CN114429240A - 高速公路设备运行状态监测方法及装置 - Google Patents

高速公路设备运行状态监测方法及装置 Download PDF

Info

Publication number
CN114429240A
CN114429240A CN202111567616.3A CN202111567616A CN114429240A CN 114429240 A CN114429240 A CN 114429240A CN 202111567616 A CN202111567616 A CN 202111567616A CN 114429240 A CN114429240 A CN 114429240A
Authority
CN
China
Prior art keywords
power
value
arma model
prediction
model
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
Application number
CN202111567616.3A
Other languages
English (en)
Inventor
江泳
汪赐
詹伟胜
徐永青
贾永晓
冯维
齐崇信
杨寅文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yongji Intelligent Technology Co ltd
Original Assignee
Zhejiang Yongji Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Yongji Intelligent Technology Co ltd filed Critical Zhejiang Yongji Intelligent Technology Co ltd
Priority to CN202111567616.3A priority Critical patent/CN114429240A/zh
Publication of CN114429240A publication Critical patent/CN114429240A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于高速公路设备智能监测领域，是一种高速公路设备运行状态监测方法及装置，该方法包括获取原始数据集合；结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型；对ARMA模型进行检测验证，输出合格的ARMA模型；根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。本发明使用DBSCAN聚类方法后搭建的模型针对高速公路设备当前运行状态自适应选择相应的ARMA模型，预测准确率更高，在设备到达故障期之前及时告警，有效避免因高速公路设备损坏带来的不必要的损失。

