代码运行要求：tensorflow版本>=2.4.0,Python>=3.6.0即可，无需修改数据路径。
1.数据集介绍：
采集数据的设备照片
变压器在电力系统中扮演着非常重要的角色。尽管它们是电网中最可靠的部件，但由于内部或外部的许多因素，它们也容易发生故障。可能有许多启动器会导致变压器故障，但可能导致灾难性故障的启动器如下：机械故障，电介质故障等
这些数据是从2019年6月25日到2020年4月14日通过物联网设备收集的，每15分钟更新一次。
第一个文件打开 （10列特征）
第二个文件打开 （6列特征，最后一列是标签，正常状态为0，故障为1）
参数说明：
电流电压：
VL1-相线1
VL2-相线2
VL3-相线3
IL1-电流线路1
IL2-电流线路2
IL3-电流线路3
VL12-电压线1 2
VL23-电压线2 3
VL31-电压线3 1
INUT-中性点电流
概述：
OTI-机油温度指示器
WTI-绕组温度指示器
ATI-环境温度指示器
OLI-油位指示器
OTI_A-油温指示器报警
OTI_T-油温指示器跳闸
MOG_A-标签：正常未0，故障为1.
2.整个代码流程：
-
导入和配置库：导入了所需的数据处理、数据可视化和机器学习相关的库，并进行了matplotlib和seaborn的样式和参数配置。
-
数据预处理：读取了两个CSV文件（Overview.csv和CurrentVoltage.csv），将它们转换为DataFrame，并对其中的日期时间列进行了格式转换。
-
数据合并：将两个DataFrame（tf和cv）根据时间戳列（DeviceTimeStamp）合并为一个新的DataFrame（transformer）。
-
数据可视化：使用matplotlib和seaborn库绘制了多个图表，包括散点图、折线图、计数柱状图和饼图，来可视化不同传感器数据的变化趋势、分布情况等。
-
机器学习模型训练和评估：使用scikit-learn库中的机器学习模型（Logistic Regression、SVM、K-Nearest Neighbors）对数据进行了训练，并进行了模型准确率的评估。具体步骤包括：
- 数据预处理：特征缩放，将特征值缩放到0到1的范围内。
- 训练集和测试集划分：将数据集划分为训练集和测试集。
- 模型训练：分别使用Logistic Regression、SVM和K-Nearest Neighbors模型对训练集进行训练。
- 预测和评估：使用训练好的模型对测试集进行预测，并计算模型的训练准确率和测试准确率。
- 分类报告和混淆矩阵：打印出分类报告，包括精确率、召回率和F1分数等指标，同时绘制混淆矩阵来展示模型的分类结果。
3.原始数据特征展示：
3.1.使用sns.relplot函数绘制tf DataFrame中的OTI、ATI和WTI列的关系图，根据MOG_A列进行着色。
3.2. 绘制油温指示器图
3.3.绘制绕组温度指示器警报图
3.4.绘制油温指示器警报 OTIT 图
3.5.绘制温度指示器行程图
3.6 绘制油位指示器图
3.7.绘制磁性油位指示器图
3.8分别绘制OTI_T列和MOG_A列的计数柱状图和饼图
4.三种不同模型下的诊断准确率（log:逻辑回归，svc:支持向量机，knn方法）
训练集和测试集的特征输入。
训练集和测试集的标签输入。
三种方法下测试集的混淆矩阵
数据和代码放在了压缩包里，下载后无需修改数据路径，解压缩后直接运行
import numpy as np # 导入NumPy库用于数值计算
import pandas as pd # 导入Pandas库用于数据处理和CSV文件读写
import os # 导入os库用于操作系统相关功能
for dirname, _, filenames in os.walk('/data'):
for filename in filenames:
print(os.path.join(dirname, filename))
import pandas as pd # 导入Pandas库
import numpy as np # 导入NumPy库
import seaborn as sns # 导入Seaborn库用于数据可视化
import matplotlib.pyplot as plt # 导入Matplotlib库用于绘图
import datetime # 导入datetime库用于日期时间处理
import warnings # 导入warnings库用于警告管理
from matplotlib import pyplot as plt
#压缩包：https://mbd.pub/o/bread/ZJybm5dq
