一种电力物资价格的预测方法、系统、设备及介质与流程

本发明涉及电力物资价格预测，尤其涉及一种电力物资价格的预测方法、系统、设备及介质。

背景技术：

1、电力物资是电网建设与维护的基础，是电力企业运营管理中不可缺少的组成部分，它对项目的实施周期、实施成本及实施质量起着重要的作用，而电力物资价格预测的准确性对物资需求、物资采购及物资储备等基础业务能否有序开展，起至关重要的作用。

2、现有的电力物资采购缺乏科学的量化测算方法，面对跌宕起伏的电力物资价格，无法准确预测电力物资价格的未来走势，导致不合理的电力物资采购价格时有发生，使得无法满足电力物资采购成本最小化的客观需求。

技术实现思路

1、本发明所要解决的技术问题是：提供一种电力物资价格的预测方法、系统、设备及介质，有效解决背景技术中的问题。

2、为了达到上述目的，本发明所采用的技术方案是：一种电力物资价格的预测方法，包括：

3、s1、将原材料价格纳入研究对象，依据adf方法对电力物资价格及其原材料序列的稳定性进行验证；

4、s2、基于格兰杰因果关系检验方法，分析电力物资现货价格与原材料价格之间的因果关系，找出存在明显因果关系的原材料序列；

5、s3、依据s2中的分析结果，将存在因果关系的原材料序列纳入到电力物资价格的模型中，构建新的时间序列；

6、s4、依据引入c-c算法计算电力物资预测时间序列的延迟时间和嵌入维数，完成电力物资价格序列的空间重构；

7、s5、确定时间序列的输入输出维数，对神经网络模型的参数进行训练，依据lstm方法完成电力物资价格的预测。

8、进一步地，在步骤s1中，获取电力物资价格及原材料价格的历史数据，通过对历史数据的整理得到电力物资价格的时间序列e及原材料价格的时间序列ma：

9、所述电力物资价格的时间序列具体为e＝{e1，e2，...，et，...，en}；

10、所述原材料价格的时间序列具体为且a＝1，2，...，s；

11、其中，n代表电力物资当前值在序列中的位置；s代表原材料当前值在序列中的位置；a表示原材料的索引。

12、进一步地，对两个序列进行单独的adf检验，判断序列是否平稳，如果出现不平稳，则需要对序列进行差分处理。

13、进一步地，采用adf方法验证数据是否具有单位根，如果存在单位根，那么判定序列不平稳，对序列进行差分操作使序列平稳；如果不存在单位根，那么此时的时间序列属于平稳序列，可以进行下一步建模操作。

14、进一步地，在步骤s2中，选出的存在明显因果关系的原材料序列为mα′(α′＝1,2,…,s′)。

15、进一步地，通过格兰杰因果关系方法判断原材料价格与电力物资现货价格之间是否存在因果关系，其判断依据为原材料价格变动在时间上先于电力物资现货价格的变动，且电力物资现货价格的波动与原材料价格的变动相关。

16、进一步地，根据确定的电力物资价格的时间序列e和关键原材料序列mα′，构建一个包含关键原材料的新的时间序列：

17、x＝{x1,x2,…,xt,…,x(s′+1)n}

18、其中，xt代表序列中的第t个值。

19、进一步地，在步骤s4中，依据c-c算法计算时间序列x的延迟时间τ和嵌入维数m，通过相空间重构可得到高维时间序列；

20、设原始一维时间序列为yt，则高维时间序列的公式为：

21、yt＝{xt,xt-τ,…,xt-(m-1)τ}，t＝1,2,…,k；

22、其中，yt是一个m维向量，表示通过将原始的一维时间序列转化为具有更多维度信息的高维时间序列；

23、t表示时间序列的当前时刻；

24、(m-1)τ表示根据延迟时间τ来计算前面第m-1个时刻；

25、k表示最后一个有效的时间样本点。

26、进一步地，基于延迟时间τ和嵌入维数m，得到k的公式为：

27、k＝n-(m-1)τ

28、其中，n表示时间序列的总长度，m表示嵌入维数，τ表示延迟时间。

29、进一步地，在步骤s5中，以yt为输入，以et为输出，依据lstm方法对神经网络模型的参数进行训练，并利用滚动窗口方法对电力物资价格进行预测{et}|t>n。

30、进一步地，所述神经网络模型的训练包括以下步骤：

31、s5.1、数据准备：将原始的电力物资价格数据整理成适合神经网络输入的格式；

32、s5.2、网络构建：选择合适的lstm神经网络结构，并确定神经网络的层数、每层的节点数、激活函数等参数；

33、s5.3、初始化参数：对神经网络的权重和偏置进行初始化；

34、s5.4、前向传播：将输入数据通过神经网络前向传播，计算得到输出结果；

35、s5.5、计算损失：根据输出结果和目标输出(即误差项)之间的差异，计算损失函数；

36、s5.6、反向传播：根据损失函数，通过反向传播算法计算梯度，然后使用梯度下降优化算法(如adam、sgd等)对网络参数进行更新；

37、s5.7、参数调整：根据训练集上的损失，不断调整网络参数，使得损失函数逐渐降低；

38、s5.8、训练迭代：重复执行步骤s5.4到s5.7，直到达到指定的训练迭代次数或者满足停止条件；

39、s5.9、模型评估：使用验证集或测试集对训练好的模型进行评估，计算预测误差或其他性能指标；

40、s5.10、参数保存：保存训练好的模型参数，以便进行后续的预测任务。

41、本发明还提供了一种电力物资价格的预测系统，包括：

42、稳定性验证模块，用于将原材料价格纳入研究对象，依据adf方法对电力物资价格及其原材料序列的稳定性进行验证；

43、因果关系分析模块，基于格兰杰因果关系检验方法，分析电力物资现货价格与原材料价格之间的因果关系，找出存在明显因果关系的原材料序列；

44、时间序列构建模块，用于将存在因果关系的原材料序列纳入到电力物资价格的模型中，构建新的时间序列；

45、空间重构模块，用于引入c-c算法计算电力物资预测时间序列的延迟时间和嵌入维数，完成电力物资价格序列的空间重构；

46、神经网络训练模块，用于确定时间序列的输入输出维数，对神经网络模型的参数进行训练，并依据lstm方法完成电力物资价格的预测。

47、本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的预测方法

48、本发明还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的预测方法。

49、本发明的有益效果为：本发明中根据adf检验方法分析现货价格及其主要原材料价格的平稳性，依据格兰杰因果关系分析现货价格与其原材料价格间的因果关系，依据c-c算法计算时间序列的延迟时间和嵌入维数，对时间序列进行空间重构，依据lstm方法实现，对电力物资未来的价格趋势进行准确预测，为电力物资采购成本最小化提供理论支撑。

50、本发明中通过将关键原材料序列与电力物资价格序列进行组合，可以建立一个更加综合和全面的时间序列，以更好地反映电力物资价格的变化情况，新时间序列可以作为预测模型的输入，用于更准确地预测电力物资价格的未来走势。