电力设备采购价格预测方法技术

本发明专利技术涉及大数据领域，特别是涉及在电力行业利用大数据进行预测计算领域，更为具体的说是涉及电力设备采购价格预测方法，以BP神经网络算法为基础模型算法，无需先验公式，可以从数据中自动挖掘规则，通过自学习、自适应和非线性转换能力，通过对多种因素的综合考虑，精准预测采购价格，为差异化招标采购提供参考。采用本发明专利技术训练出的模型预测结果与实际价格区间比较接近,预测误差在可接受范围内，模型具有较高的可信度，其预测结果对于制定标包划分、授标原则等差异化采购策略具有一定的参考价值。考价值。考价值。

【技术实现步骤摘要】
电力设备采购价格预测方法


[0001]本专利技术涉及大数据领域，特别是涉及在电力行业利用大数据进行预测计算领域，更为具体的说是涉及电力设备采购价格预测方法。

技术介绍

[0002]采购作为企业的第三利润源泉，对企业的效益增长有至关重要的影响。合理采购价格能为企业减少不必要的开支和浪费，帮助企业更加高效地开展采购活动，实现降本增效的目标。
[0003]在本领域中，深化大数据分析，充分挖掘海量数据资源价值，分析总结物资管理业务存在的痛点、难点及提升点，用数据驱动管理变革和转型升级，指导采购设备质量、采购供应时效提升是研究的重点和热点。建立数据思维，创新技术方法，结合业务需求开展多维度大数据研究分析，已成为电力企业增强竞争力的关键。
[0004]目前，电力企业聚焦采购业务症结点，已建立了基于设备材料信息价的价格趋势预测模型、原材料价格联动模型以及基于内外部价格信息的设备采购价格分析模型,但均从采购价格单一影响因素分析研究或单个业务方向的扩展研究。
[0005]电力企业设备采购价格受到多种因素的影响，具有非线性和非平稳性特征，且数据节点分布不规律、采购价格预测难度大、预测精度低等问题，目前现有的基于采购价格单一影响因素的预测方法无法适用于电力企业设备采购价格预测。
[0006]因此，根据电力设备采购特点，考虑众多影响电力设备采购价格的因素，精准预测采购价格区间的方法是本领域技术人员亟待解决的问题，也是大数据在电力行业应用中的热点研究区域。

技术实现思路

[0007]本专利技术所要解决的技术问题是要结合电力设备采购价格变动特征，分析梳理可获取、可量化的设备采购价格影响因素，从而寻求一种适用于多因素分析、非线性转换能力强的算法模型，对设备合理采购价格区间进行分析预测，有效提高采购价格预测的准确性，为差异化招标采购策略的制定提供依据。
[0008]为了解决上述技术问题，本专利技术公开了电力设备采购价格预测方法，包括以下步骤：
[0009]第一步，根据不同的设备类型构建数据指标体系；当设备为非通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量构建数据指标体系；当设备为通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量、历史外部采购价构建数据指标体系；
[0010]第二步，按照建模需要，对构建数据指标体系内的数据进行预处理；
[0011]第三步，确定输出层节点数，选定“投标价基准max”和“投标价基准min”作为采购价的合理范围，并设定为预测目标，其中，投标价基准值是剔除一个包中投标价与所有投标
报价平均值偏差超过20％的剩余投标价平均值，投标价基准max是剔除偏差超过20％后的投标价最大值，投标价基准min是剔除偏差超过20％后的投标价最小值；
[0012]第四步，确定隐含层节点数，其中通过常用公式(m为隐含层节点数，n为输入层节点数，l为输出层节占数，t为1～10之间的常数)来计算初始值，并通过试凑法来确定最优节点数；
[0013]第五步，以BP神经网络算法为基础模型，设置激活函数与训练函数；
[0014]第六步，设定预测模型训练参数；
[0015]第七步，选取第二步中经过预处理的构建数据指标体系内的数据作为训练集和预测集，得到符合要求的预测模型。
[0016]在一个优选的技术方案中，所述激活函数包括隐含层的激活函数和输出层的激活函数。
[0017]在一个优选的技术方案中，所述训练函数包括网络的训练函数和算法训练函数。
[0018]进一步，优选的，所述隐含层的激活函数为双曲正切S型函数tansig，输出层的激活函数为线性激活函数purelin。
[0019]作为优选，所述网络的训练函数为Levenberg-Marquardt，算法训练函数trainlm。
[0020]在一个优选的技术方案中，所述训练参数包括学习速率、目标误差、最大训练步数。
[0021]作为优选，所述宏观经济指数包括区域经济增长指标(GDP)、居民消费价格指数(CPI)、生产者物价指数(PPI)。
[0022]进一步，所述第二步中对构建数据指标体系内的数据进行预处理是指对数据进行清洗和整合，具体包括：
[0023]a.人工成本预处理。通过国家数据网站获取各省季度人工可支配收入，以衡量各个地区各阶段的人工成本；
[0024]b.原材料价格预处理。从上海有色网获取铜价格指数，从中国联合钢网获取钢铁的价格指数，并对各项数据按月度测算平均值；
[0025]c.区域经济增长指标(GDP)数据预处理。通过国家数据网站获取各省季度经济增长指标，即区域季度GDP总值；
[0026]d.居民消费价格指数(CPI)数据预处理。通过国家数据网站获取各省月度居民消费价格指数(CPI)，以衡量各个地区的通货膨胀情况；
[0027]e.采购经理人指数(PMI)数据预处理。通过中国物流与采购网获取制造PMI、非制造业PMI以及综合PMI指数；
[0028]f.生产者物价指数(PPI)数据预处理。通过国家数据网站获取各省月度生产者出厂价格指数(PPI)，以衡量各个地区生产品价格变动趋势。
[0029]进一步优选的，所述符合要求的预测模型是指平均误差在5％以内。
[0030]本专利技术以BP神经网络算法为基础模型算法，无需先验公式，可以从数据中自动挖掘规则，通过自学习、自适应和非线性转换能力，通过对多种因素的综合考虑，精准预测采购价格，为差异化招标采购提供参考。
[0031]同时本专利技术训练出的模型预测结果与实际价格区间比较接近,预测误差在可接受范围内，模型具有较高的可信度，其预测结果对于制定标包划分、授标原则等差异化采购策
略具有一定的参考价值。
附图说明
[0032]图1为实施例2中MSE训练性能曲线示意图。
[0033]图2为实施例2中训练状态曲线示意图。
[0034]图3为实施例2中得到的预测中标价走势曲线与实际中标价走势曲线对比示意图。
具体实施方式
[0035]为了更好的理解本专利技术，下面我们结合具体的实施例对本专利技术进行进一步的阐述。
[0036]实施例1
[0037]本实施例中公开的电力设备采购价格预测方法，包括以下步骤：
[0038]第一步，根据不同的设备类型构建数据指标体系；当设备为非通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量构建数据指标体系；当设备为通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量、历史外部采购价构建数据指标体系；
[0039]其中作为优选的是所述宏观经济指数包括区域经济增长指标(GDP)、居民消费价格指数(CPI)、生产者物价指数(PPI)。
[0040]该数据是以电力企业设备材料价格的多维度影响因素综合考虑后进行选取的。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电力设备采购价格预测方法，其特征在于，包括以下步骤：第一步，根据不同的设备类型构建数据指标体系；当设备为非通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量构建数据指标体系；当设备为通用设备时，选取历史投标价格、原材料价格、人工成本、宏观经济指数、标包数量、投标人数量、历史外部采购价构建数据指标体系；第二步，按照建模需要，对构建数据指标体系内的数据进行预处理；第三步，确定输出层节点数，选定“投标价基准max”和“投标价基准min”作为采购价的合理范围，并设定为预测目标，其中，投标价基准值是剔除一个包中投标价与所有投标报价平均值偏差超过20％的剩余投标价平均值，投标价基准max是剔除偏差超过20％后的投标价最大值，投标价基准min是剔除偏差超过20％后的投标价最小值；第四步，确定隐含层节点数，其中通过常用公式(m为隐含层节点数，n为输入层节点数，l为输出层节占数，t为1～10之间的常数)来计算初始值，并通过试凑法来确定最优节点数；第五步，以BP神经网络算法为基础模型，设置激活函数与训练函数；第六步，设定预测模型训练参数；第七步，选取第二步中经过预处理的构建数据指标体系内的数据作为训练集和预测集，得到符合要求的预测模型。2.根据权利要求1所述的电力设备采购价格预测方法，其特征在于：所述激活函数包括隐含层的激活函数和输出层的激活函数。3.根据权利要求1所述的电力设备采购价格预测方法，其特征在于：所述训练函数包括网络的训练函数和算法训练函数。4.根据权利要求2所述的电力设备采购价格预测方法，其特征在于：所述隐含层的激活函数为双曲正切S型函数tansig，输出层的激活函数...

【专利技术属性】
技术研发人员：周程，高正平，李阿勇，丁一，张盛，尤伟，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：