CN109658284A - 设备状态的评估方法和*** - Google Patents
设备状态的评估方法和*** Download PDFInfo
- Publication number
- CN109658284A CN109658284A CN201811558123.1A CN201811558123A CN109658284A CN 109658284 A CN109658284 A CN 109658284A CN 201811558123 A CN201811558123 A CN 201811558123A CN 109658284 A CN109658284 A CN 109658284A
- Authority
- CN
- China
- Prior art keywords
- tree
- model
- decision
- secondary device
- metadata
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003066 decision tree Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 11
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 24
- 230000007547 defect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 241001269238 Data Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备状态的评估方法和***。其中,该方法包括:获取变电站二次设备的状态数据;将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果,其中,极端随机化树模型是由服务器集群中包含的多个服务器并行生成的。本发明解决了现有技术中的设备状态的评估方法效率低,且存在过拟合的技术问题。
Description
技术领域
本发明涉及电力***领域,具体而言,涉及一种设备状态的评估方法和***。
背景技术
变电站二次设备作为对***监视和控制的重要设备,其自身健康状态的好坏直接关系电网的安全稳定。因此,需要对其进行状态评估,及时发现设备缺陷,减少事故损失。
现阶段我国变电站二次设备检修方式主要是定期预防检修,然而该检修方式存在明显的缺点,包括检修过剩与检修不足并存、停电几率增加,供电可靠性低等。针对定期检修的不足,目前可以采用多种方法实现电网设备状态检修:应用马尔可夫(Markov)法对继电保护设备进行可靠性分析,但是没有实现对装置自检信息的全面、综合利用。应用概率法对继电保护装置建立概率模型,由于电网二次设备一般为可修复***,一般不适合应用概率法进行评估。应用故障树法对变电站通信***的可靠性进行评估。应用基于支持向量机的微机保护装置状态评估方法,取得了较神经网络更好的效果。应用基于贝叶斯网络的二次设备状态评估方法。
上述二次设备状态评估方法都是选择某种机器学习算法,在单机环境下利用某方面的少量数据和信息开展的。然而,近年来随着智能电网建设的深入,设备监测的广度和深度不断加强,智能变电站二次设备的PMS(电力管理***,Power Management System)、OMS(调度管理***,Power Dispatching Management System)、监控、缺陷记录等各类数据积累下来,逐渐构成全景特征的二次设备大数据。采用现有技术中的评估方法效率较低,而且,随机森林和梯度提升方法存在过拟合问题。
针对现有技术中的设备状态的评估方法效率低,且存在过拟合的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种设备状态的评估方法和***,以至少解决现有技术中的设备状态的评估方法效率低,且存在过拟合的技术问题。
根据本发明实施例的一个方面,提供了一种设备状态的评估方法,包括:获取变电站二次设备的状态数据;将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果,其中,极端随机化树模型是由服务器集群中包含的多个服务器并行生成的。
进一步地,在将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果之前,上述方法还包括:获取样本数据集合,其中,样本数据集合包括:变电站二次设备的多个样本数据;控制多个服务器基于样本数据集合,并行构建决策树模型;对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型。
进一步地,控制多个服务器基于样本数据集合,并行构建决策树模型,包括:通过远程调用方式,依次发送构建请求至多个服务器,以控制多个服务器构建决策树模型。
进一步地,在对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型之前,上述方法还包括:接收多个服务器在决策树模型构建成功之后返回的消息;在接收到所有服务器返回的消息的情况下,对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型。
进一步地,在预设时间段内未接到任意一个服务器返回的消息的情况下,再次发送构建请求至任意一个服务器,直至重新发送构建请求的次数超过预设次数。
进一步地,在未收到所有服务器返回的消息的情况下,输出用于表征极端随机化树模型生成失败的提示信息。
