CN118195224A - 电力物资需求预测方法、装置、终端及存储介质 - Google Patents

电力物资需求预测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN118195224A
CN118195224A CN202410325458.8A CN202410325458A CN118195224A CN 118195224 A CN118195224 A CN 118195224A CN 202410325458 A CN202410325458 A CN 202410325458A CN 118195224 A CN118195224 A CN 118195224A
Authority
CN
China
Prior art keywords
prediction model
demand
demand prediction
historical
electric power
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
Application number
CN202410325458.8A
Other languages
English (en)
Inventor
布力
莫爵曦
周昉昉
刘晔
林嘉鑫
王永利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Information Center of Guangdong Power Grid Co Ltd
Original Assignee
North China Electric Power University
Information Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Information Center of Guangdong Power Grid Co Ltd filed Critical North China Electric Power University
Priority to CN202410325458.8A priority Critical patent/CN118195224A/zh
Publication of CN118195224A publication Critical patent/CN118195224A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种电力物资需求预测方法、装置、终端及存储介质。该方法包括：基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；基于历史电力物资需求数据的影响因素特征，训练得到至少一个基于神经网络或基于分类器的第二需求预测模型；基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型；基于组合预测模型对目标电力物资的需求进行预测。本发明能够较好地反映时间因素和各种影响因素特征对需求预测的影响，并通过最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行综合，提高组合预测模型的全面性、准确性和波动控制能力，解决现有模型精度低、波动大等问题。

Description

电力物资需求预测方法、装置、终端及存储介质
技术领域
本发明涉及电力物资预测技术领域，尤其涉及一种电力物资需求预测方法、装置、终端及存储介质。
背景技术
随着电力行业的不断发展，电力物资的需求预测越来越受到关注，而电力物资的供给与需求之间的协调关系直接影响到整个电力行业的发展。一般电力供应管理与分配都是由电网公司来承担，这一过程中常存在供需不平衡问题。电力储备过剩或不足会带来库存过多、经济损失等一系列问题，所以构建精度较高的电力物资需求预测模型具有重要的有实际意义。
常见的电力物资需求预测模型主要有回归分析模型、时间序列模型等，然而这些模型都存在一定的不足，如时间序列模型只能考虑时序因素对需求的影响，难以反映出其他复杂因素对需求的影响，而回归分析模型需确定大量的影响因素及其权重，模型复杂性高且容易受到噪声的影响。因此，目前的电力物资需求预测模型普遍存在精度低、波动大等问题，难以满足电力行业的需求。
发明内容
本发明实施例提供了一种电力物资需求预测方法、装置、终端及存储介质，以解决现有需求预测模型精度低、波动大、难以满足电力行业的需求的问题。
第一方面，本发明实施例提供了一种电力物资需求预测方法，包括：
基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；
基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型；
基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型；
基于所述组合预测模型对目标电力物资的需求进行预测。
在一种可能的实现方式中，基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，包括：
对历史电力物资需求数据进行趋势性、周期性和季节性分解，并去除所述历史电力物资需求数据中的非系统性噪声和异常值，获得训练集；
根据所述训练集，拟合季节性自回归移动平均模型中的非季节性系数和季节性系数，获得初始第一需求预测模型；
检验所述初始第一需求预测模型的残差序列是否符合白噪声假设；
在所述残差序列符合白噪声假设时，将所述初始第一需求预测模型确定为第一需求预测模型。
在一种可能的实现方式中，基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，包括：
对所述历史电力物资需求数据按照影响因素特征进行聚类，按照聚类结果将所述历史电力物资需求数据划分为多个子训练集；
根据每个子训练集，对预设神经网络模型或预设分类器模型进行训练，得到每个子训练集对应的第二需求预测模型。
