[发明专利]一种计量器具需求预测方法、系统、计算装置及存储介质

权利要求书

1.一种计量器具需求预测方法，其特征在于，包括以下步骤：

步骤1：数据采集器获取各型号计量器具安装量的历史数据，以及获取对应时期各影响因素的外部数据，数据处理器计算两变量的卡方值，若卡方值小于1，则执行步骤2；若卡方值大于等于1，则执行步骤3；

步骤2：采用SRU+RBF算法进行预测，将“业扩新装、改造轮换”安装类型计量器具往期安装量/需求量的历史数据，和该类安装类型计量器具安装量影响因素的数据进行计量器具需求预测，输出预测结果；

步骤3：采用SRU+贝叶斯网络算法进行预测，将往年电力现场获取已发生故障的计量器具属性数据进行处理，得到计量器具故障的高关联特征/属性，按照这些特征/属性采集电力现场的计量器具属性数据进行计量器具需求预测，输出预测结果。

2.根据权利要求1所述的一种计量器具需求预测方法，其特征在于，步骤2所述SRU+RBF算法进行预测，对“改造轮换、业扩新装”安装类型计量器具进行需求预测，计算出某型号计量器具需求量P_an；具体需求预测步骤如下：

A1：采集计量器具历史订单数据，并进行数据预处理；

A1.1：采集MDS系统或SG186系统中“改造轮换”和“业扩新装”安装类型计量器具的历史订单，获取每种型号计量器具在每周/每月/每季度的历史安装量，并按不同型号为行向、不同周度/月度/季度为列向，形成历史数据矩阵；

A1.2：历史数据矩阵中，每列数据构成一个列向量每行的最小值数据和最大值数据分别构成列向量对矩阵中的数据进行归一化预处理，将原始数据归一到[0，1]之间，得到归一化后的数据每一列向量归一化公式如下：

将归一化后的列向量按顺序拼接构成归一化后的历史数据矩阵X′；

A2：将历史安装量时序数据进行SRU算法，获取计量器具初步预测需求量；

A2.1：将历史数据矩阵X′的前4/5列数据作为训练集X′₁，其余数据作为测试集X′₂；

A2.2：搭建SRU网络，设定网络层数为3层，第一层SRU神经元个数为8，之后层数的神经元个数按2的整数倍递减，网络初始化方法选定为均匀分布初始化，设定激活函数为tanh函数和Sigmoid函数，函数表达式为：

神经迭代次数为100次，批量处理参数为8，神经元抖动次数为5，带入训练集X′₁进行整个网络的训练，利用Adam优化算法进行参数优化，得到参数矩阵W、W_f、W_r、b_f、b_r；

A2.3：输入测试集X′₂，对于当前时刻输入数据X_t，计算其在网络中的遗忘信息程度f_t，计算公式为：

f_t＝σ(W_fX_t+b_f) (4)

A2.4：确定所要更新的信息

A2.5：确定更新信息程度r_t＝σ(W_rX_t+b_r)；

A2.6：根据上一时刻细胞状态C_t-1、遗忘信息程度f_t、所需更新信息计算当前新形成的细胞状态C_t，计算公式如下：

A2.7：根据当前细胞状态C_t、更新程度r_t、当前输入X_t，计算当前时刻输出h_t，计算公式如下：

h_t＝r_ttanh(c_t)+(1-r_t)X_t (6)

因此SRU的内部信息传递只有当前时刻输入X_t参与运算，当前时刻输出h_t的计算并不依赖前一时刻输出h_t-1，该结构使得SRU可完成独立化的并行运算；

A2.8：得到不同型号计量器具通过SRU算法的初步需求预测结果：Y₁,Y₂,Y₃,...；

A3：分析并获取“改造轮换、业扩新装”安装类型计量器具需求量的外部影响因素信息，结合步骤A2.8得到的初步需求预测结果，运用RBF网络算法预测该安装类型计量器具的最终需求量P_an。