CN112862126A - 一种基于决策树的智能变电站二次设备消缺的推荐方法 - Google Patents
一种基于决策树的智能变电站二次设备消缺的推荐方法 Download PDFInfo
- Publication number
- CN112862126A CN112862126A CN202110240482.8A CN202110240482A CN112862126A CN 112862126 A CN112862126 A CN 112862126A CN 202110240482 A CN202110240482 A CN 202110240482A CN 112862126 A CN112862126 A CN 112862126A
- Authority
- CN
- China
- Prior art keywords
- information
- decision tree
- equipment
- intelligent substation
- secondary equipment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003066 decision tree Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 title claims abstract description 14
- 230000008030 elimination Effects 0.000 title description 3
- 238000003379 elimination reaction Methods 0.000 title description 3
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于决策树的智能变电站二次设备消缺的推荐方法。提供了一种提升现场工作人员排查故障设备的准确率,提高了工作效率的基于决策树的智能变电站二次设备消缺的推荐方法。包括以下步骤:S1、将设备历史出现异常的相关数据进行汇总,筛选属性;S2、基于历史数据计算信息量;S3、根据信息量大小以及权重占比决定下一步要检查的设备。本发明在工作中,利用深度学习中决策树相关技术将变电站中需要用到的大量消除缺陷的方法整理,分类,归集,以便于现场工作人员根据少量可精确取得的数据,快速在决策树中找到对应的消除缺陷的方法。
Description
技术领域
本发明涉及智能变电站,尤其涉及一种基于决策树的智能变电站二次设备消缺的推荐方法。
背景技术
目前,在进行变电站二次设备消缺时,完全依赖工作人员的经验。当有告警信号进来时,首先根据告警信号判断是一次设备故障还是二次设备故障。如果初步判断是一次设备故障,就不属于二次设备检修能处理的范围,需要联系一次设备的厂家一起解决。如果是二次设备告警信号,首先大体定位缺陷在哪个设备柜,但是出现故障的设备在当前设备柜的上游还是下游无法判断,只能随机拆掉一根线缆,检查告警是否消失,如果消失那么往下游找,如果没消失,那么往上游找,然后重复以上步骤,直到找到具体的故障设备为止。
现有的解决方案,严重依赖工作人员,工作人员的经验是决定能否快速找到故障设备的关键因素,这样导致每个人的工作量不可评估,消除缺陷的时间不可预估等问题的存在。
发明内容
本发明针对以上问题,提供了一种提升现场工作人员排查故障设备的准确率,提高了工作效率的基于决策树的智能变电站二次设备消缺的推荐方法。
本发明的技术方案为:包括以下步骤:
S1、将设备历史出现异常的相关数据进行汇总,筛选属性;
S2、基于历史数据计算信息量;
S3、根据信息量大小以及权重占比决定下一步要检查的设备。
步骤S1中,
所述属性包括检查难易度、距下一设备距离、是否更换工具、故障率以及历史是否发生过故障。
步骤S2中,
计算信息量公式为:Gain(A)=Info(D)-Info_A(D)
式中,Gain(A)为信息的概率,Info(D)为初始计算的信息熵,Info_A(D)为在初始的条件下添加条件得出的信息熵
式中,t为历史总的数据量,y为当前分类下有故障的记录数,n为当前分类下没有故障的记录数;
式中,t为历史总的数据量,at为当前分类下历史总的数据量,ay为当前分类下有故障的记录数,an为当前分类下没有故障的记录数。
步骤S3中,
首先,分别根据检查难易度、距下一设备距离、是否更换工具和故障率计算信息熵;
其次,将检查难易度、距下一设备距离、是否更换工具和故障率各自的信息熵与目标结果的信息值进行比较,获取各自的信息获取量;
然后,比较四个信息获取量,选取最大值作为第一个节点;
最后,选取基准点不断重复以上计算过程并加入各种维度的权重最终将整棵树构建完成得到结果值。
本发明在工作中,利用深度学习中决策树相关技术将变电站中需要用到的大量消除缺陷的方法整理,分类,归集,以便于现场工作人员根据少量可精确取得的数据,快速在决策树中找到对应的消除缺陷的方法。
本发明不仅节省了大量的人力,消除人员的因素,还提高了查找故障设备的效率,使得整个过程有了科学的依据,每个人的工作量可评估,消除缺陷的时间可预估。
附图说明
图1是本发明的流程图,
图2是本发明中以故障率作为第一个节点的示意图,
图3是本发明基于决策树的示意图。
具体实施方式
本发明如图1-3所示,包括以下步骤:
S1:总结过去设备出现异常时的相关数据,筛选出相互影响较小的属性,用来举例说明决策树是如何帮助找到故障设备的。选取属性为:检查难易度、距下一设备距离(实时计算)、是否更换工具(实时计算)、故障率、历史是否发生过故障,并将这部分信息整理成表。
以110kV线路开关SF6压力低告警信号回路故障筛查选取10次故障发生处理记录800条数据如下表:
S2:基于历史数据计算信息量;
计算信息量公式为:Gain(A)=Info(D)-Info_A(D)
公式的含义为通过各个条件计算出检修设备的优先级概率,概率越大说明优先级越高。
式中,Gain(A)为信息的概率,Info(D)为初始计算的信息熵,Info_A(D)为在初始的条件下添加条件得出的信息熵;
式中,t为历史总的数据量,y为当前分类下有故障的记录数,n为当前分类下没有故障的记录数;
在所有的历史数据中通过条件计算出对应类别的信息熵,式中t为历史总的数据量,at为当前分类下历史总的数据量,ay为当前分类下有故障的记录数,an为当前分类下没有故障的记录数。
S3:再根据信息量大小以及权重占比决定下一步要检查的设备;
整理历史数据发现,在800条数据中,有100条是有故障,700条是没故障,则套用计算信息量公式:Gain(A)=Info(D)-Info_A(D)后,如下:
这是没有根据任何的信息得出的目标结果的信息值。
下面,再分别根据检查难易度、距下一设备距离、是否更换工具、故障率、故障的数据单独计算信息熵,以确认每类数据对结果的影响大小。
首先根据检查难易度信息,计算信息熵。
由以上计算可以得出,在没有检查难易度信息的情况下,得出的信息熵为0.5436bits,有检查难易度信息后,得出的信息熵为0.4697bits,差值为:0.0739bits,所以,以检查难易度为分类的信息获取量为0.0739bits。
类似的,Gain(距下一设备距离)=0.0241bits;Gain(是否更换工具)=0.0719bits;Gain(故障率)=0.0745bits;
所以,比较以上四个信息的信息量,故障率最大,所以以故障率作为第一个节点,作图如图2所示;
选取基准点不断重复以上计算过程并加入各种维度的权重最终将整棵树构建完成得到结果值,如图3所示。
由图3中的决策树可知,在实际进行故障检修时,工作人员可以知晓该树的根节点bits值,选取最大的值优先检测,可大大降低现场工作的工作量,并能够给出具体工作的指导,保证了工作人员每一步操作能够获取信息量的最大化,以便与快速找到故障设备。并且,随着数据量的不断增加,整棵决策树也将不断变化并且越来越合理。
本发明中的权重说明:
初始各分类默认权重:是否更换工具权重为0.1,检查难易度权重为0.3,距离下一设备距离权重为0.2,故障率为0.4;
距离:一个柜子内为近,权重为(0.7,0.5,0.333),一个房间内为中,权重为(0.2,0.3,0.333),跨房间为远,权重为(0.1,0.2,0.333);
难易度权重:简单1为(0.7,0.5,0.333),较难2为(0.2,0.3,0.333),
复杂3为(0.1,0.2,0.333);
故障率:大于1/n为高,权重为0.8,低于1/n为低,权重为0.2;
是否更换工具:更换工具权重为(0.8,0.6,0.5),不更换工具权重为(0.2,0.4,0.5);
以上有三个权重的分别对应用户介意程度分别为:非常介意、一般介意、不介意,默认为不介意。
本发明提出的一种利用决策树中计算信息量,快速找到故障设备的方法。即在不同报警信息、不同设备环境下,先检查哪个设备能够带来更多的信息量,也就是更大的价值,能够帮助快速找到出现问题的设备的一种方法。
Claims (4)
1.一种基于决策树的智能变电站二次设备消缺的推荐方法,其特征在于,包括以下步骤:
S1、将设备历史出现异常的相关数据进行汇总,筛选属性;
S2、基于历史数据计算信息量;
S3、根据信息量大小以及权重占比决定下一步要检查的设备。
2.根据权利要求1所述的一种基于决策树的智能变电站二次设备消缺的推荐方法,其特征在于,步骤S1中,
所述属性包括检查难易度、距下一设备距离、是否更换工具、故障率以及历史是否发生过故障。
4.根据权利要求3所述的一种基于决策树的智能变电站二次设备消缺的推荐方法,其特征在于,步骤S3中,
首先,分别根据检查难易度、距下一设备距离、是否更换工具和故障率计算信息熵;
其次,将检查难易度、距下一设备距离、是否更换工具和故障率各自的信息熵与目标结果的信息值进行比较,获取各自的信息获取量;
然后,比较四个信息获取量,选取最大值作为第一个节点;
最后,选取基准点不断重复以上计算过程并加入各种维度的权重最终将整棵树构建完成得到结果值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240482.8A CN112862126B (zh) | 2021-03-04 | 2021-03-04 | 一种基于决策树的智能变电站二次设备消缺的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240482.8A CN112862126B (zh) | 2021-03-04 | 2021-03-04 | 一种基于决策树的智能变电站二次设备消缺的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862126A true CN112862126A (zh) | 2021-05-28 |
CN112862126B CN112862126B (zh) | 2023-10-13 |
Family
ID=75991654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240482.8A Active CN112862126B (zh) | 2021-03-04 | 2021-03-04 | 一种基于决策树的智能变电站二次设备消缺的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862126B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160001375A (ko) * | 2014-06-27 | 2016-01-06 | 부산대학교 산학협력단 | 의사 결정 트리의 학습과 분류를 위한 장치 및 그 방법 |
CN106452825A (zh) * | 2016-07-20 | 2017-02-22 | 国网江苏省电力公司南京供电公司 | 一种基于改进决策树的配用电通信网告警关联分析方法 |
CN106611284A (zh) * | 2016-06-20 | 2017-05-03 | 四川用联信息技术有限公司 | 一种哈夫曼物料采购决策算法 |
CN108170769A (zh) * | 2017-12-26 | 2018-06-15 | 上海大学 | 一种基于决策树算法的装配制造质量数据处理方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
-
2021
- 2021-03-04 CN CN202110240482.8A patent/CN112862126B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160001375A (ko) * | 2014-06-27 | 2016-01-06 | 부산대학교 산학협력단 | 의사 결정 트리의 학습과 분류를 위한 장치 및 그 방법 |
CN106611284A (zh) * | 2016-06-20 | 2017-05-03 | 四川用联信息技术有限公司 | 一种哈夫曼物料采购决策算法 |
CN106452825A (zh) * | 2016-07-20 | 2017-02-22 | 国网江苏省电力公司南京供电公司 | 一种基于改进决策树的配用电通信网告警关联分析方法 |
CN108170769A (zh) * | 2017-12-26 | 2018-06-15 | 上海大学 | 一种基于决策树算法的装配制造质量数据处理方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
Non-Patent Citations (1)
Title |
---|
陈秀芳;许利亚;刘晓春;王喜权;: "决策树算法在装备故障检测中的应用", 兵工自动化, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN112862126B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN105184084B (zh) | 一种电力计量自动化终端故障类型预测方法和系统 | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
CN111861786B (zh) | 一种基于特征选择和孤立随机森林的专变窃电识别方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN109657720B (zh) | 一种电力变压器匝间短路故障的在线诊断方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN110765185A (zh) | 一种基于智能配电网的故障诊断方法 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
CN116388402A (zh) | 一种应用于变电设备的异常报警分析方法 | |
CN110826735B (zh) | 一种电力scada智能多维查询检修方法 | |
CN105427043A (zh) | 一种基于改进的最近邻算法的电网告警分析方法 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN113159503B (zh) | 一种远程遥控智能安全评估系统和方法 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN112862126A (zh) | 一种基于决策树的智能变电站二次设备消缺的推荐方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN107087284A (zh) | 一种网络小区的质量监控方法及监控系统、服务器 | |
CN115470846A (zh) | 一种基于图神经网络的变压器故障在线诊断方法 | |
CN111723851A (zh) | 一种生产线故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |