基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用

doi:10.12263/DZXB.20191372

电子学报 ›› 2021, Vol. 49 ›› Issue (8): 1507-1514.DOI: 10.12263/DZXB.20191372

基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用

管永明¹^,², 王刚³, 骆凯波³(), 吕梁²(), 吕晓雯²(), 史玉良¹^,²()

^1.山东大学软件学院，山东济南 250101
^2.山大地纬软件股份有限公司，山东济南 250100
^3.国网重庆市电力公司，重庆 400015

收稿日期:2019-12-13 修回日期:2020-10-09 出版日期:2021-08-25 发布日期:2021-08-25
作者简介:管永明男，1984年1月出生，山东济南人. 2009年于山东大学计算机软件与理论专业获得硕士学位，其后在山大地纬软件股份有限公司从事智能电网应用、数据挖掘工作.E-mail：guanyongming@dareway.com.cn
王刚男，1988年2月出生，重庆人. 2010年于重庆大学电气工程与自动化专业获得学士学位，其后在国网重庆市电力公司从事电力营销工作.E-mail:wangg@cq.sgcc.com.cn
骆凯波男，1982年6月出生，河北保定人. 2004年于重庆大学计算机科学与技术专业获得学士学位，高级工程师，其后在国网重庆市电力公司从事用电信息采集建设管理工作.E-mail:luokaibo777@126.com
吕梁男，1985年7月出生，山东济南人. 2010年于中国海洋大学信号与信息处理专业获得硕士学位，其后在山大地纬软件股份有限公司从事电力系统设计与分析工作.E-mail：ll@dareway.com.cn
吕晓雯女，1988年11月出生，山东青岛人. 2015年于山东大学控制科学与工程专业获得硕士学位，其后在山大地纬软件股份有限公司从事电力系统自动化工作.E-mail：lxw@dareway.com.cn
史玉良（通信作者）男，1978年10月出生，山东威海人. 教授、博士生导师、山东省社会保障大数据工程实验室主任、兼任中国计算机学会协同计算专委会委员、服务计算专委会委员. 2003年、2006年分别于山东大学、复旦大学获得硕士学位、博士学位，2006年后在山东大学从事大数据、服务计算、人工智能等方面的研究工作.E-mail：shiyuliang@sdu.edu.cn
基金资助:
国家863重点研发计划(2018YFB1003804)

Generalized Identification for Low-Pressure Abnormal Box-Table Relationship Based on Extreme Unbalance Classification Learning

Yong-ming GUAN¹^,², Gang WANG³, Kai-bo LUO³(), Liang LÜ²(), Xiao-wen LÜ²(), Yu-liang SHI¹^,²()

^1.School of Software，Shandong University，Jinan，Shandong 250101，China
^2.Dareway Software Co. ，Ltd. ，Jinan，Shandong 250100，China
^3.State Grid Chongqing Electric Power Company，Chongqing 400015，China

Received:2019-12-13 Revised:2020-10-09 Online:2021-08-25 Published:2021-08-25

摘要/Abstract

摘要：

针对低压配电网箱表关系存在人工核查成本高、异常案例少、难以实现异常规律捕获的问题，采用极端不平衡分类学习方法实现低压异常箱表关系识别的泛化应用推广.通过电压原理识别出部分异常箱表关系样本集，随后构建CNN（卷积神经网络）异常箱表关系识别模型，通过样本三分类赋权值实现类别均衡处理；并在模型推广应用过程中，采用强化学习实现离线模型的在线泛化学习，并以分组模型交互学习和竞争优化的方式筛选出最优泛化识别模型.实验证明，通过人工核查和数据反馈，该方法可实现模型对异常样本数据分布规律的自拟合学习，提高模型对不同应用环境的泛化性，进一步降低人工现场核查工作量，保障低压台区用户拓扑网络关系的准确性.

关键词: 极端不平衡分类, 电压曲线识别, 卷积神经网络, Adaboost算法, 分组强化学习

Abstract:

Due to high labor cost and few abnormal cases of power box-table relations inspection, which difficulty to obtain the law. The extreme unbalanced classification learning method was used to capture the generalization. Through the principle of voltage, abnormal box-table relationship sample sets were identified. And by three-class weighting balance, the CNN(convolutional neural network) abnormal box-table relationship recognition model was constructed. In addition, the grouped parallel generalization learning of recognition model was realized by reinforcement learning. The experiment proves that, through self-learning the distribution of newly identified abnormal sample data, which improve the generalization to different environments. This reduces the workload of manual on-site verification and ensures the accuracy of the topology network relationship in the low-voltage station area.

Key words: extreme unbalanced classification, voltage curve identification, convolutional neural network, Adaboost algorithm, group reinforcement learning

中图分类号:

TP391

管永明, 王刚, 骆凯波, 吕梁, 吕晓雯, 史玉良. 基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用[J]. 电子学报, 2021, 49(8): 1507-1514.

Yong-ming GUAN, Gang WANG, Kai-bo LUO, Liang LÜ, Xiao-wen LÜ, Yu-liang SHI. Generalized Identification for Low-Pressure Abnormal Box-Table Relationship Based on Extreme Unbalance Classification Learning[J]. Acta Electronica Sinica, 2021, 49(8): 1507-1514.

图/表 8

参考文献 20

1	Su Y, Liang X R, Wang H, et al. A maintenance and troubleshooting method based on integrated information and system principles[J]. IEEE Access, 2019, 7: 70513－70524.
2	吴志鹏, 杨苹, 姜新宇, 等. 在线监测信息系统结构层次设计与实践[J]. 电子学报, 2018, 46(11): 2803－2808.
	Wu Z P, Yang P, Jiang X Y, et al. Hierarchical structure design and application for online monitoring information system[J]. Acta Electronica Sinica, 2018, 46(11): 2803－2808. (in Chinese)
3	高泽璞, 赵云, 余伊兰, 等. 基于知识图谱的低压配电网拓扑结构辨识方法[J]. 电力系统保护与控制, 2020, 48(2): 34－43.
	Gao Z P, Zhao Y, Yu Y L, et al. Low-voltage distribution network topology identification method based on knowledge graph[J]. Power System Protection and Control, 2020, 48(2): 34－43. (in Chinese)
4	肖勇, 赵云, 涂治东, 等. 基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法[J]. 电力系统保护与控制, 2019, 47(11): 37－43.
	Xiao Y, Zhao Y, Tu Z D, et al. Topology checking method for low voltage distribution network based on improved pearson correlation coefficient[J]. Power System Protection and Control, 2019, 47(11): 37－43. (in Chinese)
5	Hang Q, Yang J H, Xing L N. Diagnosis of rolling bearing based on classification for high dimensional unbalanced data[J]. IEEE Access, 2019, 7(1): 79159－79172.
6	Zhang P B, Yang Z X. A novel AdaBoost framework with robust threshold and structural optimization[J]. IEEE Transactions on Cybernetics, 2018, 48(1): 64－76.
7	Kim C, Shin D, Kim B, et al. Mosaic-CNN: A combined two-step zero prediction approach to trade off accuracy and computation energy in convolutional neural networks[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2018, 8(4): 770－781.
8	Dilokthanakul N, Kaplanis C, Pawlowski N, et al. Feature control as intrinsic motivation for hierarchical reinforcement learning[J]. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(11): 3409－3418.
9	Barriga N A, Stanescu M, Besoain F, et al. Improving RTS game AI by supervised policy learning, tactical search, and deep reinforcement learning[J]. IEEE Computational Intelligence Magazine, 2019, 14(3): 8－18.
10	Bruin T D, Kober J, Tuyls K, et al. Integrating state representation learning into deep reinforcement learning [J]. IEEE Robotics and Automation Letters, 2018, 3(3): 1394－1401.
11	Sevakula R K, Verma N K. Assessing generalization ability of majority vote point classifiers[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(12): 2985－2997.
12	于昕妍, 沈艳霞, 陈杰, 等. 考虑概率区间的微电网短期负荷多目标预测方法[J].电子学报, 2017, 45(4): 930－936.
	Yu X Y, Shen Y X, Chen J, et al. A multi-objective prediction method for short-term microgrid load considering interval probability[J]. Acta Electronica Sinica, 2017, 45(4): 930－936. (in Chinese)
13	Xiang W M, Tran H D, Johnson T T, et al. Output reachable set estimation and verification for multilayer neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(11): 5777－5783.
14	Lu Y J, Wu H F, Tu B, et al. Ultra-wide output voltage range power supply based on modular switched-converter principle[J]. IEEE Transactions on Power Electronics, 2020, 35(1): 94－106.
15	Kim C, Shin D, Kim B, et al. Mosaic-CNN: A combined two-step zero prediction approach to trade off accuracy and computation energy in convolutional neural networks[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2018, 8(4): 770－781.
16	Passalis N, Tefas A. Training lightweight deep convolutional ceural cetworks using gag-of-features pooling[J]. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(6): 1705－1715.
17	Chen G, Colin I J D, Zhang M J. Accuracy-based learning classifier systems for multistep reinforcement learning: A fuzzy logic approach to handling continuous inputs and learning continuous actions[J]. IEEE Transactions on Evolutionary Computation, 2016, 20(6): 953－971.
18	Wang Y J, Sun F M, Li B. Multiscale neighborhood normalization-based multiple dynamic PCA monitoring method for batch processes with frequent operations[J]. IEEE Transactions on Automation Science and Engineering, 2018, 15(3): 1053－1064.
19	Tang Z Q, Zhou X J, Zhang F M, et al. Migration modeling and learning algorithms for containers in fog computing[J]. IEEE Transactions on Services Computing, 2019, 12(5): 712－725.
20	胡峰, 王蕾, 周耀. 基于三支决策的不平衡数据过采样方法[J]. 电子学报, 2018, 46(1): 135－144.
	Hu F, Wang L, Zhou Y. An oversampling method for imbalance data based on three-way decision model[J]. Acta Electronica Sinica, 2018, 46(1): 135－144. (in Chinese)

核查电能表	465块	涉及计量箱	176个
异常分类	涉及电能表数	涉及计量箱数	占所有核查计量箱比例
箱表关系异常	243	86	48.98%
计量故障	72	65	36.73%
疑似采集异常	135	32	18.37%
接线错误	6	5	3.06%
异常总数	456	167（累计188次）	94.90%
误判异常样本	9	9	5.10%

核查电能表	465块	涉及计量箱	176个
异常分类	涉及电能表数	涉及计量箱数	占所有核查计量箱比例
箱表关系异常	243	86	48.98%
计量故障	72	65	36.73%
疑似采集异常	135	32	18.37%
接线错误	6	5	3.06%
异常总数	456	167（累计188次）	94.90%
误判异常样本	9	9	5.10%

核查电能表总数	4120块	涉及计量箱总数	623个
异常分类	涉及电能表数量	涉及计量箱数量	占所有核查计量箱比例
箱表关系错误	28	21	3.37%
电压曲线识别	16	—	—
异常总数	44	—	—

核查电能表总数	4120块	涉及计量箱总数	623个
异常分类	涉及电能表数量	涉及计量箱数量	占所有核查计量箱比例
箱表关系错误	28	21	3.37%
电压曲线识别	16	—	—
异常总数	44	—	—

识别模型	强化学习前			强化学习后
识别模型	异常	正常	识别总数	异常	正常	识别总数
实际异常	29	7	36	35	1	36
实际正常	58	2042	2100	34	2066	2100
实际总数	87	2049	2136	69	2067	2136

基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用

Generalized Identification for Low-Pressure Abnormal Box-Table Relationship Based on Extreme Unbalance Classification Learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.
[2]	张云, 化青龙, 姜义成, 徐丹. 基于混合型复数域卷积神经网络的三维转动舰船目标识别[J]. 电子学报, 2022, 50(5): 1042-1049.
[3]	崔亚奇, 何友, 唐田田, 熊伟. 一种深度学习航迹关联方法[J]. 电子学报, 2022, 50(3): 759-763.
[4]	伍邦谷, 张苏林, 石红, 朱鹏飞, 王旗龙, 胡清华. 基于多分支结构的不确定性局部通道注意力机制[J]. 电子学报, 2022, 50(2): 374-382.
[5]	李居朋, 王颖慧, 李刚. 医学图像关键点检测深度学习方法研究与挑战[J]. 电子学报, 2022, 50(1): 226-237.
[6]	赵琰, 赵凌君, 匡纲要. 基于注意力机制特征融合网络的SAR图像飞机目标快速检测[J]. 电子学报, 2021, 49(9): 1665-1674.
[7]	徐频捷, 陈逸杰, 李之南, 赵地. 基于事件驱动的车道线识别算法研究[J]. 电子学报, 2021, 49(7): 1379-1385.
[8]	罗会兰, 袁璞, 童康. 基于深度学习的显著性目标检测方法综述[J]. 电子学报, 2021, 49(7): 1417-1427.
[9]	程旭, 宋晨, 史金钢, 周琳, 张毅锋, 郑钰辉. 基于深度学习的通用目标检测研究综述[J]. 电子学报, 2021, 49(7): 1428-1438.
[10]	张昱, 刘开峰, 张全新, 王艳歌, 高凯龙. 基于组合-卷积神经网络的中文新闻文本分类[J]. 电子学报, 2021, 49(6): 1059-1067.
[11]	裴翰奇, 杨春玲, 魏志超, 曹燕. 基于SPL迭代思想的图像压缩感知重构神经网络[J]. 电子学报, 2021, 49(6): 1195-1203.
[12]	乔思波, 庞善臣, 王敏, 翟雪, 于世行, 丁桐. 基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型[J]. 电子学报, 2021, 49(5): 984-991.
[13]	吴俊劼, 陈震, 张聪炫, 江少锋, 尚璇. 基于特征级联卷积网络的双目立体匹配[J]. 电子学报, 2021, 49(4): 690-695.
[14]	刘杰, 葛一凡, 田明, 马力强. 基于ZYNQ的可重构卷积神经网络加速器[J]. 电子学报, 2021, 49(4): 729-735.
[15]	李志欣, 凌锋, 张灿龙, 马慧芳. 融合两级相似度的跨媒体图像文本检索[J]. 电子学报, 2021, 49(2): 268-274.