CN116629754A - 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 - Google Patents
一种电力仓储物资库容紧张时间断面及库存峰值预测方法 Download PDFInfo
- Publication number
- CN116629754A CN116629754A CN202310906485.XA CN202310906485A CN116629754A CN 116629754 A CN116629754 A CN 116629754A CN 202310906485 A CN202310906485 A CN 202310906485A CN 116629754 A CN116629754 A CN 116629754A
- Authority
- CN
- China
- Prior art keywords
- peak value
- sequence
- peak
- inventory
- matrix
- 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
- 238000000034 method Methods 0.000 title claims description 38
- 239000011232 storage material Substances 0.000 title claims description 16
- 239000000463 material Substances 0.000 claims abstract description 186
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 230000003442 weekly effect Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (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
本申请提供的一种电力仓储物资库容紧张时间断面及库存峰值预测方法,在对各类物资在下一季度的库存峰值进行预测时,可以在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,接着基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵,然后以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,通过该紧张时间矩阵确定库容紧张时间断面矩阵后,预测下一季度的库存紧张时段级对应的各类物资的预测库存峰值。
Description
技术领域
本申请涉及电力物资仓储技术领域,尤其涉及一种电力仓储物资库容紧张时间断面及库存峰值预测方法。
背景技术
电力物资仓储的库容占用取决于电力建设和检修需求,既具有多变性和不确定性,又具有较强的季节性规律。例如,夏季电力负荷处于高位,电力设施抢修所需的备品备件量会随之增大;而冬、春季电力负荷处于相对低位时,电网建设工程较多,基建物资的库存量存在大幅波动。此外,电力物资的进出库与库存量和工程项目进度均具有强相关性。
然而,涉及电力物资需求的关系链较长,不确定因素较多,信息传递的滞后特征比较突出,实际仓库在物资的出入库安排、库存调度中往往缺乏月度、季度等长时间尺度的预测,多是收到了需求单之后才被动进行出入库的排单。因此,时常出现高峰不够用、低谷长时间空闲的库存资源浪费的情况。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中电力物资仓储时常出现高峰不够用、低谷长时间空闲的库存资源浪费的情况的技术缺陷。
本申请提供了一种电力仓储物资库容紧张时间断面及库存峰值预测方法,所述方法包括:
在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在所述当前季度内每周的库存峰值后形成当前峰值序列;
基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵;
以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵;
确定所述紧张时间矩阵中特定元素对应列的编号,并根据所述列的编号筛选出所述联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过所述库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
可选地,所述基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,包括:
针对每一类物资:
以该类物资的当前峰值序列的长度为单元,对该类物资的历史峰值序列进行滚动切片,得到由多个切片序列组成的切片序列集合;
在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合;
根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列。
可选地,所述在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合,包括:
运用K-NN算法在所述切片序列集合中寻找与所述当前峰值序列最相近的多个相近序列;
分别计算每个相近序列与所述当前峰值序列之间的皮尔逊相关系数,并根据各个相近序列的皮尔逊相关系数筛选出相关性最大的序列作为相似序列集合。
可选地,所述根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列,包括:
以所述切片序列集合中各周的库存峰值为基准,分别寻找各周的库存峰值后一个季度的库存峰值作为增量序列,得到增量序列集合;
分别计算所述相似序列集合中各个相似序列与所述当前峰值序列之间的皮尔逊相关系数;
从所述增量序列集合中查找与所述相似序列集合中各个相似序列对应的增量序列,并将所述相似序列集合中各个相似序列对应的增量序列以及皮尔逊相关系数进行加权求和,得到该类物资在下一季度内每周的预测峰值序列。
