买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网电力科学研究院武汉南瑞有限责任公司;国网电力科学研究院有限公司;国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司;国网山东省电力公司;国网福建省电力有限公司

摘要：本发明公开了一种大数据环境下多维时序电力物资库存数据的自修正预测方法，涉及大数据、人工智能和信息系统技术领域，包括以下步骤：S1.多源多维数据的格式统一；S2.增量概率的转移矩阵与状态转移；S3.跨发展阶段的转移概率预测；S4.随机演化循环神经网络的训练与预测；本发明提供，对阶段内数据设计了电力物资属性状态转移模块，对跨阶段数据设计了随机演化循环神经网络，通过训练模型，使得随机演化循环神经网络可以跨域发展阶段对未来的电力物资需求量进行有效预测，并且由于全程计算皆为张量计算形式因此适合GPU进行高效的计算加速，解决了电网项目电力物资需求量预测中的精度、效率和可行性等方面的问题。

主权项：1.一种大数据环境下多维时序电力物资库存数据的自修正预测方法，其特征在于，包括以下步骤：步骤S1.多源多维数据的格式统一：生成标记数据的标记向量，再将非定量数据的增量频率化；其中，定量数据的增量频率是一种统一定量数据格式的方法，它只计算定量数据变化率在一对阈值幅度下发生的频率，即定量数据以多大的频率保持其变化率维持在两个阈值之间；对于可以转变为定量数据的数据类型，实行增量频率化，因为这类数据的都具有变化的概念，只要发生变化，就记录其变化的程度处于某个特征状态的概率；具体包括以下步骤：步骤S101、若数据为定量数值型数据则进入下一步骤，若数据为可转换为定量数值的数据则取历史数据中相差最大的两个数据并做差，将差值的绝对值作为分母，将原数据作为分子，根据历史数据的分布将插值划分等级；步骤S102、根据具体任务记录历史数据在不同时期等级的变化幅度，即增量；步骤S103、统计各个变化幅度发生的频率；步骤S104、计算增量概率；在大数据环境下，由于样本数量极大，因此统计出的频率会依其分布率收敛为概率；因此大数据环境下的电力物资历史增量频率近似于增量概率；定义：增量概率 其中函数num为计数函数，表示统计自变量所处状态的个数，表示电力物资数据在t时刻所处的状态，表示电力物资在t-1时刻所处在状态i的个数；表示电力物资从t-1时刻的状态i变化到t时刻状态j的个数；两者之商为从状态i到状态j发生的频率，在大数据环境下该频率依概率分布P收敛于,即用大数据下的频率近似于概率，这个概率即为增量概率；步骤S2.增量概率的转移矩阵与状态转移：将增量概率转移矩阵的构建，再将一个发展阶段内的电力物资属性状态转移，最后将一个发展阶段内的数据演化选取；其中，增量概率的转移矩阵公式如下： 其中表示电力物资某一属性的定量数据从时间t-1到时间t的增量转移矩阵，其中元素是增量转移概率，表示数据从状态i转移到状态j的概率；按照此定义，矩阵的行与列数皆代表状态的标记；因此当数据属性值的范围划分为n个状态等级时，则生成一个n阶方阵；其中，在同一个发展阶段内，相同电力物资的某个属性产生的数据变化相对稳定性，由切普曼-科尔莫戈诺夫方程可推知： 其中，m表示电力物资经历了m个单位时间，表示电力物资从时刻t开始经历m个单位时间后的概率转移矩阵，根据切普曼-科尔莫戈诺夫方程可知这个多步转移矩阵等价于；而是一个一步转移矩阵，只经历了时间从t到t+1，因此通过计算增量概率得到其中每一个元素的具体概率值，这当确定一个增量概率转移矩阵后就能得到任意m步转移后的转移矩阵，其中元素表示电力物资从状态i经历m个单位时间后转移到状态j的概率，需要注意的是，即正整数m的范围不能大于一个发展阶段的总时间T；其中，根据增量概率的转移矩阵公式，属性状态转移矩阵的列序号也是状态的标记，因此通过转移后矩阵中每行素对应的列序号得到演变到新状态的概率；当状态被定为数值区间时，则每行的最大元素对应的列号则对应了演变到这个状态区间概率最大，将此状态区间作为一个发展阶内的属性演化预测结果；步骤S3.跨发展阶段的转移概率预测：首先随机演化循环神经网络，再构建随机演化循环神经网络，最后发展阶段的界定；其中，随机演化循环神经网络是一种经过随机化改造的神经网络，与标准循环神经网络的区别在于每次循环的间隙，均加入一个步骤S2中数据状态转移的过程，该过程中涉及到构建电力物资的增量概率的转移矩阵，需要统计历史的设备历史数据信息，历史信息的输入作为其所处发展阶段的信息修正，整个随机循环神经网络处在一个不断修正的状态中，并且由于历史数据需要频率化，每次统计的频率结果并不相同，因此每次预测出的设备属性数据具有多种演化可能性，这些演化后的数据被上一发展时期隐藏层传递来的参数进行解码最终输出需求量的预测结果；其中，构建随机演化循环神经网络包括如下模块：（1）电力物资属性数据X：电力物资属性数据是指涉及到电力物资的技术与非技术数据，只要与电力物资相关，且随着时间变化而变化的已产生数据都作为电力物资属性数据X；（2）编码参数U：编码参数U是一个编码矩阵，其作用是对输入的电力物资进行编码，编码采用对输入参数向量进行矩阵相乘的方式进行，即：X·U，其中X是电力物资的属性数据向量，U是编码参数矩阵，U矩阵中的参数在初始时刻采用随机初始化的方式进行元素赋值；（3）隐藏层：隐藏层参数是循环神经网络中隐藏层的参数矩阵W，其与编码矩阵U和输入数据X的关系如下： 其中表示处在发展阶段T隐藏层的编码信息姓梁，是处在发在阶段T的编码矩阵，是处在发在阶段T的输入数据向量，是处在发在阶段T-1的参数矩阵，表示处在发展阶段T-1隐藏层的编码向量，b表示偏置向量，函数表示一个非线性激活函数，其具体解析式根据具体任务来定，但需要确保其具有非线性性；按本研究以往实验经验，在电力物资需求量预测中，选择tanh函数的作为其具体形式效果较为显著；即： 非线性激活函数的作用是将神经网络中的线性编码进行激活，模拟生物神经元的运作方式对海量数据中蕴含的语义模式进行学习与识别；可以发现（3）中定义的隐藏层中的信息传递为递归形式，因为其输出不仅和当前阶段的输入有关，还与上一阶段隐藏层的输出有关，这样实际承担了当前发展阶段数据更新的功能，并且它只用统计此发展阶段内期初时刻的电力物资属性数据即可，因为这个阶段的后期数据可以直接通过步骤S2中的属性状态转移方法进行估算求解，则承担序列记忆的功能，它传递过去（T-1）的参数于当前（T），参数更新后又将当前参数传递至下一期循环进行；（4）输出层：每次循环隐藏层的输出信息h在输出层与输出层参数矩阵V作矩阵乘法，然后被激活函数激活，输出需求量预测结果Y，即： 其中表示发展阶段T的输出层信息，V表示输出层的参数矩阵，c表示输出层的偏置，此时根据具体预测要求来构建输出结果的计算；当输出结果为数值形式时，则有 即直接令，预测结果为回归形式的数值；当输出结果为分类形式或范围预测离散形式时，构建softmax激活函数即可 其中，n表示输出层神经元总个数，通过softmax函数，将预测值映射为概率，概率最大的值即为分类结果；（5）属性状态转移模块与预测属性数据模块：属性状态转移模块即执行步骤S2中的概率化属性状态转移；步骤S4.随机演化循环神经网络的训练与预测：首先输入数据和输入标签，再模型训练，最后进行模型预测；在每个发展阶段经历的时间是不同的，但是无论经历时间长度如何，都只需要将这个时间对应成状态转移矩阵连乘次数即可，由于在相同的发展阶段，外部因素对预测结果的影响较小，因此只需要通过以计算资源消耗较小的方式进行矩阵连乘就能得到阶段内的预测数据演化信息，预测属性数据模块作用等同于电力物资属性数据模块，他们的区别在于，预测属性数据模块中的数据是通过属性状态的概率转移计算得来，而非真实数据，这是因为当电力物资数据预测任务是跨发展阶段的时候，任何阶段的数据都发生在未来，因此此时只能通过预设一下发展阶段的属性状态转移矩阵来进行状态转移求解。

全文数据：

权利要求：

百度查询： 国网电力科学研究院武汉南瑞有限责任公司 国网电力科学研究院有限公司 国网江苏省电力有限公司电力科学研究院 国网江苏省电力有限公司 国网山东省电力公司 国网福建省电力有限公司 一种大数据环境下多维时序电力物资库存数据的自修正预测方法