一种煤炭供需形势预警方法及系统与流程

1.本发明涉及能源供应及需求管理技术领域，尤其涉及一种煤炭供需形势预警方法及系统。


背景技术：

2.煤炭是我国的基础能源，其主体地位在未来相当一段时期内不会改变。目前，煤炭行业处于结构调整和新旧动能转换的关键时期。受供应侧、需求侧多方面因素的影响，区域性、时段性紧张问题时有发生。如果煤炭产能无序变化，极易引起煤炭市场大幅波动，不利于上下游产业的稳定发展和国民经济的平稳运行。
3.我国煤电发展政策明确提出实施煤电规划建设风险预警的要求，并给出具体核算方法及预警结果，目的是增强电力、热力供应保障能力，更好指导地方和发电企业按需有序核准、建设省内自用煤电项目。但是目前的煤电风险预警不能在电力供需形势、煤价、电价等关键条件发生较大变化或者相关重大政策出台后，及时更新风险预警结果，且预测准确度低。


技术实现要素：

4.本发明提供了一种煤炭供需形势预警方法及系统，通过梯度提升分类算法自主识别煤炭供需预警级别以及挖掘影响煤炭供需形势变化的重要指标，有效提高了煤炭供需预测准确度及预测效率。
5.本发明实施例的第一方面提供了一种煤炭供需形势预警方法，所述方法包括：
6.获取历史煤炭供需数据，历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数；
7.将历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，其中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。
8.实施本实施例，获取历史煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数等历史煤炭供需数据后，将历史煤炭供需数据输入根据对基于梯度提升算法的决策树分类模型进行构建得到的煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使所述调度中心根据所述煤炭供需预警结果对煤炭资源进行调度，通过梯度提升分类算法自主识别煤炭供需预警级别，有效提高了煤炭供需预测准确度及预测效率。
9.在第一方面的一种可能的实现方式中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到，具体为：
10.获取历史煤炭供需数据，并根据所述历史煤炭供需数据构建数据特征集，其中，所述数据特征集包括训练数据和测试数据；
11.根据所述数据特征集确定预警界限值，利用所述数据特征集对基于梯度提升算法
的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算所述初始煤炭供需形势预警模型中各个预警指标的贡献度，根据所述预警指标的贡献度对所述预警指标进行排序，得到排序结果，根据所述排序结果对所述数据特征集进行更新，得到更新后的数据特征集，并利用所述更新后的数据特征集对所述初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算所述训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到所述更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。
12.实施本实施例，获取历史煤炭供需数据，并根据历史煤炭供需数据构建数据特征集，根据数据特征集确定预警界限值，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，根据预警指标的贡献度对预警指标进行排序，得到排序结果，根据排序结果对数据特征集进行更新，得到更新后的数据特征集，并利用更新后的数据特征集对初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。本方法通过历史煤炭供需数据，结合区域实时用能情况训练得到煤炭供需形势预警模型，挖掘影响煤炭供需形势变化的重要指标，并在实践中不断优化预测模型，提高了煤炭预测准确度，实现了及时发布煤炭供需预警信息。
13.在第一方面的一种可能的实现方式中，获取历史煤炭供需数据，具体为：
14.获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；
15.根据煤炭生产总量计算得到煤炭供应总量，根据所述电煤库存和所述煤炭消费总量得到煤炭可用天数；
16.在第一方面的一种可能的实现方式中，根据数据特征集确定预警界限值，具体为：
17.选取煤炭价格、电煤库存和煤炭可用天数作为预警指标；
18.利用pso算法对煤炭价格、电煤库存和煤炭可用天数进行计算，得到煤炭价格、电煤库存和煤炭可用天数的预警界限值。
19.在第一方面的一种可能的实现方式中，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，具体为：
20.将训练数据输入基于梯度提升算法的决策树分类模型中，构建初始化弱分类模型，其中，初始化弱分类模型为：
[0021][0022]
其中，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别，f0(x)为初始化弱分类模型；
[0023]
根据预设训练决策树和拟合残差加权系数对初始化弱分类模型进行多次迭代训练后，得到多个预警模型，其中，预警模型为：
[0024]fm
(x)＝f
m-1
(x)+γ
mhm
(x)
[0025]
其中，fm(x)为预警模型，f
m-1
(x)为上一步骤得到的预警模型，γm为拟合残差加权
系数，xi为第i个训练数据的行为特征，yi为第i个训练数据的类别标签，hm(x)为预设训练决策树；
[0026]
将测试数据输入各个预警模型进行计算，得到各个预警模块对应的实际预警结果；
[0027]
根据实际预警结果和预设预警结果，计算各个预警模型的评价指标，选取评价指标最高的预警模型为初始煤炭供需形势预警模型，其中，评价指标包括准确度、精确度、召回率和f1值。
[0028]
在第一方面的一种可能的实现方式中，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，具体为：
[0029]
分别计算各个预警指标在决策树节点的重要性，其中，具体计算公式为：
[0030]
vim
j,m
＝gini
m-gini
l-ginir[0031]
其中，ginim为分枝前结点m的基尼系数，gini
l
和ginir分别为分枝后左、右两个新结点的基尼系数，vim
j,m
为预警指标j在决策树结点的重要性；
[0032]
根据各个预警指标在决策树节点的重要性以及各个预警指标的决策树节点数量进行计算，分别得到各个预警指标在决策树中的重要性，其中，重要性计算公式为：
[0033][0034]
其中，vim
i,j
为预警指标j在第i决策树中的重要性，vim
i,m
为预警指标j在决策树结点的重要性；
[0035][0036]
其中，vimj为预警指标j在决策树中的重要性，vim
i,j
为预警指标j在第i决策树中的重要性；
[0037]
对各个预警指标在决策树中的重要性分别进行归一化处理，得到各个预警指标的贡献度，其中，归一化处理公式为：
[0038][0039]
其中，vimj为预警指标j在决策树中的重要性，n为决策树数量。
[0040]
本发明实施例的第二方面提供了一种煤炭供需形势预警系统，所述系统包括：
[0041]
获取模块，用于获取历史煤炭供需数据，历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数；
[0042]
预警结果模块，用于将历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，其中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。
[0043]
在第二方面的一种可能的实现方式中，预警结果模块包括数据构建单元和训练单元，
[0044]
其中，数据构建单元用于获取历史煤炭供需数据，并根据历史煤炭供需数据构建数据特征集，其中，数据特征集包括训练数据和测试数据；
[0045]
训练单元用于根据数据特征集确定预警界限值，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，根据预警指标的贡献度对预警指标进行排序，得到排序结果，根据排序结果对数据特征集进行更新，得到更新后的数据特征集，并利用更新后的数据特征集对初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。
[0046]
在第二方面的一种可能的实现方式中，数据构建单元包括数据获取子单元和计算子单元，
[0047]
数据获取子单元用于获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；
[0048]
计算子单元用于根据煤炭生产总量计算得到煤炭供应总量，根据电煤库存和煤炭消费总量得到煤炭可用天数。
[0049]