可选地,所述以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,包括:
确定所述联合预测峰值矩阵中每一行的元素最大值,并将各行的元素最大值分别作为各类物资的季度最大峰值;
以各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵。
可选地,所述确定所述紧张时间矩阵中特定元素对应列的编号,包括:
确定所述紧张时间矩阵中元素为1所对应的列的编号。
可选地,所述方法还包括:
在下一季度末期,获取各类物资在所述下一季度内每周的库存峰值后形成下一季度峰值序列;
将所述下一季度峰值序列与各类物资在下一季度内每周的预测峰值序列进行余弦相似度分析,并根据分析结果确定本次预测相关性。
本申请还提供了一种电力仓储物资库容紧张时间断面及库存峰值预测装置,包括:
数据获取模块,用于在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在所述当前季度内每周的库存峰值后形成当前峰值序列;
联合预测模块,用于基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并得到联合预测峰值矩阵;
归一化处理模块,用于以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵;
库存峰值预测模块,用于确定所述紧张时间矩阵中特定元素对应列的编号,并根据所述列的编号筛选出所述联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过所述库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
本申请还提供了一种计算机设备,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如上述实施例中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供的一种电力仓储物资库容紧张时间断面及库存峰值预测方法,在对各类物资在下一季度的库存峰值进行预测时,可以在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,接着基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵,然后以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,通过该紧张时间矩阵可以确定特定元素对应列的编号,并根据该列的编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过库容紧张时间断面矩阵即可预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。该过程获取的外部输入信息较少,主要依赖于电力仓储自身的库存情况,因此可以避免外部信息获取的不确定性和时滞性等对预测的影响,可实施性更强;并且,工作人员可以根据预测得到的下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值进行较长周期的库存规划,从而更高效地利用库存,实现主动和预防性的仓储空间优化调度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种电力仓储物资库容紧张时间断面及库存峰值预测方法的流程示意图;
图2为本申请实施例提供的历史峰值序列的序列示意图;
图3为本申请实施例提供的当前峰值序列的序列示意图;
图4为本申请实施例提供的切片序列集合的示意图;
图5为本申请实施例提供的相似序列集合的结构示意图;
图6为本申请实施例提供的增量序列以及对应的皮尔逊相关系数的结构示意图;
图7为本申请实施例提供的联合预测峰值矩阵的结构示意图;
图8为本申请实施例提供的紧张时间矩阵的结构示意图;
图9为本申请实施例提供的库容紧张时间断面矩阵的结构示意图;
图10为本申请实施例提供的预测序列与检测序列之间的余弦相似度的统计示意图;
图11为本申请实施例提供的一种电力仓储物资库容紧张时间断面及库存峰值预测装置的结构示意图;
图12为本申请实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,电力物资仓储涉及电力物资需求的关系链较长,不确定因素较多,信息传递的滞后特征比较突出,实际仓库在物资的出入库安排、库存调度中往往缺乏月度、季度等长时间尺度的预测,多是收到了需求单之后才被动进行出入库的排单。因此,时常出现高峰不够用、低谷长时间空闲的库存资源浪费的情况。
基于此,本申请提出如下技术方案,具体参见下文:
在一个实施例中,如图1所示,图1为本申请实施例提供的一种电力仓储物资库容紧张时间断面及库存峰值预测方法的流程示意图;本申请提供了一种电力仓储物资库容紧张时间断面及库存峰值预测方法,所述方法可以包括:
S110:在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列。
本步骤中,在对电力仓储物资下一季度的库容紧张时间断面及库存峰值进行预测时,可以在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值,并将其组合为历史峰值序列,接着,本申请还可以获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,这样便可以根据历史峰值序列和当前峰值序列来对下一季度的库容紧张时间断面及库存峰值进行预测。
其中,本申请的当前峰值序列的对象是当前季度的库存峰值,以周为周期进行采样,取每周的库存峰值为一个样本,共计13个样本组成当前峰值序列。而本申请的历史峰值序列的对象是过去一年或多年的库存峰值,以周为周期进行采样,每周的峰值作为一个样本,每年共52个样本组成历史峰值序列。
进一步地,由于目标仓库中往往不只有单一物资,因此,本申请可以获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,这样即可对各类物资在下一季度的库容紧张时间断面及库存峰值进行预测。
S120:基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵。
本步骤中,通过S110获取到各类物资的历史峰值序列和当前峰值序列后,本申请可以根据各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并将各类物资的预测峰值序列组合后形成联合预测峰值矩阵,这样便可以通过该联合预测峰值矩阵来进一步预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
具体地,本申请在计算各类物资在下一季度内每周的预测峰值序列时,可以先对各类物资的历史峰值序列进行滚动切片,并得到切片序列集合,接着在切片序列集合中寻找与各类物资的当前峰值序列相似度最高的序列,并利用该相似度最高的序列以及切片序列集合、当前峰值序列来计算各类物资在下一季度内每周的预测峰值序列。
S130:以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵。
本步骤中,通过S120计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵后,本申请可以以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,继而得到紧张时间矩阵。
举例来说,假设目标仓库内有类物资,第/>类物资的预测峰值序列为:
;
式中,分别为第/>类物资在下一季度内各周的预测峰值。
将所有类物资的预测峰值序列组合后即可得到如下所示的联合预测峰值矩阵:
;
将上述联合预测峰值矩阵P中每一行元素的最大值作为各类物资的季度最大峰值,记第行物资峰值为:
;
相应的季度最大物资峰值序列记为:
;
以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到的紧张时间矩阵如下:
;
S140:确定紧张时间矩阵中特定元素对应列的编号,并根据列的编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
本步骤中,通过S130得到紧张时间矩阵后,本申请可以从紧张时间矩阵中选出特定元素对应的列的编号,并根据该编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,该库容紧张时间断面矩阵中每一列对应于一个存在库容紧张风险的时间断面,该列中第k行元素代表该断面下第k类物资的周库容占用峰值,这样便可以通过库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
上述实施例中,在对各类物资在下一季度的库存峰值进行预测时,可以在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,接着基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵,然后以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,通过该紧张时间矩阵可以确定特定元素对应列的编号,并根据该列的编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过库容紧张时间断面矩阵即可预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。该过程获取的外部输入信息较少,主要依赖于电力仓储自身的库存情况,因此可以避免外部信息获取的不确定性和时滞性等对预测的影响,可实施性更强;并且,工作人员可以根据预测得到的下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值进行较长周期的库存规划,从而更高效地利用库存,实现主动和预防性的仓储空间优化调度。
在一个实施例中,S120中基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,可以包括:
S121:针对每一类物资:以该类物资的当前峰值序列的长度为单元,对该类物资的历史峰值序列进行滚动切片,得到由多个切片序列组成的切片序列集合。
S122:在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合。
S123:根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列。
本实施例中,在计算各类物资在下一季度内每周的预测峰值序列时,针对每一类物资,可以以该类物资的当前峰值序列的长度为单元来对该类物资的历史峰值序列进行滚动切片,并得到由多个切片序列组成的切片序列集合。
假设该类物资的历史峰值序列的样本数为n,以当前峰值序列的长度为单元,对历史峰值序列进行滚动切片,即每个切片均包含有13个样本,最终得到m=n-12个切片序列,m个切片序列组成的集合为切片序列集合。
举例来说,在2022年内,每周对1号物资库存数量进行一次采样,取每周的库存峰值作为样本,得到一个包含52个样本的历史峰值序列,如图2所示,图2为本申请实施例提供的历史峰值序列的序列示意图;图2中的历史序列即为本申请的历史峰值序列,该历史峰值序列中包含52个样本。接着,本申请可以在2022年的二季度内,每周对1号物资库存数量进行一次采样,取每周的峰值作为样本,得到一个包含13个样本的当前峰值序列,如图3所示,图3为本申请实施例提供的当前峰值序列的序列示意图;图3中的初始序列即为本申请中的当前峰值序列,该序列中有13个样本。紧接着,本申请可以以13个样本(当前峰值序列长度)为单元,对历史峰值序列进行滚动切片,得到一个含有40个切片的集合,如图4所示,图4为本申请实施例提供的切片序列集合的示意图;图4中对历史峰值序列进行滚动切片后,可以得到滚动切片集合,即本申请中的切片序列集合。
进一步地,本申请得到切片序列集合后,可以在切片序列集合中筛选出与当前峰值序列相关性最大的多个序列作为相似序列集合,并根据切片序列集合、相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列。
在一个实施例中,如图5所示,图5为本申请实施例提供的相似序列集合的结构示意图;S122中在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合,可以包括:
S1221:运用K-NN算法在所述切片序列集合中寻找与所述当前峰值序列最相近的多个相近序列。
S1222:分别计算每个相近序列与所述当前峰值序列之间的皮尔逊相关系数,并根据各个相近序列的皮尔逊相关系数筛选出相关性最大的序列作为相似序列集合。
本实施例中,在切片序列集合中筛选出与当前峰值序列相关性最大的多个序列时,可以先运用K-NN算法在切片序列集合中寻找与当前峰值序列最相近的多个相近序列,然后在分别计算每个相近序列与当前峰值序列之间的皮尔逊相关系数,并根据各个相近序列的皮尔逊相关系数筛选出相关性最大的序列作为相似序列集合。
其中,运用K-NN算法在切片序列集合中寻找与当前峰值序列最相近的多个相近序列以及计算每个相近序列与当前峰值序列之间的皮尔逊相关系数的过程,现有技术中已有较多应用,此处不再赘述。
当本申请运用K-NN算法在切片序列集合中寻找与当前峰值序列最相近的k个相近序列,相近序列再分别与当前峰值序列求皮尔逊相关系数并筛选相关性最大的3个序列作为相似序列集合,该相似序列集合如图5所示。
在一个实施例中,如图6所示,图6为本申请实施例提供的增量序列以及对应的皮尔逊相关系数的结构示意图;S123中根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列,可以包括:
S1231:以所述切片序列集合中各周的库存峰值为基准,分别寻找各周的库存峰值后一个季度的库存峰值作为增量序列,得到增量序列集合。
S1232:分别计算所述相似序列集合中各个相似序列与所述当前峰值序列之间的皮尔逊相关系数。
S1233:从所述增量序列集合中查找与所述相似序列集合中各个相似序列对应的增量序列,并将所述相似序列集合中各个相似序列对应的增量序列以及皮尔逊相关系数进行加权求和,得到该类物资在下一季度内每周的预测峰值序列。
本实施例中,当得到切片序列集合、相似序列集合以及该类物资的当前峰值序列后,本申请可以根据三者来计算该类物资在下一季度内每周的预测峰值序列。
具体地,本申请可以以切片序列集合中各周的库存峰值为基准,分别寻找各周的库存峰值后一个季度的库存峰值作为增量序列,得到增量序列集合。例如,本申请可以以切片序列集合中各样本为定位,设置为t时段,分别寻找其后13周的峰值样本(即t+1时段的序列)作为增量序列/>,得到增量序列集合,然后分别求取上述相似序列集合中各个相似序列与当前峰值序列的皮尔逊相关系数/>,同时在样本集中找出上述相似序列集合中的各个相似序列对应的增量序列,即可得到如图6所示的增量序列以及皮尔逊相关系数。接着,本申请可以将增量序列按各自的皮尔逊相关系数进行加权求和得到预测峰值序列,具体公式如下:
;
在一个实施例中,如图7、图8、图9 所示,图7为本申请实施例提供的联合预测峰值矩阵的结构示意图;图8为本申请实施例提供的紧张时间矩阵的结构示意图;图9为本申请实施例提供的库容紧张时间断面矩阵的结构示意图;S130中以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,可以包括:
S131:确定所述联合预测峰值矩阵中每一行的元素最大值,并将各行的元素最大值分别作为各类物资的季度最大峰值。
S132:以各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵。
在一个实施例中,S140中确定所述紧张时间矩阵中特定元素对应列的编号,可以包括:
S141:确定所述紧张时间矩阵中特定元素对应列的编号。
上述实施例中,在确定紧张时间矩阵时,本申请可以先确定联合预测峰值矩阵中每一行的元素最大值,并将各行的元素最大值分别作为各类物资的季度最大峰值,接着再以各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,然后确定紧张时间矩阵中特定元素对应列的编号,并根据该列的编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
具体地,假设目标仓库中有九类物资,将1号到9号物资的预测峰值序列组合得到如图7所示的联合预测峰值矩阵,其中第1到9行分别表示第1到9号物资的预测峰值序列,第1到13列分别表示下季度的第1到13周每周内各物资预测的库存峰值。当得到联合预测峰值矩阵后,可以将联合预测峰值矩阵中各行的元素最大值分别作为各类物资的季度最大峰值,并将各类物资的季度最大峰值作为基准值,随后将各类物资在各时间段的预测峰值分别除以对应基准值进而实现归一化处理,最后得到如图8所示的紧张时间矩阵,由图8可见,1号物资预计在下季度第2周达到库存紧张时间,5号物资预计在下季度的第3、4周达到库存紧张时间,以此类推,筛选出紧张时间矩阵中有元素“1”的列的编号,筛选联合预测峰值矩阵中对应列,得出库容紧张时间断面矩阵如图9所示,由图9可见,下季度的第1、2、3、4、9、13周为紧张时间,矩阵中的每一列对应了每一个紧张时间断面下的各类物资的预测库存峰值数量。
在一个实施例中,所述方法还可以包括:
S150:在下一季度末期,获取各类物资在所述下一季度内每周的库存峰值后形成下一季度峰值序列。
S160:将所述下一季度峰值序列与各类物资在下一季度内每周的预测峰值序列进行余弦相似度分析,并根据分析结果确定本次预测相关性。
本实施例中,当计算得到各类物资在下一季度内每周的预测峰值序列后,本申请可以在下一季度末期,获取各类物资在下一季度内每周的库存峰值后形成下一季度峰值序列,并将该下一季度峰值序列与各类物资在下一季度内每周的预测峰值序列进行余弦相似度分析,并根据分析结果确定本次预测相关性。
具体地,本申请在2022年的第三季度内,每周对1号物资库存数量进行一次采样,取每周的峰值作为样本,得到一个包含13个样本的检测序列,与预测峰值序列进行余弦相似度分析后得到如图10所示的分析结果,图10为本申请实施例提供的预测序列与检测序列之间的余弦相似度的统计示意图;由图10可见,本申请的预测序列和检测序列的余弦相似性为0.96,预测相关性较高。
下面对本申请实施例提供的电力仓储物资库容紧张时间断面及库存峰值预测方法装置进行描述,下文描述的电力仓储物资库容紧张时间断面及库存峰值预测方法装置与上文描述的电力仓储物资库容紧张时间断面及库存峰值预测方法方法可相互对应参照。
在一个实施例中,如图11所示,图11为本申请实施例提供的一种电力仓储物资库容紧张时间断面及库存峰值预测装置的结构示意图;本申请还提供了一种电力仓储物资库容紧张时间断面及库存峰值预测装置,可以包括数据获取模块210、联合预测模块220、归一化处理模块230、库存峰值预测模块240,具体包括如下:
数据获取模块210,用于在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在所述当前季度内每周的库存峰值后形成当前峰值序列。
联合预测模块220,用于基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并得到联合预测峰值矩阵。
归一化处理模块230,用于以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵。
库存峰值预测模块240,用于确定所述紧张时间矩阵中特定元素对应列的编号,并根据所述列的编号筛选出所述联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过所述库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
上述实施例中,在对各类物资在下一季度的库存峰值进行预测时,可以在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在当前季度内每周的库存峰值后形成当前峰值序列,接着基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵,然后以联合预测峰值矩阵中各类物资的季度最大峰值为基准,对联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,通过该紧张时间矩阵可以确定特定元素对应列的编号,并根据该列的编号筛选出联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过库容紧张时间断面矩阵即可预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。该过程获取的外部输入信息较少,主要依赖于电力仓储自身的库存情况,因此可以避免外部信息获取的不确定性和时滞性等对预测的影响,可实施性更强;并且,工作人员可以根据预测得到的下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值进行较长周期的库存规划,从而更高效地利用库存,实现主动和预防性的仓储空间优化调度。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
在一个实施例中,本申请还提供了一种计算机设备,包括:一个或多个处理器,以及存储器。
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如上述实施例中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
示意性地,如图12所示,图12为本申请实施例提供的一种计算机设备的内部结构示意图,该计算机设备300可以被提供为一服务器。参照图12,计算机设备300包括处理组件302,其进一步包括一个或多个处理器,以及由存储器301所代表的存储器资源,用于存储可由处理组件302的执行的指令,例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件302被配置为执行指令,以执行上述任意实施例的电力仓储物资库容紧张时间断面及库存峰值预测方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理,一个有线或无线网络接口304被配置为将计算机设备300连接到网络,和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述方法包括:
在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在所述当前季度内每周的库存峰值后形成当前峰值序列;
基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并形成联合预测峰值矩阵;
以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵;
确定所述紧张时间矩阵中特定元素对应列的编号,并根据所述列的编号筛选出所述联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过所述库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
2.根据权利要求1所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,包括:
针对每一类物资:
以该类物资的当前峰值序列的长度为单元,对该类物资的历史峰值序列进行滚动切片,得到由多个切片序列组成的切片序列集合;
在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合;
根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列。
3.根据权利要求2所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述在所述切片序列集合中筛选出与所述当前峰值序列相关性最大的多个序列作为相似序列集合,包括:
运用K-NN算法在所述切片序列集合中寻找与所述当前峰值序列最相近的多个相近序列;
分别计算每个相近序列与所述当前峰值序列之间的皮尔逊相关系数,并根据各个相近序列的皮尔逊相关系数筛选出相关性最大的序列作为相似序列集合。
4.根据权利要求2所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述根据所述切片序列集合、所述相似序列集合以及该类物资的当前峰值序列,计算该类物资在下一季度内每周的预测峰值序列,包括:
以所述切片序列集合中各周的库存峰值为基准,分别寻找各周的库存峰值后一个季度的库存峰值作为增量序列,得到增量序列集合;
分别计算所述相似序列集合中各个相似序列与所述当前峰值序列之间的皮尔逊相关系数;
从所述增量序列集合中查找与所述相似序列集合中各个相似序列对应的增量序列,并将所述相似序列集合中各个相似序列对应的增量序列以及皮尔逊相关系数进行加权求和,得到该类物资在下一季度内每周的预测峰值序列。
5.根据权利要求1所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵,包括:
确定所述联合预测峰值矩阵中每一行的元素最大值,并将各行的元素最大值分别作为各类物资的季度最大峰值;
以各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵。
6.根据权利要求1所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述确定所述紧张时间矩阵中特定元素对应列的编号,包括:
确定所述紧张时间矩阵中元素为1所对应的列的编号。
7.根据权利要求1-6中任一项所述的电力仓储物资库容紧张时间断面及库存峰值预测方法,其特征在于,所述方法还包括:
在下一季度末期,获取各类物资在所述下一季度内每周的库存峰值后形成下一季度峰值序列;
将所述下一季度峰值序列与各类物资在下一季度内每周的预测峰值序列进行余弦相似度分析,并根据分析结果确定本次预测相关性。
8.一种电力仓储物资库容紧张时间断面及库存峰值预测装置,其特征在于,包括:
数据获取模块,用于在当前季度末期,获取目标仓库中存储的各类物资在预设历史年限内每周的库存峰值后形成历史峰值序列,以及获取各类物资在所述当前季度内每周的库存峰值后形成当前峰值序列;
联合预测模块,用于基于各类物资的历史峰值序列和当前峰值序列计算各类物资在下一季度内每周的预测峰值序列,并得到联合预测峰值矩阵;
归一化处理模块,用于以所述联合预测峰值矩阵中各类物资的季度最大峰值为基准,对所述联合预测峰值矩阵进行归一化处理,得到紧张时间矩阵;
库存峰值预测模块,用于确定所述紧张时间矩阵中特定元素对应列的编号,并根据所述列的编号筛选出所述联合预测峰值矩阵中对应列后形成库容紧张时间断面矩阵,通过所述库容紧张时间断面矩阵预测下一季度的多个库存紧张时段,以及每一库存紧张时段下各类物资的预测库存峰值。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如权利要求1至7中任一项所述电力仓储物资库容紧张时间断面及库存峰值预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906485.XA CN116629754B (zh) | 2023-07-24 | 2023-07-24 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906485.XA CN116629754B (zh) | 2023-07-24 | 2023-07-24 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629754A true CN116629754A (zh) | 2023-08-22 |
CN116629754B CN116629754B (zh) | 2023-12-22 |
Family
ID=87597643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906485.XA Active CN116629754B (zh) | 2023-07-24 | 2023-07-24 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629754B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819232A (en) * | 1996-03-22 | 1998-10-06 | E. I. Du Pont De Nemours And Company | Method and apparatus for inventory control of a manufacturing or distribution process |
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN110135511A (zh) * | 2019-05-22 | 2019-08-16 | 国网河北省电力有限公司 | 电力系统时间断面的确定方法、装置以及电子设备 |
CN110503356A (zh) * | 2019-07-08 | 2019-11-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据预测电力物资协议库存的方法 |
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 |
CN112785032A (zh) * | 2020-12-04 | 2021-05-11 | 国网浙江杭州市余杭区供电有限公司 | 一种电力业扩配套项目实物库存储备阀值优化方法 |
CN114399099A (zh) * | 2021-12-30 | 2022-04-26 | 中信云网有限公司 | 一种城市轨道交通断面客流的预测方法及装置 |
CN114926305A (zh) * | 2022-05-31 | 2022-08-19 | 深圳供电局有限公司 | 电力物资管控方法、装置、计算机设备、存储介质 |
CN114971736A (zh) * | 2022-06-10 | 2022-08-30 | 广东电网有限责任公司 | 电力计量物资需求预测方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-24 CN CN202310906485.XA patent/CN116629754B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819232A (en) * | 1996-03-22 | 1998-10-06 | E. I. Du Pont De Nemours And Company | Method and apparatus for inventory control of a manufacturing or distribution process |
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN110135511A (zh) * | 2019-05-22 | 2019-08-16 | 国网河北省电力有限公司 | 电力系统时间断面的确定方法、装置以及电子设备 |
CN110503356A (zh) * | 2019-07-08 | 2019-11-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据预测电力物资协议库存的方法 |
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 |
CN112785032A (zh) * | 2020-12-04 | 2021-05-11 | 国网浙江杭州市余杭区供电有限公司 | 一种电力业扩配套项目实物库存储备阀值优化方法 |
CN114399099A (zh) * | 2021-12-30 | 2022-04-26 | 中信云网有限公司 | 一种城市轨道交通断面客流的预测方法及装置 |
CN114926305A (zh) * | 2022-05-31 | 2022-08-19 | 深圳供电局有限公司 | 电力物资管控方法、装置、计算机设备、存储介质 |
CN114971736A (zh) * | 2022-06-10 | 2022-08-30 | 广东电网有限责任公司 | 电力计量物资需求预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116629754B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3984604B2 (ja) | 太陽光発電システムの発電量予測方法、装置、およびプログラム | |
Sharma et al. | Predicting solar generation from weather forecasts using machine learning | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
CN115860727B (zh) | 一种智慧园区运维系统 | |
CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN112308124B (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
KR101838393B1 (ko) | 시간별 기온을 이용한 24시간 전력수요예측장치 및 전력수요예측방법 | |
CN115658695A (zh) | 基于建筑工程项目的管理表单智能生成方法 | |
CN111323847B (zh) | 用于为模拟集成算法确定权重比的方法和设备 | |
CN112365164B (zh) | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 | |
CN116629754B (zh) | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
Nijhuis et al. | Prediction of power fluctuation classes for photovoltaic installations and potential benefits of dynamic reserve allocation | |
McKinnell et al. | Ionospheric variability and electron density profile studies with neural networks | |
CN116885705A (zh) | 区域负荷预测方法及装置 | |
Bhattacharya et al. | Bridge rating using in-service data in the presence of strength deterioration and correlation in load processes | |
CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
CN114282952A (zh) | 电价计费异常识别方法、装置、计算机设备和存储介质 | |
CN114239923A (zh) | 一种基于大数据的负荷预测方法、设备及介质 | |
CN112041863A (zh) | 用于确定能源系统的设计的方法和能源系统 | |
Yamakawa et al. | Worst-case design of structures using stopping rules in k-adaptive random sampling approach | |
CN111797924A (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
Rouwhorst et al. | Medium‐term forecasting of daily aggregated peak loads from heat pumps using clustering‐based load duration curves to calculate the annual impact on medium to low voltage transformers | |
CN117878943B (zh) | 一种光伏微电网实时充电调度方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |