CN111639815A - 一种多模型融合预测电网缺陷物资的方法及*** - Google Patents
一种多模型融合预测电网缺陷物资的方法及*** Download PDFInfo
- Publication number
- CN111639815A CN111639815A CN202010490388.3A CN202010490388A CN111639815A CN 111639815 A CN111639815 A CN 111639815A CN 202010490388 A CN202010490388 A CN 202010490388A CN 111639815 A CN111639815 A CN 111639815A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- materials
- prediction
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 230000002950 deficient Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 4
- 239000002994 raw material Substances 0.000 claims 4
- 238000003860 storage Methods 0.000 abstract description 14
- 238000007726 management method Methods 0.000 abstract description 9
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多模型融合预测电网缺陷物资的方法及***，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。本发明实现以指导应急抢修物资种类、规模和地点的提前存储，提高电网公司物资管理的前瞻规划能力，在增强电网运行可靠性的同时，降低电网企业运营物资的成本。
Description
技术领域
本发明涉及电网电力物资信息处理的技术领域，尤其涉及一种多模型融合预测电网缺陷物资的方法及***。
背景技术
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。
发明内容
本部分的目的在于概述本发明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发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种多模型融合预测电网缺陷物资的方法及***，能够解决电网仓储和调度的低效率问题、缺陷物资的预测分析问题和电网企业运营物资的成本问题。
为解决上述技术问题，本发明提供如下技术方案：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。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：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；
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。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：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。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：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。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：获取所述气象数据包括，采集历史气象信息和天气预报信息；所述历史气象信息包括，温度、能见度、云量、降水量、气压、风速、风向和相对湿度；所述天气预报信息包括，大雨、小雨、雷电、大雪、小雪、冰雹、雾霾。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：获取所述历史缺陷数据包括，采集电力缺陷物资基本信息和电力缺陷物资现场应用信息；所述电力缺陷物资基本信息包括，所述缺陷物资所属的区域、运行时的负载、生产厂家、生产日期、投产日期；所述电力缺陷物资现场应用信息包括，与所述缺陷物资相关的设备运行状态实时监测信息。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：形成所述预测模型还包括，求取多个模型的预测结果平均值并取整，融合如下，
其中，fm：需要融合的模型，round：取整；输出最终的融合预测结果。
作为本发明所述的一种多模型融合预测电网缺陷物资的方法的一种优选方案，其中：所述预测结果还包括，电网在各个地区、各类别的缺陷物资的数量。
作为本发明所述的一种多模型融合预测电网缺陷物资的***的一种优选方案，其中：包括，采集模块，用于采集所述气象数据和所述历史缺陷数据并构建所述样本数据集；数据处理中心模块，用于接收、计算、存储、输出待处理的数据信息，其包括运算单元、数据库和输入输出管理单元，所述运算单元与所述采集模块相连接，用于接收所述采集模块获取的数据信息以进行运算处理，计算各个模型的所述预测结果和所述融合预测结果，所述数据库连接于各个模块，用于存储接收的所有数据信息，为所述数据处理中心模块提供调配供应服务，所述输入输出管理单元用于接收各个模块的信息并输出所述运算单元的运算结果。
作为本发明所述的一种多模型融合预测电网缺陷物资的***的一种优选方案，其中：包括，预测模块连接于所述输入输出管理单元，其用于分析所述原始单元的运算结果，通过读取所述采集模块的信息与所述数据库的信息进行判断，输出所述预测结果；融合模块与所述预测模块相连接，其用于合并处理所述预测模块输出的所述预测结果并反馈至所述运算单元内进行融合运算，最终输出所述融合预测结果。
本发明的有益效果：本发明通过针对应急缺陷物资利用大数据和机器学习建模技术对不同时间、不同地点、不同种类的物资故障数量进行预测，实现以指导应急抢修物资种类、规模和地点的提前存储，提高电网公司物资管理的前瞻规划能力，在增强电网运行可靠性的同时，降低电网企业运营物资的成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，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：
图1为本发明第一个实施例所述的一种多模型融合预测电网缺陷物资的方法的流程示意图；
图2为本发明第一个实施例所述的一种多模型融合预测电网缺陷物资的方法的测试结果输出曲线对比示意图；
图3为本发明第二个实施例所述的一种多模型融合预测电网缺陷物资的***的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明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发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明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。
本发明结合示意图进行详细描述，在详述本发明实施例时，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，其在此不应限制本发明保护的范围。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。
同时在本发明的描述中，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发明和简化描述，而不是指示或暗示所指的装置或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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2，为本发明的第一个实施例，该实施例提供了一种多模型融合预测电网缺陷物资的方法，包括：
S1：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。其中需要说明的是：
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；
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；
GBDT模型和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；
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。
具体的，包括：
优化一阶范数和二阶范数，减少参数并进行特征选择；
负反馈神经网络模型对时间序列缺陷物资进行预测；
梯度提升树GBDT模型对时间序列进行预测；
XgBoost模型对缺陷物资时间序列进行预测。
S2：将采集的缺陷物资数据及对应的气象数据统一输入至回归模型、负反馈神经网络模型、梯度提升树GBDT模型及XgBoost模型中进行训练。本步骤需要说明的是：
分别获取气象数据和历史缺陷数据并进行预处理，形成样本数据集；
获取气象数据包括，采集历史气象信息和天气预报信息；
历史气象信息包括，温度、能见度、云量、降水量、气压、风速、风向和相对湿度；
天气预报信息包括，大雨、小雨、雷电、大雪、小雪、冰雹、雾霾。
进一步的，获取历史缺陷数据包括：
采集电力缺陷物资基本信息和电力缺陷物资现场应用信息；
电力缺陷物资基本信息包括，缺陷物资所属的区域、运行时的负载、生产厂家、生产日期、投产日期；
电力缺陷物资现场应用信息包括，与缺陷物资相关的设备运行状态实时监测信息。
具体的，训练包括：
利用时间原则划分气象数据和历史缺陷数据，分别形成训练集、验证集和测试集；
利用训练集依次对回归模型、负反馈神经网络模型、梯度提升树GBDT模型及XgBoost模型进行精度训练；
设置预设参数，利用网格寻优策略找到各个模型的最佳参数；
进行N轮迭代，直至输出的预测结果满足预测决策要求(真实值与预测值误差占真实值的比例小于预设值)时停止训练；
利用验证集验证训练完成的多个模型精度，结合测试集测试训练完成的多个模型泛化性能。
进一步的，划分样本数据集包括：
划分采集的2015年至2017年的气象数据和历史缺陷数据，定义为训练集；
划分采集的2018年的气象数据和历史缺陷数据，定义为验证集；
划分采集的2019年的气象数据和历史缺陷数据，定义为测试集。
S3：分别输出各个模型对应的预测结果。其中还需要说明的是，利用训练结束的多个模型对缺陷物资进行预测并输出预测的物资缺陷数据，得到各类物资可能发生缺陷需要替换的数量。
S4：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预测结果的平均值，获得最终的融合预测结果。本步骤还需要说明的是，形成预测模型还包括：
求取多个模型的预测结果平均值并取整，融合如下，
其中，fm：需要融合的模型，round：取整；
输出最终的融合预测结果，即电网在各个地区、各类别的缺陷物资的数量。
优选的，本实施例还需要说明的是，现有的SVM物资需求预测方法主要将电力行业物资需求预测问题转换为文本分类问题，其抽取物资需求历史的文本数据，在电力领域知识库下进行特征提取，特征向量利用SVM训练电力行业文本内容分析模型，得到物资文本数据，对半结构化数据预处理以抽取识别信息确定物资需求文本特征，SVM结合训练完成的分析模型对行业物资需求进行预测，该方法虽利用项目的相关文本信息，但是这些文本信息只包含了部分物资的说明，使得预测结果不全面，针对于其他未说明的物资预测将会产生极大的误差影响；而本发明方法收集近五年的气象数据和历史缺陷数据构建样本数据集，构建四种模型彼此平衡误差预测不同类型的数据，利用融合处理策略合并四种模型形成预测模型以求取最终的平均值，在全面预测物资需求的数据样本提供下进行多方面的预测，消除了传统方法所存在的误差影响。
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统SVM物资需求预测方法与本发明方法进行对比测试，以验证本发明方法所具有的真实效果；传统的SVM物资需求预测方法预测范围较小、不全面、误差影响较大、不准确，为验证本发明方法相对于传统方法具有较高的预测精度、较全面的预测范围，本实施例中将采用传统方法和本发明方法分别对某一地区的不同物资数据进行测试对比。
测试环境：(1)传统SVM预测方法读取数据源抽取属性特征，利用预测模型输出特征预测进行可视化分析；
(2)两种方法均采用Python编写程序、MATLB运行仿真输出数据曲线；
(3)本发明方法利用多个模型对该地区内的缺陷物资进行预测，结合融合模型输出结果求取均值，得到最终的预测结果，如下表所示：
表1：本发明预测误差数据表。
| 区县 | 物资 | 真实值(件) | 预测值(件) | 误差比率 |
| 清镇 | 架空导线 | 70 | 73 | 2％ |
| 清镇 | 混凝土电线杆 | 68 | 62 | 5％ |
| 云岩 | 本体 | 1 | 1 | 0％ |
| 南明 | 复合绝缘子 | 3 | 3 | 0％ |
