本发明涉及配电柜检测技术领域,具体的说是一种配电柜检测方法与装置。
背景技术:
配电柜,或者配电箱,是配电系统的末级设备,主要用于负荷集中、回路较多的场合。
目前,针对配电柜的检测方法有多种,主要分为电路检测类和温度检测类,电路检测类结构复杂,主要通过对外接电路模块实现对配电柜主要工作模块进行检测,该方法主要缺点在于结构复杂,不利于检修,且成本高;温度检测类通过在主要工作模块上设置探针,并通过设置预警温度,当探针检测到的温度高于预警温度时,则发出报警,这种方式成本低,但是由于算法的限制,导致误报率较高。
技术实现要素:
根据以上现有技术的不足,本发明提出了一种配电柜检测方法与装置,致力于解决前述背景技术中的技术问题之一。
本发明解决其技术问题采用以下技术方案来实现:
作为本发明的第一个方面,提供了一种配电柜检测方法,包括
获得配电柜温度数据值;
将所述配电柜温度数据值划分为普通温度数据值和需监测温度数据值;
将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值;
计算所述需监测温度数据值与所述需监测温度预测值的差值;
根据所述差值与训练好的置信区间的关系检测所述配电柜。
作为本发明的一种可选的实施方式,所述置信区间的训练过程为
获取配电柜温度的历史数据;
将所述历史数据中的普通温度数据值作为训练集,输入训练好的bagging算法模型中,得到bagging算法模型输出的需监测温度预测值的集合;
计算与普通温度数据值对应的需监测温度数据值与需监测温度预测值的差值,获得差值集合;
由所述差值集合计算平均值以及与平均值对应的标准差;
根据所述平均值和所述标准差建立置信区间。
作为本发明的一种可选的实施方式,所述置信区间为,其中表示差值平均值,表示差值的标准差。
作为本发明的一种可选的实施方式,所述bagging算法模型的训练过程包括获取配电柜温度的历史数据;
将配电柜温度的历史数据作为训练集,将所述训练集中的普通温度数据值作为输入值,并将所述需监测温度数据值作为输出值;
从训练集中进行有放回的t次抽样;
针对每一次抽样结果,使用决策树算法进行训练,得到一个弱的假设模型;
针对已知普通温度数据值的新样本s,每一个假设模型均能够得到一个预测输出值,得票最高的预测输出值即为该新样本s的需监测温度预测值。
作为本发明的第二个方面,提供了一种配电柜检测装置,包括
第一获取模块,用于获得配电柜温度数据值;
分配模块,用于将所述配电柜温度数据值划分为普通温度数据值和需监测温度数据值;
第一计算模块,用于将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值;
第二计算模块,用于计算所述需监测温度数据值与所述需监测温度预测值的差值;
检测模块,用于根据所述差值与训练好的置信区间的关系检测所述配电柜。
作为本发明的一种可选的实施方式,所述装置还包括
第二获取模块,用于获取配电柜温度的历史数据;
第一训练模块,用于将所述历史数据中的普通温度数据值作为训练集,输入训练好的bagging算法模型中,得到bagging算法模型输出的需监测温度预测值的集合;
第三计算模块,用于计算与普通温度数据值对应的需监测温度数据值与需监测温度预测值的差值,获得差值集合;
第四计算模块,用于由所述差值集合计算平均值以及与平均值对应的标准差;
建立模块,用于根据所述平均值和所述标准差建立置信区间。
作为本发明的一种可选的实施方式,所述装置还包括
第三获取模块,用于获取配电柜温度的历史数据;
第二训练模块,用于将配电柜温度的历史数据作为训练集,将所述训练集中的普通温度数据值作为输入值,并将所述需监测温度数据值作为输出值;
抽样模块,用于从训练集中进行有放回的t次抽样;
获得模块,用于针对每一次抽样结果,使用决策树算法进行训练,得到一个弱的假设模型;
第五计算模块,用于针对已知普通温度数据值的新样本s,每一个假设模型均能够得到一个预测输出值,得票最高的预测输出值即为该新样本s的需监测温度预测值。
本发明的有益效果是:
本发明中,首先通过bagging算法模型对配电柜的重要模块的工作温度进行预测,获得相应的预测值,然后将测量获得的实际温度值与对应预测值进行比对,判断获得的差值是否落入置信区间内,从而能够对配电柜的重要模块的工作温度进行有效的监控,提高监控的准确性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本实施例的配电柜检测方法的逻辑示意图;
图2为本实施例的配电柜检测方法的置信区间的逻辑示意图;
图3为本实施例的配电柜检测方法的bagging算法模型的逻辑示意图;
图4为本实施例的配电柜检测装置的示意图。
具体实施方式
下面通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
作为本发明的第一个方面,如图1所示,提供了一种配电柜检测方法,包括
s10、获得配电柜温度数据值;
