CN104573877A - 配电网设备需求量预测和定量方法及其系统 - Google Patents
配电网设备需求量预测和定量方法及其系统 Download PDFInfo
- Publication number
- CN104573877A CN104573877A CN201510047566.4A CN201510047566A CN104573877A CN 104573877 A CN104573877 A CN 104573877A CN 201510047566 A CN201510047566 A CN 201510047566A CN 104573877 A CN104573877 A CN 104573877A
- Authority
- CN
- China
- Prior art keywords
- demand
- visual plant
- distribution network
- network equipment
- centerdot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 158
- 238000004445 quantitative analysis Methods 0.000 title abstract 2
- 239000000463 material Substances 0.000 claims abstract description 54
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims description 133
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 43
- 238000013459 approach Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 11
- 230000008439 repair process Effects 0.000 abstract description 7
- 238000012552 review Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种配电网设备需求量预测和定量方法及其系统,基于对配电网设备的历史需求情况、现役设备总量、设备可靠性和设备运行气候环境因素量化数据,利用支持向量机对配网抢修物资的月需求量进行预测。针对各类配电网设备对所有设备的资金占用情况,利用主次因分析法将配网设备分为核心设备和重要设备,并分别采用阶段回顾方式和固定订单批量方式确定各类配电网设备的备品备件安全库存和目标库存水平,进行对配电网设备进行定量。该定量数据具有更高准确性和可靠性,该定量数据可以用于进行配电网物资储备定量确定过程中,可以减少库存积压,增强物资储备的效率和时效,以保障电网生产的安全性与经济性,提高利用率。
Description
技术领域
本发明涉及电力工程技术领域,特别是涉及一种用于配电网抢修物资储备中的配电网设备需求量预测和定量方法及其系统。
背景技术
在电网规模高速增长的背后,安全可靠用电不容忽视。为有效提高电网供电可靠性,切实保证设备及其配件的有效供应,供电企业内部成立了实现仓储物流等一系列配套的职能部门——物流中心。
配电网抢修物资的备品备件很大程度影响到配电网的故障抢修能力,关系到电力企业对终端电力用户的服务水平。配电网所涉及的电力设备种类繁多、采购周期不一、价格差异大。在满足抢修物资需求以及供电可靠性的前提下,如何科学合理预测各类配电网设备需求量并确定库存定量,从而保证抢修设备备品配件的科学有序供应,高效利用仓库资源,成为电力企业急需解决的重要问题。配电网的库存管理水平很大程度影响到配电网的故障抢修能力,关系到电力企业对终端电力用户的服务水平。
目前对电网企业的库存管理研究重点偏向管理策略方面,由于缺乏适用于配电网系统的库存需求量预测算法和对应的定量方案,因此,国内电力企业对配电网的库存管理大多仍以经验库存为主,即电网企业通过研究电力建设所需要的电力设备数量、种类及其出入库情况,并分析从运输到工地安装的经历时长、后期维修所需设备和维修周期等来确定电力设备的库存数量,通过实际情况进行不断的调整,下一个周期的需求预测则取决前一周期的经验数值,这种方式主观性较强,可能会因设备管理人员能力差异或判断偏差而造成抢修物资不足。可见,如何在不降低供电可靠性的同时,保证设备备品配件的有序供应,高效利用有限的仓库资源,最大程度降低物流成本成为电网物流中心所面临的重要问题和难题。
配电网设备需求量预测和定量是进行备品备件库存管理的基础,主要目的是实现在满足对设备的维修需求的基础上利用资产利用率,但对备件的需求进行预测是相对困难的,这主要是由于抢修物资的需求规律特点决定的。其一,为数不少的抢修物资需求是离散且间歇性的。所谓间歇性是指,需求为随机的,且很多时间点上的需求为零,两次需求之间间隔时间长。其二,抢修物资需求的历史数据往往非常少,在采用预测手段是往往发现历史数据不足,通常的预测手段难以展开。其三,抢修物资需求与现役设备总量以及设备运行环境有较大关系。
由此可见,针对配电网设备的备品备件储备预测和定量问题,是符合客观规律的技术问题,而目前仍是以根据历史定量以及往年实际抢修物资需求情况进行人工修正来制定库存水平,所采用的定量方案往往不能适用于配电网设备实际情况。针对在工程应用中进行库存的配电网设备需求量预测和定量仍缺乏行之有效的科学算法。
发明内容
基于此,有必要针对上述问题,提供一种配电网设备需求量预测和定量方法及其系统,以提高配电网设备需求量预测和定量的科学性和客观性。
一种配电网设备需求量预测和定量方法,包括如下步骤:
(1)从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值;
(2)根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值;
(3)确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备;
(4)针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
一种配电网设备需求量预测和定量系统,包括:
获取模块,用于从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值;
预测模块,用于根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值;
分类模块,用于确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备;
定量模块,用于针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
上述配电网设备需求量预测和定量方法及其系统,基于对配电网设备的历史需求情况、现役设备总量、设备可靠性和设备运行气候环境因素量化数据,利用支持向量机对配网抢修物资的月需求量进行预测。针对各类配电网设备对所有设备的资金占用情况,利用主次因分析法将配网设备分为核心设备和重要设备,并分别采用阶段回顾方式和固定订单批量方式确定各类配电网设备的备品备件安全库存和目标库存水平,进行对配电网设备进行定量。该定量数据具有更高准确性和可靠性,该定量数据可以用于进行配电网物资储备定量确定过程中,可以减少库存积压,增强物资储备的效率和时效,以保障电网生产的安全性与经济性,提高利用率。
附图说明
图1为本发明的配电网设备需求量预测和定量方法流程图;
图2为各月的日最高温度均值归一化处理曲线图;
图3为一个基于SVM回归预测法流程图;
图4为以固定的订单批量方式模型图;
图5为以阶段性回顾方式模型图;
图6为本发明的配电网设备需求量预测和定量系统结构示意图。
具体实施方式
下面结合附图对本发明的配电网设备需求量预测和定量方法及其系统的实施例进行阐述。
参考图1所示,图1为本发明的配电网设备需求量预测和定量方法流程图,包括如下步骤:
步骤(1),从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值。
在一个实施例中,可以通过对抢修物资需求和配电网运行特性进行分析,以影响抢修物资需求的三个因素的量化来解决数据不足的问题,以下将分别对这三个影响因素进行阐述:
1)抢修物资的历史需求数据:
针对抢修物资中的配电网设备,进行合理的划分、汇总及统计历史需求量,得出抢修物资中配电网设备每个月份的历史需求数据。
2)现役配网设备总量:
对现役配电网设备总量进行统计,得到抢修物资中配电网设备的每年底的现役设备总量。
3)配电网设备的运行环境:
不同的运行环境下配电网设备所承受的负载率不同,恶劣的运行环境会导致设备的故障率加大,配电网设备备品备件的需求量便随之增大,对于配电网设备的运行环境影响因素的量化,可以选择每月的最高温度来量化这一指标。
步骤(2),根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值。
具体的,支持向量机(SVM)是一种实现结构风险最小化的机器学习模型,属于统计学理论与计算机成功结合的产物,其应用于小样本、非线性、高维数问题方面,具有较强的适用性。
在利用支持向量机进行预测的时候,由于历史需求数据产生的环境比较复杂,直接输入数据进入支持向量机模型是不合适的,需要对数据作适当的改变,以实现更好的预测精度。
进一步地,基于上述三个影响因素在配电网设备整个生命周期中是不断得到体现的,这些量的变动是会影响到备件的需求,将这些量添加进输入数据集,可以弥补输入数据不足的问题,增强训练网络的可靠性。
作为一个实施例,为了提高预测的准确度以及减少计算的误差,需要对抢修物资中配电网设备的历史需求数据、配网抢修物资中配电网设备的现役设备总量以及各月的日最高温度均值进行数据预处理,具体如下:
1)配电网设备的历史需求数据、现役设备总量的预处理;
对配电网设备的历史需求数据、现役设备总量的预处理统一进行极差变换法的归一化处理,以配电网设备的历史需求数据为例,即配电网设备的历史需求数据中的最大值与最小值,用符号MAX,MIN表示,则第n期的需求量Xn归一化公式如式(1)下:
公式(1)中,Yn表示归一化之后的需求量,通过上述预处理保证了各期需求量之间的相对关系不变,而需求量的值均转化为[0,1]区间的数值;同理可得配电网设备的现役设备总量的归一化处理结果。
2)各月的日最高温度均值数据的预处理;
为确定各月气温与配网设备故障频率的关系,扩大相近温度对配电网设备的备品备件需求影响的差距,本实施例的采用构造二次函数对各月的日最高温度均值进行合理的归一化处理,如图2所示,图2为各月的日最高温度均值归一化处理曲线图,引入的隶属函数关系式如公式(2)所示,图2为各月的日最高温度均值归一化处理结果示意图:
公式(2)中,f(t)表示归一化处理结果,t表示温度值。
基于本发明的配电网设备的支持向量回归用作备品备件需求量方案,可以根据上述三个影响因素量化统计得到支持向量机的训练样本。
作为一个实施例,如表1所示的支持向量机训练样本输入矩阵,其中n个样本,每个样本3个属性值,属性1为配电网设备去年同期的历史需求量,属性2为配电网设备的今年的现役设备总量,属性3为当月的日最高温度,然后将数据输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到能使如下风险函数最小的回归估计函数,从而建立预测模型,接着对训练好的向量机模型输入测试数据检验预测效果,最后将预测需要的数据输入检验好的网络,进行未来需求量的预测。
表1支持向量机训练样本输入矩阵
目标值 | 属性值1 | 属性值2 | 属性值3 |
Target 1 | Index 1:value 1 | Index 2:value 2 | Index m:value 3 |
Target 2 | Index 1:value 1 | Index 2:value 2 | Index m:value 3 |
Target 3 | Index 1:value 1 | Index 2:value 2 | Index m:value 3 |
…… | …… | …… | …… |
Target n | Index 1:value 1 | Index 2:value 2 | Index m:value 3 |
对于支持向量机预测过程,可以参考图3所示,图3为一个基于SVM回归预测法流程图,主要如下:
S301,寻找影响因素并量化;
S302,数据准备构造学习样本;
S303,SVM回归模型训练;
S304,判断精度是否达到要求,若是,进入s305,否则进入s306;
S305,将数据输入网络,获取预测结果,若准确,进入s308,否则进入s309;
S306,对训练参数进行优化;
S307,输入训练参数,并返回至s303;
S308,保持训练模型,并结束;
S309,增加学习样本,并返回至s302。
步骤(3),确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备。
具体的,本发明根据结合配电网设备的特殊性,按照表2所示的AB物资分类法的具体划分原则,把配电网设备分成了A类核心设备和B类重要设备,作为一个实施例,具体分类实施步骤如下:
表2:A、B物资分类原则
上述分类具体是通过确定统计对象和统计期,统计每类配电网设备的种类数以及近三年需求量的资金总值,然后计算每大类配电网设备的种类占比、累计种类比例、占用资金比例以及累计占用资金比例,并以占用资金比例的降序进行排列统计;结合表2,根据排序后的配电网设备次序以及累计占用资金比例进行A、B分类。
步骤(4),针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
A:针对于核心设备的定量方法,具体如下:
如上所述,核心设备(A类设备),可以采用固定订单批量方式进行定量,该方式是事件驱动,即每当存货下降到一定水平时,以固定的批量实施订货,也就是说,当到达规定的再订货水平的事件发生后,就进行订货,这种事件可能随时发生,主要由该物资的需求情况所决定。固定订单批量法可以通过不同的时间间隔实施订货,从而抵消不确定性因素的影响。在运用这种模型时,必须连续监测剩余库存量。因此,这种模型是一种永续盘存系统,它要求进行每次的物资出库或入库时,都必须刷新出入库记录以确定是否已经达到再订货点。
如图4所示,图4为以固定的订单批量方式模型图,在固定订单批量方式中,安全库存水平只需要应付订货至交货周期的提前期内的不确定因素。再订货水平的设定是库存控制中关键的参数,其高低决定了库存成本和服务水平,影响再订货水平的因素主要有安全库存水平、订货提前期以及物资的需求速率。
其中,再订货水平,可以根据安全库存水平、订货提前期以及核心设备的需求速率来确定;固定的订单批量,可以根据所述再订货水平和所述安全库存水平来确定。
根据如下公式计算核心设备的安全库存水平:
D1=LT1·d1 (4)
其中,SS1表示安全库存水平,σD1表示提前期内需求量的标准差,d1表示支持向量机预测所得各月物资需求量的平均值,σ1表示支持向量机预测所得各月物资需求量的标准差,LT1表示表示提前期,Z1表示安全因子,D1表示核心设备提前期内需求量的期望值;
安全存货的存在提高了再订货水平,在固定订单批量方式中,再订货水平等于提前期内的需求与安全存货之和,计算公式如下:
ROL=D1+SS1 (6)
式中,ROL表示核心设备当前的再订货水平,SS1表示安全库存水平,D1表示核心设备提前期内需求量的期望值;
再订货水平确定以后,需要知道订单批量,对于固定的订单批量;在此,可以采用经济订货批量的方式,即只考虑订货成本、存货持有成本和物资购买成本三种基本类型成本的方式,在该方式下,订单批量就是使库存总成本最小时的需求量,为简单起见,考虑一个年度内的总成本,年总成本是订货成本、存货持有成本和购买成本三者之和,计算公式如下:
Cp=C·Dy, (9)
式中,Cr表示重要设备的年订货成本值;Ch表示重要设备的年存货持有总成本值;Cp表示重要设备的年购买成本值;Dy表示重要设备的年需求量;H表示单位数量重要设备的年存货持有成本值;C表示重要设备的单位成本值、TC表示重要设备的年总成本值。
根据年总成本的公式,将其对固定的订单批量求导,并令其一阶导数等于零,即:
则固定的订单批量公式为:
上式中,Q表示重要设备的固定的订单批量,S表示重要设备的每次订货的订货成本值。
上述固定的订单批量方式的优势在于,一方面,它所产生的存货总量比较少,其安全库存存货只需要应付订货至交货周期内的不确定因素,因此,它所需的安全库存存货量较小,从而使得整体的存货数量也较小;另一方面,固定订单批量方式采用的是持续性的监控,因而对库存的检控更加密切,这样可以对潜在的缺货更快地做出反应。从固定订单批量方式的优势分析得出,该方式对于价格昂贵、起着关键作用的特别重要的配电网设备尤为适用。
B:针对于重要设备的定量方法,具体如下:
对于重要设备(B类设备),采用阶段性回顾方式进行定量。该方式是时间驱动,即每隔一个固定的时间段,以不同的批量实施订货,也就是说,只限于在预定时期期末进行订货,是由时间来驱动的。阶段性回顾方式可以在固定的时间间隔的基础上,根据实际需求,以不同的订单批量来抵消不确定性因素的影响。在运用这种方式时,需要对实际的存货水平进行定期检查,并且要对重新把存货水平补充到目标存货水平所需要的存货数量加以确定。因此,这种方式的库存盘点只是在盘点期发生。
1)根据提前期单位时间内重要设备的需求量均值及所述固定时间间隔、重要设备订货至交货之间的提前期计算重要设备的提前期需求量;
如图5所示,图5为以阶段性回顾方式模型图,针对配电网设备的订货至交货周期的提前期恒定为LT2,订单与订单之间的固定间隔时间为T2,需求呈正态分布。在存货开始下降,直到订货抵达以前,由于存在着一个提前期,使得实际的存货水平永远不可能达到目标存货水平,订单批量是由时间在time1点时的存货水平所决定的,而当这批订货在时间点time2补充的时候,这时候的存货水平进一步降低了。存货必须要一直坚持到时间点t4,即下一批订货。也就是说,目标存货水平必须要能够满足从time1到time4这一时间段内的全部需求,这段时间的长度为T+LT;可以根据如下公式计算重要设备的提前期需求量:
D2=d2·(T2+LT2) (13)
式中,D2表示重要设备的提前期需求量的期望值,σD2表示重要设备提前期需求量的标准差,σ2表示支持向量机预测所得各月物资需求量的标准差,d2表示支持向量机预测所得各月物资需求量的平均值,T2表示固定时间间隔,LT2表示重要设备订货至交货之间的提前期;
2)根据重要设备的提前期需求量及其安全因子计算重要设备的安全库存水平;
如上所述,在时间段T2+LT2内需求是呈正态分布的,单位时间内重要设备的需求服从均值为d2,标准差为σ2的正态分布,根据上述计算的安全库存水平,安全库存水平要应付提前期内的不确定因素,以及存货周期内的不确定因素,由此,可以根据如下公式计算重要设备的安全库存水平:
式中,SS2表示重要设备的安全库存水平,D2在时间段T2+LT2内需求是呈标准差为σD2正态分布的,Z2表示重要设备的安全因子;
3)根据所述重要设备的安全库存水平及重要设备的提前期需求量计算所述目标存货水平;
在安全库存水平确定以后,就可以计算目标存货水平,具体的,可以根据如下公式计算所述目标存货水平:
式中,TSL表示目标存货水平,SS2表示重要设备的安全库存水平,D2表示重要设备提前期需求量的期望值。
上述阶段性回顾方式的优点在于,实施过程简单易行,便于管理该方式需要对存货的定期检查、发布订单、安排送货、货品验收等数据进行定时读取,不需要进行持续性的监控。另一个优点在于,有利于把针对几种不同配电网设备的订单批量实施集并,降低成本;该方法方式特别适用于价值较低、需求量较大的一般的配电网设备。
综合上述实施例的方案,基于对配电网设备的历史需求情况、现役设备总量、设备可靠性和设备运行气候环境因素量化数据,利用支持向量机对配网抢修物资的月需求量进行预测。针对各类配电网设备对所有设备的资金占用情况,利用主次因分析法将配网设备分为核心设备和重要设备,并分别采用阶段回顾方式和固定订单批量方式确定各类配电网设备的备品备件安全库存和目标库存水平,进行对配电网设备进行定量。该定量数据具有更高准确性和可靠性,该定量数据可以用于进行配电网物资储备定量确定过程中,可以减少库存积压,增强物资储备的效率和时效,以保障电网生产的安全性与经济性,提高利用率。
参考图6所示,图6为本发明的配电网设备需求量预测和定量系统结构示意图,包括:
获取模块,用于从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值;
预测模块,用于根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值;
分类模块,用于确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备;
定量模块,用于针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
在一个实施例中,本发明的配电网设备需求量预测和定量系统,还可以包括:第一确定模块,用于根据安全库存水平、订货提前期以及核心设备的需求速率确定所述再订货水平;
进一步地,所述第一确定模块还用于根据所述再订货水平和所述安全库存水平确定所述固定的订单批量;
其中,根据如下公式计算核心设备的安全库存水平:
其中,SS1表示安全库存水平,σD1表示提前期内需求量的标准差,d1表示支持向量机预测所得各月物资需求量的平均值,σ1表示支持向量机预测所得各月物资需求量的标准差,LT1表示表示提前期,Z1表示安全因子,D1表示核心设备提前期内需求量的期望值;
根据如下公式计算核心设备的再订货水平:
ROL=D1+SS1
式中,ROL表示核心设备当前的再订货水平;
根据如下公式计算重要设备的固定的订单批量:
式中,Cr表示重要设备的年订货成本值;Ch表示重要设备的年存货持有总成本值;Cp表示重要设备的年购买成本值;Dy表示重要设备的年需求量;S表示重要设备的每次订货的订货成本值;Q表示重要设备的固定的订单批量;H表示单位数量重要设备的年存货持有成本值;C表示重要设备的单位成本值、TC表示重要设备的年总成本值。
在一个实施例中,本发明的配电网设备需求量预测和定量系统,还可以包括:第二确定模块,用于根据提前期单位时间内重要设备的需求量均值及所述固定时间间隔、重要设备订货至交货之间的提前期计算重要设备的提前期需求量;根据重要设备的提前期需求量及其安全因子计算重要设备的安全库存水平;根据所述重要设备的安全库存水平及重要设备的提前期需求量计算所述目标存货水平;
其中,根据如下公式计算重要设备的提前期需求量:
D2=d2·(T2+LT2)
式中,D2表示重要设备的提前期需求量的期望值,σD2表示重要设备提前期需求量的标准差,σ2表示支持向量机预测所得各月物资需求量的标准差,d2表示支持向量机预测所得各月物资需求量的平均值,T2表示固定时间间隔,LT2表示重要设备订货至交货之间的提前期;
根据如下公式计算重要设备的安全库存水平:
式中,SS2表示重要设备的安全库存水平,D2在时间段T2+LT2内需求是呈标准差为σD2正态分布的,Z2表示重要设备的安全因子;
根据如下公式计算所述目标存货水平:
式中,TSL表示目标存货水平,SS2表示重要设备的安全库存水平,D2表示重要设备提前期需求量的期望值。
本发明的配电网设备需求量预测和定量系统与本发明的配电网设备需求量预测和定量方法一一对应,在上述配电网设备需求量预测和定量方法的实施例阐述的技术特征及其有益效果均适用于配电网设备需求量预测和定量系统的实施例中,特此声明。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网设备需求量预测和定量方法,其特征在于,包括如下步骤:
(1)从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值;
(2)根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值;
(3)确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备;
(4)针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
2.根据权利要求1所述的配电网设备需求量预测和定量方法,其特征在于,还包括:根据安全库存水平、订货提前期以及核心设备的需求速率确定所述再订货水平。
3.根据权利要求2所述的配电网设备需求量预测和定量方法,其特征在于,还包括:根据所述再订货水平和所述安全库存水平确定所述固定的订单批量。
4.根据权利要求3所述的配电网设备需求量预测和定量方法,其特征在于,根据如下公式计算核心设备的安全库存水平:
其中,SS1表示安全库存水平,σD1表示提前期内需求量的标准差,d1表示支持向量机预测所得各月物资需求量的平均值,σ1表示支持向量机预测所得各月物资需求量的标准差,LT1表示表示提前期,Z1表示安全因子,D1表示核心设备提前期内需求量的期望值;
根据如下公式计算核心设备的再订货水平:
ROL=D1+SS1
式中,ROL表示核心设备当前的再订货水平;
根据如下公式计算重要设备的固定的订单批量:
式中,Cr表示重要设备的年订货成本值;Ch表示重要设备的年存货持有总成本值;Cp表示重要设备的年购买成本值;Dy表示重要设备的年需求量;S表示重要设备的每次订货的订货成本值;Q表示重要设备的固定的订单批量;H表示单位数量重要设备的年存货持有成本值;C表示重要设备的单位成本值、TC表示重要设备的年总成本值。
5.根据权利要求1所述的配电网设备需求量预测和定量方法,其特征在于,还包括:
根据提前期单位时间内重要设备的需求量均值及所述固定时间间隔、重要设备订货至交货之间的提前期计算重要设备的提前期需求量;
根据重要设备的提前期需求量及其安全因子计算重要设备的安全库存水平;
根据所述重要设备的安全库存水平及重要设备的提前期需求量计算所述目标存货水平。
6.根据权利要求5所述的配电网设备需求量预测和定量方法,其特征在于,根据如下公式计算重要设备的提前期需求量:
D2=d2·(T2+LT2)
式中,D2表示重要设备的提前期需求量的期望值,σD2表示重要设备提前期需求量的标准差,σ2表示支持向量机预测所得各月物资需求量的标准差,d2表示支持向量机预测所得各月物资需求量的平均值,T2表示固定时间间隔,LT2表示重要设备订货至交货之间的提前期;
根据如下公式计算重要设备的安全库存水平:
式中,SS2表示重要设备的安全库存水平,D2在时间段T2+LT2内需求是呈标准差为σD2正态分布的,Z2表示重要设备的安全因子;
根据如下公式计算所述目标存货水平:
式中,TSL表示目标存货水平,SS2表示重要设备的安全库存水平,D2表示重要设备提前期需求量的期望值。
7.一种配电网设备需求量预测和定量系统,其特征在于,包括:
获取模块,用于从电力生产管理系统中获取各月的抢修物资中配电网设备的历史需求数据、现役的配电网设备总量以及各月的配电网设备的运行环境的温度值;
预测模块,用于根据所述历史需求数据、配电网设备总量以及温度值进行量化,得到支持向量机的训练样本输入矩阵;将训练样本输入矩阵输入支持向量机进行训练,根据结构风险最小化原则,进行求解高维特征空间中构造广义最优线性回归超平面问题,得到风险函数最小的回归估计函数,建立向量机预测模型;对所述向量机预测模型输入测试数据进行检验,将下一个年度内的配电网设备总量、配电网设备的运行环境的温度值的输入矩阵输入所述检验好的向量机预测模型的网络,计算出下一个年度内各月的预测值;
分类模块,用于确定统计对象和统计期,统计每类配电网设备的种类数以及最近若干年的需求量总值,计算每大类配电网设备的种类占比、累计种类比例、占用需求量总值比例以及累计占用需求量总值比例,并以占用需求量总值比例的降序进行排列,根据所述排列将配电网设备分为核心设备和重要设备;
定量模块,用于针对于核心设备,实时获取核心设备当前库存数量,当库存数量下降至再订货水平时,以固定的订单批量确定核心设备的需求量;针对于重要设备,预设订单之间的固定时间间隔,获取重要设备当前库存数量,在订单发生时,确定将当前库存数量补充到目标存货水平所需的重要设备的需求量。
8.根据权利要求7所述的配电网设备需求量预测和定量系统,其特征在于,还包括:第一确定模块,用于根据安全库存水平、订货提前期以及核心设备的需求速率确定所述再订货水平。
9.根据权利要求8所述的配电网设备需求量预测和定量系统,其特征在于,所述第一确定模块,还用于根据所述再订货水平和所述安全库存水平确定所述固定的订单批量;
其中,根据如下公式计算核心设备的安全库存水平:
其中,SS1表示安全库存水平,σD1表示提前期内需求量的标准差,d1表示支持向量机预测所得各月物资需求量的平均值,σ1表示支持向量机预测所得各月物资需求量的标准差,LT1表示表示提前期,Z1表示安全因子,D1表示核心设备提前期内需求量的期望值;
根据如下公式计算核心设备的再订货水平:
ROL=D1+SS1
式中,ROL表示核心设备当前的再订货水平;
根据如下公式计算重要设备的固定的订单批量:
式中,Cr表示重要设备的年订货成本值;Ch表示重要设备的年存货持有总成本值;Cp表示重要设备的年购买成本值;Dy表示重要设备的年需求量;S表示重要设备的每次订货的订货成本值;Q表示重要设备的固定的订单批量;H表示单位数量重要设备的年存货持有成本值;C表示重要设备的单位成本值、TC表示重要设备的年总成本值。
10.根据权利要求7所述的配电网设备需求量预测和定量系统,其特征在于,还包括:第二确定模块,用于根据提前期单位时间内重要设备的需求量均值及所述固定时间间隔、重要设备订货至交货之间的提前期计算重要设备的提前期需求量;根据重要设备的提前期需求量及其安全因子计算重要设备的安全库存水平;根据所述重要设备的安全库存水平及重要设备的提前期需求量计算所述目标存货水平;
其中,根据如下公式计算重要设备的提前期需求量:
D2=d2·(T2+LT2)
式中,D2表示重要设备的提前期需求量的期望值,σD2表示重要设备提前期需求量的标准差,σ2表示支持向量机预测所得各月物资需求量的标准差,d2表示支持向量机预测所得各月物资需求量的平均值,T2表示固定时间间隔,LT2表示重要设备订货至交货之间的提前期;
根据如下公式计算重要设备的安全库存水平:
式中,SS2表示重要设备的安全库存水平,D2在时间段T2+LT2内需求是呈标准差为σD2正态分布的,Z2表示重要设备的安全因子;
根据如下公式计算所述目标存货水平:
式中,TSL表示目标存货水平,SS2表示重要设备的安全库存水平,D2表示重要设备提前期需求量的期望值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510047566.4A CN104573877A (zh) | 2015-01-29 | 2015-01-29 | 配电网设备需求量预测和定量方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510047566.4A CN104573877A (zh) | 2015-01-29 | 2015-01-29 | 配电网设备需求量预测和定量方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573877A true CN104573877A (zh) | 2015-04-29 |
Family
ID=53089892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510047566.4A Pending CN104573877A (zh) | 2015-01-29 | 2015-01-29 | 配电网设备需求量预测和定量方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573877A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295882A (zh) * | 2016-08-10 | 2017-01-04 | 国网北京市电力公司 | 用于预测设备需求的数据处理方法和装置 |
CN106845678A (zh) * | 2016-12-19 | 2017-06-13 | 国家电网公司 | 一种电力通信备件资源全网一体化动态调配方法及装置 |
CN107798435A (zh) * | 2017-11-09 | 2018-03-13 | 贵州电网有限责任公司 | 一种基于文本信息抽取的电力物资需求预测方法 |
CN109102221A (zh) * | 2018-07-23 | 2018-12-28 | 华中科技大学 | 一种适用于磁性产品生产车间的粉料库存控制方法 |
CN110728466A (zh) * | 2019-10-24 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN111242506A (zh) * | 2020-02-06 | 2020-06-05 | 杭州飞步科技有限公司 | 影响订单转换的特征的确定方法、装置、设备及存储介质 |
CN111553505A (zh) * | 2019-11-26 | 2020-08-18 | 国网浙江省电力有限公司 | 一种电力物资入库数量预测方法 |
CN113793102A (zh) * | 2021-09-18 | 2021-12-14 | 中广核风电有限公司 | 基于平台的库存管理方法和装置 |
CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020111905A1 (en) * | 2001-02-13 | 2002-08-15 | Naoyuki Nagafuchi | Power demand and supply-adjustment system and method |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103606013A (zh) * | 2013-12-06 | 2014-02-26 | 国家电网公司 | 一种基于支持向量机的用户年度用电量预测方法 |
-
2015
- 2015-01-29 CN CN201510047566.4A patent/CN104573877A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020111905A1 (en) * | 2001-02-13 | 2002-08-15 | Naoyuki Nagafuchi | Power demand and supply-adjustment system and method |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103606013A (zh) * | 2013-12-06 | 2014-02-26 | 国家电网公司 | 一种基于支持向量机的用户年度用电量预测方法 |
Non-Patent Citations (1)
Title |
---|
邓丽娜: "配电网备品备件库存定额研究", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295882A (zh) * | 2016-08-10 | 2017-01-04 | 国网北京市电力公司 | 用于预测设备需求的数据处理方法和装置 |
CN106845678A (zh) * | 2016-12-19 | 2017-06-13 | 国家电网公司 | 一种电力通信备件资源全网一体化动态调配方法及装置 |
CN107798435B (zh) * | 2017-11-09 | 2021-08-31 | 贵州电网有限责任公司 | 一种基于文本信息抽取的电力物资需求预测方法 |
CN107798435A (zh) * | 2017-11-09 | 2018-03-13 | 贵州电网有限责任公司 | 一种基于文本信息抽取的电力物资需求预测方法 |
CN109102221A (zh) * | 2018-07-23 | 2018-12-28 | 华中科技大学 | 一种适用于磁性产品生产车间的粉料库存控制方法 |
CN110728466B (zh) * | 2019-10-24 | 2022-05-20 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN110728466A (zh) * | 2019-10-24 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN111553505A (zh) * | 2019-11-26 | 2020-08-18 | 国网浙江省电力有限公司 | 一种电力物资入库数量预测方法 |
CN111242506A (zh) * | 2020-02-06 | 2020-06-05 | 杭州飞步科技有限公司 | 影响订单转换的特征的确定方法、装置、设备及存储介质 |
CN113793102A (zh) * | 2021-09-18 | 2021-12-14 | 中广核风电有限公司 | 基于平台的库存管理方法和装置 |
CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
CN115879913B (zh) * | 2023-02-13 | 2023-05-05 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
US11966885B2 (en) | 2023-02-13 | 2024-04-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and Internet of Things (IoT) systems for predicting maintenance materials of smart gas pipeline networks |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
CN116629754B (zh) * | 2023-07-24 | 2023-12-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573877A (zh) | 配电网设备需求量预测和定量方法及其系统 | |
Chien et al. | Strategic capacity planning for smart production: Decision modeling under demand uncertainty | |
US10873209B2 (en) | System and method for dynamic energy storage system control | |
He et al. | Urban long term electricity demand forecast method based on system dynamics of the new economic normal: the case of Tianjin | |
CN105139090A (zh) | 一种基于消耗预测的电力行业安全库存决策分析方法 | |
CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
CN107123982A (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
Mirhosseini et al. | Asset management and maintenance programming for power distribution systems: A review | |
CN103745280A (zh) | 用电量预测方法、装置及处理器 | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Guo et al. | Power demand forecasting and application based on SVR | |
Zhao et al. | Prediction and analysis of WEEE in China based on the gray model | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN111626543A (zh) | 电力相关数据的处理方法及装置 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
Yang et al. | Short‐Term Demand Forecasting Method in Power Markets Based on the KSVM–TCN–GBRT | |
CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
CN116308494A (zh) | 供应链需求预测方法 | |
Chen et al. | Data Analytics in Power Markets | |
Guo et al. | Load prediction of multi‐type electric vehicle charging stations based on secondary decomposition and feature selection | |
Liu et al. | Application of Optimization Techniques in the Design and Operation of Microgrid | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
Zhou et al. | Inventory control strategy: based on demand forecast error |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |