【技术实现步骤摘要】
一种多模型融合预测电网缺陷物资的方法及系统
本专利技术涉及电网电力物资信息处理的
，尤其涉及一种多模型融合预测电网缺陷物资的方法及系统。
技术介绍
在电网运行过程中，很多设备因为各种各样的原因会发生故障，如运行时负载、雷雨天气、大雪天气以及滑坡等等，有的故障是无法通过维修来解决的，因此需要对物资进行储备，传统的物资仓储在效率上比较低，即通过一些简单的分析和策略来保证物资的供应。随着电网企业的发展和转型，仓储和调度的效率问题受到了关注，随着大数据、物联网、人工智能等技术的发展，数据的获取和利用变得非常方便，充分利用历史的缺陷数据，挖掘有效特征，实现缺陷物资的精准预测，能够提升电网的仓储和调度效率，成为降低企业运营成本的重要抓手。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上...
【技术保护点】
1.一种多模型融合预测电网缺陷物资的方法，其特征在于：包括，/n基于不同区域、时间、设备的故障概率策略依次构建回归模型、负反馈神经网络模型、梯度提升树GBDT模型及XgBoost模型；/n将采集的缺陷物资数据及对应的气象数据统一输入至所述回归模型、所述负反馈神经网络模型、所述梯度提升树GBDT模型及所述XgBoost模型中进行训练；/n分别输出各个模型对应的预测结果；/n利用多模型融合策略融合处理训练完成的多个模型形成预测模型并求取所述预测结果的平均值，获得最终的融合预测结果。/n
【技术特征摘要】
1.一种多模型融合预测电网缺陷物资的方法，其特征在于：包括，
基于不同区域、时间、设备的故障概率策略依次构建回归模型、负反馈神经网络模型、梯度提升树GBDT模型及XgBoost模型；
将采集的缺陷物资数据及对应的气象数据统一输入至所述回归模型、所述负反馈神经网络模型、所述梯度提升树GBDT模型及所述XgBoost模型中进行训练；
分别输出各个模型对应的预测结果；
利用多模型融合策略融合处理训练完成的多个模型形成预测模型并求取所述预测结果的平均值，获得最终的融合预测结果。
2.根据权利要求1所述的多模型融合预测电网缺陷物资的方法，其特征在于：包括，
所述回归模型对优化目标进行求解，如下，
其中，nsamples：样本数，w：向量在样本各个维度的权重系数，X：样本数据，y：物资缺陷的量，α、β：正则系数，||w||1、||w||2分别为系数的一阶范数、二阶范数；
θ∈RN,x∈RN
其中，缺陷物资的预测值(单位为件，值为正实数)，x：输入的电网物资的特征数据(投运日期、生产厂家，缺陷发生日期、发生缺陷时气象温度、湿度、是否大雪天气等)，θ：权重参数向量；
所述GBDT模型和所述XgBoost预测如下，
其中，K：模型有K个分类回归树，Γ：模型的分类回归树空间；
所述负反馈神经网络模型预测如下，
其中，w1：第一层的参数，σ：激活函数，w2：第二层的权重参数。
3.根据权利要求1或2所述的多模型融合预测电网缺陷物资的方法，其特征在于：对构建的多个模型进行训练，包括，
利用时间原则划分所述气象数据和所述历史缺陷数据，分别形成训练集、验证集和测试集；
利用所述训练集依次对所述回归模型、所述负反馈神经网络模型、所述梯度提升树GBDT模型及所述XgBoost模型进行精度训练；
进行N轮迭代，直至输出的所述预测结果满足所述预测决策要求时停止训练；
利用所述验证集验证训练完成的多个模型精度，结合所述测试集测试训练完成的多个模型泛化性能。
4.根据权利要求3所述的多模型融合预测电网缺陷物资的方法，其特征在于：划分所述样本数据集包括，
划分采集的2015年至2017年的所述气象数据和所述历史缺陷数据，定义为所述训练集；
划分采集的2018年的所述气象数据和所述历史缺陷数据，定义为所述验证集；
划分采集的2019年的所述气象数据和所述历史缺陷数据，定义为所述测试集。
5...
【专利技术属性】
技术研发人员：俞虹，唐诚旋，蒋群群，陈钰伊，张秀，程文美，代州，徐一蝶，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。