CN110826855A - 智能配电房状态监测传感器入网性能的检验方法及*** - Google Patents

Abstract

本申请涉及智能配电房状态监测传感器入网性能的检验方法及***，其中，检验方法包括：根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中，i＝1,2,…,m，m为传感器类别数；根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量N_t；S4，对各类型传感器分别采用抽检数量N_t进行检验。根据出厂历史检验最大不合格品率情况及其规律，建立了各类传感器入网性能检验抽样数量方法，有针对性的提高检验抽样效率并兼顾抽样准确性。

Description

智能配电房状态监测传感器入网性能的检验方法及***

技术领域

本申请涉及智能配电房状态监测领域，特别是涉及智能配电房状态监测传感器入网性能的检验方法及***。

背景技术

我国将加快推进“互联网+”智能电网建设，全面提升电力***的智能化水平，提高电网接纳和优化配置多种能源的能力，满足多元用户供需互动，实现能源生产和消费的综合调配，充分发挥智能电网在现代能源体系中的作用。并且，随着我国电网规模急剧扩大，新投运的配电房数量的成倍增长。为提高生产管理效率，转变生产方式，新配电房都按照无人值守，人员定期巡检进行设计和运行。因此需要在配网领域推广应用智能配电房、在线监测、状态诊断、智能巡检等技术，全面提升配电房设备运行管理水平，努力推进配电房智能化改造，实现电网的优化运行及智能决策。但是，智能配电房的运行依赖于配电房中的传感器实时、全方位地监测配电房环境、设备的运行状态，可靠地反馈信息给管理平台。因此，传感器的可靠性对智能配电房的可靠稳定运行至关重要。

为了提高传感器可靠性，必须从源头把关，从传感器的出厂检验、到货抽检和入网检测，到现场定期检测都必须做到严格控制，为科学制定传感设备性能检测方案和判定依据方法提供技术依据。

但是，传统传感器入网抽检中，抽样方法是根据简单随机抽样从待测产品批中抽取作为样本中的单位产品，当批由子批或者层组成时，则使用按比例配置的分层抽样，抽样数量主要依靠人为经验，没有综合考虑传感器检查历史记录，抽检过程带有很大的主观性，而且存在着检查效率低等问题。

发明内容

基于此，有必要提供一种智能配电房状态监测传感器入网性能的检验方法及***。

一种智能配电房状态监测传感器入网性能的检验方法，包括以下步骤：S1，根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中，i＝1,2,…,m，m为传感器类别数；S2，根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；S3，将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量N_t；S4，对各类型传感器分别采用抽检数量N_t进行检验。

上述检验方法，根据出厂历史检验最大不合格品率情况及其规律，建立了各类传感器入网性能检验抽样数量方法，有针对性的提高检验抽样效率并兼顾抽样准确性；且通过对每种类型传感器出厂检验历史记录进行量化，计算每类传感器预测不合格率，同时考虑历史检验和入网检验的数据间隔计算抽检权重，最后计算得到抽样数量，充分利用传感器出厂检验历史数据，同时综合考虑不同传感器性能检验要求，针对不同类型传感器确认不同抽样量，在保证抽样代表性和准确性的同时，提高了入网检验效率。

在其中一个实施例中，步骤S1具体包括以下步骤：

S11，将电网智能配电房中所有传感器按照工作原理和功能进行分类；

S12，根据电网智能配电房设备管理平台的数据，以传感器出厂检验历史记录为基础建立数据集X＝{X₁,X₂,…X_m}；

S13，以X_i＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}表示i类传感器的检验记录，x_n代表同类传感器出厂检验中第n个传感器各项性能指标的情况，且记为

表示第n个传感器性能指标j的值，y_n表示第n个传感器的检查结果，其中，检查合格则y_n＝0，否则y_n＝1；

S14，将每类传感器的数据集X_i随机划分为训练集C和验证集V，其中训练集C的样本数为验证集V的样本数的M倍，其中，M大于等于3；

S15，基于每类传感器的训练集C，使用逻辑回归理论建立一组不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}；其中，N为不合格预测模型的个数；

S16，利用验证集V，对N个不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}进行检验，将预测准确率最高的模型作为该类传感器最终的不合格率预测模型，并记为P；

