输电线路故障诊断（Python代码，逻辑回归、决策树、随机森林、XGBoost和支持向量机五种不同方法诊断）

深度学习的奋斗者

已于 2023-09-18 21:35:07 修改

阅读量1.3k

点赞数 2

分类专栏：诊断领域创新代码文章标签： python 开发语言

于 2023-09-14 23:52:32 首次发布

本文链接：https://blog.csdn.net/qq_40840797/article/details/132892606

版权

诊断领域创新代码专栏收录该内容

55 篇文章 75 订阅

订阅专栏

本文介绍了一种使用Python实现的输电线路故障诊断方法，通过逻辑回归、决策树、随机森林、XGBoost和支持向量机等五种机器学习模型对故障进行分类。文章详细描述了数据集的特征、预处理过程，以及模型训练、性能评估和可视化结果。

摘要由CSDN通过智能技术生成

效果视频：输电线路故障诊断（Python代码，逻辑回归、决策树、随机森林、XGBoost和支持向量机五种不同方法诊断）_哔哩哔哩_bilibili

项目文件

code.py装载的是英文版本，图上显示英文标签及坐标，Chinese.py装载的是中文版本，图上显示中文标签等等，以及每一行代码几乎都有中文注释。code.py和Chinese.py是一样的代码。

1.数据

仿真平台

仿真模型分别获取单相接地故障、两相接地故障、两相间短路故障、三相接地故障、三相间短路故障和正常状态下的电流（Ia,Ib,Ic）大小和电压（Ua,Ub和Uc）大小。每种故障下获取1300行左右的数据

将故障区分为具体的不同类型（一共五种），再算上正常的状态，因此是六分类。这里随意举出每种类别的两个样本进行展示。

G	C	B	A	Ia	Ib	Ic	Va	Vb	Vc
1	0	0	1	-151.2918124	-9.677451563	85.80016226	0.400749853	-0.132934945	-0.267814907
1	0	0	1	-336.1861826	-76.28326195	18.32889658	0.312731934	-0.123633156	-0.189098779

1	0	1	1	-343.4870147	104.5627513	3.794285309	0.272042501	0.011317575	-0.283360076
1	0	1	1	-339.1254001	105.4293167	-0.267241225	0.27782054	0.021756839	-0.299577378

0	1	1	0	19.38615173	-785.553797	768.7279081	-0.210406869	-0.0020112	0.212418069
0	1	1	0	18.47841651	-783.8619173	767.9410527	-0.217651204	-0.00260451	0.220255714

0	1	1	1	506.5917463	374.8825788	-879.344997	0.042029705	-0.025636401	-0.016393305
0	1	1	1	495.1384715	387.4159615	-880.4253096	0.042107683	-0.025103056	-0.017004627
1	1	1	1	-89.03263152	-732.8168572	821.9123732	-0.036759479	0.005234219	0.03152526
1	1	1	1	-75.8022885	-740.3563342	816.2199695	-0.03680063	0.004685917	0.032114713

0	0	0	0	10.54618626	79.38231464	-93.21467968	-0.537644345	0.548591338	-0.010946993
0	0	0	0	9.590940965	80.11550744	-92.99814299	-0.542390522	0.543819429	-0.001428907

数据表格（开始位置）

数据表格（截止位置）

2.代码流程：

导入所需的Python库，包括NumPy、Pandas、Seaborn、Matplotlib等。
设置Seaborn和Matplotlib的样式和主题，包括字体、颜色、图形大小、边缘颜色等。
从数据集中读取10行数据，并对其进行样式设置，以显示不同的背景颜色。
使用df_class.info()检查数据集中列的数据类型。
使用df_class.isnull().sum().sum()检查数据集中是否存在空值。
使用df_class.shape获取数据集的形状。
绘制关于"Ground Fault"的柱状图和饼图，以及关于"Line A"、"Line B"、"Line C"中Fault的柱状图和饼图。
合并不同列的Fault信息，创建一个新的列"Fault_Type"。
替换"Fault_Type"列中的值，以便进行可视化。
分析数据集的统计信息，包括均值、标准差等。
统计不同"Fault_Type"的计数。
绘制"Fault_Type"计数的柱状图和饼图。
绘制电流和电压的图形。
绘制电压和电流的分布图，包括直方图、KDE图和箱线图。
选择没有故障的数据，并绘制相应的电流和电压图。
绘制没有故障数据的电流和电压的分布图。
选择不同Fault Type的数据，并绘制相应的电流和电压图。
绘制不同Fault Type数据的电流和电压的分布图。
将分类变量转换为数值变量，使用LabelEncoder将"Fault_Type"列编码为数值。
分离自变量和因变量。
划分训练集和测试集。
使用不同的机器学习模型，包括逻辑回归、决策树、随机森林、XGBoost和支持向量机进行训练和预测。
绘制混淆矩阵以评估模型性能。
绘制决策树的树状图。
创建模型性能汇总表，包括训练准确率和模型准确率得分。
使用随机森林和决策树模型进行预测，并将实际值和预测值进行对比。

3.效果

随机森林方法

决策树

XGBoost预测

支持向量机预测

逻辑回归

对代码和数据集感兴趣的可以关注最后一行

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
 
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix


#代码和数据集的压缩包：https://mbd.pub/o/bread/mbd-ZJ6Vmpdy