CN111723519A - 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 - Google Patents

基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 Download PDF

Info

Publication number
CN111723519A
CN111723519A CN202010472929.XA CN202010472929A CN111723519A CN 111723519 A CN111723519 A CN 111723519A CN 202010472929 A CN202010472929 A CN 202010472929A CN 111723519 A CN111723519 A CN 111723519A
Authority
CN
China
Prior art keywords
data
transformer fault
machine learning
prediction
logistic regression
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.)
Granted
Application number
CN202010472929.XA
Other languages
English (en)
Other versions
CN111723519B (zh
Inventor
张晨萌
胡灿
张宗喜
谢施君
曹树屏
张榆
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202010472929.XA priority Critical patent/CN111723519B/zh
Publication of CN111723519A publication Critical patent/CN111723519A/zh
Application granted granted Critical
Publication of CN111723519B publication Critical patent/CN111723519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法，该装置包括系列数据输入接口，逻辑回归持续机器学习模型实现模块，朴素贝叶斯持续机器学习模型实现模块，择优数据输出选择器和预测数据输出模块。本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了***运行效率；并且利用择优数据输出选择器根据模型输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。

Description

基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法
技术领域
本发明属于变压器故障诊断技术领域，具体涉及一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法。
背景技术
电力变压器是电力***中至关重要的设备之一，其运行状况直接关系到电力***的安全稳定运行。变压器状态评估及其分支课题基于时间序列数据的故障检测，一直是业内重点研究的课题，对电网的稳健运行具有重要的意义。
随着能源互联网的发展，传统评估方案以及单一的机器学习变压器评估方案的尝试已经被初步探索，这些方法虽然有一定的效果，但存在着故障判断准确度低，外界环境变化无法及时更新等问题。近些年来学者们提出了一些更层次的机器学习的算法来对诊断方法进行升级，但仍然存在着一些缺点，如：模糊聚类法对于大规模的样本分类效果不理想；SVM同样对大规模训练样本难以适用等。
发明内容
基于现有技术中存在的以上问题，本发明的目的在于提供一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法。
为了实现以上目的，本发明采用的技术方案为：
一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，包括：
系列数据输入接口，用于适配电力***的通信接口，整合历史状态数据和历史环境数据；
逻辑回归持续机器学习模型实现模块，用于调用内部封装的逻辑回归算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
朴素贝叶斯持续机器学习模型实现模块，用于调用内部封装的朴素贝叶斯算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
进一步地，所述系列数据输入接口具体用于输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
进一步地，所述择优数据输出选择器具体用于对所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
进一步地，所述预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
进一步地，还包括标准嵌入式计算支撑硬件模块，所述标准嵌入式计算支撑硬件模块用于提供支撑所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源。
基于上述变压器故障诊断装置，本发明还提出了一种基于逻辑回归和朴素贝叶斯的变压器故障诊断方法，包括以下步骤：
S1、利用系列数据输入接口适配电力***的通信接口，整合历史状态数据和历史环境数据；
S2、利用逻辑回归持续机器学习模型实现模块调用内部封装的逻辑回归算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用朴素贝叶斯持续机器学习模型实现模块调用内部封装的朴素贝叶斯算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
进一步地，所述步骤S1具体利用系列数据输入接口输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
进一步地，所述步骤S4具体利用择优数据输出选择器对所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
进一步地，所述步骤S5中预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
进一步地，还包括利用标准嵌入式计算支撑硬件模块提供支撑步骤S3中逻辑回归持续机器学习模型实现模块和步骤S4中朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源。
本发明的有益效果为：
(1)本发明提供的逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了***运行效率；