s20、将所述配电柜温度数据值划分为普通温度数据值和需监测温度数据值;
s30、将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值;
s40、计算所述需监测温度数据值与所述需监测温度预测值的差值;
s50、根据所述差值与训练好的置信区间的关系检测所述配电柜。
本实施例中,首先检测配电柜的各项温度数据值,例如环境温度、各个模块的工作温度等,并将该温度数据值划分为普通温度数据值和需监测温度数据值,然后将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值,再计算所述需监测温度数据值与所述需监测温度预测值的差值,将所述差值与训练好的置信区间进行比对,若所述差值落入该训练好的置信区间内,则表明配电柜需监测温度数据值所对应的模块处于正常工作状态下,若差值超出该训练好的置信区间,则表明配电柜需监测温度数据值所对应的模块可能出现异常,向外界发出警报,以便维修人员维修与保养。
本发明中,首先通过bagging算法模型对配电柜的重要模块的工作温度进行预测,获得相应的预测值,然后将测量获得的实际温度值与对应预测值进行比对,判断获得的差值是否落入置信区间内,从而能够对配电柜的重要模块的工作温度进行有效的监控,提高监控的准确性。
作为一种可选的实施方式,如图2所示,所述置信区间的训练过程为s51、获取配电柜温度的历史数据;
s52、将所述历史数据中的普通温度数据值作为训练集,输入训练好的bagging算法模型中,得到bagging算法模型输出的需监测温度预测值的集合;
s53、计算与普通温度数据值对应的需监测温度数据值与需监测温度预测值的差值,获得差值集合;
s54、由所述差值集合计算平均值以及与平均值对应的标准差;
s55、根据所述平均值和所述标准差建立置信区间。
可选的,置信区间为
其中,
作为一种可选的实施方式,如图3所示,所述bagging算法模型的训练过程包括
s31、获取配电柜温度的历史数据;
s32、将配电柜温度的历史数据作为训练集,将所述训练集中的普通温度数据值作为输入值,并将所述需监测温度数据值作为输出值;
s33、从训练集中进行有放回的t次抽样;
s34、针对每一次抽样结果,使用决策树算法进行训练,得到一个弱的假设模型;
s35、针对已知普通温度数据值的新样本s,每一个假设模型均能够得到一个预测输出值,得票最高的预测输出值即为该新样本s的需监测温度预测值。
作为本发明的第二个方面,如图4所示,提供了一种配电柜检测装置,包括
第一获取模块10,用于获得配电柜温度数据值;
分配模块20,用于将所述配电柜温度数据值划分为普通温度数据值和需监测温度数据值;
第一计算模块30,用于将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值;
第二计算模块40,用于计算所述需监测温度数据值与所述需监测温度预测值的差值;
检测模块50,用于根据所述差值与训练好的置信区间的关系检测所述配电柜。
本实施例中,首先检测配电柜的各项温度数据值,例如环境温度、各个模块的工作温度等,并将该温度数据值划分为普通温度数据值和需监测温度数据值,然后将所述普通温度数据值输入已经训练好的bagging算法模型中,获得所述bagging算法模型输出的需监测温度预测值,再计算所述需监测温度数据值与所述需监测温度预测值的差值,将所述差值与训练好的置信区间进行比对,若所述差值落入该训练好的置信区间内,则表明配电柜需监测温度数据值所对应的模块处于正常工作状态下,若差值超出该训练好的置信区间,则表明配电柜需监测温度数据值所对应的模块可能出现异常,向外界发出警报,以便维修人员维修与保养。
作为一种可选的实施方式,所述装置还包括
第二获取模块,用于获取配电柜温度的历史数据;
第一训练模块,用于将所述历史数据中的普通温度数据值作为训练集,输入训练好的bagging算法模型中,得到bagging算法模型输出的需监测温度预测值的集合;
第三计算模块,用于计算与普通温度数据值对应的需监测温度数据值与需监测温度预测值的差值,获得差值集合;
第四计算模块,用于由所述差值集合计算平均值以及与平均值对应的标准差;
建立模块,用于根据所述平均值和所述标准差建立置信区间。
作为一种可选的实施方式,所述装置还包括
第三获取模块,用于获取配电柜温度的历史数据;
第二训练模块,用于将配电柜温度的历史数据作为训练集,将所述训练集中的普通温度数据值作为输入值,并将所述需监测温度数据值作为输出值;
抽样模块,用于从训练集中进行有放回的t次抽样;
获得模块,用于针对每一次抽样结果,使用决策树算法进行训练,得到一个弱的假设模型;
第五计算模块,用于针对已知普通温度数据值的新样本s,每一个假设模型均能够得到一个预测输出值,得票最高的预测输出值即为该新样本s的需监测温度预测值。
上面对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。