基于深度学习的电力物资需求预测方法及系统与流程

本发明涉及深度学习，具体而言，涉及一种基于深度学习的电力物资需求预测方法及系统。

背景技术：

1、在电力行业中，电力物资的有效管理和精准预测对于保障电网的安全稳定运行、提高运营效率及降低成本至关重要。传统的电力物资需求预测方法往往依赖于历史销售数据、库存状况及专家经验判断，这些方法在应对复杂多变的电力市场需求时显得力不从心。随着电力系统规模的不断扩大和智能化水平的提升，电力物资的种类和数量急剧增加，对需求预测的准确性、实时性和灵活性提出了更高的要求。

2、传统的需求预测模型，如时间序列分析、回归分析等，虽然在一定程度上能够反映历史趋势，但在处理高维、非线性及动态变化的电力物资需求数据时显得力不从心。此外，这些方法往往忽略了电站与电力物资之间复杂的相互作用关系，以及这种关系随时间变化的不确定性，导致预测结果与实际需求存在较大偏差。

技术实现思路

1、为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于深度学习的电力物资需求预测方法及系统。

2、根据本申请的一个方面，提供一种基于深度学习的电力物资需求预测方法，所述方法包括：获取x个样例电力设备关联轨迹和y个样例物资关联轨迹，每个所述样例电力设备关联轨迹表征以样例电站为需求引导节点时所述样例电站与样例电力物资之间的需求关联知识点，每个所述样例物资关联轨迹表征以所述样例电力物资为需求引导节点时所述样例电力物资与所述样例电站之间的需求关联知识点；提取每个所述样例电力设备关联轨迹的轨迹图矢量、以及每个所述样例物资关联轨迹的轨迹图矢量；将y个所述样例物资关联轨迹的轨迹图矢量作为基础预测神经网络中的第一预测单元的模型加载数据，生成样例电力物资知识矢量，以及将所述样例电力物资知识矢量或第一衍生传递矢量中的一个、x个所述样例电力设备关联轨迹的轨迹图矢量作为所述基础预测神经网络中的第二预测单元的模型加载数据，获得样例电站知识矢量，所述第一衍生传递矢量表征所述第二预测单元拟合所述第一预测单元的预测结果时的特征矢量；计算所述样例电力物资知识矢量与所述样例电站知识矢量之间的特征距离，获得目标训练代价参数，依据所述目标训练代价参数对所述基础预测神经网络进行参数学习，生成目标预测神经网络，所述目标预测神经网络用于对x个目标电力设备关联轨迹的轨迹图矢量和y个目标物资关联轨迹的轨迹图矢量进行预测输出，生成目标电力物资知识矢量和目标电站知识矢量，所述目标电力物资知识矢量和所述目标电站知识矢量用于确定目标电力物资需求结果。

3、依据本申请实施例的一个方面，提供了一种深度学习系统，所述深度学习系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于深度学习的电力物资需求预测方法。

4、依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。

5、在本申请的一些实施例所提供的技术方案中，本申请实施例通过构建并训练一个高效的目标预测神经网络，显著提高了电力物资需求预测的准确性和时效性。具体而言，利用样例电力设备关联轨迹和样例物资关联轨迹作为输入数据，通过提取轨迹图矢量并引入第一预测单元和第二预测单元，分别生成样例电力物资知识矢量和样例电站知识矢量。进一步，通过计算两者之间的特征距离作为目标训练代价参数，对基础预测神经网络进行精细的参数调整与优化，从而生成更为精准的目标预测神经网络，不仅能够有效捕捉电站与电力物资之间的复杂需求关联，还能自动适应电力系统中需求模式的变化，为电力系统提供及时、准确的电力物资需求预测，为物资调配、库存管理以及采购决策提供了强有力的支持，有效降低了库存成本，提高了供应链的整体效率和响应速度。

