CN107784397B - 一种电网物资需求预测系统及其预测方法 - Google Patents
一种电网物资需求预测系统及其预测方法 Download PDFInfo
- Publication number
- CN107784397B CN107784397B CN201711095700.3A CN201711095700A CN107784397B CN 107784397 B CN107784397 B CN 107784397B CN 201711095700 A CN201711095700 A CN 201711095700A CN 107784397 B CN107784397 B CN 107784397B
- Authority
- CN
- China
- Prior art keywords
- main
- prediction
- main material
- materials
- prediction model
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 300
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000692870 Inachis io Species 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网物资需求预测系统及其预测方法，该系统包括主要物资抽取器、主要物资预测模型和非主要物资预测模型，主要物资抽取器用于对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，主要物资预测模型将主要物资提取器得到的特征表示进行训练获得主要物资预测结果，非主要物资预测模型将主要物资的预测量和非主要物资的历史用量作为输入训练数据进行训练获得非物资预测结果，主要物资预测模型和非主要物资预测模型均采用支持向量回归机SVR。本发明提高了物资预测的准确率，为物资采购计划的制定、工程建设和生产安排提供了有力的保障和能力的提升，物资需求预测方法更符合实际应用，能够在初步设计完成后实现物资需求的预测。
Description
技术领域
本发明涉及一种电网物资需求预测系统及其预测方法，属于电网物资需求预测技术领域。
背景技术
目前供电局在进行电网的建设过程中，对于物资需求的量大、种类繁多，而进行电网物资预测主要通过上层机构根据下层机构调研、统计、估算、上报的信息进行审批、汇总及现场勘测，最后生成总体的物资预测需求。这个过程不但在人力物力上耗费巨大，而且审核的工作量也特别大，生成需求周期时间也特别长，同时在这个过程中填报不规范，系统录入易出错。造成了物资需求预测准确率不高，这对物资采购计划制定、工程建设及生产计划的安排都产生不利的影响，同时也制约着物资精益化管理水平和能力的提升。
面对上述情况，需要利用需求预测模型，该模型能预测不同变电站建设过程中各类物资需求量，作为编制采购批次安排计划、物资协议库存采购计划、专项物资批次采购计划的依据，为多种采购模式的实施提供支持。由于电力物资需求预测不仅包含有多方面内容，而且需要根据实际发展情况及时进行修改和调整，因此科学合理地评价电力物资需求预测的准确度，将会为今后的电力物资需求预测工作提供借鉴和帮助，具有极其重要的现实意义。
电网建设项目的预测主要是根据项目需求及初设报告，再人工到现场进行勘测，人工预测出电网建设项目所需要的物资，但是这种公式化的预测和物资的实际用量之间的误差非常大，同时不同的人预测的结果也存在差异。随着电力部门对电网项目的物资预测需求的增加，也引起了相关学者的研究。目前电网物资的预测是以单个物资需求预测为主，文献“基于BP神经网络的电网建设项目物资需求预测”(宋斌，宋秉虎，沈男，等.时代经贸，2013(10):206-207)依据电网建设项目里程碑计划中的指标提出基于BP神经网络对电磁式电流互感器需求进行预测。文献“电网物资需求预测方法研究” (毕子健，王翎颖.[J].华北电力技术，2015(10):26-30)以220kV输变电项目为例，按照不同的设计方案主要分为室内站和室外站，按照低压侧电压等级可分为35kV和10kV两种。依据典型设计方案、历史数据分析和具体项目可行性研究方案，可以初步建立各类设计方案对应的物资需求模型。文献“电网建设项目物资需求预测研究”(宋斌，卜涛，张洪青.物流技术，2013， 32(5):319-321)电网建设项目以输变电工程、配网工程为主。对于各个不同的电网建设项目而言，物资需求有个体性和共性。有因工程自身特殊情况而进行的个别设计，也有按照设计规范采用的标准设计图集。共性因素作用下的物资需求，可以通过区分不同工程类别，构建恰当的预测模型和算法，取得满意的预测结果。个体性因素作用下的物资需求，往往单体预测模型无法满足精度要求，需采用多项目汇总的方式，控制总体预测误差，使预测结果满足实际使用要求。文献“基于极限学习机的电力配网物资需求预测”(杨晶晶，李隽，齐志刚，等.中国电机工程学会年会.2012)提出需要考虑在不同类型的项目中需求的相关性，利用基于极限学习机的多任务方法进行物资需求预测。文献“配网物资的需求预测体系研究”(顾晔，王剑，高峻峻.物流科技，2017， 40(5):44-46)等人分别使用曲线集合模型，HoltWinter模型以及Croston模型得到预测结果。先前的这些研究都是以历史数据的用量作为输入，使用各种不同模型进行数据拟合，从而得到预测的结果，这种方法完全靠历史数据进行预测，没有区分工程的实际需求。为此，文献“一种基于SVM的电力行业物资需求预测方法”(韩戟，何成浩，苏星，等.电气技术，2016，17(12):152-154) 提出将电力行业物资需求预测问题转换为文本分类问题，提出基于SVM的电力行业物资需求预测模型。首先，抽取物资需求历史的文本数据，在电力领域知识库下进行特征提取，特征向量通过SVM进行电力行业文本内容分析模型训练。然后，选出电力行业物资文本数据，对半结构化数据预处理，进行领域实体识别等信息抽取，确定好物资需求文本特征。最后，SVM通过训练好的模型，对行业物资需求做出预测。这种虽然可以利用项目的相关的文本信息，但是在这些文本信息中，只包含了部分物资的相关介绍，大部分物资并未在文本中进行说明，这样只能预测出文本中提到的一些物资，而其他的物资预测就会有很大误差。
发明内容
本发明要解决的技术问题是：提供一种电网物资需求预测系统及其预测方法，以解决现有技术中存在的预测误差大、不切合实际、物资采购计划制定、工程建设及生产计划的效率低的问题。
本发明采取的技术方案为：一种电网物资需求预测系统，该系统包括主要物资抽取器、主要物资预测模型和非主要物资预测模型，主要物资抽取器用于对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，主要物资预测模型将主要物资提取器得到的特征表示进行训练获得主要物资预测结果，非主要物资预测模型将主要物资的预测量和非主要物资的历史用量作为输入训练数据进行训练获得非物资预测结果，主要物资预测模型和非主要物资预测模型均采用支持向量回归机SVR。
一种电网物资需求预测系统还包括可视化分析模块，可视化分析模块用于对主要物资历史使用量和非主要物资历史使用量以及预测结果进行显示分析。
一种电网物资需求预测系统还包括历史物资数据库和新项目物资数据库，历史物资数据库用于存储历史主要物资数据和历史非主要物资数据，新项目物资数据库用于存储新项目物资数据。
一种电网物资需求预测系统的预测方法，该方法包括以下步骤：
1)通过主要物资抽取器抽取历史物资数据库和新项目物资数据库中的新项目的主要物资的属性和历史主要物资的属性，分别获得新项目的主要物资的特征表示和历史主要物资的特征表示；
2)主要物资预测，将步骤1)中获得的新项目的主要物资的特征表示和历史主要物资的特征表示作为主要物资预测模型的输入，对主要物资预测模型进行训练，得到主要物资预测结果；
3)非主要物资预测，将主要物资的预测结果和非主要物资的历史用量数据作为非主要物资预测模型的输入训练数据，对非主要物资预测模型进行训练获得非主要物资预测结果；
4)通过可视化分析模块显示主要物资预测模型和非主要物资预测模型的预测结果以及主要物资预测模型和非主要物资预测模型的历史数据。
主要物资预测模型预测方法：采用分步预测的方法，首先通过支持向量回归机SVR对主要物资的单个物资进行预测，为每个物资分别构建回归预测模型，支持向量回归机SVR优化函数：
其中
表示输入，ω表示权重向量，φ(x)是将输入从原空间映射到新空间的映射函数，ω·φ(x)为ω和φ(x)的内积，b表示偏置；
最优非线性函数的求解可表示为如下式所示的约束优化问题：
s.t. ω·φ(xi)-yi+b≤ε+ξ* (3)
其中
惩罚因子C是预先给定的，ε用于控制它们逼近误差的大小，
是松弛因子,yi是第i个样例的真实值。
可视化分析模块通过物资用量数据曲线、物资用量数据二维图形及物资用量数据三维体来显示物资之间的相互关系。
本发明的有益效果：与现有技术相比，本发明利用项目相关的文本信息预测电网项目的主要物资，再利用主要物资和非主要物资之间的内在关联来预测非主要物资，将可视化、文本分析、人工智能等方法有机结合，实现了物资需求的预测和可视化分析展示，从而提高了物资预测的准确率，为物资采购计划的制定、工程建设和生产安排提供了有力的保障和能力的提升，本发明的物资需求预测方法更符合实际应用要求，能够在初步设计完成后实现物资需求的预测。
附图说明
图1是本发明的电网物资需求预测系统框架示意图；
图2是电网物资需求预测系统数据流程示意图；
图3是关于主变压器的文本描述信息实例。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：电网物资需求预测系统旨在通过对历史的文本数据及历史物资用量数据的分析进行建模，然后对新的电网项目进行物资预测时，只需要输入项目的文本信息，系统将自动对新项目的文本文件进行分析抽取，最后得到电网项目的物资需求预测结果，系统框架结构如图1所示的一种电网物资需求预测系统，该系统包括主要物资抽取器、主要物资预测模型和非主要物资预测模型以及可视化分析模块，主要物资抽取器用于对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，主要物资预测模型将主要物资提取器得到的特征表示进行训练获得主要物资预测结果，非主要物资预测模型将主要物资的预测量和非主要物资的历史用量作为输入训练数据进行训练获得非物资预测结果，主要物资预测模型和非主要物资预测模型均采用支持向量回归机SVR，可视化分析模块用于对主要物资历史使用量和非主要物资历史使用量以及预测结果进行显示分析。
一种电网物资需求预测系统还包括历史物资数据库和新项目物资数据库，历史物资数据库用于存储历史主要物资数据和历史非主要物资数据，新项目物资数据库用于存储新项目物资数据 。
电网物资需求预测系统的数据流程如图2所示，在训练过程中，输入的数据是历史项目的可行性分析报告及初步设计报告，利用主要物资抽取器对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，将其输入支持向量回归机SVR中进行训练，得到主要物资的预测结果，将主要物资的历史用量和非主要物资的历史用量数据作为输入训练数据送到支持向量回归机 SVR得到非主要物资的预测结果。
在预测时，输入是待预测项目的可行性研究报告及初步设计报告的文本信息，通过抽取器抽取主要物资相关属性以后进行特征表示，将特征表示的结果送入到主要物资预测模型中进行预测；将预测结果送入非主要物资预测模型进行预测，最后通过两步可以得到该项目相关所有物资的需求预测结果。
一种电网物资需求预测系统由浏览器和服务器组成，服务器包括数据库服务器和WEB服务器，用户通过浏览器对系统进行访问。
电网建设项目的初期会根据项目的可行性研究报告和初步设计方案对项目物资需求进行预测，根据预测的结果产生项目物资的计划采购任务，为此，一种电网物资需求预测系统可从项目可行性研究报告及初步设计方案文档的文本信息中提取项目的主要物资及各物资的相关属性，图3展示了可行性研究报告中的一段文本信息，手工构建主要物资的属性信息，利用抽取器在文本中获取这些主要物资相关的属性值。
实施例2：一种电网物资需求预测系统的预测方法，该方法包括以下步骤：
1)通过主要物资抽取器抽取历史物资数据库和新项目物资数据库中的新项目的主要物资的属性和历史主要物资的属性，分别获得新项目的主要物资的特征表示和历史主要物资的特征表示；
2)主要物资预测，将步骤1)中获得的新项目的主要物资的特征表示和历史主要物资的特征表示作为主要物资预测模型的输入，对主要物资预测模型进行训练，得到主要物资预测结果；
3)非主要物资预测，将主要物资的预测结果和非主要物资的历史用量数据作为非主要物资预测模型的输入训练数据，对非主要物资预测模型进行训练获得非主要物资预测结果；
4)通过可视化分析模块显示主要物资预测模型和非主要物资预测模型的预测结果以及主要物资预测模型和非主要物资预测模型的历史数据。
主要物资预测模型预测方法：在可行性研究报告和初步设计报告中，一般只会针对主要的设备进行相应的说明，所以直接从文本中预测项目所需的所有物资是不现实的，因此，采用分步预测的方法，首先通过支持向量回归机SVR对主要物资的单个物资进行预测，为每个物资分别构建回归预测模型， SVR分类样本点只有一类，所寻求的是最优超平面不是使两类样本点间隔最大，而是使得所有样本点距离超平面的总偏差最小，支持向量回归机SVR优化函数：
其中
表示输入，ω表示权重向量，φ(x)是将输入从原空间映射到新空间的映射函数，ω·φ(x)为ω和φ(x)的内积，b表示偏置；
最优非线性函数的求解可表示为如下式所示的约束优化问题：
s.t. ω·φ(xi)-yi+b≤ε+ξ* (3)
其中
惩罚因子C是预先给定的，ε用于控制它们逼近误差的大小，
是松弛因子,yi是第i个样例的真实值。
在可行性研究报告和初步设计报告中没有对非主要物资的需求进行详细说明，但是非主要物资和主要物资之间是存在某种关联的，为此，对于非主要物资的预测利用主要物资作为输入，并根据历史数据中获取主要物资和非主要物资之间的关联来构建其它非主要物资的预测模型，从而在获取一个新项目的主要物资的预测结果以后能够对非主要物资进行预测。
电网项目物资需求预测系统不仅能够对电网项目的物资进行预测，还能够对预测和历史的物资使用情况进行可视化对比分析，为供电局的物流服务中心形象直观的了解项目的物资使用情况。
可视化分析模块通过物资用量数据曲线、物资用量数据二维图形及物资用量数据三维体来显示物资之间的相互关系。可以通过可视化的分析了解电网物资的项目计划设定时，难于预测的物资，同时还可以根据预测结果和计划用量进行对比，发现计划中设计不合理的物资用量。
电网项目物资需求预测系统旨在利用文本分析技术和机器学习算法对历史的项目文档及历史项目物资用量进行分析、整合，为电网项目的物资预测的相关研究提供技术支撑，作为项目的重要组成部分，电网项目物资需求预测系统提出分两步预测的框架：首先利用项目相关的文本信息预测电网项目的主要物资，再利用主要物资和非主要物资之间的内在关联来预测非主要物资，系统将可视化、文本分析、人工智能等方法有机结合，实现了物资需求的预测和可视化分析展示，从而提高了物资预测的准确率，为物资采购计划的制定、工程建设和生产安排提供了有力的保障和能力的提升。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种电网物资需求预测系统，其特征在于：该系统包括主要物资抽取器、主要物资预测模型和非主要物资预测模型，主要物资抽取器用于对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，主要物资预测模型将主要物资抽取器得到的特征表示进行训练获得主要物资预测结果，非主要物资预测模型将主要物资预测结果和非主要物资历史使用量作为输入训练数据进行训练获得非物资预测结果，主要物资预测模型和非主要物资预测模型均采用支持向量回归机SVR；在训练过程中，输入的数据是历史项目的可行性分析报告及初步设计报告，利用主要物资抽取器对文本中的主要物资的属性进行抽取，得到主要物资的特征表示，将其输入支持向量回归机SVR中进行训练，得到主要物资的预测结果，将主要物资的历史用量和非主要物资的历史用量数据作为输入训练数据送到支持向量回归机SVR得到非主要物资的预测结果；在预测时，输入是待预测项目的可行性研究报告及初步设计报告的文本信息，通过抽取器抽取主要物资相关属性以后进行特征表示，将特征表示的结果送入到主要物资预测模型中进行预测；将预测结果送入非主要物资预测模型进行预测，得到该项目相关所有物资的需求预测结果。
2.根据权利要求1所述的一种电网物资需求预测系统，其特征在于：还包括可视化分析模块，可视化分析模块用于对主要物资历史使用量和非主要物资历史使用量以及预测结果进行显示分析。
3.根据权利要求1所述的一种电网物资需求预测系统，其特征在于：还包括历史物资数据库和新项目物资数据库，历史物资数据库用于存储历史主要物资数据和历史非主要物资数据，新项目物资数据库用于存储新项目物资数据。
4.根据权利要求1-3任一所述的一种电网物资需求预测系统的预测方法，其特征在于：该方法包括以下步骤：
1)通过主要物资抽取器抽取历史物资数据库和新项目物资数据库中的新项目的主要物资的属性和历史主要物资的属性，分别获得新项目的主要物资的特征表示和历史主要物资的特征表示；
2)主要物资预测，将步骤1)中获得的新项目的主要物资的特征表示和历史主要物资的特征表示作为主要物资预测模型的输入，对主要物资预测模型进行训练，得到主要物资预测结果；
3)非主要物资预测，将主要物资的预测结果和非主要物资历史使用量数据作为非主要物资预测模型的输入训练数据，对非主要物资预测模型进行训练获得非主要物资预测结果；
4)通过可视化分析模块显示主要物资预测模型和非主要物资预测模型的预测结果以及主要物资预测模型和非主要物资预测模型的历史数据。
5.根据权利要求4所述的一种电网物资需求预测系统的预测方法，其特征在于：主要物资预测模型预测方法：采用分步预测的方法，首先通过支持向量回归机SVR对主要物资的单个物资进行预测，为每个物资分别构建回归预测模型，支持向量回归机SVR优化函数：
其中
表示输入，ω表示权重向量，φ(x)是将输入从原空间映射到新空间的映射函数，ω·φ(x)为ω和φ(x)的内积，b表示偏置；
最优非线性函数的求解可表示为如下式所示的约束优化问题：
s.t.ω·φ(xi)-yi+b≤ε+ξ* (3)
其中
惩罚因子C是预先给定的，ε用于控制它们逼近误差的大小，ξi，
是松弛因子,yi是第i个样例的真实值。
6.根据权利要求4所述的一种电网物资需求预测系统的预测方法，其特征在于：可视化分析模块通过物资用量数据曲线、物资用量数据二维图形及物资用量数据三维体来显示物资之间的相互关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711095700.3A CN107784397B (zh) | 2017-11-09 | 2017-11-09 | 一种电网物资需求预测系统及其预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711095700.3A CN107784397B (zh) | 2017-11-09 | 2017-11-09 | 一种电网物资需求预测系统及其预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107784397A CN107784397A (zh) | 2018-03-09 |
| CN107784397B true CN107784397B (zh) | 2021-08-31 |
Family
ID=61433153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711095700.3A Active CN107784397B (zh) | 2017-11-09 | 2017-11-09 | 一种电网物资需求预测系统及其预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107784397B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284856B (zh) * | 2018-07-25 | 2022-06-07 | 顺丰科技有限公司 | 一种快递包材物料需求预测方法、装置及设备、存储介质 |
| CN109376924A (zh) * | 2018-10-18 | 2019-02-22 | 广东电网有限责任公司 | 一种物资需求预测的方法、装置、设备及可读存储介质 |
| CN110503356A (zh) * | 2019-07-08 | 2019-11-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据预测电力物资协议库存的方法 |
| CN110443413B (zh) * | 2019-07-23 | 2021-08-27 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
| CN111340312A (zh) * | 2020-03-24 | 2020-06-26 | 国家电网有限公司 | 一种基于rnn网络预测物资采购需求量的方法 |
| CN111784024B (zh) * | 2020-05-20 | 2023-12-01 | 贵州电网有限责任公司 | 一种基于多种来源数据感知的配网物资采购方法 |
| CN111882262A (zh) * | 2020-06-19 | 2020-11-03 | 国网安徽省电力有限公司宿州供电公司 | 一种协议库存物资需求精准预测方法 |
| CN112381350B (zh) * | 2020-10-14 | 2024-05-24 | 国网重庆市电力公司营销服务中心 | 一种电力物资交叉估算系统及其方法 |
| CN113919570A (zh) * | 2021-10-13 | 2022-01-11 | 广东电网有限责任公司 | 一种电力物资需求管控方法、装置、设备及存储介质 |
| CN114579712B (zh) * | 2022-05-05 | 2022-07-15 | 中科雨辰科技有限公司 | 基于动态模型的文本属性提取匹配方法 |
| CN115423381B (zh) * | 2022-10-31 | 2023-03-24 | 国网浙江省电力有限公司金华供电公司 | 基于智链id码的电力物资全链协同预警方法及平台 |
| CN117236665B (zh) * | 2023-11-14 | 2024-02-09 | 中国信息通信研究院 | 物资生产调度优化方法及系统 |
| CN117236666B (zh) * | 2023-11-14 | 2024-02-09 | 中国信息通信研究院 | 应急物资需求分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7552065B1 (en) * | 2000-12-08 | 2009-06-23 | At&T Intellectual Property I, L.P. | Forecasting tool for predicting future demand for parts / materials / equipment |
| CN102819772A (zh) * | 2012-08-29 | 2012-12-12 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
| CN106529869A (zh) * | 2016-10-27 | 2017-03-22 | 国网天津市电力公司 | 一种物资库存物料动态特征分析平台及其分析方法 |
| CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
| CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
| CN107292428A (zh) * | 2017-06-07 | 2017-10-24 | 国网浙江省电力公司物资分公司 | 一种配网电力物资采购需求预测系统 |
-
2017
- 2017-11-09 CN CN201711095700.3A patent/CN107784397B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7552065B1 (en) * | 2000-12-08 | 2009-06-23 | At&T Intellectual Property I, L.P. | Forecasting tool for predicting future demand for parts / materials / equipment |
| CN102819772A (zh) * | 2012-08-29 | 2012-12-12 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
| CN106529869A (zh) * | 2016-10-27 | 2017-03-22 | 国网天津市电力公司 | 一种物资库存物料动态特征分析平台及其分析方法 |
| CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
| CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
| CN107292428A (zh) * | 2017-06-07 | 2017-10-24 | 国网浙江省电力公司物资分公司 | 一种配网电力物资采购需求预测系统 |
Non-Patent Citations (1)
| Title |
|---|
| "一种基于SVM的电力行业物资需求预测方法";韩戟;《电气技术》;20161231(第12期);152-154 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107784397A (zh) | 2018-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784397B (zh) | 一种电网物资需求预测系统及其预测方法 | |
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| Liu et al. | Incentive initiatives on energy-efficient renovation of existing buildings towards carbon-neutral blueprints in China: Advancements, challenges and perspectives | |
| Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
| CN108830745A (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
| 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 | |
| CN102307125A (zh) | 网络化智能家居全景用电信息综合管理方法 | |
| Chen et al. | A BP neural network-based hierarchical investment risk evaluation method considering the uncertainty and coupling for the power grid | |
| CN111598288A (zh) | 一种基于物资全过程数据的物资需求预测管理方法 | |
| CN106485367A (zh) | 一种基于多企业用电数据耦合的经济分析平台及预测方法 | |
| CN106505624A (zh) | 确定配电网分布式电源最优吸纳能力的调控系统及方法 | |
| Yang et al. | Assessment and selection of smart agriculture solutions using an information error‐based Pythagorean fuzzy cloud algorithm | |
| Sun | Analysis of production and organisational management efficiency of Chinese family intelligent manufacturing enterprises based on IoT and machine learning technology | |
| Liu et al. | Review of multiple load forecasting method for integrated energy system | |
| Cortiços et al. | Artificial Inteligence Impact on Buildings Energy Efficiency | |
| Luo et al. | Research on transmission and transformation engineering cost system based on BIM 3D modelling technology | |
| Shijun | Risk management and countering measurements by computer modeling and simulation technology in the approval and early preparation stages of a large international project | |
| Zhang et al. | Intelligent decision-making system for mineral processing production indices based on digital twin interactive visualization | |
| Deng et al. | [Retracted] Comprehensive Evaluation of BIM Calculation Quantity in Domestic Construction Engineering Based on Fuzzy Comprehensive Evaluation | |
| Gu et al. | A Digital Load Forecasting Method Based on Digital Twin and Improved GRU | |
| Zhao et al. | A learning-to-rank-based investment portfolio optimization framework for smart grid planning | |
| Santos et al. | A framework to assess the impacts of digital electrical substations | |
| Dharssini et al. | Benefits of smart meters in institutional building–a case study | |
| Xiao et al. | Exploring automated energy optimization with unstructured building data: A multi-agent based framework leveraging large language models | |
| CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |