电网设备材料代价预测方法、装置、设备、介质和产品与流程

1.本技术涉及电网工程建设技术领域，特别是涉及一种电网设备材料代价预测方法、装置、设备、介质和产品。


背景技术：

2.随着电网建设工程的投资规模和建设规模的不断扩大，加强电网工程造价管理，提升电网投资精益化管理水平已成为电网企业发展过程中至关重要的一环。与此同时，电网设备材料的代价在电网建设工程造价中占有较大的比重，因此加强电网设备材料的代价值预测管理，对于提高电网建设工程的可研估算、初设概算、施工图预算和竣工结算等造价管控水平，以及提高电网建设投资精益化管理水平具有重要的意义。
3.目前的电网设备材料代价值波动幅度大，呈现非平稳、非线性的变化趋势，导致设备材料的指导代价值难以准确预测。传统的解决方案大多基于单变量时序预测算法和简单的机器学习模型对电网设备材料代价值进行预测，例如，将电网设备材料的多个影响指标作为预测模型的自变量，将电网设备材料代价值作为因变量进行预测。
4.然而，上述方法在预测电网设备材料代价值时存在预测效率低的缺陷。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高预测效率的电网设备材料代价预测方法、装置、设备、介质和产品。
6.第一方面，本技术提供了一种电网设备材料代价预测方法。该方法包括：
7.获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序列；
8.确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据；
9.根据重构数据，预测电网设备材料的代价值。
10.在其中一个实施例中，确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据，包括：
11.确定初始数据中各子序列的模糊熵；
12.对各子序列的模糊熵分别进行归一化处理，得到各子序列的归一化结果；
13.根据各归一化结果，得到具有相似特征的子序列；
14.将具有相似特征的子序列重组，得到重构数据。
15.在其中一个实施例中，根据重构数据，预测电网设备材料的代价值，包括：
16.拓展重构数据的维度，得到高阶张量序列，高阶张量序列包括根据时间点确定的张量数据；
17.分别对各张量数据进行张量分解后预测，得到目标张量序列，目标张量序列包括不同时间点对应的目标张量；
18.根据目标张量序列中的目标张量，预测电网设备材料的代价值。
19.在其中一个实施例中，拓展重构数据的维度，得到高阶张量序列，包括：
20.采用集合经验模态方法，分别将重构数据中各时间点对应的重构数据分解，得到不同时间点对应的第一内涵模态分量序列；
21.采用集合经验模态方法，分别将第一内涵模态分量序列中各第一内涵模态分量分解，得到不同第一内涵模态分量对应的第二内涵模态分量序列；
22.将第一内涵模态分量序列中所有第二内涵模态分量序列进行拼接，得到不同历史时间点对应的张量数据；
23.根据各历史时间点对应的张量数据，得到高阶张量序列。
24.其中一个实施例中，分别对各张量数据进行张量分解后预测，得到目标张量序列，包括：
25.针对任一时间点，对时间点对应的张量数据进行张量分解，得到各时间点对应的因子张量序列；
26.结合每个时间点对应的第一预测模型和因子张量序列，预测各时间点对应的目标张量，得到目标张量序列；
27.其中，第一预测模型根据因子张量序列中因子张量的对应关系训练后得到。
28.在其中一个实施例中，根据目标张量序列中的目标张量，预测电网设备材料的代价值，包括：
29.将训练样本输入预设的预测模型中进行训练，得到第二预测模型，训练样本包括目标张量序列中不同时间点的目标张量之间的对应关系；
30.结合目标张量序列中的目标张量和第二预测模型，得到预测张量；
31.将预测张量投影为多条预测结果序列，并对多条预测结果序列进行逆重组整合，得到电网设备材料的代价值。
32.第二方面，本技术还提供了一种电网设备材料代价预测装置。该装置包括：
33.获取模块，用于获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序列；
34.特征重构模块，用于确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据；
35.预测模块，用于根据重构数据，预测电网设备材料的代价值。
36.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
37.获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序列；
38.确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据；
39.根据重构数据，预测电网设备材料的代价值。
40.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，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以下步骤：
