一种优化的模型并行的缺陷物资预测方法技术

本发明专利技术公开了一种优化的模型并行的缺陷物资预测方法，包括，基于Spark框架搭建分布式框架；分别在分布式框架的每个从节点上训练一个机器学习模型；将训练完成的机器学习模型分别保存到对应的节点，获得缺陷物资预测模型；利用缺陷物资预测模型对缺陷物资进行预测；本发明专利技术通过模型并行的架构，实现多模型的并行训练，提高训练模型的速度，以及提高预测速度；同时通过多模型并行训练，提高了缺陷物资预测精度。度。度。

【技术实现步骤摘要】
一种优化的模型并行的缺陷物资预测方法


[0001]本专利技术涉及物资需求预测的
，尤其涉及一种优化的模型并行的缺陷物资预测方法。

技术介绍

[0002]电网系统的平稳健康运行，对人民生产生活非常重要。但是电网系统太过庞大，设备也不可能一直完好无损的运行。极端天气、突发情况以及设备老化等都可能导致电网故障。
[0003]对于电网的设备物资而言，主要有三类：日常设备物资、应急设备物资和重大灾害缺陷物资。本专利技术主要针对的是应急设备物资。当设备发生故障时，就需要在各地仓库备有以进行更换来保证电网的正常运行。但是各地仓库应该每类物资应该采购多少，才能既不缺物资，又不会过度仓储，就成了一个值得研究的问题。
[0004]但是电网系统中，不同的区域、不同的物资数据分布很不一样，如图1所示。以修文县的真实数据分布为例，本体、复合绝缘子和金具本体的分布不一样。同时可以看到，数据的分布没有很强的规律性。因此，要实现对电网层次化的缺陷物资的精准预测，不可能实现一个模型适应于所有的缺陷物资。同时考虑到电网的传感器数据是海量的，那么单机就比较难实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种优化的模型并行的缺陷物资预测方法，其特征在于：包括，基于Spark框架搭建分布式框架；分别在分布式框架的每个从节点上训练一个机器学习模型；将训练完成的机器学习模型分别保存到对应的从节点，获得缺陷物资预测模型；利用所述缺陷物资预测模型对缺陷物资进行预测。2.如权利要求1所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述分布式框架包括一个主节点和多个从节点。3.如权利要求1所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述机器学习模型包括，线性回归模型、Lasso回归模型、岭回归模型、负反馈神经网络模型、梯度提升树和极端梯度提升模型。4.如权利要求2或3所述的优化的模型并行的缺陷物资预测方法，其特征在于：训练所述机器学习模型包括，根据目标公式对优化目标进行求解，完成所述机器学习模型的训练；而后利用机器学习模型预测所述缺陷物资，分别获得预测值所述目标公式如下：其中，n
samples
为样本数，w为向量在样本各个维度的权重系数，X为样本数据，y为物资缺陷的量，α、β为正则系数，||w||1、||w||2分别为系数的一阶范数、二阶范数。5.如权利要求4所述的优化的模型并行的缺陷物资...

【专利技术属性】
技术研发人员：俞虹，代洲，程文美，唐诚旋，蒋群群，陈珏伊，张秀，徐一蝶，王钧泽，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：