一种面向电网设备故障概率预测的特征选择方法技术

本发明专利技术公开了一种面向电网设备故障概率预测的特征选择方法，包括，融合在线监测数据、历史缺陷数据和气象数据；基于机器学习构建特征选择模型；利用所述特征选择模型将选择的特征去掉冗余特征，仅保留重要特征。本发明专利技术利用多种模型对特征进行了筛选，去除了冗余的特征，提高下游的预测任务的性能，同时减少了数据的存储。

【技术实现步骤摘要】
一种面向电网设备故障概率预测的特征选择方法
本专利技术涉及电网设备故障概率预测、特征选择的
，尤其涉及一种面向电网设备故障概率预测的特征选择方法。
技术介绍
电网系统的平稳健康运行，对人民生产生活非常重要。但是电网系统太过庞大，设备也不可能一直完好无损的运行。极端天气、突发情况以及设备老化等都可能导致电网故障。对于电网的设备物资而言，主要有三类：日常设备物资、应急设备物资和重大灾害缺陷物资。本专利技术主要针对的是应急设备物资。当设备发生故障时，就需要在各地仓库备有以进行更换来保证电网的正常运行。但是各地仓库应该每类物资应该采购多少，才能既不缺物资，又不会过度仓储，就成了一个值得研究的问题。但是电网系统中，不同的区域、不同的物资数据分布很不一样。以修文县的真实数据分布为例，本体、复合绝缘子和金具本体的分布不一样。同时可以看到，数据的分布没有很强的规律性。因此，针对不同物资的故障概率预测，起作用的特征也非常不一样。进行特征筛选，可以提高训练和预测计算的效率，同时可以节省数据存储的总量，获取有益的效果。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种面向电网设备故障概率预测的特征选择方法，能够解决现有方法存在的粗放性和无效性的问题。为解决上述技术问题，本专利技术提供如下技术方案：包括，融合在线监测数据、历史缺陷数据和气象数据；基于机器学习构建特征选择模型；利用所述特征选择模型将选择的特征去掉冗余特征，仅保留重要特征。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：所述特征选择模型包括，极端梯度提升模型、基于IV值得模型和逻辑回归模型。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：构建所述特征选择模型包括，其中，为梯度提升树和极端梯度提升模型的缺陷物资预测值，fk为第k棵分类回归树，K为分类回归树的数量，Γ为分类回归树的空间，训练得到模型之后，依据模型构建时利用特征最多的次数等方式，来获得最重要的特征。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：所述特征选择模型针对所有特征计算IV值，根据所述IV值进行排序，利用排序的结果筛选有辨识力的特征，即IV>0.2的特征。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：所述特征选择模型包括，逻辑回归模型，如下，其中，当模型训练完成之后，特征的参数θ的取值进行排序，针对取值大的top特征进行选择。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：所述缺陷物资包括，金具本体、本体、拉线本体、混凝土电杆、瓷质绝缘子、CPU插件、架空导线、分合闸接触器、充电模块、复合绝缘子。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：构建的所述特征选择模型采用特征选择方法，其基于XgBoost算法进行建立。作为本专利技术所述的面向电网设备故障概率预测的特征选择方法的一种优选方案，其中：所述特征选择方法选择的特征需进行求交集。本专利技术的有益效果：本专利技术利用多种模型对特征进行了筛选，去除了冗余的特征，提高下游的预测任务的性能，同时减少了数据的存储。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术一个实施例所述的面向电网设备故障概率预测的特征选择方法的流程示意图；图2为本专利技术一个实施例所述的面向电网设备故障概率预测的特征选择方法的对比示意图；图3为本专利技术一个实施例所述的面向电网设备故障概率预测的特征选择方法的模型训练速度对比示意图；图4为本专利技术一个实施例所述的面向电网设备故障概率预测的特征选择方法的预测准确率对比示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。同时在本专利技术的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。本专利技术中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。实施例1参照图1和图2，为本专利技术的第一个实施例，提供了一种面向电网设备故障概率预测的特征选择方法，其特征在于：包括，S1：融合在线监测数据、历史缺陷数据和气象数据。S2：基于机器学习构建特征选择模型。S3：利用特征选择模型将选择的特征去掉冗余特征，仅保留重要特征。具体的，本实施例还需要详细说明的是，特征选择模型包括，极端梯度提升模型、基于IV值得模型和逻辑回归模型；构建特征选择模型包括：其中，为梯度提升树和极端梯度提升模型的缺陷物资预测值，fk为第k棵分类回归树，K为分类回归树的数量，Γ为分类回归树的空间，训练得到模型之后，依据本文档来自技高网...

【技术保护点】
1.一种面向电网设备故障概率预测的特征选择方法，其特征在于：包括，/n融合在线监测数据、历史缺陷数据和气象数据；/n基于机器学习构建特征选择模型；/n利用所述特征选择模型将选择的特征去掉冗余特征，仅保留重要特征。/n

【技术特征摘要】
1.一种面向电网设备故障概率预测的特征选择方法，其特征在于：包括，
融合在线监测数据、历史缺陷数据和气象数据；
基于机器学习构建特征选择模型；
利用所述特征选择模型将选择的特征去掉冗余特征，仅保留重要特征。


2.根据权利要求1所述的面向电网设备故障概率预测的特征选择方法，其特征在于：所述特征选择模型包括，极端梯度提升模型、基于IV值得模型和逻辑回归模型。


3.根据权利要求1或2所述的面向电网设备故障概率预测的特征选择方法，其特征在于：构建所述特征选择模型包括，



其中，为梯度提升树和极端梯度提升模型的缺陷物资预测值，fk为第k棵分类回归树，K为分类回归树的数量，Γ为分类回归树的空间，训练得到模型之后，依据模型构建时利用特征最多的次数等方式，来获得最重要的特征。


4.根据权利要求3所述的面向电网设备故障概率预测的特征选择方法，其特征在于：所述特征选择模型针对所有特征计算I...

【专利技术属性】
技术研发人员：俞虹，代洲，程文美，唐诚旋，蒋群群，陈珏伊，张秀，徐一蝶，王钧泽，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52