典型文献
电能表计量性能评价及预测方法研究
文献摘要：
为解决对电能表进行评价的时间和误差特征维度单一等问题,提出一种电能表计量性能评价及预测方法.首先,利用电能表拆回检测及其首次检定多时间维度的误差数据,提出利用K-means聚类算法对电能表计量性能进行评价的方法,从均值、方差、平均偏移量、最大偏移量误差进行多特征维度评价分析.然后,提出一种利用电能表基本信息特征对其评价类别进行预测的方法,采用集成学习Stacking模型进行预测,以支持向量机(SVM)、K近邻(KNN)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)相异模型为Stacking模型基分类器,并利用合成少数类过采样技术(SMOTE)处理类别不平衡问题.对比结果表明,平均偏移量维度对其计量性能评价效果最好,同时Stacking模型预测准确率优于单个模型,SMOTE采样后准确率提升2.5％,最终预测准确率达到88.5％.该结果验证了利用电能表基本信息特征进行评价类别预测的有效性.
文献关键词：
电能表;计量性能;评价及预测;基本误差;K-means聚类;基本信息特征;Stacking模型;合成少数类过采样技术
中图分类号：
作者姓名：
李铭凯;李蕊;史鹏博;李雪城;程诗尧;丁宁
作者机构：
国网北京市电力公司电力科学研究院,北京 100162
文献出处：
引用格式：
[1]李铭凯;李蕊;史鹏博;李雪城;程诗尧;丁宁-.电能表计量性能评价及预测方法研究)[J].自动化仪表,2022(12):65-70
A类：
多时间维度,基本信息特征
B类：
电能表计量,计量性能,性能评价,评价及预测,拆回,检定,差数,means,聚类算法,偏移量,大偏移,多特征,评价分析,集成学习,Stacking,近邻,KNN,梯度提升决策树,GBDT,极端梯度提升,XGBoost,相异,基分类器,合成少数类过采样技术,SMOTE,类别不平衡,不平衡问题,评价效果,预测准确率,准确率提升,基本误差
AB值：
0.287605
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。
