[发明专利]一种发电企业设备库存备品数量的预测评估方法

说明书

本发明公开了一种发电企业设备库存备品数量的预测评估方法，属于配用电技术领域，包括如下四个阶段：数据收集阶段，数据处理阶段、迭代调整阶段和最终评估模型；使用一种结合主成分分析法(PRINCIPAL COMPONENT ANALYSIS,简称PCA)和极限学习机(EXTREME LEARNING MACHINE,简称ELM)，对电厂仓储根据时间点和当前备品量等因素对备品数量进行评估。

技术领域

本发明涉及配用电技术领域，特别涉及一种发电企业设备库存备品数量的预测评估方法。

背景技术

针对发电企业，一些专利对发电企业的发电量进行技术阐述，如发明专利CN201610688317提出了一种行业用电需求预测的方法和系统，通过分析待测区域的关键用电行业，获得区域内各行业的用电量统计数据，根据所述用电量统计数据建立预测模型和此行业在区域内的用电量需求预测模型。发明专利CN201611126249提出了一种基于决策树模型的备品备件定额制定方法，建立决策树，对数据进行训练，并构造备品的数量评估模型。发明专利201510047566 针对配电网设备需求，提出使用支持向量机来预测设备的运行环境因素(即每月最高温度)，该专利指出设备运行温度和配电设备的故障率有关。该专利提出不同的方法将配电网设备分为核心设备和重要设备。发明专利CN105894133提出一种风电机组部件维修及备品备件需求预测方法。其中，此专利对于备品的预测，主要根据设备的可靠度、维修成本及维修调节时间等参数来预测整个风电场备品备件的需求。发明专利201610688317是针对区域内不同行业的用电量进行预测，而本专利主要针对整个区域进行用电量预测，本专利所提方法有助于发电企业尤其是火力发电企业在不同的时间点制定不同发电策略，没有根据电力企业的发电量特点来评估和预测其仓储备品备件。发明专利CN201611126249 使用了决策树模型，但决策树模型有一些明显的特点，尤其是在预测备品数量时，由于可能的特征变量不相关性太多，其预测效果表现不好。另外，决策树对于计算量的要求比较严格，由于备品数据集庞大，决策树在此方面也表现一般。其次，决策树的处理速度方面也相对较慢，在存在扰乱时，预测稳定性差。最后，此专利没有考虑到众多可能影响备品数量的特征因素。发明专利 201510047566主要是针对配电网设备备品数进行预测，而非本专利所涉及的发电设备，两者有截然不同的关系。发明专利CN105894133使用的预测备品备件的参数有限，均为和备品相关的直接参数，较难全面的提供准确的库存量评估。另外，此专利也是针对风电场的备品备件而设计的，对于所有发电企业来说没有很好地普适性。

备品的数量受众多方面因素影响。例如，仓储备品直接因素，包括本电厂历史需求中以下因素：战略物资(是、否)、杠杆物资(是、否)、瓶颈物资(是、否)、一般物资(是、否)、用途种类(基建、更改、营销、大修、抢修、配电网、农网改造、科技信息、调度、劳保物资)、更换周期性(多少天)、发电量、正常工作日发货到货周期(天)、节假日发货到货周期(天)等；以及仓储备品间接因素，包括本电厂供电区域的GDP、公路人口流动量、铁路人口流动量、航空人口流动量、电厂供电区域内企业的股市指数等，都有可能对发电量有所左右，也间接影响电厂设备和零部件的更换频率；另外，还可能存在一些其他因素，如未来10天是否有法定长假(是、否)、月份(1-12月)、季节性(季节) 等。可见，我们可以举出的可能影响仓储备品数量的直接因素、间接因素以及其他因素数量相当之多。

发明内容

可能影响仓储备品数量的直接因素、间接因素以及其他因素数量相当之多。因此，需要对历史数据进行学习和分析，建立相应的评估模型。本发明使用一种结合主成分分析法(PRINCIPAL COMPONENT ANALYSIS,简称PCA)和极限学习机(EXTREME LEARNINGMACHINE,简称ELM)，对电厂仓储根据时间点和当前备品量等因素对备品数量进行评估。

一种发电企业设备库存备品数量的预测评估方法，包括如下四个阶段：数据收集阶段，数据处理阶段、迭代调整阶段和最终评估模型；

所述数据收集阶段依次包括：实时数据收集，原始数据整理，原始数据集和生成评估模型；