技术特征：

1.一种基于深度学习的电力物资需求预测方法，其特征在于，所述方法包括：获取x个样例电力设备关联轨迹和y个样例物资关联轨迹，每个所述样例电力设备关联轨迹表征以样例电站为需求引导节点时所述样例电站与样例电力物资之间的需求关联知识点，每个所述样例物资关联轨迹表征以所述样例电力物资为需求引导节点时所述样例电力物资与所述样例电站之间的需求关联知识点；提取每个所述样例电力设备关联轨迹的轨迹图矢量、以及每个所述样例物资关联轨迹的轨迹图矢量；将y个所述样例物资关联轨迹的轨迹图矢量作为基础预测神经网络中的第一预测单元的模型加载数据，生成样例电力物资知识矢量，以及将所述样例电力物资知识矢量或第一衍生传递矢量中的一个、x个所述样例电力设备关联轨迹的轨迹图矢量作为所述基础预测神经网络中的第二预测单元的模型加载数据，获得样例电站知识矢量，所述第一衍生传递矢量表征所述第二预测单元拟合所述第一预测单元的预测结果时的特征矢量；计算所述样例电力物资知识矢量与所述样例电站知识矢量之间的特征距离，获得目标训练代价参数，依据所述目标训练代价参数对所述基础预测神经网络进行参数学习，生成目标预测神经网络，所述目标预测神经网络用于对x个目标电力设备关联轨迹的轨迹图矢量和y个目标物资关联轨迹的轨迹图矢量进行预测输出，生成目标电力物资知识矢量和目标电站知识矢量，所述目标电力物资知识矢量和所述目标电站知识矢量用于确定目标电力物资需求结果。

2.根据权利要求1所述的基于深度学习的电力物资需求预测方法，其特征在于，所述第一预测单元包括第一融合子单元和第一聚焦分配子单元；将y个所述样例物资关联轨迹的轨迹图矢量作为基础预测神经网络中的第一预测单元的模型加载数据，生成样例电力物资知识矢量，包括：将每个所述样例物资关联轨迹的轨迹图矢量分别加载到所述第一融合子单元，生成每个所述样例物资关联轨迹的知识逻辑图特征，每个所述样例物资关联轨迹的知识逻辑图特征表征对应所述样例物资关联轨迹中物资需求关联的逻辑特征信息；将y个所述样例物资关联轨迹的知识逻辑图特征作为所述第一聚焦分配子单元的模型加载数据，生成每个所述样例物资关联轨迹的聚焦关注系数；依据所述第一聚焦分配子单元对y个所述样例物资关联轨迹的知识逻辑图特征与所述聚焦关注系数进行融合计算，生成样例电力物资知识矢量。

3.根据权利要求2所述的基于深度学习的电力物资需求预测方法，其特征在于，在将每个所述样例物资关联轨迹的轨迹图矢量分别加载到所述第一融合子单元，生成每个所述样例物资关联轨迹的知识逻辑图特征之前，所述方法还包括：获取第二衍生传递矢量，所述第二衍生传递矢量表征所述第一预测单元拟合所述第二预测单元的预测结果时的特征矢量；将每个所述样例物资关联轨迹的轨迹图矢量分别加载到所述第一融合子单元，生成每个所述样例物资关联轨迹的知识逻辑图特征，包括：将所述第二衍生传递矢量，分别与每个所述样例物资关联轨迹的轨迹图矢量进行汇聚，生成每个所述样例物资关联轨迹的汇聚图矢量；将每个所述样例物资关联轨迹的汇聚图矢量分别加载到所述第一融合子单元，生成每个所述样例物资关联轨迹的知识逻辑图特征；其中，所述依据所述第一聚焦分配子单元对y个所述样例物资关联轨迹的知识逻辑图特征与所述聚焦关注系数进行融合计算，生成样例电力物资知识矢量，包括：依据所述第一聚焦分配子单元对y个所述样例物资关联轨迹的知识逻辑图特征与所述聚焦关注系数进行融合计算，生成目标汇聚图矢量；将所述目标汇聚图矢量与所述第二衍生传递矢量进行集成，生成样例电力物资知识矢量。

4.根据权利要求3所述的基于深度学习的电力物资需求预测方法，其特征在于，所述第二预测单元包括第二融合子单元和第二聚焦分配子单元；将所述样例电力物资知识矢量或第一衍生传递矢量中的一个、x个所述样例电力设备关联轨迹的轨迹图矢量作为所述基础预测神经网络中的第二预测单元的模型加载数据，获得样例电站知识矢量，包括：将所述第一衍生传递矢量分别与每个所述样例电力设备关联轨迹的轨迹图矢量进行集成，生成每个所述样例电力设备关联轨迹的第一汇聚图矢量；将每个所述样例电力设备关联轨迹的第一汇聚图矢量分别加载到所述第二融合子单元，生成每个所述样例电力设备关联轨迹的知识逻辑图特征，每个所述样例电力设备关联轨迹的知识逻辑图特征表征对应所述样例电力设备关联轨迹中电力设备关联的逻辑特征信息；将每个所述样例电力设备关联轨迹的知识逻辑图特征作为所述第二聚焦分配子单元的模型加载数据，生成每个所述样例电力设备关联轨迹的聚焦关注系数；依据所述第二聚焦分配子单元对x个所述样例电力设备关联轨迹的知识逻辑图特征与所述聚焦关注系数进行融合计算，生成第一聚焦融合知识矢量；将所述第一聚焦融合知识矢量与所述第一衍生传递矢量进行集成，生成样例电站知识矢量；其中，将每个所述样例电力设备关联轨迹的第一汇聚图矢量分别加载到所述第二融合子单元，生成每个所述样例电力设备关联轨迹的知识逻辑图特征，包括：从第一单位轨迹的第一汇聚图矢量中，提取目标样例电站的知识矢量、以及与所述目标样例电站存在运营联系关系的每个关联样例电站的知识矢量，所述第一单位轨迹为所述x个样例电力设备关联轨迹中的其中一个，所述目标样例电站为所述第一单位轨迹中的其中一个样例电站；分别将所述目标样例电站的知识矢量与每个所述关联样例电站的知识矢量进行自注意力处理，生成所述第一单位轨迹中每个所述关联样例电站的样例关注系数；依据每个所述关联样例电站的样例关注系数对对应所述关联样例电站的知识矢量进行融合计算，生成所述第一单位轨迹的知识逻辑图特征。

5.根据权利要求4所述的基于深度学习的电力物资需求预测方法，其特征在于，所述方法还包括：计算所述样例电站知识矢量与所述第二衍生传递矢量之间的第一损失函数值；依据所述第一损失函数值调整所述第一衍生传递矢量和所述第二衍生传递矢量；以及，计算所述样例电力物资知识矢量与所述第一衍生传递矢量之间的第二损失函数值；依据所述第二损失函数值调整所述第二衍生传递矢量和所述第一衍生传递矢量。

6.根据权利要求2所述的基于深度学习的电力物资需求预测方法，其特征在于，所述第二预测单元包括z个图自编码器、门控选择子单元以及多层感知机；将所述样例电力物资知识矢量或第一衍生传递矢量中的一个、x个所述样例电力设备关联轨迹的轨迹图矢量作为所述基础预测神经网络中的第二预测单元的模型加载数据，获得样例电站知识矢量，包括：将每个所述样例电力设备关联轨迹的轨迹图矢量和z个先验模板矢量加载到所述z个图自编码器，生成每个所述样例电力设备关联轨迹的z个关联趋向矢量，每个所述图自编码器生成一个所述关联趋向矢量，每个所述先验模板矢量反映对应所述图自编码器对于所述样例电力物资的先验关注权重；将每个所述样例电力设备关联轨迹的z个关联趋向矢量、所述z个先验模板矢量和所述样例电力物资知识矢量加载到所述门控选择子单元，生成每个所述样例电力设备关联轨迹的第二汇聚图矢量；将x个所述样例电力设备关联轨迹的第二汇聚图矢量加载到所述多层感知机，生成样例电站知识矢量；其中，将每个所述样例电力设备关联轨迹的轨迹图矢量和z个先验模板矢量加载到所述z个图自编码器，生成每个所述样例电力设备关联轨迹的z个关联趋向矢量，包括：从第二单位轨迹的轨迹图矢量中，提取目标样例电站的知识矢量、以及与目标样例电力物资存在运营联系关系的每个关联样例电站的知识矢量，所述第二单位轨迹为所述x个样例电力设备关联轨迹中的其中一个，所述目标样例电站为所述第二单位轨迹中的其中一个样例电力物资；将所述目标样例电站的知识矢量分别与z个所述先验模板矢量进行汇聚，生成z个第一汇聚矢量；将z个所述第一汇聚矢量分别与每个所述关联样例电站的知识矢量进行自注意力处理，生成所述第二单位轨迹中每个所述关联样例电站的样例关注系数；依据每个所述关联样例电站的样例关注系数对对应所述关联样例电站的知识矢量进行融合计算，生成所述第二单位轨迹的z个关联趋向矢量；其中，将每个所述样例电力设备关联轨迹的z个关联趋向矢量、所述z个先验模板矢量和所述样例电力物资知识矢量加载到所述门控选择子单元，生成每个所述样例电力设备关联轨迹的第二汇聚图矢量，包括：针对每个所述样例电力设备关联轨迹，将z个所述先验模板矢量分别与所述样例电力物资知识矢量进行自注意力处理，生成每个所述样例电力设备关联轨迹中的每个所述关联趋向矢量的自注意力系数；针对每个所述样例电力设备关联轨迹，依据z个所述关联趋向矢量的自注意力系数对对应的z个所述关联趋向矢量进行融合计算，生成每个所述样例电力设备关联轨迹的第二汇聚图矢量。

