[發明專利]基于數據挖掘的故障搶修處理時長預測方法

有效

• 申請號: 201811429905.5
• 申請日: 2018-11-28
• 公開（公告）號: CN109871975B
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 李時;李晨曦;陳新;季巧琴;陳昊;方家麟;葉家樂
• 申請（專利權）人: 國網浙江省電力有限公司臺州供電公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

1.基于數據挖掘的故障搶修處理時長預測方法，其特征在于，包括以下步驟：

獲取故障搶修作業數據；

以故障搶修作業數據中的故障類型、故障原因、故障地理位置特征、設備類型、發生故障時天氣為依據，利用聚類方法對故障搶修作業數據進行聚類；

對每個類別下故障搶修作業數據中的故障搶修處理時長進行統計分析，剔除不合理數據；

對剔除不合理數據的故障搶修作業數據進行特征工程，并制成樣本數據；

基于處理后的建立多元回歸預測模型，將樣本數據加載至Xgboost預測模型，利用XGBoost預測模型迭代訓練得到多元回歸預測模型的回歸系數，對多元回歸預測模型進行訓練與測試處理；

通過多元回歸預測模型，根據故障類型、故障原因、故障地理位置特征、設備類型、發生故障時天氣獲得故障搶修處理時長預測結果。

2.根據權利要求1所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，在所述以故障搶修作業數據中的故障類型、故障原因、故障地理位置特征、設備類型、發生故障時天氣為依據，利用聚類方法對故障搶修作業數據進行聚類之后，還包括:

使用誤差平方和準則函數計算E值對聚類性能進行評價，若E值大于設定閾值，則以故障搶修作業數據中的故障類型、故障原因、故障地理位置特征、設備類型、發生故障時天氣為依據，利用聚類方法對故障搶修作業數據再次進行聚類，直到E值小于等于設定閾值，E表示所有樣本數據的平方誤差的總和。

3.根據權利要求2所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，所述使用誤差平方和準則函數計算E值來評價聚類性能包括：

設定故障搶修作業數據集X，假設X包含k個聚類子集X₁,X₂,…X_k；各個聚類子集中的樣本數量分別為n₁，n₂,…,n_k；各個聚類子集的聚類中心分別為m₁,m₂,…,m_k，誤差平方和準則函數公式為：

其中，E表示所有樣本數據的平方誤差的總和；p表示空間中的樣本數據；m_i表示聚類中心。

4.根據權利要求1所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，所述對每個類別下故障搶修作業數據中的故障搶修處理時長進行統計分析，剔除不合理數據包括：

利用萊茵達準則對每個類別下故障搶修作業數據中的故障搶修處理時長進行判斷和識別，將超過置信概率的故障搶修作業數據作為不合理數據剔除。

5.根據權利要求1所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，所述多元回歸預測模型為：

T＝a*故障類型+b*故障原因+c*故障地點地理位置+d*設備類型+e*發生故障時天氣+k；

其中，T表示故障搶修處理時長預測值；a表示故障類型的回歸系數；b表示故障原因的回歸系數；c表示故障地點地理位置的回歸系數；d表示設備類型的回歸系數；e表示發生故障時天氣的回歸系數；k表示常量。

6.根據權利要求1所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，所述建立多元回歸預測模型，將樣本數據加載至Xgboost預測模型，對多元回歸預測模型訓練與測試之后還包括：

通過均方根誤差RMSE和判定系數R²對多元回歸預測模型的性能進行評價，并根據評價結果對多元回歸預測模型進一步調整。

7.根據權利要求6所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，

所述均方根誤差RMSE的計算公式為：

其中，p表示故障搶修處理時長的個數；d_p表示故障搶修處理時長實際值；y_p表示故障搶修處理時長預測值。

8.根據權利要求6所述的基于數據挖掘的故障搶修處理時長預測方法，其特征在于，所述判定系數R²的計算公式為：

其中，表示故障搶修處理時長平均值；d_p表示故障搶修處理時長實際值；y_p表示故障搶修處理時長預測值。