一种基于MATLAB算法的电力供应商综合评价方法与流程

本发明涉及一种电力供应商评价方法，具体是一种基于matlab算法的电力供应商评价方法。

背景技术：

电力物资公司的供应商数量众多，对于企业实际产能信息，供应商不会主动上报给物资公司，存在部分供应商产能不足，甚至将产品生产任务外包给其他供应商，提高了物资供应的风险。实际工作过程中，物资公司也无法对所有供应商的生产现场进行审核和监控，但又迫切需要针对供应商产能、转包等问题进行预警。

技术实现要素：

本发明的目的是提供一种基于机器学习的物料质量评估方法。本方法利用物资公司能够收集到的供应商相关信息，通过matlab算法预测供应商合理的用电量区间，从而进行科学的产能预警。

本发明的目的通过以下技术方案实现：

一种基于matlab算法的电力供应商综合评价方法，其特征在于：该方法采用收集供应商合同物资种类和历史用电量信息，选取一定数量数据作为样本，通过小波变换将用电量数据分离为趋势和波动，建立供应商用电量分析模型，根据模型分析供应商月度用电量的合理区间，结合供应商的月度实际用电量，客观准确的评价供应商的产能是否符合要求。

具体包括如下步骤：

s1收集供应商户号：按供应商类别收集供应商用电户号信息；

s2抽取历史用电量：按户号抽取供应商的历史月度用电量信息；

s3建立用电量预测模型:将收集的用电量信息进行标准化处理，再利用小波变换，挖掘出稳定的用电量趋势，使用滤波技术，去除异常的用电量信息，最后使用bp网络模型建立用电量预测模型，根据历史用电量预测次月用电量的合理区间；

s4评估供应商产能:根据预测的用电量区间和实际用电量进行比对，对供应商产能进行评估。

建立用电量预测模型具体如下：

先对供应商历史用电量数据进行标准化和数据分离处理，再挖掘历史异常数据后预测供应商次月用电量数据，最后设定次月用电量预警区间，编写用电量预测模型；

1)数据标准化处理

由于单个供应商历史月之间用电数据量差异比较大，为提高数据分析的便利性，进行数据归一化处理；

2)用电量数据分离

供应商的历史月度用电量数据可理解为一组信号，采用傅里叶变换，将该组信号的趋势和随机波动进行分离；再利用小波变换，将数据序列里面的最稳定用电量趋势挖掘出来；标准化后的数据与原始数据趋势和波动情况基本一致，而且标准化后的数据在一定程度上消减年与年之间用电量差额的影响；

3)历史异常数据挖掘

对于历史异常数据的挖掘，采用数据处理中常用的滤波技术——低阶差分去噪来实现该目标；

4)预测次月用电量数据

在预测方法的选用上，选择bp神经网络进行预测，利用神经网络自学习和适应的功能建立用电量序列的非参数化模型；

5)设置次月用电量区间

通过再次取样法，设定预警区间；

6)编写用电量预测模型

采用matlab对模型进行程序编写，利用模型对各个供应商的月度用电量进行更新。

本发明利用大量的历史用电量数据，预测次月用电量；创建预测模型时删除了不稳定的用电量信息和异常用电量信息；预测结果是一个用电量区间。

本发明创建物料质量评估模型，选择反向传递的人工神经网络算法，构建反向传统网络模型。将收集的历史样本信息分为训练数据和验证数据两个部分。使用训练数据对模型进行训练，获得模型权重参数和调整因子。使用验证数据对模型训练结果进行测试验证，直到验证结果符合已收集的信息，从而获得物料质量和影响因素质检的非线性关系。最后使用已验证的模型及模型参数，预测物料的质量水平。

不同的供应商，不同的物料的质量因素的模型参数差别较大，为了提高预测的准确度，在训练模型时，要求按照不同类型的供应商分别进行训练。

本发明采用收集供应商合同物资种类和历史用电量信息，选取一定数量数据作为样本，通过小波变换将用电量数据分离为趋势和波动，建立供应商用电量分析模型，根据模型分析供应商月度用电量的合理区间，结合供应商的月度实际用电量，从而可以更客观准确的评价供应商的产能是否符合要求。

附图说明

图1是基于matlab算法的电力供应商综合评价流程图。

图2是bp神经网络模型结构示意图。

图3是用电量预警区间算法示意图。

具体实施方式

一种基于matlab算法的电力供应商综合评价方法，采用收集供应商合同物资种类和历史用电量信息，选取一定数量数据作为样本，通过小波变换将用电量数据分离为趋势和波动，建立供应商用电量分析模型，根据模型分析供应商月度用电量的合理区间，结合供应商的月度实际用电量，客观准确的评价供应商的产能是否符合要求。

步骤一：收集供应商用电户号信息

目前按照应用需求，将供应商分为铁塔类、开关类、水泥杆类、箱柜类、线缆类、变压器类、金具类、电缆保护管类、其他类等九种类型。

步骤二：抽取供应商历史用电量信息

根据供应商户号信息，拉取供应商历史月度用电量信息。选择具有代表性的供应商进行电量分析。

步骤三：根据历史数据生成用电量预测模型

先对供应商历史用电量数据进行标准化和数据分离处理，再挖掘历史异常数据后预测供应商次月用电量数据，最后设定次月用电量预警区间，编写用电量预测模型。

1、数据标准化处理

由于单个供应商历史月之间用电数据量差异比较大，为提高数据分析的便利性，进行数据归一化处理，计算方法如下：

2、用电量数据分离

供应商的历史月度用电量数据可理解为一组信号，采用傅里叶变换，将该组信号的趋势和随机波动进行分离。再利用小波变换，将数据序列里面的最稳定用电量趋势挖掘出来。标准化后的数据与原始数据趋势和波动情况基本一致，而且标准化后的数据可以在一定程度上消减年与年之间用电量差额的影响。

3、历史异常数据挖掘

对于历史异常数据的挖掘，采用数据处理中常用的滤波技术——低阶差分去噪来实现该目标。

低阶差分去噪法分析用电量数据中的异常值，其基本原理如下：

设定要研究的时间序列为p(t),且前3个月的数据是正常值，若后续数据满足条件：

则说明数据p(t)为异常点数据。

按照用电量异常点数据挖掘的实际情况，仅需要考虑用电量突然下降的情况，因此将上述条件优化为:

选择前3个月数据为正常值(即n＝3)，可以有效排除掉季节因素的影响；γ为预警因子，可以根据供应商实际历史情况进行调节，它的值越大，挖掘的异常点就越少，在实例验证中表明，γ选择在1～3之间是比较合理的。具体参数可以在模型建立后通过其他供应商的真实数据进行校验确定。

4、预测次月用电量数据

在预测方法的选用上，选择bp神经网络进行预测，优势在于可以利用神经网络自学习和适应的功能建立用电量序列的非参数化模型。

bp神经网络模型结构包括输入层(input)、隐层(hidelayer)和输出层(outputlayer)(如图2所示)。

在进行次月用电量预测过程中，为确保预测结果的合理性，需先将挖掘出的异常点数据进行序列均值替换。将经过两次小波分解的3组趋势数据和1组进行过均值替换的波动数据分别进行神经网络训练。

在输入层、隐层和输出层的选择上，考虑到季度和年度影响，每组数据选择6个数据作为神经元；综合考虑训练压力和训练效果，隐层数设为3个；输出层设为1个，将四组数据的输出层综合，即为次月用电量预测值。

预测结果形成后，通过设立评价指标对预测的性能进行评价，评价指标包括amape和var，前者表示了预测的相对精度，后者代表了预测的稳定度，计算方法公式如下：

5、设置次月用电量区间

预警区间的设定，可以理解为预测值在一定置信区间下的偏差范围，在统计学中通常可以假设偏差服从高斯分布得出偏差范围，但这种区间设定方式与实际情况往往有所偏差。alvesdasillva和moulin提出了一种与数据分布无关的预测区间的方法——再次取样法，具有较高的可靠性。

用电量预警区间算法如图3所示：

因为在神经网络的训练过程中，六个连续的数据可以训练得到一个训练值，训练值所在月的用电量都是已知的，通过神经网络训练值和实际值的差值，可以得到每组训练值的偏差，构成一个新的偏差序列。

将偏差序列按数值大小归类，进行统计分析后，可以得知次月用电量的预测值属于各偏差类的概率p。如果偏差类sj包含nj个随机误差的样本，则:

当给定一个显著性水平α后(一般α取0.2)，可以确定偏差区间[x_1,x_2]，该区间包含真实用电量值的概率为1-2α，算法如下：

1)计算x_1，使得p(x≤x_1)＝α；

2)计算x_2，使得p(x≤x_2)＝1-α。

若预测值为θ，可以得出预警区间为[θ+x_1,θ+x_2]。

6、编写用电量预测模型

为了利用模型对各各个供应商的月度用电量进行更新，我们采用了matlab对模型进行程序编写。

步骤四：利用模型评估供应商产能

利用上述验证成功的计算模型，预测各个供应商月度用电量以及用电量区间，并结合供应商的实际用电量，评估供应商的产能，并对用电量异常供应商的生产活动进行跟踪，及时发现履约风险。