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OA北大核心CSCDCSTPCD
Generalized Identification for Low-Pressure Abnormal Box-Table Rela?tionship Based on Extreme Unbalance Classification Learning
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.
管永明;王刚;骆凯波;吕梁;吕晓雯;史玉良
山东大学软件学院,山东济南250101山大地纬软件股份有限公司,山东济南250100国网重庆市电力公司,重庆400015国网重庆市电力公司,重庆400015山大地纬软件股份有限公司,山东济南250100山大地纬软件股份有限公司,山东济南250100
信息技术与安全科学
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
《电子学报》 2021 (8)
1507-1514,8
国家863重点研发计划(No.2018YFB1003804)
评论