Description

高速公路设备运行状态监测方法及装置
技术领域
本发明属于高速公路设备智能监测领域，是一种高速公路设备运行状态监测方法及装置。
背景技术
随着高速公路设备需求量的增多，设备之间相关性逐渐增加，若部分设备故障可能会导致全部设备的检测与维修。例如，高速公路每段都有多个摄像设备，当在某路段设备发生故障导致路段无法记录与测量车辆信息时，就需要封闭路段进行设备维修，尤其是在车流量大的情况下，封闭路段导致的交通不便对日常出行以及交通运输带来的损失是巨大的。所以能够提前预测设备故障，在设备故障之前选择车流量小的时间段更换或者维修设备，可以极大的减少不必要的损失。
发明内容
本发明提供了一种高速公路设备运行状态监测方法及装置，用于预测高速公路设备故障，在设备到达故障期之前及时告警，能够有效避免因设备损坏带来的不必要的损失。
有鉴于此，本申请第一方面提供了一种高速公路设备运行状态监测方法，包括：
获取原始数据集合，其中原始数据包括高速公路设备的原始电压数据和原始电流数据；
结合DBSCAN聚类算法，根据原始数据序列建立ARMA模型；
对ARMA模型进行检测验证，输出合格的ARMA模型；
根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。
上述结合DBSCAN聚类算法，根据原始数据序列建立ARMA模型的过程包括：
利用DBSCAN聚类算法对功率数据进行聚类，根据聚类结果判断高速公路设备运行状态种类，针对高速公路设备运行状态种类建立对应的ARMA模型；
获得功率数据时间序列，对功率数据时间序列进行平稳性检验，判断功率数据时间序列是否具有平稳性；
响应于是，则对功率数据时间序列自相关函数与非自相关函数检验，确立模型参数值，建立ARMA模型。
上述对原始流量序列进行平稳性检验，通过单位根判断原始数据时间序列是否具有平稳性。
上述对ARMA模型进行检测验证，输出合格的ARMA模型包括：
对ARMA模型进行的残差进行白噪声检验，判断是否为白噪声；
响应于是，则该ARMA模型检验合格，并输出ARMA模型；
响应于否，则重新确立模型参数值。
上述根据功率预测值与功率真实值，对高速公路设备进行状态告警，包括：
根据功率预测值与功率真实值，获得预测误差及绝对预测误差；
设置告警条件，其中告警条件包括：1、设定时间段内预测误差是否连续大于最大值或小于最小值；2、设定时间段内绝对预测误差的均值是否大于设定值；
判断预测条件是否均不满足，响应于否，则进行高速公路设备的状态告警。
上述还包括ARMA模型的预测准确率检测，具体包括：
设定检测时间段；
利用下式确定检测时间段内每日的预测准确率；
Figure BDA0003422340550000021
其中，ei为单点功率的相对预测误差，
Figure BDA0003422340550000022
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1，2，…，n；
判断检测时间段内每日的预测准确率是否均大于预测有效设定值，响应于是，则ARMA模型预测有效。
有鉴于此，本申请第二方面提供了一种高速公路设备运行状态监测装置，包括：
数据获取单元，获取原始数据集合，其中原始数据包括高速公路设备的原始电压数据和原始电流数据；
模型建立单元，结合DBSCAN聚类算法，根据原始数据序列建立ARMA模型；
检测单元，对ARMA模型进行检测验证，输出合格的ARMA模型；
预测单元，根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
告警单元，根据实时功率预测值与实时功率真实值，对高速公路设备进行状态告警。
有益效果：本发明结合ARMA和DBSCAN聚类分析建立了一种高速公路设备运行状态监测方法及装置，通过DBSCAN聚类方法，对高速公路设备运行状态进行分类，相比于传统ARMA时间序列，使用DBSCAN聚类方法后搭建的模型可针对高速公路设备当前运行状态自适应选择相应ARMA模型，预测准确率更高。通过判断预测误差是否超出设定阈值可实现实时监测设备运行状态，并记录每次设备运行状态切换的时间，通过一段时间内绝对预测误差的均值判断设备功率的变化情况，判断设备是否处于故障潜伏期，从而在设备到达故障期之前及时告警，有效避免因高速公路设备损坏带来的不必要的损失。
附图说明
附图1为本发明一个实施例的状态检测流程图。
附图2为本发明一个实施例中ARMA模型建立的流程图。
附图3为本发明一个实施例中状态告警的流程图。
附图4为本发明一个实施例的DBSCAN聚类结果示意图。
附图5为本发明一个实施例的自相关函数结果示意图。
附图6为本发明一个实施例的偏自相关函数结果示意图。
附图7为本发明一个实施例的一个月日预测准确率结果示意图。
附图8为本发明一个实施例的日预测误差结果示意图。
附图9为本发明一个实施例的绝对预测误差均值结果示意图。
附图10为本发明一个实施例的装置结构示意图。
具体实施方式
本申请提供了一种高速公路设备运行状态监测方法，用于解决现有高速公路设备不能实现故障预测及告警，使得不能在设备故障之前选择车流量小的时间段更换或者维修设备，造成只能在高速公路设备发生故障后封闭路段进行维修，而在车流量大的情况下，封闭路段会导致交通不便，对日常出行造成影响，同时易对交通运输带来巨大损失的问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面对本申请实施例进行详细介绍。
