一种配网设备价格动态预测的方法及系统与流程

本发明涉及模型计算领域，尤其涉及一种配网设备价格动态预测的方法及系统。

背景技术：

1、在分布式电源、负荷、储能技术发展以及电力市场不断变革等因素的推动下，新型配电系统在接入形式、供电形式、互联形式、联络数量等方面与传统配电系统存在巨大的差异。近年来中国经济发展面临需求收缩、供给冲击、预期转弱三重压力，电网公司售电量增速趋缓，电价空间收窄，电网公司经营压力逐渐增大。与此同时，与电力行业密切相关的大宗商品价格出现了多次快速上涨，新设备新材料迭代频繁，对电网公司配电网工程建设计划的精准性造成了严重的影响。对于电网工程来说，设备材料采购成本占工程建设投入的50％以上，科学准确预测设备材料采购价格，可提高电网公司资金利用效率，确保“每一分钱都花在刀刃上”，加快配电系统建设改造进度。

2、然而，现有的设备材料采购价格预测模型主要从采购数据自身出发，探究数据之间的关联性，未考虑ppi等外部宏观因素对各类物资时序波动的影响，由于各个地区的发展水平差异，电力物资在不同区域的采购价格存在明显差距，而现有模型对空间差异影响挖掘不足，存在改进空间。现有模型较多仅考虑了各类设备的历史价格数据，对于设备本身的物理特性，尤其是原材料密集型的设备受原材料价格波动的影响考虑不足。现有的研究主要集中在输电网设备材料价格预测方面，与输电网工程建设相比，配电网工程有单体工程规模小、施工周期短，分布范围散、外部环境乱的特点，设备材料规模小用量多，输电网设备材料价格预测难以直接应用。

技术实现思路

1、针对上述问题，本发明的目的是提供一种配网设备价格动态预测的方法及系统，以解决目前现有的设备材料采购价格预测模型考虑点太少预测不准的技术问题。

2、为实现上述目的，本发明采取以下技术方案：第一方面，提供一种配网设备价格动态预测的方法，包括：

3、获取待测配网设备的影响因素数据并进行标准化处理；

4、将标准化处理后待测配网设备的影响因素数据的输入至预先构建的价格动态预测模型中，得到待测配网设备的预测价格，其中，价格动态预测模型采用深度学习算法构建。

5、进一步地，所述价格动态预测模型的构建过程为：

6、从在线采样数据库中，获取测试样本、验证样本和训练样本；

7、根据验证样本，预测得到误差数据；

8、将训练样本输入至深度学习预测模型中，结合误差数据，得到优选模型参数；

9、根据得到的优选模型参数，对深度学习预测模型进行修改，得到价格动态预测模型。

10、进一步地，所述从在线采样数据库中，获取测试样本、验证样本和训练样本，包括：

11、从在线采样数据库中，获取测试样本、历史价格数据、影响因素数据和数据处理规则；

12、根据历史价格数据、影响因素数据和数据处理规则，得到测试样本和训练样本。

13、进一步地，所述根据验证样本，预测得到误差数据，包括：

14、对验证样本进行gibbs采样，得到采样样本；

15、计算采样样本和验证样本的差异量，得到误差数据。

16、进一步地，所述将训练样本输入至深度学习预测模型中，结合误差数据，得到优选模型参数，包括：

17、将训练样本中的影响因素数据作为输入参数，赋予深度学习预测模型初始权值；

18、对初始权值进行无监督学习，对初始权值和第一差异偏置进行第一修正，得到第二权值和第二差异偏置；

19、利用bp神经网络对误差数据、第二权值和第二差异偏置进行有监督学习，得到最优权值和最终差异偏置，优选模型参数包括最优权值和最终差异偏置。

20、进一步地，所述将训练样本中的影响因素数据作为输入参数，赋予深度学习预测模型初始权值，包括：

21、确定影响因素数据并进行标准化处理；

22、根据标准化处理后的影响因素数据，建立傅里叶变换表达式；

23、根据傅里叶变换表达式，构建傅里叶变换矩阵；

24、采用最小二乘法，对傅里叶变换矩阵进行求解，得到最小二乘解；

25、根据最小二乘解，求解变换系数，得到初始权值。

26、进一步地，所述对初始权值进行无监督学习，对初始权值和第一差异偏置进行第一修正，得到第二权值和第二差异偏置，包括建立基于受限玻尔兹曼机的dbn模型：

27、根据受限玻尔兹曼机的dbn模型的能量函数，得到可见层变量和隐藏层变量的联合概率密度，其中：

28、可见层变量和隐藏层变量的联合概率密度为自然底数的受限玻尔兹曼机的能量函数的输出次方与归一化分子的乘积的倒数；归一化分子为每一个可见层和每一个隐藏层的自然底数的受限玻尔兹曼机的能量函数的输出次方的倒数的和；隐藏层中某个单元的激活概率为隐藏层中每个神经元与可见层中每个神经元间的连接权值与每个可见层变量的乘积和加上可见层对应神经元的偏置的结果；可见层中某个单元的激活概率为隐藏层中每个神经元与可见层中每个神经元间的连接权值与每个隐藏层变量的乘积和加上隐藏层对应神经元的偏置的结果；

29、采用梯度下降法，计算最大化受限玻尔兹曼机的dbn模型在训练样本上的对数似然函数，第二权值为最大化受限玻尔兹曼机的dbn模型在训练样本上的对数似然函数的最大值自变量点集。

30、第二方面，提供一种配网设备价格动态预测的系统，包括：

31、数据获取模块，用于获取待测配网设备的影响因素数据并进行标准化处理；

32、价格预测模块，用于将标准化处理后待测配网设备的影响因素数据的输入至预先构建的价格动态预测模型中，得到待测配网设备的预测价格，其中，价格动态预测模型采用深度学习算法构建。

33、第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述配网设备价格动态预测的方法对应的步骤。

34、第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述配网设备价格动态预测的方法对应的步骤。

35、本发明由于采取以上技术方案，其具有以下优点：

36、1、本发明开展配电网设备材料价格预测，明确配电网设备材料价格影响因素，分析要点分为宏观因素和微观因素，通过对外部影响因素的分析，为后续的物资价格预测优化提出方向，利用深度学习网络进行设备材料价格预测。

37、2、本发明采用了网络全连接的dbn模型，dbn模型能够较好的还原原始数据状况，最大程度地分析不同输入信息之间关联性，提取输入信息的高级特征。

38、3、本发明提出集中训练、分散预测的模式建立预测模型，对深度学习预测模型集中训练，并且在一定周期内对样本及模型参数进行实时更新，保证参数时效性。在应用时，将训练好的模型复制到对计算能力要求不高的终端上，从而提高系统的灵活性，有效节省了成本。

39、综上所述，本发明可以广泛应用于模型计算领域中。