CN111860940B - 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 - Google Patents
一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 Download PDFInfo
- Publication number
- CN111860940B CN111860940B CN202010491391.7A CN202010491391A CN111860940B CN 111860940 B CN111860940 B CN 111860940B CN 202010491391 A CN202010491391 A CN 202010491391A CN 111860940 B CN111860940 B CN 111860940B
- Authority
- CN
- China
- Prior art keywords
- data
- logistic regression
- power
- working
- coal mine
- 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.)
- Active
Links
- 238000007477 logistic regression Methods 0.000 title claims abstract description 44
- 239000003245 coal Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及煤矿配电网络技术领域，涉及一种基于逻辑回归算法的煤矿配电网络停电事故预测方法。其包括：步骤S1、通过煤矿配电网络的SCADA系统收集多个电力设备的工作电流，工作电压、工作时长及其停电记录信息；步骤S2、搭建Hadoop集群并录入步骤S1中收集的数据；步骤S3、搭建Spark集群，对步骤S2中的数据进行提取和预处理，并生成数据矩阵集合；步骤S4、根据步骤S3中获取的数据矩阵集合，针对每个电力设备均构建逻辑回归模型；步骤S5、将步骤S1中获取的最新数据代入步骤S4中构建的逻辑回归模型中，对每个电力设备的停电概率进行预测。本发明能够较佳地针对煤矿配电网络中的单个电力设备进行预测模型搭建，并实现单个电力设备停电概率的预测。
Description
技术领域
本发明涉及煤矿配电网络技术领域，具体地说，涉及一种基于逻辑回归算法的煤矿配电网络停电事故预测方法。
背景技术
煤矿企业的停电对于矿区作业的影响十分严重，往往突入其来的停电事故中，电力监控室的工作人员无法立即寻找出解决方案，进而会导致矿区作业设备停止工作，进而产生严重的后果，如矿区内的抽风机设备停止工作会导致作业区煤矿矿底出现氧气含量下降和有害气体的累积的危险，危害矿工生命。
故提前预测停电事故的概率有助于电力监控室工作人员提前对可能发生停电事故的设备进行人工检查，提前预防可能出现的停电事故，提前设定配电方案。而现有技术中再次领域缺乏相关的解决方案。
发明内容
本发明提供了一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其包括如下步骤：
步骤S1、通过煤矿配电网络的SCADA系统收集多个电力设备的工作电流，工作电压、工作时长及其停电记录信息；
步骤S2、搭建Hadoop集群并录入步骤S1中收集的数据，录入的数据内容包括每个电力设备的设备名称以及相对应的工作时长、工作电压、工作电流和停电记录，且每次录入的数据以单个电力设备进行归类；
步骤S3、搭建Spark集群，对步骤S2中的数据进行提取和预处理，并生成数据矩阵集合；
步骤S4、根据步骤S3中获取的数据矩阵集合，针对每个电力设备均构建逻辑回归模型；
步骤S5、将步骤S1中获取的最新数据代入步骤S4中构建的逻辑回归模型中，对每个电力设备的停电概率进行预测。
作为优选，步骤S1中所述的多个电力设备包括输电线路、柱上配电变压器、发电设备、断路器、负荷开关、熔断器、隔离开关、重合器、分段器、开关站、环网单元、箱变和电缆分接箱中的一个或多个。
作为优选，步骤S3中的数据预处理包括数据清洗，数据清洗包括对明显异常数据、工作时长数据、工作电压数据和工作电流数据的处理。
作为优选，对明显异常数据的处理，包括通过莱茵达准则将明显异常数据剔除。
作为优选，对工作时长数据的处理，包括以对应电力设备最后一次维护时间作为开始时间进行计算工作时长。
作为优选，对工作电压数据(v1v2v3v4...vn)和工作电流数据(i1i2i3i4...in)的处理包括如下步骤，
步骤S31、计算工作电压数据和工作电流数据的算术平均值 其中X表示电压或电流；
步骤S32、计算工作电压数据和工作电流数据的剩余误差VI，
步骤S33、根据贝塞尔法计算工作电压数据和工作电流数据的均方根偏差o，