实施例1：如附图1所示，本实施例公开了一种高速公路设备运行状态监测方法，包括：
步骤S101，获取原始数据集合，其中原始数据包括高速公路设备的原始电压电流数据；
这里原始电压电流数据可以从存储高速公路设备运行数据的数据库中抽取。
步骤S102，结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型；
如附图2所示，具体ARMA模型建立过程包括：
步骤S1021，利用DBSCAN聚类算法对功率数据进行聚类，根据聚类结果判断高速公路设备运行状态种类，针对高速公路设备运行状态种类建立对应的ARMA模型；
这里DBSCAN聚类算法基于一组邻域来描述样本集的紧密程度，其中参数(ε，MinPts)用来描述邻域的样本分布紧密程度。其中，ε描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值。本发明实施例中，将原始电压电流数据转化为功率数据后，由DBSCAN聚类算法将功率数据分为三类，在半径ε内含有不少于MinPts数目的点为核心点，在半径ε内点的数量小于MinPts，但落在核心点的领域内的点为边界点，既不是核心点也不是边界点的点称为噪声点或异常点。
例如若DBSCAN聚类算法聚类结果分为设备运行状态和设备待机状态，则需针对设备运行状态和设备待机状态建立对应的ARMA模型。
区别于传统K-means方法，DBSCAN聚类算法不需要预先指定聚类的个数，所以使用DBSCAN聚类算法可以区分设备运行的不同状态，同时还可以有效的发现异常数据。
步骤S1022，获得功率数据时间序列，对功率数据时间序列进行平稳性检验，判断功率数据时间序列是否具有平稳性；
本发明实施例中可利用stata软件对数据进行时间序列化处理，获得原始数据时间序列，使用单位根检验(ADF)来检测处理后的序列是否具有平稳性，若具有平稳性，可建模为ARMA模型，若序列不具有平稳性，则需要对其进行差分处理，直至原始数据时间序列具有平稳性。
步骤S1023，响应于是，则对功率数据时间序列自相关函数与非自相关函数检验，确立模型参数值，建立ARMA模型；
步骤S1024，响应于否，则对其进行差分处理，直至具有平稳性，并对功率数据时间序列自相关函数与非自相关函数检验，确立模型参数值，建立ARMA模型。
步骤S103，对ARMA模型进行检测验证，输出合格的ARMA模型；
这里对ARMA模型进行检测验证，输出合格的ARMA模型，具体包括：
1、对ARMA模型进行的残差进行白噪声检验，判断是否为白噪声；
2、响应于是，则该ARMA模型检验合格，并输出ARMA模型；
3、响应于否，则重新确立模型参数值。
步骤S104，根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
步骤S105，根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。
如附图3所示，这里根据功率预测值与功率真实值，对高速公路设备进行状态告警，具体包括：
步骤S1051，根据功率预测值与功率真实值，获得预测误差及绝对预测误差；这里预测误差即为功率预测值-功率真实值；
步骤S1052，设置告警条件，其中告警条件包括：1、设定时间段内预测误差是否连续大于最大值或小于最小值；2、设定时间段内绝对预测误差的均值是否大于设定值；
步骤S1053，判断预测条件是否均不满足，响应于否，则进行高速公路设备的状态告警。
本发明实施例结合ARMA和DBSCAN聚类分析建立了一种高速公路设备运行状态监测方法，通过DBSCAN聚类方法，对高速公路设备运行状态进行分类，相比于传统ARMA时间序列，使用DBSCAN聚类方法后搭建的模型可针对高速公路设备当前运行状态自适应选择相应ARMA模型，预测准确率更高，通过判断预测误差是否超出设定阈值可实现实时监测设备运行状态，并记录每次设备运行状态切换的时间，通过一段时间内绝对预测误差的均值判断设备功率的变化情况，判断设备是否处于故障潜伏期，从而在设备到达故障期之前及时告警，有效避免因高速公路设备损坏带来的不必要的损失。
实施例2：本实施例公开了一种高速公路设备运行状态监测方法，还包括ARMA模型的预测准确率检测，具体包括：
(1)设定检测时间段；
(2)利用下式确定检测时间段内每日的预测准确率；
Figure BDA0003422340550000061
其中，ei为单点功率的相对预测误差，
Figure BDA0003422340550000062
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1,2,…,n；
(3)判断检测时间段内每日的预测准确率是否均大于预测有效设定值，响应于是，则ARMA模型预测有效。
实施例3：通过实施例2所公开的一种高速公路设备运行状态监测方法，具体状态监测告警过程如下：
(1)通过Navicat在数据库获得原始电压电流数据，转化为功率数据后通过DBSCAN聚类方法，根据聚类结果划分设备运行状态，如图4所示，可以将功率分为三类，根据层次聚类，可以将第一类和第三类归为设备运行状态，将第二类归为设备待机状态。
(2)将数据导入Stata软件中，并将其初始化为时间序列数据，即功率时间序列，以设备待机状态为例，建立ARMA模型。通过单位根(ADF)检验序列是否平稳。ADF检验原假设：数据是单位根序列，备择假设，数据是平稳序列，如果序列是平稳序列，就不存在单位根，否则，就会存在单位根。