在第二方面的一种可能的实现方式中，训练单元包括预警指标子单元和预警界限值子单元，
[0050]
其中，预警指标子单元用于选取煤炭价格、电煤库存和煤炭可用天数作为预警指标；
[0051]
预警界限值子单元用于利用pso算法对煤炭价格、电煤库存和煤炭可用天数进行计算，得到煤炭价格、电煤库存和煤炭可用天数的预警界限值。
[0052]
实施本实施例，获取历史煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数等历史煤炭供需数据后，将历史煤炭供需数据输入根据对基于梯度提升算法的决策树分类模型进行构建得到的煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，通过梯度提升分类算法自主识别煤炭供需预警级别，有效提高了煤炭供需预测准确度及预测效率。
附图说明
[0053]
图1：为本发明提供的煤炭供需形势预警方法的一种实施例的流程示意图；
[0054]
图2：为本发明提供的煤炭供需形势预警方法的一种实施例的预警结果示意图；
[0055]
图3：为本发明提供的煤炭供需形势预警方法的另一种实施例的系统结构示意图。
具体实施方式
[0056]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
请参照图1，图1是本发明提供的煤炭供需形势预警方法的一种实施例的流程示意图，包括步骤s11～s12。各步骤具体如下：
[0058]
s11、获取历史煤炭供需数据，历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数。
[0059]
在优选的实施例当中，获取历史煤炭供需数据，具体为：
[0060]
获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；
[0061]
根据煤炭生产总量计算得到煤炭供应总量，根据电煤库存和煤炭消费总量得到煤炭可用天数。
[0062]
在本实施例中，获取t时期内煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存，根据煤炭生产总量计算得到煤炭供应总量，根据电煤库存和煤炭消费总量得到煤炭可用天数。
[0063]
s12、将历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，其中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。
[0064]
在本实施例中，将历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，其中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。
[0065]
在优选的实施例当中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到，具体为：
[0066]
获取历史煤炭供需数据，并根据历史煤炭供需数据构建数据特征集，其中，数据特征集包括训练数据和测试数据；
[0067]
根据数据特征集确定预警界限值，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，根据预警指标的贡献度对预警指标进行排序，得到排序结果，根据排序结果对数据特征集进行更新，得到更新后的数据特征集，并利用更新后的数据特征集对初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。
[0068]
在优选的实施例当中，根据数据特征集确定预警界限值，具体为：
[0069]
选取煤炭价格、电煤库存和煤炭可用天数作为预警指标；
[0070]
利用pso算法对煤炭价格、电煤库存和煤炭可用天数进行计算，得到煤炭价格、电煤库存和煤炭可用天数的预警界限值。
[0071]
在本实施例中，将历史煤炭供需数据构建数据特征集分为训练数据和测试数据，首先利用数据特征集构建煤炭供需形式预警机制，由预警指标(条件)和预警级别(结果)组成。结合实际情况，选择煤炭价格、电煤库存和可用天数3个指标作为煤炭预警的主要指标。利用pso算法对预警警度界限值进行优化，pso在参数选取、收敛速度等方面具有一定的优势。该算法源于对鸟群捕食行为的研究。基本思想是通过群体中个体之间的信息传递及信息共享来寻找最优解。其算法如下所示：
[0072]vij
(t+1)＝ωv
ij
(t)+c1r
1j
(t)(p
ij-x
ij
(t))+c2r
2j
(t)(p
ij
(t)-x
ij
(t))
[0073]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0074]
其中，i表示第i个粒子，i＝1,2,...,m，m是该群体中粒子的总数，j表示微粒的第j维，即算法所优化的第j个参数，ω为惯性权重因子，t表示此时优化的代数，v
ij
(t)表示t时刻粒子i在j维的空间速度，c1和c2为加速因子，通常选取c1＝c2＝2，r
1j
(t)和r
2j
(t)，为2个[0～1]之间变化的相对独立的随机函数，p
ij
(t)为粒子i的历史最优解的j维值，即单个粒子i在所优化的第j个参数中的历史最优解，p
ij
(t)＝min{p
ij
(t)}是所有粒子在t时刻的历史最好解的j维值，即所有粒子在所优化的第j个参数中的历史最优解，x
ij
(t)为t时刻粒子i在j维空间的位置。
[0075]
需要说明的是，ω为惯性权重因子，其值非负，值的大小影响整体寻优能力，为了避免出现早熟收敛，保证其收敛到全局最优，一般采用权值ω在最大值ωmax与最小值ωmin之间线性递减变化的方法，通常选取ωmax＝0.9，ωmin＝0.4。
[0076]
每一次迭代过程中，每个粒子都需要根据目标函数来计算其适应值大小，目标函数可以是均方误差、方差、标准差等。然后根据适应值来确定当前粒子最优位置p
ij
(t)及群体最优位置p
ij
(t)，根据式(3)和(4)调整各个粒子的速度及位置，结束条件为迭代次数达到设定值kmax或者群体迄今为止搜索到的最优位置满足预设最小适应值。
[0077]
预警警度原始界限值如表1所示：
[0078]
表1煤炭供需预警警度原始划分标准
[0079][0080]
其中，ew
t
为基于t时期煤炭供需形势得出的预警级别，pc
t
为煤炭价格，s
t
为电煤库存，d
t
为可用天数。
[0081]
在优选的实施例当中，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，具体为：
[0082]
将训练数据输入基于梯度提升算法的决策树分类模型中，构建初始化弱分类模型，其中，初始化弱分类模型为：
[0083][0084]
其中，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别，f0(x)为初始化弱分类模型；
[0085]
根据预设训练决策树和拟合残差加权系数对初始化弱分类模型进行多次迭代训练后，得到多个预警模型，其中，预警模型为：
[0086]fm
(x)＝f
m-1
(x)+γ
mhm
(x)
[0087]
其中，fm(x)为预警模型，f
m-1
(x)为上一步骤得到的预警模型，γm为拟合残差加权系数，xi为第i个训练数据的行为特征，yi为第i个训练数据的类别标签，hm(x)为预设训练决策树；
[0088]
将测试数据输入各个预警模型进行计算，得到各个预警模块对应的实际预警结
果；
[0089]
根据实际预警结果和预设预警结果，计算各个预警模型的评价指标，选取评价指标最高的预警模型为初始煤炭供需形势预警模型，其中，评价指标包括准确度、精确度、召回率和f1值。
[0090]
在本实施例中，将特征数据集随机分所述特征数据集随机分成训练集(占比75％)和测试集(占比25％)，利用训练集在调度中心云平台训练基于梯度提升算法的决策树分类模型，然后将测试集数据带入该分类模型，计算分类模型评价指标，包括准确度、精确度、召回率和f1值。对比不同迭代次数下分类模型的评价指标，选择表现最佳者作为最终预警模型，训练基于梯度提升算法的决策树分类模型的步骤为：
[0091]
第一步：构建初始模型。根据训练样本集、损失函数以及决策类别，得到的初始化弱分类模型为：
[0092][0093]
其中，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别，f0(x)为初始化弱分类模型，{(xi,yi)}n，i＝1,2,
…
,n，xi为第i个样本的行为特征，yi为第i个样本的类别标签，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别。
[0094]
第二步：循环迭代过程，迭代次数m为弱分类模型的数量，记第m次迭代模型为fm(x)，对于m＝1,2,
…
,n，执行以下操作：
[0095]
对于i＝1,2,
…
,n，计算损失函数l的负梯度为：
[0096][0097]
拟合残差的加权系数γm，训练决策树hm(x)，其中：
