一种电气设备保养周期生成方法

摘要

本发明公开了一种电气设备保养周期生成方法，包括如下步骤：构建由电气设备数据组成的训练样本集，利用自助法从训练样本集中生成多个训练子集，而后分别对每个训练子集内的电气设备数据进行电气设备特征筛选，以获得每个训练子集对应的训练特征；根据第n个训练子集的训练特征种类和数量，从ID3算法和CART算法中挑选出与第n个训练子集匹配的决策树生成算法，利用决策树生成算法对训练特征进行处理，以生成第n个训练子集对应的电气设备保养周期决策树；生成多棵电气设备保养周期决策树，进而得到电气设备保养周期决策森林；将待获得保养周期的电气设备的特征值输入至电气设备保养周期决策森林，由电气设备保养周期决策森林输出电气设备保养周期。

权利要求

1.一种电气设备保养周期生成方法，其特征在于，包括如下步骤：

步骤S1：构建由电气设备数据组成的训练样本集，利用自助法从训练样本集中生成多个训练子集，而后分别对每个训练子集内的电气设备数据进行电气设备特征筛选，以获得每个训练子集对应的训练特征；步骤S1中，电气设备数据在构成训练样本集前首先进行预处理，预处理过程如下：获取所有电气设备数据的电气设备保养时间间隔最大值Tmax和电气设备保养时间间隔最小值Tmin，根据电气设备保养能力设定维修批次数量p，Tmax‑Tmin=p*T，其中p为不小于2的整数，依次设定维护周期[Tmin,Tmin+T）、[Tmin+T,Tmin+

2T）、......、[Tmin+（p‑2）*T,Tmin+（p‑1）*T）、[Tmin+（p‑1）*T,Tmax]，每个电气设备数据通过各自的电气设备保养时间间隔与对应的维护周期进行关联；

步骤S2：根据第n个训练子集的训练特征种类和数量，从ID3算法和CART算法中挑选出与第n个训练子集匹配的决策树生成算法，利用决策树生成算法对训练特征进行处理，以生成第n个训练子集对应的电气设备保养周期决策树；步骤S2中，若第n个训练子集的训练特征包含环境状态属性，则与第n个训练子集匹配的决策树生成算法为ID3算法；

若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量大于5，则与第n个训练子集匹配的决策树生成算法为CART算法；

若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量不大于5，则与第n个训练子集匹配的决策树生成算法为ID3算法；步骤S3：多次重复步骤S2，每次重复过程改变n的取值，以生成多棵电气设备保养周期决策树，进而得到电气设备保养周期决策森林；步骤S3中，利用测试样本对每棵电气设备保养周期决策树进行测试，并设置阈值，剔除准确率低于阈值的电气设备保养周期决策树，利用准确率高于阈值的电气设备保养周期决策树形成电气设备保养周期决策森林；

步骤S4：将待获得保养周期的电气设备的特征值输入至电气设备保养周期决策森林，由电气设备保养周期决策森林输出电气设备保养周期。

2.根据权利要求1所述的电气设备保养周期生成方法，其特征在于，预处理过程中剔除电气设备数据内与维护周期无关的电气设备特征。

3.根据权利要求1所述的电气设备保养周期生成方法，其特征在于，预处理结束后，电气设备数据中仅包含环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性，第n个训练子集的训练特征的数量不大于8。

4.根据权利要求1所述的电气设备保养周期生成方法，其特征在于，调节p的取值，以使每个维护周期均有对应的电气设备数据。

5.根据权利要求1所述的电气设备保养周期生成方法，其特征在于，步骤S3中，选取一部分准确率高于阈值的电气设备保养周期决策树，以使电气设备保养周期决策森林中通过CART算法生成的电气设备保养周期决策树和通过ID3算法生成的电气设备保养周期决策树的数量比例在0.9‑1.1之间。

说明书

一种电气设备保养周期生成方法

技术领域

[0001] 本发明涉及一种电气设备保养周期生成方法，属于维护周期预测领域。

背景技术

[0002] 电气设备价格高昂，维护成本也较高，对维护人员的素质和专业需求较高，相应的，每一次维护都消耗较多的人力成本，故而能够进行电气设备维护的人力资源有限。但是另一方面，电气设备若无法得到及时维护，就可能产生额外的不必要耗损，甚至引发安全事故。

[0003] 为了在有限的人力维护资源条件下，尽可能对各个电气设备都能够及时有效地进行维护，就需要尽可能获得各个电气设备的维护周期数据。同样的，电气设备的维护周期基本需要依赖专业的电气设备维护人员进行判断，为了减少或者避免这部分人力维护资源的消耗，如何尽可能在不依靠专业维护人员人力判断的情况下准确高效获取各个电气设备的维护周期是一个亟待解决的问题。