进一步地,在获取样本数据集合之后,上述方法还包括:控制多个服务器并行获取样本数据集合的元数据;将元数据的格式转换为预设格式,得到新的元数据;将新的元数据存储至元数据库中。
进一步地,将元数据的格式转换为预设格式,得到新的元数据,包括:获取元数据的属性,其中,属性包括如下至少之一:条件属性、决策属性、问题属性;获取属性对应的预设格式;按照预设格式,对元数据进行格式转换,得到新的元数据。
进一步地,在将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果之后,上述方法还包括:将状态数据作为新的样本数据,并存储在样本数据集合中。
根据本发明实施例的另一方面,还提供了一种设备状态的评估***,包括:服务器集群,包括:多个服务器,用于并行生成极端随机化树模型;评估设备,与服务器集群连接,用于获取变电站二次设备的状态数据,并将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的设备状态的评估方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的设备状态的评估方法。
在本发明实施例中,利用调度***中变电站二次设备的PMS、OMS、监控、缺陷记录等状态数据,应用计算机集群和极端随机化树方法实现快速、并行化、综合利用海量数据的电网二次设备状态评估***,实现了运行设备的快速状态评估及趋势预警,提升电网运行的可靠性,而且可以有效克服随机森林和梯度提升方法遇到的过拟合问题,具有更好的泛化能力,更有效的评判未知样本类别,进而解决了现有技术中的设备状态的评估方法效率低,且存在过拟合的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种设备状态的评估方法的流程图;
图2是根据本发明实施例的一种可选的状态评估***的整体结构示意图;以及
图3是根据本发明实施例的一种设备状态的评估***的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种设备状态的评估方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种设备状态的评估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取变电站二次设备的状态数据。
具体地,上述的状态数据可以是变电站二次设备的PMS、OMS、监控、缺陷记录等各类数据,本发明对此不作具体限定。
步骤S104,将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果,其中,极端随机化树模型是由服务器集群中包含的多个服务器并行生成的。
具体地,上述的服务器集群可以是计算机集群,该集群由同构的Linux主机构成,计算机集群中的每个计算机用于数据存储和计算,数据存储使用HDFS分布式文件***(Hadoop Distributed File System)。
在一种可选的方案中,可以在计算机集群中的多个计算机上,以多进程的方式并行构建全量样本决策树,并通过对所有建树进程建树成功之后,对全量样本决策树进行汇总,生成极端随机化树模型。极端随机化树模型发布至前端评估***,由前端评估***进行状态评估。进一步地,评估结果保存至评估结果库中,并派发至调用客户端。
例如,上述方法可以由状态评估***执行,该***整体结构如图2所示,PMS、OMS、缺陷记录等数据通过开源的Sqoop数据收集工具进行收集,数据存储和计算采用计算机集群技术。集群由同构的Linux主机构成,数据存储使用HDFS分布式文件***。基于Graph编程框架设计实现了运行在多计算机组成的集群上的并行化的极端随机化树设备状态评价***,实现对海量历史数据的训练,构建极端随机化树状态评估模型。极端随机化树状态评估模型发布至前端评估***,实现对未知样本的状态评估,并在评估完成之后,使用周期性的数据同步方法,在设定时间到达时将本地新样本集同步至历史数据库,并触发新的历史样本训练过程。
需要说明的是,上述方法已在自建的集群上完成,并使用实测***数据进行了方法正确性和方法执行性能的验证。验证的原始训练数据集体量达到TB级别,相对于传统的基于单机的数据处理模式,所设计的集群***可以在分钟级完成对历史数据的训练和极端随机化树评价模型的构建;前端评价***对单条未知样本的识别速度达到亚秒级别;***的周期性模型更新模式使得评价模型保持良好的泛化能力。
通过本发明上述实施例,利用调度***中变电站二次设备的PMS、OMS、监控、缺陷记录等状态数据,应用计算机集群和极端随机化树方法实现快速、并行化、综合利用海量数据的电网二次设备状态评估***,实现了运行设备的快速状态评估及趋势预警,提升电网运行的可靠性,而且可以有效克服随机森林和梯度提升方法遇到的过拟合问题,具有更好的泛化能力,更有效的评判未知样本类别,进而解决了现有技术中的设备状态的评估方法效率低,且存在过拟合的技术问题。
可选地,本发明上述实施例中,在步骤S104,将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果之前,该方法还包括:获取样本数据集合,其中,样本数据集合包括:变电站二次设备的多个样本数据;控制多个服务器基于样本数据集合,并行构建决策树模型;对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型。
在一种可选的方案中,对于每个计算机,可以利用原数据集中所有样本构建决策树模型,递归的进行节点的建立,生成决策树模型。在构建决策树过程中,随机获取分叉值,利用随机分叉值对决策树进行分叉,递归构建决策树。
