[发明专利]基于LightGBM的高压钠灯故障率预测方法

说明书

本申请公开了一种基于LightGBM的高压钠灯故障率预测方法，方法包括：提取单灯巡测数据；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；对所述处理后的单灯数据进行特征提取；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。本发明实现了对城市高压钠灯是否损坏的预警，通过高压钠灯现在和以往的运行状况，预判可能有故障的线路和路灯设施，提前做好准备，从而保证了高质量的照明效果。本发明更适应智慧城市建设中照明管理智能化的发展趋势。本发明通过采用机器学习算法框架LightGBM得到的高压钠灯故障率预测模型精度高，预测结果更准确。

技术领域

本发明涉及智慧照明领域，尤其涉及一种基于LightGBM的高压钠灯故障率预测方法。

背景技术

智慧照明监控管理系统可以检测到单个路灯的电参数，并根据电参数给出了路灯是否为灯源故障、熔断器故障等的判断，可以及时发现路灯的故障，淘汰了以前人工巡测的方式，做到了对路灯及时并全面的监控，节省了人力，提高了效率，使得维护成本大大降低。在这些故障中，经常出现的是灯源故障，有必要对照明监控系统做出改进，当发现设备存在潜在隐患时，给出预警，避免事故的发生。目前照明监控管理系统还存在一定的缺陷：

(1)当前路灯普遍采用高压钠灯，其发生故障时的现象有多种表现形式，最常见的为灯源故障。路灯监控系统检测周期通常为15分钟，路灯控制中心根据检测到的单灯数据计算功率因数，并与预设的单灯电压阈值、电流阈值和功率因数阈值相比较，判断单灯是否存在故障。但灯源故障存在一定的偶然性，如图1为某路灯在2017年7月电流随时间变化的折线图，图1中的圆点表示在当时出现灯源故障报警，但路灯并没有损坏或没有完全损坏，灯源故障次数较少，由于单灯控制器没有正常工作或电路偶然状况，导致出现了少数的灯源故障报警，同时缺少路灯实际损坏数据作为指导，错误的报警给维修人员带来了迷惑性信息，造成了维护障碍。

(2)现有的路灯监控系统仅仅做到了故障报警，对故障预警缺乏指导方案，对于某条路段出现大范围灯源故障的情况没有预见性，不能做到较好的预防措施。

发明内容

本发明公开了一种基于LightGBM的高压钠灯故障率预测方法，方法包括步骤：

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；