(2)本发明提供的择优数据输出选择器通过根据逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
附图说明
图1为本发明提供的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置结果示意图；
图2为本发明提供的基于逻辑回归和朴素贝叶斯的变压器故障诊断方法流程示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，包括：
系列数据输入接口，用于适配电力***的通信接口，整合历史状态数据和历史环境数据；
逻辑回归持续机器学习模型实现模块，用于调用内部封装的逻辑回归算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
朴素贝叶斯持续机器学习模型实现模块，用于调用内部封装的朴素贝叶斯算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
在本实施例中，系列数据输入接口用于适配电力***的通信接口，输入因变量和多列自变量数据，其中因变量数据包括状态因子，自变量数据包括环境数据、油色谱采集数据和运行状态数据，并将输入的因变量和多列自变量数据整合胃历史状态数据和历史环境数据。该功能具体可以采用多组标准物理通信接口实现，如USB接口、网口、Type-C接口、WIFI等，并且支持TCP/IP和串口通信等协议，同时提供数据输入的标准API，规范数据输入格式即可实现。
在本实施例中，本发明按照充分发挥机器学习算法的自我更新能力并且将其硬件化的思路，分别构建逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块。
逻辑回归通过拟合一个逻辑函数/假设函数(logic function/hypothesisfunction)来预测一个事件发生的概率；朴素贝叶斯分类(NBC)是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法，先通过已给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入后求出使得后验概率最大的输出。朴素贝叶斯算法假设了数据集属性之间是相互独立的，因此算法的逻辑性十分简单，并且算法较为稳定，当数据呈现不同的特点时，朴素贝叶斯的分类性能不会有太大的差异。换句话说就是朴素贝叶斯算法的健壮性比较好，对于不同类型的数据集不会呈现出太大的差异性。当数据集属性之间的关系相对比较独立时，朴素贝叶斯分类算法会有较好的效果。
逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块分别用于调用内部封装的逻辑回归算法和朴素贝叶斯算法对系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果，即是否可能出现故障或亚健康等。该功能具体可以采用一块机器学习优化硬件+代码实现，如GPU+可编程开发板。在确定了模型代码后，可将可编程开发板固化为标准硬件或者固件，从而实现算法的硬件化实现。本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了***运行效率。
在本实施例中，为了解决传统油色谱及普通机器学习模型评估方案不具有多模型择优选择功能及落后模型自动调整参数功能，本发明利用择优数据输出选择器统计逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并将诊断结果返回给预测数据输出模块，从而提升最终输出结果的预测命中率；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级；择优数据输出选择器针对所选择的逻辑回归算法和朴素贝叶斯算法，在其中一个模型的预测命中率落后时，自动调整模型相关参数，如逐步逻辑回归中AIC的阈值，朴素贝叶斯模型中数据的分布函数等。
择优数据输出选择器通过根据逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
择优数据输出选择器的上述功能可以采用一块嵌入式可编程开发板实现，其关键在于能够接收逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型的输出数据，并对历史表现进行评估，同时择优输出结果数据。
在本实施例中，本发明的预测数据输出模块具体包括显示单元和/或HTTP接口，其中显示单元用于向用户展示择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，HTTP接口用于将择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
预测数据输出模块上述功能可以采用显示器+代码实现，其工作环境可以是Python或Java等环境，并调用现有的开源图表***如G2等进行作图，从而快速方便地实现相应功能。
在本实施例中，为了提高逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块的计算效率，本发明还包括标准嵌入式计算支撑硬件模块，标准嵌入式计算支撑硬件模块用于提供支撑所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源，如结果缓存、日志记录、设置参数读写等。。
标准嵌入式计算支撑硬件模块上述功能可以采用一块复合主板实现，主板上嵌入存储模块、总线等，从而实现对逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块计算资源的提供和支撑。
本发明通过各个模块相互配合，按照充分发挥机器学习能力并且将其硬件化的思路，将变压器整合后的历史状态数据、历史环境数据等输入到算法模块中，并根据近期的模型表现结果，择优输出结果数据，实现了对变压器近期故障预测。
本发明以将学习模型硬件化为思路，并且将训练模型-预测未来数据的循环过程封装入***中，同时选取了适合用于预测***的逻辑回归和朴素贝叶斯作为搭配算法，实现了创新的变压器设备状态评估方案，进而实现了从基本的表格型评估到智能持续学习型评估的升级，从而能够为我国电力***生产运维能力的升级贡献了一份创新力。
实施例2
基于上述变压器故障诊断装置，本发明还提出了一种基于逻辑回归和朴素贝叶斯的变压器故障诊断方法，如图2所示，包括以下步骤：
S1、利用系列数据输入接口适配电力***的通信接口，整合历史状态数据和历史环境数据；
S2、利用逻辑回归持续机器学习模型实现模块调用内部封装的逻辑回归算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用朴素贝叶斯持续机器学习模型实现模块调用内部封装的朴素贝叶斯算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
在步骤S1中，本发明利用系列数据输入接口适配电力***的通信接口，输入因变量和多列自变量数据，其中因变量数据包括状态因子，自变量数据包括环境数据、油色谱采集数据和运行状态数据，并将输入的因变量和多列自变量数据整合胃历史状态数据和历史环境数据。
