【技术实现步骤摘要】
本专利技术属于物资管控领域，尤其涉及一种特高压工程物资融合管控方法及系统。
技术介绍
1、需求预测是物资管控、库存决策的基础，基于需求预测的库存决策具有综合性、动态性等特点，可以用来解决新型市场环境下的多种库存问题。
2、库存决策是为企业生产服务的，主要任务是根据企业生产计划制定订货策略、确定库存水平，以实现对企业工程物资的管控。
3、安全库存是企业在生产管理中，为防止物料供应或需求的不确定性因素而设置的一种缓冲库存。企业可以使用安全库存经典公式来计算物料的安全库存。
4、目前，在确定安全库存经典公式中的物料的平均日需求量时，现有技术通常是将物料在过去的一段时间(比如20天或30天)内的平均用量，直接作为物料的平均日需求量，而未有效考虑到物料用量的波动性和趋势性，导致预测物料安全库存的准确性低，会影响工程企业对物资管控的工作。
技术实现思路
1、本专利技术实施例的目的在于提供一种特高压工程物资融合管控方法及系统，旨在解决上述
技术介绍
中所提出的技术问题。
2、为实现上述目的，本专利技术提供了如下的技术方案。
3、第一方面，本专利技术的一个实施例提供了一种特高压工程物资融合管控方法，该方法包括：
4、获取电力企业目标物资的历史工程数据，历史工程数据包括用量数据和用量影响因素；
5、将历史工程数据划分为训练样本和验证样本，基于训练样本利用机器学习算法生成工程物资用量预测模型，利用验证样本对工程物资用量预测
6、将当前目标物资的实时库存数据输入修正后的工程物资用量预测模型，得到目标物资的预测结果，基于预测结果对电力企业目标物资进行管控。
7、作为本专利技术进一步的方案，所述获取电力企业目标物资的历史工程数据的步骤包括：
8、获得多个物资在历史时段内用量数据的时间序列数据；
9、基于各物资的时间序列数据，对各物资进行聚类，确定至少一个物资簇，各物资中均至少包括一个物资；
10、分别确定各物资簇对应的历史工程数据。
11、作为本专利技术进一步的方案，将历史工程数据划分为训练样本和验证样本，基于训练样本利用机器学习算法生成工程物资用量预测模型的步骤包括：
12、按照70％：30％的比例使将历史工程数据划分为训练样本和验证样本，基于训练样本对相应的机器学习算法进行训练，获得物资簇对应的工程物资用量预测模型。
13、作为本专利技术方案的进一步限定，基于各物资的时间序列数据，对各物资进行聚类的步骤包括：
14、分别对各物资的时间序列数据进行归一化处理，获得各物资的归一化时间序列数据；
15、基于各物资的归一化时间序列数据，对各物资进行聚类。
16、作为本专利技术进一步的方案，基于训练样本对相应的机器学习算法进行训练的步骤包括：
17、将训练样本用量影响因素输入待训练的rbf神经网络中，得到训练样本对应的预测用量数据；
18、将预测用量数据与训练样本的用量数据进行匹配，计算物资用量差额系数；
19、在物资用量差额系数不小于预设系数时，优化修改rbf神经网络中的模型参数，直至物资用量差额系数小于预设系数，得到rbf神经网络模型。
20、作为本专利技术进一步的方案，基于训练样本k得到rbf神经网络模型的输出表示为mrbf(k)，其中：
21、
22、
23、其中，βt表示径向基激活函数；αzt表示隐含层节点t到输出层节点z之间的连接权值，σt表示径向基激活函数的拓展常数；et表示隐藏层神经元的中心参数；x(k)表示训练样本k中用于模型输入的用量影响因素。
24、作为本专利技术进一步的方案，利用粒子群算法优化rbf神经网络模型的步骤，优化步骤包括：
25、设定rbf神经网络模型的宽度为粒子群算法的粒子；
26、在允许范围内，对粒子的速度和位置进行随机设置；
27、计算粒子适应度值，通过对比粒子适应度值，迭代更新粒子当前最优位置以及全局最优位置；
28、在每次迭代过程中，粒子通过个体极值和群体极值更新粒子自身的速度和位置；
29、在达到最大迭代次数或者最佳适应度值的增量小于预定阈值时，终止迭代，得到最优的rbf神经网络模型的宽度。
30、作为本专利技术进一步的方案，粒子通过个体极值和群体极值更新粒子自身的速度和位置的计算公式为：
31、
32、
33、其中，ω表示惯性权重，表示当前粒子在搜索空间中的历史最优位置；表示为粒子群在搜索空间中的历史最优位置；s表示当前迭代次数，表示为当前粒子的速度；c1和c2均表示加速常数，r1和r2均表示两个相互独立的随机数，且r1∈[0,1]，r2∈[0,1]；表示当前粒子在搜索空间中的坐标。
34、作为本专利技术进一步的方案，所述方法还包括对用量数据和用量影响因素进行相关性分析，该相关性分析步骤包括：
35、设定用量数据数组x1，设定用量影响因素数组y1；
36、计算相关性系数：
37、其中，cov(x1，x2)表示数组x1与数组y1之间的协方差；d(x1)表示数组x1的方差；d(y1)表示数组y1的方差；ρ(x1，y1)表示数组x1与数组y1之间相关性系数；相关性系数的绝对值越大，表明数组x1与数组y1的关联性越强。
38、第二方面，本专利技术的另一个实施例提供了一种特高压工程物资融合管控系统，该管控系统包括：
39、数据处理模块，用于获取电力企业目标物资的历史工程数据，历史工程数据包括用量数据和用量影响因素；
40、模型训练优化模块，用于将历史工程数据划分为训练样本和验证样本，基于训练样本利用机器学习算法生成工程物资用量预测模型，利用验证样本对工程物资用量预测模型的参数进行修正，得到修正后的工程物资用量预测模型；
41、物资用量预测模块，用于将当前目标物资的实时库存数据输入修正后的工程物资用量预测模型，得到目标物资的预测结果，基于预测结果对电力企业目标物资进行管控。
42、与现有技术相比，本专利技术特高压工程物资融合管控方法及系统的有益效果是：
43、第一，本专利技术通过对特高压工程中目标物资的历史用量等数据进行归一化处理，根据各物资的用量的内在相似性对各物料进行聚类，基于聚类后的数据再进行预测模型的训练，可以有效提高工程中目标物资用量的预测效率；
44、第二，本专利技术的特高压工程物资需求预测模型的训练过程中，利用粒子群算法优化rbf神经网络模型的最佳宽度参数，明显提高了模型运行的速度，且利用最佳宽度参数能够显著提高工程物资用量预测模型的准确性；
45、第三，本专利技术还通过对工程物资的用量数据和用量影响因素进行相关性分析，以把样本数据中的用量影响因素进行精简本文档来自技高网...
【技术保护点】
1.一种特高压工程物资融合管控方法，其特征在于，该方法包括：
2.根据权利要求1所述的特高压工程物资融合管控方法，其特征在于，所述获取电力企业目标物资的历史工程数据的步骤包括：
3.根据权利要求2所述的特高压工程物资融合管控方法，其特征在于，将历史工程数据划分为训练样本和验证样本，基于训练样本利用机器学习算法生成工程物资用量预测模型的步骤包括：
4.根据权利要求3所述的特高压工程物资融合管控方法，其特征在于，基于各物资的时间序列数据，对各物资进行聚类的步骤包括：
5.根据权利要求4所述的特高压工程物资融合管控方法，其特征在于，基于训练样本对相应的机器学习算法进行训练的步骤包括：
6.根据权利要求5所述的特高压工程物资融合管控方法，其特征在于，基于训练样本k得到RBF神经网络模型的输出表示为MRBF(k)，其中：
7.根据权利要求6所述的特高压工程物资融合管控方法，其特征在于，所述利用粒子群算法优化RBF神经网络模型的步骤，优化步骤包括：
8.根据权利要求7所述的特高压工程物资融合管控方法，其特征在
9.根据权利要求6-8任一项所述的特高压工程物资融合管控方法，其特征在于，所述方法还包括对用量数据和用量影响因素进行相关性分析，该相关性分析步骤包括：
10.一种用于实现如权利要求1-9任一项所述特高压工程物资融合管控方法的系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种特高压工程物资融合管控方法，其特征在于，该方法包括：
2.根据权利要求1所述的特高压工程物资融合管控方法，其特征在于，所述获取电力企业目标物资的历史工程数据的步骤包括：
3.根据权利要求2所述的特高压工程物资融合管控方法，其特征在于，将历史工程数据划分为训练样本和验证样本，基于训练样本利用机器学习算法生成工程物资用量预测模型的步骤包括：
4.根据权利要求3所述的特高压工程物资融合管控方法，其特征在于，基于各物资的时间序列数据，对各物资进行聚类的步骤包括：
5.根据权利要求4所述的特高压工程物资融合管控方法，其特征在于，基于训练样本对相应的机器学习算法进行训练的步骤包括：
6.根据权利要求5所述的特...
【专利技术属性】
技术研发人员：王新辉，孔维莉，周杨，王晶，林松，颜静，王琦，刘占宏，王娅楠，郭付翔，雷宏，刘明，陆胜鹰，易文珠，董鉥涛，王向上，李春林，
申请(专利权)人：北京洛斯达科技发展有限公司，
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。