参照表1，本发明方法预测的结果最好时能够准确到100％，最差的时候不会超过5％，而参照图2，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，根据图2的示意，能够直观的看出本发明方法相较于传统方法在针对多种类数据及全面性检测中具有极高的准确度，虚线在预测多量数据时预测准确度直线下降，且波幅较大，说明了传统方法的误差性，由此，结合表1和图2的参照，能够说明本发明方法在全面性预测的同时具有较高的准确精度。
实施例2
参照图3，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种多模型融合预测电网缺陷物资的***，包括：
采集模块100，用于采集气象数据和历史缺陷数据并构建样本数据集。
数据处理中心模块200，用于接收、计算、存储、输出待处理的数据信息，其包括运算单元201、数据库202和输入输出管理单元203，运算单元201与采集模块100相连接，用于接收采集模块100获取的数据信息以进行运算处理，计算各个模型的预测结果和融合预测结果，数据库202连接于各个模块，用于存储接收的所有数据信息，为数据处理中心模块200提供调配供应服务，输入输出管理单元203用于接收各个模块的信息并输出运算单元201的运算结果。
预测模块300连接于输入输出管理单元203，其用于分析原始单元201的运算结果，通过读取采集模块100的信息与数据库202的信息进行判断，输出预测结果。
融合模块400与预测模块300相连接，其用于合并处理预测模块300输出的预测结果并反馈至运算单元201内进行融合运算，最终输出融合预测结果。
需要说明的是，数据处理中心模块200主要分为三个层次，包括控制层、运算层及存储层，控制层是数据处理中心模块200的指挥控制中心，由指令寄存器IR、指令译码器ID和操作控制器OC组成，控制层能够根据用户预先编好的程序，依次从存储器中取出各条指令，放在指令寄存器IR中，通过指令译码器分析确定，通知操作控制器OC进行操作，按照确定的时序向相应的部件发出微操作控制信号；运算层是数据处理中心模块200的核心，能够执行算术运算(如加减乘除及其附加运算)和逻辑运算(如移位、逻辑测试或两个值比较)，其连接于控制层，通过接受控制层的控制信号进行运算操作；存储层是数据处理中心模块200的数据库，能够存放数据(待处理及已经处理过的数据)。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“***”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
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；
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.根据权利要求4所述的多模型融合预测电网缺陷物资的方法，其特征在于：获取所述气象数据包括，采集历史气象信息和天气预报信息；
所述历史气象信息包括，温度、能见度、云量、降水量、气压、风速、风向和相对湿度；
所述天气预报信息包括，大雨、小雨、雷电、大雪、小雪、冰雹、雾霾。
6.根据权利要求4或5所述的多模型融合预测电网缺陷物资的方法，其特征在于：获取所述历史缺陷数据包括，采集电力缺陷物资基本信息和电力缺陷物资现场应用信息；
所述电力缺陷物资基本信息包括，所述缺陷物资所属的区域、运行时的负载、生产厂家、生产日期、投产日期；
所述电力缺陷物资现场应用信息包括，与所述缺陷物资相关的设备运行状态实时监测信息。
7.根据权利要求6所述的多模型融合预测电网缺陷物资的方法，其特征在于：形成所述预测模型还包括，
求取多个模型的预测结果平均值并取整，融合如下，
其中，fm：需要融合的模型，round：取整；
输出最终的融合预测结果。
8.根据权利要求7所述的多模型融合预测电网缺陷物资的方法，其特征在于：所述预测结果还包括，电网在各个地区、各类别的缺陷物资的数量。
9.一种多模型融合预测电网缺陷物资的***，其特征在于：包括，
采集模块(100)，用于采集所述气象数据和所述历史缺陷数据并构建所述样本数据集；
数据处理中心模块(200)，用于接收、计算、存储、输出待处理的数据信息，其包括运算单元(201)、数据库(202)和输入输出管理单元(203)，所述运算单元(201)与所述采集模块(100)相连接，用于接收所述采集模块(100)获取的数据信息以进行运算处理，计算各个模型的所述预测结果和所述融合预测结果，所述数据库(202)连接于各个模块，用于存储接收的所有数据信息，为所述数据处理中心模块(200)提供调配供应服务，所述输入输出管理单元(203)用于接收各个模块的信息并输出所述运算单元(201)的运算结果。
10.根据权利要求9所述的多模型融合预测电网缺陷物资的***，其特征在于：包括，
预测模块(300)连接于所述输入输出管理单元(203)，其用于分析所述原始单元(201)的运算结果，通过读取所述采集模块(100)的信息与所述数据库(202)的信息进行判断，输出所述预测结果；
融合模块(400)与所述预测模块(300)相连接，其用于合并处理所述预测模块(300)输出的所述预测结果并反馈至所述运算单元(201)内进行融合运算，最终输出所述融合预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490388.3A CN111639815B (zh) | 2020-06-02 | 2020-06-02 | 一种多模型融合预测电网缺陷物资的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490388.3A CN111639815B (zh) | 2020-06-02 | 2020-06-02 | 一种多模型融合预测电网缺陷物资的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111639815A true CN111639815A (zh) | 2020-09-08 |
| CN111639815B CN111639815B (zh) | 2023-09-05 |
Family
ID=72330403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010490388.3A Active CN111639815B (zh) | 2020-06-02 | 2020-06-02 | 一种多模型融合预测电网缺陷物资的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639815B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258039A (zh) * | 2020-10-23 | 2021-01-22 | 贵州电网有限责任公司 | 一种基于强化学习的电力***缺陷物资智能调度方法 |
| CN112365077A (zh) * | 2020-11-20 | 2021-02-12 | 贵州电网有限责任公司 | 一种电网缺陷物资智能仓储调度***的构建方法 |
| CN112613642A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 应急物资需求预测方法和装置、存储介质及电子设备 |
| CN112801417A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种优化的模型并行的缺陷物资预测方法 |
| CN112801418A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN112836880A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种基于rmse的电网缺陷物资需求准确度的模型融合方法 |
| CN113269351A (zh) * | 2021-04-28 | 2021-08-17 | 贵州电网有限责任公司 | 一种面向电网设备故障概率预测的特征选择方法 |
| CN113516280A (zh) * | 2021-04-28 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于大数据的电网设备故障概率预测的优化方法 |
| CN114579712A (zh) * | 2022-05-05 | 2022-06-03 | 中科雨辰科技有限公司 | 基于动态模型的文本属性提取匹配方法 |
| CN114765575A (zh) * | 2021-01-04 | 2022-07-19 | ***通信有限公司研究院 | 一种网络故障原因预测方法、装置及电子设备 |
| CN116502771A (zh) * | 2023-06-21 | 2023-07-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014041566A (ja) * | 2012-08-23 | 2014-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 線形回帰モデル推定装置、方法、及びプログラム |
| CN108399575A (zh) * | 2018-01-24 | 2018-08-14 | 大连理工大学 | 一种基于社交媒体文本的大五人格预测方法 |
| CN110378932A (zh) * | 2019-07-10 | 2019-10-25 | 上海交通大学 | 一种基于空间正则矫正的相关滤波视觉跟踪算法 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测***及电力物资需求模型的构建方法 |
| CN110929836A (zh) * | 2018-09-20 | 2020-03-27 | 北京市商汤科技开发有限公司 | 神经网络训练及图像处理方法和装置、电子设备、介质 |
-
2020
- 2020-06-02 CN CN202010490388.3A patent/CN111639815B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014041566A (ja) * | 2012-08-23 | 2014-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 線形回帰モデル推定装置、方法、及びプログラム |
| CN108399575A (zh) * | 2018-01-24 | 2018-08-14 | 大连理工大学 | 一种基于社交媒体文本的大五人格预测方法 |
| CN110929836A (zh) * | 2018-09-20 | 2020-03-27 | 北京市商汤科技开发有限公司 | 神经网络训练及图像处理方法和装置、电子设备、介质 |
| CN110378932A (zh) * | 2019-07-10 | 2019-10-25 | 上海交通大学 | 一种基于空间正则矫正的相关滤波视觉跟踪算法 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测***及电力物资需求模型的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| SEDAT GOLGIYAZ等: "Artificial neural network regression model to predict flue gas temperature and emissions with the spectral norm of flame image", 《FUEL》 * |
| 闫卓男 等: "城市灾害应急物流配送干扰管理***模型研究", 《工程管理学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258039A (zh) * | 2020-10-23 | 2021-01-22 | 贵州电网有限责任公司 | 一种基于强化学习的电力***缺陷物资智能调度方法 |
| CN112365077B (zh) * | 2020-11-20 | 2022-06-21 | 贵州电网有限责任公司 | 一种电网缺陷物资智能仓储调度***的构建方法 |
| CN112365077A (zh) * | 2020-11-20 | 2021-02-12 | 贵州电网有限责任公司 | 一种电网缺陷物资智能仓储调度***的构建方法 |
| CN112613642A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 应急物资需求预测方法和装置、存储介质及电子设备 |
| CN112613642B (zh) * | 2020-12-07 | 2024-03-15 | 国网北京市电力公司 | 应急物资需求预测方法和装置、存储介质及电子设备 |
| CN114765575B (zh) * | 2021-01-04 | 2024-06-11 | ***通信有限公司研究院 | 一种网络故障原因预测方法、装置及电子设备 |
| CN114765575A (zh) * | 2021-01-04 | 2022-07-19 | ***通信有限公司研究院 | 一种网络故障原因预测方法、装置及电子设备 |