步骤S34、若任一工作电压数据满足则Vi为粗大误差数据，将被舍弃，若任一工作电压数据满足/>则Vi为正常误差内数据，将被保留；若任一工作电流数据满足/>则Ii为粗大误差数据，将被舍弃，若任一工作电流数据满足则Ii为正常误差内数据，将被保留。
作为优选，步骤S4中，构建逻辑回归模型具体包括如下步骤，
步骤S41、将步骤3中获取的对应电力设备的数据矩阵集合的70％的数据作为训练集，训练集用于注入逻辑回归算法中生成对应电力设备的逻辑回归模型；剩余30％的数据作为数据集，数据集用于测试所生成模型的质量；
步骤S42、根据Sigmoid函数，定义逻辑回归模型的预测函数为其中θT为条件概率的参数矩阵，x为一组工作时长、工作电压、工作电流和停电记录的数据矩阵；
步骤S43、根据预测结果是一个二分类结果，这里将预测函数进行整合得到样本函数，样本函数为P(Y|X；θ)＝(hθ(x))y(1-hθ))1-y；
步骤S44、根据逻辑回归的极大似然估计法来进行参数矩阵的获取，将得到的样本函数相乘得到似然函数将似然函数转化为对数似然函数/>
步骤S45、将步骤S41中获取的训练集代入对数似然函数中，计算对数似然函数的最大值，最大值表示的最大的概率，再通过使用梯度下降算法，来计算误差的最小值；对对数似然函数进行求解，通过对数似然函数求偏导得到更新方向进而获取更新函数为/>其中，通过梯度下降方法定义误差为预测值和真实值的差值，通过迭代完成对参数矩阵的更新，进而获取逻辑回归模型最优的参数；
步骤S46、采用K折验证法获取最优逻辑回归模型。
作为优选，步骤S46中，通过将数据集数据分成K份，循环K论得到数据模型，每次剩余的1份用于验证模型质量，以最佳质量的模型作为最优模型。
通过上述方案，是的本发明具有如下效果：
1、通过对煤矿企业配电网络大量数据的收集，并以大数据的技术通过训练逻辑回归算法建立预测模型，能够将煤矿配电网络的即时数据注入模型中，得出停电事故的预测结果，可较佳地实现全天候的对煤矿配电网络的工作进行监督，预测可能发生的停电事故，防止突如其来的停电事故对矿区作业造成危害；
2、通过对煤矿配电网络历史数据的收集和利用，能够将大批量数据录入分布式的Hadoop(分布式文件系统)集群中进行保存，再通过部署的Spark(计算引擎)集群对数据进行快速的获取，遍历，形成数据集。得到数据集后，通过对数据集进行数据清洗得到合格的可用于生成预测模型的数据集。再通过向算法中注入数据集训练出预测模型，通过将模型调优，选出最优模型，再将煤矿配电网络系统的即时数据注入模型，通过模型给予的结果预测停电事故发生的概率。从而可以预测可能发生停电事故的位置，时间，帮助电力监控人员有针对的对配电网络设备进行检查，维护，有效降低停电概率。
3、能够较佳地充分利用煤矿配电网络的大量历史数据，以每个电力设备作为一个位置点，通过对每个设备的历史工作电压、历史工作电流、历史工作时长以及发生停电事故的信息来构建特征体系，从而能够较佳地实现对每个电力设备的单独预测；
4、通过使用Hadoop和Spark的集群技术，使大批量数据的计算处理更加有效率；
5、由于针对每个电力设备的相关数据均进行数据建模和构建数据模型，并根据电力设备的具体情况进行具体分析，故预测结果可信度高，且使用算法简洁干练高效实用，预测结果与现实场景匹配度高。
附图说明
图1为实施例1中的煤矿配电网络停电事故预测方法的流程示意图；
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1所示，本实施例提供了一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其包括如下步骤：
步骤S1、通过煤矿配电网络的SCADA系统收集多个电力设备的工作电流，工作电压、工作时长及其停电记录信息；
步骤S2、搭建Hadoop集群并录入步骤S1中收集的数据，录入的数据内容包括每个电力设备的设备名称以及相对应的工作时长、工作电压、工作电流和停电记录，且每次录入的数据以单个电力设备进行归类；
步骤S3、搭建Spark集群，对步骤S2中的数据进行提取和预处理，并生成数据矩阵集合；
步骤S4、根据步骤S3中获取的数据矩阵集合，针对每个电力设备均构建逻辑回归模型；
步骤S5、将步骤S1中获取的最新数据代入步骤S4中构建的逻辑回归模型中，对每个电力设备的停电概率进行预测。
本实施例中，通过对煤矿企业配电网络大量数据的收集，并以大数据的技术通过训练逻辑回归算法建立预测模型，能够将煤矿配电网络的即时数据注入模型中，得出停电事故的预测结果，可较佳地实现全天候的对煤矿配电网络的工作进行监督，预测可能发生的停电事故，防止突如其来的停电事故对矿区作业造成危害。
其中，通过对煤矿配电网络历史数据的收集和利用，能够将大批量数据录入分布式的Hadoop(分布式文件系统)集群中进行保存，再通过部署的Spark(计算引擎)集群对数据进行快速的获取，遍历，形成数据集。得到数据集后，通过对数据集进行数据清洗得到合格的可用于生成预测模型的数据集。再通过向算法中注入数据集训练出预测模型，通过将模型调优，选出最优模型，再将煤矿配电网络系统的即时数据注入模型，通过模型给予的结果预测停电事故发生的概率。从而可以预测可能发生停电事故的位置，时间，帮助电力监控人员有针对的对配电网络设备进行检查，维护，有效降低停电概率。