发明内容

[0004] 本发明所要解决的技术问题在于克服现有技术的不足而提供一种电气设备保养周期生成方法。

[0005] 解决上述技术问题，本发明采用如下技术方案：

[0006] 一种电气设备保养周期生成方法，包括如下步骤：

[0007] 步骤S1：构建由电气设备数据组成的训练样本集，利用自助法从训练样本集中生成多个训练子集，而后分别对每个训练子集内的电气设备数据进行电气设备特征筛选，以获得每个训练子集对应的训练特征；

[0008] 步骤S2：根据第n个训练子集的训练特征种类和数量，从ID3算法和CART算法中挑选出与第n个训练子集匹配的决策树生成算法，利用决策树生成算法对训练特征进行处理，以生成第n个训练子集对应的电气设备保养周期决策树；

[0009] 步骤S3：多次重复步骤S2，每次重复过程改变n的取值，以生成多棵电气设备保养周期决策树，进而得到电气设备保养周期决策森林；

[0010] 步骤S4：将待获得保养周期的电气设备的特征值输入至电气设备保养周期决策森林，由电气设备保养周期决策森林输出电气设备保养周期。

[0011] 本发明的有益效果为：

[0012] 电气设备的训练特征两两之间通常存在一定关联性，故而生成一棵电气设备保养周期决策树所使用的训练特征种类数量增加，未必能够使得该电气设备保养周期决策树的准确率获得明显提升，不仅如此，还可以能由于使用的训练特征种类数量增加，导致一棵电气设备保养周期决策树的生成时间和进行判断的时间大幅增加，基于这一现实情况，针对ID3算法和CART算法进行测试可以发现，训练特征种类数量不多的情况下，采用ID3算法生成电气设备保养周期决策树不仅准确率高，而且生成速度也较快，在采用ID3算法的基础上进一步增加使用的训练特征种类数量，则电气设备保养周期决策树的准确率不仅没有明显增加，而且生成时间还大幅增加，与之相对，采用CART算法的情况下，若训练特征种类数量不多，则生成的电气设备保养周期决策树的准确率不高，生成时间也相对较短，但是若进一步增加使用的训练特征种类数量，则生成的电气设备保养周期决策树准确率和生成时间都会增加。在此基础上，根据训练子集的训练特征种类和数量采用合适的决策树生成算法生成电气设备保养周期决策树，不仅进行判断的准确率上升，而且还能使得判断时间降低，进而使得电气设备保养周期决策森林的准确率和判断时间得到平衡，在不需要电气设备维护人员专业性介入的情况下获得电气设备较为准确的维护周期。

[0013] 本发明步骤S1中，电气设备数据在构成训练样本集前首先进行预处理，预处理过程如下：获取所有电气设备数据的电气设备保养时间间隔最大值Tmax和电气设备保养时间间隔最小值Tmin，根据电气设备保养能力设定维修批次数量p，Tmax‑Tmin=p*T，其中p为不小于2的整数，依次设定维护周期[Tmin,Tmin+T）、[Tmin+T,Tmin+2T）、......、[Tmin+（p‑2）*T,Tmin+（p‑1）*T）、[Tmin+（p‑1）*T,Tmax]，每个电气设备数据通过各自的电气设备保养时间间隔与对应的维护周期进行关联。

[0014] 本发明预处理过程中剔除电气设备数据内与维护周期无关的电气设备特征。

[0015] 本发明步骤S2中，

[0016] 若第n个训练子集的训练特征包含环境状态属性，则与第n个训练子集匹配的决策树生成算法为ID3算法；

[0017] 若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量大于5，则与第n个训练子集匹配的决策树生成算法为CART算法；

[0018] 若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量不大于5，则与第n个训练子集匹配的决策树生成算法为ID3算法。

[0019] 本发明预处理结束后，电气设备数据中仅包含环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性，第n个训练子集的训练特征的数量不大于8。

[0020] 本发明调节p的取值，以使每个维护周期均有对应的电气设备数据。

[0021] 本发明步骤S3中，利用测试样本对每棵电气设备保养周期决策树进行测试，并设置阈值，剔除准确率低于阈值的电气设备保养周期决策树，利用准确率高于阈值的电气设备保养周期决策树形成电气设备保养周期决策森林。

[0022] 本发明步骤S3中，选取一部分准确率高于阈值的电气设备保养周期决策树，以使电气设备保养周期决策森林中通过CART算法生成的电气设备保养周期决策树和通过ID3算法生成的电气设备保养周期决策树的数量比例在0.9‑1.1之间。

[0023] 本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。

附图说明

[0024] 下面结合附图对本发明做进一步的说明：

[0025] 图1为本发明实施例电气设备保养周期生成方法的流程图。

具体实施方式

[0026] 下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。

[0027] 在下文描述中，出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述，而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0028] 实施例：

[0029] 本实施例提供了一种电气设备保养周期生成方法，包括如下步骤：

[0030] 步骤S0：获取大量不同的电气设备数据，本实施例中总计获取3773条电气设备数据，此处电气设备数据为历史电气设备数据，各个电气设备数据分别对应于不同的电气设备，电气设备数据中包含有对应电气设备的大量特征数据，其中一条特征数据为历史维护过程中由专业的电气设备维护人员针对该电气设备判断出的电气设备保养时间间隔，该电气设备保养时间间隔为该电气设备相邻两次维护之间的较为理想的理论时间间隔，而非实际维护时间间隔；

[0031] 若针对该电气设备的实际维护时间间隔低于电气设备保养时间间隔，则说明该电气设备受到了过度维护，电气设备维护人员的人力资源遭到浪费，若针对该电气设备的实际维护时间间隔大于电气设备保养时间间隔，则说明该电气设备未受到及时良好的维护，产生了不必要的损耗；

[0032] 常见的，电气设备数据中包含的电气设备特征数据除了电气设备保养时间间隔外，还有设备品牌属性、环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性等103种属性；

[0033] 本实施例的目的在于通过电气设备数据中非电气设备保养时间间隔的电气设备特征对电气设备保养时间间隔进行预测判断，因此与电气设备保养时间间隔明显无关或者低相关度的电气设备特征应当予以剔除，以避免对预测速度和预测准确率产生不利影响，为此，本步骤中针对每条电气设备数据进行预处理，经过预处理后电气设备数据中仅保留了设备品牌属性、环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性；

[0034] 电气设备保养时间间隔通常为点值，受限于历史电气设备数据的数量，历史电气设备数据中的电气设备保养时间间隔的取值可能只有1天、2天、12天、10天或15天等等，因此基于原始历史电气设备数据直接对一台尚未获得电气设备保养时间间隔的电气设备进行电气设备保养时间间隔预测的时候，得到的电气设备保养时间间隔结果只可能是1天、2天、12天、10天或15天等存在于历史电气设备数据中的电气设备保养时间间隔数值，然而根据实际经验可以知道，该尚未获得电气设备保养时间间隔的电气设备的实际电气设备保养时间间隔结果也可能为1.2天、13天等等不存在于历史电气设备数据内的结果，因此直接采用原始的历史电气设备数据对未知的电气设备进行电气设备保养时间间隔的预测准确率很低，并且在实际电气设备维护过程中，即使获知了电气设备保养时间间隔，两次维修之间的实际时间间隔基本不太可能恰好达到电气设备保养时间间隔，基于现实条件和情况考虑，维护人员对电气设备的实际维护时间间隔只要和电气设备保养时间间隔差别不大，就可以基本保证在不浪费人力资源的条件下对电气设备的维护要求；

[0035] 电气设备保养时间间隔数值相近的电气设备被分类至一个维修批次，维护人员每次出发工作主要针对同一个维修批次的电气设备进行统一维护，对电气设备进行维护的人力资源如果较为充分，则维修批次的数量可以较多，相应同一个维修批次内的电气设备的电气设备保养时间间隔差距较小，电气设备数量也较少，从而减少电气设备的过度维修或者维修不及时情况的发生，若对电气设备进行维护的人力资源贫乏，则维修批次的数量较少，相应同一个维修批次内的电气设备的电气设备保养时间间隔差距较大，电气设备数量也较多，从而降低维修过程中的通勤成本；

[0036] 影响维修批次数量p的除了人力资源外，还有维修工具等因素，这些因素统称为电气设备保养能力；

[0037] 基于上述理由，电气设备数据的预处理过程还包括如下步骤：

[0038] 获取所有历史电气设备数据中的电气设备保养时间间隔的最大值Tmax和最小值Tmin，根据电气设备保养能力设定p，其中p为不小于2的整数，则Tmax‑Tmin=p*T，此时可以依次获得维护周期[Tmin,Tmin+T）、[Tmin+T,Tmin+2T）、......、[Tmin+（p‑2）*T,Tmin+（p‑1）*T）、[Tmin+（p‑1）*T,Tmax]，找到每条历史电气设备数据中电气设备保养时间间隔对应的维护周期，从而使历史电气设备数据与对应的维护周期进行关联，例如，若p=3，则可以依次获得维护周期[Tmin,Tmin+T）、[Tmin+T,Tmin+2T）、[Tmin+2T,Tmax]，其中一条历史电气设备数据的电气设备保养时间间隔若为Tmin+1.5T，则该历史电气设备数据的维护周期为[Tmin+T,Tmin+2T）；

