(12)发明专利申请
(10)申请公布号 CN 110443413 A(43)申请公布日 2019.11.12
(21)申请号 2019106566.7(22)申请日 2019.07.23
(71)申请人 华南理工大学
地址 5101 广东省广州市天河区五山路
381号
申请人 南方电网物资有限公司
贵州电网有限责任公司
南方电网能源发展研究院有限责任公司(72)发明人 代洲 王钢 邓超志 边瑞恩 (74)专利代理机构 上海恒慧知识产权代理事务
所(特殊普通合伙) 31317
代理人 张宁展(51)Int.Cl.
G06Q 10/04(2012.01)
权利要求书3页 说明书8页 附图2页
G06Q 10/06(2012.01)G06Q 50/06(2012.01)G06N 3/08(2006.01)G06K 9/62(2006.01)
CN 110443413 A(54)发明名称
电力物资需求预测系统及电力物资需求模型的构建方法(57)摘要
本发明提供了一种电力物资需求模型的构
S1，获取电力物资全过程数据；S2，建方法，包括：
利用S1中获取的电力物资全过程数据，采用最小二乘支持向量机、回声状态网络及正则化极限学习机相结合的方式，构建形成多层级综合电力物资需求的预测模型，包括：S21，建立样本数据库；S22，采用最小二乘支持向量机对电力物资需求进行预测；S23，采用回声状态网络对电力物资需求进行预测；S24，采用正则化极限学习机对电力物资需求进行预测；S25，综合上述预测结果加权得到电力物资需求最终预测结果。同时提供了一种电力物资需求预测系统，该系统包括由上述方法构建的电力物资需求模型。本发明有效提高电网公司物资管理的前瞻性，为企业提取统筹资源创造有利条件，在确保电网运行可靠性支撑的同时降低电网企业的运行成本。
CN 110443413 A
权 利 要 求 书
1/3页
1.一种电力物资需求模型的构建方法，其特征在于，包括如下步骤：S1，获取电力物资全过程数据；S2，利用S1中获取的电力物资全过程数据，采用最小二乘支持向量机、回声状态网络及正则化极限学习机相结合的方式，构建形成多层级综合电力物资需求的预测模型，包括：
S21，建立训练样本数据库；S22，采用最小二乘支持向量机对电力物资需求进行预测，得到电力物资需求预测结果V1；
S23，采用回声状态网络对电力物资需求进行预测，得到电力物资需求预测结果V2；S24，采用正则化极限学习机对电力物资需求进行预测，得到电力物资需求预测结果V3；S25，综合S22～S24的预测结果加权得到电力物资需求的预测模型。2.根据权利要求1所述的电力物资需求模型的构建方法，其特征在于，所述S21，包括：以电力物资全过程数据中的N个数据在n个时间点的历史信息X(n)＝(x1(n),…,xN(n))T作为训练样本输入向量；以相应的n个时间点的L个电力物资需求信息Y(n)＝(y1(n),…,yL(n))T作为训练样本输出向量；用于进行电力物资需求预测的m个时间点的电力物资全过程数据记为T(m)＝(t1(m),…,tN(m))T，形成训练样本数据库。
3.根据权利要求2所述的电力物资需求模型的构建方法，其特征在于，所述S22，采用最小二乘支持向量机对电力物资需求进行预测的结果记为V1，预测过程包括：
S221，建立最小二乘支持向量机模型：将S21中得到的训练样本映射到高维核空间中，以径向基函数作为核函数，采用拉格朗日乘数法确定最小二乘支持向量机模型的最优参数，从而得到最小二乘支持向量机模型：
2
κ(x,xi)＝φ(x)Tφ(xi)＝exp(-||x-xi||2/2σ)其中，φ(x)为将x映射到高维核空间的映射函数；b为最小二乘向量机模型参数；αi为lagrange乘子；c为正则化参数；ω为权向量；yi为训练样本第i个输出向量；εκi为松弛变量；
(x,xi)为核函数；σ为核宽度，取为
S222，预测电力物资需求：向最小二乘支持向量机模型中输入电力物资全过程数据T(m)＝(t1(m),…,tN(m))T，获得电力物资需求的预测值V1，所述电力物资需求预测值V1为：
2
CN 110443413 A
权 利 要 求 书
2/3页
4.根据权利要求2所述的电力物资需求模型的构建方法，其特征在于，所述S23，采用回声状态网络对电力物资需求进行预测的结果记为V2，预测过程包括：
S231，回声状态网络的参数初始化：随机确定储备池节点维度K，随机生成谱半径小于1的储备池状态矩阵WK×K、输入矩阵
×K
及输出反馈权矩阵
其中，储备池状态矩阵WK
、输入矩阵及输出反馈权矩阵一经确定，在训练和测试阶段保持不变；
S232，基于S21中得到的训练样本数据库，向回声状态网络输入训练样本计算并记录回声状态网络的储备池状态U(n)＝(u1(n),…,uK(n))T：
式中，f为储备池单元的激活函数，选为双曲正切函数；f(*)＝tanh(*)；
S233，依据储备池状态U及输出向量Y计算输出权值矩阵
式中，为[X(n),U(n),Y(n-1)]的伪逆；
S234，预测电力物资需求：依据训练好的回声状态网络及电力物资全过程数据对电力物资需求V2进行预测为：
5.根据权利要求2所述的电力物资需求模型的构建方法，其特征在于，所述S24，采用正则化极限学习机对电力物资需求进行预测的结果记为V3，预测过程包括：
S241，随机确定输入权值矩阵A以及偏置向量q；S242，训练正则化极限学习机：以S21中得到的训练样本数据库中的训练样本输入向量X＝(x1,…,xN)T和训练样本输出向量Y＝(y1,…,yL)T对正则化极限学习机进行训练：
式中，aij为输入权值矩阵A中的元素；g(*)为激活函数，选为softplus函数；h()为矩阵H中的行向量；I为单位矩阵；γ为正则化系数；为训练后的输出权重；
g(*)＝log(1+e*)；S243，基于电力物资全过程数据T(m)＝(t1(m),…,tN(m))T预测电力物资需求V3为：
3
CN 110443413 A
权 利 要 求 书
3/3页
6.根据权利要求2所述的电力物资需求模型的构建方法，其特征在于，所述S25，综合最小二乘支持向量机预测结果V1、回声状态网络预测结果V2及正则化极限学习机预测结果V3，得到最终预测结果V，即为预测模型：
7.根据权利要求1所述的电力物资需求模型的构建方法，其特征在于，所述S1，包括：
获取物资采购数据；针对物资采购过程中不同环节所需的信息，建立涵盖物资采购过程所需必要数据的编码规则和/或标识原则；
获取物资物流信息；采用北斗短消息和位置服务，跟踪并自我辨识电力物资的去向；获取物资应用信息；针对电力物资中设备的试验报告、管理系统和/或在线监测系统中的相关数据或信息，采用网络爬虫方法进行信息检索。
8.根据权利要求7所述的电力物资需求模型的构建方法，其特征在于，所述物资采购过程中不同环节所需的信息，至少包括：供应商、设备、时间、地点、用户、数量、采购批次、运输以及验收信息中的任意一种或任意多种。
9.一种电力物资需求预测系统，其特征在于，包括电力物资需求模型，所述电力物资需求模型通过权利要求1至8中任一项所述的方法构建得到。
4
CN 110443413 A
说 明 书
1/8页
电力物资需求预测系统及电力物资需求模型的构建方法
技术领域
[0001]本发明涉及电力系统物资管理技术领域，具体地，涉及一种电力物资需求预测系统及电力物资需求模型的构建方法。
背景技术
[0002]电力是国民经济的基本支柱产业，各行业的发展及我国经济的增长都与电力息息相关，一旦变电站和输配电线路发生事故就会影响电网稳定形成大面积停电从而影响供电可靠性，给用户造成巨大损失，因此，电网的正常建设和运行是保证人民正常生活和国家正常活动的基础。
[0003]电力物资是电网建设过程中的基本保障，其物资质量不仅与电网的安全运行有关，也关系到公司的成本管理，合理的制定及物资采购直接影响到安全生产因而采购物资的质量关系到电力生产的安全稳定。
[0004]电力物资质量不仅与电网的安全运行有关，也关系到公司的成本管理。根据网公司“集中、统一、效率优先”的物资管理目标，现已建立了相对完善得物资管理体系、标准化体系和信息管理系统。但是当前物资管理工作呈现的“物资数据碎片化、物资储备机械化、主体责任模糊化”现状，使得当前电网物资相关管理数据“碎片化”、运行数据“孤岛化”，使得电网公司对物资的信息掌握如同“盲人摸象”一般，将直接影响物资管理工作精细化的目标。