7.根据权利要求2所述的基于深度学习的电力物资需求预测方法，其特征在于，将每个所述样例物资关联轨迹的轨迹图矢量分别加载到所述第一融合子单元，生成每个所述样例物资关联轨迹的知识逻辑图特征，包括：从第三单位轨迹的轨迹图矢量中，提取目标样例电力物资的知识矢量、以及与所述目标样例电力物资存在运营联系关系的每个关联样例电站的知识矢量，所述第三单位轨迹为所述y个样例物资关联轨迹中的其中一个，所述目标样例电力物资为所述第三单位轨迹中的其中一个样例电力物资；分别将所述目标样例电力物资的知识矢量与每个所述关联样例电站的知识矢量进行自注意力处理，生成所述第三单位轨迹中每个所述关联样例电站的样例关注系数；依据每个所述关联样例电站的样例关注系数对对应所述关联样例电站的知识矢量进行融合计算，生成所述第三单位轨迹的知识逻辑图特征。

8.根据权利要求1所述的基于深度学习的电力物资需求预测方法，其特征在于，获取x个样例电力设备关联轨迹和y个样例物资关联轨迹，包括：获取需求关联知识图谱，所述需求关联知识图谱包括x个所述样例电力设备关联轨迹和y个所述样例物资关联轨迹，所述需求关联知识图谱表征所述样例电站与所述样例电力物资之间的需求关联拓扑信息。

9.根据权利要求1所述的基于深度学习的电力物资需求预测方法，其特征在于，所述方法还包括：获取x个目标电力设备关联轨迹和y个目标物资关联轨迹；提取每个所述目标电力设备关联轨迹的轨迹图矢量、以及每个所述目标物资关联轨迹的轨迹图矢量；将x个所述目标电力设备关联轨迹的轨迹图矢量以及y个所述目标物资关联轨迹的轨迹图矢量作为目标预测神经网络的模型加载数据，生成目标电力物资知识矢量和目标电站知识矢量；基于所述目标电力物资知识矢量和所述目标电站知识矢量，构建一个关联矩阵，所述关联矩阵的元素表示所述目标电力物资知识矢量和所述目标电站知识矢量之间的相关性度量系数；使用图搜索算法或路径规划算法在所述关联矩阵中搜索可能的需求关联链路，对于搜索到的每条候选需求关联链路，计算所述候选需求关联链路的综合相关性得分，该综合相关性得分基于所述候选需求关联链路中各元素的相关性度量进行加权求和得到；根据所述综合相关性得分，对搜索到的所述候选需求关联链路进行筛选和排序，并基于排序结果选择预设数量的候选需求关联链路作为参考需求关联链路；获取参考电力物资序列，并根据电力物资的类型、规格、用途和/或历史需求对所述参考电力物资序列进行分类；将所述参考需求关联链路与分类后的所述参考电力物资序列进行匹配，对于每条参考需求关联链路，遍历所述参考电力物资序列，查找与所述参考需求关联链路中涉及的电力物资和电站相关的项目，计算所述参考需求关联与的所述参考电力物资序列中每个匹配项目的匹配度，所述匹配度基于项目的属性相似度、位置信息进行计算得到；根据所述参考需求关联与的所述参考电力物资序列中每个匹配项目的匹配度，选取最终的目标电力物资需求结果。

10.一种深度学习系统，其特征在于，所述深度学习系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项所述的基于深度学习的电力物资需求预测方法。

技术总结
本申请实施例提供一种基于深度学习的电力物资需求预测方法及系统，利用样例电力设备关联轨迹和样例物资关联轨迹作为输入数据，通过提取轨迹图矢量并引入第一预测单元和第二预测单元，分别生成样例电力物资知识矢量和样例电站知识矢量。进一步，通过计算两者之间的特征距离作为目标训练代价参数，对基础预测神经网络进行精细的参数调整与优化，从而生成更为精准的目标预测神经网络，不仅能够有效捕捉电站与电力物资之间的复杂需求关联，还能自动适应电力系统中需求模式的变化，为电力系统提供及时、准确的电力物资需求预测，为物资调配、库存管理以及采购决策提供了强有力的支持，有效降低了库存成本，提高了供应链的整体效率和响应速度。

技术研发人员：李文涛,马天舒,刘利平,陈双武,元永光
受保护的技术使用者：广东瑞和通数据科技有限公司
技术研发日：
技术公布日：2024/11/18