CN115952894A - 一种电力物资需求及采购的预测方法 - Google Patents
一种电力物资需求及采购的预测方法 Download PDFInfo
- Publication number
- CN115952894A CN115952894A CN202211613549.9A CN202211613549A CN115952894A CN 115952894 A CN115952894 A CN 115952894A CN 202211613549 A CN202211613549 A CN 202211613549A CN 115952894 A CN115952894 A CN 115952894A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- model
- project
- materials
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统物资采购预测领域,涉及一种电力物资需求及采购的预测方法,依托数据中台等数字化基础设施,实现对发策、设备、物资、财务等多专业数据融合分析,重点关注生产技改和大修两类项目。从项目、计划、采购、履约等多个业务维度出发,经过数据输入、模型分析构建、大数据预测、结果输出等环节,最终实现物资需求及采购情况的精准预测。本发明改变了传统物资需求及采购情况由下至上申报的工作模式,转而基于大量历史物资需求及到货数据,经过模型建立、挖掘计算,输出更加科学的分析数据,提高了物资需求及采购情况数据的科学性和准确性,确保电力企业中资产健康有效的进行,进而实现经济效益最大化。
Description
技术领域
本发明属于电力系统物资采购预测技术领域,尤其涉及一种电力物资需求及采购的预测方法。
背景技术
电力技改、大修项目作为电力行业中非常重要的一种项目类型,在保障电力生产、安全等方面起到了直观重要的作用。目前在此类项目的需求和采购预测方面存在着诸多问题,如何打破传统电力物资需求及采购工作中存在的部门、系统壁垒,有效挖掘使用各系统相关数据,提高电力物资需求及采购上报的准确率和及时率,已成为近些年该领域的热点研究问题。
传统的电力物资需求及采购计划生成方法:是根据项目初期的计划,或是凭借需求计划编制人员过往积累的相关项目经验,但是由于计划编制人员的经验水平存在差异、项目初期计划的内容存在不完整甚至会有错误,导致需求计划制定时经常发生错报、漏报等情况的发生。
因此,急需一种新的电力物资需求及采购的预测方法来提高电力物资需求和采购计划的准确率,确保电力企业中资产健康有效的进行。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种电力物资需求及采购的预测方法。其目的是为了实现能够使电力物资需求及采购计划更加准确、及时,减少物资的浪费的发明目的。
本发明为实现上述目的所采用的技术方案是:
一种电力物资需求及采购的预测方法,其特征是:包括:数据输入层、模型分析构建层、大数据预测层及结果输出层;
所述数据输入层:用于处理数据中台中的源数据,将其按需抽取为不同类型的数据,作为模型分析构建层的基础数据;
所述模型分析构建层:用于对数据输入层提供的基础数据进行细致的处理工作,包括数据清洗、归集、抽取,得到标准物料数据提供给大数据预测层;使用皮尔森相关系数理论进行重要因子相关性分析,并选取随机森林作为最终的预测模型;
所述大数据预测层:用于根据业务和技术两方面的要求设计一个关系型数据与非关系型数据相结合宽表,将模型分析构建层提供的标准物料数据进行数据预处理工作,通过映射关系存储到前一阶段设计的宽表中,再利用宽表开展类型、时间、金额维度的分类逻辑计算,得到最终预测的中间数据;同时开展模型训练工作,应用历年的业务数据,输入到随机森林训练模型中开展反复训练和迭代,通过不断调整预测变量,确定预测模型及参数,最后基于宽表及中间数据,将数据注入到预测模型中,输出最终预测结果提供给结果输出层。
所述结果输出层:用于对预测结果进行存储、展示。
一种电力物资需求及采购的预测方法,包括以下步骤:
步骤1.依托电力企业核心数据库或数据中台数字化基础设施,对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
步骤2.利用输入的数据,对模型进行分析构建;
步骤3.对构建的模型进行大数据预测;
步骤4.将预测计算的结果进行输出。
更进一步的,所述多专业数据包括:设备管理数据、发策计划数据、ERP物资模块数据三个专业模块。
更进一步的,所述模型分析构建,包括:
S1. 数据抽取、清洗、归集部分,把从数据输入中获取的数据作为物资需求及到货预测的基础数据,按照数据清洗、数据归集、数据抽取的操作顺序执行;
数据清洗部分从技术、业务两方面进行,对基础数据进行缺失值、异常值清洗,剔除异常数据;
所述剔除异常数据,包括:
S101. 缺失值的处理,缺失项目编码、投资金额关键字段的项目;
S102. 项目物资占比低于投资比例10%以下的项目;
S103. 项目物资占比高于投资比例的项目;
所述数据归集,是将数据从专业、类型、模式维度,将清洗后的数据与标准物料进行映射归集,把基础数据映射为标准物料数据;
S2. 预测模型选取部分,通过算法对比,测试对比时间序列分析法、神经网络预测法、随机森林预测法、回归分析预测法、灰色预测法、季节变动预测法、干预分析预测法、指数平滑预测法,各模型在电力物资需求及采购预测应用的准确度以及实用性,最终选取随机森林预测法;
S3. 重要因子相关性分析部分,使用皮尔森相关系数作为理论支撑,用来反映电力物资需求及采购模型中某两个变量线性相关程度;通过分别计算物资的关键影响因子,去除影响较大的因子,选用影响因子较大的关键因子,通过挖掘分析发现项目物资与项目类型、电压等级、专业细分、改造目的项目因子相关性较大。
更进一步的,所述大数据预测,包括:
S1. 宽表设计部分,从业务层面考虑了对发展、设备、物资等相关业务的全面覆盖,从技术层面上考虑各种数据类型的聚合、排列方式,使用关系型数据与非关系型数据相结合的方式,同时满足业务和技术两个层面的要求;项目定义、招标采购、履约情况、数据字典业务数据中的关键因子部分;采用关系型数据模式存储;对于非关键或因子部分和大量的非核心业务数据,采用非关系型数据模式存储;
S2. 数据预处理部分的实现过程为将生数据放置于临时存储空间,并对相关性数据进行分离,同时对数据进行转换、规约操作,实现数据的入库和准备;通过映射关系存储到前一阶段设计的宽表中,将无序、散乱的数据变成有序、规范可读的实体视图;最后利用宽表开展类型、时间、金额维度的分类逻辑计算,形成用于最终预测的中间数据;
S3. 预测计算部分使用随机森林预测模型。
更进一步的,所述预测计算部分使用随机森林预测模型,包括:
S301. 训练,对随机森林模型进行训练,通过反复的数据迭代,找到合适的预测变量,形成准确、完善的训练集;
S302. 预测,应用项目、计划、采购、履约,历年的业务数据,将其输入到训练模型中开展反复训练和迭代,通过不断调整预测变量,找到与现实结果最相近的数值,确定预测模型及参数;
S303. 结果,基于宽表及中间数据,将数据注入到预测模型中,输出最终的预测结果;所述输出最终的预测结果包括:采购规模预测和项目精准预测。
更进一步的,所述采购规模预测的结果包括:
年付采购规模预测,数据支撑是综合计划数据、采购历史明细数据,最终获得的结果是年度对应的物资品类从大类、中类到小类的物资预测数量,采购金额;
批次采购规模预测,数据支撑是综合计划、采购历史明细数据、采购批次计划数据、供应计划历史数据,最终获得的结果是批次采购的物资品类、数量和采购金额;
所述项目精准预测的数据支撑是储备项目映射模型提报数据、综合计划数据、供应计划数据,最终预测结果是综合计划下单个项目的需求情况,包括本项目的所需物料、到货周期、数量和金额的预测;
预测结果包括:项目物资到货周期预测、项目物资采购规模预测、项目物资数量预测和项目物资品类预测。
一种电力物资需求及采购的预测装置,包括:
数据输入模块;用于对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
分析构建模块;用于利用输入的数据,对模型进行分析构建;
大数据预测模块;用于对构建的模型进行大数据预测;
输出模块;用于将预测计算的结果进行输出。
一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一所述的一种电力物资需求及采购的预测方法的步骤。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现任一所述的一种电力物资需求及采购的预测方法的步骤。
本发明具有以下有益效果及优点如下:
本发明改变了传统电力物资需求及采购的预测方式,基于信息化技术建立一种新的电力物资需求及采购的预测模型,更加科学的分析数据,使得电力物资需求及采购计划更加准确、及时,提高了物资需求及采购情况数据的科学性和准确性,确保电力企业中资产健康有效的进行,实现经济效益最大化。
本发明使用皮尔森相关系数选取重要因子,避免了非关键因素干扰,提升了关键因素的权重,在保证预测准确性的前提下尽可能降低模型复杂度和计算量。
本发明使用随机森林算法作为预测模型,对多维度数据、连续和非连续数据的使用能力很强,不需要明显增大运算量,具有很强的稳健性。
本发明中所提出的电力物资需求及采购的预测方法,对传统的电力物资需求及采购计划的生成方法产生了巨大的影响。本发明基于数据中台的源数据作为数据支撑,结合皮尔森相关系数、随机森林算法、大数据预测等技术,通过借助这些高效率的数据挖掘、数据分析方法,以数据中台的大量历史物资需求及采购数据作为数据支撑,更加准确地、科学地挖掘出物资各类物资的联系及需求趋势,能够实现对电力物资需求及采购的精准预测,和更加方便快捷的物资需求计划的申报,生成采购规模预测、项目精准预测两大类预测结果,并为统筹安排采购计划提供科学合理的决策依据。
通过应用大数据分析预测模型,优化管理流程,将电力物资需求及采购管理由“被动需求管理为主,人为经验预测为辅”定性预测的计划管理模式转变为“科学定量预测物资需求,差异化定性调整计划”的主动供应模式。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明整体实现架构示意图;
图2是本发明方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图2描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例,是一种电力物资需求及采购的预测方法。如图1所示,图1是本发明整体实现架构示意图。
本发明实现架构从总体上共分为四层,由上至下可分为:数据输入层、模型分析构建层、大数据预测层、结果输出层。
所述数据输入层:是四层体系结构中第一个执行的环节,主要处理数据中台中的源数据,将其按需抽取为不同类型的数据,作为模型分析构建层的基础数据。
所述模型分析构建层:是四层体系结构中第二个执行的环节,首先对数据输入层提供的基础数据进行细致的处理工作,包括数据清洗、归集、抽取,得到标准物料数据提供给大数据预测层。然后使用皮尔森相关系数理论进行重要因子相关性分析,并选取随机森林作为最终的预测模型。
所述大数据预测层:是四层体系结构中第三个执行的环节,首先根据业务和技术两方面的要求设计一个关系型数据与非关系型数据相结合宽表。然后将模型分析构建层提供的标准物料数据进行数据预处理工作,然后通过映射关系存储到前一阶段设计的宽表中。最后利用宽表开展类型、时间、金额等维度的分类逻辑计算,得到最终预测的中间数据。同时开展模型训练工作,应用历年的业务数据,输入到随机森林训练模型中开展反复训练和迭代,通过不断调整预测变量,确定预测模型及参数。最后基于宽表及中间数据,将数据注入到预测模型中,输出最终预测结果提供给结果输出层。
所述结果输出层:是四层体系结构中最后执行的环节,主要对预测结果进行存储、展示。
实施例2
本发明又提供了一个实施例,是一种电力物资需求及采购的预测方法,如图2所示,图2是本发明方法流程图。
本发明依托电力企业核心数据库或数据中台等数字化基础设施,实现对发策、设备、物资、财务等多专业数据融合分析,重点关注生产技改和大修两类项目。从项目、计划、采购、履约等多个业务维度出发,经过数据输入、模型分析构建、大数据预测、结果输出四个环节,最终实现物资需求及采购情况的精准预测。
一种电力物资需求及采购的预测方法,包括以下步骤:
步骤1.依托电力企业核心数据库或数据中台数字化基础设施,对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
步骤2.利用输入的数据,对模型进行分析构建;
步骤3.对构建的模型进行大数据预测;
步骤4.将预测计算的结果进行输出。
所述多专业数据来源主要指:设备管理数据、发策计划数据、ERP物资模块数据三个专业模块。
所述模型分析构建环节包含三部分流程,分别如下:
S1. 数据抽取、清洗、归集部分把从数据输入中获取的数据作为物资需求及到货预测的基础数据,按照数据清洗、数据归集、数据抽取的操作顺序执行。数据清洗部分从技术、业务两方面进行,对基础数据进行缺失值、异常值清洗,剔除异常数据。主要剔除的数据为以下三种:
S101. 缺失值的处理,缺失项目编码、投资金额等关键字段的项目不纳入数据分析,无效项目;
S102. 项目物资占比低于投资比例10%以下的项目不纳入数据分析,疑似虚假竣工项目。
S103. 项目物资占比高于投资比例的项目不纳入分析,疑似错误数据。
数据归集将数据从专业、类型、模式等维度,将清洗后的数据与标准物料进行映射归集,把基础数据映射为标准物料数据。
S2. 预测模型选取部分,通过算法对比,测试对比时间序列分析法、神经网络预测法、随机森林预测法、回归分析预测法、灰色预测法、季节变动预测法、干预分析预测法、指数平滑预测法等模型在电力物资需求及采购预测应用的准确度以及实用性,最终选取了随机森林预测法。随机森林算法具有操作方便、训练快、抗噪性好等优点,也不易发生过拟合,尤其适用于诸如分类、回归等技术问题的研究。
随机森林在电力物资需求及采购的预测项目中的优势在于:
S201. 电力物资业务数据存在多个维度,使用随机森林算法处理多维度特征时,不需要做特征选择,简化了处理电力物资业务数据的步骤;
S202. 电力物资业务数据存在连续数据和非连续数据,而随机森林算法对数据的适应能力很强,对连续数据和非连续数据都适用,避免了对连续数据和非连续数据分别建立预测模型,降低了模型构建的难度;
S203. 在不需要显著增加电力物资业务数据运算量的情况下,随机森林就可以显著地提高预测精度;
S204. 随机森林对多元公线性不敏感,结果对缺失数据和非平衡的数据比较稳健。
S3. 重要因子相关性分析部分,使用皮尔森相关系数作为理论支撑,用来反映电力物资需求及采购模型中某两个变量线性相关程度;通过分别计算 32 种物资的关键影响因子,去除影响较大的因子,选用影响因子较大的关键因子。通过挖掘分析发现项目物资与项目类型、电压等级、专业细分、改造目的4个项目因子相关性较大。
所述大数据预测环节包含三部分流程,分别如下:
S1. 宽表设计部分,从业务层面考虑了对发展、设备、物资等相关业务的全面覆盖,从技术层面上考虑了各种数据类型的聚合、排列方式,使用关系型数据与非关系型数据相结合的方式,同时满足了业务和技术两个层面的要求。项目定义、招标采购、履约情况、数据字典等业务数据中的关键因子部分。采用关系型数据模式存储;对于非关键(因子)部分和大量的非核心业务数据,采用非关系型数据模式存储。
S2. 数据预处理部分的实现过程为将生数据放置于临时存储空间,并对相关性数据进行分离,同时对数据进行转换、规约等操作,实现数据的入库和准备。然后通过映射关系存储到前一阶段设计的宽表中,将无序、散乱的数据变成有序、规范可读的实体视图。最后利用宽表开展类型、时间、金额等维度的分类逻辑计算,形成用于最终预测的中间数据。
S3. 预测计算部分使用随机森林预测模型,其流程如下:
S301. 训练。对随机森林模型进行训练,通过反复的数据迭代,从而找到合适的预测变量,形成准确、完善的训练集。
S302. 预测。应用项目、计划、采购、履约等历年的业务数据,将其输入到训练模型中开展反复训练和迭代,通过不断调整预测变量,找到与现实结果最相近的数值,确定预测模型及参数。
S303. 结果。基于宽表及中间数据,将数据注入到预测模型中,输出最终的预测结果。
所述结果输出环节输出了两类预测结果,分别是采购规模预测、项目精准预测。
所述采购规模预测中细分为两个预测结果:
一是年付采购规模预测,数据支撑是综合计划数据、采购历史明细数据,最终获得的结果是年度对应的物资品类从大类、中类到小类的物资预测数量,采购金额;二是批次采购规模预测,数据支撑是综合计划、采购历史明细数据、采购批次计划数据、供应计划历史数据,最终获得的结果是批次采购的物资品类、数量和采购金额。
所述项目精准预测的数据支撑是储备项目映射模型提报数据、综合计划数据、供应计划数据,最终预测结果是综合计划下单个项目的需求情况,包括本项目的所需物料、到货周期、数量和金额的预测。可以具体划分为四个预测结果:一是项目物资到货周期预测、二是项目物资采购规模预测、三是项目物资数量预测、四是项目物资品类预测。
实施例3
本发明又提供了一个实施例,是一种电力物资需求及采购的预测装置,包括:
数据输入模块;用于对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
分析构建模块;用于利用输入的数据,对模型进行分析构建;
大数据预测模块;用于对构建的模型进行大数据预测;
输出模块;用于将预测计算的结果进行输出。
实施例4
基于同一发明构思,本发明实施例还提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2所述的任意一种电力物资需求及采购的预测方法的步骤。
实施例5
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现实施例1或2所述的任意一种电力物资需求及采购的预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电力物资需求及采购的预测方法,其特征是:包括:数据输入层、模型分析构建层、大数据预测层及结果输出层;所述数据输入层:用于处理数据中台中的源数据,将其按需抽取为不同类型的数据,作为模型分析构建层的基础数据;所述模型分析构建层:用于对数据输入层提供的基础数据进行细致的处理工作,包括数据清洗、归集、抽取,得到标准物料数据提供给大数据预测层;使用皮尔森相关系数理论进行重要因子相关性分析,并选取随机森林作为最终的预测模型;所述大数据预测层:用于根据业务和技术两方面的要求设计一个关系型数据与非关系型数据相结合宽表,将模型分析构建层提供的标准物料数据进行数据预处理工作,通过映射关系存储到前一阶段设计的宽表中,再利用宽表开展类型、时间、金额维度的分类逻辑计算,得到最终预测的中间数据;同时开展模型训练工作,应用历年的业务数据,输入到随机森林训练模型中开展反复训练和迭代,通过不断调整预测变量,确定预测模型及参数,最后基于宽表及中间数据,将数据注入到预测模型中,输出最终预测结果提供给结果输出层;所述结果输出层:用于对预测结果进行存储、展示。
2.一种电力物资需求及采购的预测方法,其特征是:包括以下步骤:
步骤1.依托电力企业核心数据库或数据中台数字化基础设施,对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
步骤2.利用输入的数据,对模型进行分析构建;
步骤3.对构建的模型进行大数据预测;
步骤4.将预测计算的结果进行输出。
3.根据权利要求2所述的一种电力物资需求及采购的预测方法,其特征是:所述多专业数据包括:设备管理数据、发策计划数据、ERP物资模块数据三个专业模块。
4.根据权利要求2所述的一种电力物资需求及采购的预测方法,其特征是:所述模型分析构建,包括:
S1. 数据抽取、清洗、归集部分,把从数据输入中获取的数据作为物资需求及到货预测的基础数据,按照数据清洗、数据归集、数据抽取的操作顺序执行;
数据清洗部分从技术、业务两方面进行,对基础数据进行缺失值、异常值清洗,剔除异常数据;
所述剔除异常数据,包括:
S101. 缺失值的处理,缺失项目编码、投资金额关键字段的项目;
S102. 项目物资占比低于投资比例10%以下的项目;
S103. 项目物资占比高于投资比例的项目;
所述数据归集,是将数据从专业、类型、模式维度,将清洗后的数据与标准物料进行映射归集,把基础数据映射为标准物料数据;
S2. 预测模型选取部分,通过算法对比,测试对比时间序列分析法、神经网络预测法、随机森林预测法、回归分析预测法、灰色预测法、季节变动预测法、干预分析预测法、指数平滑预测法,各模型在电力物资需求及采购预测应用的准确度以及实用性,最终选取随机森林预测法;
S3. 重要因子相关性分析部分,使用皮尔森相关系数作为理论支撑,用来反映电力物资需求及采购模型中某两个变量线性相关程度;通过分别计算物资的关键影响因子,去除影响较大的因子,选用影响因子较大的关键因子,通过挖掘分析发现项目物资与项目类型、电压等级、专业细分、改造目的项目因子相关性较大。
5.根据权利要求2所述的一种电力物资需求及采购的预测方法,其特征是:所述大数据预测,包括:
S1. 宽表设计部分,从业务层面考虑了对发展、设备、物资等相关业务的全面覆盖,从技术层面上考虑各种数据类型的聚合、排列方式,使用关系型数据与非关系型数据相结合的方式,同时满足业务和技术两个层面的要求;项目定义、招标采购、履约情况、数据字典业务数据中的关键因子部分;采用关系型数据模式存储;对于非关键或因子部分和大量的非核心业务数据,采用非关系型数据模式存储;
S2. 数据预处理部分的实现过程为将生数据放置于临时存储空间,并对相关性数据进行分离,同时对数据进行转换、规约操作,实现数据的入库和准备;通过映射关系存储到前一阶段设计的宽表中,将无序、散乱的数据变成有序、规范可读的实体视图;最后利用宽表开展类型、时间、金额维度的分类逻辑计算,形成用于最终预测的中间数据;
S3. 预测计算部分使用随机森林预测模型。
6.根据权利要求5所述的一种电力物资需求及采购的预测方法,其特征是:所述预测计算部分使用随机森林预测模型,包括:
S301. 训练,对随机森林模型进行训练,通过反复的数据迭代,找到合适的预测变量,形成准确、完善的训练集;
S302. 预测,应用项目、计划、采购、履约,历年的业务数据,将其输入到训练模型中开展反复训练和迭代,通过不断调整预测变量,找到与现实结果最相近的数值,确定预测模型及参数;
S303. 结果,基于宽表及中间数据,将数据注入到预测模型中,输出最终的预测结果;所述输出最终的预测结果包括:采购规模预测和项目精准预测。
7.根据权利要求6所述的一种电力物资需求及采购的预测方法,其特征是:所述采购规模预测的结果包括:
年付采购规模预测,数据支撑是综合计划数据、采购历史明细数据,最终获得的结果是年度对应的物资品类从大类、中类到小类的物资预测数量,采购金额;
批次采购规模预测,数据支撑是综合计划、采购历史明细数据、采购批次计划数据、供应计划历史数据,最终获得的结果是批次采购的物资品类、数量和采购金额;
所述项目精准预测的数据支撑是储备项目映射模型提报数据、综合计划数据、供应计划数据,最终预测结果是综合计划下单个项目的需求情况,包括本项目的所需物料、到货周期、数量和金额的预测;
预测结果包括:项目物资到货周期预测、项目物资采购规模预测、项目物资数量预测和项目物资品类预测。
8.一种电力物资需求及采购的预测装置,其特征是:包括:
数据输入模块;用于对多专业数据进行融合分析,从多个业务维度出发,进行数据输入;
分析构建模块;用于利用输入的数据,对模型进行分析构建;
大数据预测模块;用于对构建的模型进行大数据预测;
输出模块;用于将预测计算的结果进行输出。
9.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一权利要求所述的一种电力物资需求及采购的预测方法的步骤。
10.一种计算机存储介质,其特征是:所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的一种电力物资需求及采购的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613549.9A CN115952894A (zh) | 2022-12-15 | 2022-12-15 | 一种电力物资需求及采购的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613549.9A CN115952894A (zh) | 2022-12-15 | 2022-12-15 | 一种电力物资需求及采购的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115952894A true CN115952894A (zh) | 2023-04-11 |
Family
ID=87296460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211613549.9A Pending CN115952894A (zh) | 2022-12-15 | 2022-12-15 | 一种电力物资需求及采购的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952894A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974011A (zh) * | 2024-04-01 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 动态感知物资需求的采购决策方法、装置、设备及介质 |
CN118095805A (zh) * | 2024-04-28 | 2024-05-28 | 中核控制系统工程有限公司 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
-
2022
- 2022-12-15 CN CN202211613549.9A patent/CN115952894A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974011A (zh) * | 2024-04-01 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 动态感知物资需求的采购决策方法、装置、设备及介质 |
CN118095805A (zh) * | 2024-04-28 | 2024-05-28 | 中核控制系统工程有限公司 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | Energy demand forecasting in China: A support vector regression-compositional data second exponential smoothing model | |
Shahin et al. | Facility layout simulation and optimization: An integration of advanced quality and decision making tools and techniques | |
CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
Hu et al. | E-commerce warehouse layout optimization: systematic layout planning using a genetic algorithm | |
Shinkevich et al. | Computer analysis of energy and resource efficiency in the context of transformation of petrochemical supply chains | |
Liu et al. | Developing multiobjective equilibrium optimization method for sustainable uncertain supply chain planning problems | |
Liu et al. | A systematic procurement supply chain optimization technique based on industrial internet of things and application | |
CN115952894A (zh) | 一种电力物资需求及采购的预测方法 | |
Mirghaderi et al. | Application of meta-heuristic algorithm for multi-objective optimization of sustainable supply chain uncertainty | |
Zhen et al. | Production stage allocation problem in large corporations | |
Shou et al. | Forecasting the price trends of digital currency: a hybrid model integrating the stochastic index and grey Markov chain methods | |
Bao et al. | An aircraft final assembly line balancing problem considering resource constraints and parallel task scheduling | |
Liu et al. | Risk-averse two-stage stochastic programming-based closed-loop supply chain network design under uncertain demand | |
Moayedi et al. | A multi-objective stochastic programming approach with untrusted suppliers for green supply chain design by uncertain demand, shortage, and transportation costs | |
Peng et al. | A survey on uncertain graph and uncertain network optimization | |
Elkabalawy et al. | Optimized resource-constrained method for project schedule compression | |
CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
Afshar et al. | A multi objective optimization model for multi-commodity closed-loop supply chain network considering disruption risk | |
Markowska et al. | Machine learning for environmental life cycle costing | |
CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与系统 | |
Robles et al. | Methods and tools for hydrogen supply chain design | |
Putri | Performance Evaluation Using the DEA-Stepwise Modeling Approach Method: Case Study of the Export-Import Sector in Indonesia | |
Al Moteri et al. | Economic growth forecast model urban supply chain logistics distribution path decision using an improved genetic algorithm | |
Long | Research on the Construction and Evaluation of Green Industry System Based on Data Mining | |
Avinash et al. | An analysis of energy efficiency of petroleum refineries: a case from India |
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 |