在步骤S2和步骤S3中，本发明按照充分发挥机器学习算法的自我更新能力并且将其硬件化的思路，分别构建逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块。
逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块分别用于调用内部封装的逻辑回归算法和朴素贝叶斯算法对系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果，即是否可能出现故障或亚健康等
本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了***运行效率。
在步骤S4中，为了解决传统油色谱及普通机器学习模型评估方案不具有多模型择优选择功能及落后模型自动调整参数功能，本发明利用择优数据输出选择器统计逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并将诊断结果返回给预测数据输出模块，从而提升最终输出结果的预测命中率；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级；择优数据输出选择器针对所选择的逻辑回归算法和朴素贝叶斯算法，在其中一个模型的预测命中率落后时，自动调整模型相关参数，如逐步逻辑回归中AIC的阈值，朴素贝叶斯模型中数据的分布函数等。
择优数据输出选择器通过根据逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
在步骤S5中，本发明的预测数据输出模块具体包括显示单元和/或HTTP接口，其中显示单元用于向用户展示择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，HTTP接口用于将择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
此外，为了提高逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块的计算效率，本发明还包括利用标准嵌入式计算支撑硬件模块提供支撑所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源，如结果缓存、日志记录、设置参数读写等。。
本发明的上述实施例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，包括：
系列数据输入接口，用于适配电力***的通信接口，整合历史状态数据和历史环境数据；
逻辑回归持续机器学习模型实现模块，用于调用内部封装的逻辑回归算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
朴素贝叶斯持续机器学习模型实现模块，用于调用内部封装的朴素贝叶斯算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
2.根据权利要求1所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，所述系列数据输入接口具体用于输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
3.根据权利要求1所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，所述择优数据输出选择器具体用于对所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
4.根据权利要求3所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，所述预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
5.根据权利要求1至4任一所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，还包括标准嵌入式计算支撑硬件模块，所述标准嵌入式计算支撑硬件模块用于提供支撑所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源。
6.一种基于逻辑回归和朴素贝叶斯的变压器故障诊断方法，其特征在于，包括以下步骤：
S1、利用系列数据输入接口适配电力***的通信接口，整合历史状态数据和历史环境数据；
S2、利用逻辑回归持续机器学习模型实现模块调用内部封装的逻辑回归算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用朴素贝叶斯持续机器学习模型实现模块调用内部封装的朴素贝叶斯算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
7.根据权利要求6所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断方法，其特征在于，所述步骤S1具体利用系列数据输入接口输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
8.根据权利要求6所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断方法，其特征在于，所述步骤S4具体利用择优数据输出选择器对所述逻辑回归持续机器学习模型实现模块和朴素贝叶斯持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
9.根据权利要求8所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，所述步骤S5中预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部***。
10.根据权利要求6至9任一所述的基于逻辑回归和朴素贝叶斯的变压器故障诊断装置，其特征在于，还包括利用标准嵌入式计算支撑硬件模块提供支撑步骤S3中逻辑回归持续机器学习模型实现模块和步骤S4中朴素贝叶斯持续机器学习模型实现模块运行所需的外部计算资源。
CN202010472929.XA 2020-05-29 2020-05-29 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 Active CN111723519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472929.XA CN111723519B (zh) 2020-05-29 2020-05-29 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472929.XA CN111723519B (zh) 2020-05-29 2020-05-29 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法

Publications (2)

Publication Number Publication Date
CN111723519A true CN111723519A (zh) 2020-09-29
CN111723519B CN111723519B (zh) 2022-11-15

Family

ID=72565277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472929.XA Active CN111723519B (zh) 2020-05-29 2020-05-29 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法

Country Status (1)

Country Link
CN (1) CN111723519B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651444A (zh) * 2020-12-29 2021-04-13 山东科技大学 一种基于自学***稳过程异常检测方法
CN112990592A (zh) * 2021-03-26 2021-06-18 广东工业大学 一种共享交通工具故障预测方法及***
CN115456210A (zh) * 2022-08-22 2022-12-09 国网浙江省电力有限公司杭州市临安区供电公司 一种基于级联逻辑回归贝叶斯算法的用电投诉预警方法
WO2023045512A1 (zh) * 2021-09-24 2023-03-30 浪潮集团有限公司 一种基于机器学习对工业硬件进行故障检测的方法及***
CN117057486A (zh) * 2023-10-11 2023-11-14 云南电投绿能科技有限公司 电力***的运维成本预测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145647A1 (en) * 2008-12-04 2010-06-10 Xerox Corporation System and method for improving failure detection using collective intelligence with end-user feedback
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷***故障诊断方法
CN110222723A (zh) * 2019-05-14 2019-09-10 华南理工大学 一种基于混合模型的足球比赛首发预测方法
CN110968069A (zh) * 2018-09-28 2020-04-07 新疆金风科技股份有限公司 风力发电机组的故障预测方法、相应的装置及电子设备
CN111105063A (zh) * 2018-10-26 2020-05-05 北京国双科技有限公司 故障预测、模型构建方法、装置、处理器及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145647A1 (en) * 2008-12-04 2010-06-10 Xerox Corporation System and method for improving failure detection using collective intelligence with end-user feedback
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法
CN110968069A (zh) * 2018-09-28 2020-04-07 新疆金风科技股份有限公司 风力发电机组的故障预测方法、相应的装置及电子设备
CN111105063A (zh) * 2018-10-26 2020-05-05 北京国双科技有限公司 故障预测、模型构建方法、装置、处理器及可读存储介质
CN110222723A (zh) * 2019-05-14 2019-09-10 华南理工大学 一种基于混合模型的足球比赛首发预测方法
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷***故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘岩 等: "基于机器学习决策树的计量设备异常分析", 《自动化与仪器仪表》, 25 May 2018 (2018-05-25), pages 171 - 174 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651444A (zh) * 2020-12-29 2021-04-13 山东科技大学 一种基于自学***稳过程异常检测方法
CN112651444B (zh) * 2020-12-29 2022-08-02 山东科技大学 一种基于自学***稳过程异常检测方法
CN112990592A (zh) * 2021-03-26 2021-06-18 广东工业大学 一种共享交通工具故障预测方法及***
WO2023045512A1 (zh) * 2021-09-24 2023-03-30 浪潮集团有限公司 一种基于机器学习对工业硬件进行故障检测的方法及***
CN115456210A (zh) * 2022-08-22 2022-12-09 国网浙江省电力有限公司杭州市临安区供电公司 一种基于级联逻辑回归贝叶斯算法的用电投诉预警方法
CN115456210B (zh) * 2022-08-22 2024-04-12 国网浙江省电力有限公司杭州市临安区供电公司 一种基于级联逻辑回归贝叶斯算法的用电投诉预警方法
CN117057486A (zh) * 2023-10-11 2023-11-14 云南电投绿能科技有限公司 电力***的运维成本预测方法、装置、设备及存储介质
CN117057486B (zh) * 2023-10-11 2023-12-22 云南电投绿能科技有限公司 电力***的运维成本预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111723519B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN111723519B (zh) 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法
CN116846987B (zh) 一种工业互联网的交互界面生成方法及***
CN102955977A (zh) 一种基于云技术的能效服务方法及其能效服务平台
CN111091240A (zh) 一种公共机构电力能效监测***及服务方法
CN116760772B (zh) 汇聚分流器的管控***及其方法
CN110136024B (zh) 获取用户的用电特征、用电习惯及用电量预测值的方法及装置
WO2024065988A1 (zh) 设备监测方法和***、电子设备、存储介质
Tripathi et al. Data-driven optimizations in IoT: A new frontier of challenges and opportunities
CN111723520A (zh) 一种基于决策树和随机森林的变压器故障诊断装置及方法
CN108009089B (zh) 一种基于透明计算的增量机器学习方法及***
CN111030850B (zh) 一种scada***数据采集周期控制方法及装置
CN116896495A (zh) 边云协同模型动态训练方法
CN117641157A (zh) 一种用电信息采集终端的抄表方法
CN111897267A (zh) 一种可交互的智慧牧场数据采集管理***
CN111723518A (zh) 基于条件推断树和AdaBoost的变压器故障诊断装置及方法
CN109638830A (zh) 一种电力负荷模型构建方法、装置和设备
CN201256296Y (zh) 配电网智能型无功补偿与无功优化一体化***
CN109001985B (zh) 一种基于编码的光伏电站建模方法及装置
US11924054B1 (en) Managing remote terminal communications
CN111597860A (zh) 一种用于cnc断刀预测的***及方法
CN117171551B (zh) 大规模工业设备数据分析与智能管理方法
US20240039820A1 (en) Messaging protocol for configuring remote terminal unit
CN103997398B (zh) 一种信道资源的数据处理方法及其装置
KR102334975B1 (ko) 사물 인터넷 장치의 데이터 분산 전송을 이용한 자동화 설비 제어 시스템
CN108965039A (zh) 一种基于流量监控的告警方法以及电子设备

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
GR01 Patent grant
GR01 Patent grant