[发明专利]基于LightGBM的高压钠灯故障率预测方法

摘要

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。

主权项

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。