科研之友
微信
新浪微博
Facebook
分享链接
摘要
实现智能电能表故障准确分类对开展计量设备精准主动运维、助力国家“双碳”目标实现等具有重要意义。不同故障类型电表样本数目极不均衡，且故障数据在超维特征空间中呈现出多模式分布、多类数据交叠等特点，为准确的故障分类决策边界划分带来了很大的挑战。提出一种基于样本迁移和交叠区边界增强的智能电表故障分类方法。与以往直接从少数类样本中学习其分布特点并进行生成的故障样本再平衡思路不同，给出一种将多数类样本映射为边界少数类样本的样本整体均衡方案，更有利于分类器对类别决策边界的学习。首先，设计了针对变分自编码器(variational autoencoder,VAE)的隐编码跨域一致性约束，构建由两对共享隐编码空间的VAE组成的跨类别样本生成网络，通过生成对抗机制促进模型更好地学习不同类别间的共性与差异；基于此，提出了数据交叠区边界增强的故障样本生成技术，通过引入欧式距离最小化约束迁移生成新的少数类样本，与原多数类样本在特征空间中形成更加清晰的分类边界。在20个KEEL不平衡分类公开数据集和智能电表实采故障数据集上的大量测试结果表明，与多种典型方法相比，所提算法在处理不平衡分类问题上具有显著优势。
- 单位