[0005]综上所述，随着电网企业的发展和转型，物资公司职责的内涵和外延都将扩展，数据的利用问题是制约物资管理工作跨越式发展的主要瓶颈。随着物联网、大数据、人工智能等技术的发展，数据的获取和利用将比以往任何时期都要方便和便捷，因此充分利用电力物资在采购和生产环节的数据，提升电网物资的管理水平，降低企业运行成本将会物资管理工作提升的重要突破点。
[0006]目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
[0007]针对现有技术中存在的上述不足，本发明提供了一种电力物资需求预测系统及电力物资需求模型的构建方法，在充分调研分析电力物资需求的基础上，采用北斗、物联网和爬虫等数据获取技术，将分散在当前物资、生计等不同系统中的物资相关数据，集成到同一数据平台，形成物资全过程数据，并利用该全过程数据，构建形成多层级综合电力物资需求的预测模型。本发明有效提高电网公司物资管理的前瞻性，为企业提取统筹资源创造有利条件，在确保电网运行可靠性支撑的同时降低电网企业的运行成本。[0008]为实现上述目的，本发明采用如下技术方案。[0009]根据本发明的一个方面，提供了一种电力物资需求模型的构建方法，包括如下步骤：
5
CN 110443413 A[0010]
说 明 书
2/8页
S1，获取电力物资全过程数据；
[0011]S2，利用S1中获取的电力物资全过程数据，采用最小二乘支持向量机、回声状态网络及正则化极限学习机相结合的方式，构建形成多层级综合电力物资需求的预测模型，包括：
[0012]S21，建立训练样本数据库；[0013]S22，采用最小二乘支持向量机对电力物资需求进行预测，得到电力物资需求预测结果V1；
[0014]S23，采用回声状态网络对电力物资需求进行预测，得到电力物资需求预测结果V2；
[0015]S24，采用正则化极限学习机对电力物资需求进行预测，得到电力物资需求预测结果V3；
[0016]S25，综合S22～S24的预测结果加权得到电力物资需求的预测模型。[0017]优选地，所述S21，包括：
[0018]以电力物资全过程数据中的N个数据在n个时间点的历史信息X(n)＝(x1(n),…,xN(n))T作为训练样本输入向量；以相应的n个时间点的L个电力物资需求信息Y(n)＝(y1(n),…,yL(n))T作为训练样本输出向量；用于进行电力物资需求预测的m个时间点的电力物资全过程数据记为T(m)＝(t1(m),…,tN(m))T，形成训练样本数据库。[0019]优选地，所述S22，采用最小二乘支持向量机对电力物资需求进行预测的结果记为V1，预测过程包括：[0020]S221，建立最小二乘支持向量机模型：将S21中得到的训练样本映射到高维核空间中，以径向基函数作为核函数，采用拉格朗日乘数法确定最小二乘支持向量机模型的最优参数，从而得到最小二乘支持向量机模型：
[0021]
[0022]
2
κ(x,xi)＝φ(x)Tφ(xi)＝exp(-||x-xi||2/2σ)
[0024]其中，φ(x)为将x映射到高维核空间的映射函数；b为最小二乘向量机模型参数；αc为正则化参数；ω为权向量；yi为训练样本第i个输出向量；εi为lagrange乘子；i为松弛变
[0023]
量；κ(x,xi)为核函数；σ为核宽度，取为
[0025]
S222，预测电力物资需求：向最小二乘支持向量机模型中输入电力物资全过程数据T(m)＝(t1(m),…,tN(m))T，获得电力物资需求的预测值V1，所述电力物资需求预测值V1为：
6
CN 110443413 A[0026][0027]
说 明 书
3/8页
优选地，所述S23，采用回声状态网络对电力物资需求进行预测的结果记为V2，预
测过程包括：[0028]S231，回声状态网络的参数初始化：随机确定储备池节点维度K，随机生成谱半径小于1的储备池状态矩阵WK×K、输入矩阵阵WK×K、输入矩阵
[0029]
及输出反馈权矩阵其中，储备池状态矩
及输出反馈权矩阵一经确定，在训练和测试阶段保持不变；
S232，基于S21中得到的训练样本数据库，向回声状态网络输入训练样本计算并记录回声状态网络的储备池状态U(n)＝(u1(n),…,uK(n))T：
[0030][0031][0032][0033][0034][0035][0036]
式中，f为储备池单元的激活函数，选为双曲正切函数；f(*)＝tanh(*)；
S233，依据储备池状态U及输出向量Y计算输出权值矩阵
式中，为[X(n),U(n),Y(n-1)]的伪逆；
S234，预测电力物资需求：依据训练好的回声状态网络及电力物资全过程数据对
电力物资需求V2进行预测为：
[0037][0038]
优选地，所述S24，采用正则化极限学习机对电力物资需求进行预测的结果记为
V3，预测过程包括：[0040]S241，随机确定输入权值矩阵A以及偏置向量q；[0041]S242，训练正则化极限学习机：以S21中得到的训练样本数据库中的训练样本输入向量X＝(x1,…,xN)T和训练样本输出向量Y＝(y1,…,yL)T对正则化极限学习机进行训练：
[0042]
[0039]
[0043][0044]
式中，aij为输入权值矩阵A中的元素；g(*)为激活函数，选为softplus函数；h()为g(*)＝log(1+e*)；S243，基于电力物资全过程数据T(m)＝(t1(m),…,tN(m))T预测电力物资需求V3
7
矩阵H中的行向量；I为单位矩阵；γ为正则化系数；为训练后的输出权重；
[0045][0046]
CN 110443413 A
说 明 书
4/8页
为：
[0047]
[0048][0049]
优选地，所述S25，综合最小二乘支持向量机预测结果V1、回声状态网络预测结果V2
及正则化极限学习机预测结果V3，得到最终预测结果V，即为预测模型：
[0050]
优选地，所述S1，包括：[0052]获取物资采购数据；针对物资采购过程中不同环节所需的信息，建立涵盖物资采购过程所需必要数据的编码规则和/或标识原则；[0053]获取物资物流信息；采用北斗短消息和位置服务，跟踪并自我辨识电力物资的去向；
[0054]获取物资应用信息；针对电力物资中设备的试验报告、管理系统和/或在线监测系统中的相关数据或信息，采用网络爬虫方法进行信息检索。[0055]优选地，所述物资采购过程中不同环节所需的信息，至少包括：供应商、设备、时间、地点、用户、数量、采购批次、运输以及验收信息中的任意一种或任意多种。[0056]根据本发明的另一个方面，提供了一种电力物资需求预测系统，包括电力物资需求模型，所述电力物资需求模型通过上述任一项所述的方法构建得到。[0057]与现有技术相比，本发明具有如下的有益效果：[0058]1、本发明提升了电力物资供应商的服务和产品水平，通过综合分析设备管理和运行等方面的数据，提高电力物资供应质量和物资采购效率，为电网建设提供重要支持。[0059]2、当前电网物资的信息化建设主要侧重于设备投运后其状态信息的获取，电力物资全过程的数据基本呈现割裂状态，还没有实现全过程数据的打通，本发明将实现本领域零的突破。
附图说明
[0060]通过阅读参照以下附图对非性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0061]图1为本发明实施例中所提供的电力物资需求模型的构建过程示意图；[0062]图2为本发明实施例中网络爬虫方法流程图；[0063]图3为本发明实施例中ESN网络结构示意图。
具体实施方式
[00]下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保
8
[0051]
CN 110443413 A
说 明 书
5/8页
护范围。
[0065]本发明实施例提供了一种电力物资需求模型的构建方法，如图1所示，包括：[0066]S1，获取电力物资全过程数据；[0067]S2，利用S1中获取的电力物资全过程数据，采用最小二乘支持向量机、回声状态网络及正则化极限学习机相结合的方式，构建形成多层级综合电力物资需求的预测模型。[0068]所述S2中，综合采用最小二乘支持向量机、回声状态网络及正则化极限学习机的多层级综合预测模型来提高预测精度。其原理为：[0069](1)最小二乘支持向量机(Least square support vector machine,LSSVM)[0070]LSSVM是支持向量机的扩展，该方法用等式约束代替SVM中的不等式约束，使得原有的二次规划问题求解转换为线性方程组的求解，其优化问题可表示为
[0071]
式(1)可根据拉格朗日乘子法和KKT条件求解，[0073](2)回声状态网络(Echo State Network,ESN)[0074]ESN是一种新型的递归神经网络，可用于非线性时间序列的预测，其网络结构如图3所示。图中，u(n)、y(n)和x(n)分别表示输入样本、输出样本及内部状态向量；Win、Wintr、Wout、Wback分别表示输入权值矩阵、内部权值矩阵、输出权值矩阵和输出反馈矩阵。如图3所示。
[0075]ESN采用大规模系数网络建立低维输入样本到高维状态空间的映射，采用线性回归法训练得到输出连接权值，极大简化了网络训练，其状态向量及输出向量更新公式为[0076]x(n+1)＝f(Winu(n+1)+Wintrx(n)+Wbacky(n)) (2)[0077]y(n+1)＝fout(Wout[u(n+1),x(n+1)]) (3)[0078]式中：f和fout分别为储备池和输出层的激活函数。[0079](3)正则化极限学习机(Extreme Learning Machine,ELM)[0080]ELM是一种新型单隐层前馈神经网络，其输入权值和隐层偏置随机设定。以最小化训练误差为目标，利用Moore-Penrose广义逆矩阵理论求解输出权值，显著提高了网络学习速度和泛化性能。然而，网络参数的随机初始化可能降低其预测性能和稳定性。其输出权值计算式为
[0081]
[0072]
式中：I为单位矩阵；H为隐层输出矩阵；T为训练样本输出向量。
[0083]进一步地，基于上述原理，所述S2，包括：[0084]S21，建立训练样本数据库。以电力物资全过程数据中的N个数据在n个时间点的历史信息X(n)＝(x1(n),…,xN(n))T作为训练样本输入向量；以相应的n个时间点的L个电力物资需求信息Y(n)＝(y1(n),…,yL(n))T作为训练样本输出向量；用于进行电力物资需求预测的m个时间点的电力物资全过程数据记为T(m)＝(t1(m),…,tN(m))T。[0085]S22，基于电力物资全过程数据，采用最小二乘支持向量机对电力物资需求进行预
9
[0082]
CN 110443413 A
说 明 书
6/8页
测，结果记为V1，所述的电力物资需求预测过程为：[0086]1)建立最小二乘支持向量机模型，将S21得到的训练样本映射到高维核空间中，以径向基函数作为核函数，采用拉格朗日乘数法确定最小二乘支持向量机模型的最优参数，从而得到最小二乘支持向量机模型；
[0087]
[0088]
2
κ(x,xi)＝φ(x)Tφ(xi)＝exp(-||x-xi||2/2σ)
[0090]其中，φ(x)为将x映射到高维核空间的映射函数；b为最小二乘向量机模型参数；αc为正则化参数；ω为权向量；yi为训练样本第i个输出向量；εi为lagrange乘子；i为松弛变
[00]
量；κ(x,xi)为核函数；σ为核宽度，取为
2)预测电力物资需求：向最小二乘支持向量机模型中输入电力物资过程数据T(m)＝(t1(m),…,tN(m))T，获得电力物资需求的预测值V1，所述的电力物资需求预测值V1的计算公式为：
[0092][0091]
S23，基于电力物资全过程数据，采用回声状态网络对电力物资需求进行预测，结
果记为V2，所述的电力物资需求预测过程为：[0094]1)回声状态网络参数初始化：随机确定储备池节点维度K，随机生成谱半径小于1
[0093]
的储备池状态矩阵WK×K、输入矩阵
×K
及输出反馈权矩阵
其中，储备池状态矩阵WK
、输入矩阵及输出反馈权矩阵一经确定，在训练和测试阶段保持不变；
2)基于S21训练样本数据库，向回声状态网络输入训练样本计算并记录回声状态网络的储备池状态U(n)＝(u1(n),…,uK(n))T；所述的回声状态网络储备池状态U的计算公式为：
[0095][0096][0097][0098][0099]
式中，f为储备池单元的激活函数，选为双曲正切函数；f(*)＝tanh(*)；
3)依据储备池状态U及输出向量Y计算输出权值矩阵
的计算公式为：
所述的回声状态
网络的输出权值矩阵
10
CN 110443413 A[0100][0101][0102]
说 明 书
7/8页
式中，为[X(n),U(n),Y(n-1)]的伪逆；
4)预测电力物资需求，依据训练好的回声状态网络及电力全过程数据对电力物资
