【技术实现步骤摘要】
本专利技术涉及电力大数据分析处理，具体涉及一种基于投资比率和时序算法的电网业扩物资需求预测方法。
技术介绍
1、由于在电网业扩物资供应方面，电网物资类型繁多、小批量供货频繁、需求不确定性高等因素，导致部分工程仍存在开工多天无物资领用或需求物资紧缺问题，影响业务开展及工程进度。
2、电网物资需求预测和库存管理是电力系统运行的重要组成部分。近年来，随着数据科学和机器学习的发展，许多新的预测和管理方法被提出。
3、国外在物资需求预测技术研究方面起步较早，首先发展起来的是物资管理方面，进一步发展到物资需求预测方面。在这一时期内，人们开始逐渐重视物资管理中的组织和职能，并对其进行更加深入的研究，与之关联的物资需求预测方面、采购功能方面以及存货理论等方面的研究也在不断发展。在这期间，产生了像分类法、全寿命周期成本与采购经济批量法等许多先进的数学模式和现代化方法，并且应用广泛。而其中，在物资需求计划管理方面，许多学者做过深入研究，提出了许多注重实践应用性的理论。monahan在1984年发表的《aquantity discount pricing model to increase vendor profits》指出除垄断行业外，其他行业中供应商和采购商都是多家的并且充满竞争的，在某一行业中几乎不存在单一的供应商或采购商。并且从供应商的角度研究了一系列算法，包括最优的数量折扣定价方式、订货数量等算法；国外对电网物资需求预测和库存管理做出了重要的贡献。许多公认的预测模型，如自适应指数平滑模型、box-jenkins ar
4、目前，国内在物资管理方面的理论研究已有很多，对于电力企业物资管理的相关研究也在逐渐展开，但针对电力企业的物资需求计划体系的理论研究还比较少，尤其是电力企业属于较为特殊的行业，并且其物资管理体系较为复杂，涉及的层面较为广泛，与发电、供电、建网各个息息相关，与电力设备的生产厂商及供应商密不可分，在强调现代大型企业物资管理的基础上，提高资产利用率、降低企业运营成本、提高企业服务水平也越来越受到企业管理者的重视。国内对电网物资需求预测和库存管理的研究正在逐渐深入。目前普遍使用的预测方法主要包括移动平均模型、指数平滑模型和灰色预测模型等。与此同时，也有研究者开始关注并运用一些新的预测技术，如svm(支持向量机)和bp神经网络等。在库存管理方面，除了传统的abc分析法，也有研究者提出了改进的多层次物资分类方法。在更宏观的层面，目前国内正在积极推进电力系统的数字化转型，以期进一步提升电网物资需求预测和库存管理的效率和精确度。
5、电网物资需求预测和库存管理利用大数据、云计算、物联网等现代信息技术，实现对电网物资的精准预测和智能管理。中国专利《业扩物资需求预测系统及方法》(申请号：202011241803.8；申请公布日：2021.02.05)公开了一种业扩物资需求预测方法。随着可再生能源和储能技术的发展，电网物资的需求预测和库存管理面临新的挑战。在不断丰富和完善现有的预测和管理模型和算法的基础上，需要更具预测准确性和实时性的新型预测和管理系统。
技术实现思路
1、本专利技术目的是提供一种基于投资比率和时序算法的电网业扩物资需求预测方法，支撑物资需求的精准管控，提升物资需求提报效率和准确性，为仓库库存精益化管控、改善物资积压、提升物资周转率提供强有力支撑。
2、为了实现以上目的，本专利技术采用的技术方案为：一种基于投资比率和时序算法的电网业扩物资需求预测方法，包括如下步骤：
3、1)、数据准备及预处理：采集所需数据，包括业扩档案信息、业扩工程信息、库存情况信息；完成采集数据的汇总和清洗工作，包括异常值清洗，缺失值填充，对数据进行整合处理；
4、2)、建模分析：开展基于大数据分析的物资需求预测、物资动态补库建模和统计分析工作，开展建模技术与具体场景的适配性分析，完成大数据模型构建及迭代优化；
5、2.1)、基于物资采购投资比率的物资需求预测模型：以年度总投资额与物资采购总金额之间的比例关系凝练为物资采购投资比率这一指标信息，表征业扩投资与物资采购资金的相对关系；
6、2.2)、采用基于holt-winters等时序预测算法的方法构建预测模型；
7、采用holt-winters算法来构建月度物资需求时序预测模型,详细的采用下述公式：
8、s0＝x0
9、
10、si＝α(xi/pi-k)+(1-α)(si-1+ti-1)
11、ti＝β(si-si-1)+(1-β)ti-1
12、pi＝γ(xi/si)+(1-γ)pi-k
13、预测公式如下：
14、fi+h＝(si+hti)pi-k+h+(h-1)modk
15、xk+1表示第二个周期的第一个月度需求数据，x2k表示第二个周期最后一个月度需求数据，时序水平统计值si表示周期内物资需求序列的总体水平,时间趋势统计量ti表示周期内的物资需求序列的趋势，pi表示序列的周期性参数，i表示月度时间，k是物资需求序列季节性周期的长度，h是预测步数的长度，其中α是数据平滑因子，0＜α＜1；β是趋势平滑因子，0＜β＜1；γ是季节改变平滑因子，0＜γ＜1；
16、α,β,γ的值都位于[0,1]之间，采用均方根误差(rmse)来做模型拟合逼近的损失函数的方式更新这三个参数：
17、
18、从而使模型收敛后的均方根误差在可接受范围内，然后拟合好的模型进行预测未来几个月的数据，得到的数据与真实值相比；
19、2.3)、物资动态补库模型构建。
20、进一步的，步骤2.1)包括：
21、2.1.1)、物资采购投资比率计算：
22、首先汇总近几年各种业扩物资的采购总金额和业扩总投资，计算各种物资采购金额与总投资的比率iij:
23、iij＝aij/bi
24、其中i表示业扩所属年份，j表示业扩物资，aij表示近几年每年的各种物资采购金额，bi表示历史几年每年的总投资；
25、2.1.2)、比率平稳性分析
26、针对计算得出的近几年每年的各种业扩物资采购金额aij与总预算bi的比例iij，判断几年的业扩物资采购与投资占比是否平稳，引用检验平稳性的变异系数，其公式如下：
27、
28、其中cj表示某种物资的平稳性变异系数，σj表示历史几年某种物资的占比标准差，表示近几年某种物资的占比均值；
29、计算每类物资近几年物资采购投资比率值的标准差和均值；
30、2.1.3)、模型构建及预测：
31、计算未本文档来自技高网...
【技术保护点】
1.一种基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.1)包括：
3.根据权利要求1所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.3)中依据两种模型分别预测未来一年的各月的各种业扩物资需求，得出各个月的物资需求预测量后，结合补库策略计算各月物资的补库量，核心是在每个需求月的补库时间检查库存水平，并根据每月需求预测、安全库存、当月初库存水平来决定补货量；计算流程通过以下参数表示：
4.根据权利要求1所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.2)的算法替换为ARIMA或者LSTM构建模型。
5.根据权利要求1或3所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.3)后具体执行步骤2.4)、仓库自动分配：首先从原始的采购到货及领用物资数据宽表中提取当地位置信息，仓库，物资，删除有缺失值的行，并汇总成物料-当地-仓库数据，生成多
...【技术特征摘要】
1.一种基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.1)包括：
3.根据权利要求1所述的基于投资比率和时序算法的电网业扩物资需求预测方法，其特征在于，步骤2.3)中依据两种模型分别预测未来一年的各月的各种业扩物资需求，得出各个月的物资需求预测量后，结合补库策略计算各月物资的补库量，核心是在每个需求月的补库时间检查库存水平，并根据每月需求预测、安全库存...
【专利技术属性】
技术研发人员：胡波，安海军，史雷，时娟，孙道盛，沈继芳，高莲君，罗希亮，苏雯，樊斌，王新儒，王毅，张娟，李雪，何方，王治利，于伟，王晓强，
申请(专利权)人：国网甘肃省电力公司兰州供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。