（國(guó)網(wǎng)浙江省電力有限公司，杭州 310007）

0 引言

隨著國(guó)家經(jīng)濟(jì)的快速發(fā)展，電力企業(yè)的建設(shè)能力、創(chuàng)新能力不斷提高，在主配電網(wǎng)建設(shè)等方面取得了優(yōu)異的成果，助力中國(guó)營(yíng)商環(huán)境地提高。但是在大力發(fā)展建設(shè)的過(guò)程中難免會(huì)存在一些問(wèn)題，例如電網(wǎng)公司內(nèi)部物資庫(kù)存的大量積累已經(jīng)嚴(yán)重影響到資金的周轉(zhuǎn)。過(guò)去粗放式的管理已經(jīng)不再適合國(guó)家“三型兩網(wǎng)”建設(shè)的新要求，需要電力企業(yè)加強(qiáng)創(chuàng)新，將企業(yè)現(xiàn)有資源與新技術(shù)、新想法進(jìn)行結(jié)合，不斷運(yùn)用新技術(shù)解決老問(wèn)題，加快企業(yè)進(jìn)行“三型兩網(wǎng)”建設(shè)。

近幾年來(lái)，神經(jīng)網(wǎng)絡(luò)、時(shí)間序列預(yù)測(cè)等大數(shù)據(jù)建模算法發(fā)展迅速。為研究物資預(yù)測(cè)提供了一個(gè)新的視角，使得研究人員可以從數(shù)據(jù)上對(duì)物資進(jìn)行預(yù)測(cè)，而不是單純地依靠過(guò)往經(jīng)驗(yàn)進(jìn)行簡(jiǎn)單的預(yù)測(cè)提報(bào)。本文通過(guò)神經(jīng)網(wǎng)絡(luò)、時(shí)間序列等為物資預(yù)測(cè)提供一個(gè)可靠的方法[1-2]。

1 算法研究基礎(chǔ)

以往的預(yù)測(cè)往往根據(jù)專家意見(jiàn)或者運(yùn)用簡(jiǎn)單移動(dòng)平均等方法。近年來(lái)，通過(guò)對(duì)歷史累計(jì)的大數(shù)據(jù)進(jìn)行挖掘建模，得到預(yù)測(cè)模型的方法來(lái)預(yù)測(cè)，通常可以達(dá)到較理想的精度。提高物資需求預(yù)測(cè)精度是解決當(dāng)下物資管理問(wèn)題的絕佳手段，通過(guò)對(duì)每個(gè)月的物資領(lǐng)料數(shù)據(jù)及退料數(shù)據(jù)進(jìn)行時(shí)間序列分析，發(fā)現(xiàn)物資領(lǐng)用呈現(xiàn)間斷性和連續(xù)性2 種特征，本文將從這2 個(gè)角度分別展開(kāi)建模。

2 物資預(yù)測(cè)方法

2.1 連續(xù)性需求預(yù)測(cè)方法

2.1.1 ARIMA 預(yù)測(cè)算法

ARIMA（差分整合移動(dòng)平均自回歸）算法的理論基礎(chǔ)是從平穩(wěn)、有規(guī)律的序列數(shù)據(jù)中提取其長(zhǎng)期趨勢(shì)、季節(jié)趨勢(shì)、隨機(jī)誤差，使用一定模型公式表達(dá)這些趨勢(shì)，獲得對(duì)未來(lái)結(jié)果的預(yù)測(cè)。常用的預(yù)測(cè)方法有AR（自回歸）、MA（移動(dòng)平均）、ARMA（移動(dòng)平均自回歸）等，常用來(lái)進(jìn)行平穩(wěn)性檢驗(yàn)或選擇模型的方法有單位根法、白噪聲檢驗(yàn)法、偏自相關(guān)圖、自相關(guān)圖等。對(duì)于非平穩(wěn)序列一般都需要通過(guò)差分將其轉(zhuǎn)換成平穩(wěn)序列（ARIMA）；對(duì)得到的平穩(wěn)序列進(jìn)行建模以確定最佳方法（AR，MA，ARMA 或者ARIMA）。ARIMA 算法是進(jìn)行連續(xù)型數(shù)據(jù)的有效預(yù)測(cè)算法。

2.1.2 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM（長(zhǎng)短期記憶）通過(guò)在神經(jīng)網(wǎng)絡(luò)的隱藏層中增加記憶單元，每次在隱藏層的單元中傳遞時(shí)通過(guò)forget gate，input gate，output gate 調(diào)整之前信息和當(dāng)前信息的記憶和遺忘權(quán)重，使得其具備記憶之前計(jì)算結(jié)果的功能，這個(gè)特點(diǎn)可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)于長(zhǎng)鏈條網(wǎng)絡(luò)層梯度爆炸產(chǎn)生的誤差問(wèn)題，從而能比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好地利用沉淀數(shù)據(jù)進(jìn)行預(yù)測(cè)，是對(duì)未來(lái)物資需求的良好預(yù)測(cè)算法[3]。

2.2 間斷性需求預(yù)測(cè)方法

2.2.1 指數(shù)平滑法

指數(shù)平滑法的基本思想是利用分別給遠(yuǎn)期和近期的數(shù)據(jù)賦予不同的權(quán)重因子，距離預(yù)測(cè)時(shí)期越近的歷史數(shù)據(jù)權(quán)重越高，利用各個(gè)數(shù)據(jù)點(diǎn)的權(quán)重平滑計(jì)算求和得到預(yù)測(cè)值。指數(shù)平滑法具有保留全部歷史數(shù)據(jù)、算法簡(jiǎn)單、結(jié)果穩(wěn)定的特點(diǎn)，能對(duì)間斷性物資進(jìn)行有效的預(yù)測(cè)。常用的有一次指數(shù)平滑法和二次指數(shù)平滑法[4-7]。

一次指數(shù)平滑法的公式為：

式中：yt+1′為預(yù)測(cè)值；yt′為t 周期的平滑值；α 為平滑系數(shù)。公式意為通過(guò)前t 期預(yù)測(cè)1 期的數(shù)據(jù)。

二次指數(shù)平滑法公式為：

2.2.2 Croston 預(yù)測(cè)法

Croston 預(yù)測(cè)法和指數(shù)平滑法都是預(yù)測(cè)間斷性物資的方法，Croston 法相較于指數(shù)平滑法，其在時(shí)間間隔比較大的情況下具有優(yōu)勢(shì)，但是也要求物資的需求量符合正態(tài)分布且非零需求之間的間隔相對(duì)穩(wěn)定[8-10]。

3 實(shí)例研究

3.1 數(shù)據(jù)獲取

從ERP 系統(tǒng)中獲得浙江省某市2013—2018年歷史配電網(wǎng)物資的領(lǐng)料及退料歷史數(shù)據(jù)，主要數(shù)據(jù)如表1 所示。

表1 項(xiàng)目領(lǐng)料主要數(shù)據(jù)

3.2 物資類別標(biāo)包化處理

對(duì)物資的時(shí)間序列進(jìn)行相關(guān)性分析和專家討論，發(fā)現(xiàn)以單個(gè)小類物資進(jìn)行建模時(shí)，由于數(shù)據(jù)量的原因，其預(yù)測(cè)誤差將會(huì)較大。對(duì)某些特性相似的物資按照使用特性打包為41 類標(biāo)包，以標(biāo)包為基礎(chǔ)進(jìn)行預(yù)測(cè)將提高模型的穩(wěn)定性和精準(zhǔn)度。部分典型標(biāo)包如表2 所示。

表2 部分典型標(biāo)包

3.3 算法建模

結(jié)合物資的時(shí)間序列特性，選用ARIMA 法和LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)連續(xù)型物資進(jìn)行建模，選用指數(shù)平滑法和Croston 法對(duì)間斷性物資進(jìn)行建模。

本文選取標(biāo)包“10 kV 交流避雷器”代表連續(xù)性物資進(jìn)行后續(xù)的建模預(yù)測(cè)。選取標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”代表間斷性物資進(jìn)行后續(xù)的建模預(yù)測(cè)。

3.3.1 間斷性物資需求預(yù)測(cè)

（1）指數(shù)平滑法預(yù)測(cè)分析

對(duì)標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”的數(shù)據(jù)運(yùn)用二次指數(shù)平滑法，從而預(yù)測(cè)出標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”未來(lái)的需求，預(yù)測(cè)結(jié)果如圖1 所示。

圖1 指數(shù)平滑法預(yù)測(cè)結(jié)果

（2）Croston 法預(yù)測(cè)分析

Croston 法是1 套針對(duì)間斷性物資預(yù)測(cè)的方法，能夠很好地解決間斷性物資歷史需求數(shù)據(jù)較少的缺點(diǎn)。運(yùn)用Croston 法對(duì)標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”未來(lái)需求進(jìn)行預(yù)測(cè)，將其2013—2018 年間斷物資數(shù)據(jù)作為原始數(shù)據(jù)進(jìn)行建模，預(yù)測(cè)結(jié)果如圖2 所示。

圖2 Croston 法預(yù)測(cè)結(jié)果

從以上2 種模型的預(yù)測(cè)序列來(lái)看，二次指數(shù)平滑法與Croston 法相比，二次指數(shù)平滑法的平均誤差率為20%，Croston 法的平均誤差率為34%；二次指數(shù)平滑法的預(yù)測(cè)結(jié)果差值波動(dòng)范圍更窄，方差更小，因此對(duì)于間斷性物資的預(yù)測(cè)模型本次建模選擇二次指數(shù)平滑法作為最終算法。

3.3.2 連續(xù)性物資需求預(yù)測(cè)分析

（1）時(shí)間序列ARIMA 算法預(yù)測(cè)分析

基于物資領(lǐng)用的時(shí)間序列，對(duì)標(biāo)包“10 kV 交流避雷器”未來(lái)需求進(jìn)行預(yù)測(cè)。首先，對(duì)“10 kV 交流避雷器”序列進(jìn)行平穩(wěn)性檢驗(yàn)。單位根統(tǒng)計(jì)量檢驗(yàn)結(jié)果p 值為0.021，顯著小于0.05，則時(shí)間序列為平穩(wěn)序列，然后驗(yàn)證時(shí)間序列的拖尾性及截尾性。

自相關(guān)圖（圖3）顯示呈1 階拖尾，偏自相關(guān)圖（圖4）顯示0 階截尾。因此，選擇AR（1）作為建立的ARIMA 模型。根據(jù)ARIMA 參數(shù)的設(shè)置，建立AR（1）模型作為對(duì)標(biāo)包“10 kV 交流避雷器”進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5 所示。

圖3 自相關(guān)圖

圖4 偏自相關(guān)圖

圖5 ARIMA 法預(yù)測(cè)結(jié)果

（2）LSTM 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)物資需求預(yù)測(cè)分析

使用LSTM 對(duì)標(biāo)包“10 kV 交流避雷器”的需求進(jìn)行建模預(yù)測(cè)。需要對(duì)LSTM 神設(shè)置訓(xùn)練參數(shù)，其參數(shù)設(shè)置如表3 所示。

表3 LSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)

每年的標(biāo)包實(shí)際發(fā)生金額和年度的投資計(jì)劃緊密相關(guān)，經(jīng)過(guò)相關(guān)性分析，發(fā)現(xiàn)兩者的相關(guān)性達(dá)0.67，屬于中高度相關(guān)，故將年度投資金額也納入神經(jīng)網(wǎng)絡(luò)。建模中，使用Python 作為建模環(huán)境，Tensor Flow 作為學(xué)習(xí)框架，使用Sigmoid 函數(shù)作為active function，其訓(xùn)練步驟基本表達(dá)式為：

其中σ 即為Sigmoid 函數(shù)，在神經(jīng)網(wǎng)絡(luò)的每一個(gè)連接中都進(jìn)行這樣的計(jì)算迭代，直到模型達(dá)到預(yù)先設(shè)置的誤差標(biāo)準(zhǔn)或者完成最大運(yùn)算步驟，預(yù)測(cè)結(jié)果如圖6 所示。

圖6 LSTM 預(yù)測(cè)結(jié)果

從以上2 種方法的預(yù)測(cè)序列來(lái)看，LSTM 和ARIMA 算法相比，LSTM 的平均誤差率為7.1%，ARIMA 的平均誤差率為-15%；綜合考慮需滿足建設(shè)需求為最低標(biāo)準(zhǔn)，應(yīng)優(yōu)先選取預(yù)測(cè)結(jié)果高于實(shí)際值的算法，則對(duì)于連續(xù)型物資的預(yù)測(cè)模型選擇LSTM 神經(jīng)網(wǎng)絡(luò)作為最終算法。

通過(guò)使用LSTM 神經(jīng)網(wǎng)絡(luò)、ARIMA、二次指數(shù)平滑、Croston 模型分別予連續(xù)型物資和間斷性物資進(jìn)行研究預(yù)測(cè)，通過(guò)篩選最終得到了平均預(yù)測(cè)精度20%左右的模型，有效地提高了物資預(yù)測(cè)的精度。能夠有效地輔助物資管理人員進(jìn)行物資的預(yù)測(cè)決策，極大地節(jié)約企業(yè)采購(gòu)成本，提升了市場(chǎng)綜合競(jìng)爭(zhēng)力。

4 結(jié)語(yǔ)

物資庫(kù)存是支撐電力工程建設(shè)的基礎(chǔ)，只有保障物資的充分供應(yīng)才能保障國(guó)家電力工程的良好建設(shè)。但是快速的發(fā)展又留下了大量的庫(kù)存，拉低了總體庫(kù)存的周轉(zhuǎn)率，必須從內(nèi)部和外部逐漸解決該問(wèn)題。內(nèi)部的持續(xù)消耗和外部的精準(zhǔn)供應(yīng)都是良好的處理方向。本文利用電網(wǎng)大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘算法改良了以往的物資預(yù)測(cè)方法，且該方法已在電力系統(tǒng)內(nèi)運(yùn)用，預(yù)計(jì)能夠逐步提高物資預(yù)測(cè)的準(zhǔn)確率，提升庫(kù)存的周轉(zhuǎn)率，解決物資的庫(kù)存問(wèn)題[11-16]。