[0039] 通过历史电气设备数据的维护周期对其他电气设备的维护周期进行预测，将具有相同维护周期的电气设备划归为同一个维修批次，继而满足实际维修计划制定的需要；

[0040] 理论上来说，一台电气设备的电气设备保养时间间隔应当有可能为Tmax和Tmin之间的任一数值，也就是说，需要保证每个维护周期都有对应的历史电气设备数据，从而保证后续针对电气设备进行维护周期预测的时候每个维护周期都有可能成为预测结果，避免预测结果的遗漏，提升预测准确率；

[0041] 但是如果历史电气设备数据数量较少，则有可能导致一部分维护周期没有对应的历史电气设备数据，此时通过适当减少p的数值，从而减少维护周期的数量，提升单个维护周期的时间宽度，以解决该问题；

[0042] 应当注意的是，历史电气设备数据中的设备品牌属性并非技术性属性，设备品牌属性与作为点值的电气设备保养时间间隔之间存在一定关联性，但是该关联性较弱，在此基础上，设备品牌属性与作为范围值的维护周期之间关联性进一步急剧减弱，因此预处理过程中需要将历史电气设备数据中的设备品牌属性一并剔除；

[0043] 最终本实施例中预处理完成后的电气设备数据仅保留了环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性，同时还获得了与电气设备数据关联的维护周期。

[0044] 步骤S1：将预处理后的一部分电气设备数据组成训练样本集，其余每个电气设备数据都可以作为单独的测试样本，利用自助法从训练样本集中生成多个训练子集，因此每个训练子集具有与训练样本集相同数量的电气设备数据，因此本实施例中每个训练子集也具有3773条电气设备数据（每个训练子集中的一部分电气设备数据重复），针对第n个训练子集，对其内部的电气设备数据进行随机数量随机种类的电气设备特征筛选，从而获得对应的训练特征；

[0045] 例如针对第6个训练子集，对其内部电气设备数据的电气设备特征统一进行筛选，得到4个训练特征，分别为启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性，针对第1002个训练子集，对其内部电气设备数据的电气设备特征统一进行筛选，得到2个训练特征，分别为燃机转速属性和燃机温度属性，重复上述筛选过程，最终获得每个训练子集对应的训练特征，相应的每个训练子集对应的训练特征数量和种类也相应确定了；

[0046] 步骤S2：根据第n个训练子集的训练特征种类和数量，从ID3算法和CART算法中挑选出与第n个训练子集匹配的决策树生成算法，利用决策树生成算法对第n个训练子集的训练特征进行处理，以生成第n个训练子集对应的电气设备保养周期决策树；

[0047] 每个训练子集都能生成一棵电气设备保养周期决策树，每个训练特征作为一个分类节点，分类节点的先后顺序则依靠ID3算法或CART算法进行确定，ID3算法或CART算法针对训练特征生成决策树的方法为现有技术，本实施例不再赘述；

[0048] 将测试样本输入至电气设备保养周期决策树，则可以得出该测试样本对应的维护周期判断结果，通过比较该测试样本实际对应的维护周期和维护周期判断结果，可以得出该保养周期决策树的判断结果是否准确。同样以p=3的情况进行举例，若其中一个测试样本输入至电气设备保养周期决策树，得出的维护周期判断结果为[Tmin,Tmin+T），而实际该测试样本对应的维护周期为[Tmin+T,Tmin+2T），则说明该电气设备保养周期决策树对该测试样本判断错误，但是若电气设备保养周期决策树得出的维护周期判断结果和该测试样本对应的维护周期均为[Tmin+T,Tmin+2T），则说明该电气设备保养周期决策树对该测试样本判断正确；

[0049] 将大量测试样本依次输入至电气设备保养周期决策树，进而得知电气设备保养周期决策树对各个测试样本的维护周期判断结果正确与否，就可以最终获得该电气设备保养周期决策树的准确率；

