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
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
