[发明专利]基于LightGBM的高压钠灯故障率预测方法

权利要求书

1.一种基于LightGBM的高压钠灯故障率预测方法，其特征在于，包括步骤：

提取单灯巡测数据，所述单灯巡测数据包括：灯杆编号、灯头编号、巡测时间、电压、电流、功率因数、有功功率、报警类型；所述单灯为每个高压钠灯；

对所述单灯巡测数据进行数据处理，得到处理后的单灯数据，包括步骤：

去除所述单灯巡测数据中疑似维修灯的当天数据得到第一数据；

在所述第一数据中选取有报警的所述单灯巡测数据，统计所述单灯每天的灯源故障报警次数，计算所述单灯每天的灯源故障率，计算所述单灯连续前三天的灯源故障率标准差，计算所述单灯连续前七天的灯源故障率标准差；

在所述第一数据中选取无报警的所述单灯巡测数据，计算所述单灯每天的电流、功率因数、以及有功功率的平均值和标准差；

所述处理后的单灯数据包括：所述单灯每天的灯源故障率、所述单灯连续前三天的灯源故障率标准差、所述单灯连续前七天的灯源故障率标准差；所述单灯每天的电流、功率因数、以及有功功率的平均值和标准差；

对所述处理后的单灯数据进行特征提取，包括步骤：

在所述处理后的单灯数据中提取所述单灯当天的电流、功率因数、以及有功功率的平均值和标准差；

在所述处理后的单灯数据中提取所述单灯当天及前六天的灯源故障率；

在所述处理后的单灯数据中提取所述单灯前三天和前七天的故障率标准差；

在所述处理后的单灯数据中提取所述单灯下一天的灯源故障率；

根据提取的所述特征，利用机器学习算法框架LightGBM建立高压钠灯故障率预测模型，包括步骤：

使用所述机器学习算法框架LightGBM中的回归方法，设置所述方法中的迭代次数，根据提取的所述特征，建立高压钠灯故障率初步模型；

设置不同的树深度、叶子数、学习率、以及特征选择概率作为一个参数组合，结合提取的所述特征和所述高压钠灯故障率初步模型，计算每种所述参数组合下的拟合参数R²；

选取拟合参数R²最大时对应的所述高压钠灯故障率初步模型为所述高压钠灯故障率预测模型。

2.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，以当天中午12点到第二天中午12点为一天。

3.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，利用所述单灯下一天的灯源故障率对所述高压钠灯故障率预测模型进行评价。

4.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述单灯巡测数据是在单灯控制器在线、所述单灯理论状态为开时提取的数据。

5.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述疑似维修灯为在前两天灯源故障率大于0.3，而之后两天灯源故障率小于0.05的单灯。

6.根据权利要求2所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述灯源故障率为一天内的灯源故障报警次数与一天内的灯源检测次数的比值。

7.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述拟合参数R²按以下方法进行计算：

其中，为灯源故障率的预测值，为灯源故障率的真实值的平均值，y_i为灯源故障率的真实值，R²为拟合参数。

8.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述报警类型为灯源故障。

9.根据权利要求1所述的基于LightGBM的高压钠灯故障率预测方法，其特征在于，所述灯杆编号和所述灯头编号唯一确定所述单灯。