CN111489037A

CN111489037A - 一种基于需求预测的新能源风机备件储备策略优化方法

Info

Publication number: CN111489037A
Application number: CN202010290948.0A
Authority: CN
Inventors: 俞海国; 张节谭; 王蔚青; 金金; 付龙明; 黄辉; 李丹; 陈佳鑫
Original assignee: BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD; Qinghai Green Energy Data Co ltd
Current assignee: BEIJING JOIN BRIGHT DIGITAL POWER TECHNOLOGY CO LTD; Qinghai Green Energy Data Co ltd; State Grid Qinghai Electric Power Co Ltd; Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Priority date: 2020-04-14
Filing date: 2020-04-14
Publication date: 2020-08-04
Anticipated expiration: 2040-04-14
Also published as: CN111489037B

Abstract

一种基于需求预测的新能源风机备件储备策略优化方法，涉及新能源风电场风机备品备件储备策略优化技术领域，其结构为：对历史的数据进行统计和预处理；采用灰色关联度算法计算影响因素与需求的关联度，剔除关联度较小的无关影响因素；综合考虑多因素后根据主要因素增加特征变量；引入XGBoost算法基于特征数据集训练风机备件需求预测模型；根据预测结果和库存量提出风机而卑贱储备策略优化建议。本发明通过分类模型挖掘风电场风机备件消耗特征并进行动态预测，辅助检修人员全面掌握风机备件的需求特点，建立精细化、个性化的风机备件储备机制，打破传统“拍脑袋”为主的风机备件储备决策模式，提高了风机备件储备工作的精准性。

Description

一种基于需求预测的新能源风机备件储备策略优化方法

技术领域

本发明涉及新能源风电场风机备品备件储备策略优化技术领域，特别是涉及一种基于需求预测的新能源风机备件储备策略优化方法。

背景技术

风机备件储备管理是保证新能源风电场安全稳定运行的重要手段，为了及时应对各类突发故障的发生，保证并不断提高风机设备的保障水平，风电场在风机备件储备方面普遍存在“多备少患”的意识，导致风机备件的库存量长期居高不下，占用了风力发电企业大量流动资金。同时风机备件的采购往往通过“拍脑袋”决定，与实际的备件需求脱节，大部分备件长期得不到使用，造成大量备件失效、报废，造成了大量资金的浪费。

正是由于缺乏系统性、全面性的风机备件储备策略，风力发电企业风机备件库存的庞大、库存的不合理，已经成为企业设备维修成本过高的重要原因。随着风力发电的机制改革和市场环境的快速变化，企业对于资金流动及企业效益的要求越来越高，风力发电企业亟需新的风机备件管理模式，建立合理的备件储备，降低企业的物资储备占用资金。

发明内容

针对上述现有技术的缺陷和不足，本发明提供了一种基于需求预测的新能源风机备件储备策略优化方法。其目的在于基于需求预测，合理制定风机备件储备策略，严格控制备件的新增，降低库存，减少资金的积压和浪费。

新能源风机备件种类繁多，不同的备件特性不同，需求量变化也不同，同时受外在环境条件等因素的影响，备件的需求波动性也较大。因此选用XGBoost算法针对不同的风机备件分别进行需求量预测，进而进行储备策略建议。

一种基于需求预测的新能源风机备件储备策略优化方法，包括以下步骤：

步骤1，数据预处理，对历史的数据进行统计和预处理；

步骤2，特征选择，对处理后的数据集提取相关的影响因素；

步骤3，特征处理，在筛选后的影响因素下添加特征变量；

步骤4，模型训练，使用XGBoost算法构建预测模型；

步骤5，根据模型预测结果进行备件储备策略优化。

所述的步骤1，数据预处理，对历史的数据进行统计和预处理；

选择最近12个月的风机备件消耗量历史数据，并按照自然月对历史的数据进行统计，对于数据集中出现的缺失值、异常值情况进行预处理操作，可以依据数据的具体情况进行删除处理，或者采用均值填充；以提升后续的预测准确率。

风机备件未来的需求量肯定与历史备件的消耗量有关，越是离得近的消耗量数据越有参考价值。因此，选取最近12个月的风机备件消耗量作为特征数据集，同时由于备件需求预测和储备策略优化不是一个常态化的实时工作，因此按照大部分风电场采用的半年度年计划加月计划工作要求方式进行处置，根据最近12个月的历史消耗预测未来6个月的风机备件需求量情况。

所述的步骤2，特征选择，对处理后的数据集提取相关的影响因素；

风机备件的需求特征，主要包括备件历史特征、备件关联需求特征和时间序列特征。但是不同的备件的需求影响因素也可能存在不同，如果将关联度不高的影响因素加入预测模型会影响预测的准确性。因此，采用灰色关联度算法计算影响因素与需求的关联度，剔除关联度较小的无关影响因素，提升预测的准确性；关联度计算的主要步骤包括：变量序列无量纲化，计算绝对差序列，计算关联度，关联度分析。

所述的变量序列无量纲化具体为：

假设y₀表示参考序列，x₁,x₂,x₃,x₄,......,x_i表示比较序列，所以构成了i+1个序列的矩阵y₀,x₁,x₂,x₃,x₄,......,x_i；根据公式对进行无量纲化，得到新的无量纲化矩阵：y′₀,x′₁,x′₂,x′₃,x′₄,......,x′_i；公式为：

所述的计算绝对差序列具体为：

根据公式计算参考序列和其余比较序列的绝对差值，得到绝对差值矩阵Δ₀₁,Δ₀₂,Δ₀₃,......,Δ_0m；公式为：

Δ_0i＝|y′₀(k)-x′_i(k)|,i＝1,2,3,......,m

其中，绝对差值矩阵中的最大值和最小值即为极大差和极小差，表示为Δ_max和Δ_min。

所述的计算关联度具体为：

由公式值计算各比较数列与参考数列在各个时刻的关联系数：

其中分辨系数ρ值对关联系数计算结果的影响较大，实际过程中根据因素之间的关联分析可以选择不同的分辨系数，取ρ＝0.5。

所述的关联度分析具体为：

灰色关联度分析通过关联度的大小次序描述因素间的关联程度，根据排序结果筛选出与需求相关联的影响因素，剔除无关因素。

所述的步骤3，特征处理，在筛选后的影响因素下添加特征变量；

经过特征选择后，剔除了无关的影响因素；综合考虑历史消耗量和其他影响因素对需求的影响，主要的影响因素还是基于历史消耗量的特征；在进行数据集构造中并不进行连续划窗，主要进行的特征处理为：

1)根据时间衰减特征和12-6的预测框架，分别对最近12个月的历史消耗量赋以18，11，10，9，8，7，6，5，4，3，2，1的权重系数，求得平均值，并将这些数据作为模型中的特征变量；

2)采用卡尔曼滤波法对对历史消耗量进行平滑处理，平滑掉特殊月份的数据对模型的偏移，提升预测的稳定性和准确率。

所述的步骤4，模型训练，使用XGBoost算法构建预测模型；

XGBoost模型运行速度快，并且更能体现特征的价值，并且可以通过分布式以及调用GPU进行加速，非常适合现实中的应用场景；因此，引入XGBoost算法，基于特征数据集训练风机备件需求预测模型；模型的构建及预测过程包括以下步骤：数据集划分、模型构建、确定最佳树结构。

所述的数据集划分，将特征数据集按照28原则进行拆分，其中的80％作为训练集，剩下的20％作为测试集。

所述的模型构建，XGBoost算法是一个树集成模型，最终的预测值

是由多个分类回归决策树CART函数结果进行相加，即为：

其中K为决策树的数量，f_k(x_i)为第k课CART对数据集中第i个样本的计算分数，F为所有CART的函数空间。

训练时，新的一轮加入一个新的f函数，来最大化的降低目标函数，在第t轮时目标函数则变为：

将目标函数进行泰勒展开，同时移除常数项，目标函数转化为：

其中

最终将关于树模型的迭代转化为关于树的叶子节点的迭代，并求出最优的叶节点分数；将叶节点的最优值带入目标函数，最终目标函数的形式为：

其中

可作为衡量树q结构质量的得分函数，分值越低表示树结构越好。

所述的确定最佳树结构，通常情况下，无法枚举所有可能的树结构然后选取最优的，所以选择用贪心算法来搜寻最优的树结构；从单个叶节点开始，迭代分裂来给树添加节点；节点切分后的损失函数如下：

其中L_s为信息增益，等式右侧的四个表达式依次分别为左子树分数、右子树分数、不分割时的节点分数和加入新节点引入的复杂度代价；当所有节点的分裂方案L_s＜0时或者树已经达到了最大深度，树停止分裂。

所述的步骤5，根据模型预测结果进行备件储备策略优化；具体为：

需求预测，基于XGBoost算法的风机备件需求量预测模型，获得未来半年内的每月的风机需求预测结果。

储备策略建议，基于现有的库存量和预测的每月需求量，对风机备件储备量进行计算，同时加一个修正系数进行浮动，进行并为采购量进行建议；通过这种每月的储备策略的不断滚动修订，保证风机备件的储备策略达到一个合理的阈值；备件储备计算公式为：

y_i＝|y_iyc-y_ikc|×(1+λ)

其中，y_i为第i个月的备件储备量建议值，y_iyc为第i个月的需求量预测，y_ikc为第i个月的库存量，λ为修正系数。

针对对不同的风机备件，分别构建其特属数据集，进而训练预测模型，并进行需求量预测和储备策略优化建议。

本发明的有益效果在于：

(1)在风机备件需求预测方面，本发明提出一种基于XGBoost模型的风机备件需求数量预测方法，通过最近一年的每月需求数据，提取反映备件数量变化的平均规律与近一年使用规律作为特征，预测未来需求量，能够有效的提高风电场风机备件需求预测的准确。

(2)在风机备件储备策略方面，通过分类模型挖掘风电场风机备件消耗特征并进行动态预测，辅助检修人员全面掌握风机备件的需求特点，建立精细化、个性化的风机备件储备机制，打破传统“拍脑袋”为主的风机备件储备决策模式，提高了风机备件储备工作的精准性。

附图说明

图1为本发明实施例提供的一种基于需求预测的新能源风机备件储备策略优化方法流程示意图；

具体实施方式

实施例1，如图所示，本发明提供一种基于需求预测的新能源风机备件储备策略优化方法，包括以下步骤：

S1：数据预处理，对历史的数据进行统计和预处理；

S2：特征选择，对处理后的数据集提取相关的影响因素；

S3：特征处理，在筛选后的影响因素下添加特征变量；

S4：模型训练，使用XGBoost算法构建预测模型；

S5：根据模型预测结果进行备件储备策略优化。

S2计算影响因素的关联度，主要步骤如下：

S1，数据预处理，根据最近12个月的历史消耗预测未来6个月的需求量情况。首先按照自然月对历史的数据进行统计，然后对于数据集中出现的缺失值、异常值进行一些预处理，可以具体依据数据的情况进行剔除处理，或者采用均值做一个填充。

S2，计算影响因素的关联度，主要步骤如下：

1)变量序列无量纲化

假设y₀表示参考序列，x₁,x₂,x₃,x₄,......,x_i表示比较序列，所以构成了i+1个序列的矩阵y₀,x₁,x₂,x₃,x₄,......,x_i；根据下式对进行无量纲化，得到新的无量纲化矩阵：y′₀,x′₁,x′₂,x′₃,x′₄,......,x′_i；

2)计算绝对差序列

根据公式计算参考序列和其余比较序列的绝对差值，得到绝对差值矩阵Δ₀₁,Δ₀₂,Δ₀₃,......,Δ_0m；

Δ_0i＝|y′₀(k)-x′_i(k)|,i＝1,2,3,......,m

其中，绝对差矩阵中的最大值和最小值即为极大差和极小差，表示为Δ_max和Δ_min；

3)计算关联度

各比较数列与参考数列在各个时刻的关联系数可由下列公式算出

其中分变系数ρ值对关联系数的影响很大，实际过程中根据因素间的关联分析可以选择不同的分辨系数，一般情况下取ρ＝0.5可以得到满意的分辨率；

4)关联度分析

灰色关联度分析通过关联度的大小次序描述因素间的关联程度，根据排序结果可以筛选出与需求相关联的影响因素。

S3，添加特征变量：

1)根据时间衰减特征和12-6的预测框架，分别对最近12个月的历史消耗量赋以18，11，10，9，8，7，6，5，4，3，2，1的权重系数，然后求得平均值，并将这些数据作为模型中的特征变量。

2)使用卡尔曼滤波法对对历史消耗量进行平滑处理，平滑掉特殊月份的数据对模型的偏移，这样能够提升预测的稳定性和准确率。

S4，引入XGboost依据特征数据集训练预测模型

1)数据集划分

将特征数据集按照28原则进行拆分，其中的80％作为训练集，剩下的20％作为测试集。

2)模型构建

XGBoost算法是一个树集成模型，最终的预测值

是由多个分类回归决策树CART函数结果进行相加，即为：

训练时，新的一轮加入一个新的f函数，来最大化的降低目标函数，在第t轮时目标函数则变为

接下来将目标函数进行泰勒展开，同时移除常数项，目标函数转化为：

其中

最终将关于树模型的迭代转化为关于树的叶子节点的迭代，并求出最优的叶节点分数。将叶节点的最优值带入目标函数，最终目标函数的形式为：

其中

3)确定最佳树结构

通常情况下，无法枚举所有可能的树结构然后选取最优的，所以选择用贪心算法来搜寻最优的树结构。从单个叶节点开始，迭代分裂来给树添加节点。

节点切分后的损失函数如下：

其中L_s为信息增益，等式右侧的四个表达式依次分别为左子树分数、右子树分数、不分割时的节点分数和加入新节点引入的复杂度代价。当所有节点的分裂方案L_s＜0时或者树已经达到了最大深度，树停止分裂。

S5，根据模型预测结果进行备件储备策略优化

1)基于XGBoost算法的风机备件需求量预测模型，获得未来半年内的每月的风机备件需求预测结果。

2)基于现有的库存量和预测的每月需求量，对风机备件储备量进行计算，并为采购量进行建议。通过这种每月的风机备件储备策略的不断滚动修订，保证风机备件的储备策略达到一个合理的阈值。备件储备计算公式为：

y_i＝|y_iyc-y_ikc|×(1+λ)

Claims

1.一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于，该方法包括以下步骤：

步骤1，数据预处理，对历史的数据进行统计和预处理；

步骤2，特征选择，对处理后的数据集提取相关的影响因素；

步骤3，特征处理，在筛选后的影响因素下添加特征变量；

步骤4，模型训练，使用XGBoost算法构建预测模型；

步骤5，根据模型预测结果进行备件储备策略优化。

2.根据权利要求1所述的一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于：所述的步骤1，数据统计选择最近12个月的风机备件消耗量历史数据，并按照自然月对历史的数据进行统计，对于数据集中出现的缺失值、异常值情况进行预处理操作，可以依据数据的具体情况进行删除处理，或者采用均值填充。

3.根据权利要求1所述的一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于：所述的步骤2，采用灰色关联度算法计算影响因素与需求的关联度，剔除无关影响因素，提升预测的准确性。

4.根据权利要求1所述的一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于：所述的步骤3，根据时间衰减特征和12-6的预测框架，分别对最近12个月的历史消耗量赋以18，11，10，9，8，7，6，5，4，3，2，1的权重系数，然后求得平均值，并将这些数据作为模型中的特征变量；采用卡尔曼滤波法对对历史消耗量进行平滑处理，平滑掉特殊月份的数据对模型的偏移。

5.根据权利要求1所述的一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于：所述步骤4，将特征数据集按照28原则进行拆分，其中的80％作为训练集，剩下的20％作为测试集。

6.根据权利要求1所述的一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于：所述的步骤5，基于XGBoost算法的风机备件需求量预测模型，获得未来半年内的每月的风机需求预测结果；基于现有的库存量和预测的每月需求量，对风机备件储备量进行计算，同时加一个修正系数进行浮动，并为采购量进行建议。