一种电力物资需求预测方法和相关产品技术

本申请涉及一种电力物资需求预测方法和相关产品

【技术实现步骤摘要】
一种电力物资需求预测方法和相关产品


[0001]本申请涉及数据处理
，特别是涉及一种电力物资需求预测方法和相关产品
。

技术介绍

[0002]随着电网公司信息化
、
智能化管理水平的不断提高，电网公司对于电力物资管理提出了更高的要求，从而地，如何提高电力物资在未来时间周期内的需求量的预测准确性成为电网公司急需解决的问题
。
[0003]目前，传统的物资需求量预测，可以通过回归分析
、
时间序列分析
、
支持向量机
(SVM)
预测模型等方法实现，然而，电力物资不同于其他类型物资，电力物资的需求种类多，采购周期长，受政策性因素影响较大，若采用对于其他类型物资的需求量预测方法来预测电力物资需求量，显然地，将难以提高对于电力物资需求量的预测准确度
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高对于电力物资在未来时间周期内的需求量的预测准确性的电力物资需求预测方法
、
装置
、
计算机设备
、
计算机可读存储介质和计算机程序产品
。
[0005]第一方面，本申请提供了一种电力物资需求预测方法
。
所述方法包括：
[0006]接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；
[0007]按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取目标电力物资对应的目标需求量影响因素；
[0008]将目标需求量影响因素输入电力物资需求预测模型中，得到目标需求量；电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，
PSO
算法用于确定
BP
神经网络的网络权重值，
GA
算法用于确定
BP
神经网络中对应有目标适应度的测试误差值，预设的电力物资与需求量影响因素之间的映射关系是通过
GA
算法部分确定的；
[0009]推送目标需求量
。
[0010]第二方面，本申请还提供了一种电力物资需求预测装置
。
所述装置包括：
[0011]接收模块，用于接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；
[0012]确定模块，用于按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取目标电力物资对应的目标需求量影响因素；
[0013]输入模块，用于将目标需求量影响因素输入电力物资需求预测模型中，得到目标需求量；电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，
PSO
算法用于确定
BP
神经网络的网络权重值，
GA
算法用于确定
BP
神经网络中对应有目标适应度的测试误差值，预设的电力物资与需求量影响因素之间的映射关系是通过
GA
算法部分
确定的；
[0014]推送模块，用于推送目标需求量
。
[0015]第三方面，本申请还提供了一种计算机设备
。
所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0016]接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；
[0017]按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取目标电力物资对应的目标需求量影响因素；
[0018]将目标需求量影响因素输入电力物资需求预测模型中，得到目标需求量；电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，
PSO
算法用于确定
BP
神经网络的网络权重值，
GA
算法用于确定
BP
神经网络中对应有目标适应度的测试误差值，预设的电力物资与需求量影响因素之间的映射关系是通过
GA
算法部分确定的；
[0019]推送目标需求量
。
[0020]第四方面，本申请还提供了一种计算机可读存储介质
。
所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0021]接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；
[0022]按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取目标电力物资对应的目标需求量影响因素；
[0023]将目标需求量影响因素输入电力物资需求预测模型中，得到目标需求量；电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，
PSO
算法用于确定
BP
神经网络的网络权重值，
GA
算法用于确定
BP
神经网络中对应有目标适应度的测试误差值，预设的电力物资与需求量影响因素之间的映射关系是通过
GA
算法部分确定的；
[0024]推送目标需求量
。
[0025]第五方面，本申请还提供了一种计算机程序产品
。
所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0026]接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；
[0027]按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取目标电力物资对应的目标需求量影响因素；
[0028]将目标需求量影响因素输入电力物资需求预测模型中，得到目标需求量；电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，
PSO
算法用于确定
BP
神经网络的网络权重值，
GA
算法用于确定
BP
神经网络中对应有目标适应度的测试误差值，预设的电力物资与需求量影响因素之间的映射关系是通过
GA
算法部分确定的；
[0029]推送目标需求量
。
[0030]上述电力物资需求预测方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品，接收预测请求，预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；按照预设的电力物资与需求量影响因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力物资需求预测方法，其特征在于，所述方法包括：接收预测请求，所述预测请求用于请求预测目标电力物资在目标时间周期内对应的目标需求量；按照预设的电力物资与需求量影响因素之间的映射关系，确定并获取所述目标电力物资对应的目标需求量影响因素；将所述目标需求量影响因素输入电力物资需求预测模型中，得到所述目标需求量；所述电力物资需求预测模型基于
GA
算法
、BP
神经网络以及
PSO
算法进行构建得到，其中，所述
PSO
算法用于确定所述
BP
神经网络的网络权重值，所述
GA
算法用于确定所述
BP
神经网络中对应有目标适应度的测试误差值，所述预设的电力物资与需求量影响因素之间的映射关系是通过所述
GA
算法部分确定的；推送所述目标需求量
。2.
根据权利要求1所述的方法，其特征在于，所述方法还包括：构建训练
BP
神经网络；将训练电力物资对应的训练影响因素输入所述训练
BP
神经网络中，得到所述训练电力物资对应的训练需求量；将所述训练需求量与所述训练电力物资对应的测试数据集进行匹配，得到训练误差度；在所述训练误差度大于或等于第一预设误差度时，修改所述训练
BP
神经网络中的网络权重值，直至所述训练误差度小于所述第一预设误差度，得到第二
BP
神经网络；将所述训练误差度作为
GA
算法中的训练适应度，以基于所述训练影响因素和所述训练适应度，确定出对应的训练适应度小于第二预设误差度的需求量影响因素；所述第二预设误差度小于所述第一预设误差度；所述需求量影响因素为所述训练影响因素中的部分或全部；确定包括所述需求量影响因素作为模型输入参数的第二
BP
神经网络为所述电力物资需求预测模型
。3.
根据权利要求2所述的方法，其特征在于，所述修改所述训练
BP
神经网络中的网络权重值，包括：将所述训练影响因素作为
PSO
算法中的粒子群，以对所述训练影响因素进行
PSO
算法流程处理；在所述对所述训练影响因素进行所述
PSO
算法流程处理达到预设终止条件时，修改所述训练
BP
神经网络中的网络权重值
。4.
根据权利要求2所述的方法，其特征在于，所述将所述训练误差度作为
GA
算法中的训练适应度，以基于所述训练影响因素和所述训练适应度，确定出对应的训练适应度小于第二预设误差度的需求量影响因素，包括：将所述训练误差度作为所述
GA

【专利技术属性】
技术研发人员：黄子琦，张学忠，汪伟，谢阳阳，林芃征，曾意，章博文，郑狄生，陈达，麦国阳，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：