41.获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序
列；
42.确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据；
43.根据重构数据，预测电网设备材料的代价值。
44.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
45.获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序列；
46.确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据；
47.根据重构数据，预测电网设备材料的代价值。
48.上述网设备材料代价预测方法、装置、设备、介质和产品，通过获取电网设备材料的初始数据，该初始数据包括初始代价值序列和初始影响指标序列，其中，同种类型的电网设备材料可以包括不同的规格，任一规格对应的代价值时序数据可以作为初始代价值序列中的子序列，影响电网设备材料代价值的指标通常包括多种，任一影响指标对应的指标时序数据可以作为初始影响指标序列中的子序列。确定初始数据中具有相似特征的子序列，将具有相似特征的子序列重构，得到重构数据，根据重构数据预测电网设备材料的代价值。本技术实施例在电网设备材料代价值协同预测的场景下，不仅可以协同预测多种不同规格的电网设备材料代价值，而且通过挖掘不同规格电网设备材料的代价值时序数据之间的内在相互关系、不同影响指标时序数据之间的内在相互关系以及代价值时序数据和影响指标时序数据之间的内在相互关系，将具有相似特征的子序列重构，避免特征类似的子序列所包含的类似特征被多次引入到后续的时序预测中，从而提高电网设备材料代价值的预测效率，并完善电网设备材料代价值预测时的特征提取能力。
附图说明
49.图1为一个实施例中电网设备材料代价预测方法的应用环境图；
50.图2为一个实施例中电网设备材料代价预测方法的流程示意图；
51.图3为一个实施例中得到重构数据的流程示意图；
52.图4为一个实施例中得到目标张量序列的流程示意图；
53.图5为一个实施例中更新目标张量序列的流程示意图；
54.图6为另一个实施例中电网设备材料代价预测方法的流程示意图；
55.图7为一个实施例中电网设备材料代价预测装置的结构示意图；
56.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.本技术实施例提供的电网设备材料代价预测方法，可以应用于如图1所示的应用
环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据，例如，数据存储系统可以存储电网设备材料在历史时间段内的代价值信息，也可以存储影响电网设备材料代价值的影响指标信息。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
59.在一个实施例中，如图2所示，提供了一种电网设备材料代价预测方法，以该方法应用于电网系统服务器为例进行说明，包括以下步骤：
60.步骤202，获取电网设备材料的初始数据，该初始数据包括初始代价值序列和初始影响指标序列。
61.其中，电网设备材料是指配电网工程中涉及的设备及材料，其主要包括变压器、开关设备和保护电器等一次设备，监控装置、操作电器和测量表计等二次设备，电缆、导线和金具等安装材料，以及，混凝土和钢材等建筑材料。
62.电网设备材料的初始数据包括初始代价值序列和初始影响指标序列。初始代价值序列包括电网设备材料代价值的时序数据，即电网设备材料在历史时间段内的代价值，初始影响指标序列包括影响指标的时序数据，即电网设备材料代价值的影响指标在历史时间段内的指标数据。
63.在一种实现方式中，获取电网设备材料的初始数据之前，确定拟预测的电网设备材料类型。一种类型的电网设备材料通常包括多种不同的规格，在获取该类型电网设备材料的初始数据时，可以针对任一规格，获取该规格对应的历史时间段内的代价值作为初始代价值序列中的子序列。影响电网设备材料代价值的指标通常包括多种，可以针对任一影响指标，获取该影响指标对应的历史时间段内的指标数据作为初始影响指标序列中的子序列。
64.示例性地，确定拟预测的电网设备材料类型为变压器后，获取变压器的初始数据。在某电网系统中变压器包括24种不同的规格，如果历史时间段包括过去5年，时间维的粒度取1个季度，即在历史时间段内包括20个时间点，则初始代价值序列可以包括24个子序列，每个子序列代表一种规格的变压器在过去20个时间点的代价值。
65.示例性地，变压器代价值的影响指标包括铜芯价格、铝芯价格、人工费和采购策略，初始影响指标序列可以包括铜芯价格在过去20个时间点的指标数据、铝芯价格在过去20个时间点的指标数据、人工费在过去20个时间点的指标数据以及采购策略在过去20个时间点的指标数据。
66.步骤204，确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据。
67.在时序预测中，协同预测指的主要是变化规律相近的时间序列共同进行预测，且预测结果为所有时间序列的预测值。在初始数据中，初始代价值序列和初始影响指标序列可能包括多组特征类似的子序列，例如，在初始代价值序列中变压器规格1代价值的时序数据和变压器规格2代价值的时序数据，即变压器规格1对应的子序列和变压器规格2对应的