[0050] 环境状态属性、机组水温属性、启动电池电压属性、输出线电压属性、输出相电压属性、输出相电流属性、有功功率属性、无功功率属性、功率因数属性、发电机组数量属性、燃机转速属性、燃机温度属性中绝大部分属性两两之间存在一定关联性，故而生成一棵电气设备保养周期决策树所使用的训练特征种类数量增加，未必能够使得该电气设备保养周期决策树的准确率获得明显提升，不仅如此，还可以能由于使用的训练特征种类数量增加，导致一棵电气设备保养周期决策树的生成时间和进行判断的时间大幅增加，基于这一现实情况，针对ID3算法和CART算法进行测试可以发现，训练特征种类数量不多的情况下，采用ID3算法生成电气设备保养周期决策树不仅准确率高，而且生成速度也较快，在采用ID3算法的基础上进一步增加使用的训练特征种类数量，则电气设备保养周期决策树的准确率不仅没有明显增加，而且生成时间还大幅增加，与之相对，采用CART算法的情况下，若训练特征种类数量不多，则生成的电气设备保养周期决策树的准确率不高，生成时间也相对较短，但是若进一步增加使用的训练特征种类数量，则生成的电气设备保养周期决策树准确率和生成时间都会增加。特别的，环境状态属性并非数值，而是由高温高湿、低温高湿、高温低湿、低温低湿等状态值，采用环境状态属性作为训练特征的情况下，通过ID3算法生成的电气设备保养周期决策树中环境状态属性判断较为靠近根节点位置，即使生成过程中使用到的训练特征种类数量较多，也会有一部分训练特征不会起到分类效果，但是最终维护周期的判断准确率通常也不会很低；

[0051] 基于上述分析和测试结果，本步骤中在刚获得第n个训练子集的训练特征种类和数量时，首先对训练特征种类和数量进行分析，若第n个训练子集的训练特征包含环境状态属性，则与第n个训练子集匹配的决策树生成算法为ID3算法；若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量大于5，则与第n个训练子集匹配的决策树生成算法为CART算法；若第n个训练子集的训练特征不包含环境状态属性，且第n个训练子集的训练特征的数量不大于5，则与第n个训练子集匹配的决策树生成算法为ID3算法。

[0052] 采用CART算法生成的电气设备保养周期决策树，如果采用的训练特征种类数量如果超出一定范围，同样不能进一步增加维护周期的判断准确率，而且还会提升判断时间，也因此，在步骤S1中，需要确保每个训练子集的训练特征的数量不大于8；

[0053] 步骤S3：多次重复步骤S2，每次重复过程改变n的取值，以生成多棵电气设备保养周期决策树，进而得到电气设备保养周期决策森林；

[0054] 将同一个测试样本输入至电气设备保养周期决策森林中的每一棵电气设备保养周期决策树，每一棵电气设备保养周期决策树都能对测试样本得出一个维护周期的判断结果，出现次数最多的判断结果则为电气设备保养周期决策森林的判断结果；

[0055] 电气设备保养周期决策森林的准确率提升通常而言是通过扩大规模，即增加电气设备保养周期决策树的数量，但是这就导致电气设备保养周期决策森林的规模过大，在对维护周期进行判断的时候判断时间过长，为了解决这一问题，本实施例设置了针对电气设备保养周期决策树准确率的阈值，将每个电气设备保养周期决策树的准确率与阈值进行比较，对准确率低于阈值的电气设备保养周期决策树进行剔除，不仅提升了电气设备保养周期决策森林的判断准确率，还缩减了电气设备保养周期决策森林的规模，降低了判断时间；

[0056] 整体上而言，ID3算法生成电气设备保养周期决策树使用的训练特征数量较少，CART算法生成电气设备保养周期决策树使用的训练特征数量较多，ID3算法生成的电气设备保养周期决策树相较CART算法生成的电气设备保养周期决策树而言准确率略低，但是判断时间较短，为了平衡两种算法生成的电气设备保养周期决策树数量，确保电气设备保养周期决策森林不仅具有较高的准确率，还具有较快的判断速度，本步骤中还会对准确率高于阈值的一部分电气设备保养周期决策树进行剔除，从而确保最终电气设备保养周期决策森林中通过CART算法生成的电气设备保养周期决策树和通过ID3算法生成的电气设备保养周期决策树的数量比例在0.9‑1.1之间。

[0057] 最终，本实施例电气设备保养周期决策森林的准确率高达70.06%，生成时间仅为9分21秒，与之相对，仅采用CART算法生成的电气设备保养周期决策森林的准确率仅为64.69%，生成时间则为20分23秒，仅采用ID3算法生成的电气设备保养周期决策森林的准确率仅为57.09%，生成时间则为4分14秒。

[0058] 步骤S4：电气设备保养周期决策森林生成后，将待获得保养周期的电气设备的特征值输入至电气设备保养周期决策森林，由电气设备保养周期决策森林输出电气设备保养周期。

[0059] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。