CN115796398A - 基于电力物资的需求智能分析方法、***、设备及介质 - Google Patents
基于电力物资的需求智能分析方法、***、设备及介质 Download PDFInfo
- Publication number
- CN115796398A CN115796398A CN202310068471.5A CN202310068471A CN115796398A CN 115796398 A CN115796398 A CN 115796398A CN 202310068471 A CN202310068471 A CN 202310068471A CN 115796398 A CN115796398 A CN 115796398A
- Authority
- CN
- China
- Prior art keywords
- demand
- data
- matrix
- electric power
- category
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 219
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 142
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 88
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 17
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002305 electric material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能决策技术领域，揭露了一种基于电力物资的需求智能分析方法、***、设备及介质，包括：获取历史电力物资需求数据，对历史电力物资需求数据进行预处理，得到标准需求数据；对标准需求数据进行需求分类，得到物资需求类别数据；对物资需求类别数据进行需求初始预测，得到每个物资需求类别数据的初始需求预测数据；构建每个初始需求预测数据的需求数据矩阵，对需求数据矩阵进行矩阵分解，得到每个物资需求类别数据的需求分解矩阵；根据需求分解矩阵计算所述目标电力企业的物资需求预测数据。本发明可以提高物资需求预测的准确度。
Description
技术领域
本发明涉及智能决策技术领域，尤其涉及一种基于电力物资的需求智能分析方法、***、设备及介质。
背景技术
当前，我国社会经济快速发展，对电力能源的需求无论从量还是质上都提出了更高的要求，同时电力物资影响着人们日常的方方面面，不仅是社会生产的重要保障，更是国家发展的重要基础。因此，保障电力物资的充足供应有着十分重要的作用和现实意义。
通常，电力物资的管理与分配是由电网公司负责的，而在这个过程中，往往会出现供应与需求不平衡的现象。如果电力储备不足，就会给社会造成严重的经济损失；如果电力储备过剩，又会产生额外的库存成本，甚至导致电力物资的浪费，因此，如何准确预测变电站及配网工程的物资需求，从而在保障工程进度的前提下提高资金的利用率，节约成本，对于电力企业在新的市场环境下快速发展，具有重要意义。
发明内容
本发明提供一种基于电力物资的需求智能分析方法、***、设备及介质，其主要目的在于解决物资需求数据预测的准确度较低的问题。
为实现上述目的，本发明提供的一种基于电力物资的需求智能分析方法，包括：
获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
可选地，所述对所述历史电力物资需求数据进行数据预处理，得到标准需求数据，包括：
分析所述历史电力物资需求数据的数据属性，根据所述数据属性对所述历史电力物资需求数据进行清洗，得到清洗电力物资数据；
识别所述清洗电力物资数据中的异常数据，对所述异常数据进行数据替换，得到标准需求数据。
可选地，所述对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据，包括：
对所述标准需求数据进行哈希运算，得到所述标准需求数据的数据编码；
将所述数据编码与预设的编码类别对应关系相匹配，得到所述目标电力企业对应的需求类别数据。
可选地，所述对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据，包括：
计算每个所述物资需求类别数据的数据分布，根据所述数据分布确定每个所述物资需求数据的趋势项；
利用傅里叶函数计算每个所述物资需求类别数据的季节周期规律，得到每个所述物资需求类别数据的季节项；
利用如下公式生成每个所述物资需求类别数据的季节周期规律：
其中，
为每个所述物资需求类别数据的季节周期规律，
为每个所述物资需求类别数据的季节周期时间，
为第
个物资需求类别数据，
为每个所述物资需求类别数据的总数，
、
为预设的平滑参数，
为预设的季节周期天数；
提取每个所述物资需求类别数据的节假日数据，根据所述节假日数据生成每个所述物资需求类别数据的节假日项；
将所述趋势项、所述季节项、所述节假日项以及预设的误差项相加，得到每个所述物资需求类别数据的初始需求预测数据。
可选地，所述计算每个所述物资需求类别数据的数据分布，包括：
计算每个所述物资需求类别数据的数据均值及数据方差；
根据所述数据均值及数据方差计算平均需求数据，计算所述平均需求数据与每个所述物资需求类别数据中真实物资需求类别数据之间的标准差；
根据所述标准差构建物资需求类别数据分布正态函数，得到每个所述物资需求类别数据的数据分布。
可选地，所述对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵，包括：
根据每个所述需求数据矩阵的行列数分别生成初始分解矩阵；
利用预设的目标函数对所述初始分解矩阵进行随机梯度下降法迭代，得到迭代分解矩阵；
利用如下的目标函数对所述初始分解矩阵进行随机梯度下降法迭代：
其中，
为目标函数，
为所述需求数据矩阵，
为每个所述需求数据矩阵的行与列，
为所述初始分解矩阵的总列数，
，
为初始分解矩阵，
为预设的正则系数；
利用均方误差计算所述迭代分解矩阵与所述需求数据矩阵之间的误差，直至所述误差小于预设的误差阈值，得到每个所述物资需求类别数据的需求分解矩阵。
可选地，所述根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据，包括：
计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据；
利用如下公式计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据：
其中，
为所述需求预测数据，
为所述需求分解矩阵的总列数,
为所述需求分解矩阵的第
列，
、
为所述需求分解矩阵在对应的物资需求类别数据第
个时间的第
个需求预测数据；
汇集每个所述物资需求类别数据的需求预测数据，得到所述目标电力企业的物资需求预测数据。
为了解决上述问题，本发明还提供一种基于电力物资的需求智能分析***，所述***包括：
数据预处理模块，用于获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
需求分类模块，用于对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
初始预测模块，用于对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
矩阵分解模块，用于构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
需求预测模块，用于根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于电力物资的需求智能分析方法。
为了解决上述问题，本发明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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于电力物资的需求智能分析方法。
本发明实施例通过获取预设时间段内的历史电力物资需求数据，并进行数据预处理，能够保证数据的时效性同时提高数据的准确度，提高后续计算的准确度；对标准需求数据进行分类，能够对需求数据进行细致地划分；利用预训练完成的时间序列模型对物资需求类别数据进行需求初始预测，能够初步得到每个物资需求类别数据的初始需求预测数据；再通过构建需求数据矩阵，进行矩阵分解，对每个需求类别的需求数据进行二次预测，得到最终的物资需求预测数据，有效地提高数据预测的准确度，实现对电力物资需求的精确预测。因此本发明提出的基于电力物资的需求智能分析方法、***、电子设备及计算机可读存储介质，可以解决进行电力物资需求数据预测时准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于电力物资的需求智能分析方法的流程示意图；
图2为本发明一实施例提供地对所述物资需求类别数据进行需求初始预测的流程示意图；
图3为本发明一实施例提供的基于电力物资的需求智能分析***的功能模块图；
图4为本发明一实施例提供的实现所述基于电力物资的需求智能分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于电力物资的需求智能分析方法。所述基于电力物资的需求智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于电力物资的需求智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content DeliveryNetwork，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于电力物资的需求智能分析方法的流程示意图。在本实施例中，所述基于电力物资的需求智能分析方法包括：
S1、获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据。
本发明实施例中，所述预设时间段内的历史电力物资需求数据可以是近十年、十五年等时间段内目标电力企业所需要的各类电力物资数据，历史物资需求数据是从目标电力企业***所导出的电网工程项目物资需求历史用量数据，从而保证历史电力物资需求数据的时效性及准确性。
本发明实施例中，对电力物资数据进行预处理是对历史电力物资中无效的信息数据进行过滤并对数据进行异常值处理，以进一步保证标准需求数据的准确性。
本发明实施例中，所述对所述历史电力物资需求数据进行数据预处理，得到标准需求数据，包括：
分析所述历史电力物资需求数据的数据属性，根据所述数据属性对所述历史电力物资需求数据进行清洗，得到清洗电力物资数据；
识别所述清洗电力物资数据中的异常数据，对所述异常数据进行数据替换，得到标准需求数据。
本发明实施例中，由于历史电力物资数据中包含了许多对预测无用的信息，如交货日期、采购级别、推荐供货商、采购方式和采购完成时间等属性的数据，因此，需要根据历史电力物资数据中每条数据的属性进行数据清洗，以保证后续预测的准确度，同时需要识别数据中同期相比差别较大的异常数据，再通过预设的数据进行数据替换，进一步的保证标准需求数据的准确性，从而提高后续预测的准确度。
S2、对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据。
本发明实施例中，需求分类是将不同的电力物资对应的需求数据进行区分，例如，电缆线的需求数据、日常工具的需求数据、导线的需求数据等，不同的需求类别对应不同的数据。
本发明实施例中，所述对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据，包括：
对所述标准需求数据进行哈希运算，得到所述标准需求数据的数据编码；
将所述数据编码与预设的编码类别对应关系相匹配，得到所述目标电力企业对应的需求类别数据。
本发明实施例中，通过哈希算法对生成标准需求数据的数据编码，能够将标准需求数据映射到与标准需求数据相似的编码空间，充分利用原数据空间中相似的数据在编码空间中也相似的特性来进行数据分类，提高数据分类的准确性。
本发明实施例中，通过进行需求分类得到电力企业的需求类别数据，能够将电力物资需求进行划分，从而对每个需求类别都进行需求分析，从而提高物资需求分析的准确度。
S3、对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据。
本发明实施例中，由于电力物资的需求易受到季节以及节假日等的影响，可以将物资需求类别数据通过不同的计算方法拆解成趋势项、季节项、节假日项以及误差项４个部分，通过这四个部分综合性地对物资需求进行初始预测。
本发明实施例中，参阅图2所示，所述对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据，包括：
S21、计算每个所述物资需求类别数据的数据分布，根据所述数据分布确定每个所述物资需求数据的趋势项；
S22、利用傅里叶函数计算每个所述物资需求类别数据的季节周期规律，得到每个所述物资需求类别数据的季节项；
S23、提取每个所述物资需求类别数据的节假日数据，根据所述节假日数据生成每个所述物资需求类别数据的节假日项；
S24、将所述趋势项、所述季节项、所述节假日项以及预设的误差项相加，得到每个所述物资需求类别数据的初始需求预测数据。
本发明实施例中，所述趋势项表示电力物资的需求趋势，季节项表示每个电力物资类别在不同的季节所需的物资，节假日项则着重表示在节假日时物资需求类别数据的趋势，由于电力物资的需求具有强烈季节性影响与节假日影响，因此通过趋势、季节以及节假日并通过预设误差项减小误差，能够准确地提高物资需求类别数据预测的准确度。
本发明实施例中，所述计算每个所述物资需求类别数据的数据分布，包括：
计算每个所述物资需求类别数据的数据均值及数据方差；
根据所述数据均值及数据方差计算平均需求数据，计算所述平均需求数据与每个所述物资需求类别数据中真实物资需求类别数据之间的标准差；
根据所述标准差构建物资需求类别数据分布正态函数，得到每个所述物资需求类别数据的数据分布。
本发明实施例中，所述利用傅里叶函数生成每个所述物资需求类别数据的季节周期规律，包括：
利用如下公式生成每个所述物资需求类别数据的季节周期规律：
其中，
为每个所述物资需求类别数据的季节周期规律，
为每个所述物资需求类别数据的季节周期时间，
为第
个物资需求类别数据，
为每个所述物资需求类别数据的总数，
、
为预设的平滑参数，
为预设的季节周期天数。
本发明实施例中，通过将物资需求类别数据拆解成趋势项、季节项、节假日项以及误差项，能够准确地表示电力企业由于季节、节假日等因素而造成的电力物资需求不同，有利于通过每个物资需求类别的历史数据对后续电力物资的需求进行预测，进而提高电力物资需求分析预测的准确度。
S4、构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵。
本发明实施例中，所述需求数据矩阵是将初始需求预测数据以时间序列以及形式进行矩阵的构建，同时加入需要进行预测的时间对应的物资需求类别数据，以得到最终的需求数据矩阵。
本发明实施例中，所述矩阵分解是将需求数据矩阵分解成两个或者多个矩阵的乘积，通过分解后的需求分解矩阵表达需求数据矩阵，进而对需求数据矩阵中的矩阵元素进行求解，得到对应的物资需求数据。
本发明实施例中，所述对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵，包括：
根据每个所述需求数据矩阵的行列数分别生成初始分解矩阵；
利用预设的目标函数对所述初始分解矩阵进行随机梯度下降法迭代，得到迭代分解矩阵；
利用均方误差计算所述迭代分解矩阵与所述需求数据矩阵之间的误差，直至所述误差小于预设的误差阈值，得到每个所述物资需求类别数据的需求分解矩阵。
本发明实施例中，所述利用预设的目标函数对所述初始分解矩阵进行随机梯度下降法迭代，得到迭代分解矩阵，包括：
利用如下的目标函数对所述初始分解矩阵进行随机梯度下降法迭代：
其中，
为目标函数，
为所述需求数据矩阵，
为每个所述需求数据矩阵的行与列，
为所述初始分解矩阵的总列数，
，
为初始分解矩阵，
为预设的正则系数；
本发明实施例中，通过随机梯度下降法对初始分解矩阵进行优化，使得迭代分解矩阵与需求数据矩阵之间的误差越来越小，再通过均方误差计算迭代分解矩阵与需求数据矩阵之间的误差，保证需求分解矩阵与对应的需求数据矩阵之间的误差满足预设的误差要求，使得后续进行预测时的物资需求数据更准确。
S5、根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
本发明实施例中，由于需求分解矩阵是以时间序列的形式构建的矩阵，因此，对于每个物资需求类别的物资需求预测数据，根据需求分解矩阵中时间对应的矩阵元素，能够对每个物资需求类别的物资需求进行预测，从而得到目标电力企业的物资需求预测数据。
本发明实施例中，所述根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据，包括：
计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据；
汇集每个所述物资需求类别数据的需求预测数据，得到所述目标电力企业的物资需求预测数据。
本发明实施例中，所述计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据，包括：
利用如下公式计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据：
其中，
为所述需求预测数据，
为所述需求分解矩阵的总列数,
为所述需求分解矩阵的第
列，
、
为所述需求分解矩阵在对应的物资需求类别数据第
个时间的第
个需求预测数据。
本发明实施例中，通过矩阵分解使得需求分解矩阵与需求数据矩阵相似，使得最终的需求预测数据更准确，进一步地提高目标电力企业物资需求预测数据的准确度。
本发明实施例通过获取预设时间段内的历史电力物资需求数据，并进行数据预处理，能够保证数据的时效性同时提高数据的准确度，提高后续计算的准确度；对标准需求数据进行分类，能够对需求数据进行细致地划分；利用预训练完成的时间序列模型对物资需求类别数据进行需求初始预测，能够初步得到每个物资需求类别数据的初始需求预测数据；再通过构建需求数据矩阵，进行矩阵分解，对每个需求类别的需求数据进行二次预测，得到最终的物资需求预测数据，有效地提高数据预测的准确度，实现对电力物资需求的精确预测。因此本发明提出的基于电力物资的需求智能分析方法，可以解决进行电力物资需求数据预测时准确度较低的问题。
如图3所示，是本发明一实施例提供的基于电力物资的需求智能分析***的功能模块图。
本发明所述基于电力物资的需求智能分析***100可以安装于电子设备中。根据实现的功能，所述基于电力物资的需求智能分析***100可以包括数据预处理模块101、需求分类模块102、初始预测模块103、矩阵分解模块104及需求预测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据预处理模块101，用于获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
所述需求分类模块102，用于对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
所述初始预测模块103，用于对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
所述矩阵分解模块104，用于构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
所述需求预测模块105，用于根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
详细地，本发明实施例中所述基于电力物资的需求智能分析***100中所述的各模块在使用时采用与上述图1至图2中所述的基于电力物资的需求智能分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图4所示，是本发明一实施例提供的实现基于电力物资的需求智能分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于电力物资的需求智能分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于电力物资的需求智能分析程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于电力物资的需求智能分析程序的代码等，还可以用于暂时的存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选的，用户接口还可以是标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当地称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理***与所述至少一个处理器10逻辑相连，从而通过电源管理***实现充电管理、放电管理，以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于电力物资的需求智能分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或***、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，***和方法，可以通过其他的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或***也可以由一个单元或***通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于电力物资的需求智能分析方法，其特征在于，所述方法包括：
获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
2.如权利要求1所述的基于电力物资的需求智能分析方法，其特征在于，所述对所述历史电力物资需求数据进行数据预处理，得到标准需求数据，包括：
分析所述历史电力物资需求数据的数据属性，根据所述数据属性对所述历史电力物资需求数据进行清洗，得到清洗电力物资数据；
识别所述清洗电力物资数据中的异常数据，对所述异常数据进行数据替换，得到标准需求数据。
3.如权利要求1所述的基于电力物资的需求智能分析方法，其特征在于，所述对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据，包括：
对所述标准需求数据进行哈希运算，得到所述标准需求数据的数据编码；
将所述数据编码与预设的编码类别对应关系相匹配，得到所述目标电力企业对应的需求类别数据。
4.如权利要求1所述的基于电力物资的需求智能分析方法，其特征在于，所述对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据，包括：
计算每个所述物资需求类别数据的数据分布，根据所述数据分布确定每个所述物资需求数据的趋势项；
利用傅里叶函数计算每个所述物资需求类别数据的季节周期规律，得到每个所述物资需求类别数据的季节项；
利用如下公式生成每个所述物资需求类别数据的季节周期规律：
其中，
为每个所述物资需求类别数据的季节周期规律，
为每个所述物资需求类别数据的季节周期时间，
为第
个物资需求类别数据，
为每个所述物资需求类别数据的总数，
、
为预设的平滑参数，
为预设的季节周期天数；
提取每个所述物资需求类别数据的节假日数据，根据所述节假日数据生成每个所述物资需求类别数据的节假日项；
将所述趋势项、所述季节项、所述节假日项以及预设的误差项相加，得到每个所述物资需求类别数据的初始需求预测数据。
5.如权利要求4所述的基于电力物资的需求智能分析方法，其特征在于，所述计算每个所述物资需求类别数据的数据分布，包括：
计算每个所述物资需求类别数据的数据均值及数据方差；
根据所述数据均值及数据方差计算平均需求数据，计算所述平均需求数据与每个所述物资需求类别数据中真实物资需求类别数据之间的标准差；
根据所述标准差构建物资需求类别数据分布正态函数，得到每个所述物资需求类别数据的数据分布。
6.如权利要求1所述的基于电力物资的需求智能分析方法，其特征在于，所述对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵，包括：
根据每个所述需求数据矩阵的行列数分别生成初始分解矩阵；
利用预设的目标函数对所述初始分解矩阵进行随机梯度下降法迭代，得到迭代分解矩阵；
利用如下的目标函数对所述初始分解矩阵进行随机梯度下降法迭代：
其中，
为目标函数，
为所述需求数据矩阵，
为每个所述需求数据矩阵的行与列，
为所述初始分解矩阵的总列数，
，
为初始分解矩阵，
为预设的正则系数；
利用均方误差计算所述迭代分解矩阵与所述需求数据矩阵之间的误差，直至所述误差小于预设的误差阈值，得到每个所述物资需求类别数据的需求分解矩阵。
7.如权利要求1所述的基于电力物资的需求智能分析方法，其特征在于，所述根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据，包括：
计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据；
利用如下公式计算所述需求分解矩阵对应的物资需求类别数据的需求预测数据：
其中，
为所述需求预测数据，
为所述需求分解矩阵的总列数,
为所述需求分解矩阵的第
列，
、
为所述需求分解矩阵在对应的物资需求类别数据第
个时间的第
个需求预测数据；
汇集每个所述物资需求类别数据的需求预测数据，得到所述目标电力企业的物资需求预测数据。
8.一种基于电力物资的需求智能分析***，其特征在于，所述***包括：
数据预处理模块，用于获取目标电力企业在预设时间段内的历史电力物资需求数据，对所述历史电力物资需求数据进行数据预处理，得到标准需求数据；
需求分类模块，用于对所述标准需求数据进行需求分类，得到所述目标电力企业对应的物资需求类别数据；
初始预测模块，用于对所述物资需求类别数据进行需求初始预测，得到每个所述物资需求类别数据的初始需求预测数据；
矩阵分解模块，用于构建每个所述初始需求预测数据的需求数据矩阵，对所述需求数据矩阵进行矩阵分解，得到每个所述物资需求类别数据的需求分解矩阵；
需求预测模块，用于根据所述需求分解矩阵计算所述目标电力企业的物资需求预测数据。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于电力物资的需求智能分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于电力物资的需求智能分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310068471.5A CN115796398A (zh) | 2023-02-06 | 2023-02-06 | 基于电力物资的需求智能分析方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310068471.5A CN115796398A (zh) | 2023-02-06 | 2023-02-06 | 基于电力物资的需求智能分析方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115796398A true CN115796398A (zh) | 2023-03-14 |
Family
ID=85430057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310068471.5A Pending CN115796398A (zh) | 2023-02-06 | 2023-02-06 | 基于电力物资的需求智能分析方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796398A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116207864A (zh) * | 2023-04-28 | 2023-06-02 | 佰聆数据股份有限公司 | 基于物联网实现低压台区下的电力设备控制方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376924A (zh) * | 2018-10-18 | 2019-02-22 | 广东电网有限责任公司 | 一种物资需求预测的方法、装置、设备及可读存储介质 |
| CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
-
2023
- 2023-02-06 CN CN202310068471.5A patent/CN115796398A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376924A (zh) * | 2018-10-18 | 2019-02-22 | 广东电网有限责任公司 | 一种物资需求预测的方法、装置、设备及可读存储介质 |
| CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 王竹君 等: "基于矩阵分解的电力物资需求预测" * |
| 苏新: "基于 Prophet-LSTM 组合模型的服装销售预测研究" * |
| 迪潘简·撒卡尔 等: "《Python机器学习实战 真实智能案例实践指南》", 机械工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116207864A (zh) * | 2023-04-28 | 2023-06-02 | 佰聆数据股份有限公司 | 基于物联网实现低压台区下的电力设备控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652278A (zh) | 用户行为检测方法、装置、电子设备及介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
| CN115796398A (zh) | 基于电力物资的需求智能分析方法、***、设备及介质 | |
| CN117319452B (zh) | 应用于硫酸钡制备下的安全巡检方法及*** | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
| CN116843150A (zh) | 基于智慧物联网的社区服务方法及*** | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
| CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN113704407B (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
| CN114238233A (zh) | 文件自动化清理方法、装置、设备及存储介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113627692A (zh) | 投诉量预测方法、装置、设备及存储介质 | |
| CN113743695A (zh) | 基于大数据的国际工程项目投标报价风险管理方法 | |
| CN115759875B (zh) | 一种公共资源交易的供应商分类分级管理方法及*** | |
| CN115796710B (zh) | 电力物资智能抽检方法、装置、电子设备及可读存储介质 | |
| CN114926214A (zh) | 基于模型构建的产品定价方法、装置、设备及存储介质 | |
| CN116029710A (zh) | 电费数据处理方法、装置、计算机设备和存储介质 | |
| CN117669810A (zh) | 一种多策略融合物料抽检方法 | |
| CN113673597A (zh) | 企业年报催报方法、装置、电子设备及计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230314 |
|
| RJ01 | Rejection of invention patent application after publication |