CN106203701A - 一种电力配网建设物资需求预测系统 - Google Patents

Abstract

本发明公开了一种电力配网建设物资需求预测系统，包括：数据采集模块，用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；聚类处理模块，用于对历史电网项目物资使用量采用改进k‑means聚类方法进行聚类分析，确定聚类族；项目类型属性确定模块，用于对所述聚类族采用关键词频分析法，确定项目类型属性；物资需求预测模块，其根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。本发明降低了物资预测的成本，预测精度较高。

Description

一种电力配网建设物资需求预测系统

技术领域

本发明涉及物资预测系统，具体涉及一种电力配网建设物资需求预测系统。

背景技术

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，且准确率不高，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，为提高物资需求申报的准确率，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，需要设计一种电力配网建设物资需求预测系统。

发明内容

针对上述问题，本发明提供一种电力配网建设物资需求预测系统。

本发明的目的采用以下技术方案来实现：

一种电力配网建设物资需求预测系统，包括数据采集模块、聚类处理模块、项目类型属性确定模块、物资需求预测模块，所述数据采集模块用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本发明的有益效果为：

1、降低了物资预测的成本；

2、对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；

3、设置的聚类处理模块采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明各模块的连接示意图；

图2是本发明的原理示意图。

附图标记：

数据采集模块 1、聚类处理模块 2、项目类型属性确定模块 3、神经网络训练模块4、物资需求预测模块 4。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1

参见图1、图2，本实施例的一种电力配网建设物资需求预测系统，包括数据采集模块1、聚类处理模块2、项目类型属性确定模块3、物资需求预测模块4，所述数据采集模块1用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块2，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块3用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块4根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j）表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本实施例降低了物资预测的成本；对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；设置的聚类处理模块2采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度，其中比例值T＝1.4，物资预测的精度提高了4.5％。

实施例2

参见图1、图2，本实施例的一种电力配网建设物资需求预测系统，包括数据采集模块1、聚类处理模块2、项目类型属性确定模块3、物资需求预测模块4，所述数据采集模块1用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块2，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块3用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块4根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本实施例降低了物资预测的成本；对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；设置的聚类处理模块2采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度，其中比例值T＝1.45，物资预测的精度提高了4％。

实施例3

参见图1、图2，本实施例的一种电力配网建设物资需求预测系统，包括数据采集模块1、聚类处理模块2、项目类型属性确定模块3、物资需求预测模块4，所述数据采集模块1用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块2，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块3用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块4根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本实施例降低了物资预测的成本；对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；设置的聚类处理模块2采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度，其中比例值T＝1.5，物资预测的精度提高了7％。

实施例4

参见图1、图2，本实施例的一种电力配网建设物资需求预测系统，包括数据采集模块1、聚类处理模块2、项目类型属性确定模块3、物资需求预测模块4，所述数据采集模块1用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块2，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块3用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块4根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C₄表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本实施例降低了物资预测的成本；对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；设置的聚类处理模块2采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度，其中比例值T＝1.55，物资预测的精度提高了5.5％。

实施例5

参见图1、图2，本实施例的一种电力配网建设物资需求预测系统，包括数据采集模块1、聚类处理模块2、项目类型属性确定模块3、物资需求预测模块4，所述数据采集模块1用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块2，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块3用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块4根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

优选地，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

优选地，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

其中，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}sim(a_i,a_j),p=1,\mathrm{...},n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{a_x\∈C_l}{\mathrm{\Σ}}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C₄表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

其中所述设定的比例值T的取值范围为[1.4,1.6]。

本实施例降低了物资预测的成本；对历史项目物资使用量采用改进的K-means聚类算法进行分群，再采用关键词频分析，确定项目类型属性，将项目类型属性作为物资需求预测模型的一个输入条件，提高了确定物资使用量的准确率；设置的聚类处理模块2采用改进k-means聚类方法对对历史项目物资使用量进行聚类，有效避免单一采取随机抽样方法所带来的偶然性,提高了聚类稳定性，进一步提高了物资预测的精度，其中比例值T＝1.6，物资预测的精度提高了4％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种电力配网建设物资需求预测系统，其特征在于，包括数据采集模块、聚类处理模块、项目类型属性确定模块、物资需求预测模块，所述数据采集模块用于获取历史电网项目预设属性的参数和各种历史电网项目物资使用量；所述聚类处理模块，用于对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，确定聚类族；所述项目类型属性确定模块用于对所述聚类族采用关键词频分析法，确定项目类型属性；所述物资需求预测模块根据历史电网项目物资使用量、历史项目预设属性的参数和所述项目类型属性，采用神经网络算法，构建物资需求预测模型，将待测电网项目预设属性的参数和待测电网项目的项目类型属性输入到所述物资需求预测模型，输出对应待测电网项目物资使用量的预测值。

2.根据权利要求1所述的一种电力配网建设物资需求预测系统，其特征在于，所述的历史电网项目物资使用量包括金额、重量、长度、数量。

3.根据权利要求1所述的一种电力配网建设物资需求预测系统，其特征在于，所述待测电网项目预设属性的参数包括电压等级、预计完成期限、概算金额。

4.根据权利要求1所述的一种电力配网建设物资需求预测系统，其特征在于，所述对历史电网项目物资使用量采用改进k-means聚类方法进行聚类分析，包括：

1)设具有n个历史电网项目物资使用量的样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵XS；

2)对相似度矩阵XS的每一行进行求和，计算出每一个样本与整个有效数据集的相似度，设XS＝[sim(a_i，a_j)]_n×n，i,j＝1,…,n，其中sim(a_i，a_j)表示样本a_i,a_j间的相似度，求和公式为：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\Σ}}sim(a_i,a_j),p=1,...,n$

3)按降序排列XS_p,p＝1,…,n，设XS_p按从大到小排列的前4个值为XS_max,XS_max-1,XS_max-2,XS_max-3，若选择与最大值XS_max相对应的样本作为第一个初始的簇中心,否则选择与XS_max,XS_max-1,XS_max-2,XS_max-3对应的四个样本的均值作为第一个初始的簇中心，T为设定的比例值；

4)将最大值为XS_max对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为XS_pq,q＝1,…,k-1，选择前k-1个最小的元素XS_pq相对应的样本作为剩余的k-1个初始的簇中心，其中所述k值的设定方法为：设定k值可能取值的区间，通过测试k的不同取值，并对区间内的各个值进行聚类，通过比较协方差,确定聚类之间的显著性差异,从而来探査聚类的类型信息,并最终确定合适的k值；

5)计算剩余样本与各初始的簇中心之间的相似度，将剩余样本分发到相似度最高的簇中，形成变化后的k个簇；

6)计算变化后的簇中各样本的均值，将其作为更新后的簇中心代替更新前的簇中心；

7)若更新前的簇中心与更新后的簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：

$J=\underset{l=1}{\overset{k}{\Σ}}\underset{a_x\∈C_l}{\Σ}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k个簇中的第l个簇，a_x为第l个簇中的样本，为第l个簇的中心。

5.根据权利要求1所述的一种电力配网建设物资需求预测系统，其特征在于，所述设定的比例值T的取值范围为[1.4,1.6]。