一种照明设施故障预测分析方法及系统

技术领域

本发明属于故障预测技术领域，具体涉及一种照明设施故障预测分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

道路建设规模的不断扩大，道路照明在城市、乡村建设中发挥的作用越来越大，已经成为城市现代化水平的重要标志之一。目前，道路照明智能化控制系统正在经历从时控到远程控制的转变。国内外大部分地区正在将照明控制手段从单纯的使用时控器进行开关灯控制，升级为利用远程控制终端(RTU)和单灯控制器设备对路灯进行远程开关灯控制及电流、电压、功率因数等运行指标的实时采集，实现了对路灯的远程管理，以及对箱式变电站、灯源、供电线路故障的实时发现与报警。但目前业内尚缺少成熟的可基于采集到的照明设施运行指标数据对照明设施即将发生的故障进行预测分析的方法。

据发明人了解，有研究人员曾提出过基于BP神经网络的路灯故障预测模型，但由于BP神经网络算法自身存在学习收敛速度慢，容易陷入局部极小值等问题，并没有被广泛应用。

发明内容

本发明为了解决上述问题，提出了一种照明设施故障预测分析方法及系统，本发明可以快速、准确的实现对照明设施故障预测。

根据一些实施例，本发明采用如下技术方案：

一种照明设施故障预测分析方法，包括以下步骤：

获取照明设施运行状态相关运行指标参数；

利用双向长短期记忆算法对照明设施的各项运行指标参数进行分析，并预测下一时段照明设施的各项运行指标数据；

利用主成分分析方法分析指标数据，构建主成分分析与驱动因素的关系；

将主成分分析方法得到的结果作为逻辑回归分析模型的输入参数，得到故障预测结果。

作为可选择的实施方式，所述相关运行指标参数包括电压、电流、功率因数、有功功率、无功功率、瞬间功率和累积耗电量中若干。

作为可选择的实施方式，获取相关运行指标参数时，获取实时数据，也获取一定时间段内的历史数据。

作为可选择的实施方式，所述相关运行指标参数数据以时序数据存储。

作为可选择的实施方式，利用双向长短期记忆算法对时序数据进行分析、处理，双向长短期记忆算法包括正向长短期记忆网络和反向长短期记忆网络，正向长短期记忆网络用于捕获某一时刻之前的特征信息，反向长短期记忆网络用于捕获该时刻之后的特征信息，同时利用时间序列历史和未来信息，结合上下文信息综合判断。

作为可选择的实施方式，利用主成分分析方法分析指标数据的具体过程包括利用协方差矩阵计算相关运行指标参数与设备故障之间的相关性，对协方差矩阵进行特征值分解，得到特征值和特征向量，再将特征向量按照对应的特征值的大小进行排序，选择前k个最大的特征值对应的特征向量作为主成分，k为设定值。

作为可选择的实施方式，以主成分历史数据作为训练数据输入逻辑回归模型进行训练，确定逻辑回归模型参数，得到训练后的逻辑回归模型，利用训练后的逻辑回归模型对预测后的主成分数据进行处理，得到最终结果。

作为进一步的实施方式，训练过程中可采用梯度下降方法进行优化，且以获得最小化的预测错误值为目标函数进行优化。

一种照明设施故障预测分析系统，包括：

参数获取模块，被配置为获取照明设施运行状态相关运行指标参数；

预测模块，被配置为利用双向长短期记忆算法对照明设施的各项运行指标参数进行分析，并预测下一时段照明设施的各项运行指标数据；

主成分分析模块，被配置为利用主成分分析方法分析指标数据，构建主成分分析与驱动因素的关系；

故障预测模块，被配置为将主成分分析方法得到的结果作为逻辑回归分析模型的输入参数，得到故障预测结果。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。

与现有技术相比，本发明的有益效果为：

本发明利用LSTM对照明设备各项运行数据进行分析，并预测下一时段的各项设备运行指标。将得到的设备运行指标，作为主成分分析的参数，通过主成分分析的逻辑回归实现对灯源故障的预测，具有学习速度快，计算精度高的特点，可以用于照明设施故障原因分析与故障趋势预测方向，可以使照明设备运维养护更具针对性，有利于延长设备使用寿命、降低运维成本。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本实施例的流程示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

一种照明设施故障预测分析方法，如图1所示，包括以下步骤：

1.获取照明设备运行状态相关的运行指标参数；

在本实施例中，获取照明控制系统中每个箱式变电站及灯源的电压、电流、功率因数、有功功率、无功功率、瞬间功率、累积耗电量等照明设备运行状态的实时指标数据；获取照明设备历史故障前7至15天内的各运行状态指标数据。

当然，其他实施例中，对于上述时间段的设置，以及获取的数据类型可以进行更改。

2.利用LSTM算法对照明设备的各项运行指标参数进行分析，并预测下一时段设备的各项运行指标数据；

由于城市照明系统中的路灯节点和区域配电系统的运行数据都以时间为序记录在系统中，利用通过双向LSTM算法对时序数据进行分析，将神经网络的深度不断扩展，即同时设立一个正向LSTM和反向LSTM，正向LSTM捕获某一时刻之前的特征信息，反向LSTM捕获某一时刻之后的特征信息，同时利用时间序列历史和未来信息，结合上下文信息综合判断，将会大幅提升预测准确率。利用双向LSTM算法，对路灯运行参数，如：每个箱式变电站及灯源的电压、电流、功率因数、有功功率、无功功率、瞬时功率、累积能耗等进行分析，预测下一时段的这些指标数据的变化。

在本实施例中，在LSTM模型计算时考虑模型的层数和每层的神经元数量，层数过多可能导致过拟合(只针对训练数据预测结果准确)，层数过少则可能无法充分提取特征，上述参数根据训练过程中根据任务复杂度、数据量、计算资源不断调整和配制。

由于LSTM模型能够更好地处理时间序列数据中的长短期依赖关系，且可以通过各种门函数将重要特征保留下来，有效减缓长序列问题中可能出现的梯度消失或梯度爆炸问题，使用双向LSTM模型处理路灯的批量时序巡测数据可以更加快速、准确的预测照明设施各项运行指标在未来3天至7天内的数值变化。

同样的，其他实施例中，对于上述时间段的设置，以及获取的数据类型可以进行更改。

3.使用主成分分析方法，构建主成分分析与驱动因素的关系，降低形成逻辑回归模型的输入变量的维度；

本实施例中，利用协方差矩阵计算设备电流、电压、功率因数、瞬时功率、运行时间、累计能耗、设备生产厂商、设备类型、安装环境、气候条件等指标与设备故障之间的相关性，对协方差矩阵进行特征值分解，得到特征值和特征向量，再将特征向量按照对应的特征值的大小进行排序。选择前k个最大的特征值对应的特征向量作为主成分，这些主成分可以保留原始数据中的主要信息，简化了数据处理的复杂度。

k的值可以根据具体需求设定。

本实施例中，利用历史数据对逻辑回归模型的参数进行训练优化，可以通过正则化参数调参、学习率调参、迭代次数调参等参数优化方法，最终形成预测结果相对准确的模型参数，用于后期预测。

4.将主成分分析获得的低维度指标数据作为逻辑回归训练的输入参数，构建逻辑回归分析模型，从而获得预测值。

以第三步降维后的主成分数据为基础，将各主成分历史数据与其对应的目标(故障数据)导入逻辑回归模型进行训练，以得到最理想的逻辑回归模型参数。

本实施例中，训练过程中可以采用梯度下降等优化算法，以获得最小化的预测错误为目标，对模型的参数进行调整优化。

最后，利用训练好的逻辑回归模型对降维后的未来3天至7天内的路灯运行指标数据进行分析处理，进而得到相对准确的照明设施故障产生概率的预测结果。

实施例二

一种照明设施故障预测分析系统，包括：

参数获取模块，被配置为获取照明设施运行状态相关运行指标参数；

预测模块，被配置为利用双向长短期记忆算法对照明设施的各项运行指标参数进行分析，并预测下一时段照明设施的各项运行指标数据；

主成分分析模块，被配置为利用主成分分析方法分析指标数据，构建主成分分析与驱动因素的关系；

故障预测模块，被配置为将主成分分析方法得到的结果作为逻辑回归分析模型的输入参数，得到故障预测结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，本领域技术人员不需要付出创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。