CN114169763A - 一种计量器具需求预测方法、***、计算装置及存储介质 - Google Patents
一种计量器具需求预测方法、***、计算装置及存储介质 Download PDFInfo
- Publication number
- CN114169763A CN114169763A CN202111495653.8A CN202111495653A CN114169763A CN 114169763 A CN114169763 A CN 114169763A CN 202111495653 A CN202111495653 A CN 202111495653A CN 114169763 A CN114169763 A CN 114169763A
- Authority
- CN
- China
- Prior art keywords
- data
- demand
- algorithm
- metering
- prediction
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 title claims description 33
- 238000009434 installation Methods 0.000 claims abstract description 143
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 94
- 230000008439 repair process Effects 0.000 claims abstract description 25
- 238000013277 forecasting method Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008570 general process Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计量器具需求预测方法、***、计算装置及存储介质,属于电能需求量预测技术领域,解决现有计量器具预测准确度不高,时间成本较高的技术问题,本发明通过SRU+RBF和SRU+贝叶斯网络算法进行预测,若安装量与外部因素有关时,通过SRU+RBF算法进行预测,对“改造轮换”与“业扩新装”安装类型计量器具需求量进行准确预测,输出预测结果;若安装量与外部因素无关时,通过SRU+贝叶斯网络算法进行预测,对“故障抢修”安装类型计量器具需求量进行准确预测,输出预测结果;本发明为优化电力物资库存管理、降低企业成本提供科学支撑。
Description
技术领域
本发明涉及计量器具需求预测技术领域,更具体的是涉及一种计量器具需求预测方法、***、计算装置及存储介质技术领域。
背景技术
计量器具需求预测是指通过***植入的预测算法对电力公司未来某段时间内电能计量器具的需求量进行准确预测,获得可供电力公司制定科学物资采购计划的可靠需求量数据;随着社会经济的发展和电力企业改革的推进,电能计量器具的需求逐年增加,为保障电力用户需求的快速响应,同时避免物资浪费,以“物资寄售”为代表的计量器具采购管理模式应运而生;在该模式的运作下,电力公司需在用户产生计量器具需求之前,率先通过需求预测技术获得用户在未来时段内的计量器具需求量,根据预测到的需求量数据制定采购计划,将计量器具备于物资库存中,因此亟需构建针对计量器具的需求预测算法,为电力公司制定科学的计量器具采购计划及采购管理模式提供准确可靠的数据依据。
目前常见的计量器具需求预测方法主要分为两类:单一算法预测与组合算法预测,其中单一算法预测包含单变量预测及多变量预测,单变量预测方法多采用基于统计学的算法,对历史数据的平稳性有较高要求,否则会导致预测误差大,导致预测准确度不高;多变量预测方法采用基于机器学习或深度学习的算法,往往只对特定的特征有良好的预测表现;组合算法预测将两种或两种以上优势互补的算法相结合,提高了算法的预测精度,但因结构复杂也相应提升了运算时间成本。
发明内容
本发明的目的在于:为了解决上述计量器具需求预测方法预测准确度不高,时间成本较高的技术问题,本发明提供一种计量器具需求预测方法、***、计算装置及存储介质,在不消耗过多计算资源、计算时间的基础上,提高了算法的预测准确性及预测精确度。
本发明采用的技术方案如下:一种计量器具需求预测方法,包括以下步骤:
步骤1:数据采集器获取各型号计量器具安装量的历史数据,以及获取对应时期各影响因素的外部数据,通过数据处理器计算两变量的卡方值,若卡方值小于1,则安装量与外部因素有关,计量器具的安装类型为“业扩新装、改造轮换”类,执行步骤2;若卡方值大于或等于1,则认定安装量与外部因素无关,为“故障抢修”类安装类型,执行步骤3;
步骤2:采用SRU+RBF算法进行预测,将“业扩新装、改造轮换”安装类型计量器具往期安装量/需求量的历史数据,和该类安装类型计量器具安装量影响因素的数据进行计量器具需求预测,输出预测结果;
所述SRU+RBF算法进行预测,即简单循环单元(Simple ReBurrent Unit,SRU)+径向基函数神经网络(Radial Aasis FunBtion,RBF)的组合算法,依据“改造轮换”、“业扩新装”安装类型计量器具的往期需求量数据,并结合业务特征相关外部因素信息,计算出“改造轮换”、“业扩新装”安装类型计量器具的需求量;