本实施例中，步骤S1中所述的多个电力设备包括输电线路、柱上配电变压器、发电设备、断路器、负荷开关、熔断器、隔离开关、重合器、分段器、开关站、环网单元、箱变和电缆分接箱中的一个或多个。
本实施例中，能够较佳地充分利用煤矿配电网络的大量历史数据，以每个电力设备作为一个位置点，通过对每个设备的历史工作电压、历史工作电流、历史工作时长以及发生停电事故的信息来构建特征体系，从而能够较佳地实现对每个电力设备的单独预测。
其中，通过使用Hadoop和Spark的集群技术，使大批量数据的计算处理更加有效率。
并且由于本实施例中的针对每个电力设备的相关数据均进行数据建模和构建数据模型，并根据电力设备的具体情况进行具体分析，故预测结果可信度高，且使用算法简洁干练高效实用，预测结果与现实场景匹配度高。
本实施例中，步骤S3中的数据预处理包括数据清洗，数据清洗包括对明显异常数据、工作时长数据、工作电压数据和工作电流数据的处理。从而能够较佳地实现数据的预处理。
本实施例中，对明显异常数据的处理，包括通过莱茵达准则将明显异常数据剔除。故能够较佳的对异常数据进行剔除。
本实施例中，对工作时长数据的处理，包括以对应电力设备最后一次维护时间作为开始时间进行计算工作时长。故能够较准确地获取相关电力设备的正常工作时长。
本实施例中，对工作电压数据(v1v2v3v4...vn)和工作电流数据(i1i2i3i4...in)的处理包括如下步骤，
步骤S31、计算工作电压数据和工作电流数据的算术平均值 其中X表示电压或电流；
步骤S32、计算工作电压数据和工作电流数据的剩余误差VI，
步骤S33、根据贝塞尔法计算工作电压数据和工作电流数据的均方根偏差o，
步骤S34、若任一工作电压数据满足则Vi为粗大误差数据，将被舍弃，若任一工作电压数据满足/>则Vi为正常误差内数据，将被保留；若任一工作电流数据满足/>则Ii为粗大误差数据，将被舍弃，若任一工作电流数据满足则Ii为正常误差内数据，将被保留。
本实施例中，通过对数据的预处理，能够较佳地便于后续预测模型的建立。
本实施例中，步骤S4中，构建逻辑回归模型具体包括如下步骤，
步骤S41、将步骤3中获取的对应电力设备的数据矩阵集合的70％的数据作为训练集，训练集用于注入逻辑回归算法中生成对应电力设备的逻辑回归模型；剩余30％的数据作为数据集，数据集用于测试所生成模型的质量；
步骤S42、根据Sigmoid函数，定义逻辑回归模型的预测函数为其中θT为条件概率的参数矩阵，x为一组工作时长、工作电压、工作电流和停电记录的数据矩阵；
步骤S43、根据预测结果是一个二分类结果，这里将预测函数进行整合得到样本函数，样本函数为P(Y|X；θ)＝(hθ(x))y(1-hθ))1-y；
步骤S44、根据逻辑回归的极大似然估计法来进行参数矩阵的获取，将得到的样本函数相乘得到似然函数将似然函数转化为对数似然函数/>
步骤S45、将步骤S41中获取的训练集代入对数似然函数中，计算对数似然函数的最大值，最大值表示的最大的概率，再通过使用梯度下降算法，来计算误差的最小值；对对数似然函数进行求解，通过对数似然函数求偏导得到更新方向进而获取更新函数为/>其中，通过梯度下降方法定义误差为预测值和真实值的差值，通过迭代完成对参数矩阵的更新，进而获取逻辑回归模型最优的参数；
步骤S46、采用K折验证法获取最优逻辑回归模型。
本实施例中，通过使用Sigmoid函数为来帮助实现模型结果从实数值到0/1的转化，Sigmoid函数的取值范围为(0，1)，这里使用该函数将模型结果映射到Sigmoid函数结果中，实现二分类效果，将计算结果大于等于0.5的归纳为1，将计算结果小于0.5的归纳为0。
其中，步骤S46中，通过将数据集数据分成K份，循环K论得到数据模型，每次剩余的1份用于验证模型质量，以最佳质量的模型作为最优模型。
本实施例中，通过对收集的数据进行预处理，对模型算法参数进行迭代调优，使用K折交叉验证法筛选最优模型，从而能够较佳地获取逻辑回归模型，通过模型对即时数据的计算，能够较佳地通过预测结果来预测相应电力设备发生的停电事故的概率。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (5)
1.一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其包括如下步骤：
步骤S1、通过煤矿配电网络的SCADA系统收集多个电力设备的工作电流，工作电压、工作时长及其停电记录信息；
步骤S2、搭建Hadoop集群并录入步骤S1中收集的数据，录入的数据内容包括每个电力设备的设备名称以及相对应的工作时长、工作电压、工作电流和停电记录，且每次录入的数据以单个电力设备进行归类；
步骤S3、搭建Spark集群，对步骤S2中的数据进行提取和预处理，并生成数据矩阵集合；
步骤S4、根据步骤S3中获取的数据矩阵集合，针对每个电力设备均构建逻辑回归模型；
步骤S5、将步骤S1中获取的最新数据代入步骤S4中构建的逻辑回归模型中，对每个电力设备的停电概率进行预测；
步骤S3中的数据预处理包括数据清洗，数据清洗包括对明显异常数据、工作时长数据、工作电压数据和工作电流数据的处理；
对工作电压数据(v1v2v3v4...vn)和工作电流数据(i1i2i3i4...in)的处理包括如下步骤，
步骤S31、计算工作电压数据和工作电流数据的算术平均值 其中X表示电压或电流；
步骤S32、计算工作电压数据和工作电流数据的剩余误差VI，
步骤S33、根据贝塞尔法计算工作电压数据和工作电流数据的均方根偏差o，
步骤S34、若任一工作电压数据满足则Vi为粗大误差数据，将被舍弃，若任一工作电压数据满足/>则Vi为正常误差内数据，将被保留；若任一工作电流数据满足/>则Ii为粗大误差数据，将被舍弃，若任一工作电流数据满足/>则Ii为正常误差内数据，将被保留；
步骤S4中，构建逻辑回归模型具体包括如下步骤，
步骤S41、将步骤3中获取的对应电力设备的数据矩阵集合的70％的数据作为训练集，训练集用于注入逻辑回归算法中生成对应电力设备的逻辑回归模型；剩余30％的数据作为数据集，数据集用于测试所生成模型的质量；
步骤S42、根据Sigmoid函数，定义逻辑回归模型的预测函数为其中θT为条件概率的参数矩阵，x为一组工作时长、工作电压、工作电流和停电记录的数据矩阵；
步骤S43、根据预测结果是一个二分类结果，这里将预测函数进行整合得到样本函数，样本函数为P(Y|X；θ)＝(hθ(x))y(1-hθ))1-y；
步骤S44、根据逻辑回归的极大似然估计法来进行参数矩阵的获取，将得到的样本函数相乘得到似然函数将似然函数转化为对数似然函数
步骤S45、将步骤S41中获取的训练集代入对数似然函数中，计算对数似然函数的最大值，最大值表示的最大的概率，再通过使用梯度下降算法，来计算误差的最小值；对对数似然函数进行求解，通过对数似然函数求偏导得到更新方向进而获取更新函数为/>其中，通过梯度下降方法定义误差为预测值和真实值的差值，通过迭代完成对参数矩阵的更新，进而获取逻辑回归模型最优的参数；
步骤S46、采用K折验证法获取最优逻辑回归模型。
2.根据权利要求1所述的一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其特征在于：步骤S1中所述的多个电力设备包括输电线路、柱上配电变压器、发电设备、断路器、负荷开关、熔断器、隔离开关、重合器、分段器、开关站、环网单元、箱变和电缆分接箱中的一个或多个。
3.根据权利要求1所述的一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其特征在于：对明显异常数据的处理，包括通过莱茵达准则将明显异常数据剔除。
4.根据权利要求1所述的一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其特征在于：对工作时长数据的处理，包括以对应电力设备最后一次维护时间作为开始时间进行计算工作时长。
5.根据权利要求1所述的一种基于逻辑回归算法的煤矿配电网络停电事故预测方法，其特征在于：步骤S46中，通过将数据集数据分成K份，循环K轮得到数据模型，每次剩余的1份用于验证模型质量，以最佳质量的模型作为最优模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010491391.7A CN111860940B (zh) | 2020-06-02 | 2020-06-02 | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010491391.7A CN111860940B (zh) | 2020-06-02 | 2020-06-02 | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860940A CN111860940A (zh) | 2020-10-30 |
| CN111860940B true CN111860940B (zh) | 2024-03-19 |
Family
ID=72985423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010491391.7A Active CN111860940B (zh) | 2020-06-02 | 2020-06-02 | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860940B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533320B (zh) * | 2019-08-28 | 2023-05-02 | 广东电网有限责任公司 | 一种基于Hadoop平台的电力设备停电计划编制方法 |
| CN113205219A (zh) * | 2021-05-12 | 2021-08-03 | 大连大学 | 一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法 |
| CN113762619B (zh) * | 2021-09-08 | 2023-07-28 | 国家电网有限公司 | 配电物联网用户负荷识别方法、系统、设备和存储介质 |
| CN115456210B (zh) * | 2022-08-22 | 2024-04-12 | 国网浙江省电力有限公司杭州市临安区供电公司 | 一种基于级联逻辑回归贝叶斯算法的用电投诉预警方法 |
| CN115775630A (zh) * | 2023-02-10 | 2023-03-10 | 北京海思瑞格科技有限公司 | 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力系统稳定特征自动提取方法及装置 |
| CN107392479A (zh) * | 2017-07-27 | 2017-11-24 | 国网河南省电力公司电力科学研究院 | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 |
| CN109299740A (zh) * | 2018-09-28 | 2019-02-01 | 北京赛博贝斯数据科技有限责任公司 | 一种逻辑回归模型的构建方法及系统 |
| CN111126658A (zh) * | 2019-11-15 | 2020-05-08 | 太原理工大学 | 一种基于深度学习的煤矿瓦斯预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069535B (zh) * | 2015-08-19 | 2020-07-24 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
-
2020
- 2020-06-02 CN CN202010491391.7A patent/CN111860940B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力系统稳定特征自动提取方法及装置 |
| CN107392479A (zh) * | 2017-07-27 | 2017-11-24 | 国网河南省电力公司电力科学研究院 | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 |
| CN109299740A (zh) * | 2018-09-28 | 2019-02-01 | 北京赛博贝斯数据科技有限责任公司 | 一种逻辑回归模型的构建方法及系统 |
| CN111126658A (zh) * | 2019-11-15 | 2020-05-08 | 太原理工大学 | 一种基于深度学习的煤矿瓦斯预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 煤矿灾害风险预警的方法及模型;黄竟文;;矿业安全与环保;第39卷(第04期);第85-87、90、91页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860940A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860940B (zh) | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 | |
| CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| KR102516553B1 (ko) | 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체 | |
| CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
| CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
| CN106144819B (zh) | 电梯的预诊断方法及装置 | |
| JP2013538543A (ja) | 送電網用の機械学習 | |
| CN116032293B (zh) | 一种具有主动响应功能的社区电力安全管理系统 | |
| CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN106837707A (zh) | 一种基于故障模型触发的自动故障诊断系统 | |
| Lin et al. | Condition-based maintenance for traction power supply equipment based on partially observable Markov decision process | |
| CN111339661B (zh) | 一种高压电缆巡检周期自动规划方法 | |
| CN112633611A (zh) | 基于大数据分析的海底电缆状态检修策略优化方法及系统 | |
| Wang et al. | Research on reliability evaluation method of catenary of high speed railway considering weather condition | |
| CN112287624A (zh) | 基于生存分析加go法的继电保护系统可靠性评价方法 | |
| Ulukus et al. | Optimal replacement policies under environment-driven degradation | |
| Nan et al. | Multilayer hybrid modeling framework for the performance assessment of interdependent critical infrastructures | |
| Hong et al. | Data integrity attacks against outage management systems | |
| CN114777959A (zh) | 电缆沟状态监测方法及装置、存储介质、终端 | |
| JP2018119871A (ja) | 事故予測装置、事故予測装置の制御方法及びプログラム | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| JP2017139031A (ja) | 発電設備に対する収益分析装置およびその方法、ならびにプログラム | |
| Maggioli et al. | A survey of the Portuguese MV underground cable failure |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240122 Address after: Room A090, Jian'an Co Creator Space Office Card, No. A701, Zone A, Guangzhou International Business Incubator, No. 3 Juquan Road, Science City, Huangpu District, Guangzhou City, Guangdong Province, 510670 Applicant after: Guangzhou chick Information Technology Co.,Ltd. Country or region after: China Address before: 046204 No. 65 North East Street, Changzhi City, Shanxi Province Applicant before: SHANXI LU'AN ENVIRONMENTAL ENERGY DEVELOPMENT Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240202 Address after: 430000, Room 03, 28th Floor, Building 2, Block K3, Central Cultural Tourism Zone, Wuchang District, Wuhan City, Hubei Province Applicant after: Hubei Lingyun Electric Power Construction Co.,Ltd. Country or region after: China Address before: Room A090, Jian'an Co Creator Space Office Card, No. A701, Zone A, Guangzhou International Business Incubator, No. 3 Juquan Road, Science City, Huangpu District, Guangzhou City, Guangdong Province, 510670 Applicant before: Guangzhou chick Information Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |