[发明专利]基于多模型融合的电网故障抢修时长预测方法

权利要求书

1.基于多模型融合的电网故障抢修时长预测方法，其特征在于，所述网故障抢修时长预测方法包括：

在故障抢修时长的预测前，对输入的特征数据进行清洗，排除异常数据；

使用清洗后的数据进行特征工程建设，选取特征数据，将特征数据分别输入到预测模型中进行建模；

在建模的过程中，分别对单个模型参数进行调优，输出最优的预测结果；

对预测结果进行加权求和，输出最终的预测值；

所述预测模型包括XGBoost、LightGBM以及LSTM；

当所述预测模型为XGBoost、LightGBM的提升树模型时，所述将特征数据分别输入到预测模型中进行建模，包括：

以分类树或回归树作为基分类器，以分类器构建过程中错误分类产生的残差作为损失函数，即通过拟合残差构造损失函数；

假设初始提升树为f₀(x)＝0，则使用前向分步算法第m步的模型表达式如公式一所示

f_m(x)＝f_m-1(x)+T(x_i；Θ) 公式一，

其中，f_m-1(x)为当前模型，L为损失函数，T(x_i；Θ)为决策树表达式，通过经验风险极小化确定如公式二所示的下一棵树的参数Θ_m：

其中，arg min是使损失函数达到最小值时的计算符，

随着树的不断生成，损失函数不断下降，每一棵树学习的都是之前所有树的结论和残差；

当所述预测模型为LSTM的深度学习模型时，所述将特征数据分别输入到预测模型中进行建模，包括：

确定长短期时记忆网络的门结构；

基于已确定的门结构，建立最终输出数据与前一状态和当前状态的参数表达式

f_t＝δ(w_f·[h_t-1，x_t]+b_f) 公式三，

i_t＝δ(w_i·[h_t-1，x_t]+b_i)  公式四，

O_t＝δ(w_o·[h_t-1，x_t]+b_o)  公式五，

h_t＝o_t×tanh(c_t)  公式八；

公式三至公式五分别是遗忘门、输入门和输出门的计算公式，公式六至公式八是对细胞状态进行更新，公式八计算记忆单元最终的输出；

其中δ为计算系数，x_t是t时刻输入数据，f_t是t时刻遗忘门输出，w_f为遗忘门的权重，b_f是遗忘门的计算参数，w_i为输入门的权重，b_i是输入门的计算参数，w_o为输出门的权重，b_o是输出门的计算参数，w_c为输出层的权重，b_c是输出层的计算参数，i_t为更新系数，c_t是t时刻输出门输出，为t时刻的输出门预设输出，o_t是t时刻输出门输出，h_t-1为上一时刻的输出数据，h_t为最终输出数据，tanh(·)为约束运算符，c为记忆单元的值。