控制单元故障、电源单元故障、通讯单元故障、时钟单元故障、其它故障、软件故障；遍历数据集中的每一类样本，将该类别下所有样本作为少数类样本集，其余各故障类别样本作为多数类样本集，将原数据集转化为11个二类数据集；对于其中每个二类数据集，均可将该数据集描述为：

X_i＝[X_min,X_maj]

其中，X_i为11个转化后的二类数据集中的任意一个，i∈[1,11]；X_min为二类数据集X_i中的少数类样本集，其中各样本类别标签被设定为1；X_maj为二类数据集X_i中的多数类样本集，其中各样本类别标签被设定为0；X_i的大小为G_i＝len(X_i)，len(X_i)表示二类数据集X_i中的样本个数；通过上述操作，将原先的不平衡多分类问题转换为了多个不平衡二分类问题进行处理；

(2)遍历各二类数据集中的每个样本，将其作为目标样本并在该样本的近邻样本池中进行多次随机采样，构成多个差异化的目标-近邻样本对，具体为：

基于步骤(1)中得到的11个不平衡二类数据集中的任意一个X_i＝[X_min,X_maj]，构建差异化的目标-近邻样本对数据集：

对于任意一个二类数据集X_i中的任一样本x_i，将其作为目标样本，构造多组差异化的目标-近邻样本对，具体为：使用KNN算法寻找目标样本x_i在二类数据集X_i中的K个近邻样本，得到x_i的近邻样本池；在近邻样本池中随机采样m个样本，m的大小小于K，生成目标-近邻样本对c_i＝(x_i,p(x_i))；

其中，K是近邻样本池的大小，m是随机采样次数；目标-近邻样本对c_i由目标样本x_i和对照样本组p(x_i)组成，对照样本组p(x_i)由在目标样本x_i的近邻样本池中采样得到的m个近邻样本x_j构成，j∈[1,m]；在构造过程中，设置了控制数据集扩充倍数的超参数N，通过预设超参数N，可以对当前目标样本x_i找寻N组差异化的对照样本组p(x_i)，且表示从K个样本中采样m个样本的有序排列数；

对目标样本x_i的对照样本组p(x_i)中各样本类别标签进行重构，具体为：遍历对照样本组p(x_i)中各个近邻样本x_j，j∈[1,m]，提取其类别标签，与目标样本x_i的类别标签进行同或运算；当目标样本x_i与当前近邻样本x_j类别相同时，称该近邻样本为同类样本，标签设置为1，反之为异类样本，标签设置为0；

通过这种方式，将近邻样本原先的类别标签重构为与目标样本类别对比得到的同类或异类标签；对于任意类别的目标样本，通过预设超参数N，均可得到N个差异化的对照样本组及其中各近邻样本对应的重构标签，因此，遍历X_i中的每个样本，分别将构造的目标-近邻样本对及其中各近邻样本的重构标签存入集合A_i与L_i中，即可得到扩充后的目标-近邻样本对数据集S_i＝(A_i,L_i)；其中，A_i由构造得到的多个目标-近邻样本对数据组成，每个目标-近邻样本对数据由目标样本x_i及其获得的N个差异化的对照样本组p(x_i)组成，每个对照样本组由m个近邻样本组成，A_i的大小为N×(G_i×(m+1))，G_i代表当前二类数据集X_i中的样本数目；L_i由各个目标-近邻样本对数据中近邻样本的重构标签组成，每个重构标签单独对应对照样本组p(x_i)中的一个近邻样本，L_i的大小为N×(G_i×(m+1))，i∈[1,11]；

(3)基于由大量目标-近邻样本对组成的扩充后的新数据集，构建多标签信任判别网络在目标-近邻样本对内开展目标样本与对照样本组之间的多标签置信度比较，具体为：

基于步骤(2)得到的任意一个目标-近邻样本对数据集S_i＝(A_i,L_i)，利用VAE构建对应的多标签信任判别网络model_i并训练，其优化目标为：

其中，RC_loss表示多标签信任判别网络的重构误差，D_kl,p为VAE对单独训练样本的KL散度；x_ori,p为A_i中的单个目标-近邻样本对数据，其将被提供给VAE网络进行训练；x_gen,p为VAE网络根据训练数据的特征所生成的新样本，(x_gen,p-x_ori,p)表示VAE对单独训练样本的生成误差；M_loss为定义的多标签匹配损失，label_q为L_i中的任一重构标签，pre_q为模型对该对照样本的标签预测结果，pre_q∈[0,1]；

(4)在测试阶段，对于任一待测样本，任意组合其多个不同的对照样本组得到该测试样本的多个目标-近邻样本对，集成各组预测结果进行反向推理得到在每个二类数据集下的判别结果，通过软投票得到故障类别，具体为：

基于步骤(3)中训练得到的每一个多标签信任判别网络model_i，对于一个待测样本x_test，其预测标签的计算过程如下：

其中，n是超参数，代表了以待测样本x_test为目标样本所获取的差异化对照样本组个数；m是随机采样次数，代表了x_test在所获取的一个对照样本组中所拥有的对照样本的个数；y_test,i是x_test在当前网络model_i下对应的预测分数，y_test,i∈[0,1]；label_ori是x_test在其n组样本数量为m的对照样本组中任一对照样本的类别标签，pre是当前网络model_i所预测出的目标样本和label_ori所对应的对照样本之间的相似度，pre∈[0,1]；

重复上述过程，对于得到的每一个二类数据集X_i，均可得到对应的多标签信任判别网络model_i，i是模式判别分类器的下标，i∈[1,11]；对于待测样本x_test，其预测标签的计算如下：

取值为i时，表示x_test的预测故障类别为第i类故障。