ADF检验结果从表1可以看出，p值小于0.05，并且ADF统计量小于1％显著性水平下的临界值，所以在99％的置信水平下拒绝原假设，即序列为平稳序列，所以选择ARMA模型。
用Q检验对功率时间序列进行白噪声检验，对功率时间序列的3、6、9、12期滞后进行自相关分析，分析结果如表2所示。
从表2可以看出，在功率序列3、6、9、12期滞后的检验概率值都接近于0，应该拒绝原假设，接收备择假设，即功率序列为非白噪声序列。
(3)通过计算序列的自相关函数和偏自相关函数，如图5，图6所示，可以看出，自相关函数与非自相关函数都呈现出拖尾现象，所以选择ARMA模型。
判断模型是否合理，根据赤池信息量准则(AIC)和贝叶斯信息量准则(BIC)准则，通过加入模型复杂度的惩罚项来避免过拟合问题，AIC是衡量统计模型拟合优良性的一种标准，它建立在熵的概念上，提供了权衡估计模型复杂度和拟合数据优良性的标准，当模型复杂度提高时，AIC变小，但是复杂度过大时，似然函数增速减缓，导致AIC增大，模型过于复杂容易造成过拟合现象。目标是选取AIC最小的模型，AIC不仅要提高模型拟合，而且引入了惩罚项，使模型参数尽可能少，有助于降低过拟合的可能性，BIC对于过拟合问题，与AIC相似，但BIC的惩罚项比AIC的大，考虑了样本数量，样本数量过多时，可有效防止模型精度过高造成的模型复杂度过高，对建立的ARMA(7,1)，ARMA(7,2)，ARMA(7,3)，ARMA(7,4)进行有效性检验，检验结果如表3所示。
综合AIC与BIC，可得ARMA(7,3)模型效果最好。
(4)对ARMA(7,3)模型扰动项进行残差检验，对残差进行Q检验，检验ARMA(7,3)模型其残差序列是否为白噪声序列，从而判断建立模型是否合理。
对残差序列滞后3、6、9、12期进行Q检验，判断其残差是否为白噪声，从而判断其模型得合理性得，检验结果如表4所示。
从表4中可以看出，残差序列的平方滞后3、6、9、12期后得检验概率大于0.05，则可以认为残差序列是白噪声序列，所以建立的ARMA(7,3)有效。
对于设备待机状态，模型参数估计如表5所示，其中L1,L2,...为滞后项参数。
对于设备运行状态，模型参数估计结果如表6所示，其中L1,L2,...为滞后项参数。
(5)根据《地区电网调度自动化系统应用软件基本功能实用要求及验收细则(试行)》，利用下式计算日预测准确率：
Figure BDA0003422340550000081
其中，ei为单点功率的相对预测误差，
Figure BDA0003422340550000082
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1,2,…,n。
一个月的日功率预测准确率如图7所示，可以看出在一个月中每日预测准确率均大于95％，则该模型预测结果有效。
(6)预测过程首先根据j时刻的功率真实值选择对应的设备状态模型，获得j+1时刻的功率预测值，当得到j+1时刻设备功率真实值后，即可计算出j+1时刻的预测误差，通过预测误差是否达到状态切换阈值来判断设备状态，如图8预测误差图所示，当预测误差低于-40W时，设备状态由开机运行状态变为待机状态，当预测误差高于40W时，当前时刻设备由待机状态变为开机运行状态，当出现预测误差连续超过40W或低于-40W时，则会标记为异常状态。
对于一段时间内设备功率出现缓慢波动，这是预测误差虽然在正常范围内，但设备已进入故障潜伏期。通过检测一段时间内绝对预测误差的均值，可以在设备进入故障潜伏期时告警。如图9所示，当绝对预测误差的均值达到0.3时，认为设备到达了故障潜伏期，发出告警。
实施例4：如附图10所示，本实施例公开了一种高速公路设备运行状态监测装置，包括：
数据获取单元，获取原始数据集合，其中原始数据包括高速公路设备的原始功率电压和原始电流数据；
模型建立单元，结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型；
检测单元，对ARMA模型进行检测验证，输出合格的ARMA模型；
预测单元，根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
告警单元，根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。
以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1功率序列ADF检验结果
Figure BDA0003422340550000101
表2功率序列Q检验结果
滞后期数 3 6 9 12
P值 <0.00001 <0.00001 <0.00001 <0.00001
表3各模型AIC，BIC值对比
Figure BDA0003422340550000102
表4残差序列Q检验结果
滞后期数 3 6 9 12
P值 0.9999 0.9966 0.9993 0.9943
表5设备待机状态模型参数估计结果
Figure BDA0003422340550000103
Figure BDA0003422340550000111
表6设备运行状态模型参数估计结果
Figure BDA0003422340550000112

