CN105447507A - 一种基于云平台和核极限学习机的电器状态检测方法 - Google Patents
一种基于云平台和核极限学习机的电器状态检测方法 Download PDFInfo
- Publication number
- CN105447507A CN105447507A CN201510757069.3A CN201510757069A CN105447507A CN 105447507 A CN105447507 A CN 105447507A CN 201510757069 A CN201510757069 A CN 201510757069A CN 105447507 A CN105447507 A CN 105447507A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud platform
- equipment
- prediction
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所提供的一种基于云平台和核极限学习机的电器状态检测方法主要由历史数据获取、数据预处理、训练、预测和用户通知等5个步骤组成。依靠电力数据采集节点,稳定地传输数据,将设备的数据传送到云平台,依靠云平台,综合运用大数据处理技术和机器学习技术等,能够高效地处理数据,及时的高准确性的预测数据。让用户实时了解电器设备的实时状态,必要时给用户预警,将火灾等隐患扼杀在摇篮。
Description
技术领域
本发明涉及云计算技术、无线传感网技术、机器学习技术,属于大数据处理领域,更具体地说,是一种基于云平台和核极限学习机的电器状态检测方法。
背景技术
传统的电器设备状态检测方法是依靠电表、万能表能进行电器状态的检测。此外,很多情况下,用户是不会去检测电器设备的状态的。电器设备随着时代的发展在爆发式的增长,品牌越来越多,质量参差不齐,依靠传统的检测去检测电器设备状态已经变越来越不现实。
缺少快速、高效的检测方法,有时候,是很危险的。如电热毯等,一旦老化,很可能存在安全隐患,甚至危害到人身和财产的安全,但是传统的检测方法在这个时代,却又未必是可行的。
一种基于云平台和核极限学习机的电器状态检测方法,依靠电力数据采集节点,稳定地传输数据,将设备的数据传送到云平台,依靠云平台,综合运用大数据处理技术和机器学习技术等,能够高效地处理数据,及时的高准确性的预测数据。让用户实时了解电器设备的实时状态,必要时给用户预警,将火灾等隐患扼杀在摇篮。
发明内容
本发明的目的是提供一种基于云平台和核极限学习机的电器状态检测方法,解决了传统检测方法消耗人力的不足。随着时代的发展已经变得越来越不可行。
本发明所提供的一种基于云平台和核极限学习机的电器状态检测方法主要由历史数据获取、数据预处理、训练、预测和用户通知等5个步骤组成。
步骤1:历史数据获取
我们的历史数据获取工作通过从各个生产厂商、大型商场或者通过电力数据采集的传感器进行,大量历史数据的采集,主要采集的项目包括,电流,电压和电功率等。其次,需要获取的数据还包括:设备型号,设备厂商,设备工作频率等。数据获取成功之后,我们将大量数据或者传感器采集的高频数据上传到云平台。
步骤2:数据预处理
历史数据上传云平台后,我们依托云平台的快速处理数据优势,进行高效的数据预处理。具体来说包括以下按步骤:
(21)设备分类:对现有的数据集进行分类,分类依据为设备的工作频率,依托一些分类算法进行设备的分类。可以使用的算法如:决策树算法、KNN算法和朴素贝叶斯算法等,形成多个数据集;
(22)状态分类:按分类后设备的数据集,在进行设备状态的分类。
以上3个步骤的大前提是已经收集了大量数据。
步骤3:训练与预测
具体步骤如下:
(31)对数据预处理后的多个数据集,进行训练,具体的方法是在云平台上采用核极限学习机;
(32)对用户最新通过电力采集节点上传的数据,用核极限学习机进行预测。
步骤4:设备状态确定
将预测的结果输出,与对应设备状态的数据集中的数据进行比对,从而获取当前的设备状态。
步骤5:用户通知
处理完数据后,通知用户,默认的可以隔一定时间间隔通知,紧急情况下,立即通知用户。
有益效果
本方法依靠电力数据采集节点,稳定地传输数据,将设备的数据传送到云平台,依靠云平台,综合运用大数据处理技术和机器学习技术等,能够高效地处理数据,及时的高准确性的预测数据。让用户实时了解电器设备的实时状态,必要时给用户预警,将火灾等隐患扼杀在摇篮。
附图说明
图1为一种基于云平台和核极限学习机的电器状态检测方法实现的流程图。
图2为某品牌电脑显示器不同状态功率。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。以下结合南京信息工程大学计算机与软件学院某实验室实际部署情况为例来说明本发明。
实验环境:所述的云平台由1个主节点、1个第二主节点、18个从节点组成,10个从节点由18台硬盘为500GB、内存为2GB的物理机器、8台虚拟机组成,虚拟机通过VirtualPC软件实现。5台配置为20GB硬盘、4GB内存,3台配置为500GB硬盘、8GB内存。整个集群基于Hadoop-2.6能稳定运行。
本发明所提供的一种基于云平台和核极限学习机的电器状态检测方法,如图1所示主要由历史数据获取、数据预处理、训练、预测和用户通知等5个步骤组成,如图1中所示:
步骤1:历史数据获取
我们的历史数据获取工作通过从各个生产厂商、大型商场或者通过电力数据采集的传感器进行,大量历史数据的采集,主要采集的项目包括,电流,电压和电功率等。其次,需要获取的数据还包括:设备型号,设备厂商,设备工作频率等。数据获取成功之后,我们将大量数据或者传感器采集的高频数据上传到云平台。
步骤2:数据预处理
历史数据上传云平台后,我们依托云平台的快速处理数据优势,进行高效的数据预处理。具体来说包括以下按步骤:
(21)设备分类:对现有的数据集进行分类,分类依据为设备的工作频率,依托一些分类算法进行设备的分类。可以使用的算法如:决策树算法、KNN算法和朴素贝叶斯算法等,形成多个数据集;
(22)状态分类:按分类后设备的数据集,在进行设备状态的分类。
以上3个步骤的大前提是已经收集了大量数据。
步骤3:训练与预测
具体步骤如下:
(31)对数据预处理后的多个数据集,进行训练,具体的方法是在云平台上采用核极限学习机;核及学习机中的2个参数通过基本MapReduce的遗传算法实现,将该算法运行在云平台上,大大缩短了因遗传代数很大导致的参数寻优时间加长。
(32)当用户最新的数据上传到云平台是,将遗传算法所得参数运用与核极限学习机进行预测,能够大大缩短预测数据所消耗掉的时间。
步骤4:设备状态确定
将预测的结果输出,与对应设备状态的数据集中的数据进行比对,从而获取当前的设备状态。
其中,Datai代表数据的某电器的功率,代表数据的最大功率的平均值。如图2所示,如果连续测得的数据都大于该状态下平均值的1.2倍,我们就认为设备开始老化,如果测得的数据和机器危险时候产生的数据相近时,则个用户预警通知。以具体的某品牌显示器为例,划分等级如图2所示。若显示器关闭状态下,我们测得功率大于25W我们认为显示器开始老化;常规情况下,电器损坏后功率都是当超过60W时,当然这个数据也可能会因为季节等原因小幅度变化的,因而当功率达到60W时,我们认为显示器可能损坏了,其余状态下类似。
步骤5:用户通知
处理完数据后,通知用户,默认的可以隔一定时间间隔通知,紧急情况下,立即通知用户。通知的方式具体是通过我们的采集节点实现的,当异常时,传感器发出连续的的“滴滴声”。
Claims (1)
1.一种基于云平台和核极限学习机的电器状态检测方法,其特征在于,包括以下步骤:
步骤1:历史数据获取
数据获取工作通过从各个生产厂商、大型商场或者通过电力数据采集的传感器进行,大量历史数据的采集,采集的项目包括,电流,电压和电功率;获取的数据还包括:设备型号,设备厂商,设备工作频率;数据获取成功之后,将大量数据或者传感器采集的高频数据上传到云平台;
步骤2:数据预处理
历史数据上传云平台后,依托云平台的快速处理数据优势,进行数据预处理,具体包括以下步骤:
(21)设备分类:对现有的数据集进行分类,分类依据为设备的工作频率,依托分类算法进行设备的分类;
(22)状态分类:按分类后设备的数据集,在进行设备状态的分类;
步骤3:训练与预测
具体步骤如下:
(31)对数据预处理后的多个数据集,进行训练,具体的方法是在云平台上采用核极限学习机;
(32)对用户最新通过电力采集节点上传的数据,用核极限学习机进行预测;
步骤4:设备状态确定
将预测的结果输出,与对应设备状态的数据集中的数据进行比对,从而获取当前的设备状态;
步骤5:用户通知
处理完数据后,通知用户,默认的间隔通知;紧急情况下,立即通知用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757069.3A CN105447507A (zh) | 2015-11-09 | 2015-11-09 | 一种基于云平台和核极限学习机的电器状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757069.3A CN105447507A (zh) | 2015-11-09 | 2015-11-09 | 一种基于云平台和核极限学习机的电器状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447507A true CN105447507A (zh) | 2016-03-30 |
Family
ID=55557666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510757069.3A Pending CN105447507A (zh) | 2015-11-09 | 2015-11-09 | 一种基于云平台和核极限学习机的电器状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447507A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929216A (zh) * | 2016-04-08 | 2016-09-07 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN112067632A (zh) * | 2020-06-04 | 2020-12-11 | 西南交通大学 | 一种电力设备检测云平台及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080873A1 (en) * | 2006-09-29 | 2008-04-03 | Xerox Corporation | Systems and methods for remote diagnostics of devices |
CN102072829A (zh) * | 2010-11-04 | 2011-05-25 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
CN102629340A (zh) * | 2012-03-06 | 2012-08-08 | 常州节安得能源科技有限公司 | 能效人工智能分析系统 |
CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家系统的智能水资源管控平台 |
CN104391489A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种多总线能源监测管理系统 |
-
2015
- 2015-11-09 CN CN201510757069.3A patent/CN105447507A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080873A1 (en) * | 2006-09-29 | 2008-04-03 | Xerox Corporation | Systems and methods for remote diagnostics of devices |
CN102072829A (zh) * | 2010-11-04 | 2011-05-25 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
CN102629340A (zh) * | 2012-03-06 | 2012-08-08 | 常州节安得能源科技有限公司 | 能效人工智能分析系统 |
CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家系统的智能水资源管控平台 |
CN104391489A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种多总线能源监测管理系统 |
Non-Patent Citations (1)
Title |
---|
马超等: "在线核极限学习机及其在时间序列预测中的应用", 《信息与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929216A (zh) * | 2016-04-08 | 2016-09-07 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN105929216B (zh) * | 2016-04-08 | 2019-04-19 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN112067632A (zh) * | 2020-06-04 | 2020-12-11 | 西南交通大学 | 一种电力设备检测云平台及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7030777B2 (ja) | バッテリ管理システム | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN106528951B (zh) | 一种动力电池寿命预测及安全预警的方法和装置 | |
CN102629904B (zh) | 一种网络水军的探测与判定方法 | |
CN107273273A (zh) | 一种分布式集群硬件故障预警方法及系统 | |
CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及系统 | |
CN105447507A (zh) | 一种基于云平台和核极限学习机的电器状态检测方法 | |
Robles-Durazno et al. | A supervised energy monitoring-based machine learning approach for anomaly detection in a clean water supply system | |
CN106023643A (zh) | 一种基于物联网的新型车辆检测装置 | |
CN114358106A (zh) | 系统异常检测方法、装置、计算机程序产品及电子设备 | |
CN103412542A (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
WO2019071438A1 (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN103063252A (zh) | 基于高密度状态采集的数据中心运行状态综合评估方法 | |
CN103034207A (zh) | 一种基础设施健康监测系统及其实施过程 | |
CN106227127A (zh) | 发电设备智能监控装置和监控方法 | |
CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
CN105958652A (zh) | 基于大数据分析的无人值守变电站预警系统及方法 | |
CN116754888A (zh) | 一种基于大数据的低压配电柜实时状态监测系统及方法 | |
CN105894706B (zh) | 一种森林火灾预测方法及其系统 | |
CN103237080A (zh) | 一种风力发电机组的远程故障信息处理方法 | |
CN104849665B (zh) | 一种确定蓄电池安全放电时长的方法及装置 | |
KR101686703B1 (ko) | 네트워크 플로우 모니터링을 통한 개인 맞춤형 스마트 에너지 절약 시스템 | |
Ma et al. | Smart grid-oriented oil-immersed transformer capacity estimation and early warning mechanism based on self-adapting forecasting model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160330 |
|
WD01 | Invention patent application deemed withdrawn after publication |