技术特征：
1.一种电力数据预测模型优化方法，其特征在于，应用于物类数据处理，所述方法包括：采集获取电力结构化信息，据以生成电力状态样本数据；分类识别所述电力状态样本数据，据以获取样本标签信息；从预设训练模型中获取训练模型参数和预测目标数据；处理训练模型参数和预测目标数据，以得到样本损失参数；根据样本损失参数处理所述样本标签信息，据以得到自适应样本挖掘数据；以所述自适应样本挖掘数据收敛处理所述预设训练模型。2.根据权利要求1所述的一种电力数据预测模型优化方法，其特征在于，所述采集获取电力结构化信息，据以生成电力状态样本数据的步骤，包括：从所述电力结构化信息中获取架空线特征数据；量纲统一处理所述架空线特征数据，以得到特征向量数据。3.根据权利要求1所述的一种电力数据预测模型优化方法，其特征在于，所述分类识别所述电力状态样本数据，据以获取样本标签信息的步骤，包括：训练所述预设训练模型，识别训练中样本训练难度数据；根据所述样本训练难度数据分类处理所述电力状态样本数据，以得到易分样本和难分样本；从所述易分样本和所述难分样本提取所述样本标签信息。4.根据权利要求1所述的一种电力数据预测模型优化方法，其特征在于，所述从预设训练模型中获取训练模型参数和预测目标数据的步骤，包括：提取所述预设训练模型中的模型预测值数据；处理所述模型预测值数据，以得到所述预测目标数据。5.根据权利要求4所述的一种电力数据预测模型优化方法，其特征在于，所述提取所述预设训练模型中的模型预测值数据的步骤中，所述模型预测值数据为模型预测概率。6.根据权利要求1所述的一种电力数据预测模型优化方法，其特征在于，所述处理训练模型参数和所述预测目标数据，以得到样本损失参数的步骤，包括：按照下述逻辑：loss(p)＝-(1-p)
γ
log(p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)处理所述训练模型参数和所述预测目标数据，式(1)中(1-p)
γ
为调变因子，p为模型预测值。这里γ≥0，定义为聚焦参数。7.根据权利要求1所述的一种电力数据预测模型优化方法，其特征在于，所述根据样本损失参数处理所述样本标签信息，据以得到自适应样本挖掘数据的步骤，包括：根据所述样本损失参数处理所述样本标签信息，以得到样本权重数据；根据所述样本权重数据处理所述样本标签信息，据以得到所述自适应样本挖掘数据。8.根据权利要求7所述的一种电力数据预测模型优化方法，其特征在于，所述根据所述样本权重数据处理所述样本标签信息，据以得到所述自适应样本挖掘数据的步骤，包括：检测模型训练过程，据以得到所述样本权重数据；获取检测模型的调变因子数据；根据所述调变因子数据调整所述易分样本和所述难分样本的权重。
9.根据权利要求8所述的一种电力数据预测模型优化方法，其特征在于，所述根据所述调变因子数据调整所述易分样本和所述难分样本的权重的步骤，包括：获取样本分类状态数据；根据所述样本分类判断数据判断样本是否发生错误；若是，则判定该样本为所述难分样本；根据所述调变因子数据提升当前所述难分样本的权重；若否，则判定该样本为所述易分样本；根据所述调变因子数据降低当前所述易分样本的权重。10.一种电力数据预测模型优化系统，其特征在于，所述系统包括：样本采集生成模块，用以采集获取电力结构化信息，据以生成电力状态样本数据；标签处理模块，用以分类识别所述电力状态样本数据，据以获取样本标签信息；模型参数模块，用以从预设训练模型中获取训练模型参数和预测目标数据；损失参数模块，用以处理训练模型参数和预测目标数据，以得到样本损失参数；自适应挖掘参数模块，用以根据样本损失参数处理所述样本标签信息，据以得到自适应样本挖掘数据；模型优化模块，用于以所述自适应样本挖掘数据收敛处理所述预设训练模型。
技术总结
本发明提供一种电力数据预测模型优化方法及系统，包括：一种电力数据预测模型优化方法，应用于物类数据处理，所述方法包括：采集获取电力结构化信息，据以生成电力状态样本数据；分类识别所述电力状态样本数据，据以获取样本标签信息，从预设训练模型中获取训练模型参数和预测目标数据；处理训练模型参数和预测目标数据，以得到样本损失参数；根据样本损失参数处理所述样本标签信息，据以得到自适应样本挖掘数据；以所述自适应样本挖掘数据收敛处理所述预设训练模型。本发明设计在线困难样本挖掘损失函数，在训练过程降低易识别样本权重，加速模型收敛，使得随机森林和神经网络训练性能得到极大提升。练性能得到极大提升。练性能得到极大提升。
技术研发人员：骆晨 吴凯 冯玉 吴少雷 余爱斌 窦良君 程慧东 李玮 戚振彪 徐飞 张征凯 周建军 赵成
受保护的技术使用者：国网安徽省电力有限公司 国网安徽省电力有限公司芜湖供电公司
技术研发日：2022.05.25
技术公布日：2022/9/13