论文摘要
智能电表故障的准确分类能大幅提高用电采集系统运维能力。融合多个分类模型的机器学习算法是解决该问题的有效手段,但现有方法无法解决输出分别为样本所属各类别概率值和类别标签的两个基分类模型融合问题。提出一种基于模型自适应选择融合的智能电表故障多分类方法。首先,分别取各基分类模型对各类样本分类准确率最大值,将其与阈值系数的乘积作为该类样本准确率阈值,实现阈值自适应调整;然后对各类样本分别计算基分类模型的准确率差值,与阈值进行比较设置样本融合标记;最后根据该标记选择参与融合的基分类模型,结合输出为概率值的基分类模型的Top-N分类标签集,得到模型融合结果。在10组KEEL公共数据集上验证了所提融合方法的有效性,且融合后准确率较基分类模型均有稳定提升,最大提升4.62%;以近年采集的智能电表故障数据为基础,对比实验表明,所提算法能够明显提高故障分类准确率。
论文目录
文章来源
类型: 期刊论文
作者: 高欣,刁新平,刘婧,张密,何杨
关键词: 智能电表故障多分类,模型融合,分类标签集,自适应选择
来源: 电网技术 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 北京邮电大学自动化学院,中国电力科学研究院有限公司
基金: 国家电网公司科技资助项目(5442JL170006)~~
分类号: TM933.4
DOI: 10.13335/j.1000-3673.pst.2019.0150
页码: 1955-1961
总页数: 7
文件大小: 411K
下载量: 219
相关论文文献
标签：智能电表故障多分类论文; 模型融合论文; 分类标签集论文; 自适应选择论文;