一种用于城市路灯配电系统的故障预测方法与流程

本发明属于系统故障查询及预测领域,特别是对公路配电网络的故障预测。

背景技术：

随着城市路灯照明系统的不断扩大，维护的成本和开销也在持续增长。然而单纯依赖故障检测进行事后排查维护的方式往往使得故障区域的照明难以在较短的时间内得以修复，尤其针对城市路灯照明系统中的配电网络故障发生，定期盲目巡检又往往耗时耗力。

除开特定突发性事故造成的设备故障外，因为线路老化、设备所处环境恶劣等因素，故障的发生是一个潜移默化的过程，而这样的一个过程进一步反应在设备运行状况里。构建的路灯配电网络系统故障预测模型需要结合在时间维度上采集到的城市照明区域配电网络运行数据构建预测分类模型，可以对城市路灯照明故障的预防性维护起到积极的经济和社会效益。

目前针对城市照明配电网络的故障预测的研究几乎没有，基于数据挖掘的故障预测算法依赖于对设备运行数据建立完整的预测模型，缺乏模型对数据的自主学习过程，并且模型的构建需要大量数据的支撑。目前采用机器学习的方法，虽然能够有效地利用机器自动发掘数据隐含的信息，但是预测模型的构建大多依赖于离线的训练模式，模型训练完成需要经过多次迭代，难以及时反映数据模式的变化。近年来新兴的在线学习方式能有效地结合新产生的数据更新模型，更加适合预测近期内数据的变化趋势，是未来照明系统故障诊断预测领域内应用机器学习方法的重要研究方向，如一种特殊的神机网络，极限学习机。

目前极限学习机的神机网络方法缺陷是往往不能很强的地发现时间维度上某些故障在数据上的模式信息，且随着数据流式输入，导致计算耗费过大。因此本专利在提出改进的极限学习机方法，构建故障预测模型,融入ar(自回归模型)，引入带衰减滑动时间窗口的学习算法。

技术实现要素：

本发明利用城市路灯配电网络系统的运行电参数数据，采用在线elm的方法进行对城市路灯配电网络进行故障预测，从而实现有目的性的预防性维护，防止大范围线路以及配电故障引起的城市路灯照明故障发生且难以及时修复的情况发生。

本发明通过实时接收城市路灯配电网络系统的运行电参数，这些参数包括：地址信息、时间、开关状态、三相电压、回路电流、漏电流、功率、gprs信号、温度等信息，结合这些信息采用本发明的带衰减滑动时间窗口的学习方法，对电网进行故障预测，从而实现发明目的。本发明技术方案为一种用于城市路灯配电系统的故障预测方法,该方法包括:

步骤1：依次获取路灯配电网络运行的实时数据xt,对数据进行清洗剔除无用数据，对接收到的数据进行依次存储；

步骤2：对步骤1清洗后的数据进行归一化处理；

步骤3：采用自回归模型对当前一段时间数据进行数据折叠，所述自回归模型为：

其中：nett为t时刻的折叠数据，为自回归模型的回归系数，p为自回归模型的介数，αt为t时刻的高斯白噪声；

步骤4：设定窗口w的大小，接收当前时刻折叠数据，判断当前时刻窗口中是否填满折叠数据，若未填满数据进行步骤5，若填满数据进行步骤7；

步骤5：将当前时刻折叠数据填入窗口中数据队列的尾部，对窗口内各折叠数据赋予衰减系数λ，λ的数值通过预先分析数据获得；

步骤6：利用当前窗口中的数据采用如下公式更新中间结果和权重βk+1；

其中，ht+1表示下一个时刻输入数据对于学习模型隐藏层的输出；

步骤7：将当前时刻折叠数据填入窗口中数据队列的尾部，删除窗口中数据队列的首个数据，对窗口内各折叠数据赋予衰减系数λ，λ的数值通过预先分析数据获得；

步骤8：利用当前窗口中的数据采用如下公式更新中间结果和权重βk+1；

步骤9：采用如下公式预测路灯配电网络是否会参数故障；

其中：ot为判断输出，ot的值越靠近1表示发生故障的概率越大，越靠近0发生故障的概率越小；l表示训练模型的神经节点数，βj为当前时刻的权重，g(aj,bj,nett)表示激励函数，aj,bj分别表示随机化参数表示ar模型中的随机化参数，aj,t表示ar模型中的随机化参数，n为接收数据的总个数。

进一步的，所述步骤1清洗后的数据包括：地址信息、时间、开关状态、三相电压、回路电流、漏电流、功率、gprs信号、温度。

本发明利用城市路灯配电网络系统的运行电参数数据，首先对数据进行筛选，归一化处理，在采用自回归模型对接收到的数据进行折叠处理，再采用在线elm的方法进行对城市路灯配电网络进行故障预测，从而实现有目的性的预防性维护，防止大范围线路以及配电故障引起的城市路灯照明故障发生且难以及时修复的情况发生。

附图说明

图1为本发明一种用于城市路灯配电系统的故障预测方法的工作流程图；

图2为窗口大小为w的窗口内数据示意图。

具体实施方式

一种用于城市路灯配电系统的故障预测方法，首先是对建立的模型进行学习，

步骤1：依次获取路灯配电网络运行的实时数据xt,对数据进行清洗剔除无用数据，对接收到的数据进行依次存储；接收的有用的配电网络数据的具体方式为表1；

步骤2：对步骤1清洗后的数据进行归一化处理；

步骤3：采用自回归模型对当前一段时间数据进行数据折叠，所述自回归模型为：

其中：nett为t时刻的折叠数据，为自回归模型的回归系数，p为自回归模型的介数，αt为t时刻的高斯白噪声；

步骤4：设定窗口w的大小，接收当前时刻折叠数据，判断当前时刻窗口中是否填满折叠数据，若未填满数据进行步骤5，若填满数据进行步骤7；

步骤5：将当前时刻折叠数据填入窗口中数据队列的尾部，采用之前循环计算出的权重βt和中间结果对窗口内数据赋予衰减系数；

步骤6：利用当前窗口中的数据采用如下公式更新中间结果和权重βk+1；

其中，λ表示衰减系数(一般大于1)，ht+1表示表示下一个时刻输入数据对于隐藏层的输出；

步骤7：将当前时刻折叠数据填入窗口中数据队列的尾部，删除窗口中数据队列的首个数据，采用之前循环计算出的权重βt和中间结果对窗口内数据赋予衰减系数；

步骤8：利用当前窗口中的数据采用如下公式更新中间结果和权重βk+1；

步骤9：采用如下公式预测路灯配电网络是否会参数故障；

其中：ot为判断输出，ot的值越靠近1表示发生故障的概率越大，越靠近0发生故障的概率越小l表示训练模型的神经节点数，βj为当前时刻的权重，g(aj,bj,nett)表示激励函数，aj,bj分别表示随机化参数表示ar模型中的随机化参数，aj,t表示ar模型中的随机化参数，n为接收数据的总个数；在模型学习时的数据更新过程中使误差最小，误差的计算方法为

采用学习好的模型，对实时接收到的路灯配电网络数据进行计算，实现故障的预测。

表1接收数据