一种电网缺陷物资预测方法技术

本发明专利技术公开了一种电网缺陷物资预测方法，包括，基于中央处理器的核心数开启多个线程，利用每个线程对每个基模型进行并行训练；分别利用训练后的基模型对电网缺陷物资进行预测，获得对应的预测结果；将基模型的均方根误差的倒数作为基模型的权重；将基模型的权重和预测结果进行加权融合，完成电网缺陷物资预测；本发明专利技术通过多线程的方式，提高了训练基模型的速度，以及提高了预测速度；同时通过加权融合多模型，提高了预测的精度。提高了预测的精度。提高了预测的精度。

【技术实现步骤摘要】
一种电网缺陷物资预测方法


[0001]本专利技术涉及性能优化、物资需求预测的
，尤其涉及一种电网缺陷物资预测方法。

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]目前关于缺陷设备的预测，大多研究都集中于提升某一类物资的预测精度，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，且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，需要对多模型进行融合。传统的融合方法就是平均加权融合，或者Stacking融合。但是这两个方法都有一些自身的缺陷，平均加权融合方法过于简单，在精度上存在问题。Stacking融合方法，则相对复杂，且依赖于第二阶段的融合模型，要求更高，且精度也未必更高。
[0005]同时在对模型进行融合的时候，传统的做法就是一个一个的串行训练模型，然后对模型进行选择和融合，但是这样的效率不高；当数据量增长之后，继续串行的预测和融合，在效率上会降低。

技术实现思路

[0006]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。
[0007]鉴于上述现有存在的问题，提出了本专利技术。
[0008]因此，本专利技术提供了一种电网缺陷物资预测方法，能够解决应急设备物资预测效果差的问题。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：包括，基于中央处理器的核心数开启多个线程，利用每个线程对每个基模型进行并行训练；分别利用训练后的基模型对电网缺陷物资进行预测，获得对应的预测结果；将基模型的均方根误差的倒数作为基模型的权重；基于所述基模型的权重将所述预测结果进行加权融合，完成电网缺陷物资预测。
[0010]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：开启所述多个线程包括，定义Runnable接口的实现类，并重写Runnable接口的run方法；创建Runnable实现类的实例；调用Thread类的有参构造，将所述实例作为参数传递，创建Thread类的一个对
象；调用Thread类对象的start方法。
[0011]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：所述基模型包括，岭回归模型、套索回归模型、弹性网络回归模型、梯度提升树、极端梯度提升模型和负反馈神经网络模型。
[0012]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：并行训练所述基模型包括，根据目标公式对优化目标进行求解，完成所述基模型的训练；所述目标公式如下：
[0013][0014]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。
[0015]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：所述预测结果包括，利用所述基模型预测所述电网缺陷物资，分别获得预测值所述预测值为：
[0016][0017]其中，为岭回归模型、套索回归模型、弹性网络回归模型的电网缺陷物资预测值，x为输入的电网物资的特征数据，θ为权重参数向量，T为转置符号。
[0018]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：所述预测值包括，
[0019][0020]其中，为梯度提升树和极端梯度提升模型的缺陷物资预测值，f
k
为第k棵分类回归树，K为分类回归树的数量，Γ为分类回归树的空间。
[0021]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：所述预测值包括，
[0022][0023]其中，为负反馈神经网络模型的缺陷物资预测值，w1为第一层的参数，σ为激活函数，w2为第二层的权重参数。
[0024]作为本专利技术所述的电网缺陷物资预测方法的一种优选方案，其中：根据均方根误差的阈值滤除过拟合的基模型。
[0025]本专利技术的有益效果：本专利技术通过多线程的方式，提高了训练基模型的速度，以及提高了预测速度；同时通过加权融合多模型，提高了预测的精度。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0027]图1为本专利技术第一个实施例所述的一种电网缺陷物资预测方法的流程示意图；
[0028]图2为本专利技术第一个实施例所述的一种电网缺陷物资预测方法的电网缺陷物资的时间分布示意图；
[0029]图3为本专利技术第二个实施例所述的一种电网缺陷物资预测方法的预测精度对比示意图；
[0030]图4为本专利技术第二个实施例所述的一种电网缺陷物资预测方法的并行和串行时间对比示意图。
具体实施方式
[0031]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0032]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0033]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0034]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0035]同时在本专利技术的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网缺陷物资预测方法，其特征在于：包括，基于中央处理器的核心数开启多个线程，利用每个线程对每个基模型进行并行训练；分别利用训练后的基模型对电网缺陷物资进行预测，获得对应的预测结果；将基模型的均方根误差的倒数作为基模型的权重；基于所述基模型的权重将所述预测结果进行加权融合，完成电网缺陷物资预测。2.如权利要求1所述的电网缺陷物资预测方法，其特征在于：开启所述多个线程包括，定义Runnable接口的实现类，并重写Runnable接口的run方法；创建Runnable实现类的实例；调用Thread类的有参构造，将所述实例作为参数传递，创建Thread类的一个对象；调用Thread类对象的start方法。3.如权利要求2所述的电网缺陷物资预测方法，其特征在于：所述基模型包括，岭回归模型、套索回归模型、弹性网络回归模型、梯度提升树、极端梯度提升模型和负反馈神经网络模型。4.如权利要求1或3所述的电网缺陷物资预测方法，其特征在于：并行训练所述基模型包括，根据目标公式对优化目标进行求解，完成所述基模型的训练；所述目标公式如下：其中，n
samples
为样...

【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：