[发明专利]一种基于RMSE的电网缺陷物资需求准确度的模型融合方法

权利要求书

1.一种基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：包括，

基于电网设备物资缺陷数据和当前气象数据，训练多个基准模型，输出预测结果；

根据所述预测结果的RMSE取值，对所述多个基准模型进行权重评估；

利用所述权重进行加权求和，获得高精度的融合预测模型。

2.根据权利要求1所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述电网设备物资缺陷数据包括，

处理措施、处理情况描述、缺陷等级、调管单位、设备类别、发现时间、缺陷原因、缺陷部位、生产厂家、出厂年月、投运日期、缺陷原因类别、缺陷所属区域。

3.根据权利要求2所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述气象数据包括，气温、相对湿度、气压、风速、风向、降水量、云量、能见度、天气现象。

4.根据权利要求2或3所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述多个基准模型包括，

基学习器岭回归模型、lasso回归模型、ENET回归模型、GBDT模型、XgBoost模型和BP神经网络模型。

5.根据权利要求4所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：利用所述基学习器岭回归模型、所述lasso回归模型和所述ENET回归模型对所述电网设备物资缺陷数据进行优化求解，包括，

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。

6.根据权利要求5所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：还包括，

θ∈R^N,x∈R^N

其中，为缺陷物资的预测值(单位为件，值为正实数)，x为输入的电网物资的特征数据，θ为权重参数向量。

7.根据权利要求6所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述电网物资特征数据包括，

设备投运日期、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。

8.根据权利要求6所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述GBDT模型和所述XgBoost模型对求解后的函数进行预测，包括，

其中，K为模型有K个分类回归树，Γ为模型的分类回归树空间。

9.根据权利要求8所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：所述BP神经网络模型对求解后的函数进行预测，包括，

其中，w₁为第一层的参数，σ为激活函数，w₂为第二层的权重参数。

10.根据权利要求9所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法，其特征在于：还包括，

所述GBDT模型、所述XgBoost模型和所述BP神经网络模型分别进行预测训练，输出预测结果；

根据模型的均方误差的倒数作为所述基学习器的权重，利用基学习模型预测得到预测值；

根据所述基学习模型对应的权重乘以所述预测结果，将所有模型加权的结果进行求和，获得加权融合的所述预测模型。