一种计量器具需求预测方法、系统、计算装置及存储介质制造方法及图纸

本发明专利技术公开了一种计量器具需求预测方法、系统、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，本发明专利技术通过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；本发明专利技术为优化电力物资库存管理、降低企业成本提供科学支撑。降低企业成本提供科学支撑。降低企业成本提供科学支撑。

【技术实现步骤摘要】
一种计量器具需求预测方法、系统、计算装置及存储介质


[0001]本专利技术涉及计量器具需求预测
，更具体的是涉及一种计量器具需求预测方法、系统、计算装置及存储介质


技术介绍

[0002]计量器具需求预测是指通过系统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。
[0003]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。

技术实现思路

[0004]本专利技术的目的在于：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，本专利技术提供一种计量器具需求预测方法、系统、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。
[0005]本专利技术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：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]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P
an
；具体需求预测步骤如下：
[0011]A1：采集计量器具历史订单数据，并进行数据预处理；
[0012]A1.1：采集MDS系统或SG186系统中“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；
[0013]A1.2：历史数据矩阵中，每列数据构成一个列向量每行的最小值数据和最大值数据分别构成列向量对矩阵中的数据进行归一化预处理，将原始数据归一到[0，1]之间，得到归一化后的数据每一列向量归一化公式如下：
[0014][0015]将归一化后的列向量按顺序拼接构成归一化后的历史数据矩阵X
′
；
[0016]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；
[0017]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；
[0018]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：
[0019][0020][0021]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、W
f
、W
r
、b
f
、b
r
；
[0022]A2.3：输入测试集X
′2，对于当前时刻输入数据X
t
，计算其在网络中的遗忘信息程度f
t
，计算公式为：
[0023]f
t
＝σ(W
f
X
t
+b
f
)
ꢀꢀꢀꢀꢀꢀ
(4)
[0024]A2.4：确定所要更新的信息
[0025]A2.5：确定更新信息程度r
t
＝σ(W
r
X
t
+b
r
)；
[0026]A2.6：根据上一时刻细胞状态C
t
‑1、遗忘信息程度f
t
、所需更新信息计算当前新形成的细胞状态C
t
，计算公式如下：
[0027][0028]A2.7：根据当前细胞状态C
t
、更新程度r
t
、当前输入X
t
，计算当前时刻输出h
t
，计算公式如下：
[0029]h
t
＝r
t
tanh(c
t
)+(1
‑
r
t
)X
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0030]因此SRU的内部信息传递只有当前时刻输入X
t
参与运算，当前时刻输出h
t
的计算并不依赖前一时刻输出h
t
‑1，该结构使得SRU可完成独立化的并行运算；
[0031]A2.8：得到不本文档来自技高网...

【技术保护点】

【技术特征摘要】
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P
an
；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系统或SG186系统中“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；A1.2：历史数据矩阵中，每列数据构成一个列向量每行的最小值数据和最大值数据分别构成列向量对矩阵中的数据进行归一化预处理，将原始数据归一到[0，1]之间，得到归一化后的数据每一列向量归一化公式如下：将归一化后的列向量按顺序拼接构成归一化后的历史数据矩阵X
′
；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：id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、W
f
、W
r
、b
f
、b
r
；A2.3：输入测试集X
′2，对于当前时刻输入数据X
t
，计算其在网络中的遗忘信息程度f
t
，计算公式为：f
t
＝σ(W
f
X
t
+b
f
)
ꢀꢀꢀꢀꢀꢀ
(4)
A2.4：确定所要更新的信息A2.5：确定更新信息程度r
t
＝σ(W
r
X
t
+b
r
)；A2.6：根据上一时刻细胞状态C
t
‑1、遗忘信息程度f
t
、所需更新信息计算当前新形成的细胞状态C
t
，计算公式如下：A2.7：根据当前细胞状态C
t
、更新程度r
t
、当前输入X
t
，计算当前时刻输出h
t
，计算公式如下：h
t
＝r
t
tanh(c
t
)+(1
‑
r
t
)X
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)因此SRU的内部信息传递只有当前时刻输入X
t
参与运算，当前时刻输出h
t
的计算并不依赖前一时刻输出h
t
‑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P
an
。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P
an
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、计量器具成本价格、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,...,x
n
}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，x
i
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d
min
，公式如下：d
min
＝min||X
‑
c
i
(k)||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式(8)中，c
i
(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x
i
与训练样本中心c
i
(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d
min
；A3.5：利用均值法调整中心c
i
，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d
min
，再进一步调整c
i
，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；
A3.6：根据式确定高斯函数标准化常数δ；A3.7：根据输入层节点数8，输出层节点数1，隐含层节点数8的RBF神经网络结构，隐含层的激活函数为高斯函数，即隐含层节点的输出函数输出函数可在步骤A3.2～步骤A3.6的基础上进行计算；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w
ij
，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P
aj
＝y
j
；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P
an
。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...

【专利技术属性】
技术研发人员：张羽，舒永生，赵莉，欧习洋，黄磊，王奕，周游，李刚，孙恺霞，邓红梅，吕梁，贺业梅，
申请(专利权)人：国家电网有限公司山东鲁软数字科技有限公司，
类型：发明
国别省市：