一种智慧灯杆漏电风险预测方法、装置和系统制造方法及图纸

本发明专利技术涉及一种智慧灯杆漏电风险预测方法、装置和系统，方法包括：采集数据源形成记录数据，数据源包括漏电风险指标值和告警信息值；提取智慧灯杆特征对应的智慧灯杆特征值，根据智慧灯杆特征值对智慧灯杆漏电风险预测方法的影响确定不同的权重，筛选出有价值且权重大的智慧灯杆特征值；分析智慧灯杆易发生漏电的设备种类；利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类。本申请充分满足智慧灯杆漏电风险预测的使用情况，有效提高了预测效率和精准度，有利于合理配置工作流程，极大提高了安全性。极大提高了安全性。极大提高了安全性。

【技术实现步骤摘要】
一种智慧灯杆漏电风险预测方法、装置和系统


[0001]本专利技术属于智慧灯杆控制
，具体涉及一种智慧灯杆漏电风险预测方法、装置和系统。

技术介绍

[0002]智慧灯杆设备漏电是很多城市存在的严重问题，鉴于设备老化，故障和外界环境因素等情况，漏电问题无时无刻不在困扰着人们，尤其在下雨天，人流量大的时候，所以解决该问题迫在眉睫，主要有如下解决方案。智慧灯杆设备的易漏电分析，多依赖于人工的经验，设备的例行维修保护和点检，该种方法存在不确定性以及人力的经济成本太高。在一些工业设备的现场，针对高价值，高能耗，富数据类的设备，会根据设备类型增加必要的传感器，通过传感器获得设备的一些数据信息，根据这这些数据的变化来预测分析设备的实时状态，达到动态的设备设备数据采集，实现远程设备监测和管理可视化。
[0003]现有技术依赖于人工的经验的设备的例行维修，存在太大的偶然性和可靠性，同时工作量太大。设备的维保成本太高，费时费力。现有技术通过构建设备监测管理平台和可视化分析，虽然在一定程度上可以实时监测到设备的性能情况，但是设备的种类繁多，智慧灯杆所处的区域也范围太广，有些智慧灯杆的地理位置采集数据过程困难，无法实现实时监测，同时数据的传输存在延时性和异常错误情况，最重要是不具备预测性分析，不利于大规模智慧灯杆进行高效率、高精准度的安全管理。