需求V2进行预测；所述的电力物资需求预测结果V2为：
[0103][0104]
V2(i)＝Wout[T(i),U(n+i),V2(i-1)]i＝1,…,m。[0105]S24，基于电力物资全过程数据，采用正则化极限学习机对电力物资需求进行预测，结果记为V3，所述的电力物资需求预测过程为：[0106]1)随机确定输入权值矩阵A以及偏置向量q；[0107]2)训练正则化极限学习机：以S21得到的训练样本数据库中的训练样本输入向量X＝(x1,…,xN)T和训练样本输出向量Y＝(y1,…,yL)T对正则化极限学习机进行训练，所述的正则化极限学习机的训练方法为：
[0108]
[0109][0110]
式中，aij为输入权值矩阵A中的元素；g(*)为激活函数，选为softplus函数；h()为
矩阵H中的行向量；I为单位矩阵；γ为正则化系数；为训练后的输出权重；
g(*)＝log(1+e*)；
[0112]3)基于电力物资全过程数据T(m)＝(t1(m),…,tN(m))T预测电力物资需求V3，所述的电力物资需求V3的预测方法为：
[0111][0113]
[0114]
S25，综合最小二乘支持向量机预测结果V1、回声状态网络预测结果V2及正则化极
限学习机预测结果V3，得到最终预测结果V，即为预测模型；所述的预测模型为：
[0116]
[0115]
进一步地，所述S1，包括：[0118]获取物资采购数据；针对物资采购过程中不同环节所需的信息，建立涵盖物资采购过程所需必要数据的编码规则和/或标识原则；[0119]获取物资物流信息；采用北斗短消息和位置服务，跟踪并自我辨识电力物资的去向；北斗卫星导航系统的道航技术可通过移动通信运营基站实现快速定位，根据电力物资
11
[0117]
CN 110443413 A
说 明 书
8/8页
设备的身份固化信息和北斗的位置服务可实现其出厂、运输、进出仓、投运等全过程的位置信息主动上报与解析。其中，北斗终端发送短消息是通过北斗终端自身的信息收发机与北斗卫星进行通信的，通过传送数个到数百个字节的单包数据。北斗短消息收发机硬件构成模块主要包括:短消息收发天线模块、消息编码模块、消息解码模块和消息传送模块。短消息收发天线模块主要用于收发北斗无线短消息；消息编码模块主要实现消息的纠错编码功能，并且把编码无线消息通过中间短消息放大器进行数/模处理成模拟消息；消息解码模块主要是将编码无线消息处理的模拟短消息进行数据采集，完成短消息收集、追踪、模式识别、时钟同步和导航短消息的地理位置定位解码；消息传送模块主要完成的功能是将导航信息提供给客户来完成相应需求。[0120]获取物资应用信息；针对电力物资中设备的试验报告、管理系统和/或在线监测系统中的相关数据或信息，采用如图2所示的网络爬虫方法进行信息检索。所述网络爬虫方法已经成为了搜索引擎的重要组成部分，可根据既定的目标更加精致地选择抓取相关的网页信息。
[0121]进一步地，所述物资采购过程中不同环节所需的信息，至少包括：供应商、设备、时间、地点、用户、数量、采购批次、运输以及验收信息中的任意一种或任意多种。[0122]本发明实施例同时提供了一种电力物资需求预测系统，该系统包括电力物资需求模型，所述电力物资需求模型通过本发明实施例中所提供的上述方法构建得到。[0123]具体地，电力物资需求预测系统中的电力物资需求模型主要对设备的故障概率和电网故障受灾程度进行预测，其中，不同地域、不同时间、不同设备的故障概率与投运物资在品种、时间、位置、故障缺陷等多个维度的统计分析、及历史故障缺陷数据等相关，电网物资受灾程度与气象预警数据、设备运维数据结合历史气象严酷程度和受灾程度等有关，数据量大且影响因素较多，导致单一的预测方法在预测中都存在自身的局限性，无法保证对任何数据样本均能获得稳定优良的预测精度。本发明实施例中综合采用最小二乘支持向量机、回声状态网络及正则化极限学习机的多层级综合预测模型来提高预测精度。[0124]以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
12
CN 110443413 A
说 明 书 附 图
1/2页
图1
13
CN 110443413 A
说 明 书 附 图
2/2页
图2
图3
14
因篇幅问题不能全部显示，请点此查看更多更全内容