(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111412282.2 (22)申请日 2021.11.25 (71)申请人 南方电网数字电网研究院有限公司 地址 510700 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 朱艺伟　徐键　谢尧　江瑾　许淳　 杨显志　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 代理人 舒丁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于加权极限学习机的电力故障预测方法 和装置 (57)摘要 本申请涉及一种基于加权极限学习机的电 力故障预测方法、 装置、 计算机设备和存储介质。 所述方法包括： 根据电力系统的故障检测特征数 据， 构建模型训练的样本数据集； 遍历样本数据 集， 得到样本数据集中各样本的样本类别、 样本 数据集的样 本总数、 样本数据集的正类样本的总 数以及样 本数据集的负类样本的总数； 为各样本 分配与样本的样本类别所对应的样 本权重， 并根 据各样本的样本类别所对应的样本权重生成加 权矩阵； 基于改进加权ELM模型IWELM算法， 根据 加权矩阵和样本数据集进行训练处理， 得到加权 极限学习机分类模型； 根据加权极限学习机分类 模型， 对电力系统的电力故障进行预测， 并输出 预测结果。 采用本方法能够提升电力故障预测时 的识别效果和准确度。 权利要求书2页 说明书9页 附图4页 CN 114154701 A 2022.03.08 CN 114154701 A 1.一种基于加权极限学习机的电力故障预测方法， 其特 征在于， 所述方法包括： 根据电力系统的故障检测特 征数据， 构建模型训练的样本数据集； 遍历所述样本数据集， 得到所述样本数据集中各样本的样本类别、 所述样本数据集的 样本总数、 所述样本数据集的正类样本的总 数以及所述样本数据集的负类样本的总 数； 其 中， 所述样本类别包括所述 正类样本和所述负类样本； 为各所述样本分配与 所述样本的样本类别所对应的样本权重， 并根据 各所述样本的样 本类别所对应的样本权重生成加权矩阵； 其中， 所述正类样本的样本权重根据第一 目标比 例的对数 的倒数确定； 所述负类样本的样本权重根据第二 目标比例的对数 的倒数确定； 所 述第一目标比例是指所述正类样本的总数和所述样本总数的比例； 所述第二目标比例是指 所述负类样本的总数和所述样本总数的比例； 基于改进加权ELM模型IWELM算法， 根据所述加权矩阵和所述样本数据集进行训练处 理， 得到加权极限学习机分类模型； 根据所述加权极限学习机分类模型， 对所述电力系统的 电力故障进行预测， 并输出预 测结果。 2.根据权利要求1所述的方法， 其特征在于， 基于以下表达 式得到所述样本的样本类别 所对应的样本 权重： 其中， Wii为所述样本的样本类别所对应的样本权重； λ为调整因子， 且λ>1； #(ti)为所述 样本的样本类别所对应的样本总数； 为所述样本总数。 3.根据权利要求1所述的方法， 其特征在于， 所述根据电力系统的故障检测特征数据， 构建模型训练的样本数据集的步骤 包括： 获取电力系统的初始检测数据； 所述初始检测数据包括PMS数据、 客服工单数据、 在线 监测数据、 线路巡 视数据、 辅助监控数据和历史故障数据中的任意 一种或任意组合； 对所述初始检测数据进行数据抽取、 数据清洗转换和数据加载处理， 生成所述故障检 测特征数据。 4.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 根据所述预测结果， 确定是否进行电力故障预警。 5.一种基于加权极限学习机的电力故障预测装置， 其特 征在于， 所述装置包括： 数据集构建模块， 用于根据电力系统的故障检测特征数据， 构建模型训练的样本数据 集； 统计分析模块， 用于遍历所述样本数据集， 得到所述样本数据集中各样本的样本类别、 所述样本数据集的样本总数、 所述样本数据集的正类样本的总数以及所述样本数据集的负 类样本的总数； 其中， 所述样本类别包括所述 正类样本和所述负类样本； 权重分配模块， 用于为各所述样本分配与所述样本的样本类别所对应的样本权重， 并 根据各所述样本的样本类别所对应的样本权重生成加权矩阵； 其中， 所述正类样本的样本权　利　要　求　书 1/2 页 2 CN 114154701 A 2权重根据第一目标比例的对数的倒数确定； 所述负类样本的样本权重根据第二目标比例的 对数的倒数确定； 所述第一 目标比例是指所述正类样本的总 数和所述样本总 数的比例； 所 述第二目标比例是指所述负类样本的总数和所述样本总数的比例； 模型训练模块， 用于基于改进加权ELM模型IWELM算法， 根据所述加权矩阵和所述样本 数据集进行训练 处理， 得到加权极限学习机分类模型； 故障预测模块， 用于根据所述加权极限学习机分类模型， 对所述电力系统的 电力故障 进行预测， 并输出 预测结果。 6.根据权利要求1所述的装置， 其特征在于， 所述权重分配模块基于以下表达式得到所 述样本的样本类别所对应的样本 权重： 其中， Wii为所述样本的样本类别所对应的样本权重； λ为调整因子， 且λ>1； #(ti)为所述 样本的样本类别所对应的样本总数； 为所述样本总数。 7.根据权利要求1所述的装置， 其特 征在于， 所述数据集构建模块包括： 数据获取单元， 用于获取电力系 统的初始检测数据； 所述初始检测数据包括PMS数据、 客服工单数据、 在线监测数据、 线路巡视数据、 辅助监控数据和历史故障数据中的任意一种 或任意组合； 数据处理单元， 用于对所述初始检测数据进行数据抽取、 数据清洗转换和数据加载处 理， 生成所述故障检测特 征数据。 8.根据权利要求1所述的装置， 其特 征在于， 所述装置还 包括： 故障预警模块， 用于根据所述预测结果， 确定是否进行电力故障预警。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114154701 A 3