基于多模型融合的电网故障抢修时长预测方法技术

本发明专利技术提出了基于多模型融合的电网故障抢修时长预测方法，包括在故障抢修时长的预测前，对输入的特征数据进行清洗，排除异常数据；使用清洗后的数据进行特征工程建设，选取特征数据，将特征数据分别输入到预测模型中进行建模；在建模的过程中，分别对单个模型参数进行调优，输出最优的预测结果；对预测结果进行加权求和，输出最终的预测值。通过使用多种机器学习方法进行建模，并将预测结果进行加权，融合多模型的优势特点，得到相较于单模型更为准确的预测结果。可以较为准确地对故障抢修时长进行预估，为电网故障抢修的自动化和智能化提供更好地支撑。

The prediction method of the time length of power grid fault rush repair based on multi model fusion

【技术实现步骤摘要】
基于多模型融合的电网故障抢修时长预测方法
本专利技术属于模型预测领域，尤其涉及基于多模型融合的电网故障抢修时长预测方法。
技术介绍
电网故障的分析和预测是电网自动化和智能化中的重要一环。由于电网故障种类繁多、原因复杂，电网故障的分析和预测较为困难，尤其是对电网故障抢修时长的预测更加困难。随着智能电网的建设，调度自动化水平不断提高，信息采集系统的功能不断强大，已有众多学者展开对电网故障预测的研究。文献[1]综述了广泛应用于电网故障诊断的多种智能方法结合的故障诊断方法，包括基于专家系统、Petri网、神经网络、贝叶斯网络等技术结合的诊断技术；文献[2]使用模型预测和溯因推理网络相结合的方法进行电网故障的预测，能在保护装置和断路器动作前进行故障定位，具有故障预警功能；文献[3]提出了一种基于长短期记忆网络LSTM的故障时间序列预测方法，证明LSTM在电网故障预测中相比传统方法更加准确。已有的研究多从电网内部收集的信息作为预测依据，如电压、电流、功率等指标，这些指标某种程度上反映了电网的运行状况，但忽略了天气、人为破坏等外部因素。<br>专利技本文档来自技高网...

【技术保护点】
1.基于多模型融合的电网故障抢修时长预测方法,其特征在于，所述网故障抢修时长预测方法包括：/n在故障抢修时长的预测前，对输入的特征数据进行清洗，排除异常数据；/n使用清洗后的数据进行特征工程建设，选取特征数据，将特征数据分别输入到预测模型中进行建模；/n在建模的过程中，分别对单个模型参数进行调优，输出最优的预测结果；/n对预测结果进行加权求和，输出最终的预测值。/n

【技术特征摘要】
1.基于多模型融合的电网故障抢修时长预测方法,其特征在于，所述网故障抢修时长预测方法包括：
在故障抢修时长的预测前，对输入的特征数据进行清洗，排除异常数据；
使用清洗后的数据进行特征工程建设，选取特征数据，将特征数据分别输入到预测模型中进行建模；
在建模的过程中，分别对单个模型参数进行调优，输出最优的预测结果；
对预测结果进行加权求和，输出最终的预测值。


2.根据权利要求1所述的基于多模型融合的电网故障抢修时长预测方法,其特征在于，所述预测模型包括XGBoost、LightGBM以及LSTM。


3.根据权利要求1所述的基于多模型融合的电网故障抢修时长预测方法,其特征在于，当所述预测模型为XGBoost、LightGBM的提升树模型时，所述将特征数据分别输入到预测模型中进行建模，包括：
以分类树或回归树作为基分类器，以分类器构建过程中错误分类产生的残差作为损失函数，即通过拟合残差构造损失函数；
假设初始提升树为f0(x)＝0，则使用前向分步算法第m步的模型表达式如公式一所示
fm(x)＝fm-1(x)+T(xiΘ)公式一，
其中，fm-1(x)为当前模型，L为损失函数，T(xiΘ)为决策树表达式，通过经验风险极小化确定如公式二所示的下一棵树的参数Θm：



其中，argmin是使损失函数达到最小值时...

【专利技术属性】
技术研发人员：潘坚跃，徐晓华，杜欣，杨肖波，马列，孙剑，冯雪，樊笑利，汪昆，陈元中，徐汉麟，钱镜，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
类型：发明
国别省市：浙江;33