一种电网物资需求预测方法及系统与流程

本发明涉及物资预测，尤其是涉及一种电网物资需求预测方法及系统。

背景技术：

1、电网工程建设具有全流程周期长、阶段信息不对称、物资需求与工程进度强耦合的显著特点，从电网规划到物资招标的各个阶段，项目信息呈现由粗到精、由模糊到确定的渐进式演化规律。

2、在现有技术中，物资需求预测方法一般基于工程概算的定额比例推算的方法来进行预测，其通过将工程概算总投资额按照预设的设备费、材料费等费用占比定额进行分解，再结合各类物资的单价定额反推各品类物资的需求数量，形成物资需求清单，但是该方法难以捕捉物资需求与工程进度之间的强耦合动态关系，会导致预测结果与实际需求偏差较大，造成物资提前采购积压或后期供应短缺，进而引发工程窝工待料或资金占用成本升高的后果。

技术实现思路

1、本发明提供一种电网物资需求预测方法及系统，以解决现有技术中预测结果与实际需求偏差较大的技术问题，实现了基于项目信息渐进式演化特征的分阶段动态预测，使物资需求预测结果与工程实际进度强耦合，显著提高预测精度，有效降低物资积压与供应短缺风险的效果。

2、为了解决上述技术问题，本发明提供了一种电网物资需求预测方法，方法包括：

3、获取目标电网工程的工程建设数据、物资供应计划数据和历史供应数据；

4、基于所述工程建设数据和所述物资供应计划数据，对所述目标电网工程进行划分处理，得到若干项目阶段和与若干所述项目阶段对应的特征数据；

5、对若干所述项目阶段和若干所述项目阶段对应的特征数据进行动态约束梳理，得到物资供应时间窗口；

6、将所述历史供应数据和所述物资供应时间窗口输入至构建好的需求预测模型中进行处理，得到物资需求预测值，其中，构建过程被配置为采用双层堆叠式长短期记忆神经网络结构构建，层间加入随机失活层，对所述历史供应数据和所述物资供应时间窗口进行处理，并通过全连接层输出所述物资需求预测值。

7、作为其中一种优选方案，所述对所述目标电网工程进行划分处理，得到若干项目阶段和与若干所述项目阶段对应的特征数据，包括：

8、获取所述工程建设数据中的项目时间序列和所述物资供应计划数据中的计划采购时间节点；

9、基于所述项目时间序列和所述计划采购时间节点，将所述目标电网工程划分为若干项目阶段，所述项目阶段包括可研前阶段、可研-初设阶段和初设后阶段；

10、针对每一所述项目阶段，从所述工程建设数据中提取与该阶段对应的工程属性参数，作为该阶段的特征数据；其中，所述工程属性参数至少包括该阶段的计划投资额、计划工期和物资品类清单。

11、作为其中一种优选方案，所述对若干所述项目阶段和若干所述项目阶段对应的特征数据进行动态约束梳理，得到物资供应时间窗口，包括：

12、获取所述特征数据中的计划开工时间和初设批复时间；

13、基于所述计划开工时间确定最晚到货时间，基于所述初设批复时间和预设的极限供应周期确定最早到货时间；

14、根据所述最晚到货时间和所述最早到货时间，生成物资供应时间窗口，所述物资供应时间窗口至少包括最小需求值和最大需求值。

15、作为其中一种优选方案，所述需求预测模型还包括特征注意力门和尺度融合门；

16、所述将所述历史供应数据和所述物资供应时间窗口输入至构建好的需求预测模型中进行处理，得到物资需求预测值，包括：

17、获取所述若干项目阶段对应的特征数据，将所述特征数据输入至所述特征注意力门，得到加权特征；

18、将所述加权特征、所述历史供应数据和所述物资供应时间窗口输入至所述双层堆叠式长短期记忆神经网络，经所述随机失活层处理后，得到多尺度隐层输出；

19、将所述多尺度隐层输出输入至所述尺度融合门进行非线性融合，并经所述全连接层输出所述物资需求预测值。

20、作为其中一种优选方案，在得到物资需求预测值后，所述电网物资需求预测方法还包括：

21、获取所述物资需求预测值和所述目标电网工程的实际到货数据；

22、基于所述物资需求预测值和所述实际到货数据，确定预测偏差率；

23、当所述预测偏差率超过预设阈值时，将所述实际到货数据作为新增训练样本，对所述需求预测模型进行增量学习，更新所述需求预测模型的网络参数，得到优化后的需求预测模型。

