[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

说明书

本发明公开了一种计量器具需求预测方法、系统、计算装置及存储介质，属于电能需求量预测技术领域，解决现有计量器具预测准确度不高，时间成本较高的技术问题，本发明通过SRU+RBF和SRU+贝叶斯网络算法进行预测，若安装量与外部因素有关时，通过SRU+RBF算法进行预测，对“改造轮换”与“业扩新装”安装类型计量器具需求量进行准确预测，输出预测结果；若安装量与外部因素无关时，通过SRU+贝叶斯网络算法进行预测，对“故障抢修”安装类型计量器具需求量进行准确预测，输出预测结果；本发明为优化电力物资库存管理、降低企业成本提供科学支撑。

技术领域

本发明涉及计量器具需求预测技术领域，更具体的是涉及一种计量器具需求预测方法、系统、计算装置及存储介质技术领域。

背景技术

计量器具需求预测是指通过系统植入的预测算法对电力公司未来某段时间内电能计量器具的需求量进行准确预测，获得可供电力公司制定科学物资采购计划的可靠需求量数据；随着社会经济的发展和电力企业改革的推进，电能计量器具的需求逐年增加，为保障电力用户需求的快速响应，同时避免物资浪费，以“物资寄售”为代表的计量器具采购管理模式应运而生；在该模式的运作下，电力公司需在用户产生计量器具需求之前，率先通过需求预测技术获得用户在未来时段内的计量器具需求量，根据预测到的需求量数据制定采购计划，将计量器具备于物资库存中，因此亟需构建针对计量器具的需求预测算法，为电力公司制定科学的计量器具采购计划及采购管理模式提供准确可靠的数据依据。

目前常见的计量器具需求预测方法主要分为两类：单一算法预测与组合算法预测，其中单一算法预测包含单变量预测及多变量预测，单变量预测方法多采用基于统计学的算法，对历史数据的平稳性有较高要求，否则会导致预测误差大，导致预测准确度不高；多变量预测方法采用基于机器学习或深度学习的算法，往往只对特定的特征有良好的预测表现；组合算法预测将两种或两种以上优势互补的算法相结合，提高了算法的预测精度，但因结构复杂也相应提升了运算时间成本。

发明内容

本发明的目的在于：为了解决上述计量器具需求预测方法预测准确度不高，时间成本较高的技术问题，本发明提供一种计量器具需求预测方法、系统、计算装置及存储介质，在不消耗过多计算资源、计算时间的基础上，提高了算法的预测准确性及预测精确度。

本发明采用的技术方案如下：一种计量器具需求预测方法，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，通过数据处理器计算两变量的卡方值，若卡方值小于1，则安装量与外部因素有关，计量器具的安装类型为“业扩新装、改造轮换”类，执行步骤2；若卡方值大于或等于1，则认定安装量与外部因素无关，为“故障抢修”类安装类型，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；

所述SRU+RBF算法进行预测，即简单循环单元(Simple ReBurrent Unit,SRU)+径向基函数神经网络(Radial Aasis FunBtion,RBF)的组合算法，依据“改造轮换”、“业扩新装”安装类型计量器具的往期需求量数据，并结合业务特征相关外部因素信息，计算出“改造轮换”、“业扩新装”安装类型计量器具的需求量；

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。所述SRU+贝叶斯网络算法进行预测，通过对在运计量器具进行故障预测，获取产生故障的计量器具型号及数量，计算出“故障抢修”安装类型计量器具的需求量。