CN112434839B - 一种配电变压器重过载风险的预测方法及电子设备 - Google Patents

一种配电变压器重过载风险的预测方法及电子设备 Download PDF

Info

Publication number
CN112434839B
CN112434839B CN201910788988.5A CN201910788988A CN112434839B CN 112434839 B CN112434839 B CN 112434839B CN 201910788988 A CN201910788988 A CN 201910788988A CN 112434839 B CN112434839 B CN 112434839B
Authority
CN
China
Prior art keywords
sample
output result
sample subset
correction function
model
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.)
Active
Application number
CN201910788988.5A
Other languages
English (en)
Other versions
CN112434839A (zh
Inventor
吴茜
陈铮
苏宏田
徐东杰
徐小东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Energy Intelligence New Technology Industry Development Co ltd
Electric Power Planning and Engineering Institute Co Ltd
Original Assignee
China Energy Intelligence New Technology Industry Development Co ltd
Electric Power Planning and Engineering Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Energy Intelligence New Technology Industry Development Co ltd, Electric Power Planning and Engineering Institute Co Ltd filed Critical China Energy Intelligence New Technology Industry Development Co ltd
Priority to CN201910788988.5A priority Critical patent/CN112434839B/zh
Publication of CN112434839A publication Critical patent/CN112434839A/zh
Application granted granted Critical
Publication of CN112434839B publication Critical patent/CN112434839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种配电变压器重过载风险的预测方法及电子设备，该方法包括：将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；对所述第一样本子集进行建模，获得预测模型；将所述第二样本子集输入至所述预测模型，获得第一输出结果；对所述第一输出结果进行校正，获得校正函数；根据所述预测模型和所述校正函数对待测样本进行预测。本发明提供的上述方法，通过样本集建立预测模型、获得校正函数，然后采用预测模型和校正函数对待测样本进行预测，可提高预测能力。

Description

一种配电变压器重过载风险的预测方法及电子设备
技术领域
本发明涉及电力技术领域，尤其涉及一种配电变压器重过载风险的预测方法及电子设备。
背景技术
目前，利用样本进行建模，从而根据建立的模型进行预测的使用场景越来越多。对于某些特殊领域，例如电力系统，风险事件发生是小概率事件，即少数类样本(正样本)占比较低。通过样本建模后，使用模型进行预测时，少数类的规律可能被多数类的规律所掩盖，使得预测能力低。
发明内容
本发明实例提供一种配电变压器重过载风险的预测方法及电子设备，以解决现有配电变压器重过载风险的预测方法预测能力低的问题。
为解决上述技术问题，本发明实现方法如下：
第一方面，本发明实施例提供了一种配电变压器重过载风险的预测方法，包括：
将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
对所述第一样本子集进行建模，获得预测模型；
将所述第二样本子集输入至所述预测模型，获得第一输出结果；
对所述第一输出结果进行校正，获得校正函数；
根据所述预测模型和所述校正函数对待测样本进行预测。
第二方面，本发明实施例还提供一种电子设备，包括：
划分模块，用于将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
第一获取模块，用于对所述第一样本子集进行预测，获得预测模型；
第二获取模块，用于将所述第二样本子集输入至所述预测模型，获得第一输出结果；
校正模块，用于对所述第一输出结果进行校正，获得校正函数；
预测模块，用于根据所述预测模型和所述校正函数对待测样本进行预测。
第三方面，本发明实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述配电变压器重过载风险的预测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述配电变压器重过载风险的预测方法的步骤。
在本发明实施例中，将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；对所述第一样本子集进行建模，获得预测模型；将所述第二样本子集输入至所述预测模型，获得第一输出结果；对所述第一输出结果进行校正，获得校正函数；根据所述预测模型和所述校正函数对待测样本进行预测。这样，通过样本集建立预测模型、获得校正函数，然后采用预测模型和校正函数对待测样本进行预测，可提高预测能力。
附图说明
图1是本发明实施例提供的配电变压器重过载风险的预测方法的流程图之一；
图2是本发明实施例提供的配电变压器重过载风险的预测方法的流程图之二；
图3是本发明实施例提供的10折交叉验证示意图；
图4是本发明实施例提供的配电变压器重过载风险的预测方法的流程图之三；
图5是本发明实施例提供的电子设备的结构图之一；
图6是本发明实施例提供的电子设备的结构图之二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的配电变压器重过载风险的预测方法的流程图之一，如图1所示，本实施例提供一种配电变压器重过载风险的预测方法，应用于电子设备，包括以下步骤：
步骤100、将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比。
在对样本集进行划分时，可根据背景知识(即实际情况)对样本集根据预设条件进行划分，该预设条件可以使得少数类样本(正样本)尽可能多的在同一样本子集中。
样本集包括正样本和负样本。例如，根据经验，如果一台变压器连续两周未重过载，它重过载的概率应该小于连续两周内有重过载的变压器，根据该条件可将数据集分为两部分，一部分是连续两周内有重过载的变压器，记作集合A(即第一样本子集)，另外一部分是连续两周未重过载的变压器，记作集合B(即第二样本子集)。集合A中正样本占比大于集合B中正样本占比。
步骤101、对所述第一样本子集进行建模，获得预测模型。
本步骤中，在对第一样本子集进行建模时，具体可根据10折交叉验证法对第一样本子集进行建模，获得预测模型。
由于在进行模型训练时，并不会将全部样本数据用于模型训练，否则将没有样本数据对模型进行验证以及评估模型的预测效果。一般把整个数据集(即样本集)分成两部分，一部分用于训练，另一部分用于验证，即训练集(Training set)和测试集(Test set)。训练获得的模型与参数的选取极大程度依赖于训练集和测试集的划分方法，如果训练集和测试集划分不够好，很有可能得不到好的模型和参数。
在本步骤中，采用10折交叉验证法对正样本进行建模，10折交叉验证法可以避免只使用部分样本数据进行模型的训练，无法充分利用已有的全部样本数据的弊端。用于训练模型的数据量越大，训练出来的模型通常效果会更好。此外，10折交叉验证法可缓解建模分析时的内存压力。如图2所示，10折交叉验证法包括如下步骤：
首先，将所有数据集(即样本集)分为10份；
然后，不重复地取其中一份做测试集，用其它9份做训练集来训练模型，之后计算该模型在测试集上的误差Erri，Erri表示第i组测试集上分类错误的个数。如果数据集是分类问题，使用误差Erri对模型进行评估，如果数据集是回归问题，使用均方误差MSEi(MeanSquare Error)对模型进行评估。
最后，将10次的Erri(或MSEi)取平均值得到最终测试误差。
Figure GDA0004143697390000041
Figure GDA0004143697390000042
其中，n、k的取值为10。
步骤102、将所述第二样本子集输入至所述预测模型，获得第一输出结果。
在获得预测模型后，将第二样本子集样本输入至预设模型中，预设模型输出第一输出结果。
步骤103、对所述第一输出结果进行校正，获得校正函数。
根据10折交叉验证法对所述第一输出结果进行校正，获得校正函数。即，对第一输出结果采用10折交叉验证法进行校正，可获得一个最佳的校正函数。第一输出结果可理解为一系列的分值，分值个数可与第二样本子集个数相等。校正函数可使得重过载变压器(即正样本)分值更高，健康变压器分值(即负样本)更低。
步骤104、根据所述预测模型和所述校正函数对待测样本进行预测。
在对待测样本进行预测时，可将待测样本输入至预测模型中，获得输出结果，再将输出结果采用校正函数进行校正，根据校正后的数据对待测样本进行预测。校正后的数据为最终的得分值，其中，得分值越高，表示待测样本出现正样本所代表的情况的可能性越大，例如，若正样本为未来会发生重过载的变压器的样本数据，那么得分值越高，待测样本发生重过载的可能性越大。
本发明在获取预测模型时，采用10折交叉验证法，可使得样本小概率事件参与建模最大化，避免因采用留一法使用所有数据量计算量过大、耗时长，以及在测试集上容易产生高方差的弊端。此外，可以缓解建模时的内存压力。
现有技术中，当正样本占比较低时，可采用过采样或者欠采样来解决。其中，过采样为通过对正样本重复抽样，使样本集中正负样本个数相等。过采样缺点是引入更多数据，且没有给参与训练的数据集中少数类样本增添任何新信息，使训练时间变长，效率降低，可能导致过拟合。
欠采样时通过减少多数类样本数量占比来提升分类器效果。例如，随机地从多数类样本中删除部分样本，直到正样本与负样本的数量相等，使多数类样本不再占主导地位，从而达到正样本与负样本平衡的目的。删除样本可能会导致多数类样本的部分重要信息丢失，无法充分利用原样本中包含的信息，导致浪费。
而本实施例提供的配电变压器重过载风险的预测方法，根据背景知识将将样本分为两部分，其中，正样本占比高的部分(即第一样本子集)用于建模训练，另一部分(即第二样本子集)用来校正已经建好的模型(即预测模型)，可提高参与建模的样本中少数样本的占比，降低正样本和负样本类不平衡所带来的问题，提高样本提高模型的预测能力。
本实施例提供的配电变压器重过载风险的预测方法，可应用于电力系统中，电力系统收集信息分析中广泛存在事件样本占比不平衡问题，采用本实施例的方法，可以提高对少数正样本的预测能力。解决预测时少数类规律可能被多数类规律所掩盖的问题，在建模(即建立预测模型)时考虑数据集分布问题，提高数据挖掘算法在不平衡数据集上的表现能力，提高对配电变压器重过载风险的预测能力。将数据集(即样本集)根据连续两周配电变压器是否重过载进行划分，一部分数据集用来建立预测模型，另一部分通过对已建好的预测模型，来获得校正函数，将预测模型和校正函数一起作为最终模型，最终降低数据集类不平衡所带来的问题，提高其分类准确率。
本实施例中的方法，建模时充分利用数据集，对参与建模的样本采用10折交叉验证法，将参与建模的数据分为10份；不重复地取其中一份做测试集，用其它9份做训练集训练模型，之后计算该模型在测试集上的误差，最终确定预测模型。
本发明实施例的配电变压器重过载风险的预测方法，将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；对所述第一样本子集进行建模，获得预测模型；将所述第二样本子集输入至所述预测模型，获得第一输出结果；对所述第一输出结果进行校正，获得校正函数；根据所述预测模型和所述校正函数对待测样本进行预测。这样，根据样本集建立预测模型、获得校正函数，然后采用预测模型和校正函数对待测样本进行预测，可提高预测能力，例如，预测准确率。
进一步的，在所述获得校正函数之后，还包括：
将所述第一样本子集输入至所述预测模型，获得第二输出结果，以对所述第一样本子集进行预测；
利用所述校正函数对所述第一输出结果进行校正，获得第三输出结果，以对所述第二样本子集进行预测。
在本实施例中，还可以采用预测模型和校正函数对待测样本进行预测。在对待测样本进行预测时，可将待测样本输入至预测模型中，获得输出结果，再将输出结果采用校正函数进行校正，根据校正后的数据对待测样本进行预测。校正后的数据为最终的得分值。
输出结果可理解为一系列的分值。每个样本对应一个分值。将第二输出结果和第三输出结果按照分值进行排序，建立预测表，以指导工程应用。其中，得分值越高，表示样本(即正样本或者负样本)出现正样本所代表的情况的可能性越大，例如，若正样本配电变压器发生重过载的样本数据，那么得分值越高，代表样本在未来发生重过载的可能性越大。
以下以配电变压器重过载风险预测类不平衡问题为例，对本实施例的配电变压器重过载风险的预测方法进行说明，如图3所示，包括八个步骤：
步骤1(标号1所示)，根据背景知识将样本分为两部分。如果一台变压器连续两周未重过载，它重过载的概率应该小于连续两周内有重过载的变压器。将数据集分为两部分，一部分是连续两周内有重过载的变压器，记作集合A，另外一部分是连续两周内未发生过重过载的变压器，记作集合B。
步骤2(标号2所示)，对集合A的数据根据10折交叉验证进行建模，对模型评估后，确定模型。
步骤3(标号3所示)，利用所构建模型对集合A中的所有样本进行打分排序。
步骤4(标号4所示)，将集合B输入至集合A所建的模型中，输出结果。
步骤5(标号5所示)，利用集合B对输出结果进行校正，校正过程采用10折交叉验证，最后获得一个最佳的校正函数(使得重过载变压器分值更高，健康变压器分值更低)。
步骤6(标号6所示)，对集合B校正后的输出的结果进行打分排序。
步骤7(标号7所示)，综合集合A、集合B建模结果建立预测表。
步骤8(标号8所示)，指导工程应用。
参见图4，图4是本发明实施例提供的电子设备的结构图之一，如图4所示，电子设备40包括划分模块400、第一获取模块401、第二获取模块402、校正模块403和预测模块404。
其中，划分模块400，用于将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
第一获取模块401，用于对所述第一样本子集进行建模，获得预测模型；
第二获取模块402，用于将所述第二样本子集输入至所述预测模型，获得第一输出结果；
校正模块403，用于对所述第一输出结果进行校正，获得校正函数；
预测模块404，用于根据所述预测模型和所述校正函数对待测样本进行预测。
进一步的，如图5所示，电子设备400还包括：
第三获取模块405，用于将第一样本子集输入至所述预测模型，获得第二输出结果，以对所述第一样本子集进行预测；
第四获取模块406，用于利用所述校正函数对所述第一输出结果进行校正，获得第三输出结果，以对所述第二样本子集进行预测。
进一步的，所述第一获取模块401，用于：
根据10折交叉验证法对所述样本集中的第一样本子集进行建模，获得预测模型。
进一步的，所述校正模块403，用于：
根据10折交叉验证法对所述第一输出结果进行校正，获得校正函数。
电子设备40能够实现图1的方法实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。
本发明实施例的电子设备40，将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；对所述第一样本子集进行建模，获得预测模型；将所述第二样本子集输入至所述预测模型，获得第一输出结果；对所述第一输出结果进行校正，获得校正函数；根据所述预测模型和所述校正函数对待测样本进行预测。这样，根据样本集建立预测模型、获得校正函数，然后采用预测模型和校正函数对待测样本进行预测，可提高预测能力，例如预测准确率。
参见图6，图6是本发明实施例提供的另一种电子设备的结构示意图。如图6所示，电子设备600包括：处理器601、存储器602及存储在所述存储器602上并可在所述处理器上运行的计算机程序，电子设备600中的各个组件通过总线系统603耦合在一起。可理解，总线系统603用于实现这些组件之间的连接通信。
其中，处理器601，用于将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
对所述第一样本子集进行建模，获得预测模型；
将所述第二样本子集输入至所述预测模型，获得第一输出结果；
对所述第一输出结果进行校正，获得校正函数；
根据所述预测模型和所述校正函数对待测样本进行预测。
进一步的，处理器601，还用于将所述第一样本子集输入至所述预测模型，获得第二输出结果，以对所述第一样本子集进行预测；
利用所述校正函数对所述第一输出结果进行校正，获得第三输出结果，以对所述第二样本子集进行预测。
进一步的，处理器601，还用于根据10折交叉验证法对所述样本集中的第一样本子集进行建模，获得预测模型。
进一步的，处理器601，还用于根据10折交叉验证法对所述第一输出结果进行校正，获得校正函数。
电子设备600能够实现前述实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。
本发明实施例的电子设备600，将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；对所述第一样本子集进行建模，获得预测模型；将所述第二样本子集输入至所述预测模型，获得第一输出结果；对所述第一输出结果进行校正，获得校正函数；根据所述预测模型和所述校正函数对待测样本进行预测。这样，根据样本集建立预测模型、获得校正函数，然后采用预测模型和校正函数对待测样本进行预测，可提高预测准确率。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述配电变压器重过载风险的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，电子设备，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (4)

1.一种配电变压器重过载风险的预测方法，其特征在于，包括：
将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
对所述第一样本子集进行建模，获得预测模型；
将所述第二样本子集输入至所述预测模型，获得第一输出结果；
对所述第一输出结果进行校正，获得校正函数；
根据所述预测模型和所述校正函数对待测样本进行预测；
在所述获得校正函数之后，还包括：
将所述第一样本子集输入至所述预测模型，获得第二输出结果，以对所述第一样本子集进行预测；
利用所述校正函数对所述第一输出结果进行校正，获得第三输出结果，以对所述第二样本子集进行预测；
所述对所述第一样本子集进行建模，获得预测模型，包括：
根据10折交叉验证法对所述第一样本子集进行建模，获得预测模型；
所述对所述第一输出结果进行校正，获得校正函数，包括：
根据10折交叉验证法对所述第一输出结果进行校正，获得校正函数；
所述预测方法包括如下步骤：
步骤1，将数据集分为两部分，一部分是连续两周内有重过载的变压器，记作集合A，另外一部分是连续两周内未发生过重过载的变压器，记作集合B；
步骤2，对集合A的数据根据10折交叉验证进行建模，对模型评估后，确定模型；
步骤3，利用所构建模型对集合A中的所有样本进行打分排序；
步骤4，将集合B输入至集合A所建的模型中，输出结果；
步骤5，利用集合B对输出结果进行校正，校正过程采用10折交叉验证，最后获得一个最佳的校正函数；
步骤6，对集合B校正后的输出的结果进行打分排序；
步骤7，综合集合A、集合B建模结果建立预测表。
2.一种电子设备，用于执行如权利要求1所述的配电变压器重过载风险的预测方法，其特征在于，包括：
划分模块，用于将样本集划分为第一样本子集和第二样本子集，其中，所述第一样本子集中正样本的占比大于所述第二样本子集中正样本的占比；
第一获取模块，用于对所述第一样本子集进行预测，获得预测模型；
第二获取模块，用于将所述第二样本子集输入至所述预测模型，获得第一输出结果；
校正模块，用于对所述第一输出结果进行校正，获得校正函数；
预测模块，用于根据所述预测模型和所述校正函数对待测样本进行预测；
还包括：
第三获取模块，用于将所述第一样本子集输入至所述预测模型，获得第二输出结果，以对所述第一样本子集进行预测；
第四获取模块，用于利用所述校正函数对所述第一输出结果进行校正，获得第三输出结果，以对所述第二样本子集进行预测；
所述第一获取模块，用于：
根据10折交叉验证法对所述第一样本子集进行建模，获得预测模型；
所述校正模块，用于：
根据10折交叉验证法对所述第一输出结果进行校正，获得校正函数；
所述预测方法包括如下步骤：
步骤1，将数据集分为两部分，一部分是连续两周内有重过载的变压器，记作集合A，另外一部分是连续两周内未发生过重过载的变压器，记作集合B；
步骤2，对集合A的数据根据10折交叉验证进行建模，对模型评估后，确定模型；
步骤3，利用所构建模型对集合A中的所有样本进行打分排序；
步骤4，将集合B输入至集合A所建的模型中，输出结果；
步骤5，利用集合B对输出结果进行校正，校正过程采用10折交叉验证，最后获得一个最佳的校正函数；
步骤6，对集合B校正后的输出的结果进行打分排序；
步骤7，综合集合A、集合B建模结果建立预测表。
3.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1所述的配电变压器重过载风险的预测方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的配电变压器重过载风险的预测方法的步骤。
CN201910788988.5A 2019-08-26 2019-08-26 一种配电变压器重过载风险的预测方法及电子设备 Active CN112434839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910788988.5A CN112434839B (zh) 2019-08-26 2019-08-26 一种配电变压器重过载风险的预测方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910788988.5A CN112434839B (zh) 2019-08-26 2019-08-26 一种配电变压器重过载风险的预测方法及电子设备

Publications (2)

Publication Number Publication Date
CN112434839A CN112434839A (zh) 2021-03-02
CN112434839B true CN112434839B (zh) 2023-05-30

Family

ID=74690441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910788988.5A Active CN112434839B (zh) 2019-08-26 2019-08-26 一种配电变压器重过载风险的预测方法及电子设备

Country Status (1)

Country Link
CN (1) CN112434839B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133569A1 (zh) * 2016-02-05 2017-08-10 阿里巴巴集团控股有限公司 评估指标获取方法及装置
CN107274067A (zh) * 2017-05-22 2017-10-20 国网江西省电力公司电力科学研究院 一种配电变压器过载风险评估方法
CN108229555A (zh) * 2017-12-29 2018-06-29 深圳云天励飞技术有限公司 样本权重分配方法、模型训练方法、电子设备及存储介质
CN109344862A (zh) * 2018-08-21 2019-02-15 中国平安人寿保险股份有限公司 正样本的获取方法、装置、计算机设备和存储介质
CN109815332A (zh) * 2019-01-07 2019-05-28 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133569A1 (zh) * 2016-02-05 2017-08-10 阿里巴巴集团控股有限公司 评估指标获取方法及装置
CN107274067A (zh) * 2017-05-22 2017-10-20 国网江西省电力公司电力科学研究院 一种配电变压器过载风险评估方法
CN108229555A (zh) * 2017-12-29 2018-06-29 深圳云天励飞技术有限公司 样本权重分配方法、模型训练方法、电子设备及存储介质
CN109344862A (zh) * 2018-08-21 2019-02-15 中国平安人寿保险股份有限公司 正样本的获取方法、装置、计算机设备和存储介质
CN109815332A (zh) * 2019-01-07 2019-05-28 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112434839A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110009171B (zh) 用户行为模拟方法、装置、设备及计算机可读存储介质
CN107015875B (zh) 一种电子整机贮存寿命评估方法及装置
CN111024898B (zh) 一种基于CatBoost模型的车辆尾气浓度超标判别方法
CN104899658A (zh) 基于时间序列预测模型适用性量化的预测模型选择方法
CN106528417A (zh) 软件缺陷智能检测方法和系统
CN106547265A (zh) 一种轨道交通电子控制装置的现场可靠性评估方法及系统
CN111046930A (zh) 一种基于决策树算法的供电服务满意度影响因素识别方法
CN102541736A (zh) 一种软件可靠性执行过程加速测试方法
CN118409976B (zh) 一种基于机器学习的软件质量评估方法及系统
CN111160667B (zh) 一种提高食品安全预测模型鲁棒性的方法及装置
CN114817034A (zh) 一种测试质量的分析方法、装置及电子设备
CN114021338A (zh) 一种基于多源数据融合的可靠性评估方法
CN112434839B (zh) 一种配电变压器重过载风险的预测方法及电子设备
CN112783747A (zh) 一种应用程序的执行时间预测方法及装置
CN111091194B (zh) 一种基于cavwnb_kl算法的操作系统识别方法
CN116911634A (zh) 基于随机森林的d类电压越下限影响因素分析方法及装置
CN112613191A (zh) 电缆健康状态评估方法、装置、计算机设备和存储介质
CN116383048A (zh) 软件质量信息处理方法及装置
CN111832599A (zh) 一种基于机器学习随机森林的加油站预测方法
CN116187754A (zh) 生产线故障定位方法、设备及可读存储介质
CN114155412A (zh) 深度学习模型迭代方法、装置、设备及存储介质
CN106709598B (zh) 一种基于单类样本的电压稳定性预测判断方法
CN114358518A (zh) 煤质的评价方法、装置及计算机设备
CN114334696A (zh) 质量检测方法及装置、电子设备和计算机可读存储介质
CN109446481B (zh) 一种对数正态型单元寿命分布参数估计方法

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
GR01 Patent grant
GR01 Patent grant