dheeranshankar-del/electrical-fault-detection-ml

# 电气故障检测-ml 使用机器学习在三相系统中进行电气故障检测。通过特征工程（阻抗、功率、幅值）和集成模型比较，将分类准确率从 88.7% 提升至 95.9%。 # 使用机器学习在三相系统中进行电气故障检测 ## 概述 本项目侧重于使用机器学习检测三相系统中的电气故障。 使用原始电压和电流信号构建了基线模型，随后利用基于电气原理的特征工程对其进行了改进。 ## 数据集 本项目使用的数据集来源于 Kaggle： https://www.kaggle.com/datasets/esathyaprakash/electrical-fault-detection-and-classification/data 此数据集包含三相电气系统中不同故障条件下的线电压和电流。 注意：本仓库不包含该数据集。请从上述链接下载，并在运行代码前将其放置在项目目录中。 ## 核心思想 除了仅依赖原始数据外，还创建了额外的特征： - 阻抗（近似值） - 有功功率 (P) - 电压幅值 (V_mag) - 电流幅值 (I_mag) - 视在功率 (S) 这些特征显著提升了模型性能。 ## 结果 | 模型 | 准确率 | |-----------------------------|----------| | 基线模型 (Random Forest) | 88.7% | | Random Forest (特征工程) | 95.3% | | Gradient Boosting | 94.9% | | XGBoost | **95.9%** | ## 特征重要性 最重要的预测因素为： - 阻抗 (Z_approx) - 电流幅值 (I_mag) - 电压幅值 (V_mag) 这与电气系统的物理特性相符，因为故障会强烈影响阻抗和电流。 ## 使用工具 - Python - Pandas / NumPy - Scikit-learn - XGBoost - Matplotlib / Seaborn ## 结论 特征工程显著提升了故障检测的准确率。 在测试的模型中，XGBoost 表现最佳。

标签：Apex, Kaggle, Python, Scikit-learn, XGBoost, 三相电系统, 分类算法, 异常检测, 故障诊断, 数据科学, 无后门, 机器学习, 梯度提升, 特征工程, 电力故障检测, 电力系统保护, 电网安全, 视在功率, 资源验证, 逆向工具, 阻抗计算, 随机森林, 集成学习