典型文献
广域级电网在运智能电能表的烧损故障关联分析和预测方法
文献摘要：
针对智能电能表在运行过程中出现烧损的现象,在对各类因素进行关联分析后,提出了一种基于XGBoost算法的智能电能表烧损预测方法,以某省份2019—2020年的数据为例进行了测试验证.采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别,并与K最邻近法(K-NearestNeighbor,KNN)、朴素贝叶斯和支持向量机等传统机器学习算法进行对比.结果表明,基于极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的算法精度达到91％,召回率达到66％,综合指标F1达到76.51％,远高于传统算法.算法模型在进行系统部署的过程中,运用长短期记忆算法(Long Short Term Memory,LSTM)对部分缺失值进行了填充,经试点验证,该模型可较为准确地预测低压台区电能表烧损现象.
文献关键词：
智能电表;电表故障;烧表预测;XGBoost算法;不平衡数据
中图分类号：
作者姓名：
谈丛;黄红桥;陈石东;李恺;解玉满;刘谋海
作者机构：
国网湖南省电力有限公司供电服务中心(计量中心),湖南长沙410004;智能电气量测与应用技术湖南省重点实验室,湖南长沙410004
文献出处：
引用格式：
[1]谈丛;黄红桥;陈石东;李恺;解玉满;刘谋海-.广域级电网在运智能电能表的烧损故障关联分析和预测方法)[J].湖南大学学报（自然科学版）,2022(10):175-182
A类：
烧表预测
B类：
广域,智能电能表,烧损故障,XGBoost,某省,测试验证,信息数据,运行数据,环境数据,NearestNeighbor,KNN,朴素贝叶斯,机器学习算法,极限梯度提升算法,eXtreme,Gradient,Boosting,召回率,综合指标,传统算法,算法模型,系统部署,长短期记忆,Long,Short,Term,Memory,缺失值,点验,低压台区,智能电表,电表故障,不平衡数据
AB值：
0.402291
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
