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

• 学术论文 • 上一篇    下一篇

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. 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. 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:

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: