CN113077108A - 一种电力物资配置需求的数据预测系统 - Google Patents
一种电力物资配置需求的数据预测系统 Download PDFInfo
- Publication number
- CN113077108A CN113077108A CN202110418094.4A CN202110418094A CN113077108A CN 113077108 A CN113077108 A CN 113077108A CN 202110418094 A CN202110418094 A CN 202110418094A CN 113077108 A CN113077108 A CN 113077108A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- sample period
- calculating
- packet
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method 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
- 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)
- 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
本发明涉及信息计算信息系统领域,具体涉及一种电力物资配置需求的数据预测系统。本发明通过以下技术方案得以实现的:一种电力物资配置需求的数据预测系统,包含生成反向预测结果的反向计算模块,该种数据预测系统还包含正向计算模块,用于计算生成正向预测结果;权重调整模块,用于调整权重系数;结果生成模块,用于基于所述正向预测结果、所述反向预测结果和所述权重系数来生成最终预测结果。本发明的目的是提供一种电力物资配置需求的数据预测系统,对数据进行不同维度的计算与预测,提升最终预测结果的有效性。
Description
技术领域
本发明涉及信息计算信息系统领域,具体涉及一种电力物资配置需求的数据预测系统。
背景技术
电力系统主要负责电力设施的运营和建设,在运营和建设过程中,降低运营成本、提高经济效率、提升物资使用效率是电力系统运营主体关注的问题。
在电力设施建设之前,需要对配网的项目的物资进行筹备,而这往往由物资计划专职对配网物资需求进行预测,与项目关联性较强的物资经过与地市局的协同确认后形成最终的采购需求计划结果,而这一过程仅依赖于人的经验进行预测,容易造成框架协议执行周期长或者引起物资断档问题。
由此,如公开号为CN103903070B的中国专利文件公开了一种应用系统资源需求测算系统,能使用大数据平台对项目的物资需求进行智能数据收集和智能分析,并预测出项目对于物资的需求。该种需求测算系统往往包含数据采集系统、数据计算系统和测算结果发布系统。其中,数据计算系统利用软件工程技术人员预先设定好的大数据智能算法对数据进行计算,并生成最终的预测结果。然而,一方面,电力物资需求往往物资种类多、数量大、情形复杂,现有的计算系统往往算法单一,对数据的计算和处理与实际情况的贴合度不高,使得最终的预测结果的有效性和精准性不强。另一方面,预测结果产生后即作为系统终点,预测结果与最终实际结果的分析缺失,从而影响预测系统的实用性。
发明内容
本发明的目的是提供一种电力物资配置需求的数据预测系统,对数据进行不同维度的计算与预测,提升最终预测结果的有效性。
本发明通过以下技术方案得以实现的:一种电力物资配置需求的数据预测系统,包含生成反向预测结果的反向计算模块,该种数据预测系统还包含
正向计算模块,用于计算生成正向预测结果;
权重调整模块,用于调整权重系数;
结果生成模块,用于基于所述正向预测结果、所述反向预测结果和所述权重系数来生成最终预测结果;
所述正向计算模块包含,
总量输入模块,用于输入项目主体投资总量;
样本期数据调用模块,用于调用数据库中样本期内的标包数据;
样本期标包占比计算模块,用于计算样本期内的标包数据中的标包占比系数;
正向结果生成模块,用于根据所述标包占比系数和所述项目主体投资总量来计算生成所述正向结果。
作为本发明的优选,所述样本期数据调用模块调用的标包数据中包含了标包对应的金额数据,所述纵梁输入模块中输入的项目主体投资总量为投资金额总量,所述样本期标包占比计算模块计算的标包占比系数为标包金额数据/投资金额总量。
作为本发明的优选,所述反向计算模块包含算法模块,所述算法模块中的算法为ARIMA算法或TBATS算法或Prophet算法。
作为本发明的优选,所述权重计算模块包含:
权重模式编辑模块,用于自定义输入两个或多个权重系数值;
试验结果生成模块,用于根据不同的权重系数值来生成不同的试验结果;
比对排序模块,用于将所述试验结果与真实结果进行比对,按数据相似度从高到低进行排序;
权重模式确定模块,用于将排序后数据相似度最高的试验结果所对应的权重系数确定为最终的权重系数。
作为本发明的优选,所述反向计算模块包含用于给标包添加特性标签的特性标签添加模块和基于所述特性标签的数据来匹配对应算法的特性匹配模块。
作为本发明的优选,所述特性标签添加模块包含波动性计算模块和连续性计算模块,所述波动性计算模块用于给物资添加反应标包稳定性的波动性标签,所述连续性计算模块用于给物资添加反应在标包数据不为零连续情况的连续性标签。
作为本发明的优选,所述波动性计算模块包含变异系数计算模块,变异系数根据样本期内的所有标包数据的平均值和标准差来进行计算,所述波动性计算模块还包含空白删减模块,所述空白删减模块用于识别该物资在样本期内的标包数据不为零的个数,若个数小于预设阈值,则波动性标签直接被定义为无。
作为本发明的优选,所述连续性计算模块包含相隔指数计算模块,所述相隔指数计算模块用于将该物资的样本期内所有相隔附加数相加取和,相隔附加数为非零标包数据距离前一个非零标包数据的间隔月数,所述连续性计算模块还包含出库频率计算模块,所述出库频率计算模块用于识别该物资在样本期内的标包数据不为零的个数,若个数小于预设阈值,则连续性标签直接被定义为无。
作为本发明的优选,所述特性标签添加模块还包含季节性计算模块,所述季节性计算模块包含用于计算标包月度系数的年内最大值的月度变化计算模块,所述月度系数为该月在样本期内的平均值除以样本期内的所有平均值。
作为本发明的优选,所述特性标签添加模块还包含重要性计算模块,所述重要性计算模块包含用于对样本期金额占比数值进行排序的金额排序模块,所述样本期金额占比为将该物资在样本期内的所有出货额除以所有物资在样本期内的出货总额。
综上所述,本发明具备如下有益效果:
1.对于预测结果采用了自上而下逻辑和自下而上逻辑的正向算法和反向算法,使得预测结果精准度高,大大提升预测系统的可靠性和实用性。
2.对于正向预测结果和反向预测结果采用不同权重模式计算比较的方式,来得到最佳的权重计算模式,使得最终的预测结果更为准确。
3.对不同的物资进行合适的特性分析,根据物资的特性来匹配后期不同的算法处理,从而提升后期预测结果的有效性和针对性,提高预测系统的准确率。
4.特性的处理为标签值添加,便于系统识别与系统匹配。
5.特性标签包含了波动性、季节性、连续性和重要性的综合考量,使得算法匹配更具针对性。
附图说明
图1为实施例一的总体架构示意图;
图2为正向计算模块的架构示意图;
图3为反向计算模块的架构示意图;
图4为特性标签添加模块的架构示意图;
图5为权重计算模块的架构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1,一种电力物资配置需求的数据预测系统,如图1所示,包含四大模块,分别为正向计算模块、反向计算模块、权重计算模块和结果生成模块。本文中所指的各个功能模块可通过常规的代码编写的方式加以实现,本领域技术人员可以使用现有技术中的C语言,JAVA语言进行编写。
其中正向计算模块和反向计算模块分别采用自上而下的计算方式和自下而上的计算方式,两个模块通过两种截然不同的逻辑方式计算生成正向预测结果和反向预测结果。而正向预测结果和反向预测结果都不是本案中的最终的反应电力物资配置需求的最终结果,而是需要使用到权重计算模块进行调整。权重计算模块的作用是确定一个合理的,最合适的权重系数,即用来调整正向计算模块和反向计算模块的权重比例,最终,结果生成模块通过正向预测结果、反向预测结果和权重系数这三个数据来生成最终的电力物资配置需求的最终结果。
下面对这三个数据的计算方式做进一步阐述。
如图2所示,图2为正向计算模块,采用自上而下的逻辑的计算方式,其包含四个模块。其中,总量输入模块需要用户自定义输入总量,这个总量可以为营业单位的定期的投资金额总量,在本实施例中,可以为浙江省全省2021年1年的总计划投资额,例如10个亿。而样本期数据调用模块,就从标包数据库中,取得标包数据。
在本案中,需求物即为物资,在电力领域中,常见的物资为10KV变压器(干式),配电箱、10KV环网箱、交流穿墙套管等部件。标包数据为——统计期内物资出库数量或实际使用数量。在本案中,统计期定义为一个月。而物资或标包的逻辑主体对象,定义到10KV变压器(干式),配电箱、10KV环网箱、交流穿墙套管等这一层级。以10KV变压器(干式)为例,其上一层逻辑主体为变压器(干式),其下一层逻辑主体为10KV变压器(干式)400A、10KV变压器(干式)200A、10KV变压器(干式)300A等。在本实施例中,将物资或标包的逻辑主体对象定义在该层是申请人在使用和实验过程中基于数据运行速度、数据稀疏性、特性标签精准性的综合考量。
样本期数据调用模块从总数据库获得了样本期内的标包数据,标包数据包含物资名称、每个月的出货量/使用量和对应的金额数据。而样本期自然也可以定义,在本案中,定义为预测期的前三年,即可以为2018、2019、2020共36个月的数据。随后,样本期标包占比计算模块就统计每项物资在样本期内的金额占比,如配电箱的该项占比数据的计算方式在这36个月内,配电箱的出货总金额除以所有物资的出货总金额。
随后,正向结果生成模块,根据用户通过总量输入模块输入的2021年的总投资金额,和样本期标包占比计算模块计算出的各个物资的金额占比数据,直接相乘就可以得到某一物资,例如配电箱在2021年的总需求金额,也可以得到在2021年各个月需求金额,由于配电箱的单价已知,故也可以直接得到配电箱的需求数量。
所有物资的基于以上模块和方法获得的预测数据,即为本案中的正向预测结果。
而反向预测结果的计算方法,则较为复杂,使用了特性分析和算法匹配的模式,如图3所示,反向计算模块包含四大模块,分别为样本期编辑模块、数据获取模块、特性标签添加模块和特性匹配模块。该系统的作用主要是为了对电力物资配置需求测算系统中的物资进行整理和添加相应的特性标签,而系统后期会根据标签的内容来匹配对应的算法。
通过样本期编辑模块和数据获取模块,已经获取了物资在样本期内的所有标包,即10KV变压器(干式),配电箱、10KV环网箱、交流穿墙套管均获取了对应的36个标包,这36个标包内容为这3年中每个月的物资实际出库量。而特性标签添加模块用于对物资的这36个标本进行分析计算后,对这个物资加入对应的特性标签。
在本实施例中,采用了四个特性标签添加模块,分别为波动性计算模块、季节性计算模块、连续性计算模块和重要性计算模块,分别用于对该物资添加波动性标签、季节性标签、连续性标签和重要性标签。
下文对特性标签添加模块进行详细阐述。
如图4所示,波动性计算模块包含变异系数技术模块和空白删减模块。空白删减模块用于查找确认该物资(例如配电箱)这36个标包里是否有0值,0即表示配电箱在这个月没有出货。空白删减模块计算着36个标包里非0值的个数,并对个数是否小于预设阈值进行判定。例如配电箱这个物资的预设阈值为2,而36个标包里0值为35,只有1个非0值,此时就没有波动性计算的必要,直接将波动性标签定义为“无”。
若配电箱36个标包里0只只有10个,26个为非0值,则需要变异系数计算模块来计算配电箱这个物资的变异系数。变异系数可以为这36个数值的标准差相加,随后与这36个数值的平均数相除,根据变异系数的大小不同,用户可以将波动性分成若干区间并匹配不同的标签数据,例如将波动性划分为5档,分别为低、较低、中、较高、高。这“低、较低、中、较高、高”即为物资的波动性特性标签数据。至此波动性标签的计算和添加已完成。
季节性计算模块包含月度变化计算模块,用于计算月度系数的最大值。月度系数的计算方式为该月在3年内的出货平均值除以3年内所有月份的出货平均值。如,配电箱3月份的月度系数:在2017、2018和2019这3年的3月份出货量分别是300、400、500,则3月平均数为400。而配电箱在这三年,共计36个月的月度出货量平均数是320,则3月份的月度系数为1.25。同理可得其他月份的月度系数,即一共得到配电箱的12个月度系数,随后取最大值,这个最大值即为月度变化计算模块所需要的最终结果值。随后,根据该结果的数值,用户可以将季节性分成若干区间并匹配不同的标签数据,例如将季节性划分为3档,分别为低、中、高。这“低、中、高”即为物资的季节性特性标签数据。至此季节性标签的计算和添加已完成。
连续性计算模块包含出库频率计算模块和相隔指数计算模块。其中出库频率计算模块与上文中所述的空白删减模块功能类似,用于计算出货量不为0的次数。当出货量不为0的月份数量小于阈值,例如不足4个,则同样连续性标签定义为“无”。
当出货量不为0的月份数量大于阈值,则相隔指数计算模块用于将该物资的样本期内所有相隔附加数相加取和,相隔附加数为非零标包数据距离前一个非零标包数据的间隔月数。距离说明,以1-6月的配电箱出货数据为例,若1-6月分别出200、200、300、300、200、200台,则这6个月没有非零数据,即没有相隔附加数。若1-6月分别出200、0、300、0、200、200台,这里2月份和4月份均为0,此时3月份和5月份就均存在相隔附加数1,在这个例子中,这6个月,配电箱的相隔附加数为2。
同样的,根据相隔附加数的总和的值的大小不同,用户可以将连续性分成若干区间并匹配不同的标签数据,例如将连续性划分为5档,分别为低、较低、中、较高、高。这“低、较低、中、较高、高”即为物资的连续性特性标签数据。至此连续性标签的计算和添加已完成。
重要性计算模块包含标包金额排序模块,其用于对物资的金额重要性进行计算。具体方式计算该物资(配电箱)在样本期即36个月中所有出货的金额总和,随后,计算所有物资在样本期即36个月中所有出货的金额总和,随后将前者除以后者得到该物资的金额占比结果。金额排序模块将所有物资的金额占比结果按数值大小进行排序。随后,根据该结果的数值,用户可以将重要性分成若干区间并匹配不同的标签数据,例如将重要性划分为3档,分别为低、中、高。这“低、中、高”即为物资的重要性特性标签数据。至此重要性标签的计算和添加已完成。
以上,特性标签添加模块已经将每个物资的四个特性标签都添加了对应的数值。特性匹配模块包含映射编辑模块和算法模块,其中算法模块为之后对数据进行计算时所使用的智能算法,而映射编辑模块则是不同的标签数据与不同的算法的映射关系,这个映射关系和智能算法由用户自定义编辑完成。
例如:
If 季节性=中或高;then 模型选择=线性与非线性季节组合算法模型。
If 连续性=无;波动性=中或高;then 模型选择=间断与季节性组合算法模型。
If 季节性=无;波动性=中;重要性=低;then 模型选择=趋势性与季节性的自回归组合算法模型。
这里需要说明的是,在本案中,各个功能模块通过软件实现,具体的编写代码方式为软件领域从业人员的现有技术,这里不做限定和赘述。
至此,特性分析和算法匹配均已完成,而算法本身,例如线性与非线季节组合算法模型、趋势性与季节性的自回归组合算法模型、间断与季节性组合算法模型、ARIMA算法模型、TBATS算法模型、Prophet算法模型均为现有技术内容,根据标包数据内容和相应匹配的算法,可以求出物资的需求数量。
所有物资的基于以上模块和方法获得的预测数据,即为本案中的反向预测结果。
至此,正向预测结果和反向预测结果均已计算完毕。此时,需要权重计算模块来确定权重系数。如图5所示,权重计算模块也包含四个模块。其中,权重模式编辑模块供用户自定义若干个不同的权重分配模式。例如在本实施例中,用户定义了五种模式,分别是正向预测结果权重和反向预测结果权重为(100%、0%),(70%、30%),(50%、50%),(30%、70%),(0%、100%)。根据上文所述,系统根据2018、2019、2020三年的数据,可以计算出2021年对应的正向预测结果和反向预测结果。在这里,系统根据2016、2017、2018三年的数据,可以计算出2019年对应的正向预测结果和反向预测结果。此时,试验结果生成模块就根据2019年的正向预测结果和反向预测结果和五种权重分配模式,生成五种不同的2019年的最终预测结果。而2019年的需求数据是个已知数据,在数据库中已经存在,此时比对排序模块将五种权重分配模式的2019年最终预测结果与2019年的真实历史数据进行比对,并根据匹配度从高到低排序。例如在本实施例中,匹配度最高的模式为(30%、70%),匹配度达到86%,则权重模式确定模块将(30%、70%)确定为最终的权重模式。
至此,2021年正向预测结果、2021年反向预测结果和最佳权重模式这三个数据都已确定,则结果生成模块基于这三项数据计算生成最终的2021年物资需求数据。
Claims (10)
1.一种电力物资配置需求的数据预测系统,包含生成反向预测结果的反向计算模块,其特征在于,该种数据预测系统还包含 正向计算模块,用于计算生成正向预测结果; 权重调整模块,用于调整权重系数; 结果生成模块,用于基于所述正向预测结果、所述反向预测结果和所述权重系数来生成最终预测结果; 所述正向计算模块包含, 总量输入模块,用于输入项目主体投资总量; 样本期数据调用模块,用于调用数据库中样本期内的标包数据;样本期标包占比计算模块,用于计算样本期内的标包数据中的标包占比系数; 正向结果生成模块,用于根据所述标包占比系数和所述项目主体投资总量来计算生成所述正向结果。
2.根据权利要求1所述的一种电力物资配置需求的数据预测系统,其特征在于:所述样本期数据调用模块调用的标包数据中包含了标包对应的金额数据,所述纵梁输入模块中输入的项目主体投资总量为投资金额总量,所述样本期标包占比计算模块计算的标包占比系数为标包金额数据/投资金额总量。
3.根据权利要求1所述的一种电力物资配置需求的数据预测系统,其特征在于:所述反向计算模块包含算法模块,所述算法模块中的算法为ARIMA算法或TBATS算法或Prophet算法。
4.根据权利要求1所述的一种电力物资配置需求的数据预测系统,其特征在于,所述权重计算模块包含: 权重模式编辑模块,用于自定义输入两个或多个权重系数值; 试验结果生成模块,用于根据不同的权重系数值来生成不同的试验结果; 比对排序模块,用于将所述试验结果与真实结果进行比对,按数据相似度从高到低进行排序; 权重模式确定模块,用于将排序后数据相似度最高的试验结果所对应的权重系数确定为最终的权重系数。
5.根据权利要求1所述的一种电力物资配置需求的数据预测系统,其特征在于:所述反向计算模块包含用于给标包添加特性标签的特性标签添加模块和基于所述特性标签的数据来匹配对应算法的特性匹配模块。
6.根据权利要求5所述的一种电力物资配置需求的数据预测系统,其特征在于:所述特性标签添加模块包含波动性计算模块和连续性计算模块,所述波动性计算模块用于给物资添加反应标包稳定性的波动性标签,所述连续性计算模块用于给物资添加反应在标包数据不为零连续情况的连续性标签。
7.根据权利要求6所述的一种电力物资配置需求的数据预测系统,其特征在于:所述波动性计算模块包含变异系数计算模块,变异系数根据样本期内的所有标包数据的平均值和标准差来进行计算,所述波动性计算模块还包含空白删减模块,所述空白删减模块用于识别该物资在样本期内的标包数据不为零的个数,若个数小于预设阈值,则波动性标签直接被定义为无。
8.根据权利要求6所述的一种电力物资配置需求的数据预测系统,其特征在于:所述连续性计算模块包含相隔指数计算模块,所述相隔指数计算模块用于将该物资的样本期内所有相隔附加数相加取和,相隔附加数为非零标包数据距离前一个非零标包数据的间隔月数,所述连续性计算模块还包含出库频率计算模块,所述出库频率计算模块用于识别该物资在样本期内的标包数据不为零的个数,若个数小于预设阈值,则连续性标签直接被定义为无。
9.根据权利要求6所述的一种电力物资配置需求的数据预测系统,其特征在于:所述特性标签添加模块还包含季节性计算模块,所述季节性计算模块包含用于计算标包月度系数的年内最大值的月度变化计算模块,所述月度系数为该月在样本期内的平均值除以样本期内的所有平均值。
10.根据权利要求6所述的一种电力物资配置需求的数据预测系统,其特征在于:所述特性标签添加模块还包含重要性计算模块,所述重要性计算模块包含用于对样本期金额占比数值进行排序的金额排序模块,所述样本期金额占比为将该物资在样本期内的所有出货额除以所有物资在样本期内的出货总额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418094.4A CN113077108A (zh) | 2021-04-19 | 2021-04-19 | 一种电力物资配置需求的数据预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418094.4A CN113077108A (zh) | 2021-04-19 | 2021-04-19 | 一种电力物资配置需求的数据预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077108A true CN113077108A (zh) | 2021-07-06 |
Family
ID=76618063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110418094.4A Pending CN113077108A (zh) | 2021-04-19 | 2021-04-19 | 一种电力物资配置需求的数据预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502771A (zh) * | 2023-06-21 | 2023-07-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779157A (zh) * | 2016-11-18 | 2017-05-31 | 中铁第勘察设计院集团有限公司 | 区域能源消费需求的预测方法 |
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 |
CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
CN112330030A (zh) * | 2020-11-09 | 2021-02-05 | 国网江苏省电力有限公司 | 业扩物资需求预测系统及方法 |
-
2021
- 2021-04-19 CN CN202110418094.4A patent/CN113077108A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779157A (zh) * | 2016-11-18 | 2017-05-31 | 中铁第勘察设计院集团有限公司 | 区域能源消费需求的预测方法 |
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 |
CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
CN112330030A (zh) * | 2020-11-09 | 2021-02-05 | 国网江苏省电力有限公司 | 业扩物资需求预测系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502771A (zh) * | 2023-06-21 | 2023-07-28 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及系统 |
CN116502771B (zh) * | 2023-06-21 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力物资预测的配电方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852856B (zh) | 一种基于动态网络表征的发票虚开识别方法 | |
CN114168716B (zh) | 基于深度学习的工程造价自动抽取和分析方法及装置 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN111179016B (zh) | 一种售电套餐推荐方法、设备及存储介质 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
Lin et al. | Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression | |
CN112860769A (zh) | 一种能源规划数据管理系统 | |
CN116433052A (zh) | 一种基于智能化的招标信息采集数据分析评价系统 | |
CN109726740A (zh) | 一种基于聚类分析的行业用电行为分析方法 | |
CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和系统 | |
CN113077108A (zh) | 一种电力物资配置需求的数据预测系统 | |
CN111626331B (zh) | 一种自动化行业分类装置及其工作方法 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN113077007A (zh) | 一种电力物资配置需求测算的模型匹配系统 | |
CN113077107A (zh) | 一种电力物资配置需求预测系统 | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
Han et al. | Second-hand car price prediction based on a mixed-weighted regression model | |
CN115687788A (zh) | 一种智能化商机推荐方法和系统 | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 | |
Yang et al. | SVR mathematical model and methods for sale prediction | |
Rohman et al. | Customer Segmentation Using the Integration of the Recency Frequency Monetary Model and the K-Means Cluster Algorithm | |
CN112801410A (zh) | 基于大数据技术的电费流入预测分析方法 | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
CN117333269B (zh) | 一种鲜花订单管理方法及系统 |
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 |