技术实现思路

[0004]本专利技术的目的在于提供一种智慧灯杆漏电风险预测方法、装置和系统，以解决上述技术问题。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术申请一实施例提供了一种智慧灯杆漏电风险预测方法，包括：
[0007]采集数据源形成记录数据，数据源包括漏电风险指标值和告警信息值；
[0008]提取智慧灯杆特征对应的智慧灯杆特征值，根据智慧灯杆特征值对智慧灯杆漏电风险预测方法的影响确定不同的权重，筛选出有价值且权重大的智慧灯杆特征值；
[0009]分析智慧灯杆易发生漏电的设备种类；
[0010]利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类。
[0011]优选地，所述利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类，包括步骤：
[0012]将所有记录数据视为一个父节点，遍历每一个智慧灯杆特征的一种分割方式，找到最优分割点，将父节点中的记录数据分割成两个子节点数据，再对子节点迭代执行；
[0013]选择一个合适的特征作为判断节点，可以快速的分类，减少决策树的深度；
[0014]选择信息熵计算各节点的不纯度值，以此选择最合适的分割方式，最终构建相应
的决策树结构，作为智慧灯杆漏电风险预测模型。
[0015]优选地，所述选择信息熵计算各节点的不纯度值，以此选择最合适的分割方式，最终构建相应的决策树结构，包括步骤：
[0016]从记录数据中抽取样本数据集，若在样本数据集中，混有若干种类别数据，构建决策树时，根据所述样本数据集选择某个智慧灯杆特征值作为决策树的节点；在样本数据集中，计算出该种类别数据的信息熵；
[0017]计算对应数据集中，选择智慧灯杆特征作为决策树判断节点时，在智慧灯杆特征作用后的信息熵；
[0018]计算信息增益。
[0019]优选地，所述，节点包括至少一个父节点和/或至少一个子节点：
[0020]优选地，所述在样本数据集中，计算出该种类别数据的信息熵的公式为：
[0021][0022]其中D表示训练数据集，c表示数据类别数，Pi表示类别i样本数量占所有样本的比例。
[0023]优选地，所述对应数据集中，选择智慧灯杆特征作为决策树判断节点时，在智慧灯杆特征作用后的信息熵的计算公式为：
[0024][0025]其中，k表示样本D被分为k个部分；D表示对应记录数据的数据集，D
j
表示样本D被分成的第j个子样本(j在(0,k]范围内)，A表示选择智慧灯杆特征；Info(D)表示对应数据集中，选择智慧灯杆特征作为决策树判断节点时，在智慧灯杆特征作用后的信息熵。
[0026]优选地，所述计算信息增益的公式为：
[0027]Gain(A)＝Info(D)
‑
Info
A
(D)
[0028]D表示数据集；A表示智慧灯杆特征；Gain(A)表示信息增益，是数据集D在智慧灯杆特征A的作用后，其信息熵减少的值。
[0029]本专利技术申请实施例还提供了一种智慧灯杆漏电风险预测系统，所述智慧灯杆漏电风险预测系统包括实现本专利技术申请任一项实施例所述的智慧灯杆漏电风险预测方法。
[0030]本专利技术申请实施例还提供了一种智慧灯杆漏电风险预测装置，所述智慧灯杆漏电风险预测装置包括实现本专利技术申请任一项实施例所述的智慧灯杆漏电风险预测方法。
[0031]本专利技术申请实施例还提供了一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，在被处理器调用和执行时，所述处理器可执行指令促使所述处理器：实现本专利技术申请任一实施例所述的智慧灯杆漏电风险预测方法。
[0032]本专利技术申请一实施例还提供了一种存储介质，其上存储有计算机程序，其中所述计算机程序在由处理器执行时实现上述任一项实施例所述的智慧灯杆漏电风险预测方法。
[0033]本专利技术申请提供的一种智慧灯杆漏电风险预测方法、装置和系统，针对现有技术方案存在的不足，通过分析历史和当前的智慧灯杆设备的漏电风险特征值，预测出未来的
漏电风险特征值的大小，从而预测未来一段时间的漏电风险可能性，并依据这些特征值，判断设备的是否存在漏电风险告警，提前掌握设备漏电风险的发展趋势，为提早预防和修复设备提供依据，具有重要有益效果和现实价值；解决了现有技术方案工作量太大，同时对于人力和经济的成本太高，而且耗费这些也不一定会得到满意的结果的技术问题；解决了因为一些设备的地理位置很远，无法做到对所有设备的实时监控和反应，而一些问题和危害的产生往往就是因为延时的技术问题。本专利申请实施例通过大数据，采用决策树的特征提取预测的模型，对设备漏电的风险大小进行预测分析，具有维护的可靠性高、成本消耗低，以及构建监控平台的复杂性便于控制和信息传输及时性的有益效果；具有增加工作效率、降低维护成本、提高智慧灯杆维修精准度的有益效果，适用于城市大规模智慧灯杆漏电风险的管控。
附图说明
[0034]图1为本专利技术申请一实施例的智慧灯杆漏电风险预测方法的流程图；
[0035]图2为本专利技术申请一实施例的所述利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类的步骤的流程图；
[0036]图3为本专利技术申请又一实施例的四组智慧灯杆的温度和设备区域气候(雷雨气候)下的对应告警种类的决策树模型图；
[0037]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧灯杆漏电风险预测方法，其特征在于，包括：采集数据源形成记录数据，数据源包括漏电风险指标值和告警信息值；提取智慧灯杆特征对应的智慧灯杆特征值，根据智慧灯杆特征值对智慧灯杆漏电风险预测方法的影响确定不同的权重，筛选出有价值且权重大的智慧灯杆特征值；分析智慧灯杆易发生漏电的设备种类；利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类。2.根据权利要求1所述的智慧灯杆漏电风险预测方法，其特征在于，所述利用提取出的智慧灯杆特征值构建智慧灯杆漏电风险预测模型，以及此预测模型在不同特征值对应的告警种类，包括步骤：将所有记录数据视为一个父节点，遍历每一个智慧灯杆特征的一种分割方式，找到最优分割点，将父节点中的记录数据分割成两个子节点数据，再对子节点迭代执行；选择一个合适的特征作为判断节点，可以快速的分类，减少决策树的深度；选择信息熵计算各节点的不纯度值，以此选择最合适的分割方式，最终构建相应的决策树结构，作为智慧灯杆漏电风险预测模型。3.根据权利要求2所述的智慧灯杆漏电风险预测方法，其特征在于，所述选择信息熵计算各节点的不纯度值，以此选择最合适的分割方式，最终构建相应的决策树结构，包括步骤：从记录数据中抽取样本数据集，若在样本数据集中，混有若干种类别数据，构建决策树时，根据所述样本数据集选择某个智慧灯杆特征值作为决策树的节点；在样本数据集中，计算出该种类别数据的信息熵；计算对应数据集中，选择智慧灯杆特征作为决策树判断节点时，在智慧灯杆特征作用后的信息熵；计算信息增益。4.根据权利要求3所述的智慧灯杆漏电风险预测方法，其特征在于，所述，节点包括至少一个父节点和/或至少一个子节点。5.根据权利...

【专利技术属性】
技术研发人员：王季涛，黄朝敏，王勇，吴振志，吴涵渠，
申请(专利权)人：武汉市奥拓智能科技有限公司，
类型：发明
国别省市：