步骤3:采用SRU+贝叶斯网络算法进行预测,将往年电力现场获取已发生故障的计量器具属性数据进行处理,得到计量器具故障的高关联特征/属性,按照这些特征/属性采集电力现场的计量器具属性数据进行计量器具需求预测,输出预测结果。所述SRU+贝叶斯网络算法进行预测,通过对在运计量器具进行故障预测,获取产生故障的计量器具型号及数量,计算出“故障抢修”安装类型计量器具的需求量。
步骤2所述SRU+RBF算法进行预测,对“改造轮换、业扩新装”安装类型计量器具进行需求预测,计算出某型号计量器具需求量Pan;具体需求预测步骤如下:
A1:采集计量器具历史订单数据,并进行数据预处理;
A1.1:采集MDS***或SG186***中“改造轮换”和“业扩新装”安装类型计量器具的历史订单,获取每种型号计量器具在每周/每月/每季度的历史安装量,并按不同型号为行向、不同周度/月度/季度为列向,形成历史数据矩阵;
A2:将历史安装量时序数据进行SRU算法,获取计量器具初步预测需求量;
A2.1:将历史数据矩阵X′的前4/5列数据作为训练集X′1,其余数据作为测试集X′2;
A2.2:搭建SRU网络,设定网络层数为3层,第一层SRU神经元个数为8,之后层数的神经元个数按2的整数倍递减,网络初始化方法选定为均匀分布初始化,设定激活函数为tanh函数和Sigmoid函数,函数表达式为:
神经迭代次数为100次,批量处理参数为8,神经元抖动次数为5,带入训练集X′1进行整个网络的训练,利用Adam优化算法进行参数优化,得到参数矩阵W、Wf、Wr、bf、br;
A2.3:输入测试集X′2,对于当前时刻输入数据Xt,计算其在网络中的遗忘信息程度ft,计算公式为:
ft=σ(WfXt+bf) (4)
A2.5:确定更新信息程度rt=σ(WrXt+br);
A2.7:根据当前细胞状态Ct、更新程度rt、当前输入Xt,计算当前时刻输出ht,计算公式如下:
ht=rttanh(ct)+(1-rt)Xt (6)
因此SRU的内部信息传递只有当前时刻输入Xt参与运算,当前时刻输出ht的计算并不依赖前一时刻输出ht-1,该结构使得SRU可完成独立化的并行运算;
A2.8:得到不同型号计量器具通过SRU算法的初步需求预测结果:Y1,Y2,Y3,...;
A3:分析并获取“改造轮换、业扩新装”安装类型计量器具需求量的外部影响因素信息,结合步骤A2.8得到的初步需求预测结果,运用RBF网络算法预测该安装类型计量器具的最终需求量Pan。
步骤A3所述最终需求量Pan的预测步骤如下:
A3.1:安装类型为“改造轮换”和“业扩新装”的计量器具需求来源主要为:低压非居民新装、低压居民新装、低压批量新装、高压新装、分户、临时用电、低压非居民增容、低压增容、并户、周期轮换执行;外部影响因素主要为:季节影响因子、区域GDP增长率、房屋竣工面积、用电量预测数据、计量器具使用周期、计量器具***格、分户并户申请数据;
A3.2:获取外部影响因素数据,结合某型号计量器具由SRU算法初步预测得出的需求量数据,构成数据集X={x1,x2,...,xn}作为训练样本,从训练样本中随机选取r个不同样本作为初始中心;
A3.3:将数据集中的样本数据进行归一化处理,公式如下:
式(7)中,xi表示数据集X中的某一训练样本的样本值,min(X)表示数据集X中的最小样本值,max(X)表示数据集X中的最大样本值,x′i为数据集X中某样本归一化处理后的样本值;
A3.4:计算样本离中心的距离,并找出其中的最小距离dmin,公式如下:
dmin=min||X-ci(k)|| (8)
式(8)中,ci(k)表示当前所得训练样本的中心,通过计算数据集X中每个训练样本xi与训练样本中心ci(k)的差值,并获得其中最小的差值,得出样本离中心的最小距离dmin;
A3.5:利用均值法调整中心ci,根据所有训练样本是否学完和中心分布不再变化来判断是否继续,若两项均不满足,则k值+1,返回步骤A3.4重新计算dmin,再进一步调整ci,直至训练样本学完且中心分布不再变化,得到最终的RBF网络中心;
A3.8:利用最小二乘原则计算各隐含层节点到各输出层节点的权值wij,在步骤A3.7的基础上,输出层为隐含层各节点输出函数的加权和:
得出该型号计量器具在“改造轮换、业扩新装”安装类型上的需求量Paj=yj;
A3.9:重复步骤A3.2~A3.8,获得“改造轮换、业扩新装”安装类型的各型号计量器具需求量Pan。
步骤3所述SRU+贝叶斯网络算法进行预测,对“故障抢修”安装类型计量器具进行需求预测的具体步骤如下:
B1:从电力现场获取已发生故障的计量器具的属性数据:采集成功率、在线率、使用时间、规格型号、生产厂家、生产批次、通信流量、通信规约、信道类型、上送重要事项次数、时钟超差次数、地址;
B2:对B1步骤采集的属性数据进行数据预处理;
B2.1:对B1步骤采集的数据进行数据清洗,删除错误数据、重复数据,补全缺失数据;
B2.2:基于步骤B2.1,采用卡方检验主要对规格型号、生产长家、生产批次、通信规约的标称属性与计量器具故障进行相关性分析,并通过计算皮尔逊相关系数主要考察采集成功率、在线率、使用时间、通信流量的数值型属性与计量器具故障的相关性,得出与计量器具故障相关的属性,其中包括:采集成功率、在线率、规格型号、使用时间、生产厂家、生产批次、上送重要事项次数和对时超差次数;
B3:采用reliefF算法判定各属性对计量器具故障的影响程度,从而提取出计量器具故障的高关联特征数据;具体步骤如下:
B3.1:基于步骤B2.2,对属性数据进行归一化处理,公式如下:
式(10)中,X′为归一化后的数据,Xmin为每个属性数据的最小值,Xmax为每个属性数据的最大值;
B3.2:构建训练集{(x′1,y1),(x′2,y2),...,(x′n,yn)},随机选择元组xi;
B3.3:在元组xi同类样本中找出k个近邻xi,h,再在异类样本中找出k个近邻xi,m;
B3.4:计算样本R与近邻样本Hj在属性A上的差值diff(A,R,Hj),公式如下:
式(11)中,R[A]表示样本R在属性A上的取值,Hj[A]表示近邻样本Hj在属性A上的取值,根据式(11),若属性A是连续型的,则差值diff(A,R,Hj)通过式进行求取,若属性A是离散型的,且样本R与近邻样本Hj在属性A上的取值相等,则差值diff(A,R,Hj)=0;若属性A是离散型的,且样本R与近邻样本Hj在属性A上的取值不相等,则差值diff(A,R,Hj)=1;
B3.5:计算属性A对于计量器具故障的影响权重w(A),公式如下:
式(12)中Hjh表示同类近邻样本,Hjm表示异类近邻样本,同类和异类近邻样本都是通过在随机样本R的同类/异类样本中经过m次随机抽样获得的k个近邻样本,与表示k个同类/异类近邻样本与随机样本R在属性A上的取值之差的累计;
B3.6:重复步骤B3.4、B3.5,得出所有属性对应的影响权重w,并将其归一化处理后进行排序,设定阈值T,若w(A)>T,则对应属性数据被提取为计量器具故障的高关联特征数据;
B3.7:最终选择采集成功率、在线率、使用时间、生产厂家、规格型号、生产批次、通信流量作为计量器具故障的高关联特征数据;
B4:基于步骤B3.7得出的高关联特征数据,预测计量器具的稳定状态;
B5:基于步骤B4得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中的特征数据:主要使用时间、生产厂家、规格型号,构建贝叶斯网络;
B6:重复步骤B1~B5,得到计量器具的故障预测结果及发生故障计量器具的规格型号与数量,并按不同型号进行故障数量统计,计算出“故障抢修”安装类型计量器具的需求量Pbn。
步骤B4所述预测计量器具的稳定状态,具体步骤如下:
B4.1:获取高关联特征中与时序相关的特征:采集成功率和在线率,并形成两列时序数据;
B4.2:将两列时序数据作为SRU算法的输入数据,执行SRU算法获取计量器具初步预测需求量的操作步骤,分别得出SRU算法对计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果。
步骤B5所述构建贝叶斯网络的具体步骤如下:
B5.1:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中非时序相关的特征数据:主要使用时间、生产厂家、规格型号作为节点,建立一个包含所有节点的无向图,图中节点表示特征数据,节点之间的边表示不同特征间的关系;
B5.2:采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构,定义网络结构评价函数为:
ScoreBDe(N|D)=lnP(N)P(D|N)=lnP(N)+lnP(D|N) (13)
式(13)中,N为网络结构,D为训练数据;
B5.3:向无向图中输入节点数据X={V1,V2,...,Vn},定义最大父节点数目μ、节点次序ρ和数据集D,初始化父节点集;
B5.4:按顺序将各节点变量加入父节点集,并计算对应的网络评分,再与旧评分作比较,若新评分>旧评分,且未达到最大父节点数,则该节点变量为父节点,并添加对应的边;
B5.5:结合其余节点变量,重复进行步骤B5.4,并结合领域专家知识进行调整,得到贝叶斯网络拓扑结构;
B5.6:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中非时序相关的特征数据:使用时间、生产厂家、规格型号,确定:数据元组集合D=(x1,x2,...,xn),类别集合Y={0,1},其中Y=0表示计量器具未发生故障,Y=1表示计量器具发生故障;
一种计量器具需求预测***,包括:
“故障抢修安装类型需求预测”数据获取模块,接收计量器具故障的样本数据,进行数据预处理,并提取与计量器具故障相关的高关联特征;
“故障抢修安装类型需求预测”算法构建模块,根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征,利用SRU算法进行稳定状态预测,并基于其他高关联属性特征和稳定状态预测结果,采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构;基于贝叶斯网络拓扑结构,对贝叶斯网络结构进行参数学习,训练终端故障预测算法;
“故障抢修安装类型需求预测”预测模块,基于所述故障预测算法对在运计量器具进行故障预测;
“业扩新装、改造轮换安装类型需求预测”数据获取模块,获取“业扩新装、改造轮换”安装类型电能表的历史订单数据和与业务特征相关的外部影响因素信息数据,并进行数据预处理;
“业扩新装、改造轮换安装类型需求预测”算法构建模块,根据处理后的历史时序数据,利用SRU算法进行需求量的初步预测,获取多型号计量器具各自的初步需求量,基于初步需求量数据与业扩新装、改造轮换安装类型计量器具需求的各外部影响因素信息,对RBF神经网络结构进行训练,获得业扩新装、改造轮换安装类型计量器具需求预测的预测算法;
“业扩新装、改造轮换安装类型需求预测”预测模块,基于所述业扩新装、改造轮换安装类型计量器具需求预测算法对业扩新装、改造轮换安装类型计量器具需求量进行预测;
计数统计模块,将“故障抢修安装类型需求预测”预测模块、“业扩新装、改造轮换安装类型需求预测”预测模块所得各型号计量器具需求量按不同型号进行数量统计,计算出不同型号计量器具在未来某时段内的需求量。
一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的计量器具需求预测方法。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的计量器具需求预测方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明通过需求分解方式针对不同需求情况的计量器具构建不同需求预测算法,确保了预测的准确性;
本发明运用组合预测算法,能够学习计量器具需求预测相关的时序数据、特征数据、影响因素数据等,提高了预测算法的信息综合性与算法容错能力,可进一步提高算法的预测准确性;
本发明构建的预测算法中,运用SRU算法处理需求预测相关的时序数据,依据SRU算法在处理时间序列问题上的突出能力,在信息传递流畅的基础上,提升了计算效率,保证了处理短期预测时的预测时效性;本发明运用RBF神经网络算法处理需求预测相关的外部影响因素信息,RBF网络可以大大加快学习速度并且避免局部最小问题,进一步有效地提高预测的精度、鲁棒性和自适应性;
本发明依据所得各型号计量器具预测需求量,可结合现有库存量、待检定量及待配送量等,制定库存的补货策略,形成周期内的计量器具采购计划,为优化电力物资库存管理、降低企业成本提供科学支撑。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为本发明基于需求分解的计量器具需求预测算法构建示意图;
图2为本发明“改造轮换、业扩新装”安装类型计量器具需求预测流程图;
图3为本发明SRU信息传递过程示意图;
图4为本发明“故障抢修”安装类型计量器具需求预测流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例1
如图1所示,本实施例提供了一种计量器具需求预测方法,包括以下步骤:
步骤1:获取各型号计量器具安装量的历史数据,及对应时期各影响因素的外部数据,通过卡方检验,计算两变量的卡方值,若卡方值较小,接近于0,则安装量与外部因素有关,计量器具的安装类型为“业扩新装、改造轮换”类,执行步骤2;若卡方值较大,则认定安装量与外部因素无关,为“故障抢修”类安装类型,执行步骤3;
步骤2:采用SRU+RBF算法进行预测,将“业扩新装、改造轮换”安装类型计量器具往期安装量/需求量的历史数据,和该类安装类型计量器具安装量影响因素的数据进行计量器具需求预测,输出预测结果;
具体来说,所述SRU+RBF算法进行预测,即简单循环单元(Simp l e ReBurrent Unit,SRU)+径向基函数神经网络(Rad i a l Aas i s FunBt i on,RBF)的组合算法,依据“改造轮换”、“业扩新装”安装类型计量器具的往期需求量数据,并结合业务特征相关外部因素信息,计算出“改造轮换”、“业扩新装”安装类型计量器具的需求量;
步骤3:采用SRU+贝叶斯网络算法进行预测,将往年电力现场获取已发生故障的计量器具属性数据进行处理,得到计量器具故障的高关联特征/属性,按照这些特征/属性采集电力现场的计量器具属性数据进行计量器具需求预测,输出预测结果。
具体来说,所述SRU+贝叶斯网络算法进行预测,通过对在运计量器具进行故障预测,获取产生故障的计量器具型号及数量,计算出“故障抢修”安装类型计量器具的需求量。
实施例2
在实施例1的基础上,如图2-3所示,所述SRU+RBF算法进行预测,对“改造轮换、业扩新装”安装类型计量器具进行需求预测的一般过程为:
A1:采集计量器具历史订单数据,并进行数据预处理;
A1.1:采集MDS***或SG186***中“改造轮换”和“业扩新装”安装类型计量器具的历史订单,获取每种型号计量器具在每周/每月/每季度的历史安装量,并按不同型号为行向、不同周度/月度/季度为列向,形成历史数据矩阵;
A2:将历史安装量时序数据进行SRU算法,获取计量器具初步预测需求量;
A2.1:将历史数据矩阵X′的前4/5列数据作为训练集X′1,其余数据作为测试集X′2;
A2.2:搭建SRU网络,设定网络层数为3层,第一层SRU神经元个数为8,之后层数的神经元个数按2的整数倍递减,网络初始化方法选定为均匀分布初始化,设定激活函数为tanh函数和Sigmoid函数,函数表达式为:
神经迭代次数为100次,批量处理参数为8,神经元抖动次数为5,带入训练集X′1进行整个网络的训练,利用Adam优化算法进行参数优化,得到参数矩阵W、Wf、Wr、bf、br;
A2.3:输入测试集X′2,对于当前时刻输入数据Xt,计算其在网络中的遗忘信息程度ft,计算公式为:
ft=σ(WfXt+bf)
A2.5:确定更新信息程度rt=σ(WrXt+br);
A2.7:根据当前细胞状态Ct、更新程度rt、当前输入Xt,计算当前时刻输出ht,计算公式如下:
ht=rttanh(ct)+(1-rt)Xt
因此SRU的内部信息传递只有当前时刻输入Xt参与运算,当前时刻输出ht的计算并不依赖前一时刻输出ht-1,如图3所示,该结构使得SRU可完成独立化的并行运算,大大提高了计算效率。
A2.8:得到不同型号计量器具通过SRU算法的初步需求预测结果:Y1,Y2,Y3,...
A3:分析并获取“改造轮换、业扩新装”安装类型计量器具需求量的外部影响因素信息,结合步骤A2.8得到的初步需求预测结果,运用RBF网络算法预测该安装类型计量器具的最终需求量Pan;
A3.1:结合实际业务,安装类型为“改造轮换”和“业扩新装”的计量器具主要需求来源为:低压非居民新装、低压居民新装、低压批量新装、高压新装、分户、临时用电、低压非居民增容、低压增容、并户、周期轮换执行等,根据业务经验,可分析安装类型为“改造轮换、业扩新装”的计量器具需求量外部影响因素为:季节影响因子、区域GDP增长率、房屋竣工面积、用电量预测数据、计量器具使用周期、计量器具***格、分户并户申请数据等;
A3.2:获取外部影响因素数据,结合某型号计量器具由SRU算法初步预测得出的需求量数据,构成数据集X={x1,x2,...,xn}作为训练样本,从训练样本中随机选取r个不同样本作为初始中心;
A3.3:将数据集中的样本数据进行归一化处理,公式如下:
A3.4:计算样本离中心的距离,并找出其中的最小距离dmin,公式如下:
dmin=min||X-ci(k)||
A3.5:利用均值法调整中心ci,根据所有训练样本是否学完和中心分布不再变化来判断是否继续,若两项均不满足,则k值+1,返回步骤A3.4重新计算dmin,再进一步调整ci,直至训练样本学完且中心分布不再变化,得到最终的RBF网络中心;
A3.8:利用最小二乘原则计算各隐含层节点到各输出层节点的权值wij,在步骤A3.7的基础上,输出层为隐含层各节点输出函数的加权和:
得出该型号计量器具在“改造轮换、业扩新装”安装类型上的需求量Paj=yj;
A3.9:重复步骤A3.2~A3.8,获得“改造轮换、业扩新装”安装类型的各型号计量器具需求量Pan。
实施例3
在实施例1的基础上,采用SRU+贝叶斯网络算法进行预测,通过对在运计量器具进行故障预测,获取产生故障的计量器具型号及数量,计算出“故障抢修”安装类型计量器具的需求量Pbn。
具体地,如图4所示,所述SRU+贝叶斯网络组合算法对“故障抢修”安装类型计量器具进行需求预测的一般过程为:
B1:从电力现场获取已发生故障的计量器具的属性数据:采集成功率、在线率、使用时间、规格型号、生产厂家、生产批次、通信流量、通信规约、信道类型、上送重要事项次数、时钟超差次数、地址;
B2:对B1步骤采集的属性数据进行数据预处理;
B2.1:对B1步骤采集的数据进行数据清洗,删除错误数据、重复数据,补全缺失数据;
B2.2:基于步骤B2.1,采用卡方检验对规格型号、生产长家、生产批次、通信规约等标称属性与计量器具故障进行相关性分析,并通过计算皮尔逊相关系数考察采集成功率、在线率、使用时间、通信流量等数值型属性与计量器具故障的相关性,得出与计量器具故障相关的属性包括:采集成功率、在线率、规格型号、使用时间、生产厂家、生产批次、上送重要事项次数和对时超差次数;
B3:为确保故障预测算法的泛化能力,本发明采用re l i efF算法判定各属性对计量器具故障的影响程度,从而提取出计量器具故障的高关联特征数据;
B3.1:基于步骤B2.2,对属性数据进行归一化处理,公式如下:
其中X′为归一化后的数据,Xmin为每个属性数据的最小值,Xmax为每个属性数据的最大值;
B3.2:构建训练集{(x′1,y1),(x′2,y2),...,(x′n,yn)},随机选择元组xi;
B3.3:在元组xi同类样本中找出k个近邻xi,h,再在异类样本中找出k个近邻xi,m;
B3.4:计算样本R与近邻样本Hj在属性A上的差值diff(A,R,Hj),公式如下:
B3.5:计算属性A对于计量器具故障的影响权重w(A),公式如下:
B3.6:重复步骤B3.4、B3.5,得出所有属性对应的影响权重w,并将其归一化处理后进行排序,设定阈值T,若w(A)>T,则对应属性数据被提取为计量器具故障的高关联特征数据;
B3.7:本发明最终选择采集成功率、在线率、使用时间、生产厂家、规格型号、生产批次、通信流量作为计量器具故障的高关联特征数据;
B4:基于步骤B3.7得出的高关联特征数据,预测计量器具的稳定状态;
B4.1:获取高关联特征中与时序相关的特征:采集成功率和在线率,并形成两列时序数据;
B4.2:将两列时序数据作为SRU算法的输入数据,执行步骤A1.2~A2.7,分别得出SRU算法对计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果;
B5:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中非时序相关的特征数据:使用时间、生产厂家、规格型号等,构建贝叶斯网络;
B5.1:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中非时序相关的特征数据:使用时间、生产厂家、规格型号等作为节点,建立一个包含所有节点的无向图,图中节点表示特征数据,节点之间的边表示不同特征间的关系;
B5.2:采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构,定义网络结构评价函数为:
ScoreBDe(N|D)=lnP(N)P(D|N)=lnP(N)+lnP(D|N)
其中N为网络结构,D为训练数据;
B5.3:向无向图中输入节点数据X={V1,V2,...,Vn},定义最大父节点数目μ、节点次序ρ和数据集D,初始化父节点集;
B5.4:按顺序将各节点变量加入父节点集,并计算对应的网络评分,再与旧评分作比较,若新评分>旧评分,且未达到最大父节点数,则该节点变量为父节点,并添加对应的边;
B5.5:结合其余节点变量,重复进行步骤B5.4,并结合领域专家知识进行调整,得到贝叶斯网络拓扑结构;
B5.6:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中非时序相关的特征数据:使用时间、生产厂家、规格型号等,确定:数据元组集合D=(x1,x2,...,xn),类别集合Y={0,1},其中Y=0表示计量器具未发生故障,Y=1表示计量器具发生故障;
B6:重复步骤B1~B5,得到计量器具的故障预测结果及发生故障计量器具的规格型号与数量,并按不同型号进行故障数量统计,计算出“故障抢修”安装类型计量器具的需求量Pbn;
C:将两种算法对计量器具的预测需求量按照不同型号进行汇总,得出各型号计量器具在未来时段内的需求量Pn=Pan+Pbn,其中Pn表示某型号计量器具的预测需求量,Pan、Pbn表示两种算法对某型号计量器具各自的预测需求量;
本实施例采集相关数据,利用上述所构建的算法,对计量器具周度需求预测结果进行验证,实验结果如下表所示:
表1需求预测算法性能测试情况
预测值 | 实际值 | 预测准确度% | |
型号A | 6026 | 5811 | 96.3 |
型号A | 4396 | 4227 | 96.0 |
型号B | 5141 | 4929 | 95.7 |
型号D | 2666 | 2506 | 93.6 |
型号E | 6320 | 6030 | 95.2 |
由表1可知,本发明构建的计量器具需求预测方法其预测准确度基本在95%以上,且实验表明该方法具有较快的算法训练速度,在不消耗过多计算资源、计算时间的基础上,提高了算法的预测准确性及预测精确度。
D:依据所得各型号计量器具预测需求量,可结合现有库存量、待检定量及待配送量等,制定库存的补货策略,形成周期内的计量器具采购计划,为优化电力物资库存管理、降低企业成本提供科学支撑。
Claims (9)
1.一种计量器具需求预测方法,其特征在于,包括以下步骤:
步骤1:数据采集器获取各型号计量器具安装量的历史数据,以及获取对应时期各影响因素的外部数据,数据处理器计算两变量的卡方值,若卡方值小于1,则执行步骤2;若卡方值大于等于1,则执行步骤3;
步骤2:采用SRU+RBF算法进行预测,将“业扩新装、改造轮换”安装类型计量器具往期安装量/需求量的历史数据,和该类安装类型计量器具安装量影响因素的数据进行计量器具需求预测,输出预测结果;
步骤3:采用SRU+贝叶斯网络算法进行预测,将往年电力现场获取已发生故障的计量器具属性数据进行处理,得到计量器具故障的高关联特征/属性,按照这些特征/属性采集电力现场的计量器具属性数据进行计量器具需求预测,输出预测结果。
2.根据权利要求1所述的一种计量器具需求预测方法,其特征在于,步骤2所述SRU+RBF算法进行预测,对“改造轮换、业扩新装”安装类型计量器具进行需求预测,计算出某型号计量器具需求量Pan;具体需求预测步骤如下:
A1:采集计量器具历史订单数据,并进行数据预处理;
A1.1:采集MDS***或SG186***中“改造轮换”和“业扩新装”安装类型计量器具的历史订单,获取每种型号计量器具在每周/每月/每季度的历史安装量,并按不同型号为行向、不同周度/月度/季度为列向,形成历史数据矩阵;
A2:将历史安装量时序数据进行SRU算法,获取计量器具初步预测需求量;
A2.1:将历史数据矩阵X′的前4/5列数据作为训练集X′1,其余数据作为测试集X′2;
A2.2:搭建SRU网络,设定网络层数为3层,第一层SRU神经元个数为8,之后层数的神经元个数按2的整数倍递减,网络初始化方法选定为均匀分布初始化,设定激活函数为tanh函数和Sigmoid函数,函数表达式为:
神经迭代次数为100次,批量处理参数为8,神经元抖动次数为5,带入训练集X′1进行整个网络的训练,利用Adam优化算法进行参数优化,得到参数矩阵W、Wf、Wr、bf、br;
A2.3:输入测试集X′2,对于当前时刻输入数据Xt,计算其在网络中的遗忘信息程度ft,计算公式为:
ft=σ(WfXt+bf) (4)
A2.5:确定更新信息程度rt=σ(WrXt+br);
A2.7:根据当前细胞状态Ct、更新程度rt、当前输入Xt,计算当前时刻输出ht,计算公式如下:
ht=rttanh(ct)+(1-rt)Xt (6)
因此SRU的内部信息传递只有当前时刻输入Xt参与运算,当前时刻输出ht的计算并不依赖前一时刻输出ht-1,该结构使得SRU可完成独立化的并行运算;
A2.8:得到不同型号计量器具通过SRU算法的初步需求预测结果:Y1,Y2,Y3,...;
A3:分析并获取“改造轮换、业扩新装”安装类型计量器具需求量的外部影响因素信息,结合步骤A2.8得到的初步需求预测结果,运用RBF网络算法预测该安装类型计量器具的最终需求量Pan。
3.根据权利要求2所述的一种计量器具需求预测方法,其特征在于,步骤A3所述最终需求量Pan的预测步骤如下:
A3.1:安装类型为“改造轮换”和“业扩新装”的计量器具需求来源主要为:低压非居民新装、低压居民新装、低压批量新装、高压新装、分户、临时用电、低压非居民增容、低压增容、并户、周期轮换执行;外部影响因素主要为:季节影响因子、区域GDP增长率、房屋竣工面积、用电量预测数据、计量器具使用周期、计量器具***格、分户并户申请数据;
A3.2:获取外部影响因素数据,结合某型号计量器具由SRU算法初步预测得出的需求量数据,构成数据集X={x1,x2,...,xn}作为训练样本,从训练样本中随机选取r个不同样本作为初始中心;
A3.3:将数据集中的样本数据进行归一化处理,公式如下:
式(7)中,xi表示数据集X中的某一训练样本的样本值,min(X)表示数据集X中的最小样本值,max(X)表示数据集X中的最大样本值,x′i为数据集X中某样本归一化处理后的样本值;
A3.4:计算样本离中心的距离,并找出其中的最小距离dmin,公式如下:
dmin=min||X-ci(k)|| (8)
式(8)中,ci(k)表示当前所得训练样本的中心,通过计算数据集X中每个训练样本xi与训练样本中心ci(k)的差值,并获得其中最小的差值,得出样本离中心的最小距离dmin;
A3.5:利用均值法调整中心ci,根据所有训练样本是否学完和中心分布不再变化来判断是否继续,若两项均不满足,则k值+1,返回步骤A3.4重新计算dmin,再进一步调整ci,直至训练样本学完且中心分布不再变化,得到最终的RBF网络中心;
A3.8:利用最小二乘原则计算各隐含层节点到各输出层节点的权值wij,在步骤A37的基础上,输出层为隐含层各节点输出函数的加权和:
得出该型号计量器具在“改造轮换、业扩新装”安装类型上的需求量Paj=yj;
A3.9:重复步骤A3.2~A3.8,获得“改造轮换、业扩新装”安装类型的各型号计量器具需求量Pan。
4.根据权利要求1所述的一种计量器具需求预测方法,其特征在于,步骤3所述SRU+贝叶斯网络算法进行预测,对“故障抢修”安装类型计量器具进行需求预测的具体步骤如下:
B1:从电力现场获取已发生故障的计量器具的属性数据:采集成功率、在线率、使用时间、规格型号、生产厂家、生产批次、通信流量、通信规约、信道类型、上送重要事项次数、时钟超差次数、地址;
B2:对B1步骤采集的属性数据进行数据预处理;
B2.1:对B1步骤采集的数据进行数据清洗,删除错误数据、重复数据,补全缺失数据;
B2.2:基于步骤B2.1,采用卡方检验主要对规格型号、生产长家、生产批次、通信规约的标称属性与计量器具故障进行相关性分析,并通过计算皮尔逊相关系数主要考察采集成功率、在线率、使用时间、通信流量的数值型属性与计量器具故障的相关性,得出与计量器具故障相关的属性,其中包括:采集成功率、在线率、规格型号、使用时间、生产厂家、生产批次、上送重要事项次数和对时超差次数;
B3:采用reliefF算法判定各属性对计量器具故障的影响程度,从而提取出计量器具故障的高关联特征数据;具体步骤如下:
B3.1:基于步骤B22,对属性数据进行归一化处理,公式如下:
式(10)中,X′为归一化后的数据,Xmin为每个属性数据的最小值,Xmax为每个属性数据的最大值;
B3.2:构建训练集{(x′1,y1),(x′2,y2),...,(x′n,yn)},随机选择元组xi;
B3.3:在元组xi同类样本中找出k个近邻xi,h,再在异类样本中找出k个近邻xi,m;
B3.4:计算样本R与近邻样本Hj在属性A上的差值diff(A,R,Hj),公式如下:
式(11)中,R[A]表示样本R在属性A上的取值,Hj[A]表示近邻样本Hj在属性A上的取值,根据式(11),若属性A是连续型的,则差值diff(A,R,Hj)通过式进行求取,若属性A是离散型的,且样本R与近邻样本Hj在属性A上的取值相等,则差值diff(A,R,Hj)=0;若属性A是离散型的,且样本R与近邻样本Hj在属性A上的取值不相等,则差值diff(A,R,Hj)=1;
B3.5:计算属性A对于计量器具故障的影响权重w(A),公式如下:
式(12)中Hjh表示同类近邻样本,Hjm表示异类近邻样本,同类和异类近邻样本都是通过在随机样本R的同类/异类样本中经过m次随机抽样获得的k个近邻样本,与表示k个同类/异类近邻样本与随机样本R在属性A上的取值之差的累计;
B3.6:重复步骤B3.4、B3.5,得出所有属性对应的影响权重w,并将其归一化处理后进行排序,设定阈值T,若w(A)>T,则对应属性数据被提取为计量器具故障的高关联特征数据;
B3.7:最终选择采集成功率、在线率、使用时间、生产厂家、规格型号、生产批次、通信流量作为计量器具故障的高关联特征数据;
B4:基于步骤B3.7得出的高关联特征数据,预测计量器具的稳定状态;
B5:基于步骤B4得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中的特征数据:主要使用时间、生产厂家、规格型号,构建贝叶斯网络;
B6:重复步骤B1~B5,得到计量器具的故障预测结果及发生故障计量器具的规格型号与数量,并按不同型号进行故障数量统计,计算出“故障抢修”安装类型计量器具的需求量Pbn。
5.根据权利要求4所述的一种计量器具需求预测方法,其特征在于,步骤B4所述预测计量器具的稳定状态,具体步骤如下:
B4.1:获取高关联特征中与时序相关的特征:采集成功率和在线率,并形成两列时序数据;
B4.2:将两列时序数据作为SRU算法的输入数据,执行SRU算法获取计量器具初步预测需求量的操作步骤,分别得出SRU算法对计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果。
6.根据权利要求5所述的一种计量器具需求预测方法,其特征在于,步骤B5所述构建贝叶斯网络的具体步骤如下:
B5.1:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中的特征数据:主要使用时间、生产厂家、规格型号作为节点,建立一个包含所有节点的无向图,图中节点表示特征数据,节点之间的边表示不同特征间的关系;
B5.2:采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构,定义网络结构评价函数为:
ScoreBDe(N|D)=lnP(N)P(D|N)=lnP(N)+lnP(D|N) (13)
式(13)中,N为网络结构,D为训练数据;
B5.3:向无向图中输入节点数据X={V1,V2,...,Vn},定义最大父节点数目μ、节点次序ρ和数据集D,初始化父节点集;
B5.4:按顺序将各节点变量加入父节点集,并计算对应的网络评分,再与旧评分作比较,若新评分>旧评分,且未达到最大父节点数,则该节点变量为父节点,并添加对应的边;
B5.5:结合其余节点变量,重复进行步骤B5.4,并结合领域专家知识进行调整,得到贝叶斯网络拓扑结构;
B5.6:基于步骤B4.2得出的计量器具采集数据稳定状态、传输网络数据稳定状态的预测结果,以及步骤B3.7中的特征数据:使用时间、生产厂家、规格型号,确定:数据元组集合D=(x1,x2,...,xn),类别集合Y={0,1},其中Y=0表示计量器具未发生故障,Y=1表示计量器具发生故障;
7.一种计量器具需求预测***,其特征在于,包括:
“故障抢修安装类型需求预测”数据获取模块,接收计量器具故障的样本数据,进行数据预处理,并提取与计量器具故障相关的高关联特征;
“故障抢修安装类型需求预测”算法构建模块,根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征,利用SRU算法进行稳定状态预测,并基于其他高关联属性特征和稳定状态预测结果,采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构;基于贝叶斯网络拓扑结构,对贝叶斯网络结构进行参数学习,训练终端故障预测算法;
“故障抢修安装类型需求预测”预测模块,基于所述故障预测算法对在运计量器具进行故障预测;
“业扩新装、改造轮换安装类型需求预测”数据获取模块,获取“业扩新装、改造轮换”安装类型电能表的历史订单数据和与业务特征相关的外部影响因素信息数据,并进行数据预处理;
“业扩新装、改造轮换安装类型需求预测”算法构建模块,根据处理后的历史时序数据,利用SRU算法进行需求量的初步预测,获取多型号计量器具各自的初步需求量,基于初步需求量数据与业扩新装、改造轮换安装类型计量器具需求的各外部影响因素信息,对RBF神经网络结构进行训练,获得业扩新装、改造轮换安装类型计量器具需求预测的预测算法;
“业扩新装、改造轮换安装类型需求预测”预测模块,基于所述业扩新装、改造轮换安装类型计量器具需求预测算法对业扩新装、改造轮换安装类型计量器具需求量进行预测;
计数统计模块,将“故障抢修安装类型需求预测”预测模块、“业扩新装、改造轮换安装类型需求预测”预测模块所得各型号计量器具需求量按不同型号进行数量统计,计算出不同型号计量器具在未来某时段内的需求量。
8.一种计算装置,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的计量器具需求预测方法。
9.一种存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现所述的计量器具需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111495653.8A CN114169763B (zh) | 2021-12-08 | 2021-12-08 | 一种计量器具需求预测方法、***、计算装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111495653.8A CN114169763B (zh) | 2021-12-08 | 2021-12-08 | 一种计量器具需求预测方法、***、计算装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169763A true CN114169763A (zh) | 2022-03-11 |
CN114169763B CN114169763B (zh) | 2024-06-18 |
Family
ID=80484667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111495653.8A Active CN114169763B (zh) | 2021-12-08 | 2021-12-08 | 一种计量器具需求预测方法、***、计算装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169763B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070781A (zh) * | 2023-03-06 | 2023-05-05 | 南方电网数字电网研究院有限公司 | 电能计量设备需求预测方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308934A1 (en) * | 2016-04-22 | 2017-10-26 | Economy Research Institute of State Grid Zhejiang Electric Power | Management method of power engineering cost |
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
US20190260204A1 (en) * | 2018-02-17 | 2019-08-22 | Electro Industries/Gauge Tech | Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data |
CN110335168A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 基于gru优化用电信息采集终端故障预测模型的方法及*** |
-
2021
- 2021-12-08 CN CN202111495653.8A patent/CN114169763B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308934A1 (en) * | 2016-04-22 | 2017-10-26 | Economy Research Institute of State Grid Zhejiang Electric Power | Management method of power engineering cost |
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
US20190260204A1 (en) * | 2018-02-17 | 2019-08-22 | Electro Industries/Gauge Tech | Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data |
CN110335168A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 基于gru优化用电信息采集终端故障预测模型的方法及*** |
Non-Patent Citations (1)
Title |
---|
邹波;段立;骆凯波;叶君;郑静雯;: "基于贝叶斯网络优化算法的采集终端故障预测***设计与应用", 电工技术, no. 05, 10 May 2017 (2017-05-10) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070781A (zh) * | 2023-03-06 | 2023-05-05 | 南方电网数字电网研究院有限公司 | 电能计量设备需求预测方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114169763B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Machine learning approach to uncovering residential energy consumption patterns based on socioeconomic and smart meter data | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
CN111783953A (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
Wang et al. | Short-term industrial load forecasting based on ensemble hidden Markov model | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
Sangireddy et al. | Development of a surrogate model by extracting top characteristic feature vectors for building energy prediction | |
CN110826237A (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN114817571B (zh) | 基于动态知识图谱的成果被引用量预测方法、介质及设备 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN114169763B (zh) | 一种计量器具需求预测方法、***、计算装置及存储介质 | |
CN117060408B (zh) | 新能源发电预测方法及*** | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
May et al. | Multi-variate time-series for time constraint adherence prediction in complex job shops | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
Fang et al. | Random forest model for the house price forecasting | |
Bao et al. | Adaptive Weighted Strategy Based Integrated Surrogate Models for Multiobjective Evolutionary Algorithm | |
CN117252115B (zh) | 基于神经网络的二次供水需水量软测量方法、设备及介质 | |
CN114897210B (zh) | 一种基于能源损耗预测的能源互联方法及*** | |
US20230297948A1 (en) | Predicting Supply Chain Policies Using Machine Learning | |
Lin et al. | Demand Forecasting for the Full Life Cycle of New Electronic Products Based on KEM-QRGBT Model. |
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 |