S17，基于每类传感器最终的不合格率预测模型，计算电网智能配电房入网的每类传感器预测不合格率P(i)。

在其中一个实施例中，所述性能指标为传感器相关标准及要求出厂检验中对应的检查指标。

在其中一个实施例中，步骤S15中，建立第k个不合格预测模型p^(k)，其中， k＝1,2,…N，包括以下步骤：

S151，随机设置逻辑回归模型一组权重

及其偏置 b^(k)，所述逻辑回归模型为：

其中，x_i表示训练集中第i个样本，

表示在第k个预测模型中第s个属性的权重；

表示i类传感器属性s的值；

S152，通过调整权重

及其偏置b^(k)参数以优化逻辑回归模型，得到第k个不合格预测模型。

在其中一个实施例中，优化逻辑回归模型采用以下步骤实现：通过校正均方根误差评价预测结果P^(k)(x_i)与真实标记y_i之间的误差，通过批量梯度下降法来最小化逻辑回归模型中的误差，得到第k个不合格预测模型。

在其中一个实施例中，校正均方根误差RMSEC采用以下方式计算得到：

其中，|C|表示训练集C中的样本数。

在其中一个实施例中，步骤S2中，采用以下方式计算每类传感器的抽检权重P^*(i)：

其中，P(i)表示i类传感器的预测不合格率，T_i表示距离i类传感器最近一次出厂检查的时间，σ∈(0,1)为i类传感器所预设的不合格率阈值。

在其中一个实施例中，步骤S3中，采用以下方式计算各类型传感器的抽检数量N_t：

N_t＝P^*(i)N_max

其中，P^*(i)为i类传感器的抽检权重，N_max为预设的i类传感器最大抽样量。

在其中一个实施例中，步骤S1之前，所述检验方法还包括步骤：连接电网智能配电房设备管理平台，获取其中涉及传感器的数据。

一种智能配电房状态监测传感器入网性能的检验***，其采用任一项所述智能配电房状态监测传感器入网性能的检验方法实现。

附图说明

图1为本申请一实施例的流程示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

在本申请一个实施例中，如图1所示，一种智能配电房状态监测传感器入网性能的检验方法，包括以下步骤：S1，根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中，i＝1,2,…,m，m为传感器类别数；S2，根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；S3，将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量N_t；S4，对各类型传感器分别采用抽检数量N_t进行检验。上述检验方法，根据出厂历史检验最大不合格品率情况及其规律，建立了各类传感器入网性能检验抽样数量方法，有针对性的提高检验抽样效率并兼顾抽样准确性；且通过对每种类型传感器出厂检验历史记录进行量化，计算每类传感器预测不合格率，同时考虑历史检验和入网检验的数据间隔计算抽检权重，最后计算得到抽样数量，充分利用传感器出厂检验历史数据，同时综合考虑不同传感器性能检验要求，针对不同类型传感器确认不同抽样量，在保证抽样代表性和准确性的同时，提高了入网检验效率。

在其中一个实施例中，一种智能配电房状态监测传感器入网性能的检验方法，其包括以下实施例的部分步骤或全部步骤；即，所述智能配电房状态监测传感器入网性能的检验方法包括以下的部分技术特征或全部技术特征。

在其中一个实施例中，S1，根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中，i＝1,2,…,m， m为传感器类别数；进一步地，在其中一个实施例中，按应用环境对所有传感器进行分类；在其中一个实施例中，按应用环境及/或重要性及/或准确率对所有传感器进行分类；可以理解的是，在不同应用的极端环境中，对于传感器的需求是有实质区别的，需要稳定、有效地应用智能配电房及其在线监测、状态诊断、智能巡检等技术，全面提升配电房设备运行管理水平，就需要从源头把关确保传感器的可靠性。在其中一个实施例中，步骤S1具体包括以下步骤：S11，将电网智能配电房中所有传感器按照工作原理和功能进行分类；S12，根据电网智能配电房设备管理平台的数据，以传感器出厂检验历史记录为基础建立数据集X＝{X₁,X₂,…X_m}；S13，以X_i＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}表示i类传感器的检验记录，x_n代表同类传感器出厂检验中第n个传感器各项性能指标的情况，且记为