子序列具有特征相似性；在初始影响指标序列中，铜芯价格的时序数据和铝芯价格的时序数据，即铜芯价格对应的子序列和铝芯价格对应的子序列具有相似特征。
68.如果将上述具有相似特征的子序列均进行后续的时序预测，例如采用常规的时序预测模型，则具有相似特征的子序列所包含的类似特征点会被多次引入时域预测模型，不仅会降低后续时序预测时对初始数据的特征提取能力，也会造成预测效率低下。
69.本技术实施例在获取初始数据之后，确定其中具有相似特征的子序列，并将具有相似特征的子序列重构，从而得到重构数据。
70.在一种实现方式中，可以采用模糊熵的方法确定初始序列中具有相似特征的子序列，并将具有相似特征的子序列重组整合，得到重组整合后的子序列，再结合重组整合后的子序列和初始序列中未重组整合的原始子序列，得到重构数据。
71.在一种实现方式中，可以采用无编码比值的方法确定初始序列中具有相似特征的子序列，并将具有相似特征的子序列重组整合，得到重组整合后的子序列，再结合重组整合后的子序列和初始序列中未重组整合的原始子序列，得到重构数据。
72.在另一种实现方式中，可以采用聚类算法确定所述初始序列中具有相似特征的子序列，即确定聚类中心，将具有相似特征的子序列聚类，得到重构数据。
73.示例性地，根据模糊熵或无编码比值方法，确定变压器规格1代价值的时序数据和变压器规格2代价值的时序数据，即变压器规格1对应的子序列和变压器规格2对应的子序列具有特征相似性；铜芯价格的时序数据和铝芯价格的时序数据，即铜芯价格对应的子序列和铝芯价格对应的子序列具有相似特征，则将变压器规格1对应的子序列和变压器规格2对应的子序列重组整合，将铜芯价格对应的子序列和铝芯价格对应的子序列重组整合，再将上述重组整合后的子序列和未重组整合的子序列结合，得到重构数据。
74.步骤206，根据重构数据，预测电网设备材料的代价值。
75.本技术实施例在得到重构数据之后，根据重构数据预测电网设备材料的代价值，其中，重构数据包括电网设备材料代价值的时序信息和电网设备材料代价值的影响指标的时序信息，从重构数据中可以更加快速和完善地提取电网设备材料代价值和影响指标的时序特征，从而对电网设备材料的代价值进行预测。
76.在一种实现方式中，根据重构数据预测电网设备材料的代价值的步骤可以通过影响指标对电网设备材料代价值进行回归预测，例如多元线性回归、基于遗传算法的bp(back propagation)神经网络模型和基于粒子群的支持向量机模型等。
77.上述电网设备材料代价预测方法中，通过获取电网设备材料的初始数据，该初始数据包括初始代价值序列和初始影响指标序列，其中，同种类型的电网设备材料可以包括不同的规格，任一规格对应的代价值时序数据可以作为初始代价值序列中的子序列，影响电网设备材料代价值的指标通常包括多种，任一影响指标对应的指标时序数据可以作为初始影响指标序列中的子序列。确定初始数据中具有相似特征的子序列，将具有相似特征的子序列重构，得到重构数据，根据重构数据预测电网设备材料的代价值。本技术实施例在电网设备材料代价值协同预测的场景下，不仅可以协同预测多种不同规格的电网设备材料代价值，而且通过挖掘不同规格电网设备材料的代价值时序数据之间的内在相互关系、不同影响指标时序数据之间的内在相互关系以及代价值时序数据和影响指标时序数据之间的内在相互关系，将具有相似特征的子序列重构，避免特征类似的子序列所包含的类似特征
被多次引入到后续的时序预测中，从而提高电网设备材料代价值的预测效率，并完善电网设备材料代价值预测时的特征提取能力。
78.在一个实施例中，确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据，包括：
79.步骤a1，确定初始数据中各子序列的模糊熵。
80.在一种实现方式中，假设电网设备材料的初始数据为z
(u+v)
×
t
，其中，初始代价值序列为xu×
t
，初始影响指标序列为yv×
t
，即：
[0081][0082]
其中，表示电网设备材料的初始代价值序列，分别为初始代价值序列的子序列，其代表不同规格对应的代价值时序数据，表示电网设备材料的初始影响指标序列，分别为初始影响指标序列的子序列，其代表不同影响指标对应的指标时序数据，u为拟预测的电网设备材料的规格总数，v为影响指标个数，t为历史时间步数。
[0083]
分别计算初始数据中各子序列的模糊熵，得到各子序列的模糊熵a
ω
，即：
[0084]aω
＝[fuzzyen1,fuzzyen2,
…
,fuzzyen
ω
]；
[0085]
其中，ω为初始数据中子序列的个数，ω＝u+v，fuzzyeni为初始数据中第i个子序列的模糊熵，i∈{1,2,
…
,ω}。
[0086]
步骤a2，对各子序列的模糊熵分别进行归一化处理，得到各子序列的归一化结果。
[0087]
在一种实现方式中，对各子序列的模糊熵以10为底数取对数并向下取整，得到各子序列的归一化结果b
ω
，即：
[0088][0089]bω
＝[fuzzyen
′1,fuzzyen
′2,
…
,fuzzyen
′
ω
]；
[0090]
其中，fuzzyen
′i为第i个子序列的归一化结果。
[0091]
步骤a3，根据归一化结果，得到具有相似特征的子序列。
[0092]
在得到各子序列的归一化结果之后，根据归一化结果，确定具有相似特征的子序列。其中，如果子序列之间的归一化结果相等，可以代表子序列之间的模糊熵为同一数量级，则确定其具有相似特征。
[0093]
示例性地，变压器规格1初始代价值对应的子序列和变压器规格2初始代价值对应的子序列的归一化结果相同，即fuzzyen
′1＝fuzzyen
′2，则子序列和子序列的模糊熵为同一数量级，确定子序列和子序列具有相似特征。
[0094]
步骤a4，将具有相似特征的子序列重组，得到重构数据。
[0095]
其中，将具有相似特征的子序列重组，得到重组后的子序列，并结合重组后的子序列和未重组的子序列，得到重构数据，该重构数据可以表示为：
[0096][0097]
其中，c
t
×
θ
表示重构数据，表示重构数据中第j个子序列，θ为重构数据中子序列的个数，j∈{1,2,
…
,θ}，d
k-1,j-1
表示重构数据中第j个子序列在k代表的历史时间点的数据，k∈{1,2,
…
,t}。
[0098]
示例性地，图3为一个实施例中得到重构数据的流程示意图，在某电网系统中变压器包括24种不同的规格，如果历史时间段包括过去5年，时间维的粒度取1个季度，即在历史时间段内包括20个时间点，则初始代价值序列可以包括24个子序列，每个子序列代表一种规格的变压器在过去20个时间点的代价值。变压器代价值的影响指标包括铜芯价格、铝芯价格、人工费和采购策略，则初始影响指标序列可以包括4个子序列，即铜芯价格在过去20个时间点的指标数据、铝芯价格在过去20个时间点的指标数据、人工费在过去20个时间点的指标数据以及采购策略在过去20个时间点的指标数据。
[0099]
初始数据可以表示为z
(24+4)
×
20
，包括通过模糊熵计算方法，对初始数据进行特征重构，如果的模糊熵为同一数量级，即具有相似特征，则将重组整合，得到如果的模糊熵为同一数量级，即具有相似特征，则将这重组整合，得到并将重组整合后的子序列和其他未重组整合的子序列看作新子序列，将新子序列结合，得到重构数据，该重构数据可以表示为
[0100]
本技术实施例中，通过采用模糊熵的方法，能够通过计算初始数据中各子序列的模糊熵，快速判断具有相似特征的子序列，并将具有相似特征的子序列重组，得到重构数据。
[0101]
在一个实施例中，根据重构序列，预测电网设备材料的代价值，包括：拓展重构数据的维度，得到高阶张量序列，该高阶张量序列包括根据时间点确定的张量数据；分别对各张量数据进行张量分解后预测，得到目标张量序列，该目标张量序列包括不同时间点对应的目标张量；根据目标张量序列中的目标张量，预测电网设备材料的代价值。
[0102]
其中，可以对重构数据应用张量生成算法，拓展重构数据的维度，得到高阶张量序列，张量生成算法包括傅里叶变换、多路延迟嵌入(mdt)变换和集合经验模态分解(eemd)等。
[0103]
本技术实施例中，通过将包括电网设备材料代价值和影响指标时序特征的重构数据拓展维度，从高维角度更精确地挖掘特征之间的内在相互关系，并对各时间点对应的高维张量数据先分解后，再预测得到目标张量，在各时间点内挖掘代价值与影响指标的内在相互关系，再通过目标张量进行时序预测，得到电网设备材料的代价值，从而提高了预测的精准度。
[0104]
在一个实施例中，拓展重构数据的维度，得到高阶张量序列，包括：
[0105]
步骤b1，采用集合经验模态方法，分别将重构数据中各时间点对应的重构数据分解，得到不同时间点对应的第一内涵模态分量序列。
[0106]
其中，重构数据可以表示为：
[0107][0108]
其中，c
t
×
θ
表示重构数据，表示重构数据中第j个子序列，θ为重构数据中子序列的个数，j∈{1,2,
…
,θ}，d
k-1,j-1
表示重构数据中第j个子序列在k代表的历史时间点的数据，k∈{1,2,
…
,t}，表示重构数据中k代表的时间点对应的重构数据。
[0109]
需要说明的是，在获取包括初始代价值序列和初始影响指标序列的初始数据，并将具有相似特征的子序列重构，得到重构数据的步骤中，初始数据的子序列和重构数据的子序列均代表时序数据，例如初始数据的子序列可以为变压器规格1在过去20个时间点的代价值、采购策略在过去20个时间点的指标数据。而在拓展重构数据的维度时，将重构数据根据时间点分为各时间点对应的重构数据，即例如第1个时间点对应的重构数据、第2个时间点对应的重构数据、
…
、第20个时间点对应的重构数据，每个时间点对应的重构数据包括该时间点对应的代价值特征和影响指标特征。
[0110]
采用集合经验模态(eemd)方法，针对任一时间点，将分解，得到不同时间点对应的第一内涵模态分量(intrinsic mode functions，imf)序列，即：
[0111][0112]
seqk＝{imf1,imf2,
…
,imfm}；
[0113]
其中，imf
l
为由分解得到的第一内涵模态分量，m为由分解得到的第一内涵模态分量个数，l∈{1,2,
…
,m}，seqk为k代表的时间点对应的第一内涵模态分量序列。
[0114]
步骤b2，采用集合经验模态方法，分别将第一内涵模态分量序列中各第一内涵模态分量分解，得到不同第一内涵模态分量对应的第二内涵模态分量序列。
[0115]
采用集合经验模态(eemd)方法，针对任一第一内涵模态分量序列中的任一第一内涵模态分量，分别将其分解，即将imf
l
(l∈{1,2,
…
,m})分解，得到不同第一内涵模态分量对应的第二内涵模态分量序列，可以表示为：
[0116]
seq
′
l
＝eemd(imf
l
)；
[0117]
seq
′
l
＝{imf
′1,imf
′2,
…
,imf
′n}；
[0118]
其中，imf
′
p
为由第一内涵模态分量imf
l
分解得到的第二内涵模态分量，n为由第一内涵模态分量imf
l
分解得到第二内涵模态分量的个数，p∈{1,2,
…
,n}，seq
′
l
为第一内涵模态分量imf
l
分解得到的第二内涵模态分量序列。
[0119]
步骤b3，将第一内涵模态分量序列中所有第二内涵模态分量序列进行拼接，得到不同时间点对应的张量数据，以及，根据各时间点对应的张量数据，得到高阶张量序列。
[0120]
在一种实现方式中，将第二内涵模态分量序列seq
′
l
中的各第二内涵模态分量imf
′
p
拼接以构建矩阵。再将k代表的时间点对应的重构数据中，各第一内涵模态分量imf
l
对应的矩阵进行拼接，得到k代表的时间点对应的三阶张量。根据各时间点对应的三阶张量，得到高阶张量序列。
[0121]
示例性地，矩阵mq可以表示为：
[0122]mq
＝splice(imf
′1,imf
′2,
…
,imf
′n)(q∈{1,2,
…
,m})；
[0123]
k代表的时间点对应的张量数据χk可以表示为：
[0124]
χk＝splice(m1,m2,
…
,mm)(k∈{1,2,
…
,t})；
[0125]
高阶张量序列ts可以表示为：
[0126]
ts＝{χ1,χ2,
…
,χ
t
}；
[0127]
其中，splice()为向量或矩阵的拼接操作。
[0128]
本技术实施例通过采用集合经验模态方法，拓展重构数据的维度，得到高阶张量序列，以根据高维角度更精确地挖掘特征之间的内在相互关系。
[0129]
在一个实施例中，分别对各张量数据进行张量分解后预测，得到目标张量序列，目标张量序列包括不同时间点对应的目标张量，包括：
[0130]
步骤c1，针对任一时间点，对时间点对应的张量数据进行张量分解，得到各时间点对应的因子张量序列。
[0131]
其中，因子张量序列包括多个由张量数据进行张量分解的因子张量。
[0132]
在一种实现方式中，采用cp分解(canonical polyadic decomposition，cpd)将张量数据分解为因子张量序列，即：
[0133]
ftsk＝cp(χk)；
[0134][0135]
ftsk＝[ft1,ft2,
…
,ftr],k∈{1,2,
…
,t}；
[0136]
其中，ftr为将张量数据χk分解所得的因子张量序列ftsk中的因子张量，r为χk的张量秩，r∈{1,2,
…
,r}。
[0137]
步骤c2，结合每个时间点对应的第一预测模型和因子张量序列，预测各时间点对应的目标张量，得到目标张量序列。
[0138]
其中，第一预测模型为根据因子张量序列中因子张量的对应关系训练后得到。
[0139]
在一种实现方式中，第一预测模型可以采用以下方式得到：获取张量化模型，该张量化模型包括差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average，sarima)；根据预设的第一时间步长，确定因子张量序列中因子张量的对应关系，并将对应关系输入至张量化模型中进行训练，得到第一预测模型。
[0140]
示例性地，设因子张量序列ftsk＝[ft1,ft2,
…
,ftr]，确定预设的第一时间步长为3，则可以将[ft1,ft2,ft3]与ft4的对应关系，[ft2,ft3,ft4]与ft5的对应关系，
…
，[ft
r-3
,ft
r-2
,ft
r-1
]与ftr的对应关系，输入至张量化模型中进行训练，得到第一预测模型。再结合
因子张量[ft
r-2
,ft
r-1
,ftr]和第一预测模型，即将[ft
r-2
,ft
r-1
,ftr]输入至第一预测模型中，预测目标张量。
[0141]
需要说明的是，各时间点对应的目标张量是单独预测的。图4为一个实施例中得到目标张量序列的流程示意图，如图4所示，高阶张量序列通过cp分解后得到因子张量序列，第1个时间点对应的第一预测模型是采用第1个时间点对应的因子张量序列训练后得到的，再结合第1个时间点对应的第一预测模型和第1个时间点对应的因子张量序列预测第1个时间点对应的目标张量；第2个时间点对应的第一预测模型是采用第2个时间点对应的因子张量序列训练后得到的，再结合第2个时间点对应的第一预测模型和第2个时间点对应的因子张量序列，预测第2个时间点对应的目标张量。
[0142]
本技术实施例的目标张量序列可以表示为：
[0143]
ψ
t
＝[χ
′1,χ
′2,
…
,χ
′
t
]；
[0144]
其中，χ
′k为基于张量数据χk分解并预测得到的目标张量，t是历史时间步数。
[0145]
本技术实施例通过将高阶张量序列中的张量数据进行张量分解，得到多个因子张量，再预测获得目标张量，由于预测所得的目标张量更精确挖掘了该时间点的各规格电网设备材料代价值与影响指标间的关系，且目标张量相比张量数据更易于进行时序预测模型的训练，故提高了后续时序预测的精准度。
[0146]
在一个实施例中，根据目标张量序列中的目标张量，预测电网设备材料的代价值，包括：
[0147]
步骤d1，将训练样本输入预设的预测模型中进行训练，得到第二预测模型。
[0148]
其中，训练样本包括目标张量序列中不同时间点的目标张量之间的对应关系。
[0149]
在一种实现方式中，第二预测模型可以采用以下方式得到：获取预设的预测模型，预设的预测模型可以为张量化模型，该张量化模型包括差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)和季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average，sarima)；根据预设的第二时间步长，确定目标张量序列中不同时间点的目标张量之间的对应关系，并将表示该对应关系的训练样本输入至预设的预测模型中进行训练，得到第二预测模型。
[0150]
示例性地，设目标张量序列ψ
t
＝[χ
′1,χ
′2,
…
,χ
′
t
]，确定预设的第二时间步长为3，则可以将第1个时间点、第2个时间点、第3个时间点的目标张量[χ
′1,χ
′2,χ
′3]与第4个时间点的目标张量χ
′4的对应关系，第2个时间点、第3个时间点、第4个时间点的目标张量[χ
′2,χ
′3,χ
′4]与第5个时间点的目标张量χ
′5的对应关系，
…
，第t-3个时间点、第t-2个时间点、第t-1个时间点的目标张量[χ
′
t-3
,χ
′
t-2
,χ
′
t-1
]与第t个时间点的目标张量χ
′
t
的对应关系，输入至张量化模型中进行训练，得到第二预测模型。
[0151]
步骤d2，结合目标张量序列中的目标张量和第二预测模型，得到预测张量。
[0152]
其中，根据预设的第二时间步长，将目标张量序列中与第二时间步长相应的目标张量输入第二预测模型中，得到预测张量。
[0153]
示例性地，设目标张量序列ψ
t
＝[χ
′1,χ
′2,
…
,χ
′
t
]，确定预设的第二时间步长为3，可以将[χ
′
t-2
,χ
′
t-1
,χ
′
t
]输入至第二预测模型中，预测得到预测张量。
[0154]
步骤d3，将预测张量投影为多条预测结果序列，并对多条预测结果序列进行逆重
组整合，得到电网设备材料的代价值。
[0155]
其中，将预测张量投影为多条预测结果序列rs，并对多条预测结果序列rs进行逆重组整合，得到各电网设备材料的预测结果向量vecu，则有：
[0156]
vecu＝[val1,val2,
…
,valu]；
[0157]
其中，valw是电网设备材料代价值的预测值，u为电网设备材料的规格总数，w∈{1,2,
…
,u}。
[0158]
本技术实施例通过将包括目标张量序列中不同时间点的目标张量之间的对应关系的训练样本输入预设的预测模型中进行训练，得到第二预测模型，结合目标张量序列中的目标张量和第二预测模型，得到预测张量，将预测张量投影为多条预测结果序列，并对多条预测结果序列进行逆重组整合，得到电网设备材料的代价值，目标张量精确挖掘了对应时间点的电网设备材料代价值与影响指标间的关系，相比初始数据和张量数据更易于对预测模型进行训练，通过训练得到的第二预测模型来预测未来时间点的对应结果，再投影后逆重组，提高了对电网设备材料代价值预测的精准度。
[0159]
在一个实施例中，如图5所示，在分别对各张量数据进行张量分解后预测，得到目标张量序列之后，还包括：对目标张量序列进行张量过滤，以更新该目标张量序列。
[0160]
其中，目标张量序列中的少部分目标张量可能与其他目标张量差异较大，为去除差异化，降低噪声，本技术实施例通过张量过滤进一步提高利用目标张量序列预测的精准度。
[0161]
在一种实现方式中，采用集合经验模态分解(eemd)对重构数据的维度进行拓展，得到高阶张量序列，该高阶张量序列包括各时间点对应的张量数据。分别对各张量数据进行张量分解后预测，得到目标张量序列。由于采用eemd分解，所以目标张量序列ψ
t
中的各目标张量χ
′k维度相同，故将χ
′k(k∈{1,2,
…
,t})在拼接矩阵时所新增的维度进行矩阵切片；对χ
′k(k∈{1,2,
…
,t})以切片矩阵为单位计算矩阵中所有元素的均值e
k,l
(l∈{1,2,
…
,m})；再计算χ
′k(k∈{1,2,
…
,t})同一位置的切片矩阵的总均值e
l
(l∈{1,2,
…
,m}))；设置误差阈值若e
k,l
(k∈{1,2,
…
,t},l∈{1,2,
…
,m})与e
l
的百分比误差超过则countk(k∈{1,2,
…
,t})加一；设置阈值若countk大于则淘汰χ
′k，可以表示为：
[0162][0163][0164][0165]
其中，m为采用集合经验模态(eemd)方法由分解得到的第一内涵模态分量个数，t为历史时间步数，χ
′0代表该目标张量。
[0166]
将目标张量序列中的目标张量按上述过程进行过滤，更新目标张量序列，可以表示为：
[0167]
ψu＝tensor filter(χ
′k)k∈{1,2,
…
,t}；
[0168]
ψu＝[χ
′1,χ
′2,
…
,χ
′u]；
[0169]
其中，ψu为更新后的目标张量序列，u为更新后的目标张量序列中目标张量的个数，且uat。
[0170]
在一种实现方式中，在对目标张量序列进行张量过滤后，可以采用线性插值法来填充被过滤的目标张量，得到更新后的目标张量序列。
[0171]
本技术实施例通过对目标张量序列进行张量过滤，去除差异化，降低噪声，进一步提高利用目标张量序列对后续电网设备材料代价值预测的精准度。
[0172]
在一个实施例中，如图6所示，提供了一种电网设备材料代价预测方法，该电网设备材料代价预测方法包括：
[0173]
步骤602，确定拟预测的电网设备材料类型，获取该类型电网设备材料的初始数据。
[0174]
其中，初始数据包括初始代价值序列和初始影响指标序列，初始代价值序列包括该类型电网设备材料下不同规格的代价值时序数据，初始影响指标序列包括代价值的影响指标的时序数据。
[0175]
步骤604，确定初始数据中各子序列的模糊熵，根据各子序列的模糊熵对初始数据进行特征重构，得到重构数据。
[0176]
其中，对各子序列的模糊熵分别进行归一化处理，根据各归一化结果，得到具有相似特征的子序列，将具有相似特征的子序列重组整合，得到重构数据。
[0177]
步骤606，对重构数据应用张量生成算法，增加重构数据的数据维度，以获取高阶张量序列。
[0178]
其中，可以采用集合经验模态方法对重构数据中各时间点对应的重构数据分解，从而得到不同历史时间点对应的张量数据。
[0179]
步骤608，分别对各张量数据进行张量分解后得到因子张量序列，并根据因子张量序列预测各时间点对应的目标张量，以获取目标张量序列。
[0180]
其中，根据因子张量序列中因子张量的对应关系训练得到第一预测模型，结合每个时间点对应的第一预测模型和因子张量序列，预测各时间点对应的目标张量，得到目标张量序列。
[0181]
步骤610，对目标张量序列中目标张量进行张量过滤，并采用线性插值法来填充被过滤的目标张量，以更新目标张量序列。
[0182]
步骤612，利用目标张量序列，预测电网设备材料的代价值。
[0183]
其中，将训练样本输入预设的预测模型中进行训练，得到第二预测模型，该训练样本包括目标张量序列中不同时间点的目标张量之间的对应关系；结合目标张量序列中的目标张量和第二预测模型，得到预测张量；将预测张量投影为多条预测结果序列，并对多条预测结果序列进行逆重组整合，得到电网设备材料的代价值。
[0184]
本技术实施例通过特征重构、时序数据张量化、张量分解、构建第一预测模型以及构建第二预测模型，从多个时间序列中挖掘序列间的内在关系，在多时序场景下更准确地预测电网设备材料代价值。
[0185]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头
的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0186]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电网设备材料代价预测方法的电网设备材料代价预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电网设备材料代价预测装置实施例中的具体限定可以参见上文中对于电网设备材料代价预测方法的限定，在此不再赘述。
[0187]
在一个实施例中，如图7所示，提供了一种电网设备材料代价预测装置，包括：获取模块702、特征重构模块704和预测模块706，其中：
[0188]
获取模块702，用于获取电网设备材料的初始数据，初始数据包括初始代价值序列和初始影响指标序列。
[0189]
特征重构模块704，用于确定初始数据中具有相似特征的子序列，并将具有相似特征的子序列重构，得到重构数据。
[0190]
预测模块706，用于根据重构数据，预测电网设备材料的代价值。
[0191]
在一个实施例中，该特征重构模块704，用于：确定初始数据中各子序列的模糊熵；对各子序列的模糊熵分别进行归一化处理，得到各子序列的归一化结果；根据各归一化结果，得到具有相似特征的子序列；将具有相似特征的子序列重组，得到重构数据。
[0192]
在一个实施例中，该预测模块706，用于：拓展重构数据的维度，得到高阶张量序列，高阶张量序列包括根据时间点确定的张量数据；分别对各张量数据进行张量分解后预测，得到目标张量序列，目标张量序列包括不同时间点对应的目标张量；根据目标张量序列中的目标张量，预测电网设备材料的代价值。
[0193]
在一个实施例中，该预测模块706，用于：采用集合经验模态方法，分别将重构数据中各时间点对应的重构数据分解，得到不同时间点对应的第一内涵模态分量序列；采用集合经验模态方法，分别将第一内涵模态分量序列中各第一内涵模态分量分解，得到不同第一内涵模态分量对应的第二内涵模态分量序列；将第一内涵模态分量序列中所有第二内涵模态分量序列进行拼接，得到不同历史时间点对应的张量数据；根据各历史时间点对应的张量数据，得到高阶张量序列。
[0194]
在一个实施例中，该预测模块706，用于：针对任一时间点，对时间点对应的张量数据进行张量分解，得到各时间点对应的因子张量序列；结合每个时间点对应的第一预测模型和因子张量序列，预测各时间点对应的目标张量，得到目标张量序列；其中，第一预测模型根据因子张量序列中因子张量的对应关系训练后得到。
[0195]
在一个实施例中，该预测模块706，用于：将训练样本输入预设的预测模型中进行训练，得到第二预测模型，训练样本包括目标张量序列中不同时间点的目标张量之间的对应关系；结合目标张量序列中的目标张量和第二预测模型，得到预测张量；将预测张量投影为多条预测结果序列，并对多条预测结果序列进行逆重组整合，得到电网设备材料的代价
access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0204]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0205]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种电网设备材料代价预测方法，其特征在于，所述方法包括：获取电网设备材料的初始数据，所述初始数据包括初始代价值序列和初始影响指标序列；确定所述初始数据中具有相似特征的子序列，并将所述具有相似特征的子序列重构，得到重构数据；根据所述重构数据，预测电网设备材料的代价值。2.根据权利要求1所述的方法，其特征在于，确定所述初始数据中具有相似特征的子序列，并将所述具有相似特征的子序列重构，得到重构数据，包括：确定所述初始数据中各子序列的模糊熵；对所述各子序列的模糊熵分别进行归一化处理，得到各所述子序列的归一化结果；根据各所述归一化结果，得到具有相似特征的子序列；将所述具有相似特征的子序列重组，得到重构数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述重构数据，预测电网设备材料的代价值，包括：拓展所述重构数据的维度，得到高阶张量序列，所述高阶张量序列包括根据时间点确定的张量数据；分别对各所述张量数据进行张量分解后预测，得到目标张量序列，所述目标张量序列包括不同时间点对应的目标张量；根据所述目标张量序列中的所述目标张量，预测电网设备材料的代价值。4.根据权利要求3所述的方法，其特征在于，所述拓展所述重构数据的维度，得到高阶张量序列，包括：采用集合经验模态方法，分别将所述重构数据中各时间点对应的重构数据分解，得到不同时间点对应的第一内涵模态分量序列；采用集合经验模态方法，分别将所述第一内涵模态分量序列中各第一内涵模态分量分解，得到不同第一内涵模态分量对应的第二内涵模态分量序列；将所述第一内涵模态分量序列中所有第二内涵模态分量序列进行拼接，得到不同历史时间点对应的张量数据；根据各历史时间点对应的张量数据，得到高阶张量序列。5.根据权利要求3所述的方法，其特征在于，所述分别对各所述张量数据进行张量分解后预测，得到目标张量序列，包括：针对任一时间点，对所述时间点对应的张量数据进行张量分解，得到各所述时间点对应的因子张量序列；结合每个所述时间点对应的第一预测模型和因子张量序列，预测各时间点对应的目标张量，得到目标张量序列；其中，所述第一预测模型根据所述因子张量序列中因子张量的对应关系训练后得到。6.根据权利要求3所述的方法，其特征在于，所述根据所述目标张量序列中的所述目标张量，预测电网设备材料的代价值，包括：将训练样本输入预设的预测模型中进行训练，得到第二预测模型，所述训练样本包括所述目标张量序列中不同时间点的目标张量之间的对应关系；
结合所述目标张量序列中的目标张量和所述第二预测模型，得到预测张量；将所述预测张量投影为多条预测结果序列，并对所述多条预测结果序列进行逆重组整合，得到电网设备材料的代价值。7.一种电网设备材料代价预测装置，其特征在于，所述装置包括：获取模块，用于获取电网设备材料的初始数据，所述初始数据包括初始代价值序列和初始影响指标序列；特征重构模块，用于确定所述初始数据中具有相似特征的子序列，并将所述具有相似特征的子序列重构，得到重构数据；预测模块，用于根据所述重构数据，预测电网设备材料的代价值。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种电网设备材料代价预测方法、装置、设备、介质和产品。所述方法包括：获取电网设备材料的初始数据，所述初始数据包括初始代价值序列和初始影响指标序列；确定所述初始数据中具有相似特征的子序列，并将所述具有相似特征的子序列重构，得到重构数据；根据所述重构数据，预测电网设备材料的代价值。采用本方法能够挖掘电网设备材料的代价值时序数据之间、影响指标时序数据之间以及代价值时序数据和影响指标时序数据之间的内在相互关系，将具有相似特征的子序列重构，避免特征类似的子序列所包含的类似特征被多次引入到后续的时序预测中，从而提高电网设备材料代价值的预测效率，并完善电网设备材料代价值预测时的特征提取能力。征提取能力。征提取能力。


技术研发人员：张继钢 吴良峥 万正东 余泽远 陈雯 乔慧婷 黄琰
受保护的技术使用者：南方电网能源发展研究院有限责任公司
技术研发日：2023.04.19
技术公布日：2023/7/25