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）

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。

数据表格（开始位置）

数据表格（截止位置） 

2.代码流程：

1. 导入所需的Python库，包括NumPy、Pandas、Seaborn、Matplotlib等。

2. 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。

3. 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。

4. 使用df_class.info()检查数据集中列的数据类型。

5. 使用df_class.isnull().sum().sum()检查数据集中是否存在空值。

6. 使用df_class.shape获取数据集的形状。

7. 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。

8. 合并不同列的Fault信息，创建一个新的列"Fault_Type"。

9. 替换"Fault_Type"列中的值，以便进行可视化。

10. 分析数据集的统计信息，包括均值、标准差等。

11. 统计不同"Fault_Type"的计数。

12. 绘制"Fault_Type"计数的柱状图和饼图。

13. 绘制电流和电压的图形。

14. 绘制电压和电流的分布图，包括直方图、KDE图和箱线图。

15. 选择没有故障的数据，并绘制相应的电流和电压图。

16. 绘制没有故障数据的电流和电压的分布图。

17. 选择不同Fault Type的数据，并绘制相应的电流和电压图。

18. 绘制不同Fault Type数据的电流和电压的分布图。

19. 将分类变量转换为数值变量，使用LabelEncoder将"Fault_Type"列编码为数值。

20. 分离自变量和因变量。

21. 划分训练集和测试集。

22. 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。

23. 绘制混淆矩阵以评估模型性能。

24. 绘制决策树的树状图。

25. 创建模型性能汇总表，包括训练准确率和模型准确率得分。

26. 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