表示第n个传感器性能指标j的值，y_n表示第n个传感器的检查结果，其中，检查合格则y_n＝0，否则y_n＝1；S14，将每类传感器的数据集X_i随机划分为训练集C和验证集V，其中训练集C的样本数为验证集V的样本数的M倍；S15，基于每类传感器的训练集C，使用逻辑回归理论建立一组不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}；其中，N为不合格预测模型的个数；S16，利用验证集V，对N个不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}进行检验，将预测准确率最高的模型作为该类传感器最终的不合格率预测模型，并记为P；S17，基于每类传感器最终的不合格率预测模型，计算电网智能配电房入网的每类传感器预测不合格率P(i)。这样的设计，给出了计算预测不合格率数据源，以及建立不合格率预测模型的方法，且优化了逻辑回归模型，配合相关步骤实现了智能配电房状态监测传感器入网性能检验抽样数量确认的方法流程，有利于针对不同类型传感器确认不同抽样量。

在其中一个实施例中，步骤S1之前，所述检验方法还包括步骤：连接电网智能配电房设备管理平台，获取其中涉及传感器的数据。进一步地，在其中一个实施例中，远程连接电网智能配电房设备管理平台，获取其中涉及传感器的数据。这样的设计，无论身处何地，在大数据***的支持下，就可以获得电网智能配电房设备管理平台中的传感器的数据，以便于执行后续步骤：根据电网智能配电房设备管理平台的数据例如将电网智能配电房中所有传感器按照工作原理和功能进行分类等。

在其中一个实施例中，步骤S1具体包括以下步骤：

S11，将电网智能配电房中所有传感器按照工作原理和功能进行分类；即，对于配电房中所有传感器，将这些传感器按照工作原理和功能进行分类；进一步地，在其中一个实施例中，将电网智能配电房中所有传感器按照工作条件、工作原理和功能进行分类。这样的设计，使得分类更加准确，更能符合后续建立数据集的步骤的需求，从而有利于对每种类型传感器出厂检验历史记录进行量化。

S12，根据电网智能配电房设备管理平台的数据，以传感器出厂检验历史记录为基础建立数据集X＝{X₁,X₂,…X_m}；数据集是后续各步骤的基础，基于传感器数据尤其是传感器出厂检验历史记录，能够对每种类型传感器出厂检验历史记录进行量化，作为计算预测不合格率数据源使用。

S13，以X_i＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}表示i类传感器的检验记录，x_n代表同类传感器出厂检验中第n个传感器各项性能指标的情况，且记为

表示第n个传感器性能指标j的值，y_n表示第n个传感器的检查结果，其中，检查合格则y_n＝0，否则y_n＝1；亦即，对于第n个传感器的检查结果，若检查合格则y_n＝0，若检查不合格则y_n＝1。在其中一个实施例中，所述性能指标为传感器相关标准及要求出厂检验中对应的检查指标。这样的设计，有利于保证各个传感器的性能指标是符合需求的，而且也简化了后续步骤的不合格率预测模型的计算。

S14，将每类传感器的数据集X_i随机划分为训练集C和验证集V，其中训练集C的样本数为验证集V的样本数的M倍，其中，M大于等于3；在其中一个实施例中，M为大于2的自然数，在其中一个实施例中，M为传感器类别数。训练集C和验证集V的设计，主要是为了后续步骤的建立不合格率预测模型而做出的，训练集C的样本数通常选择大于验证集V的样本数。

S15，基于每类传感器的训练集C，使用逻辑回归理论建立一组不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}；其中，N为不合格预测模型的个数；其中，建立第k 个不合格预测模型p^(k)亦即训练第k个不合格预测模型p^(k)。在其中一个实施例中，步骤S15中，建立第k个不合格预测模型p^(k)，其中，k＝1,2,…N，包括以下步骤：

S151，随机设置逻辑回归模型一组权重

及其偏置 b^(k)，所述逻辑回归模型为：

其中，x_i表示训练集中第i个样本，

表示在第k个预测模型中第s个属性的权重；

表示i类传感器属性s的值；

S152，通过调整权重

及其偏置b^(k)参数以优化逻辑回归模型，得到第k个不合格预测模型。在其中一个实施例中，优化逻辑回归模型采用以下步骤实现：通过校正均方根误差RMSEC评价预测结果P^(k)(x_i) 与真实标记y_i之间的误差，通过批量梯度下降法来最小化逻辑回归模型中的误差，得到第k个不合格预测模型。在其中一个实施例中，校正均方根误差RMSEC 采用以下方式计算得到：

其中，|C|表示训练集C中的样本数。

S16，利用验证集V，对N个不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}进行检验，将预测准确率最高的模型作为该类传感器最终的不合格率预测模型，并记为P；

S17，基于每类传感器最终的不合格率预测模型，计算电网智能配电房入网的每类传感器预测不合格率P(i)。这样的设计，通过对每种类型传感器出厂检验历史记录进行量化，计算每类传感器预测不合格率；然后用这个各类传感器预测不合格率配合后续步骤，能够针对不同类型传感器确认不同抽样量，在保证抽样代表性和准确性的同时，提高了入网检验效率。

在其中一个实施例中，S2，根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；在其中一个实施例中，步骤S2中，采用以下方式计算每类传感器的抽检权重P^*(i)：

其中，P(i)表示i类传感器的预测不合格率，T_i表示距离i类传感器最近一次出厂检查的时间，σ∈(0,1)为i类传感器所预设的不合格率阈值。这样的设计，给出了计算抽检权重的方法，考虑历史检验和入网检验的数据间隔计算抽检权重，配合前面的步骤，充分利用传感器出厂检验历史数据，能够根据出厂历史检验最大不合格品率情况及其规律，建立各类传感器入网性能检验抽样数量方法，且有针对性的提高检验抽样效率并兼顾抽样准确性。

在其中一个实施例中，S3，将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量N_t；在其中一个实施例中，步骤S3中，采用以下方式计算各类型传感器的抽检数量N_t：

N_t＝P^*(i)N_max

即i类传感器的抽检数量N_t为i类传感器的抽检权重与预设的i类传感器最大抽样量的积。其中，P^*(i)为i类传感器的抽检权重，N_max为预设的i类传感器最大抽样量。进一步地，在其中一个实施例中，步骤S3之前，所述检验方法还包括：预设置或调整i类传感器的最大抽样量N_max。这样的设计，给出了计算抽样数量的方法，通过对每种类型传感器出厂检验历史记录进行量化，计算每类传感器预测不合格率，同时考虑历史检验和入网检验的数据间隔计算抽检权重，同时综合考虑不同传感器性能检验要求，最后计算得到抽样数量。

在其中一个实施例中，S4，对各类型传感器分别采用抽检数量N_t进行检验。即，按传感器所属类型，第i类传感器的抽检数量为N_t且以此数量进行检验。进一步地，在其中一个实施例中，对于大批量的传感器，区别其类型，且根据类型分别对各类型传感器分别采用抽检数量N_t进行检验。进一步地，在其中一个实施例中，按地域对大批量的传感器，区别其类型，且根据类型分别对各类型传感器分别采用抽检数量N_t进行检验。这样的设计，有利于从源头把关，将数量巨大的传感器从出厂检验、到货抽检至入网检测进行有机整合，样本的数量是通过有效模型进行精确计算而确定，不同类型传感器具有科学合理的不同抽样量，从而确保到了配电房的每种类型传感器抽样检测的准确性及检测效率。

在其中一个实施例中，所述检验方法中，利用传感器出厂最大不合格品率与批量数及抽样数的关系，建立智能配电房状态监测各类传感器入网性能检验抽样方法，并确定入网性能检验抽样数量。在其中一个实施例中，所述检验方法中，根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；根据每类传感器的预测不合格率，计算每类传感器的抽检权重P^*(i)；将所有类型传感器按照P^*(i)降序排列，根据P^*(i)自动生成检验列表并计算抽检数量N_t。根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)，其中 i＝1,2,3,……,m，m表示传感器类别总数。具体如下：

1)将智能配电房中所有传感器按照工作原理和功能进行分类；

2)根据电网智能配电房设备管理平台的数据，以传感器出厂检验历史记录为基础建立数据集X＝{X₁,X₂,…X_m}；

其中，m为传感器类别数

3)X_i＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}表示i类传感器的检验记录，x_n代表同类传感器出厂检验中第n个传感器各项性能指标的情况，记为

表示第n个传感器性能指标j的值，y_n表示第n个传感器的检查结果，如果检查合格y_n＝0，否则y_n＝1；

所述性能指标为传感器相关标准和电网企业采购方要求出厂检验中对应的检查指标；

表1～5给出上述5种传感器的性能指标，具体如下所示。

表1温度传感器性能指标

表2臭氧传感器性能指标

表3烟雾探测器性能指标

表4局部放电传感器性能指标

表5水浸传感器性能指标

可以理解的是，上表1至5仅仅是一些具体实施的例子，不应被视为对于本申请各实施例额外限制。

4)将每类传感器的数据集X_i随机划分为训练集C和验证集V，其中训练集C的样本数为验证集V的样本数M倍；

5)基于每类传感器的训练集C，使用逻辑回归理论建立一组不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}；其中，N为不合格预测模型的个数；

训练第k个(k＝1,2,…N，N为不合格预测模型的个数)不合格预测模型的方法具体为：

(a)随机设置逻辑回归模型一组权重

及其偏置b^(k)，所述逻辑回归模型为：

其中，x_i表示训练集中第i个样本，表示在第k个预测模型中第s个属性的权重；

表示i类传感器属性s的值。

(b)通过调整权重

及其偏置b^(k)参数，来优化逻辑回归模型，得到第k个不合格预测模型。优化逻辑回归模型的具体方法为：通过校正均方根误差(RMSEC)来评价预测结果P^(k)(x_i)与真实标记yi之间的误差，通过批量梯度下降法来最小化逻辑回归模型中的误差，得到第k个不合格预测模型。所述校正均方根误差RMSEC计算公式为：

其中，|C|表示训练集C中的样本数

6)利用验证集V，对N个不合格率预测模型{p⁽¹⁾,p⁽²⁾,…p^(N)}进行检验，将预测准确率最高的模型作为这类传感器最终的不合格率预测模型，并记为P；

7)基于每类传感器的最终不合格率预测模型，计算配电房入网的每类传感器预测不合格率P(i)(i＝1,2,…,m)，其中m表示传感器类别数；

至此，就得到了每类传感器的预测不合格率P(i)。

根据每类传感器的预测不合格率，计算每类传感器的抽检权重P^*(i)。

每类传感器抽检权重P^*(i)的计算公式为：

其中，P(i)表示每类传感器预测不合格率，T_i表示距离i类传感器最近一次出厂检查的时间，σ∈(0,1)为电网手动设置的不合格率阈值。

至此，就得到了每类传感器的抽检权重P^*(i)，以此计算得到其中一个具体实施的例子如下表6所示，可以理解的是，下表6仅仅是一个具体实施的例子，不应被视为对于本申请各实施例额外限制。

表6不同类型传感器抽检权重

将所有类型传感器按照P^*(i)降序排列，根据P^*(i)自动生成检验列表并计算抽检数量N_t。抽检数量N_t计算公式为：

N_t＝P^*(i)N_max

其中，P^*(i)为i类传感器的抽检权重，N_max为电网企业设置的i类传感器最大抽样量。

至此，就得到了每类传感器的抽检数量N_t，以此计算得到其中一个具体实施的例子如下表7所示，同样地，可以理解的是，下表7仅仅是一个具体实施的例子，不应被视为对于本申请各实施例额外限制。

表7不同类型传感器抽检权重及数量

传感器类型	抽检权重P<sup>*</sup>(i)	抽检数量N<sub>t</sub>
			温度传感器	0.171	171
臭氧传感器	0.375	188
			烟雾探测器	0.121	182
局部放电传感器	0.259	259
			水浸传感器	0.462	231

在其中一个实施例中，一种智能配电房状态监测传感器入网性能的检验***，其采用任一实施例所述智能配电房状态监测传感器入网性能的检验方法实现。在其中一个实施例中，所述检验***具有用于实现所述检验方法个步骤的功能模块；在其中一个实施例中，所述检验***包括：分类模块、权重模块、抽检模块及检验模块；所述分类模块用于根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中， i＝1,2,…,m，m为传感器类别数；所述权重模块用于根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；所述抽检模块用于将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量N_t；所述检验模块用于对各类型传感器分别采用抽检数量N_t进行检验。其余实施例以此类推。这样的设计，根据出厂历史检验最大不合格品率情况及其规律，建立了各类传感器入网性能检验抽样数量方法，有针对性的提高检验抽样效率并兼顾抽样准确性；且通过对每种类型传感器出厂检验历史记录进行量化，计算每类传感器预测不合格率，同时考虑历史检验和入网检验的数据间隔计算抽检权重，最后计算得到抽样数量，充分利用传感器出厂检验历史数据，同时综合考虑不同传感器性能检验要求，针对不同类型传感器确认不同抽样量，在保证抽样代表性和准确性的同时，提高了入网检验效率。

需要说明的是，本申请的其它实施例还包括，上述各实施例中的技术特征相互组合所形成的、能够实施的智能配电房状态监测传感器入网性能的检验方法及***，所述***即智能配电房状态监测传感器入网性能的检验***，亦即检验***。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的专利保护范围应以所附权利要求为准。