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN112836880A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种基于rmse的电网缺陷物资需求准确度的模型融合方法 |
| CN112801418A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
| CN112801418B (zh) * | 2021-03-16 | 2023-10-10 | 贵州电网有限责任公司 | 一种电网缺陷物资预测方法 |
| CN112801417A (zh) * | 2021-03-16 | 2021-05-14 | 贵州电网有限责任公司 | 一种优化的模型并行的缺陷物资预测方法 |
| CN113516280A (zh) * | 2021-04-28 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于大数据的电网设备故障概率预测的优化方法 |
| CN113269351A (zh) * | 2021-04-28 | 2021-08-17 | 贵州电网有限责任公司 | 一种面向电网设备故障概率预测的特征选择方法 |
| CN114579712A (zh) * | 2022-05-05 | 2022-06-03 | 中科雨辰科技有限公司 | 基于动态模型的文本属性提取匹配方法 |
| CN114579712B (zh) * | 2022-05-05 | 2022-07-15 | 中科雨辰科技有限公司 | 基于动态模型的文本属性提取匹配方法 |
| CN116502771A (zh) * | 2023-06-21 | 2023-07-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及*** |
| CN116502771B (zh) * | 2023-06-21 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111639815B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及*** | |
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、***及设备 | |
| CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
| Konstantelos et al. | Using vine copulas to generate representative system states for machine learning | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及*** | |
| CN104318332A (zh) | 一种电力负荷预测方法和装置 | |
| CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN109325607A (zh) | 一种短期风电功率预测方法及*** | |
| CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和*** | |
| CN112367400B (zh) | 一种边云协同的电力物联网智能巡检方法及*** | |
| CN114548509A (zh) | 一种多能源***多类型负荷联合预测方法及*** | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
| Rezaei et al. | A probabilistic framework based on statistical learning theory for structural reliability analysis of transmission line systems | |
| CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及*** | |
| CN111651603A (zh) | 一种基于lav参数微调的电力工单层次文本分类方法及*** | |
| CN110490220A (zh) | 一种母线负荷辨识方法和*** | |
| CN114862363A (zh) | 一种基于变电工程造价数据分析评审分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Hong Inventor after: Tang Chengxuan Inventor after: Jiang Qunqun Inventor after: Chen Yuyi Inventor after: Zhang Xiu Inventor after: Cheng Wenmei Inventor after: Dai Zhou Inventor after: Xu Yidie Inventor before: Yu Hong Inventor before: Tang Chengxuan Inventor before: Jiang Qunqun Inventor before: Chen Yuyi Inventor before: Zhang Xiu Inventor before: Cheng Wenmei Inventor before: Dai Zhou Inventor before: Xu Yidie |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Hong Inventor after: Tang Chengxuan Inventor after: Jiang Qunqun Inventor after: Chen Jueyi Inventor after: Zhang Xiu Inventor after: Cheng Wenmei Inventor after: Dai Zhou Inventor after: Xu Yidie Inventor before: Yu Hong Inventor before: Tang Chengxuan Inventor before: Jiang Qunqun Inventor before: Chen Yuyi Inventor before: Zhang Xiu Inventor before: Cheng Wenmei Inventor before: Dai Zhou Inventor before: Xu Yidie |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |