黃龍山

（福建榕能電業(yè)集團(tuán)有限公司，福建 福州 350108）

隨著我國城網(wǎng)建設(shè)不斷發(fā)展，集中招標(biāo)采購規(guī)模不斷擴(kuò)大，預(yù)測電力物資采購價格是電力企業(yè)提高采購管理水平和提高概預(yù)算編制準(zhǔn)確率的必要條件[1]。因此，如何建立電力物資采購價格預(yù)測的模型，為電力工程建設(shè)規(guī)劃提供比較合理的價格預(yù)測區(qū)間，是當(dāng)前電力公司亟待解決的問題。

業(yè)內(nèi)專家與學(xué)者們對商品購買價格評估方面，目前采用的方法大多是通過對歷史數(shù)據(jù)進(jìn)行預(yù)測，張昊等[2]利用隨機(jī)森林和XGBoost模型判斷各特征數(shù)據(jù)對模型的貢獻(xiàn)程度。葉倩怡[3]以零售業(yè)銷售數(shù)據(jù)作為數(shù)據(jù)挖掘?qū)ο螅瑢Ρ萖GBoost、隨機(jī)森林和Time Series Linear模型在銷售額預(yù)測上的效果，得到XGBoost模型比其他模型預(yù)測效果更好。陳宇韶等[4]利用XGBoost模型預(yù)測股價走勢。靳占新等[5]則使用構(gòu)建線性回歸法與隨機(jī)時間序列兩個的模型預(yù)測物品價格。

該文用統(tǒng)計方法對已有的歷史物資價格信息進(jìn)行收集，分析影響物資定價的主要原因，并利用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)算法模型對預(yù)測電力物資定價進(jìn)行對比，結(jié)果表明支持向量機(jī)的算法模型預(yù)測的結(jié)果更具有準(zhǔn)確性。

1 電力物資價格的影響因素分析

電力建設(shè)的成本大部分取決于電力物資價格的高低，而電力物資的價格由多種因素綜合決定。因此，為預(yù)測電力物資價格，需要對電力物資價格的影響因素進(jìn)行分析。

通過收集榕能集團(tuán)2020年1月—2022年6月電力物資采購信息，選取電力物資采購價格的核心影響因素。歷史采購數(shù)據(jù)的質(zhì)量直接影響電力物資價格預(yù)測的精度，數(shù)據(jù)的完整性和準(zhǔn)確性是影響數(shù)據(jù)質(zhì)量的關(guān)鍵因素。因此，為得到可信度較高的電力物資價格的影響因素，需要對數(shù)據(jù)進(jìn)行預(yù)處理。因此，需要清理缺失值和噪聲數(shù)據(jù)，再標(biāo)準(zhǔn)化表示數(shù)據(jù)。

從電力物資采購數(shù)據(jù)表中可知，采購的物資種類共計35種，對每件產(chǎn)品的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，利用MATLAB編程求解多元線性回歸的系數(shù)。自變量依次為采購方式，購買時間，型號，截面，阻燃特性，鎧裝形式，中標(biāo)數(shù)量，芯數(shù)。以電力電纜為例，得到自變量影響系數(shù)，見表1。由表1可知，采購方式對產(chǎn)品單價的影響程度較大，其中采購方式為邀請競爭性談判的價格最低，其次是詢價采購，單一來源采購的價格最高。但低壓電力電纜與時間呈正相關(guān)，采購時間越晚，價格越高。數(shù)據(jù)分析的結(jié)果也表明，界面尺寸越大，芯數(shù)越多，產(chǎn)品單價越高。該部分通過建立相關(guān)模型得出采購的價格與采購方式密切相關(guān)的結(jié)果，較多產(chǎn)品都反映采購方式為邀請競爭性談判的價格最低，其次是詢價采購，單一來源采購的價格最高。因此當(dāng)企業(yè)在購入產(chǎn)品時，應(yīng)注意選取采購方式，在考慮其他方面成本的前提下多選取邀請競爭性談判作為采購方式。同理可以分析其他電力物資價格的關(guān)鍵影響因素。

表1 電力電纜系數(shù)表

2 支持向量機(jī)預(yù)測模型

預(yù)測物資價格通常有兩種理論方法，經(jīng)驗預(yù)測法和數(shù)學(xué)模型預(yù)測法?；陔娋W(wǎng)物資價格預(yù)測具有重要的實際工程應(yīng)用價值，因此采用數(shù)學(xué)模型預(yù)測法進(jìn)行預(yù)測，可以得到更嚴(yán)謹(jǐn)、科學(xué)的預(yù)測結(jié)果。該文采用支持向量機(jī)的數(shù)學(xué)模型進(jìn)行預(yù)測分析。

2.1 模型簡介

支持向量機(jī)（SVM）是Vapnik等數(shù)學(xué)家在1963年提出的一種二分類型機(jī)器，基本思想是尋找一個超平面，使樣本可以分為兩類，并且使兩類間的間隔最大，間隔大使其與感知器不同，這種變化通過核函數(shù)實現(xiàn)，使其成為實質(zhì)上的非線性分類器，可以處理高維數(shù)據(jù)問題，在樣本數(shù)據(jù)量較小的情況下，仍然可以完成分類，無須依賴整個數(shù)據(jù)，泛化能力強。SVM的學(xué)習(xí)方法是目前求解凸二次的最佳方法[6]。

2.2 數(shù)據(jù)映射

為方便訓(xùn)練數(shù)須將數(shù)據(jù)映射成數(shù)值，例如單一來源采購=1；詢價采購=2；邀請競爭性談判=3。數(shù)據(jù)歸一化處理，因為在數(shù)據(jù)集中不同變量的比例差別很大，不屬于一個數(shù)量級，所以，必須在構(gòu)建回歸模式前，先對數(shù)據(jù)進(jìn)行歸一化處理。由于該類數(shù)據(jù)各變量的差異較大，因此為減少誤差增強模型的擬合程度，對數(shù)據(jù)進(jìn)行歸一化處理，以低壓開關(guān)柜為例，歸一化后數(shù)據(jù)見表2。

表2 低壓開關(guān)柜歸一化后數(shù)據(jù)

2.3 創(chuàng)建/訓(xùn)練SVR模型

核函數(shù)類型及模型參數(shù)是影響SVR模型分析效果的關(guān)鍵因素，因此，在創(chuàng)建SVR模型前，需要尋找合理的核函數(shù)類型以及參數(shù)組合。該文利用 RBF 核函數(shù)并采用交叉驗證方法選擇最合適的懲罰因子參數(shù)c和RBF核函數(shù)中的方差，通過選出的最佳參數(shù)對SVR模型進(jìn)行訓(xùn)練。當(dāng)SVR模型的分析效果相同，選擇懲罰參數(shù)因子時，采用的策略和前面SVM分類方法一致，取參數(shù)數(shù)值較小的c，這樣可以加快模型的計算速度，避免計算時間過長，提高模型效率，在SVR模型訓(xùn)練過程中需要選取ε的值。

2.4 仿真預(yù)測

利用svmpredict函數(shù)，仿真測試SVR回歸模型，返回的一個參數(shù)中是對應(yīng)的預(yù)測值，在第二個函數(shù)中描述測試集的均方誤差E和決定系數(shù)R2。為了保證通用性，也可以采用隨機(jī)方法建立練習(xí)集和測試集，隨機(jī)選取400、800和1200個試樣作為練習(xí)集，再隨機(jī)取試樣中的前十個試樣，作為測試集對模型的穩(wěn)定性進(jìn)行評價（如圖1所示）。預(yù)測誤差見表3。

圖1 樣本數(shù)量400

圖2 樣本數(shù)量800

圖3 樣本數(shù)量1200

表3 預(yù)測誤差

由表3可以看出，數(shù)據(jù)存在一定零散的情況，使用的訓(xùn)練集數(shù)量越多，預(yù)測的結(jié)果越精確，但預(yù)測誤差仍然較大。根據(jù)分析發(fā)現(xiàn)，在低壓開關(guān)柜的數(shù)據(jù)中，有的型號數(shù)據(jù)數(shù)量大于1000份，然而有的型號只有30多份數(shù)據(jù)，為了顧及所有型號的的產(chǎn)品，因此這里考慮對每一份材料進(jìn)行隨機(jī)抽取一定的數(shù)量來構(gòu)成新的訓(xùn)練集，既能不失一般性，又能考慮所有情況，通過不斷訓(xùn)練找到一個合適的訓(xùn)練集并儲存。在得到較優(yōu)的訓(xùn)練集后，在低壓開關(guān)柜數(shù)據(jù)中重新選擇10個數(shù)據(jù)，對其進(jìn)行價格預(yù)測，如圖4和圖5所示。由圖可知，支持向量機(jī)對預(yù)測低壓開關(guān)柜的中標(biāo)單價效果較好。

圖4 新訓(xùn)練集下的預(yù)測一

圖5 新訓(xùn)練集下的預(yù)測二

3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測

還原型神經(jīng)網(wǎng)絡(luò)是通過有機(jī)地融合BP神經(jīng)網(wǎng)絡(luò)和迭代還原方法而產(chǎn)生的神經(jīng)網(wǎng)路模型，通過設(shè)置原始BP神經(jīng)網(wǎng)路模型，采用歷史數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再通過對比輸出數(shù)據(jù)和實際數(shù)值，反映二者的差值，為校準(zhǔn)模型，通過對神經(jīng)網(wǎng)絡(luò)中的權(quán)重和參數(shù)進(jìn)行反復(fù)調(diào)整，并采用迭代法進(jìn)行回歸驗證，以期提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。為減少各維度數(shù)據(jù)間的數(shù)量級差異，需要對各種數(shù)據(jù)來源進(jìn)行歸一化處理[7]，可以避免誤差更大，提高模型預(yù)測的準(zhǔn)確度。采用最小二乘法對數(shù)值進(jìn)行歸一化處理，歸一化函數(shù)使用MATLAB自帶函數(shù)mapminmax處理數(shù)據(jù)。為了保證通用性，采用隨機(jī)的方式形成訓(xùn)練集和試驗集，即隨機(jī)選擇400、800和1200個樣品作為訓(xùn)練集，以隨機(jī)取得數(shù)據(jù)中的前十個樣品作為試驗集，對模型的性能進(jìn)行評估，如圖6～圖8所示。預(yù)測誤差見表4。

圖6 樣本數(shù)量400

圖7 樣本數(shù)量800

圖8 樣本數(shù)量1200

表4 預(yù)測誤差

由表4可知，神經(jīng)網(wǎng)絡(luò)會受數(shù)據(jù)零散的影響，降低其預(yù)測的精確度。當(dāng)使用的訓(xùn)練集數(shù)量為400時，預(yù)測的結(jié)果最精確，但是之間還存在較大預(yù)測誤差。

通過支持向量機(jī)不斷訓(xùn)練，得到低壓開關(guān)柜較優(yōu)的訓(xùn)練集，將該訓(xùn)練集導(dǎo)入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并在低壓開關(guān)柜中重新選擇10個數(shù)據(jù)進(jìn)行價格預(yù)測，如圖9和圖10所示?？梢园l(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)對低壓開關(guān)柜的中標(biāo)單價的預(yù)測效果不理想。

圖9 新訓(xùn)練集下的預(yù)測一

圖10 新訓(xùn)練集下的預(yù)測二

4 模型對比

對比基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的預(yù)測，見表5和表6。從預(yù)測指標(biāo)可以看出，支持向量機(jī)對低壓開關(guān)柜的數(shù)據(jù)類型預(yù)測效果最好，精度也最高。但是支持向量機(jī)的訓(xùn)練時間相對較長，如果樣本多會呈現(xiàn)指數(shù)級增加。當(dāng)對整個數(shù)據(jù)進(jìn)行訓(xùn)練或者少部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練時，得到大致的價格，神經(jīng)網(wǎng)絡(luò)預(yù)測具有一定優(yōu)勢。

表5 預(yù)測誤差對比情況（支持向量機(jī)法）

表6 預(yù)測誤差對比情況（神經(jīng)網(wǎng)絡(luò)法法）

如果對精度要求高，低壓開關(guān)柜的數(shù)據(jù)類型適合采用支持向量機(jī)進(jìn)行預(yù)測，如果只需要大致價格且想短時間得出結(jié)果，可以采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

5 結(jié)論

電網(wǎng)物資價格直接影響電網(wǎng)工程的造價，編制正確的預(yù)估價格可以降低成本，并減少投資風(fēng)險，因此對企業(yè)購買資料的標(biāo)準(zhǔn)化分析后，采用通過MATLAB程序計算多元線性回歸的系數(shù)評價方法確定電網(wǎng)物資采購價值的重要影響因素，并根據(jù)相關(guān)因素選擇基于向量機(jī)的神經(jīng)網(wǎng)絡(luò)方法，對電網(wǎng)物資價值進(jìn)行預(yù)測研究，通過對比證明基于向量機(jī)的模型估計準(zhǔn)確性較好，并得到較為理想的結(jié)果?？蔀轭A(yù)測今后電網(wǎng)企業(yè)的物資價格提供參考。