Claims (10)

1.一种高速公路设备运行状态监测方法，其特征在于，包括：
获取原始数据集合，其中原始数据包括高速公路设备的原始功率电压和原始电流数据；
结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型；
对ARMA模型进行检测验证，输出合格的ARMA模型；
根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。
2.根据权利要求1所述的高速公路设备运行状态监测方法，其特征在于，所述结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型的过程包括：
利用DBSCAN聚类算法对功率数据进行聚类，根据聚类结果判断高速公路设备运行状态种类，针对高速公路设备运行状态种类建立对应的ARMA模型；
获得功率数据时间序列，对功率数据时间序列进行平稳性检验，判断功率数据时间序列是否具有平稳性；
响应于是，则对功率数据时间序列自相关函数与非自相关函数检验，确立模型参数值，建立ARMA模型；
响应于否，则对其进行差分处理，直至具有平稳性，并对功率数据时间序列自相关函数与非自相关函数检验，确立模型参数值，建立ARMA模型。
3.根据权利要求2所述的高速公路设备运行状态监测方法，其特征在于，所述对功率数据时间序列进行平稳性检验，通过单位根判断功率数据时间序列是否具有平稳性。
4.根据权利要求1或2或3所述的高速公路设备运行状态监测方法，其特征在于，所述对ARMA模型进行检测验证，输出合格的ARMA模型包括：
对ARMA模型进行的残差进行白噪声检验，判断是否为白噪声；
响应于是，则该ARMA模型检验合格，并输出ARMA模型；
响应于否，则重新确立模型参数值。
5.根据权利要求1或2或3所述的高速公路设备运行状态监测方法，其特征在于，所述根据功率预测值与功率真实值，对高速公路设备进行状态告警，包括：
根据功率预测值与功率真实值，获得预测误差及绝对预测误差；
设置告警条件，其中告警条件包括：1、设定时间段内预测误差是否连续大于最大值或小于最小值；2、设定时间段内绝对预测误差的均值是否大于设定值；
判断预测条件是否均不满足，响应于否，则进行高速公路设备的状态告警。
6.根据权利要求4所述的高速公路设备运行状态监测方法，其特征在于，所述根据功率预测值与功率真实值，对高速公路设备进行状态告警，包括：
根据功率预测值与功率真实值，获得预测误差及绝对预测误差；
设置告警条件，其中告警条件包括：1、设定时间段内预测误差是否连续大于最大值或小于最小值；2、设定时间段内绝对预测误差的均值是否大于设定值；
判断预测条件是否均不满足，响应于否，则进行高速公路设备的状态告警。
7.根据权利要求1或2或3或6所述的高速公路设备运行状态监测方法，其特征在于，还包括ARMA模型的预测准确率检测，具体包括：
设定检测时间段；
利用下式确定检测时间段内每日的预测准确率；
Figure FDA0003422340540000021
其中，ei为单点功率的相对预测误差，
Figure FDA0003422340540000022
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1,2,…,n；
判断检测时间段内每日的预测准确率是否均大于预测有效设定值，响应于是，则ARMA模型预测有效。
8.根据权利要求4所述的高速公路设备运行状态监测方法，其特征在于，还包括ARMA模型的预测准确率检测，具体包括：
设定检测时间段；
利用下式确定检测时间段内每日的预测准确率；
Figure FDA0003422340540000023
其中，ei为单点功率的相对预测误差，
Figure FDA0003422340540000024
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1,2,…,n；
判断检测时间段内每日的预测准确率是否均大于预测有效设定值，响应于是，则ARMA模型预测有效。
9.根据权利要求5所述的高速公路设备运行状态监测方法，其特征在于，还包括ARMA模型的预测准确率检测，具体包括：
设定检测时间段；
利用下式确定检测时间段内每日的预测准确率；
Figure FDA0003422340540000025
其中，ei为单点功率的相对预测误差，
Figure FDA0003422340540000031
yFi、yRi分别为功率的预测值和实际值；i为功率预测点数，i＝1,2，…，n；
判断检测时间段内每日的预测准确率是否均大于预测有效设定值，响应于是，则ARMA模型预测有效。
10.一种高速公路设备运行状态监测装置，其特征在于，包括：
数据获取单元，获取原始数据集合，其中原始数据包括高速公路设备的原始功率电压和原始电流数据；
模型建立单元，结合DBSCAN聚类算法，根据原始数据集合建立ARMA模型；
检测单元，对ARMA模型进行检测验证，输出合格的ARMA模型；
预测单元，根据前一时刻的功率真实值确定设备状态，选择对应的ARMA模型，利用该ARMA模型输出高速公路设备下一时刻的功率预测值；
告警单元，根据该时刻的功率预测值与功率真实值，对高速公路设备进行状态告警。
CN202111567616.3A 2021-12-21 2021-12-21 高速公路设备运行状态监测方法及装置 Pending CN114429240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111567616.3A CN114429240A (zh) 2021-12-21 2021-12-21 高速公路设备运行状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111567616.3A CN114429240A (zh) 2021-12-21 2021-12-21 高速公路设备运行状态监测方法及装置

Publications (1)

Publication Number Publication Date
CN114429240A true CN114429240A (zh) 2022-05-03

Family

ID=81311700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111567616.3A Pending CN114429240A (zh) 2021-12-21 2021-12-21 高速公路设备运行状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN114429240A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436712A (zh) * 2023-12-21 2024-01-23 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769268A (zh) * 2017-10-10 2018-03-06 三峡大学 一种含小水电的地调范围日前预测省供负荷方法
CN108802525A (zh) * 2018-06-06 2018-11-13 浙江宇天科技股份有限公司 基于小样本的设备故障智能预测方法
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN111273607A (zh) * 2018-12-04 2020-06-12 沈阳高精数控智能技术股份有限公司 基于Spark的数控机床运行状态监测方法
CN112150209A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于聚类中心的cnn-lstm时序预测模型的构建方法
CN113253113A (zh) * 2021-02-26 2021-08-13 重庆长安新能源汽车科技有限公司 一种动力电池一致性故障的预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769268A (zh) * 2017-10-10 2018-03-06 三峡大学 一种含小水电的地调范围日前预测省供负荷方法
CN108802525A (zh) * 2018-06-06 2018-11-13 浙江宇天科技股份有限公司 基于小样本的设备故障智能预测方法
CN111273607A (zh) * 2018-12-04 2020-06-12 沈阳高精数控智能技术股份有限公司 基于Spark的数控机床运行状态监测方法
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN112150209A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于聚类中心的cnn-lstm时序预测模型的构建方法
CN113253113A (zh) * 2021-02-26 2021-08-13 重庆长安新能源汽车科技有限公司 一种动力电池一致性故障的预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436712A (zh) * 2023-12-21 2024-01-23 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统
CN117436712B (zh) * 2023-12-21 2024-04-12 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统

Similar Documents

Publication Publication Date Title
Cao et al. A novel false data injection attack detection model of the cyber-physical power system
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
KR20230038281A (ko) 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체
CN115936448A (zh) 一种基于大数据的城市配电网电力评估系统及方法
CN107403279B (zh) 一种输油泵工况自适应状态预警系统及方法
CN113341813B (zh) 一种城市燃气中低压管网检测方法及系统
CN117560300B (zh) 一种智能物联网流量预测与优化系统
CN113723716B (zh) 一种客流分级预警异常告警方法、设备及存储介质
CN108510072A (zh) 一种基于混沌神经网络的河道流量监测数据质量控制方法
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控系统
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN112904148A (zh) 智能电缆运行监测系统、方法及装置
CN110807014B (zh) 一种基于交叉验证的台区数据异常甄别方法和装置
CN117828371B (zh) 一种综合运维平台的业务信息智能分析方法
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
Zhang et al. Real-time burst detection based on multiple features of pressure data
CN114429240A (zh) 高速公路设备运行状态监测方法及装置
CN118133189A (zh) 一种桥梁结构健康状态实时监测方法及系统
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN115495274A (zh) 基于时序数据的异常处理方法、网络设备和可读存储介质
CN111563543B (zh) 一种风电机组的风速-发电功率数据的清洗方法及装置
CN101923605B (zh) 铁路防灾风预警方法
CN113339208A (zh) 风电机组振动异常片段的选取方法

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