在電力系統(tǒng)中,電容型設備數量眾多,占變電站設備總量的40%~50%,電容型設備的健康運行對于電力系統(tǒng)至關重要。隨著電網信息化建設的大力推進,各種電力數據呈爆炸式增長,這為電容型設備健康運行提供了強大的數據支撐。傳統(tǒng)的統(tǒng)計方法已無法滿足實際的分析需求。本論文以重要性高、數據量大、數據種類豐富的電容型設備數據為數據源,并檢驗隨機森林(Random Forest,RF)、多層感知機(Multi-Layer Perceptron,MLP)、支持向量機(Support Vector Machine,SVM)、集成樹(Extreme Gradient Boosting,XGBoost)和線性分類算法等五種不同機器學習算法在電容型設備缺陷預測中的適用性,構建缺陷發(fā)生預測和缺陷等級預測模型,并將金融領域的評分卡模型應用在電容型數據分析中,探索出最優(yōu)缺陷預測模型。本論文的研究內容與研究結果如下:(1)針對一般的編碼方法,在各種缺陷發(fā)生預測以及缺陷等級預測模型中的效果較差,在對電容型設備數據進行清洗和數據均衡化基礎上,結合電容型數據的特點,加入基于評分卡模型的證據權重(Weight of Evidence,WOE)特征編碼,用于改進缺陷發(fā)生預測以及缺陷發(fā)生模型的性能。(2)針對設備是否發(fā)生缺陷進行預測,將五種機器學習算法應用在缺陷發(fā)生預測中,進行模型訓練和參數調優(yōu),對各算法使用普通編碼和評分卡模型WOE特征編碼的預測結果進行比較,并分析特征重要性。實驗結果表明,加入評分卡模型的WOE特征編碼后,各算法的分類效果均得到改善,支持向量機、集成樹和線性分類的精度提高0.07以上,多層感知機和隨機森林分別提高0.02和0.03。隨機森林各綜合評價指標均最優(yōu),精度達到0.95。因此,基于WOE的隨機森林算法(WOE_RF)缺陷發(fā)生預測模型最優(yōu)。(3)在預測設備是否發(fā)生缺陷的基礎上,進一步預測設備可能發(fā)生缺陷的等級。同樣使用上述五種機器學習算法對兩種特征編碼方法下的缺陷等級預測結果進行比較,并分析特征重要性。研究結果表明,加入基于評分卡模型的WOE特征編碼,可以有效改善各算法的分類能力,隨機森林、多層感知機和支持向量機精度提高0.05以上,集成樹和線性分類分別提高0.01和0.02。但同樣是隨機森林表現最佳,精度達到0.78。因此,WOE_RF缺陷等級預測模型最優(yōu)。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TM507
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究意義
    1.2 國內外研究現狀及存在的問題
        1.2.1 國內外研究現狀
        1.2.2 存在的問題
    1.3 研究內容和技術路線
        1.3.1 研究內容
        1.3.2 技術路線
    1.4 論文創(chuàng)新之處
    1.5 論文組織結構
第二章 相關理論
    2.1 線性分類算法
    2.2 多層感知機算法
    2.3 支持向量機算法
    2.4 隨機森林算法
    2.5 集成樹算法
    2.6 評分卡模型
    2.7 本章小結
第三章 電容型設備數據預處理
    3.1 數據介紹
        3.1.1 樣本變量概述
        3.1.2 樣本變量分析
    3.2 數據清洗
        3.2.1 數據清洗介紹
        3.2.2 確定輸入變量
    3.3 特征編碼
        3.3.1 普通特征編碼
        3.3.2 基于評分卡模型WOE特征編碼
    3.4 數據均衡
    3.5 本章小結
第四章 電容型設備缺陷預測模型構建
    4.1 模型研究內容
        4.1.1 基于機器學習算法缺陷發(fā)生預測
        4.1.2 基于機器學習算法缺陷等級預測
    4.2 基于隨機森林預測模型構建
    4.3 基于多層感知機預測模型構建
    4.4 基于支持向量機預測模型構建
    4.5 基于集成樹預測模型構建
    4.6 基于線性分類預測模型構建
    4.7 本章小結
第五章 電容型設備缺陷預測模型結果與分析
    5.1 缺陷發(fā)生預測模型
        5.1.1 缺陷發(fā)生預測模型實驗結果
        5.1.2 實驗結果對比與分析
        5.1.3 最優(yōu)缺陷發(fā)生預測模型確定
    5.2 缺陷等級預測模型
        5.2.1 缺陷等級預測模型實驗結果
        5.2.2 實驗結果對比與分析
        5.2.3 最優(yōu)缺陷等級預測模型確定
    5.3 特征重要性分析
        5.3.1 缺陷發(fā)生特征重要性
        5.3.2 缺陷等級特征重要性
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
攻讀碩士學位期間取得的成果
攻讀碩士學位期間參與的項目

【參考文獻】

相關期刊論文 前9條

1 高志遠;姚建國;郭昆亞;曹陽;宋寧希;李強;孫芊;;智能電網對智慧城市的支撐作用研究[J];電力系統(tǒng)保護與控制;2015年11期

2 李文斌;陳嶷瑛;張娟;張新東;;使用Fisher線性判別方法的提取分類器[J];計算機工程與應用;2010年14期

3 鄒海榮;;基于徑向基函數神經網絡的電容傳感器非線性辨識[J];上海電機學院學報;2009年03期

4 楊兆升;王媛;管青;;基于支持向量機方法的短時交通流量預測方法[J];吉林大學學報(工學版);2006年06期

5 張干周;;澳大利亞變電站在線狀態(tài)監(jiān)視系統(tǒng)[J];國際電力;2005年06期

6 左自強,徐陽,曹曉瓏,劉斌;計算電容型設備介質損耗因數的相關函數法的改進[J];電網技術;2004年18期

7 孫才新,畢為民,周湶,廖瑞金,陳偉根;灰色預測參數模型新模式及其在電氣絕緣故障預測中的應用[J];控制理論與應用;2003年05期

8 王楠,陳志業(yè),律方成;電容型設備絕緣在線監(jiān)測與診斷技術綜述[J];電網技術;2003年08期

9 付蓉,鞠平,倪輝,陸小濤;可控串聯電容補償的模糊神經網絡控制[J];電力系統(tǒng)自動化;2000年02期

相關博士學位論文 前1條

1 王永強;考慮環(huán)境影響的電容型設備絕緣監(jiān)測與故障診斷研究[D];華北電力大學（河北）;2009年

相關碩士學位論文 前2條

1 李艷芳;線性判別式的比較與優(yōu)化方法研究[D];華東理工大學;2015年

2 李春生;模糊變權重組合預測方法的研究[D];中南大學;2002年

本文編號：2866298