[发明专利]一种电力应急物资需求的预测方法

权利要求书

1.一种电力应急物资需求的预测方法，其特征在于，包括以下步骤：

获取电力应急物资的影响因子，构建电力应急物资需求的特征向量；

基于所构建的电力应急物资需求的特征向量，分别建立基于深度学习网络的电力应急物资需求预测模型、基于SVM的电力应急物资需求预测模型和基于ARMA的电力应急物资需求预测模型；

基于最大信息熵原理构建电力应急物资需求的组合预测模型，对组合预测模型进行自适应调整，得到最优预测结果；利用最大信息熵原理来确定各单一模型的权重，具体为，分别使用深度学习网络预测模型、支持向量机预测模型和ARMA预测模型对电力应急物资的需求进行单独预测，将国网物质中心预测电力应急物资需求选用电力应急物资的实际值，分别统计各单一模型模拟预测的偏差，求得待预测物资的各阶中心矩；在由各单一预测模型求得的待预测物资的各阶中心矩作为约束信息的条件下，利用最大信息熵原理对待求权值进行求解；

所述基于最大信息熵原理构建电力应急物资需求的组合预测模型，具体步骤包括：

步骤S301：分别采用深度学习网络预测模型、SVM预测模型和ARMA预测模型进行电力应急物资需求的预测；

步骤S302:计算度学习网络预测模型、SVM预测模型和ARMA预测模型对组合预测模型的信息贡献；

步骤S303：应用最大信息熵原理，建立组合预测模型。

2.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，在获取电力应急物资的影响因子之后，对影响因子进行预处理，剔除不重要的影响因子。

3.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述电力应急物资的影响因子包括风力因素、降雨因素、地域因素和环境温度因素。

4.如权利要求3中所述的一种电力应急物资需求的预测方法，其特征在于，所述风力因素分为六个等级，分别为热带低压、热带风暴、强热带风暴、台风、强台风和超强台风。

5.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述电力应急物资需求的特征向量具有12个维度，分别是距离台风中心远近、最低降雨等级、最高降雨等级、最低风速等级、最高风速等级、台风等级、台风持续时间、7级风圈半径、10级风圈半径、是否在7级风圈内、是否在10级风圈内和本地电网规模值。

6.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于深度学习网络的电力应急物资需求预测模型的约束条件包括原库存的电力应急物资和电力应急物资需求的特征向量。

7.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于深度学习网络的电力应急物资需求预测模型进行网络模型训练和预测，具体包括以下步骤：

步骤S2101：输入原库存的电力应急物资和电力应急物资需求的特征向量；

步骤S2102：进行模型中输出层各节点的输出，并将输出值与目标值相比较，进行输出值与目标值之间偏差大小的判断；

步骤S2103：若偏差小于预设值，则生成深度学习网络模型，进入步骤S2104；否则，重复步骤S2102；

步骤S2104：完成电力应急物资需求预测模型的深度学习网络训练，预测输出向量值。

8.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于SVM的电力应急物资需求预测模型的建模，具体包括以下步骤：

步骤S2201：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；

步骤S2202：进行支持向量机核函数的选取和参数的选取优化，通过交叉验证进行参数的寻优，以得到最优参数；

步骤S2203：基于所得到的最优参数，调用工具箱中的svmtrain函数进行支持向量机的训练，再调用工具箱中的svmpredict函数回归预测。

9.如权利要求1中所述的一种电力应急物资需求的预测方法，其特征在于，所述基于ARMA的电力应急物资需求预测模型的建模，具体包括以下步骤：

步骤S2301：基于电力应急物资需求的特征向量选择合适的电力应急物资的影响因子，并对影响因子进行统一的归一化处理；

步骤S2302：据样本偏相关系数及样本自相关系数的形态进行模型类别的识别，确定模型的基本阶数，即模型定阶；

步骤S2303：模型的参数估计与检验；

步骤S2304：根据模型参数对模型进行计算预测，结合电力应急物资的影响因子采用自回归模型进行预测结果的校正。