可选地,本发明上述实施例中,控制多个服务器基于样本数据集合,并行构建决策树模型,包括:通过远程调用方式,依次发送构建请求至多个服务器,以控制多个服务器构建决策树模型。
在一种可选的方案中,极端随机化树模型构建过程是在总控进程的控制下完成的,总控进程和建树进程采用同步通信方式,总控进程监督建树进程的工作过程。首先,总控进程运行,并通过远程过程调用的形式,逐次发起其他计算节点上的局册数构建过程。
可选地,本发明上述实施例中,在对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型之前,该方法还包括:接收多个服务器在决策树模型构建成功之后返回的消息;在接收到所有服务器返回的消息的情况下,对多个服务器构建的决策树模型进行汇总,生成极端随机化树模型。
在一种可选的方案中,当总控进程收到了所有建树进程建树成功的消息之后,对决策树模型进行汇总,生成极端随机化树模型。
可选地,本发明上述实施例中,在预设时间段内未接到任意一个服务器返回的消息的情况下,再次发送构建请求至任意一个服务器,直至重新发送构建请求的次数超过预设次数。
具体地,上述的预设时间段可以是根据需要预先设置的时间阈值,总控进程会在该时间阈值内重复发起建树调用请求。上述的预设次数可以是默认建树尝试次数,可以根据需要进行配置,例如,本发明实施例中以3次为例进行说明。
在一种可选的方案中,对于在规定地时间阈值范围内未收到建树成功消息地节点,总控进程将尝试再次发起建树调用请求,直至时间阈值到达。当建树重复尝试次数达到阈值上限时,总控进程将尝试对其他计算节点发起建树请求,直至收到建树成功消息。
可选地,本发明上述实施例中,在未收到所有服务器返回的消息的情况下,输出用于表征极端随机化树模型生成失败的提示信息。
在一种可选的方案中,仅当总控进程收到所有建树成功消息后,才进入决策树模型汇总阶段,否则,返回创建失败的消息。
可选地,本发明上述实施例中,在获取样本数据集合之后,该方法还包括:控制多个服务器并行获取样本数据集合的元数据;将元数据的格式转换为预设格式,得到新的元数据;将新的元数据存储至元数据库中。
具体地,元数据可以是对样本数据进行描述的数据。考虑到训练数据具有海量、多源、异构的大数据特性,从***扩展性角度出发,使用能够方便进行水平扩展的开源MySql数据库作为***的元数据库。上述的预设格式可以是元数据存储在元数据库中的记录格式。
在一种可选的方案中,创建元数据描述的过程由多个进程并行完成,每个进程读取训练数据描述文件全集的一个子集,默认情况下每个进程负责读取一个训练数据描述文件,并将描述文件的内容映射为元数据库中的记录格式,之后写入元数据库。
可选地,本发明上述实施例中,将元数据的格式转换为预设格式,得到新的元数据,包括:获取元数据的属性,其中,属性包括如下至少之一:条件属性、决策属性、问题属性;获取属性对应的预设格式;按照预设格式,对元数据进行格式转换,得到新的元数据。
具体地,对样本的描述包括两方面内容:条件属性、决策属性、问题属性。条件属性记录了属性值的类型,其格式描述为:{条件属性名称、条件属性类型}。条件属性所支持的所有类型记录在元数据存储库中的类型及类型描述表中。每条记录的格式为:{类型名称、类型描述、与MySql类型的对应关系}。决策属性记录的样本类别属性,其格式描述为:{决策属性名称、决策属性位置};问题属性是描述要创建的模型是进行分类还是回归运算,其格式描述为:{问题属性ID,问题属性类型}。
可选地,本发明上述实施例中,在步骤S104,将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果之后,该方法还包括:将状态数据作为新的样本数据,并存储在样本数据集合中。
在一种可选的方案中,对于完成评估的状态数据,前端评估***以小时或者天为周期,使用周期性的数据同步方法,在设定时间到达时将本地新样本集同步至历史数据库,并触发新的历史样本训练过程。
需要说明的是,在前端评估***,新样本会暂时保存在前端评估***本地磁盘,当周期性数据同步任务由于时间到达而触发时,才将本地该时间范围内的所有新样本全部同步至历史数据库。
实施例2
根据本发明实施例,提供了一种设备状态的评估***的实施例。
图3是根据本发明实施例的一种设备状态的评估***的示意图,如图3所示,该***包括:服务器集群32和评估设备34,服务器集群包括:多个服务器36。
其中,多个服务器36用于并行生成极端随机化树模型;评估设备34与服务器集群32连接,用于获取变电站二次设备的状态数据,并将状态数据输入至极端随机化树模型,得到变电站二次设备的评估结果。
具体地,上述的状态数据可以是变电站二次设备的PMS、OMS、监控、缺陷记录等各类数据,本发明对此不作具体限定。上述的服务器集群可以是计算机集群,该集群由同构的Linux主机构成,计算机集群中的每个计算机用于数据存储和计算,数据存储使用HDFS分布式文件***(Hadoop Distributed File System)。上述的评估设备可以是如图2所示的前端评估***。
在一种可选的方案中,可以在计算机集群中的多个计算机上,以多进程的方式并行构建全量样本决策树,并通过对所有建树进程建树成功之后,对全量样本决策树进行汇总,生成极端随机化树模型。极端随机化树模型发布至前端评估***,由前端评估***进行状态评估。进一步地,评估结果保存至评估结果库中,并派发至调用客户端。
通过本发明上述实施例,利用调度***中变电站二次设备的PMS、OMS、监控、缺陷记录等状态数据,应用计算机集群和极端随机化树方法实现快速、并行化、综合利用海量数据的电网二次设备状态评估***,实现了运行设备的快速状态评估及趋势预警,提升电网运行的可靠性,而且可以有效克服随机森林和梯度提升方法遇到的过拟合问题,具有更好的泛化能力,更有效的评判未知样本类别,进而解决了现有技术中的设备状态的评估方法效率低,且存在过拟合的技术问题。
实施例3
根据本发明实施例,提供了一种存储介质的实施例,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述实施例1中的设备状态的评估方法。
实施例4
根据本发明实施例,提供了一种处理器的实施例,处理器用于运行程序,其中,程序运行时执行上述实施例1中的设备状态的评估方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种设备状态的评估方法,其特征在于,包括:
获取变电站二次设备的状态数据;
将所述状态数据输入至极端随机化树模型,得到所述变电站二次设备的评估结果,其中,所述极端随机化树模型是由服务器集群中包含的多个服务器并行生成的。
2.根据权利要求1所述的方法,其特征在于,在将所述状态数据输入至极端随机化树模型,得到所述变电站二次设备的评估结果之前,所述方法还包括:
获取样本数据集合,其中,所述样本数据集合包括:所述变电站二次设备的多个样本数据;
控制所述多个服务器基于所述样本数据集合,并行构建决策树模型;
对所述多个服务器构建的决策树模型进行汇总,生成所述极端随机化树模型。
3.根据权利要求2所述的方法,其特征在于,控制所述多个服务器基于所述样本数据集合,并行构建决策树模型,包括:
通过远程调用方式,依次发送构建请求至所述多个服务器,以控制所述多个服务器构建所述决策树模型。
4.根据权利要求2所述的方法,其特征在于,在对所述多个服务器构建的决策树模型进行汇总,生成所述极端随机化树模型之前,所述方法还包括:
接收所述多个服务器在所述决策树模型构建成功之后返回的消息;
在接收到所有服务器返回的消息的情况下,对所述多个服务器构建的决策树模型进行汇总,生成所述极端随机化树模型。
5.根据权利要求4所述的方法,其特征在于,在预设时间段内未接到任意一个服务器返回的消息的情况下,再次发送构建请求至所述任意一个服务器,直至重新发送所述构建请求的次数超过预设次数。
6.根据权利要求4所述的方法,其特征在于,在未收到所有服务器返回的消息的情况下,输出用于表征所述极端随机化树模型生成失败的提示信息。
7.根据权利要求2所述的方法,其特征在于,在获取样本数据集合之后,所述方法还包括:
控制所述多个服务器并行获取所述样本数据集合的元数据;
将所述元数据的格式转换为预设格式,得到新的元数据;
将所述新的元数据存储至元数据库中。
8.根据权利要求7所述的方法,其特征在于,将所述元数据的格式转换为预设格式,得到新的元数据,包括:
获取所述元数据的属性,其中,所述属性包括如下至少之一:条件属性、决策属性、问题属性;
获取所述属性对应的预设格式;
按照所述预设格式,对所述元数据进行格式转换,得到所述新的元数据。
9.根据权利要求2所述的方法,其特征在于,在将所述状态数据输入至极端随机化树模型,得到所述变电站二次设备的评估结果之后,所述方法还包括:
将所述状态数据作为新的样本数据,并存储在所述样本数据集合中。
10.一种设备状态的评估***,其特征在于,包括:
服务器集群,包括:多个服务器,用于并行生成极端随机化树模型;
评估设备,与所述服务器集群连接,用于获取变电站二次设备的状态数据,并将所述状态数据输入至所述极端随机化树模型,得到所述变电站二次设备的评估结果。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述的设备状态的评估方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的设备状态的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558123.1A CN109658284A (zh) | 2018-12-19 | 2018-12-19 | 设备状态的评估方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558123.1A CN109658284A (zh) | 2018-12-19 | 2018-12-19 | 设备状态的评估方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658284A true CN109658284A (zh) | 2019-04-19 |
Family
ID=66115665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811558123.1A Pending CN109658284A (zh) | 2018-12-19 | 2018-12-19 | 设备状态的评估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658284A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615789A (zh) * | 2008-06-23 | 2009-12-30 | 上海申瑞电力科技股份有限公司 | 广域量测***追踪状态估计方法 |
CN102143215A (zh) * | 2011-01-20 | 2011-08-03 | 中国人民解放军理工大学 | 一种基于网络的pb级云存储***及其处理方法 |
WO2018004661A1 (en) * | 2016-07-01 | 2018-01-04 | Intel Corporation | Monitoring electrical substation networks |
US20180260531A1 (en) * | 2017-03-10 | 2018-09-13 | Microsoft Technology Licensing, Llc | Training random decision trees for sensor data processing |
-
2018
- 2018-12-19 CN CN201811558123.1A patent/CN109658284A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615789A (zh) * | 2008-06-23 | 2009-12-30 | 上海申瑞电力科技股份有限公司 | 广域量测***追踪状态估计方法 |
CN102143215A (zh) * | 2011-01-20 | 2011-08-03 | 中国人民解放军理工大学 | 一种基于网络的pb级云存储***及其处理方法 |
WO2018004661A1 (en) * | 2016-07-01 | 2018-01-04 | Intel Corporation | Monitoring electrical substation networks |
US20180260531A1 (en) * | 2017-03-10 | 2018-09-13 | Microsoft Technology Licensing, Llc | Training random decision trees for sensor data processing |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN110286279B (zh) * | 2019-06-05 | 2021-03-16 | 武汉大学 | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
CN110889544B (zh) * | 2019-11-20 | 2022-07-01 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11561950B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
CN102567391A (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN109800995A (zh) | 一种电网设备故障识别方法及*** | |
CN109389518A (zh) | 关联分析方法及装置 | |
CN110442737A (zh) | 基于图数据库的数字孪生方法及*** | |
CN112651534B (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN109271602A (zh) | 深度学习模型发布方法及装置 | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
CN111950622A (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
CN110796366A (zh) | 质差小区识别方法和装置 | |
Krishna | An integrated approach for weather forecasting based on data mining and forecasting analysis | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
CN109658284A (zh) | 设备状态的评估方法和*** | |
CN109918313A (zh) | 一种基于GBDT决策树的SaaS软件性能故障诊断方法 | |
CN115185804A (zh) | 服务器性能预测方法、***、终端及存储介质 | |
Tziolis et al. | Advanced short-term net load forecasting for renewable-based microgrids | |
CN112801145B (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN116862209B (zh) | 一种新能源汽车充电设施管理方法及*** | |
CN105956816A (zh) | 物资运输信息智能处理方法 | |
CN114297290A (zh) | 一种电力营销数据共享应用平台 | |
CN116627773B (zh) | 产销差统计平台***的异常分析方法及*** | |
CN111783487B (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN113420887A (zh) | 预测模型构建方法、装置、计算机设备及可读存储介质 | |
Fajar et al. | Comparison of discrete event simulation and agent based simulation for evaluating the performance of port container terminal | |
CN112925964A (zh) | 基于云计算服务的大数据采集方法及大数据采集服务*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |