基于数据融合的电容型设备预警研究

摘要

随着经济的发展，人类的用电需求越来越大，电力系统的稳定运行显得至关重要。在变电站中，电容型设备占据40%-50%，远多于其他类型设备。因此，监测电容型设备的运行状态，区分正常设备和缺陷设备，提前预警，对整个电力系统的稳定运行具有重要意义。 电力系统在运营期间，产生了大量的运营数据及检修记录，累积为历史数据。这些数据涵盖了电容型设备的各类信息，具有属性多的特点。如何有效地融合这些数据信息服务于电力系统的运营管理一直是重要问题。本文基于数据融合理论与方法研究与分析了中国南方电网公司电容型设备台账数据及检修记录数据，并提出了相应算法。 本文首先对数据集进行预处理。南方电网公司电容型设备台账数据及检修记录数据存在两个问题：数据类型不统一、数据集正负样本量不平衡。针对第一个问题，本文采用了数值编码及独热编码(onehot)两种编码方式进行类型转换，并舍弃部分不便于进行编码转换的属性。然后分别针对两种编码方式做了模型试算，确定其优缺点。针对第二个问题，本文分别采用上采样和下采样以增加稀有样本和减少数量多的样本。 然后，本文利用数据融合的方法，分别用神经网络、支持向量机、随机森林方法构建了设备缺陷预测模型。为了确定模型的参数，本文使用了网搜索法进行调整，使得参数调整后的模型的预测精度达到或接近最高。同时，采用交叉验证的方法确保模型不会对数据集产生过拟合现象。随后分别使用精度、准确率、召回率、F1_score等指标对模型进行了准确性评估，并对实验结果进行了对比分析。

目录

声明

第一章 绪论

1.1 问题背景及研究意义

1.2 电容型设备预警的国内外研究动态

1.2.1 国内外研究情况

1.2.2 数据融合技术的应用现状

1.3 本文主要研究内容

第二章 数据融合算法简介

2.1 人工神经网络

2.1.1 相关术语

2.1.2 BP神经网络的训练方法及理论依据

2.2 支持向量机

2.2.1 支持向量机的概念及用途

2.2.2 线性SVM

2.2.3 非线性SVM

2.3 随机森林

2.3.1 决策树

2.3.2 随机森林

2.4 本章小节

第三章 电容型设备数据预处理

3.1 电容型设备数据类型

3.2 数据类型编码方式和结果

3.3 不平衡数据的处理

3.4 本章小结

第四章 电容型设备状态预测模型构建及评估

4.1 编码方式及采样方式的确定

4.1.1 试算模型的选择

4.1.2 编码方式的确定

4.1.3采样方式的确定

4.2 模型的构建

4.2.1 未知参数模型构建

4.2.2 算法步骤

4.3 参数调整

4.3.1 两种常用调参方法及适用性

4.3.2 支持向量机分类模型参数确定

4.3.3 神经网络参数确定

4.3.4 随机森林参数确定

4.4 预测模型的选择及模型评估

4.4.1 最终分类预测模型的确定

4.4.2 模型的结果评估

4.4.3 结果分析和总结

4.4.4 其他算法得到的结果

4.5 本章小节

第五章 总结与展望

5.1 全文总结

5.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果