System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电网建设物资需求预测,尤其涉及一种用于电力施工的项目物资需求预测方法及系统。
技术介绍
1、电力物资是电网建设过程中的基本保障,其物资质量不仅与电网的安全运行有关,也关系到公司的成本管理,合理的制定及物资采购直接影响到安全生产因而采购物资的质量关系到电力生产的安全稳定。
2、目前,各电力施工项目的需求计划,主要依赖于计划管理人员的工作经验。进行需求统计时,各项目管理部门的负责人根据经验对自己负责领域的下一季度或下一年度的物资需求量进行估计,然后将每个负责人估计的需求量逐级汇总起来,预测出下一季度或下一年度物资总需求量。这种方法容易受到个人主观因素的影响,极容易出现编制需求计划时出现错报、漏报等情况,造成了资源浪费。此外,物资多报会造成物资冗余积压库存,物资少报会导致延误工期,给物资管理造成负担。
3、因此,准确进行电力施工物资需求的预测对于保障电网建设的正常进度具有重要意义,准确的预测结果能有效减少浪费,指导工程建设部门合理上报,提质增效,减少不必要的资源浪费。
技术实现思路
1、为了解决上述技术问题,本专利技术提供了一种用于电力施工的项目物资需求预测方法及系统。
2、本专利技术采用以下技术方案:一种用于电力施工的项目物资需求预测方法,所述方法包括:
3、获取历史项目数据,所述历史项目数据包括多个项目的项目属性参数及物资使用数据;
4、将所述项目属性参数和所述物资使用数据归一化处理,并构建第一训练样本集和第二
5、建立rbf神经网络预测模型,采用所述第一训练样本集对所述rbf神经网络预测模型进行训练,得到第一预测模型;
6、建立基于粒子群优化的bp神经网络预测模型,采用所述第一训练样本集对所述bp神经网络预测模型进行训练,得到第二预测模型;
7、根据所述第二训练样本集及预设的基准随机森林模型对所述第一预测模型和所述第二预测模型进行融合,得到目标预测模型;
8、获取待测项目的项目属性参数,根据所述目标预测模型和所述待测项目的项目属性参数,得到待测项目的物资需求预测数据。
9、本专利技术一实施例的用于电力施工的项目物资需求预测方法,通过采用第一训练样本集分别对rbf神经网络预测模型和bp神经网络预测模型进行训练,得到第一预测模型和第二预测模型,然后在基于基准随机森林模型对第一预测和第二预测模型融合,得到目标预测模型,一方面可以避免神经网络模型的过拟合,另一方面可以提高预测的稳定性,而且基于两个模型融合得到的目标预测模型更具有泛化性,使得整体预测误差降低;而且粒子群优化算法实现简单,具有全局搜索能力,采用粒子群优化算法能够提高bp神经网络模型的收敛速度和预测精度,进一步提高整体的预测准确率,有效减少电力施工项目物资浪费。
10、进一步的,所述项目属性参数包括项目类型、项目投资金额、电压等级、线路长度以及项目计划完成时长,所述物资使用数据包括各物资小类的使用金额、长度及数量。
11、进一步的,将所述项目属性参数和所述物资使用数据归一化处理,并构建第一训练样本集和第二训练样本集的步骤具体包括:
12、基于所述项目属性参数的属性特征将所述项目属性参数分为数据特征项目属性参数和文本特征项目属性参数;
13、对所述文本特征项目属性参数进行量化赋值,并对量化赋值后的所述文本特征项目属性参数、所述数据特征项目属性参数及所述物资使用数据进行归一化处理,得到样本总集;
14、根据预设比例将所述样本总集分为第一训练样本集和第二训练样本集。
15、进一步的,建立基于粒子群优化的bp神经网络预测模型,采用所述第一训练样本集对所述bp神经网络预测模型进行训练,得到第二预测模型的步骤具体包括:
16、建立初始bp神经网络模型,所述初始bp神经网络模型包括输入层、隐含层和输出层;其中,所述输入层的单元数量与所述项目属性参数的种类数量一致,所述输出层的单元数量与所述物资使用数据的物资小类数量一致;
17、基于所述输入层的单元数量和所述输出层的单元数量确定所述隐含层的单元数量;其中,所述隐含层为双层结构;
18、根据粒子群优化算法确定所述初始bp神经网络模型的初始值和阈值,得到bp神经网络预测模型;
19、采用所述第一训练样本集对所述bp神经网络预测模型进行训练,得到第二预测模型。
20、进一步的,基于所述输入层的单元数量和所述输出层的单元数量确定所述隐含层的单元数量的步骤具体包括:
21、基于所述输入层的单元数量和所述输出层的单元数量计算所述隐含层的单元数量:
22、
23、其中,为所述输入层的单元数量,为所述输出层的单元数量,为常数。
24、进一步的,根据粒子群优化算法确定所述初始bp神经网络模型的初始值和阈值,得到bp神经网络预测模型的步骤具体包括:
25、步骤1、初始化粒子群的规模q、最大迭代次数r、惯性权值i、加速常数和各粒子的速度v;
26、步骤2、初始化粒子位置;随机产生一个三维向量,其每个分量介于0-1之间,得到q个向量即为初始群体,然后将各个分量分别载波到q、r、v参数的取值范围之内,计算粒子群的适应值,并从q个初始群体中选择性能较好的t个解作为初始解,随机产生q个初始速度;
27、步骤3、若粒子适应度优于个体极值,则将粒子群的适应值设置为新位置;
28、步骤4、若粒子适应度优于全局极值,则将全局极值设置为新位置;
29、步骤5、更新粒子的速度和位置;对变量经历的每一个可行解计算其适应值,得到最优的可行解;并采用最优的可行解取代当前群体中任意一个粒子的位置;
30、步骤6、若满足最大迭代次数,则停止搜索,全局最优位置即为参数向量(q、r、v);否则,返回步骤3;
31、步骤7、基于待优化参数和构建bp神经网络模型的适应度函数,同时将适应度函数作为优化后的粒子群算法的目标函数;
32、步骤8、当所述初始bp神经网络模型的样本均方根误差最小时,对应的和即为最优参数,最后分别将和作为所述初始bp神经网络模型的初始值和阈值建立bp神经网络预测模型。
33、进一步的,根据粒子群优化算法确定所述初始bp神经网络模型的初始值和阈值,得到bp神经网络预测模型的步骤还包括:基于正态分布函数对惯性权值进行优化,优化后的惯性权值变换公式为:
34、
35、其中,为惯性权值的最小取值,为惯性权值的最大取值,为第次迭代,为第次迭代惯性权值的取值,为正态分布的尺度参数。
36、进一步的,根据所述第二训练样本集及预设的基准随机森林模型对所述第一预测模型和所述第二预测模型进行融合,得到目标预测模型的步骤具体包括:
37、设所述第二训练样本集的样本数量为,将所述第二训练样本集中的所述项目属性参数分别输入所述本文档来自技高网...
【技术保护点】
1.一种用于电力施工的项目物资需求预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,所述项目属性参数包括项目类型、项目投资金额、电压等级、线路长度以及项目计划完成时长,所述物资使用数据包括各物资小类的使用金额、长度及数量。
3.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,将所述项目属性参数和所述物资使用数据归一化处理,并构建第一训练样本集和第二训练样本集的步骤具体包括:
4.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,建立基于粒子群优化的BP神经网络预测模型,采用所述第一训练样本集对所述BP神经网络预测模型进行训练,得到第二预测模型的步骤具体包括:
5.根据权利要求4所述的用于电力施工的项目物资需求预测方法,其特征在于,基于所述输入层的单元数量和所述输出层的单元数量确定所述隐含层的单元数量的步骤具体包括:
6.根据权利要求4所述的用于电力施工的项目物资需求预测方法,其特征在于,根据粒子群优化算法确定所述初始BP神经
7.根据权利要求6所述的用于电力施工的项目物资需求预测方法,其特征在于,根据粒子群优化算法确定所述初始BP神经网络模型的初始值和阈值,得到BP神经网络预测模型的步骤还包括:基于正态分布函数对惯性权值进行优化,优化后的惯性权值变换公式为:
8.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,根据所述第二训练样本集及预设的基准随机森林模型对所述第一预测模型和所述第二预测模型进行融合,得到目标预测模型的步骤具体包括:
9.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,获取待测项目的项目属性参数,根据所述目标预测模型和所述待测项目的项目属性参数,得到待测项目的物资需求预测数据的步骤具体包括:
10.一种用于电力施工的项目物资需求预测系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种用于电力施工的项目物资需求预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,所述项目属性参数包括项目类型、项目投资金额、电压等级、线路长度以及项目计划完成时长,所述物资使用数据包括各物资小类的使用金额、长度及数量。
3.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,将所述项目属性参数和所述物资使用数据归一化处理,并构建第一训练样本集和第二训练样本集的步骤具体包括:
4.根据权利要求1所述的用于电力施工的项目物资需求预测方法,其特征在于,建立基于粒子群优化的bp神经网络预测模型,采用所述第一训练样本集对所述bp神经网络预测模型进行训练,得到第二预测模型的步骤具体包括:
5.根据权利要求4所述的用于电力施工的项目物资需求预测方法,其特征在于,基于所述输入层的单元数量和所述输出层的单元数量确定所述隐含层的单元数量的步骤具体包括:
6.根据权利要求4所述的...
【专利技术属性】
技术研发人员:王新波,王海明,季舟捷,黄俊,罗红,王莹,丁宇驰,袁志杨,
申请(专利权)人:江西省送变电工程有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。