一种电力配网建设物资需求预测方法，包括步骤：获取历史项目预设属性的参数和各种历史项目物资使用量，将所述各种历史项目物资使用量标准化到预设范围内；根据所述历史项目预设属性的参数、标准化的各种历史项目物资使用量和预设隐含节点数，采用极限学习机构建预测模型，根据所述预测模型确定隐含节点权重参数矩阵；获取待测项目预设属性的参数，根据所述隐含节点权重参数矩阵和所述待测项目预设属性的参数，采用所述预测模型确定对应待测项目物资使用量的预测值，按标准化对应比例还原所述预测值，确定对应待测项目物资使用量。根据方法提供了相应的装置。本方案实现对多种物资用量同时预测，模型简单，兼顾关联性。
【技术实现步骤摘要】
本专利技术涉及预测方法，特别是涉及电力配网建设物资需求预测方法及装置。
技术介绍
物资管理作为现代企业的第三个利润源泉，日益成为企业战略的重要组成部分，成为提高企业经营效益、增强核心竞争力的重要力量。而对于物资密集型的企业(如电力企业)，物资管理的重要与迫切性便更为突出。物资需求预测是根据历史的物资使用数据，利用数据挖掘方法，发现物资使用内在规律，指导企业在未来的物资投入与使用(如采购、物流、存储、领用等)，减少人力、物力、财力的浪费，提高企业效益的重要方法，是物资管理的 重要内容之一。电力配网生产物资需求量大，且种类繁多。根据配网物资管理要求，每年开展物资需求预测工作，传统做法是由下至上的工作模式下层机构调研、统计、估算、上报，上层机构审批、汇总、生成总体需求。从组织到收集,从审核到汇总,耗费大量人力物力,层层上报，审核工作量大，生成需求时间周期长，无法对多种物资同时进行预测，对配网生产的物资购置，设备存储，物资领用等各生产环节产生不利影响，制约电力配网生产项目的高效高质建设。对此，为了提高物资需求申报的速度、节省人力物力、实现对多种物资同时预测，保证配网生产物资使用及时得当，保证供应商按时按量供货，保证配网建设顺利进行，迫切需要一种针对多种电力配网物资需求的预测的方法。随着机器学习方法不断发展，目前多种预测方法(如BP神经网络，SVM，各类回归模型等)都应用于大量的不同预测场景，但对于电力配网建设物资需求预测还是鲜见的。配网生产物资需求量大，且种类繁多，而且不同物资之间的使用并不是完全独立的关系，所以运用通常的回归方法(如logistic回归，多元线性回归等)无法实现多种物资同时预测，忽略了多种物资使用之间的关联性，从而无法满足电力配网物资的需求预测工作。而BP神经网络或支持向量机(SVM)等模型其模型复杂度高，训练时间长，需要人工设置的参数多而杂，不利于电力配网物资需求预测的模型的固化与扩展。
技术实现思路
基于此，有必要针对实现多种物资同时预测的问题，提供一种电力配网建设物资需求预测方法及装置。—种电力配网建设物资需求预测方法，包括步骤获取历史项目预设属性的参数和各种历史项目物资使用量，将所述各种历史项目物资使用量标准化到预设范围内；根据所述历史项目预设属性的参数、所述标准化的各种历史项目物资使用量和预设隐含节点数，采用极限学习机构建预测模型，根据所述预测模型确定隐含节点权重参数矩阵；获取待测项目预设属性的参数，根据所述隐含节点权重参数矩阵和所述待测项目预设属性的参数，采用所述预测模型确定对应待测项目物资使用量的预测值，按标准化对应比例还原所述预测值，确定对应待测项目物资使用量。上述电力配网建设物资需求预测方法，采用极限学习机构建预测模型，实现对多种物资用量同时预测，模型简单，训练快速，兼顾物资之间的关联性。一种电力配网建设物资需求预测装置，包括预处理模块，用于获取历史项目预设属性的参数和各种历史项目物资使用量，将所述各种历史项目物资使用量标准化到预设范围内；建模模块，用于根据所述历史项目预设属性的参数、所述标准化的各种历史项目物资使用量和预设隐含节点数，采用极限学习机构建预测模型，根据所述预测模型确定隐含节点权重参数矩阵； 预测模块，获取待测项目预设属性的参数，根据所述隐含节点权重参数矩阵和所述待测项目预设属性的参数，采用所述预测模型确定对应待测项目物资使用量的预测值，按标准化对应比例还原所述预测值，确定对应待测项目物资使用量。上述电力配网建设物资需求预测方法，建模模块采用极限学习机构建预测模型，实现对多种物资用量同时预测，模型简单，训练快速，兼顾物资之间的关联性。附图说明图I为本专利技术电力配网建设物资需求预测方法实施例一的流程示意图；图2为本专利技术电力配网建设物资需求预测方法实施例二的流程示意图；图3为本专利技术电力配网建设物资需求预测方法实施例三的流程示意图；图4为本专利技术电力配网建设物资需求预测装置的结构示意图。具体实施例方式以下针对本专利技术电力配网建设物资需求预测方法及装置的各实施例进行详细描述。首先针对电力配网建设物资需求预测方法进行描述。实施例一参见图1，是本专利技术电力配网建设物资需求预测方法实施例一的流程示意图，包括步骤步骤SlOl :获取历史项目预设属性的参数和各种历史项目物资使用量，将各种历史项目物资使用量标准化到预设范围内；步骤S102 :根据历史项目预设属性的参数、标准化的各种历史项目物资使用量和预设隐含节点数，采用极限学习机构建预测模型，根据预测模型确定隐含节点权重参数矩阵；步骤S103 :获取待测项目预设属性的参数，根据隐含节点权重参数矩阵和待测项目预设属性的参数，采用预测模型确定对应待测项目物资使用量的预测值，按标准化对应比例还原预测值，确定对应待测项目物资使用量。首先获取历史项目预设属性的内容和历史项目物资使用量，预设属性可以为地市局信息、电压等级、预计完成期限、概算金额等。预设属性可以为其中的一个或多个。为了方便计算，对历史物资同种使用量进行单位的统一。把历史项目物资使用量进行标准化处理。所谓标准化处理，是指将每项历史项目物资使用量缩小或放大到预设范围。其中，预设范围可以为。进一步地，可以按照物资目录对历史物资进行分类和物资用量的汇总。物资目录可以为一级物资目录、二级物资目录等，具体根据需要设定。例如按照电网一级物资目录，对历史物资进行分类和物资用量的汇总。因为细类的物资种类太多，多于6000多种，直接预测准确率不高且实际的意义可能不大。故本专利技术将细类物资按统一的一级物资目录进行汇总，汇总后物资种类大大缩小，比如有60种。这样更宏观地进行预测，可以更准确地得到大类物资的用量。本专利技术使用的单隐层前馈神经网络(single hidden layer feed forwardnetworks, SLFNs)为极限学习机(Extreme Learning Machines,简称ELM),来构建配网项目物资需求预测模型。 ELM模型在学习阶段主要学习两种参数，一种是激励函数G的内部参数=1，...，0，第二种是隐含层节点数匕当apbji = I,. . . , L)通过一个均值为O方差为I的简单高斯分布随机取得时，ELM可以以接近O误差地拟合训练数据，所以，在学习阶段，a^b^i = I,. . . , L)参数可随机获取。隐藏层节点数的学习方面，模型在验证集上的加权准确率随着隐含层节点数的增加不断增加，但当隐含层节点数到达400点后加权准确率的增加并不显著，且模型训练时间随着隐藏层节点数的增加呈指数级的增加，主要因为求矩阵逆/伪逆的运算时间受隐藏层节点数的影响是指数级的。因此本专利技术在训练ELM时预设隐含节点数设为400，但随着日后的训练数据的增加，会适当增加隐藏节点数。当然，也可以根据需要设为其他值。给定一个包含N个项目样本的M维目标预测物资的训练数据集{*，吋，其中M为物资种类，Xi = T e Rn为项目样本i的预设属性，ti = T e rm,并且O彡彡1，j=l,...，M对应于该项目样本在M维物资的使用量，可以为数量、重量或金额等。当模型中使用量是用的数量时，预测时只能预测数量，当模型中使用量是用的金额时，预测时只能预测金额。可以同时对多种目标进行预测，比如同时对本文档来自技高网...
【技术保护点】
一种电力配网建设物资需求预测方法，其特征在于，包括步骤：获取历史项目预设属性的参数和各种历史项目物资使用量，将所述各种历史项目物资使用量标准化到预设范围内；根据所述历史项目预设属性的参数、所述标准化的各种历史项目物资使用量和预设隐含节点数，采用极限学习机构建预测模型，根据所述预测模型确定隐含节点权重参数矩阵；获取待测项目预设属性的参数，根据所述隐含节点权重参数矩阵和所述待测项目预设属性的参数，采用所述预测模型确定对应待测项目物资使用量的预测值，按标准化对应比例还原所述预测值，确定对应待测项目物资使用量。
【技术特征摘要】
【专利技术属性】
技术研发人员：杨晶晶，李隽，齐志刚，金波，杨骏伟，廖红，杨灿魁，
申请(专利权)人：广东电网公司，
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。