一种基于决策树的智能变电站二次设备消缺的推荐方法

技术领域

本发明涉及智能变电站，尤其涉及一种基于决策树的智能变电站二次设备消缺的推荐方法。

背景技术

目前，在进行变电站二次设备消缺时，完全依赖工作人员的经验。当有告警信号进来时，首先根据告警信号判断是一次设备故障还是二次设备故障。如果初步判断是一次设备故障，就不属于二次设备检修能处理的范围，需要联系一次设备的厂家一起解决。如果是二次设备告警信号，首先大体定位缺陷在哪个设备柜，但是出现故障的设备在当前设备柜的上游还是下游无法判断，只能随机拆掉一根线缆，检查告警是否消失，如果消失那么往下游找，如果没消失，那么往上游找，然后重复以上步骤，直到找到具体的故障设备为止。

现有的解决方案，严重依赖工作人员，工作人员的经验是决定能否快速找到故障设备的关键因素，这样导致每个人的工作量不可评估，消除缺陷的时间不可预估等问题的存在。

发明内容

本发明针对以上问题，提供了一种提升现场工作人员排查故障设备的准确率，提高了工作效率的基于决策树的智能变电站二次设备消缺的推荐方法。

本发明的技术方案为：包括以下步骤：

S1、将设备历史出现异常的相关数据进行汇总，筛选属性；

S2、基于历史数据计算信息量；

S3、根据信息量大小以及权重占比决定下一步要检查的设备。

步骤S1中，

所述属性包括检查难易度、距下一设备距离、是否更换工具、故障率以及历史是否发生过故障。

步骤S2中，

计算信息量公式为：Gain(A)＝Info(D)-Info_A(D)

式中，Gain(A)为信息的概率，Info(D)为初始计算的信息熵，Info_A(D)为在初始的条件下添加条件得出的信息熵

其中，

式中，t为历史总的数据量，y为当前分类下有故障的记录数，n为当前分类下没有故障的记录数；

式中，t为历史总的数据量，at为当前分类下历史总的数据量，ay为当前分类下有故障的记录数，an为当前分类下没有故障的记录数。

步骤S3中，

首先，分别根据检查难易度、距下一设备距离、是否更换工具和故障率计算信息熵；

其次，将检查难易度、距下一设备距离、是否更换工具和故障率各自的信息熵与目标结果的信息值进行比较，获取各自的信息获取量；

然后，比较四个信息获取量，选取最大值作为第一个节点；

最后，选取基准点不断重复以上计算过程并加入各种维度的权重最终将整棵树构建完成得到结果值。

本发明在工作中，利用深度学习中决策树相关技术将变电站中需要用到的大量消除缺陷的方法整理，分类，归集，以便于现场工作人员根据少量可精确取得的数据，快速在决策树中找到对应的消除缺陷的方法。

本发明不仅节省了大量的人力，消除人员的因素，还提高了查找故障设备的效率，使得整个过程有了科学的依据，每个人的工作量可评估，消除缺陷的时间可预估。

附图说明

图1是本发明的流程图，

图2是本发明中以故障率作为第一个节点的示意图，

图3是本发明基于决策树的示意图。

具体实施方式

本发明如图1-3所示，包括以下步骤：

S1：总结过去设备出现异常时的相关数据，筛选出相互影响较小的属性，用来举例说明决策树是如何帮助找到故障设备的。选取属性为：检查难易度、距下一设备距离(实时计算)、是否更换工具(实时计算)、故障率、历史是否发生过故障，并将这部分信息整理成表。

以110kV线路开关SF6压力低告警信号回路故障筛查选取10次故障发生处理记录800条数据如下表：

S2：基于历史数据计算信息量；

计算信息量公式为：Gain(A)＝Info(D)-Info_A(D)

公式的含义为通过各个条件计算出检修设备的优先级概率，概率越大说明优先级越高。

式中，Gain(A)为信息的概率，Info(D)为初始计算的信息熵，Info_A(D)为在初始的条件下添加条件得出的信息熵；

其中，

式中，t为历史总的数据量，y为当前分类下有故障的记录数，n为当前分类下没有故障的记录数；

在所有的历史数据中通过条件计算出对应类别的信息熵，式中t为历史总的数据量，at为当前分类下历史总的数据量，ay为当前分类下有故障的记录数，an为当前分类下没有故障的记录数。

S3：再根据信息量大小以及权重占比决定下一步要检查的设备；

整理历史数据发现，在800条数据中，有100条是有故障，700条是没故障，则套用计算信息量公式：Gain(A)＝Info(D)-Info_A(D)后，如下：

这是没有根据任何的信息得出的目标结果的信息值。

下面，再分别根据检查难易度、距下一设备距离、是否更换工具、故障率、故障的数据单独计算信息熵，以确认每类数据对结果的影响大小。

首先根据检查难易度信息，计算信息熵。

因为800条数据中，有200条数据难易度是3，其中非故障设备136条，故障设备64条，计算方法为：

同理，400条数据检查难易度是2，其中非故障设备372条，故障设备28条，计算方法为：

200条数据检查难易度是1，其中非故障设备192条，故障设备8条，计算方法为：

所以套用公式计算信息熵如下：Info检查难易度

由以上计算可以得出，在没有检查难易度信息的情况下，得出的信息熵为0.5436bits，有检查难易度信息后，得出的信息熵为0.4697bits，差值为：0.0739bits，所以，以检查难易度为分类的信息获取量为0.0739bits。

类似的，Gain(距下一设备距离)＝0.0241bits；Gain(是否更换工具)＝0.0719bits；Gain(故障率)＝0.0745bits；

所以，比较以上四个信息的信息量，故障率最大，所以以故障率作为第一个节点，作图如图2所示；

选取基准点不断重复以上计算过程并加入各种维度的权重最终将整棵树构建完成得到结果值，如图3所示。

由图3中的决策树可知，在实际进行故障检修时，工作人员可以知晓该树的根节点bits值，选取最大的值优先检测，可大大降低现场工作的工作量，并能够给出具体工作的指导，保证了工作人员每一步操作能够获取信息量的最大化，以便与快速找到故障设备。并且，随着数据量的不断增加，整棵决策树也将不断变化并且越来越合理。

本发明中的权重说明：

初始各分类默认权重：是否更换工具权重为0.1，检查难易度权重为0.3，距离下一设备距离权重为0.2，故障率为0.4；

距离：一个柜子内为近，权重为(0.7,0.5,0.333)，一个房间内为中，权重为(0.2,0.3,0.333)，跨房间为远，权重为(0.1,0.2,0.333)；

难易度权重：简单1为(0.7,0.5,0.333)，较难2为(0.2,0.3,0.333)，

复杂3为(0.1,0.2,0.333)；

故障率：大于1/n为高，权重为0.8，低于1/n为低，权重为0.2；

是否更换工具：更换工具权重为(0.8,0.6,0.5)，不更换工具权重为(0.2,0.4,0.5)；

以上有三个权重的分别对应用户介意程度分别为：非常介意、一般介意、不介意，默认为不介意。

本发明提出的一种利用决策树中计算信息量，快速找到故障设备的方法。即在不同报警信息、不同设备环境下，先检查哪个设备能够带来更多的信息量，也就是更大的价值，能够帮助快速找到出现问题的设备的一种方法。