[0098][0099]
由hm(x)和γm得到第m次迭代后得到的模型为：
[0100]fm
(x)＝f
m-1
(x)+γ
mhm
(x)
[0101]
经过m次迭代后，得到最终强分类模型fm(x)，即为预警模型，进行不同迭代次数下，得到不同的预警模型，将测试数据输入各个预警模型进行计算，得到各个预警模块对应的实际预警结果，如图2所示，即为预警模型是基于预警指标输出预警级别，调度中心通过控制预警指示灯的颜色来发布预警指令，其中：红色对应“h”，表示供应紧张；黄色对应“m”，表示注意，白色对应“l”，表示稳定安全。
[0102]
根据实际预警结果和预设预警结果，计算各个预警模型的评价指标，选取评价指标最高的预警模型为初始煤炭供需形势预警模型，其中，所述评价指标包括准确度、精确度、召回率和f1值。
[0103]
各个分类模型评价指标的计算步骤如下：
[0104]
假设对于二分类问题，有以下四种情况：
[0105]
(1)预测为正，实际为正，为真正类(true positive，tp)；
[0106]
(2)预测为正，实际为负，为假正类(false positive，fp)；
[0107]
(3)预测为负，实际为负，为真负类(true negative，tn)；
[0108]
(4)预测为负，实际为正，为假负类(false negative，fn)。
[0109]
准确度的计算公式为：
[0110][0111]
其中，tp为真正类，tn为真负类，fp为假正类，fn为假负类。
[0112]
精确度的计算公式为：
[0113][0114]
其中，tp为真正类，fp为假正类。
[0115]
召回率的计算公式为：
[0116][0117]
其中，tp为真正类，fn为假负类。
[0118]
f1值的计算公式为：
[0119][0120]
除准确度外，f1值为(f1-score)是分类问题的又一个衡量指标，它是精确率和召回率的调和平均数，最大为1，最小为0。对于保守估计倾向于选择准确度为评价指标、而对于激进估计则倾向于选择f1值为评价指标。
[0121]
在优选的实施例当中，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，具体为：
[0122]
分别计算各个预警指标在决策树节点的重要性，其中，具体计算公式为：
[0123]
vim
j,m
＝gini
m-gini
l-ginir[0124]
其中，ginim为分枝前结点m的基尼系数，gini
l
和ginir分别为分枝后左、右两个新结点的基尼系数，vim
j,m
为预警指标j在决策树结点的重要性；
[0125]
根据各个预警指标在决策树节点的重要性以及各个预警指标的决策树节点数量进行计算，分别得到各个预警指标在决策树中的重要性，其中，重要性计算公式为：
[0126][0127]
其中，vim
i,j
为预警指标j在第i决策树中的重要性，vim
j,m
为预警指标j在决策树结点的重要性；
[0128][0129]
其中，vimj为预警指标j在决策树中的重要性，vim
i,j
为预警指标j在第i决策树中的重要性；
[0130]
对各个预警指标在决策树中的重要性分别进行归一化处理，得到各个预警指标的贡献度，其中，归一化处理公式为：
[0131][0132]
其中，vimj为预警指标j在决策树中的重要性，n为决策树数量。
[0133]
在本实施例中，计算预警模型中各预警指标的贡献度，并对模型作进一步优化，所述贡献度的计算方式如下：
[0134]
若有n个预警指标a1,a2,...,an，计算指标aj在决策树结点m处的重要性vim
j,m
，即结点m分枝前后的基尼系数变化量为：
[0135]
vim
j,m
＝gini
m-gini
l-ginir[0136]
其中，ginim为分枝前结点m的基尼系数，gini
l
和ginir分别为分枝后左、右两个新结点的基尼系数。
[0137]
若分类模型中共有t棵决策树，则特征aj在第i棵决策树中出现的结点为集合m，那么特征aj在第i决策树中的重要性为：
[0138]
vim
i,j
＝∑
m∈m
vim
j,m
[0139]
则特征aj在树模型中的重要性为：
[0140][0141]
最后，进行归一化处理：
[0142][0143]
依据贡献度计算结果对各预警指标在该预警模型中的重要性程度进行排序，可以进一步清洗特征数据集，迭代训练分类模型。当预警指标的重要性顺序不再发生变化时，该预警模型构建完成，得到最终的煤炭供需形势预警模型。
[0144]
本发明通过获取历史煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数等历史煤炭供需数据后，将历史煤炭供需数据输入根据对基于梯度提升算法的决策树分类模型进行构建得到的煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使所述调度中心根据所述煤炭供需预警结果对煤炭资源进行调度，通过梯度提升分类算法自主识别煤炭供需预警级别，有效提高了煤炭供需预测准确度及预测效率。
[0145]
实施例二
[0146]
相应地，参见图3，图3为本发明提供的一种煤炭供需形势预警系统，如图所示，该煤炭供需形势预警系统包括：获取模块301，用于获取历史煤炭供需数据，历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数；
[0147]
预警结果模块302，用于将历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，其中，煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。
[0148]
在优选的实施例当中，预警结果模块302包括数据构建单元3021和训练单元3022，
[0149]
其中，数据构建单元3021用于获取历史煤炭供需数据，并根据历史煤炭供需数据构建数据特征集，其中，数据特征集包括训练数据和测试数据；
[0150]
训练单元3022用于根据数据特征集确定预警界限值，利用数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算初始煤炭供需形势预警模型中各个预警指标的贡献度，根据预警指标的贡献度对预警指标进行排序，得到排序结果，根据排序结果对数据特征集进行更新，得到更新后的数据特征集，并利用更新后的数据特征集对初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。
[0151]
在优选的实施例当中，数据构建单元3021包括数据获取子单元30211和计算子单元30212，
[0152]
所述数据获取子单元30211用于获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；
[0153]
所述计算子单元30212用于根据煤炭生产总量计算得到煤炭供应总量，根据所述电煤库存和所述煤炭消费总量得到煤炭可用天数。
[0154]
在优选的实施例当中，训练单元3022包括预警指标子单元30221和预警界限值子单元30222，
[0155]
其中，预警指标子单元30221用于选取煤炭价格、电煤库存和煤炭可用天数作为预警指标；
[0156]
预警界限值子单元30222用于利用pso算法对煤炭价格、电煤库存和煤炭可用天数进行计算，得到煤炭价格、电煤库存和煤炭可用天数的预警界限值。
[0157]
在优选的实施例当中，预警结果模块302还用于将训练数据输入基于梯度提升算法的决策树分类模型中，构建初始化弱分类模型，其中，初始化弱分类模型为：
[0158][0159]
其中，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别，f0(x)为初始化弱分类模型；
[0160]
根据预设训练决策树和拟合残差加权系数对初始化弱分类模型进行多次迭代训练后，得到多个预警模型，其中，预警模型为：
[0161]fm
(x)＝f
m-1
(x)+γ
mhm
(x)
[0162]
其中，fm(x)为预警模型，f
m-1
(x)为上一步骤得到的预警模型，γm为拟合残差加权系数，xi为第i个训练数据的行为特征，yi为第i个训练数据的类别标签，hm(x)为预设训练决策树；
[0163]
将测试数据输入各个预警模型进行计算，得到各个预警模块对应的实际预警结果；
[0164]
根据实际预警结果和预设预警结果，计算各个预警模型的评价指标，选取评价指标最高的预警模型为初始煤炭供需形势预警模型，其中，评价指标包括准确度、精确度、召
回率和f1值。
[0165]
在优选的实施例当中，预警结果模块302还用于分别计算各个预警指标在决策树节点的重要性，其中，具体计算公式为：
[0166]
vim
j,m
＝gini
m-gini
l-ginir[0167]
其中，ginim为分枝前结点m的基尼系数，gini
l
和ginir分别为分枝后左、右两个新结点的基尼系数，vim
j,m
为预警指标j在决策树结点的重要性；
[0168]
根据各个预警指标在决策树节点的重要性以及各个预警指标的决策树节点数量进行计算，分别得到各个预警指标在决策树中的重要性，其中，重要性计算公式为：
[0169][0170]
其中，vim
i,j
为预警指标j在第i决策树中的重要性，vim
j,m
为预警指标j在决策树结点的重要性；
[0171][0172]
其中，vimj为预警指标j在决策树中的重要性，vim
i,j
为预警指标j在第i决策树中的重要性；
[0173]
对各个预警指标在决策树中的重要性分别进行归一化处理，得到各个预警指标的贡献度，其中，归一化处理公式为：
[0174][0175]
其中，vimj为预警指标j在决策树中的重要性，n为决策树数量。
[0176]
综上所述，实施本发明的实施例，具有如下有益效果：
[0177]
获取历史煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数等历史煤炭供需数据后，将历史煤炭供需数据输入根据对基于梯度提升算法的决策树分类模型进行构建得到的煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据煤炭供需预警结果对煤炭资源进行调度，通过梯度提升分类算法自主识别煤炭供需预警级别，有效提高了煤炭供需预测准确度及预测效率。
[0178]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种煤炭供需形势预警方法，其特征在于，包括：获取历史煤炭供需数据，所述历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数；将所述历史煤炭供需数据输入煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使调度中心根据所述煤炭供需预警结果对煤炭资源进行调度，其中，所述煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。2.如权利要求1所述的煤炭供需形势预警方法，其特征在于，所述煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到，具体为：获取历史煤炭供需数据，并根据所述历史煤炭供需数据构建数据特征集，其中，所述数据特征集包括训练数据和测试数据；根据所述数据特征集确定预警界限值，利用所述数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算所述初始煤炭供需形势预警模型中各个预警指标的贡献度，根据所述预警指标的贡献度对所述预警指标进行排序，得到排序结果，根据所述排序结果对所述数据特征集进行更新，得到更新后的数据特征集，并利用所述更新后的数据特征集对所述初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算所述训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到所述更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。3.如权利要求1所述的煤炭供需形势预警方法，其特征在于，所述获取历史煤炭供需数据，具体为：获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；根据煤炭生产总量计算得到煤炭供应总量，根据所述电煤库存和所述煤炭消费总量得到煤炭可用天数。4.如权利要求2所述的煤炭供需形势预警方法，其特征在于，所述根据所述数据特征集确定预警界限值，具体为：选取所述煤炭价格、所述电煤库存和所述煤炭可用天数作为预警指标；利用pso算法对所述煤炭价格、所述电煤库存和所述煤炭可用天数进行计算，得到所述煤炭价格、所述电煤库存和所述煤炭可用天数的预警界限值。5.如权利要求2所述的煤炭供需形势预警方法，其特征在于，所述利用所述数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，具体为：将所述训练数据输入基于梯度提升算法的决策树分类模型中，构建初始化弱分类模型，其中，所述初始化弱分类模型为：其中，损失函数为l[y,f(x)]，γ为本次迭代初始化的决策类别，f0(x)为初始化弱分类模型；根据预设训练决策树和拟合残差加权系数对所述初始化弱分类模型进行多次迭代训
练后，得到多个预警模型，其中，所述预警模型为：f
m
(x)＝f
m―1
(x)+γ
m
h
m
(x)其中，f
m
(x)为预警模型，f
m―1
(x)为上一步骤得到的预警模型，γ
m
为拟合残差加权系数，x
i
为第i个训练数据的行为特征，y
i
为第i个训练数据的类别标签，h
m
(x)为预设训练决策树；将所述测试数据输入各个所述预警模型进行计算，得到各个所述预警模型对应的实际预警结果；根据所述实际预警结果和预设预警结果，计算各个所述预警模型的评价指标，选取评价指标最高的所述预警模型为初始煤炭供需形势预警模型，其中，所述评价指标包括准确度、精确度、召回率和f1值。6.如权利要求2所述的煤炭供需形势预警方法，其特征在于，所述计算所述初始煤炭供需形势预警模型中各个预警指标的贡献度，具体为：分别计算各个预警指标在决策树节点的重要性，其中，具体计算公式为：vim
j,m
＝gini
m
―gini
l
―gini
r
其中，gini
m
为分枝前结点m的基尼系数，gini
l
和gini
r
分别为分枝后左、右两个新结点的基尼系数，vim
j,m
为预警指标j在决策树结点的重要性；根据各个所述预警指标在决策树节点的重要性以及各个所述预警指标的决策树节点数量进行计算，分别得到各个所述预警指标在决策树中的重要性，其中，所述重要性计算公式为：其中，vim
i,j
为预警指标j在第i决策树中的重要性，vim
j,m
为预警指标j在决策树结点的重要性；其中，vim
j
为预警指标j在决策树中的重要性，vim
i,j
为预警指标j在第i决策树中的重要性；对各个所述预警指标在决策树中的重要性分别进行归一化处理，得到各个所述预警指标的贡献度，其中，归一化处理公式为：其中，vim
j
为预警指标j在决策树中的重要性，n为决策树数量。7.一种煤炭供需形势预警系统，其特征在于，包括：获取模块，用于获取历史煤炭供需数据，所述历史煤炭供需数据包括煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数；预警结果模块，用于将所述历史煤炭供需数据输入煤炭供需形势预警模型进行计算，
得到煤炭供需预警结果，以使所述调度中心根据所述煤炭供需预警结果对煤炭资源进行调度，其中，所述煤炭供需形势预警模型根据对基于梯度提升算法的决策树分类模型进行构建得到。8.如权利要求7所述的煤炭供需形势预警系统，其特征在于，所述预警结果模块包括数据构建单元和训练单元，其中，所述数据构建单元用于获取历史煤炭供需数据，并根据所述历史煤炭供需数据构建数据特征集，其中，所述数据特征集包括训练数据和测试数据；所述训练单元用于根据所述数据特征集确定预警界限值，利用所述数据特征集对基于梯度提升算法的决策树分类模型进行模型迭代训练，得到初始煤炭供需形势预警模型，计算所述初始煤炭供需形势预警模型中各个预警指标的贡献度，根据所述预警指标的贡献度对所述预警指标进行排序，得到排序结果，根据所述排序结果对所述数据特征集进行更新，得到更新后的数据特征集，并利用所述更新后的数据特征集对所述初始煤炭供需形势预警模型进行训练，得到更新后的初始煤炭供需形势预警模型，并计算所述训练后的煤炭预警模型中各个预警指标的贡献度并进行排序，得到更新后的排序结果，重复此步骤直到所述更新后的排序结果不在变化，则停止迭代训练，得到最终的煤炭供需形势预警模型。9.如权利要求8所述的煤炭供需形势预警系统，其特征在于，所述数据构建单元包括数据获取子单元和计算子单元，所述数据获取子单元用于获取煤炭生产总量、煤炭消费总量、煤炭价格、电煤库存；所述计算子单元用于根据煤炭生产总量计算得到煤炭供应总量，根据所述电煤库存和所述煤炭消费总量得到煤炭可用天数。10.如权利要求8所述的煤炭供需形势预警系统，其特征在于，所述训练单元包括预警指标子单元和预警界限值子单元，其中，所述预警指标子单元用于选取所述煤炭价格、所述电煤库存和所述煤炭可用天数作为预警指标；所述预警界限值子单元用于利用pso算法对所述煤炭价格、所述电煤库存和所述煤炭可用天数进行计算，得到所述煤炭价格、所述电煤库存和所述煤炭可用天数的预警界限值。

技术总结
本发明公开了一种煤炭供需形势预警方法及系统，通过获取历史煤炭生产总量、煤炭消费总量、煤炭供应总量、煤炭价格、电煤库存和煤炭可用天数等历史煤炭供需数据后，将历史煤炭供需数据输入根据对基于梯度提升算法的决策树分类模型进行构建得到的煤炭供需形势预警模型进行计算，得到煤炭供需预警结果，以使所述调度中心根据所述煤炭供需预警结果对煤炭资源进行调度，通过梯度提升分类算法自主识别煤炭供需预警级别，有效提高了煤炭供需预测准确度及预测效率。度及预测效率。度及预测效率。


技术研发人员：龚贤夫 彭勃 李耀东 刘晓光 肖建华 顾延勋 林海生
受保护的技术使用者：广东电网有限责任公司
技术研发日：2023.05.12
技术公布日：2023/8/9