針對電網(wǎng)故障診斷數(shù)據(jù)的類別分布不平衡,即故障類別相對正常類別比值小問題,提出一種基于Trees)的電網(wǎng)故障診斷方法。在采樣階段根據(jù)故障類樣本的內(nèi)部分布密度自適應計算合成新樣本數(shù)量;在合成新樣本時,計算離散型數(shù)據(jù)樣本點之間的高維空間距離,使點之間的合成數(shù)量與距離成負相關關系,進行合成新樣本;在基分類器生成過程中,節(jié)點分裂時隨機選擇特征,巧妙借助極端隨機樹隨機性強方差低的特性解決了噪聲數(shù)據(jù)的影響。實驗結(jié)果對比傳統(tǒng)分類和常用不平衡分類表明,該算法有效地提升了故障類的精度,同時克服了以往別的算法隨機過采樣導致的正常類精度下降,G-mean值達到82.6%,具有優(yōu)越的電網(wǎng)故障診斷預測性能。 

【文章來源】：計算機應用與軟件. 2020,37(07)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

各采樣算法合成樣本對比圖

本文實驗的流程圖如圖2所示。首先基于多源數(shù)據(jù)庫的數(shù)據(jù)進行數(shù)據(jù)預處理(數(shù)據(jù)清理、數(shù)據(jù)集成)，得到以上數(shù)據(jù)集。數(shù)據(jù)集按照6∶4對每個類進行隨機采樣，得到訓練集Dtrain和測試集Dtest。然后使用ADASYN-DHSD-ET算法對Dtrain訓練故障診斷模型，算法對4個故障類進行過采樣，根據(jù)故障類的密度分布自動生成新樣本，改變數(shù)據(jù)集的平衡度，并使采樣后的數(shù)據(jù)保持原樣本的特征。對生成新樣本數(shù)量進行調(diào)參，依次設置采樣數(shù)量為原樣本的10、20、50、100、200倍直到與正常類樣本數(shù)量相同。每個基分類器對全部的新數(shù)據(jù)集進行分類，在節(jié)點分裂時在11個特征中隨機選取分裂特征，不減枝，充分考慮數(shù)據(jù)集特征。對基分類器的數(shù)量進行調(diào)參，依次設置生成基分類器數(shù)量100、200、500、1 000。集成分類器進行投票得到訓練模型。使用Dtest驗證訓練模型，根據(jù)每個參數(shù)設置進行實驗，得到最優(yōu)模型。

【參考文獻】：
期刊論文
[1]不均衡數(shù)據(jù)分類算法的綜述[J]. 陶新民,郝思媛,張冬雪,徐鵬.  重慶郵電大學學報(自然科學版). 2013(01)



本文編號：3073823