[发明专利]一种基于需求预测的新能源风机备件储备策略优化方法

权利要求书

1.一种基于需求预测的新能源风机备件储备策略优化方法，其特征在于，该方法包括以下步骤：

步骤1，数据预处理，对历史的数据进行统计和预处理；

步骤2，特征选择，对处理后的数据集提取相关的影响因素；

步骤3，特征处理，在筛选后的影响因素下添加特征变量；

步骤4，模型训练，使用XGBoost算法构建预测模型；

步骤5，根据模型预测结果进行备件储备策略优化；

所述的步骤1，数据统计选择最近12个月的风机备件消耗量历史数据，并按照自然月对历史的数据进行统计，对于数据集中出现的缺失值、异常值情况进行预处理操作，依据数据的具体情况进行删除处理，或者采用均值填充；

所述的步骤2，采用灰色关联度算法计算影响因素与需求的关联度，剔除无关影响因素，提升预测的准确性；

关联度计算的主要步骤包括：变量序列无量纲化，计算绝对差序列，计算关联度，关联度分析；

所述的变量序列无量纲化具体为：

假设y₀表示参考序列，x₁,x₂,x₃,x₄,......,x_i表示比较序列，所以构成了i+1个序列的矩阵y₀,x₁,x₂,x₃,x₄,......,x_i；根据公式进行无量纲化，得到新的无量纲化矩阵：y′₀,x′₁,x′₂,x′₃,x′₄,......,x′_i；公式为：

所述的计算绝对差序列具体为：

根据公式计算参考序列和其余比较序列的绝对差值，得到绝对差值矩阵V₀₁,V₀₂,V₀₃,......,V_0m；公式为：

V_0i＝|y′₀(k)-x′_i(k)|,i＝1,2,3,......,m

其中，绝对差值矩阵中的最大值和最小值即为极大差和极小差，表示为V_max和V_min；

所述的计算关联度具体为：

由公式值计算各比较数列与参考数列在各个时刻的关联系数：

其中分辨系数ρ值对关联系数计算结果的影响大，实际过程中根据因素之间的关联分析选择不同的分辨系数，取ρ＝0.5；

所述的关联度分析具体为：

灰色关联度分析通过关联度的大小次序描述因素间的关联程度，根据排序结果筛选出与需求相关联的影响因素，剔除无关因素；

所述的步骤3，主要进行的特征处理为：

根据时间衰减特征和12-6的预测框架，分别对最近12个月的历史消耗量赋以18，11，10，9，8，7，6，5，4，3，2，1的权重系数，然后求得平均值，并将这些数据作为模型中的特征变量；

采用卡尔曼滤波法对历史消耗量进行平滑处理，平滑掉特殊月份的数据对模型的偏移；

所述步骤4，将特征数据集按照28原则进行拆分，其中的80％作为训练集，剩下的20％作为测试集；

模型构建，XGBoost算法是一个树集成模型，最终的预测值是由多个分类回归决策树CART函数结果进行相加，即为：

其中K为决策树的数量，f_k(x_i)为第k课CART对数据集中第i个样本的计算分数，F为所有CART的函数空间；

训练时，新的一轮加入一个新的f函数，来最大化的降低目标函数，在第t轮时目标函数则变为：

将目标函数进行泰勒展开，同时移除常数项，目标函数转化为：

其中

最终将关于树模型的迭代转化为关于树的叶子节点的迭代，并求出最优的叶节点分数；将叶节点的最优值带入目标函数，最终目标函数的形式为：

其中作为衡量树q结构质量的得分函数；

用贪心算法来搜寻最优的树结构；从单个叶节点开始，迭代分裂来给树添加节点；节点切分后的损失函数如下：

其中L_s为信息增益，等式右侧的四个表达式依次分别为左子树分数、右子树分数、不分割时的节点分数和加入新节点引入的复杂度代价；当所有节点的分裂方案L_s＜0时或者树已经达到了最大深度，树停止分裂；

所述的步骤5，基于XGBoost算法的风机备件需求量预测模型，获得未来半年内的每月的风机需求预测结果；基于现有的库存量和预测的每月需求量，对风机备件储备量进行计算，同时加一个修正系数进行浮动，并为采购量进行建议；

备件储备计算公式为：

y_i＝|y_iyc-y_ikc|×(1+λ)

其中，y_i为第i个月的备件储备量建议值，y_iyc为第i个月的需求量预测，y_ikc为第i个月的库存量，λ为修正系数；

针对不同的风机备件，分别构建其特属数据集，进而训练预测模型，并进行需求量预测和储备策略优化建议。