Claims (10)

1.一种智能配电房状态监测传感器入网性能的检验方法，其特征在于，包括以下步骤：

S1，根据电网智能配电房设备管理平台的数据，对所有传感器进行分类，并计算每类传感器的预测不合格率P(i)；其中，i＝1，2，…，m，m为传感器类别数；

S2，根据每类传感器的预测不合格率P(i)，计算每类传感器的抽检权重P^*(i)；

S3，将所有类型传感器按照抽检权重P^*(i)降序排列，根据抽检权重P^*(i)自动生成检验列表并计算抽检数量Nt；

S4，对各类型传感器分别采用抽检数量Nt进行检验。

2.根据权利要求1所述检验方法，其特征在于，步骤S1具体包括以下步骤：

S11，将电网智能配电房中所有传感器按照工作原理和功能进行分类；

S12，根据电网智能配电房设备管理平台的数据，以传感器出厂检验历史记录为基础建立数据集X＝{X₁，X₂，...X_m}；

S13，以X_i＝{(x₁，y₁)，(x₂，y₂)，...(x_n，y_n)}表示i类传感器的检验记录，x_n代表同类传感器出厂检验中第n个传感器各项性能指标的情况，且记为

表示第n个传感器性能指标j的值，y_n表示第n个传感器的检查结果，其中，检查合格则y_n＝0，否则y_n＝1；

S14，将每类传感器的数据集X_i随机划分为训练集C和验证集V，其中训练集C的样本数为验证集V的样本数的M倍，其中，M大于等于3；

S15，基于每类传感器的训练集C，使用逻辑回归理论建立一组不合格率预测模型{p⁽¹⁾，p⁽²⁾，...p^(N)}；其中，N为不合格预测模型的个数；

S16，利用验证集V，对N个不合格率预测模型{p⁽¹⁾，p⁽²⁾，...p^(N)}进行检验，将预测准确率最高的模型作为该类传感器最终的不合格率预测模型，并记为P；

S17，基于每类传感器最终的不合格率预测模型，计算电网智能配电房入网的每类传感器预测不合格率P(i)。

3.根据权利要求2所述检验方法，其特征在于，所述性能指标为传感器相关标准及要求出厂检验中对应的检查指标。

4.根据权利要求2所述检验方法，其特征在于，步骤S15中，建立第k个不合格预测模型p^(k)，其中，k＝1，2，…N，包括以下步骤：

S151，随机设置逻辑回归模型一组权重

及其偏置b^(k)，所述逻辑回归模型为：

其中，x_i表示训练集中第i个样本，

表示在第k个预测模型中第s个属性的权重；

表示i类传感器属性s的值；

S152，通过调整权重

及其偏置b^(k)参数以优化逻辑回归模型，得到第k个不合格预测模型。

5.根据权利要求4所述检验方法，其特征在于，优化逻辑回归模型采用以下步骤实现：

通过校正均方根误差评价预测结果P^(k)(x_i)与真实标记y_i之间的误差，通过批量梯度下降法来最小化逻辑回归模型中的误差，得到第k个不合格预测模型。

6.根据权利要求5所述检验方法，其特征在于，校正均方根误差RMSEC采用以下方式计算得到：

其中，|C|表示训练集C中的样本数。

7.根据权利要求1所述检验方法，其特征在于，步骤S2中，采用以下方式计算每类传感器的抽检权重P^*(i)：

其中，P(i)表示i类传感器的预测不合格率，T_i表示距离i类传感器最近一次出厂检查的时间，σ∈(0，1)为i类传感器所预设的不合格率阈值。

8.根据权利要求1所述检验方法，其特征在于，步骤S3中，采用以下方式计算各类型传感器的抽检数量Nt：

N_t＝P^*(i)N_max

其中，P^*(i)为i类传感器的抽检权重，N_max为预设的i类传感器最大抽样量。

9.根据权利要求1至8中任一项所述检验方法，其特征在于，步骤S1之前，所述检验方法还包括步骤：连接电网智能配电房设备管理平台，获取其中涉及传感器的数据。

10.一种智能配电房状态监测传感器入网性能的检验***，其特征在于，采用如权利要求1至9中任一项所述智能配电房状态监测传感器入网性能的检验方法实现。

Images