在一种可能的实现方式中，在基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型之前，还包括：
计算目标电力物资的特征数据与每个子训练集对应的聚类中心的距离；
根据所述距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型；
基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型，包括：
基于最大信息熵原理对所述第一需求预测模型和每个所述目标第二需求预测模型进行组合，获得组合预测模型。
在一种可能的实现方式中，基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型，包括：
获取目标电力物资在历史参考时刻的历史实际需求值、利用所述第一需求预测模型对目标电力物资进行预测的第一当前预测值以及对目标电力物资的历史参考时刻进行预测的第一历史参考预测值、利用每个所述第二需求预测模型对目标电力物资进行预测的第二当前预测值以及对目标电力物资的历史参考时刻进行预测的第二历史参考预测值；
根据所述历史实际需求值和对应的第一历史参考预测值，计算得到目标电力物资在所述第一需求预测模型下的第一各阶中心矩；
根据所述历史实际需求值和每个所述第二需求预测模型对应的第二历史参考预测值，计算得到目标电力物资在每个所述第二需求预测模型下的第二各阶中心矩；
将所述第一当前预测值作为目标电力物资在所述第一需求预测模型下的第一均值，将每个所述第二当前预测值作为目标电力物资在每个所述第二需求预测模型下的第二均值，以所述第一均值及对应的第一各阶中心矩、每个所述第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息，基于最大信息熵原理在所述概率分布约束信息下对所述第一需求预测模型和每个所述第二需求预测模型的权重进行求解；
根据求解结果对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型。
在一种可能的实现方式中，在基于所述组合预测模型对目标电力物资的需求进行预测之后，还包括：
根据所述历史电力物资需求数据的时间跨度设定窗口尺寸；
按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据；
根据所述更新样本数据分别对所述第一需求预测模型和每个所述第二需求预测模型进行更新；
基于最大信息熵原理对更新的第一需求预测模型和更新的每个第二需求预测模型进行组合，获得更新的组合预测模型。
在一种可能的实现方式中，在按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据之前，还包括：
基于均方根误差、平均绝对误差、相对误差和R平方对所述组合预测模型的预测结果的准确度进行综合评价；
按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据，包括：
在所述综合评价结果表征所述组合预测模型的预测结果的准确度小于预设准确度阈值时，按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据。
第二方面，本发明实施例提供了一种电力物资需求预测装置，包括：
第一训练模块，用于基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；
第二训练模块，用于基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型；
组合模块，用于基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型；
预测模块，用于基于所述组合预测模型对目标电力物资的需求进行预测。
第三方面，本发明实施例提供了一种终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种电力物资需求预测方法、装置、终端及存储介质，通过先基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，再基于历史电力物资需求数据的影响因素特征，训练得到至少一个基于神经网络或基于分类器的第二需求预测模型，然后基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型，进而基于组合预测模型对目标电力物资的需求进行预测。不仅可以通过第一需求预测模型较好地反映时间因素对需求预测的影响，还可以通过每个第二需求预测模型反映各种影响因素特征对需求预测的影响，并通过最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行综合，从而提高组合预测模型的全面性、准确性和波动控制能力，解决现有模型精度低、波动大等问题，为电力行业提供更准确、可靠的物资需求预测结果，为电力物资供需平衡和优化发展提供支持和保障。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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他的附图。
图1是本发明实施例提供的电力物资需求预测方法的实现流程图；
图2是本发明实施例提供的ANFIS的结构示意图；
图3是本发明实施例提供的电力物资需求预测装置的结构示意图；
图4是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的电力物资需求预测方法的实现流程图，详述如下：
在步骤101中，基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型。
本实施例中，考虑电力物资需求与时间息息相关的特点，首先基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型。
其中，根据实际需要，可以选择差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average model，ARIMA)、季节性差分自回归滑动平均模型(SeasonalAutoregressive Integrated Moving Average，SARIMA)或Prophet模型等，本实施例对此不作限定。
可选的，基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，可以包括：
对历史电力物资需求数据进行趋势性、周期性和季节性分解，并去除历史电力物资需求数据中的非系统性噪声和异常值，获得训练集。
根据训练集，拟合季节性自回归移动平均模型中的非季节性系数和季节性系数，获得初始第一需求预测模型。
检验初始第一需求预测模型的残差序列是否符合白噪声假设。
在残差序列符合白噪声假设时，将初始第一需求预测模型确定为第一需求预测模型。
本实施例中，进一步考虑电力物资需求数据的季节性因素，选择SARIMA模型以训练得到第一需求预测模型。SARIMA模型是对ARIMA模型的拓展，主要用于处理具有季节性因素的时间序列数据，能够对序列数据的趋势、周期性和季节性进行分析和预测。
基于SARIMA模型训练得到第一需求预测模型的实现过程可以分为以下几个步骤：
数据预处理：对原始时间序列数据进行趋势性、周期性和季节性分解，去除非系统性噪声和异常值。
模型参数估计：根据已处理的数据拟合季节性ARIMA模型，即确定AR、MA和差分阶数，以及季节性因素(如季节性差分阶数和季节性滞后项)的个数。
模型诊断：对拟合的季节性ARIMA模型进行诊断，检验其残差序列是否符合白噪声假设，如果不符合需要调整模型。
模型预测：使用已拟合的SARIMA模型(即训练得到的第一需求预测模型)对未来一段时间的数据进行预测，得出预测值和预测误差范围。
其中，SARIMA模型可用SARIMA(j，k，l)(J，K，L)s来表示，在该模型中，j表示具有非季节性质的参数值、k代表可以让模型满足平稳性所需要的非季节性质的差分次数、l为非季节性质的算术平均值、J为季节性质的参数值、K代表季节性质的差分次数值、L代表季节性的算术平均值、s代表参照季节的周期长度进行计算、(j，k，l)代表本模型在非季节性层面、(J，K，L)为本模型在季节性层面的代表公式，如下：
式中：AJ代表J阶的自回归运算符，L代表滞后算子，BJ代表J阶的季节性自回归参数，Δk代表差分运算符，代表以s为周期的季节性差分算子，yt代表原始序列中时间点为t的观测值Cq代表l阶的移动平均运算符，KL代表L阶的季节性移动平均参数，μt代表随机模型的白噪声分量。
在步骤102中，基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型。
其中，每个第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型。
本实施例中，在考虑时间因素对需求预测的影响的基础上，考虑其他影响因素对需求预测的影响，基于历史电力物资需求数据的影响因素特征，训练得到至少一个基于神经网络或基于分类器的需求预测模型。
示例性的，基于神经网络的需求预测模型可以为自适应神经模糊系统(AdaptiveNeuro-Fuzzy Inference System，ANFIS)、人工神经网络模型(Artificial NeuralNetwork，ANN)等。基于分类器的需求预测模型可以为支持向量机(Support VectorMachine，SVM)、最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)、随机森林(Random Forest，RF)等。
其中，ANFIS是一种结合了人工神经网络和模糊逻辑的推理系统，其结构具有5层，如图2所示。
输入层：这一层将系统的输入(如温度、湿度、压力等)传递给下一层隶属度函数层。
隶属度函数层：这一层根据输入的变量对其进行模糊化，将其转换成隶属度函数。每个输入变量都对应一个隶属度函数。
模糊推理层：这一层通过组合隶属度函数，进行模糊推理。它计算出每个规则的激活度以及系统的输出。
解模糊化层：这一层将模糊推理层的输出解模糊化，得到模糊推理的真实输出。
输出层：这一层将解模糊化的结果返回给用户用于决策。
ANFIS以神经网络算法和模糊判断为基础，取代了较为复杂的非线性映射过程，可以用来更好地对电力物资需求预测中存在的不确定性问题进行解决。
可选的，基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，可以包括：
对历史电力物资需求数据按照影响因素特征进行聚类，按照聚类结果将历史电力物资需求数据划分为多个子训练集。
根据每个子训练集，对预设神经网络模型或预设分类器模型进行训练，得到每个子训练集对应的第二需求预测模型。
本实施例中，为了解决一般回归分析模型需确定大量的影响因素及其权重，模型复杂性高且容易受到噪声的影响的问题，先对历史电力物资需求数据按照影响因素特征进行聚类，然后按照聚类结果将历史电力物资需求数据划分为多个子训练集，然后根据每个子训练集，对预设神经网络模型或预设分类器模型进行训练，得到每个子训练集对应的第二需求预测模型。进而通过聚类将类似的影响因素数据划分为一个大类，针对每个大类训练一个需求预测模型，既可以避免确定影响因素及其权重的过程，又可以考虑到每种影响因素，从而有助于改善需求预测模型精度低、波动大的问题。
在步骤103中，基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型。
本实施例中，为了进一步提高需求预测模型的精度和适应度，利用最大信息熵原理来对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型。
组合预测模型的建立是一个信息的综合过程，需要从各个单一的预测模型中提取被预测量的特征，以此作为该模型向组合预测模型提供的信息，然后利用最大信息熵原理来确定各单一模型的权重，实现电力应急物资需求的预测。
可选的，在基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型之前，还可以包括：
计算目标电力物资的特征数据与每个子训练集对应的聚类中心的距离。
根据距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型。
基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型，可以包括：
基于最大信息熵原理对第一需求预测模型和每个目标第二需求预测模型进行组合，获得组合预测模型。
本实施例中，为了使组合预测模型的匹配度更高，在组合之前，可以先计算待预测的目标电力物资的特征数据与每个子训练集对应的聚类中心的距离，根据距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型，基于最大信息熵原理对第一需求预测模型和每个目标第二需求预测模型进行组合，获得组合预测模型。
可选的，基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型，可以包括：
获取目标电力物资在历史参考时刻的历史实际需求值、利用第一需求预测模型对目标电力物资进行预测的第一当前预测值以及对目标电力物资的历史参考时刻进行预测的第一历史参考预测值、利用每个第二需求预测模型对目标电力物资进行预测的第二当前预测值以及对目标电力物资的历史参考时刻进行预测的第二历史参考预测值。
根据历史实际需求值和对应的第一历史参考预测值，计算得到目标电力物资在第一需求预测模型下的第一各阶中心矩。
根据历史实际需求值和每个第二需求预测模型对应的第二历史参考预测值，计算得到目标电力物资在每个第二需求预测模型下的第二各阶中心矩。
将第一当前预测值作为目标电力物资在第一需求预测模型下的第一均值，将每个第二当前预测值作为目标电力物资在每个第二需求预测模型下的第二均值，以第一均值及对应的第一各阶中心矩、每个第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息，基于最大信息熵原理在概率分布约束信息下对第一需求预测模型和每个第二需求预测模型的权重进行求解。
根据求解结果对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型。
其中，最大信息熵原理是指在只掌握部分信息的情况下要对分布作出推断时，应该取符合约束条件但熵值最大的概率分布，这是可作出的唯一的不偏不倚的选择，任何其他的选择都意味着添加了其他的约束或假设。
本质上讲，组合预测模型的预测过程是一个信息的综合过程：各种单一需求预测模型的预测结果提供了关于需求预测的信息，组合预测模型再基于这些已知信息得到一个合理的最终预测结果。
因此，可以将第一当前预测值作为目标电力物资在第一需求预测模型下的第一均值，将每个第二当前预测值作为目标电力物资在每个第二需求预测模型下的第二均值，以第一均值及对应的第一各阶中心矩、每个第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息，基于最大信息熵原理在概率分布约束信息下对第一需求预测模型和每个第二需求预测模型的权重进行求解，根据求解结果对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型。
在步骤104中，基于组合预测模型对目标电力物资的需求进行预测。
可选的，在基于组合预测模型对目标电力物资的需求进行预测之后，还可以包括：
根据历史电力物资需求数据的时间跨度设定窗口尺寸。
按照窗口尺寸获取新的电力物资需求数据作为更新样本数据。
根据更新样本数据分别对第一需求预测模型和每个第二需求预测模型进行更新。
基于最大信息熵原理对更新的第一需求预测模型和更新的每个第二需求预测模型进行组合，获得更新的组合预测模型。
本实施例中，为了实现实时数据的更新和模型的管理，可以采用Python中的pandas库来构建滑动窗口技术，并将其与以上的第一需求预测模型和第二需求预测模型相结合，具体操作步骤如下：
步骤1：先设定窗口的尺寸，根据历史电力物资需求数据本身的时间跨度设定窗口的尺寸。
步骤2：其次对窗口进行移动，用获取到的新的样本数据对第一需求预测模型和第二需求预测模型进行更新，并移除窗口区域之外的最老数据。
步骤3：运用经过更新的模型来预测。若需不断更新，则需反复执行以上步骤。
本实施例可以实现第一需求预测模型和第二需求预测模型的自适应能力和适应性，能够根据实际需求自动调整模型参数，实时更新模型，适应行业需求的动态变化。其使用滑动窗口技术，可以实现模型实时更新和自适应调整，提高了适应性和自适应能力。
可选的，在按照窗口尺寸获取新的电力物资需求数据作为更新样本数据之前，还可以包括：
基于均方根误差、平均绝对误差、相对误差和R平方对组合预测模型的预测结果的准确度进行综合评价。
按照窗口尺寸获取新的电力物资需求数据作为更新样本数据，可以包括：
在综合评价结果表征组合预测模型的预测结果的准确度小于预设准确度阈值时，按照窗口尺寸获取新的电力物资需求数据作为更新样本数据。
本实施例中，为了对组合预测模型的预测结果进行准确评估，并针对第一需求预测模型和每个第二需求预测模型确定合适的更新时间，可以依据一系列关键指标对预测结果进行综合分析。示例性的，可以选取以下四个评价指标，分别是均方根误差(Root MeanSquare Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)、相对误差(Relativeerror，RE)和R平方(R-squared，R2)，对组合预测模型的预测结果进行综合分析。随着估值指数的降低，模型的预测表现也随之呈现出更佳的趋势，各个评价指标的表达式为：
式中：yi代表实际的需求量；代表模型预测的需求值；/>代表n个观察值的平均值。
除此之外，在训练第一需求预测模型和每个第二需求预测模型的过程中，也可以利用这些评价指标对第一需求预测模型或每个第二需求预测模型的预测结果进行综合分析，以确定第一需求预测模型或每个第二需求预测模型是否训练完成。
本实施例通过基于最大信息熵原理将基于时间序列的第一需求预测模型与基于神经网络的第二需求预测模型或基于分类器的第二需求预测模型相结合，充分考虑了时序数据中时间依赖性和灵活变化的要素，从而有助于提高电力物资需求预测模型的预测精度和波动控制能力。
本发明实施例通过先基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，再基于历史电力物资需求数据的影响因素特征，训练得到至少一个基于神经网络或基于分类器的第二需求预测模型，然后基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型，进而基于组合预测模型对目标电力物资的需求进行预测。不仅可以通过第一需求预测模型较好地反映时间因素对需求预测的影响，还可以通过每个第二需求预测模型反映各种影响因素特征对需求预测的影响，并通过最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行综合，从而提高组合预测模型的全面性、准确性和波动控制能力，解决现有模型精度低、波动大等问题，为电力行业提供更准确、可靠的物资需求预测结果，为电力物资供需平衡和优化发展提供支持和保障。此外，该模型还可以根据实际需求自动调整模型参数，提高模型的自适应能力，同时使用滑动窗口技术，使模型可以实时更新，适应电力行业需求的动态变化。因此，基于SARIMA模型与ANFIS系统构建组合方法的电力物资需求预测模型能够达到较高的准确性和适应性，对于电力行业的物资供需平衡和优化发展都有着重要的推动作用。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的电力物资需求预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图3所示，电力物资需求预测装置包括：第一训练模块31、第二训练模块32、组合模块33和预测模块34。
第一训练模块31，用于基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；
第二训练模块32，用于基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型；
组合模块33，用于基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型；
预测模块34，用于基于所述组合预测模型对目标电力物资的需求进行预测。
本发明实施例通过先基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，再基于历史电力物资需求数据的影响因素特征，训练得到至少一个基于神经网络或基于分类器的第二需求预测模型，然后基于最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行组合，获得组合预测模型，进而基于组合预测模型对目标电力物资的需求进行预测。不仅可以通过第一需求预测模型较好地反映时间因素对需求预测的影响，还可以通过每个第二需求预测模型反映各种影响因素特征对需求预测的影响，并通过最大信息熵原理对第一需求预测模型和每个第二需求预测模型进行综合，从而提高组合预测模型的全面性、准确性和波动控制能力，解决现有模型精度低、波动大等问题，为电力行业提供更准确、可靠的物资需求预测结果，为电力物资供需平衡和优化发展提供支持和保障。
在一种可能的实现方式中，第一训练模块31，可以用于对历史电力物资需求数据进行趋势性、周期性和季节性分解，并去除所述历史电力物资需求数据中的非系统性噪声和异常值，获得训练集；
根据所述训练集，拟合季节性自回归移动平均模型中的非季节性系数和季节性系数，获得初始第一需求预测模型；
检验所述初始第一需求预测模型的残差序列是否符合白噪声假设；
在所述残差序列符合白噪声假设时，将所述初始第一需求预测模型确定为第一需求预测模型。
在一种可能的实现方式中，第二训练模块32，可以用于对所述历史电力物资需求数据按照影响因素特征进行聚类，按照聚类结果将所述历史电力物资需求数据划分为多个子训练集；
根据每个子训练集，对预设神经网络模型或预设分类器模型进行训练，得到每个子训练集对应的第二需求预测模型。
在一种可能的实现方式中，第二训练模块32，还可以用于计算目标电力物资的特征数据与每个子训练集对应的聚类中心的距离；根据所述距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型；组合模块33，可以用于基于最大信息熵原理对所述第一需求预测模型和每个所述目标第二需求预测模型进行组合，获得组合预测模型。
在一种可能的实现方式中，组合模块33，可以用于获取目标电力物资在历史参考时刻的历史实际需求值、利用所述第一需求预测模型对目标电力物资进行预测的第一当前预测值以及对目标电力物资的历史参考时刻进行预测的第一历史参考预测值、利用每个所述第二需求预测模型对目标电力物资进行预测的第二当前预测值以及对目标电力物资的历史参考时刻进行预测的第二历史参考预测值；
根据所述历史实际需求值和对应的第一历史参考预测值，计算得到目标电力物资在所述第一需求预测模型下的第一各阶中心矩；
根据所述历史实际需求值和每个所述第二需求预测模型对应的第二历史参考预测值，计算得到目标电力物资在每个所述第二需求预测模型下的第二各阶中心矩；
将所述第一当前预测值作为目标电力物资在所述第一需求预测模型下的第一均值，将每个所述第二当前预测值作为目标电力物资在每个所述第二需求预测模型下的第二均值，以所述第一均值及对应的第一各阶中心矩、每个所述第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息，基于最大信息熵原理在所述概率分布约束信息下对所述第一需求预测模型和每个所述第二需求预测模型的权重进行求解；
根据求解结果对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型。
在一种可能的实现方式中，电力物资需求预测装置，还可以用于根据所述历史电力物资需求数据的时间跨度设定窗口尺寸；
按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据；
根据所述更新样本数据分别对所述第一需求预测模型和每个所述第二需求预测模型进行更新；
基于最大信息熵原理对更新的第一需求预测模型和更新的每个第二需求预测模型进行组合，获得更新的组合预测模型。
在一种可能的实现方式中，电力物资需求预测装置，还可以用于基于均方根误差、平均绝对误差、相对误差和R平方对所述组合预测模型的预测结果的准确度进行综合评价；在所述综合评价结果表征所述组合预测模型的预测结果的准确度小于预设准确度阈值时，按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据。
图4是本发明实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个电力物资需求预测方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，处理器40执行计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块/单元31至34的功能。
示例性的，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在终端4中的执行过程。例如，计算机程序42可以被分割成图3所示的模块/单元31至34。
终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端4的内部存储单元，例如终端4的硬盘或内存。存储器41也可以是终端4的外部存储设备，例如终端4上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及终端所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个电力物资需求预测方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力物资需求预测方法，其特征在于，包括：
基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；
基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型；
基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型；
基于所述组合预测模型对目标电力物资的需求进行预测。
2.根据权利要求1所述的电力物资需求预测方法，其特征在于，基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型，包括：
对历史电力物资需求数据进行趋势性、周期性和季节性分解，并去除所述历史电力物资需求数据中的非系统性噪声和异常值，获得训练集；
根据所述训练集，拟合季节性自回归移动平均模型中的非季节性系数和季节性系数，获得初始第一需求预测模型；
检验所述初始第一需求预测模型的残差序列是否符合白噪声假设；
在所述残差序列符合白噪声假设时，将所述初始第一需求预测模型确定为第一需求预测模型。
3.根据权利要求1所述的电力物资需求预测方法，其特征在于，基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，包括：
对所述历史电力物资需求数据按照影响因素特征进行聚类，按照聚类结果将所述历史电力物资需求数据划分为多个子训练集；
根据每个子训练集，对预设神经网络模型或预设分类器模型进行训练，得到每个子训练集对应的第二需求预测模型。
4.根据权利要求3所述的电力物资需求预测方法，其特征在于，在基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型之前，还包括：
计算目标电力物资的特征数据与每个子训练集对应的聚类中心的距离；
根据所述距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型；
基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型，包括：
基于最大信息熵原理对所述第一需求预测模型和每个所述目标第二需求预测模型进行组合，获得组合预测模型。
5.根据权利要求1所述的电力物资需求预测方法，其特征在于，基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型，包括：
获取目标电力物资在历史参考时刻的历史实际需求值、利用所述第一需求预测模型对目标电力物资进行预测的第一当前预测值以及对目标电力物资的历史参考时刻进行预测的第一历史参考预测值、利用每个所述第二需求预测模型对目标电力物资进行预测的第二当前预测值以及对目标电力物资的历史参考时刻进行预测的第二历史参考预测值；
根据所述历史实际需求值和对应的第一历史参考预测值，计算得到目标电力物资在所述第一需求预测模型下的第一各阶中心矩；
根据所述历史实际需求值和每个所述第二需求预测模型对应的第二历史参考预测值，计算得到目标电力物资在每个所述第二需求预测模型下的第二各阶中心矩；
将所述第一当前预测值作为目标电力物资在所述第一需求预测模型下的第一均值，将每个所述第二当前预测值作为目标电力物资在每个所述第二需求预测模型下的第二均值，以所述第一均值及对应的第一各阶中心矩、每个所述第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息，基于最大信息熵原理在所述概率分布约束信息下对所述第一需求预测模型和每个所述第二需求预测模型的权重进行求解；
根据求解结果对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型。
6.根据权利要求1-5任一项所述的电力物资需求预测方法，其特征在于，在基于所述组合预测模型对目标电力物资的需求进行预测之后，还包括：
根据所述历史电力物资需求数据的时间跨度设定窗口尺寸；
按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据；
根据所述更新样本数据分别对所述第一需求预测模型和每个所述第二需求预测模型进行更新；
基于最大信息熵原理对更新的第一需求预测模型和更新的每个第二需求预测模型进行组合，获得更新的组合预测模型。
7.根据权利要求6所述的电力物资需求预测方法，其特征在于，在按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据之前，还包括：
基于均方根误差、平均绝对误差、相对误差和R平方对所述组合预测模型的预测结果的准确度进行综合评价；
按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据，包括：
在所述综合评价结果表征所述组合预测模型的预测结果的准确度小于预设准确度阈值时，按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据。
8.一种电力物资需求预测装置，其特征在于，包括：
第一训练模块，用于基于历史电力物资需求数据的时序特征，训练得到基于时间序列的第一需求预测模型；
第二训练模块，用于基于历史电力物资需求数据的影响因素特征，训练得到至少一个第二需求预测模型，每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型；
组合模块，用于基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合，获得组合预测模型；
预测模块，用于基于所述组合预测模型对目标电力物资的需求进行预测。
9.一种终端，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
CN202410325458.8A 2024-03-21 2024-03-21 电力物资需求预测方法、装置、终端及存储介质 Pending CN118195224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410325458.8A CN118195224A (zh) 2024-03-21 2024-03-21 电力物资需求预测方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410325458.8A CN118195224A (zh) 2024-03-21 2024-03-21 电力物资需求预测方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN118195224A true CN118195224A (zh) 2024-06-14

Family

ID=91414824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410325458.8A Pending CN118195224A (zh) 2024-03-21 2024-03-21 电力物资需求预测方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN118195224A (zh)

Similar Documents

Publication Publication Date Title
CN109816221B (zh) 项目风险决策方法、装置、计算机设备和存储介质
CN112258093B (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
CN108304355B (zh) 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
JP2023504103A (ja) モデル更新システム、モデル更新方法及び関連装置
CN116316699A (zh) 一种大电网频率安全态势预测方法、装置及存储介质
Zhu et al. Hybrid of EMD and SVMs for short-term load forecasting
CN116539994A (zh) 基于多源时间序列数据的变电站主设备运行状态检测方法
Ruxue et al. Load forecasting based on weighted grey relational degree and improved ABC-SVM
CN113268929B (zh) 短期负荷区间预测方法及装置
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN114115150B (zh) 基于数据的热泵系统在线建模方法及装置
CN118195224A (zh) 电力物资需求预测方法、装置、终端及存储介质
CN115907839A (zh) 一种预测销量的方法、系统、设备和存储介质
Kotenko et al. Formation of Indicators for Assessing Technical Reliability of Information Security Systems
CN116157809A (zh) 基于人工智能的模型的压缩的模型压缩技术的自动确定的方法
CN114610590A (zh) 作业运行时长确定方法、装置、设备及存储介质
CN113657501A (zh) 模型自适应训练方法、装置、设备、介质及程序产品
CN115185649A (zh) 资源调度的方法、装置、设备及存储介质
CN111260191B (zh) 测试床成熟度量化方法、装置、计算机设备和存储介质
CN113791960B (zh) 基于eggm模型预测云服务器软件老化的方法

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