[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

说明书

本发明公开了一种基于RMSE的电网缺陷物资需求准确度的模型融合方法，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。本发明一方面以均方误差(RMSE)作为权重来对模型进行加权，衡量模型的重要性；另一方面通过加权调整过的数据，验证了本方法确实能够有效提升预测精度，降低预测误差。

技术领域

本发明涉及物资需求预测、精度提升的技术领域，尤其涉及一种基于RMSE的电网缺陷物资需求准确度的模型融合方法。

背景技术

电力系统的稳定运行，离不开不间断的维护和检修，当设备发生故障时，要能够根据情况及时的进行检修和更换，但是各个地方的地理环境、气候环境、用电情况都不一样，这导致不同的地方设备发生故障的概率是不一样的，如果都等量的进行物资储备，那么可能有的地方物资过剩，有的地方物资紧缺，另一方面，物资的存储也是需要成本的，对仓储资源的价值最大化，也是需要考虑的问题，因此，因地制宜的进行物资仓储，离不开精准的需求预测，而需求的预测，则来自于历史的缺陷物资的数据信息。

目前的研究主要都针对单一缺陷物资进行预测，针对不同区县不同物资的预测也有相应的方法在做，往往是一个模型去预测所有物资，这种方法存在很大的问题，首先是物资分布不一致，有的数据分布稠密，有的数据分布很分散，而且数据的极值也不一样。

针对不同地区不同的物资需求进行预测，考虑到数据的特性，有的提出了针对每个地区的每类物资都采用多个模型，然后对模型进行融合得到最终的模型，常用的有stacking融合和平均融合，但是平均融合过于简单，stacking融合又非常依赖于第二级的学习器的选择，这无疑中增加了很多工作量。

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，本发明提供了一种基于RMSE的电网缺陷物资需求准确度的模型融合方法，能够解决电网缺陷物资需求预测精度低下、模型融合依赖性较强的问题。

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。

作为本发明所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法的一种优选方案，其中：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。

作为本发明所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法的一种优选方案，其中：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。

作为本发明所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法的一种优选方案，其中：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。

作为本发明所述的基于RMSE的电网缺陷物资需求准确度的模型融合方法的一种优选方案，其中：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，