CN110135612A - 基于用电量分析的物资供应商生产能力监控及异常预警方法 - Google Patents
基于用电量分析的物资供应商生产能力监控及异常预警方法 Download PDFInfo
- Publication number
- CN110135612A CN110135612A CN201810809958.3A CN201810809958A CN110135612A CN 110135612 A CN110135612 A CN 110135612A CN 201810809958 A CN201810809958 A CN 201810809958A CN 110135612 A CN110135612 A CN 110135612A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- data
- material supply
- early warning
- supplier
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000005611 electricity Effects 0.000 claims abstract description 275
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 36
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明属于电力行业领域，特别是电力行业物资供应商管理监督领域，更为具体的说是涉及基于用电量分析的物资供应商生产能力监控及异常预警方法。对于物资供应商的月度生产能力监控及异常预警是，通过建立用电量分析模型，对供应商单个样本的历史用电量进行分析，通过小波分析将用电量数据分离为趋势和波动，运用低阶差分去噪法挖掘历史用电量数据中异常数据点，并将异常数据点进行拉格朗日插值法替换得到新的波动趋势，采用神经网络算法、再次取样法等科学方法，利用多组经过不同方法处理后的趋势图来预测该供应商次月用电量数据及合理的波动区间，并设置次月用电量预警区间，实现对供应商用电量实时监控和异常生产状况的及时预警。本发明也针对供应商年度内和季度内的用电量标准值分物资类别进行分析，并给出行业标准设定建议。
Description
技术领域
本发明属于电力行业领域，特别是电力行业物资供应商管理监督领域，更为具体的说是涉及基于用电量分析的物资供应商生产能力监控及异常预警方法。
背景技术
供应商生产监控和预警问题一直是电力公司关注的重点问题。供应商产能不足以及因经济问题造成的停产风险是造成物资延迟交货的主要原因。同时，部分供应商在自身无法满足生产需求时，存在擅自将订单外包的违规操作，导致物资质量无法有效保障，对电网建设及系统安全稳定运行埋下隐患。
供应商产能不足和违规转包是物资供应工作中重要的风险因素，会对电力物资供应工作产生极大的危害，电力公司的供应商数量众多，供应商对于相关信息收集工作存在着不配合甚至隐瞒的情况。同时，电力公司缺乏供应商生产现场的审核、监控依据，导致供应商产能风险、分包、转包的防范工作人力物力需求较大。
发明内容
本发明所要解决的技术问题是：如何低成本、高效率的监控、发现供应商产能不足和违规转包，降低供应商因为产能不足以及产能不足后违规转包对电力行业造成的供货风险。
为了解决上述技术问题，本发明公开了一种基于用电量分析的物资供应商生产能力监控及异常预警方法，通过持续监控物资供应商的用电量，并将物资供应商的实际用电量与预测用电量区间进行比对，通过异常用电情况的预警，判断物资供应商的生产状况是否正常，是否具备正常的供货能力，包括以下步骤：
S1：建立物资供应商的预测用电量范围；
S2：监控物资供应商的实际用电量；
S3：进行是否处于正常生产状态，是否具有生产经营风险和转包风险的判断：
a.如果实际用电量介于预测用电量范围内，则认为物资供应商处于正常生产状态下，不存在生产经营风险和转包风险；
b.如果实际用电量小于预测用电量最小值，则认为物资供应上处于非正常生产状态，存在生产经营风险和转包风险。
c.如果实际用电量大于预测用电量最大值，则认为供应商可能处于扩大生产规模的情况等其他正常经营状况，该供应商的生产经营风险或者转包风险较小。
其中，所述的用电量是指月度用电量、季度用电量或者是年度用电量。
当用电量为月度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：首先运用归一化方法进行数据标准化处理，并运用小波分解法将用电量数据分离为趋势和波动，挖掘出异常用电量数据；采用低阶差分去噪法分析用电量数据中的异常值，用异常值前一个月与后一个月用电量数据的拉格朗日差值替换异常值，得到拉格朗日插值法处理后的波动数据；然后通过采用神经网络算法预测供应商次月用电量数据，采用再次取样法得到物资供应商的合理用电量波动区间，即为物资供应商的预测用电量范围。
当用电量为季度用电量或者年度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：收集某类物资供应商季度或者年度用电量数据和年营业收入数据，分析得出年度平均单位收入用电量的平均数，并根据观察的数据分布情况与波动趋势来选择平均数作为季度或者年度预测值、参考值进行预警判断；
当分析数据时，数列分布偏差不大时，选取平均数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；
当分析数据时，数列分布偏差较大时，选取中位数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；
按物资类别进行分析，将或者 作为季度或者年度用电量预测数据，进行预警判断。
值得注意的是，如果要预测季度用电量，那么各步骤中所使用的为季度数据，如果要预测年度用电量，那么各步骤中所使用的为年度数据。
所述的用电量数据标准化处理方法是，通过下面的归一法方法进行数据处理：
公式中，xmin,xmax指示原来用电量数据序列中最大值和最小值；x指示原始的用电量的数据序列，y为标准化后的用电量数据。
数据标准化处理的目的是将数据去掉量纲(数据单位)的影响，归纳同一样本的统计分布性。由于单个供应商历史月之间用电数据量差异比较大，数据标准化处理后，能够保证后续神经网络方法的训练效率和神经网络的映射的准确性和便利性。
更为优选的是，挖掘出异常用电量数据的方法是：设定要研究的基于用电量数据的时间序列为P(t),且前3个月的数据是正常值，若后续数据满足以下条件，则说明数据P(t)为异常点数据，
按照用电量异常点数据挖掘的实际情况，仅需要考虑用电量突然下降的情况，因此将上述条件优化为：
其中，上述的两个公式中,γ为预警因子；P(t)为月份t月供应商月度用电量数据，其中t(1＜t≤12)，P(t-1)为月份为t-1的供应商月度用电量数据，当用电量突然下降时，前一个月的用电量大于后一个月的用电量，即P(t-1)＞P(t)。
因选择前3个月数据为正常值可以有效排除掉季节因素的影响，优选的，n＝3(0＜j≤n)；
γ为预警因子，可以根据供应商实际历史情况进行调节，它的值越大，挖掘的异常点就越少，在实例验证中表明，γ选择在1～3之间是比较合理的，因此优选γ为1～3。
这里所说的前3个月是指每年的前三个月，也就是1月份、2月份、3月份。
更为优选的，神经网络算法是指BP神经网络模型。
具体进行BP神经网络预测之前的具体做法是，将供应商实际用电量的趋势数据、经过小波分解的曲线主趋势部分数据、经过小波分解的曲线趋势变化的曲线变动部分数据以及将拉格朗日插值法处理后的波动数据进行神经网络训练。
所述BP神经网络模型包括输入层(input)、隐层(hide layer)和输出层(outputlayer)。在输入层、隐层和输出层的选择上，考虑到季度和年度影响，每组数据选择6个数据作为神经元；综合考虑训练压力和训练效果，隐层数设为3个；输出层设为1个，将4组数据的输出层进行综合运算，预测得到为次月用电量预测值θ。
BP神经网络模型用于未来用电量的预测时，对于模型参数设定时，基于网络搜索算法，依据供应商数据个性特征，设置差异化的网络超参数，使整个模型具有最优的网络结构。模型中选用带有“挤压”性质的激活函数ReLU，并增设Adam优化器，用于根据训练数据迭代来更新神经网络权重。
预测结果形成后，通过设立评价指标对预测的性能进行评价，评价指标包括AMAPE和VAR，前者表示了预测的相对精度，后者代表了预测的稳定度，计算方法公式如下(其中P(t)为月份为t的供应商月度用电量数据，为相应月份的用电量预测值，N为参与训练样本中的总个数)：
更为优选的是，使用再次取样法得到物资供应商的合理用电量波动区间的具体方法是：使用神经网络预测的过程中，输入的训练样本的每一个用电量数据都对应一个预测值，结合样本中用电量原始数据同预测值之间的差值大小计算训练样本的偏差，偏差计算公式如下。
其中，t为训练样本中的用电量数据的个数，xi为样本中的某个用电量数据的预测值，x为某个用电量数据的真实值。
从该供应商历史用电量数据中随机按时间顺序取大于6个数据的样本，多个训练样本将得到多个偏差值，将偏差值按数值大小由大到小排序构成一个偏差序列S，进行统计分析后，可以得知次月用电量的预测值属于各偏差类的概率q。如果偏差类sj包含j个(0＜j≤m，m为训练样本的个数)随机偏差的样本，则：
若偏差序列S中有m个偏差值，sj为从小到大排序中的第j个偏差值。
当给定一个显著性水平α后，可以确定偏差区间[su，sv]，该区间包含真实用电量值的概率为1-2α，算法如下：
步骤01计算su，使得q(s≤su)＝α；
其中，对于步骤01中的计算偏差Su时，代入当q为α时,求得u＝j＝q*a值，将偏差序列中第u个用电量数据训练时的偏差su；
步骤02计算sv，使得q(s≤sv)＝1-α。
对于步骤02中的计算偏差su时，代入当q为1-α时,求得v＝j＝q*(1-a)值，将偏差序列中v个用电量数据训练时的偏差su；
若预测值为θ，可以得出预警区间为[θ-su，θ+sv]。
当用电量为季度用电量或者年度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：收集某类物资供应商季度或者年度用电量数据和年营业收入数据，分析得出年度平均单位收入用电量的平均数，并根据观察的数据分布情况与波动趋势来选择平均数作为季度或者年度预测值、参考值进行预警判断；
当分析数据时，数列分布偏差不大时，选取平均数作为年度用电量预测值参考标准，并参考箱式图法，进行预警判断；
按物资类别进行分析，将或者 作为季度或者年度用电量预测数据，并参考箱式图法，进行预警判断。
具体来说，也就是说物资供应商生产监控和预警的年度和季度预警模型方法采用以下方式：
按物资类别进行分析，将年单位收入用电量(等于年均用电量除以年主营业务收入)作为分析对象时，对某类物资供应商的年单位收入用电量数据进行统计分析，观察数列分布情况，若数列符合统计学中正态分布的情况，数列分布偏差不大时，选取平均数作为参考标准。结合物资分类情况，同时可以分析得出物资类别所在行业的年单位收入用电量标准、下限阈值、上限阈值，给予参考。
对供应商季度用电量预警，是在年度预警方法的基础上，采用季度用电量均值或供应商季度单位收入用电量作为参考指标，其方法可以参考前述方式。
季度单位收入用电量标准与年单位收入用电量一样，都是在行业间(具体涉及绝缘子类、电缆保护管类、铁塔类、箱柜类、开关类、变压器类、水泥杆类、线缆类等物资类别的)进行对比分析。但不同的是，年单位收入用电量是利用具体的年用电量数据和主营业务收入数据制定标准，来对供应商过去一整年单位收入用电量水平进行评价，是一个相对静态的标准；而季度单位收入用电量通过对近三个月数据滚动相加，与去年主营收入的四分之一相除，横向比对，是一个动态标准。
利用本发明所提出的方法模型可以对物资供应商的生产状态进行远程监控，根据供应商过去的用电量情况预测未来物资供应商生产经营活动，对用电量异常情况提出预警。
本发明的预警结果利于电力公司针对性地开展供应商现场核实，及时发现物资供应问题，积极采取防范措施，保证物资的准确及时供应。
本发明通过建立用电量分析模型，对供应商单个样本的历史用电量进行分析，通过小波变换将用电量数据分离为趋势和波动，采用神经网络算法、再次取样法等科学方法，预测该供应商次月用电量数据及合理的波动区间，并设置次月用电量预警区间，挖掘历史用电量数据中异常数据点，并发现各数据间内在的相关性，利用历史上产生过物资供应风险的供应商数据来评价该模型方法的可靠性，实现对供应商用电量实时监控、及时预警。
附图说明
图1为用电量分析模型逻辑图。
图2为用电量数据的小波变换分解图。
图3为标准化后用电量数据的小波分解图。
图4为BP神经网络模型结构图。
图5为用电量预测模型神经网络示意图。
图6为用电量预警区间算法逻辑图。
图7为某类物资供应商用电量数据趋势变化图。
图8为某类物资供应商年单位收入用电量数据趋势变化图。
图9为某类物资供应商年收入用电量数据正态分布图。
具体实施方式
为了更好的理解本发明，下面我们结合具体的实施例对本发明进行进一步的阐述。
实施例1物资供应商生产状态的月度预警
一种基于用电量分析的物资供应商生产监控与预警模型方法中的月度预警，包括以下步骤(如图1)，首先运用归一化方法进行数据标准化处理，运用小波分解将用电量数据分离为趋势和波动，从而挖掘出异常用电量数据；通过采用神经网络算法预测供应商次月用电量数据，采用再次取样法预测合理的波动区间，并设置次月用电量预警区间。
设立预警模型目标，挖掘出历史数据中可能的异常用电量数据，以及产生异常用电量的月份，预测次月用电量数据，设置出次月用电量预警区间。
1.挖掘异常用电量数据
(1)数据标准化处理
数据标准化处理的目的是将数据去掉量纲(数据单位)的影响，归纳同一样本的统计分布性。由于单个供应商历史月之间用电数据量差异比较大，为提高数据分析的便利性，进行数据归一化处理，计算方法如下：
公式中，xmin,xmax指示原来用电量数据序列中最大值和最小值；x指示原始的用电量的数据序列，y为标准化后的用电量数据。
数据标准化处理为后续神经网络方法的训练效率和神经网络的映射提供很大便利性。
(2)用电量数据分离
单个供应商的历史用电量研究的关键在于设立规则挖掘出供应商异常用电量时间点，其本质是将用电量数据理解为一组信号，将该组信号的趋势和随机波动进行分离。
对于信号数据趋势和波动的分离，通常采用的有傅里叶变换，傅里叶变换是通过在连续时间区间计算不同傅里叶变换，并将其放在一起来提供时间信息，通过使用滑动窗口函数截取信号来得到信号的连续时间间隔。然而，短期傅里叶变换在所有时段的分辨率是固定的，对于不平稳的用电量序列，小波变换的优势更加明显。
小波分析是一种时间和频率的局域变换，采用多分辨率分析的思想，非均匀地划分视频空间。小波分析是继傅里叶变换和短时傅里叶变换后发展起来的一种时频局部信号分析方法。它可以通过伸缩和平移等运算功能对信号进行多尺度细化分析，使得人们可以在不同尺度上来观察信号，被誉为“数学显微镜”。
小波变换可以实现时间位置和频率信息有效折中的函数，这些函数的窗口函数可以自动调节，以获得合适的分辨率，这些特性使小波分析可以分析很多非平稳信号，通过多次小波分解，可以将数据序列里面的最稳定趋势挖掘出来。
利用小波变换按时间维度分析大量用电量数据的波形图，以某家供应商的月原始度用电量做小波分解(如图2)，图中由上至下，第一图的曲线代表供应商实际用电量；第二个图的曲线代表了实际用电量的趋势图，比较平滑；而第三个图代表的是经过小波分解的曲线主趋势部分，而第四个图代表的是经过小波分解的曲线趋势变化的曲线变动部分。而曲线波动部分用蓝色表示的是相对趋势曲线的分解。显然脉动越明显，异常点出现的可能性越大。可以实现时间位置和频率信息有效折中的函数，这些函数的窗口函数可以自动调节，以获得合适的分辨率，这些特性使小波分析可以分析很多非平稳信号，将用电量数据进行标准化(如图3)，同图2的曲线趋势变化分解图，由上至下，第一图的曲线代表标准化处理后的供应商实际用电量；第二个图的曲线代表了标准化处理后的实际用电量的趋势图，比较平滑；而第三个图代表的是标准化处理的用电量数据经过小波分解的曲线主趋势部分，而第四个图代表的是标准化处理的用电量数据经过小波分解的曲线趋势变化的曲线变动部分。通过多次小波分解，可以将数据序列里面的最稳定趋势挖掘出来。
(3)历史异常数据挖掘
对于历史异常数据的挖掘，采用数据处理中常用的滤波技术——低阶差分去噪来实现该目标。低阶差分去噪法分析用电量数据中的异常值，其基本原理如下，设定要研究的时间序列为P(t)，且前3个月的数据是正常值，若后续数据满足以下条件，则说明数据P(t)为异常点数据。
按照用电量异常点数据挖掘的实际情况，仅需要考虑用电量突然下降的情况。因此将上述条件优化为：
其中，上述的两个公式中,P(t)为月份为t(1＜t≤12)的供应商月度用电量数据，P(t-1)为月份为t-1的月度用电量数据，当用电量突然下降时，前一个月的用电量大于后一个月的用电量，即P(t-1)＞P(t)。因选择前3个月数据为正常值可以有效排除掉季节因素的影响，即n＝3(0＜j≤n)。γ为预警因子，可以根据供应商实际历史情况进行调节，它的值越大，挖掘的异常点就越少，在实例验证中表明，γ选择在1～3之间是比较合理的。
2.预测次月用电量数据
在预测方法的选用上，选择BP神经网络进行预测。优势在于可以利用神经网络自学习和适应的功能建立用电量序列的非参数化模型。
BP神经网络模型结构包括输入层(input)、隐层(hide layer)和输出层(outputlayer)(如图4)。BP网络模型处理信息的基本原理是，输入信号通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号。
BP网络模型的网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差。BP网络模型通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降。
BP网络模型经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
在进行次月用电量预测过程中，为确保预测结果的合理性，需先将挖掘出的异常点数据进行序列均值替换，将经过两次小波分解的3组趋势数据(1组为供应商实际用电量的趋势数据，1组为经过小波分解的曲线主趋势部分数据，1组为经过小波分解的曲线趋势变化的曲线变动部分数据。)和1组进行过均值替换的波动数据分别进行神经网络训练。
在输入层、隐层和输出层的选择上，考虑到季度和年度影响，每组数据选择6个数据作为神经元；综合考虑训练压力和训练效果，隐层数设为3个；输出层设为1个，将四组数据的输出层综合，即为次月用电量预测值。
BP神经网络模型用于未来用电量的预测时，对于模型参数设定时，基于网络搜索算法，依据供应商数据个性特征，设置差异化的网络超参数，使整个模型具有最优的网络结构。模型中选用选用带有“挤压”性质的激活函数ReLU，并增设Adam优化器，用于根据训练数据迭代来更新神经网络权重(用电量预测模型神经网络示意如图5所示)。
实施过程中，
当预测结果形成后，通过设立评价指标对预测的性能进行评价，评价指标包括AMAPE和VAR，前者表示了预测的相对精度，后者代表了预测的稳定度，计算方法公式如下(其中P(t)为月份为t的供应商月度用电量数据，为相应月份的用电量预测值，N为参与训练样本中的总个数)：
3.设定次月用电量预警区间
预警区间的设定，可以理解为预测值在一定置信区间下的偏差范围，在统计学中通常可以假设偏差服从高斯分布得出偏差范围，但这种区间设定方式与实际情况往往有所偏差。Alves da Sillva和Moulin提出了一种与数据分布无关的预测区间的方法——再次取样法，具有较高的可靠性(如图6)。
使用神经网络预测的过程中，输入的训练样本的每一个用电量数据都对应一个预测值，结合样本中用电量原始数据同预测值之间的差值大小计算训练样本的偏差，偏差计算公式如下。
其中，t为训练样本中的用电量数据的个数，xi为样本中的某个用电量数据的预测值，x为某个用电量数据的真实值。
从该供应商历史用电量数据中随机按时间顺序取大于6个数据的样本，多个训练样本将得到多个偏差值，将偏差值按数值大小由大到小排序构成一个偏差序列S，进行统计分析后，可以得知次月用电量的预测值属于各偏差类的概率q。如果偏差类sj包含j个(0＜j≤m，m为训练样本的个数)随机偏差的样本，则：
若偏差序列S中有m个偏差值，sj为从小到大排序中的第j个偏差值。
当给定一个显著性水平α后，可以确定偏差区间[su，sv]，该区间包含真实用电量值的概率为1-2α，算法如下：
步骤01计算su，使得q(s≤su)＝α；
其中，对于步骤01中的计算偏差su时，代入当q为α时,求得u＝j＝S*a值，将偏差序列中第u个用电量数据训练时的偏差su；
步骤02计算sv，使得q(s≤sv)＝1-α。
对于步骤02中的计算偏差su时，代入当q为1-α时,求得v＝j＝S*(1-a)值，将偏差序列中v个用电量数据训练时的偏差su；
若预测值为θ，可以得出预警区间为[θ-su，θ+sv]。
具体实施该模型计算可采用python程序语言对模型进行程序编写，利用上述模型进行仿真计算，以某家开关类的AH供应商为例，取2017年12月份至2018年5月份的用电量(如下表1所示)，预测6月份的用电量的值为29522.22476度，预警区间为[14756.67，29544.73]，其实际用电量为20985度，在预警区间之内，证明此供应商的用电量在正常范围之内。
表1 AH供应商历史用电量值
| 供应商 | 户号 | 分类 | 年份 | 月份 | 用电量 |
| AH供应商 | 户号1 | 开关类 | 2017 | 12 | 24672 |
| AH供应商 | 户号1 | 开关类 | 2018 | 1 | 29510 |
| AH供应商 | 户号1 | 开关类 | 2018 | 2 | 29297 |
| AH供应商 | 户号1 | 开关类 | 2018 | 3 | 17406 |
| AH供应商 | 户号1 | 开关类 | 2018 | 4 | 17565 |
| AH供应商 | 户号1 | 开关类 | 2018 | 5 | 17496 |
4.收集开关类物资供应商2017年10月份至2018年6月份的月度用电量基础数据，使用实施例1中获得的模型进行未来时间段的用电量预测，观察预测值和真实值趋势一致，预测结果也符合评价标准。
表2 AH供应商实际用电量和预测用电量对比
每个月的用电量都可以利用历史用电量数据通过模型预测得出，当实际用电量介于预测用电量范围内，则认为物资供应商处于正常生产状态下，不存在生产经营风险和转包风险；如果实际用电量小于预测用电量最小值，则认为物资供应上处于非正常生产状态，存在生产经营风险和转包风险。如果实际用电量大于预测用电量最大值，则认为供应商可能处于扩大生产规模的情况等其他正常经营状况，该供应商的生产经营风险或者转包风险较小。
根据该预测结果，2017年10月份以及2018年3月份至6月份的实际用电量符合预警区间，处于正常生产状态之下；2017年11月份至2018年2月份的实际用电量大于预测用电量最大值，认为供应商可能处于扩大生产规模的情况等其他正常经营状况，该供应商的生产经营风险或者转包风险较小；反之，如果此供应商2017年10月份至2018年6月份的实际用电量小于预测用电量最小值，则认为物资供应上处于非正常生产状态，存在生产经营风险和转包风险。
实施例2物资供应商生产监控与预警的年度预警示例及优选
进行年度预警研究时，收集某类物资供应商2011年-2013年的用电量和主营业务数据，并求取2011年-2013年供应商年单位收入用电量值，通过统计分析(如图8)，该数列分布较为平均，呈逐渐放大趋势，符合统计学中正态分布的情况，数列分布偏差不大，偶有极大值出现(如图9)。基于此，选取平均数作为年度单位收入用电量的参考值，同时通过对历史年度单位收入用电量数据进行统计分析和观察其最小值、平均数、最大值之间的数据关系，同行业内，供应商的年度单位收入用电量最低值约为平均数的20％，而供应商年度单位收入用电量最高值约为平均数的400％。因此，将平均数的20％设定为季度单位收入用电量最低标准，平均数的400％设定为季度单位收入用电量最高标准。
年均单位收入用电量计算方式如下：
年均单位收入用电量(千瓦时/万元)＝年均用电量(千瓦时)/年主营业务收入(万元)
以变压器供应商为例，2011年-2013年的年收入用电数据如下表3所示：
表3 供应商年收入用电表数据
| 序号 | 供应商 | 年用电量均值 | 年主营收入均值 | 年单位收入用电量 |
| 1 | A供应商 | 285103 | 52438 | 5.44 |
| 2 | B供应商 | 144991 | 24575 | 5.90 |
| 3 | C供应商 | 479726 | 41906 | 11.45 |
| 4 | D供应商 | 401294 | 29476 | 13.61 |
| 5 | E供应商 | 554952 | 38424 | 14.44 |
| 6 | F供应商 | 107215 | 6677 | 16.06 |
| 7 | G供应商 | 663032 | 41125 | 16.12 |
| 8 | H供应商 | 207896 | 12826 | 16.21 |
| 9 | I供应商 | 634425 | 34790 | 18.24 |
| 10 | J供应商 | 99743 | 5402 | 18.46 |
| 11 | K供应商 | 1189850 | 55476 | 21.45 |
| 12 | L供应商 | 4145409 | 191136 | 21.69 |
| 13 | M供应商 | 786877 | 33052 | 23.81 |
| 14 | N供应商 | 2187404 | 90383 | 24.20 |
| 15 | O供应商 | 147890 | 5005 | 29.55 |
| 16 | P供应商 | 1198077 | 37821 | 31.68 |
| 17 | Q供应商 | 17337126 | 441910 | 39.23 |
| 18 | R供应商 | 9008108 | 190228 | 47.35 |
| 19 | S供应商 | 1801239 | 36369 | 49.53 |
| 20 | T供应商 | 284842 | 5367 | 53.07 |
| 21 | U供应商 | 881523 | 15044 | 58.60 |
| 22 | V供应商 | 740313 | 10633 | 69.63 |
| 23 | W供应商 | 2410608 | 26722 | 90.21 |
使用实例2模型方法得出变压器供应商年收入标准为30.89，上下限阈值区间为[6.18，123.56]。应用该模型方法，得到绝缘子类、电缆保护管类、铁塔类、箱柜类、开关类、水泥杆类、线缆类等物资类别的年单位收入用电标准、下限阈值、上限阈值(如表4所示)。
表4 9类物资行业年收入用电标准及最低标准
当供应商的年收入用电标准介于上下限阈值范围内，则认为物资供应商处于正常生产状态下，不存在生产经营风险和转包风险；如果年收入用电标准小于下限阈值，则认为物资供应上处于非正常生产状态，存在生产经营风险和转包风险。如果年收入用电标准大于上线阈值，则认为供应商可能处于扩大生产规模的情况等其他正常经营状况，该供应商的生产经营风险或者转包风险较小。
实施例3物资供应商生产监控与预警的季度预警
对供应商季度用电量预警，是在年单位收入用电量标准分析的基础上，采用了供应商季度单位收入用电量作为参考指标。
季度单位收入用电量计算方式如下：
季度单位收入用电量(千瓦时/万元)＝近三个月用电量之和(千瓦时)/(1/4×年主营业务收入)(万元)
取平均数作为季度单位收入用电量的参考值，同时通过对历史季度单位收入用电量数据进行统计分析和观察其最小值、平均数、最大值之间的数据关系，同行业内，供应商的季度单位收入用电量最低值约为平均数的10％，而供应商季度单位收入用电量最高值约为平均数的400％。因此，将平均数的10％设定为季度单位收入用电量最低标准，平均数的400％设定为季度单位收入用电量最高标准。
以上所述是本发明的具体实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：通过持续监控物资供应商的用电量，并将物资供应商的实际用电量与预测用电量区间进行比对，通过异常用电情况的预警，判断物资供应商的生产状况是否正常，是否具备正常的供货能力，包括以下步骤：
S1：建立物资供应商的预测用电量区间；
S2：监控物资供应商的实际用电量；
S3：进行是否处于正常生产状态，以及是否具有生产经营风险和转包风险的判断：
a.如果实际用电量介于预测用电量区间内，则认为物资供应商处于正常生产状况，具备正常生产能力，不存在生产经营风险和转包风险；
b.如果实际用电量小于预测用电量最小值，则认为物资供应商处于非正常生产状态，生产能力不足，存在生产经营风险和转包风险；
c.如果实际用电量大于预测用电量最大值，则认为供应商处于扩大生产规模的正常生产状况，不存在生产经营风险和转包风险。
2.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：所述的用电量是指月度用电量、季度用电量或者是年度用电量。
3.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：当用电量为月度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：首先运用归一化方法进行数据标准化处理，并运用小波分解法将用电量数据分离为趋势和波动，挖掘出异常用电量数据；并采用低阶差分去噪法分析用电量数据中的异常值，用异常值前一个月与后一个月用电量数据的拉格朗日差值替换异常值，得到拉格朗日插值法处理后的波动数据；然后通过采用神经网络算法预测供应商次月用电量数据，采用再次取样法得到物资供应商的合理用电量波动区间，即为物资供应商的预测用电量范围。
4.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：当用电量为季度用电量或者年度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：收集某类物资供应商季度或者年度用电量数据和年营业收入数据，分析得出年度平均单位收入用电量的平均数，并根据观察的数据分布情况与波动趋势来分别选择平均数、中位数作为季度或者年度预测值、参考值进行预警判断；
当分析数据时，数列分布偏差不大时，选取平均数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；
当分析数据时，数列分布偏差较大时，选取中位数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；
按物资类别进行分析，将或者 作为季度或者年度用电量预测数据，进行预警判断。
5.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于，按照下式进行所述归一化方法的数据标准化处理：
公式中，xmin,xmax指示原来用电量数据序列中最大值和最小值；x指示原始的用电量的数据序列，y为标准化后的用电量数据。
6.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：挖掘出异常用电量数据，并采用低阶差分去噪法分析用电量数据中的异常值的具体做法是，设定要研究的基于用电量数据的时间序列为P(t),且前3个月的数据是正常值，若后续数据满足以下条件，则说明数据P(t)为异常点数据，
优选的，按照用电量异常点数据挖掘的实际情况，仅需要考虑用电量突然下降的情况，因此将上述条件优化为：
其中，上述的两个公式中,γ为预警因子；P(t)为月份t月供应商月度用电量数据，其中t(1＜t≤12)，P(t-1)为月份为t-1的供应商月度用电量数据，当用电量突然下降时，前一个月的用电量大于后一个月的用电量，即P(t-1)＞P(t)。
优选的，n＝3(0＜j≤n)；
并且优选的，γ为1～3。
7.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：神经网络算法是指BP神经网络模型；
优选的，该BP神经网络模型的具体做法是将供应商实际用电量的趋势数据、经过小波分解的曲线主趋势部分数据、经过小波分解的曲线趋势变化的曲线变动部分数据以及将拉格朗日插值法处理后的波动数据进行神经网络训练；
更为优选的是所述BP神经网络模型包括输入层(input)、隐层(hide layer)和输出层(output layer)；
并且优选的，每组数据选择6个数据作为神经元；
并且优选的，隐层数设为3个；
并且优选的，输出层设为1个；
将4组数据的输出层进行综合运算，预测得到为次月用电量预测值θ；
更为优选的是，BP神经网络模型用于未来用电量的预测时，模型中选用带有“挤压”性质的激活函数ReLU，并增设Adam优化器，用于根据训练数据迭代来更新神经网络权重；
更为优选的是，预测结果形成后，通过设立评价指标对预测的性能进行评价，评价指标包括AMAPE和VAR，计算方法公式如下：
其中P(t)为月份为t的供应商月度用电量数据，为相应月份的用电量预测值，N为参与训练样本中的总个数。
8.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：使用再次取样法得到物资供应商的合理用电量波动区间的具体方法是：使用神经网络预测的过程中，输入的训练样本的每一个用电量数据都对应一个预测值，结合样本中用电量原始数据同预测值之间的差值大小计算训练样本的偏差，偏差计算公式如下：
其中，t为训练样本中的用电量数据的个数，xi为样本中的某个用电量数据的预测值，x为某个用电量数据的真实值；
优选的，从该供应商历史用电量数据中随机按时间顺序取大于6个数据的样本，多个训练样本将得到多个偏差值，将偏差值按数值大小由大到小排序构成一个偏差序列S，进行统计分析后，可以得知次月用电量的预测值属于各偏差类的概率q；
如果偏差类sj包含j个(0＜j≤m，m为训练样本的个数)随机偏差的样本，则：
若偏差序列S中有m个偏差值，sj为从小到大排序中的第j个偏差值；
当给定一个显著性水平α后，可以确定偏差区间[su，sv]，该区间包含真实用电量值的概率为1-2α，算法如下：
步骤01计算su，使得q(s≤su)＝α；
其中，对于步骤01中的计算偏差su时，代入当q为α时,求得u＝j＝q*a值，将偏差序列中第u个用电量数据训练时的偏差su；
步骤02计算sv，使得q(s≤sv)＝1-α。
对于步骤02中的计算偏差su时，代入当q为1-α时,求得v＝j＝q*(1-a)值，将偏差序列中v个用电量数据训练时的偏差su；
若预测值为θ，可以得出预警区间为[θ-su，θ+sv]。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810731302 | 2018-07-05 | ||
| CN2018107313024 | 2018-07-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110135612A true CN110135612A (zh) | 2019-08-16 |
| CN110135612B CN110135612B (zh) | 2023-11-28 |
Family
ID=67568113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810809958.3A Active CN110135612B (zh) | 2018-07-05 | 2018-07-23 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135612B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940852A (zh) * | 2019-11-05 | 2020-03-31 | 江苏三希科技股份有限公司 | 一种防作弊的电量监测方法、系统及装置 |
| CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
| CN111077865A (zh) * | 2019-12-25 | 2020-04-28 | 江苏三希科技股份有限公司 | 一种污染源企业环保生产负荷监控系统及方法 |
| CN111736549A (zh) * | 2020-06-11 | 2020-10-02 | 上海申瑞继保电气有限公司 | 产线节能辅助设备控制方法 |
| CN111784024A (zh) * | 2020-05-20 | 2020-10-16 | 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 |
| CN111861712A (zh) * | 2020-07-22 | 2020-10-30 | 国网上海市电力公司 | 基于电力投产率征信及风控评估方法、装置、设备及介质 |
| CN112561591A (zh) * | 2020-12-21 | 2021-03-26 | 国网电子商务有限公司 | 一种能源电子账单智能结算方法及装置 |
| CN112862605A (zh) * | 2021-04-26 | 2021-05-28 | 广东浩迪智云技术有限公司 | 基于用电数据的企业经营异常提醒方法、系统 |
| CN112990712A (zh) * | 2021-03-19 | 2021-06-18 | 成都青云之上信息科技有限公司 | 基于用电耗能监测的企业生产经营分析方法及系统 |
| CN113837324A (zh) * | 2021-11-25 | 2021-12-24 | 四川瑞康智慧能源有限公司 | 电量数据监测方法、系统、存储介质和电子设备 |
| CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
| CN115022187A (zh) * | 2022-01-20 | 2022-09-06 | 长沙理工大学 | 计及时序相关性的数据驱动电-气综合能源系统态势感知方法与模型 |
| CN115759885A (zh) * | 2023-01-09 | 2023-03-07 | 佰聆数据股份有限公司 | 一种基于分布式物资供应下的物资抽检方法和装置 |
| CN117252400A (zh) * | 2023-11-16 | 2023-12-19 | 天津马上好车信息技术股份有限公司 | 一种汽车供应链协调管理方法、系统及应用 |
| CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
| CN117609927A (zh) * | 2024-01-23 | 2024-02-27 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080312978A1 (en) * | 2007-06-12 | 2008-12-18 | Binney Blair A | System and Mechanism for Proactive Supplier Hub Management |
| CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
| CN104391202A (zh) * | 2014-11-27 | 2015-03-04 | 国家电网公司 | 基于电量异常分析的异常用电判断方法 |
| CN106022592A (zh) * | 2016-05-16 | 2016-10-12 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
| CN108197011A (zh) * | 2018-01-29 | 2018-06-22 | 上海洞识信息科技有限公司 | 一种基于人工智能大数据平台的单指标预测和预警方法 |
-
2018
- 2018-07-23 CN CN201810809958.3A patent/CN110135612B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080312978A1 (en) * | 2007-06-12 | 2008-12-18 | Binney Blair A | System and Mechanism for Proactive Supplier Hub Management |
| CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
| CN104391202A (zh) * | 2014-11-27 | 2015-03-04 | 国家电网公司 | 基于电量异常分析的异常用电判断方法 |
| CN106022592A (zh) * | 2016-05-16 | 2016-10-12 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
| CN108197011A (zh) * | 2018-01-29 | 2018-06-22 | 上海洞识信息科技有限公司 | 一种基于人工智能大数据平台的单指标预测和预警方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940852A (zh) * | 2019-11-05 | 2020-03-31 | 江苏三希科技股份有限公司 | 一种防作弊的电量监测方法、系统及装置 |
| CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
| CN111077865A (zh) * | 2019-12-25 | 2020-04-28 | 江苏三希科技股份有限公司 | 一种污染源企业环保生产负荷监控系统及方法 |
| CN111077865B (zh) * | 2019-12-25 | 2021-05-25 | 江苏三希科技股份有限公司 | 一种污染源企业环保生产负荷监控系统及方法 |
| CN111784024A (zh) * | 2020-05-20 | 2020-10-16 | 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 |
| 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 |
| CN111736549A (zh) * | 2020-06-11 | 2020-10-02 | 上海申瑞继保电气有限公司 | 产线节能辅助设备控制方法 |
| CN111861712A (zh) * | 2020-07-22 | 2020-10-30 | 国网上海市电力公司 | 基于电力投产率征信及风控评估方法、装置、设备及介质 |
| CN112561591A (zh) * | 2020-12-21 | 2021-03-26 | 国网电子商务有限公司 | 一种能源电子账单智能结算方法及装置 |
| CN112990712A (zh) * | 2021-03-19 | 2021-06-18 | 成都青云之上信息科技有限公司 | 基于用电耗能监测的企业生产经营分析方法及系统 |
| CN112862605A (zh) * | 2021-04-26 | 2021-05-28 | 广东浩迪智云技术有限公司 | 基于用电数据的企业经营异常提醒方法、系统 |
| CN113837324A (zh) * | 2021-11-25 | 2021-12-24 | 四川瑞康智慧能源有限公司 | 电量数据监测方法、系统、存储介质和电子设备 |
| CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
| CN114116843B (zh) * | 2021-11-25 | 2023-08-18 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
| CN115022187A (zh) * | 2022-01-20 | 2022-09-06 | 长沙理工大学 | 计及时序相关性的数据驱动电-气综合能源系统态势感知方法与模型 |
| CN115022187B (zh) * | 2022-01-20 | 2023-12-08 | 长沙理工大学 | 一种电-气综合能源系统态势感知方法与装置 |
| CN115759885B (zh) * | 2023-01-09 | 2023-04-18 | 佰聆数据股份有限公司 | 一种基于分布式物资供应下的物资抽检方法和装置 |
| CN115759885A (zh) * | 2023-01-09 | 2023-03-07 | 佰聆数据股份有限公司 | 一种基于分布式物资供应下的物资抽检方法和装置 |
| CN117252400A (zh) * | 2023-11-16 | 2023-12-19 | 天津马上好车信息技术股份有限公司 | 一种汽车供应链协调管理方法、系统及应用 |
| CN117252400B (zh) * | 2023-11-16 | 2024-02-23 | 天津马上好车信息技术股份有限公司 | 一种汽车供应链协调管理方法、系统及应用 |
| CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
| CN117424231B (zh) * | 2023-12-14 | 2024-03-15 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
| CN117609927A (zh) * | 2024-01-23 | 2024-02-27 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
| CN117609927B (zh) * | 2024-01-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110135612B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135612A (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Hamzacebi et al. | Forecasting the annual electricity consumption of Turkey using an optimized grey model | |
| CN104239968B (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
| CN103985055A (zh) | 一种基于网络分析和多模型融合的股市投资决策方法 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN105404935A (zh) | 一种考虑业扩增量的电力系统月度负荷预测方法 | |
| CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
| CN106056290A (zh) | 一种计及新能源接入的输电网运行效率效益检测方法 | |
| CN104376402B (zh) | 一种基于频域指标的负荷特性分类与综合方法 | |
| CN106780018A (zh) | 一种基于历史重现的股票数据挖掘模型和系统 | |
| CN112069666A (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
| Guerrero et al. | Increasing the efficiency in non-technical losses detection in utility companies | |
| CN105761093A (zh) | 一种基于知识空间的行为结果评估方法以及装置 | |
| CN105354644A (zh) | 一种基于集成经验模态分解和1-范数支持向量机分位数回归的金融时间序列预测方法 | |
| Zhu | N days average volume based ARIMA forecasting model for Shanghai metro passenger flow | |
| CN109255470B (zh) | 一种基于大数据分析的变电设备非项目类成本预测方法 | |
| Chakraborty et al. | Is fiscal policy contracyclical in India: An empirical analysis | |
| CN104517160A (zh) | 基于容量利用特征的新型电力市场预测系统和方法 | |
| Manusov et al. | Forecasting Electricity Consumption of Electrical Machines of a Coal Industry Enterprise Using the Wavelet Transform | |
| Grigoryan | Electricity consumption prediction using energy data, Socio-economic and weather indicators. A case study of Spain | |
| Li et al. | Adaptive short-term wind power forecasting with concept drifts | |
| Altamimi et al. | Energy Theft Detection Using the Wasserstein Distance on Residuals |
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 |