CN113361745A - 一种配电网物资需求预测方法及系统 - Google Patents
一种配电网物资需求预测方法及系统 Download PDFInfo
- Publication number
- CN113361745A CN113361745A CN202110493383.0A CN202110493383A CN113361745A CN 113361745 A CN113361745 A CN 113361745A CN 202110493383 A CN202110493383 A CN 202110493383A CN 113361745 A CN113361745 A CN 113361745A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- data
- model
- material demand
- power distribution
- 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
- 239000000463 material Substances 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 241001123248 Arma Species 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 4
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (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
本发明公开了一种配电网物资需求预测方法及系统,用于在配网物资需求预测中,实现配网物资需求智能化预测,经过配网物资的分类及历史使用量分析计算,优化物资预测模型,选择最优预测算法模型。所述的配电网物资需求预测模型及计算机程序产品包括:自动采集配电网物资历史使用数据;自动建立物资需求预测模型;自动进行预测模型训练选择最优预模型参数;智能化开展配电网物资需求预测,自动生成物资需求预测量。本发明提供多角度物资需求预测方法,生成多维度,全覆盖的物资需求预测结果,完善电网公司内部物资需求预测管理模式,提升物资需求预测准确率,确保物资供应链及时、高效,实现企业高效率、高效益的经营目标。
Description
技术领域
本发明涉及电力计算分析方法技术领域,具体为一种配电网物资需求预测方法及系统。
背景技术
物资需求量的预测是指在规划阶段公司为满足项目建设等方面需要耗费的物资量做出的推测和预计,结合历史使用数据进行分析处理,对电网物资数据可采用同时处理连续性需求和间断性需求的多个预测模型进行组合预测,以实现预测模型选择的自动化和智能化,能够对物资未来的需求量以及变化趋势做出相应的预估。物资需求量的预测隶属供应链理论中的需求管理领域,在电力系统中的应用处于起步阶段,还没有一套成熟的配电网物资需求预测模型。
发明内容
有鉴于此,本发明主要提供一种配电网物资需求预测模型及计算机程序产品,为配配电网物资需求预测提供解决思路,并在计算机中建立配电网物资需求预测模型,采用计算机充分获取历史数据并使用高速计算代替传统手动分析,提高计算的精准度,提升配电网物资需求预测结果的可靠性。
具体的,本发明用于在配网物资需求预测中,实现配网物资需求智能化预测,经过配网物资的分类及历史使用量分析计算,优化物资预测模型,选择最优预测算法模型。所述的配电网物资需求预测模型及计算机程序产品包括:自动采集配电网物资历史使用数据;自动建立物资需求预测模型;自动进行预测模型训练选择最优预模型参数;智能化开展配电网物资需求预测,自动生成物资需求预测量。
本发明的工作原理和有益效果介绍:通过采集配电网物资历史使用数据,经过核实校验后,基于差分整合移动平均自回归模型ARIMA(p,d,q)模型建立配电网物资需求预测模型,并训练选择最优预模型参数,经过开展数据的平稳性处理及检验、确定自相关系数和平均移动系数(p,q)、进行残差和白噪声检验,得到物资需求量预测模型校验,得需求量结果。本发明提供配电网物资需求预测模型,利用模型预测配电网物资需求量,提升配电网物资需求预测的可靠性;采用建立计算机模型进行计算,代替人工统计分析,减少因工人计算带来的误差,提升计算的精确度,提高配电网物资需求预测工作的效率。通过本研究成果,将人工从繁杂重复的数据收集,统计,计算中解放出来,节约更多的时间用于其他更深层次的研究,让配电网物资需求预测模型不断精进,提升物资供应准确性,减少物资浪费。
附图说明
图1为实施例3中配电网物资的原始数据图;
图2为对图1中原始数据取对数图;
图3为实施例3中的差分图;
图4为实施例3中的偏自相关图;
图5为实施例3中自相关图;
图6为实施例3中ARIMA结果图;
图7为实施例3中模型结果;
图8为实施例3中预测结果图;
图9为实施例3中预测结果还原图;
图10实施例3中为原始数据与预测结果走势图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例1:一种配电网物资需求预测方法,包括以下步骤:采集配电网物资历史使用数据,获取配电网物资历史年份物资使用数据;对历史使用数据进行准确性验证;有明显异常的数据做出标记,直到全部数据都校验通过,清理问题数据;根据配电网物资历史年份物资使用数据,建立物资需求预测模型,预测模型训练选择最优预模型参数。配电网物资历史数据包括物资的历史需求计划、采购量、系统领用量、系统实时库存量。
建立物资需求预测模型包括:根据配电网物资历史年份物资使用数据,基于“差分整合移动平均自回归模型:ARIMA(p,d,q)模型”建立配电网物资需求预测模型,其中:
P:代表预测模型中采用的时序数据本身的滞后数lags;
d:代表时序数据需要进行几阶差分化,才是稳定的;
q:代表预测模型中采用的预测误差的滞后数lags。
预测模型训练选择最优预模型参数包括:
C1、开展数据的平稳性处理及检验
用Python对数据进行分析处理建模,模拟画出按年份配网物资使用量的时间路径图;
C2、确定自相关系数和平均移动系数(p,q)
根据时间序列的识别规则,采用ACF图、PAC图,赤道信息量准则AIC和贝叶斯准则BIC相结合的方式来确定ARMA模型的阶数,选取AIC和BIC值达到最小的那一组为理想阶数;
C3、进行残差和白噪声检验
对模型ARIMA(0,1,1)的残差序列arma_mod.resid进行ADF检验;C4、物资需求量预测模型校验
选取a物资开展物资需求量预测模型验证。
实施例2:一种配电网物资需求预测系统,包括:数据存储模块:用于采集配电网物资历史使用数据、年份物资使用数据;数据处理模块:用于对历史使用数据进行准确性验证,能对有明显异常的数据做出标记,直到全部数据都校验通过,清理问题数据;物资需求预测模块,用于建立物资需求预测模型,能通过预测模型训练选择最优预模型参数,生成验证结果。
优选地,所述物资需求预测模块还用于:根据配电网物资历史年份物资使用数据,基于“差分整合移动平均自回归模型ARIMA(p,d,q)模型”建立配电网物资需求预测模型,其中:
P:代表预测模型中采用的时序数据本身的滞后数lags;
d:代表时序数据需要进行几阶差分化,才是稳定的;
q:代表预测模型中采用的预测误差的滞后数lags;
还能开展数据的平稳性处理及检验:用Python对数据进行分析处理建模,模拟画出按年份配网物资使用量的时间路径图;
能确定自相关系数和平均移动系数(p,q):根据时间序列的识别规则,采用ACF图、PAC图,赤道信息量准则AIC和贝叶斯准则BIC相结合的方式来确定ARMA模型的阶数,选取AIC和BIC值达到最小的那一组为理想阶数;
能进行残差和白噪声检验对模型ARIMA(0,1,1)的残差序列arma_mod.resid进行ADF检验;
能对物资需求量预测模型校验:选取a物资开展物资需求量预测模型验证。
实施例3:
以下结合图1-图10对本发明做进一步的说明:
如图1所示,一种配电网物资需求预测模型,包括如下步骤:
A、自动采集配电网物资历史使用数据;
B、自动建立物资需求预测模型;
C、自动进行预测模型训练选择最优预模型参数。
其中,步骤A中自动获取的配电网物资历史数据包括物资的历史需求计划、采购量、系统领用量、系统实时库存量,数据获取成功后,对数据进行正确性校验,对有明显异常的数据做出标记,直到全部数据都校验通过。
数据获取完成后,基于“(差分整合移动平均自回归模型)ARIMA(p,d,q)模型”建立配电网物资需求预测模型,其中:
P:代表预测模型中采用的时序数据本身的滞后数(lags)。
d:代表时序数据需要进行几阶差分化,才是稳定的。
q:代表预测模型中采用的预测误差的滞后数(lags)。
模型建立完后,开展预测模型训练选择最优预测算法模型,包括如下步骤:
C1、开展数据的平稳性处理及检验
用Python对数据进行分析处理建模,模拟画出按年份配网物资使用量的时间路径图。
处理流程:
(1)获取2014至2020年配网物资历史使用量(151.0,188.46,199.38,219.75,241.55,262.58,328.22,396.26,442.04,517.77,626.52,717.08,824.38,913.38,1088.39,1325.83,1700.92,2109.38,2499.77,2856.47,3114.02,3229.29,3545.39,3880.53,4212.82,4757.45,5633.24,6590.19,7617.47,9333.4,11328.92,12961.1,15967.61),利用时间序列数据分析函数Series进行分析得到配网物资历史使用量时间路径图,处理结果如图1。
(2)由图1可以看出,这个时间序列是呈指数形式的,波动性比较大,不是稳定的时间序列,对于这种指数形式的数据,利用log函数对其取对数,将其转化为线性趋势,处理结果如图2。
(3)由图2可以看出,去了对数之后的时间路径图明显具有线性趋势,为了确定其稳定性,利用adfuller函数和DataFrame对取对数后的数据进行ADF检验。
处理结果(检验结果):
检验项 | 检验结果 |
Test Statistic Value | 0.807369 |
p-value | 0.991754 |
Lags Used | 1 |
Number of Observations Used | 31 |
Critical Value(1%) | -3.66143 |
Critical Value(5%) | -2.96053 |
Critical Value(10%) | -2.61932 |
由上表可知,t统计量要大于任何置信度的临界值,因此认为该序列是非平稳的,所以再对序列进行差分处理,发现差分之后的序列基本达到稳定,如图3所示,并且通过了ADF检验,检验结果见下表。
处理结果如图3及下表检测结果:
C2、确定自相关系数和平均移动系数(p,q)
根据时间序列的识别规则,采用ACF图、PAC图,AIC准则(赤道信息量准则)和BIC准则(贝叶斯准则)相结合的方式来确定ARMA模型的阶数,利用plot_acf函数、plot_pacf函数及DataFrame函数选取AIC和BIC值达到最小的那一组为理想阶数,处理结果如图4,图5,图6,根据图4,图5,图6,先取p=1,q=2。利用ARMA函数及summary2函数进行模型估计,处理结果如图7,调整p和q参数,找出最佳的(AIC最小,BIC最小),经过比较,p=0,q=1为理想阶数。
C3、进行残差和白噪声检验
对模型ARIMA(0,1,1)的残差序列arma_mod.resid进行ADF检验。
#结果如下
C4、物资需求量预测模型校验
选取a物资开展物资需求量预测模型验证,验证情况如下:
(1)输入模型预测数据
根据p=0,q=1为理想阶数,利用ARMA函数及predict函数预测2017到2019年的使用量结果如图8。
(2)开展预测结果还原
对预测出来的数据,进行逆差分操作(由原始数据取对数后的数据加上预测出来的数据),然后再取指数即可还原。结果如图9及下表:
年份 | 2017年 | 2018年 | 2019年 |
实际值 | 19632.26 | 22250.45 | 24668.49 |
预测值 | 19314.03 | 22415.1 | 26014.08 |
上图最后3个为预测值,然后查询2017年到2019年a物资的实际值,可以进行对照。
(3)预测结果与实际值对比
年份 | 2017年 | 2018年 | 2019年 |
实际值 | 19632.26 | 22250.45 | 24668.49 |
预测值 | 19314.03 | 22415.1 | 26014.08 |
原始数据与预测结果走势如图10。
该产品通过收集数据,建立配电网物资需求预测模型,自动计算生成物资需求预测量,该产品通过计算机建模,提高了配电网物资需求预测工作效率,提升了配电网物资需求预测的可靠性,实现企业高效率、高效益的经营目标。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种配电网物资需求预测方法,其特征在于,包括以下步骤:
采集配电网物资历史使用数据,获取配电网物资历史年份物资使用数据;对历史使用数据进行准确性验证;有明显异常的数据做出标记,直到全部数据都校验通过,清理问题数据;根据配电网物资历史年份物资使用数据,建立物资需求预测模型,预测模型训练选择最优预模型参数。
2.根据权利要求1所述的配电网物资需求预测方法,其特征在于,配电网物资历史数据包括物资的历史需求计划、采购量、系统领用量、系统实时库存量。
3.根据权利要求2所述的配电网物资需求预测方法,其特征在于,所述建立物资需求预测模型包括:根据配电网物资历史年份物资使用数据,基于“差分整合移动平均自回归模型:ARIMA(p,d,q)模型”建立配电网物资需求预测模型,其中:
P:代表预测模型中采用的时序数据本身的滞后数lags;
d:代表时序数据需要进行几阶差分化,才是稳定的;
q:代表预测模型中采用的预测误差的滞后数lags。
4.根据权利要求2所述的配电网物资需求预测方法,其特征在于,所述预测模型训练选择最优预模型参数包括:
C1、开展数据的平稳性处理及检验
用Python对数据进行分析处理建模,模拟画出按年份配网物资使用量的时间路径图;
C2、确定自相关系数和平均移动系数(p,q)
根据时间序列的识别规则,采用ACF图、PAC图,赤道信息量准则AIC和贝叶斯准则BIC相结合的方式来确定ARMA模型的阶数,选取AIC和BIC值达到最小的那一组为理想阶数;
C3、进行残差和白噪声检验
对模型ARIMA(0,1,1)的残差序列arma_mod.resid进行ADF检验;
C4、物资需求量预测模型校验
选取a物资开展物资需求量预测模型验证。
5.一种配电网物资需求预测系统,其特征在于,包括:
数据存储模块:用于采集配电网物资历史使用数据、年份物资使用数据;
数据处理模块:用于对历史使用数据进行准确性验证,能对有明显异常的数据做出标记,直到全部数据都校验通过,清理问题数据;
物资需求预测模块,用于建立物资需求预测模型,能通过预测模型训练选择最优预模型参数,生成验证结果。
6.根据权利要求5所述的配电网物资需求预测系统,其特征在于,所述物资需求预测模块还用于:根据配电网物资历史年份物资使用数据,基于“差分整合移动平均自回归模型ARIMA(p,d,q)模型”建立配电网物资需求预测模型,其中:
P:代表预测模型中采用的时序数据本身的滞后数lags;
d:代表时序数据需要进行几阶差分化,才是稳定的;
q:代表预测模型中采用的预测误差的滞后数lags;
还能开展数据的平稳性处理及检验:用Python对数据进行分析处理建模,模拟画出按年份配网物资使用量的时间路径图;
能确定自相关系数和平均移动系数(p,q):根据时间序列的识别规则,采用ACF图、PAC图,赤道信息量准则AIC和贝叶斯准则BIC相结合的方式来确定ARMA模型的阶数,选取AIC和BIC值达到最小的那一组为理想阶数;
能进行残差和白噪声检验对模型ARIMA(0,1,1)的残差序列arma_mod.resid进行ADF检验;
能对物资需求量预测模型校验:选取a物资开展物资需求量预测模型验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493383.0A CN113361745A (zh) | 2021-05-07 | 2021-05-07 | 一种配电网物资需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493383.0A CN113361745A (zh) | 2021-05-07 | 2021-05-07 | 一种配电网物资需求预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361745A true CN113361745A (zh) | 2021-09-07 |
Family
ID=77526079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493383.0A Pending CN113361745A (zh) | 2021-05-07 | 2021-05-07 | 一种配电网物资需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361745A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090666A (zh) * | 2023-03-11 | 2023-05-09 | 北斗天下卫星导航有限公司 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
CN116993271A (zh) * | 2023-09-26 | 2023-11-03 | 无锡容智技术有限公司 | 一种基于大数据的打印机零件移仓方法及系统 |
CN117114761A (zh) * | 2023-10-18 | 2023-11-24 | 深圳迅销科技股份有限公司 | 基于积分数据分析的供应链信息管理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
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 |
CN109886445A (zh) * | 2018-12-13 | 2019-06-14 | 国网浙江省电力有限公司衢州供电公司 | 一种基于物资需求特性量化的未来需求预测方法 |
CN110182520A (zh) * | 2019-05-29 | 2019-08-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法 |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110866656A (zh) * | 2019-11-26 | 2020-03-06 | 广州供电局有限公司 | 电力物资需求预测方法、装置、计算机设备及存储介质 |
CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
-
2021
- 2021-05-07 CN CN202110493383.0A patent/CN113361745A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
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 |
CN109886445A (zh) * | 2018-12-13 | 2019-06-14 | 国网浙江省电力有限公司衢州供电公司 | 一种基于物资需求特性量化的未来需求预测方法 |
CN110182520A (zh) * | 2019-05-29 | 2019-08-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法 |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
CN110866656A (zh) * | 2019-11-26 | 2020-03-06 | 广州供电局有限公司 | 电力物资需求预测方法、装置、计算机设备及存储介质 |
CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
姜世强;许艳子;郑慧敏;戴传文;: "基于ARIMA模型的流感样病例预警预测分析", 华南预防医学 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090666A (zh) * | 2023-03-11 | 2023-05-09 | 北斗天下卫星导航有限公司 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
CN116993271A (zh) * | 2023-09-26 | 2023-11-03 | 无锡容智技术有限公司 | 一种基于大数据的打印机零件移仓方法及系统 |
CN116993271B (zh) * | 2023-09-26 | 2023-12-15 | 无锡容智技术有限公司 | 一种基于大数据的打印机零件移仓方法及系统 |
CN117114761A (zh) * | 2023-10-18 | 2023-11-24 | 深圳迅销科技股份有限公司 | 基于积分数据分析的供应链信息管理系统 |
CN117114761B (zh) * | 2023-10-18 | 2024-02-06 | 深圳迅销科技股份有限公司 | 基于积分数据分析的供应链信息管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361745A (zh) | 一种配电网物资需求预测方法及系统 | |
CN109543943B (zh) | 一种基于大数据深度学习的电价稽查执行方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN106682763A (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN117114885B (zh) | 一种用于电力交易的数据交互模型构建方法及系统 | |
CN115600824A (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
CN106776316A (zh) | 一种电力信息软件缺陷预防方法 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
CN108808657B (zh) | 一种电力负荷短期预测方法 | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
CN108427742B (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN115841228A (zh) | 一种基于云计算的高耗能行业碳管理方法、终端及系统 | |
KR101726870B1 (ko) | 기업금융 조기경보 방법 | |
CN106886851A (zh) | 基于电能表状态检修的电能表备品备件预测方法 | |
CN112308340A (zh) | 电力数据处理方法及装置 | |
CN111144682A (zh) | 一种配电网运行效率主要影响因素挖掘方法 |
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 |