[发明专利]电力设备采购价格预测方法

说明书

本发明涉及大数据领域，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。

技术领域

本发明涉及大数据领域，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。

背景技术

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。

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。

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。

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。

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。

发明内容

本发明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。

为了解决上述技术问题，本发明公开了电力设备采购价格预测方法，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。