24、本发明另提供了一种电网物资需求预测系统，包括：

25、获取模块，用于获取目标电网工程的工程建设数据、物资供应计划数据和历史供应数据；

26、划分模块，用于基于所述工程建设数据和所述物资供应计划数据，对所述目标电网工程进行划分处理，得到若干项目阶段和与若干所述项目阶段对应的特征数据；

27、约束模块，用于对若干所述项目阶段和若干所述项目阶段对应的特征数据进行动态约束梳理，得到物资供应时间窗口；

28、处理模块，用于将所述历史供应数据和所述物资供应时间窗口输入至构建好的需求预测模型中进行处理，得到物资需求预测值，其中，构建过程被配置为采用双层堆叠式长短期记忆神经网络结构构建，层间加入随机失活层，对所述历史供应数据和所述物资供应时间窗口进行处理，并通过全连接层输出所述物资需求预测值。

29、作为其中一种优选方案，所述对所述目标电网工程进行划分处理，得到若干项目阶段和与若干所述项目阶段对应的特征数据，包括：

30、获取所述工程建设数据中的项目时间序列和所述物资供应计划数据中的计划采购时间节点；

31、基于所述项目时间序列和所述计划采购时间节点，将所述目标电网工程划分为若干项目阶段，所述项目阶段包括可研前阶段、可研-初设阶段和初设后阶段；

32、针对每一所述项目阶段，从所述工程建设数据中提取与该阶段对应的工程属性参数，作为该阶段的特征数据；其中，所述工程属性参数至少包括该阶段的计划投资额、计划工期和物资品类清单。

33、作为其中一种优选方案，所述对若干所述项目阶段和若干所述项目阶段对应的特征数据进行动态约束梳理，得到物资供应时间窗口，包括：

34、获取所述特征数据中的计划开工时间和初设批复时间；

35、基于所述计划开工时间确定最晚到货时间，基于所述初设批复时间和预设的极限供应周期确定最早到货时间；

36、根据所述最晚到货时间和所述最早到货时间，生成物资供应时间窗口，所述物资供应时间窗口至少包括最小需求值和最大需求值。

37、作为其中一种优选方案，所述需求预测模型还包括特征注意力门和尺度融合门；

38、所述将所述历史供应数据和所述物资供应时间窗口输入至构建好的需求预测模型中进行处理，得到物资需求预测值，包括：

39、获取所述若干项目阶段对应的特征数据，将所述特征数据输入至所述特征注意力门，得到加权特征；

40、将所述加权特征、所述历史供应数据和所述物资供应时间窗口输入至所述双层堆叠式长短期记忆神经网络，经所述随机失活层处理后，得到多尺度隐层输出；

41、将所述多尺度隐层输出输入至所述尺度融合门进行非线性融合，并经所述全连接层输出所述物资需求预测值。

42、作为其中一种优选方案，在得到物资需求预测值后，所述电网物资需求预测系统还包括：

43、获取所述物资需求预测值和所述目标电网工程的实际到货数据；

44、基于所述物资需求预测值和所述实际到货数据，确定预测偏差率；

45、当所述预测偏差率超过预设阈值时，将所述实际到货数据作为新增训练样本，对所述需求预测模型进行增量学习，更新所述需求预测模型的网络参数，得到优化后的需求预测模型。

46、相比于现有技术，本发明的有益效果在于以下所述中的至少一点：

47、本发明通过获取目标电网工程的工程建设数据、物资供应计划数据和历史供应数据；基于所述工程建设数据和所述物资供应计划数据，对所述目标电网工程进行划分处理，得到若干项目阶段和与若干所述项目阶段对应的特征数据；对若干所述项目阶段和若干所述项目阶段对应的特征数据进行动态约束梳理，得到物资供应时间窗口；将所述历史供应数据和所述物资供应时间窗口输入至构建好的需求预测模型中进行处理，得到物资需求预测值，其中，构建过程被配置为采用双层堆叠式长短期记忆神经网络结构构建，层间加入随机失活层，对所述历史供应数据和所述物资供应时间窗口进行处理，并通过全连接层输出所述物资需求预测值。

48、与现有技术相比，本发明通过获取目标电网工程的工程建设数据、物资供应计划数据和历史供应数据，首先基于工程建设数据和物资供应计划数据对工程进行划分处理，得到若干项目阶段及各阶段对应的特征数据，使预测进度与项目信息由粗到精的渐进演化规律相匹配，解决了现有技术中定额比例静态拆解无法适配工程动态演化的问题；进而对各项目阶段及其特征数据进行动态约束梳理，得到物资供应时间窗口，显式建立物资需求与工程进度之间的时序耦合关系；最终将历史供应数据和物资供应时间窗口输入采用双层堆叠式长短期记忆神经网络结构构建的需求预测模型中，该模型通过层间随机失活层防止过拟合、提升泛化能力，并通过全连接层输出物资需求预测值，从而在分阶段对齐和时序耦合约束的基础上进一步提升预测精度，三者协同作用，使预测结果与工程实际进度深度耦合，有效降低预测偏差，避免物资积压或供应短缺。