摘 要：準(zhǔn)確的物資需求預(yù)測(cè)結(jié)果，對(duì)合理編制電力物資供應(yīng)計(jì)劃有重要意義。因此，本文提出一種結(jié)合ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)的方法，以更準(zhǔn)確地預(yù)測(cè)電力物資需求時(shí)間序列。使用ARIMA模型對(duì)物資需求量進(jìn)行線性預(yù)測(cè)，將預(yù)測(cè)的殘差序列作為BP神經(jīng)網(wǎng)絡(luò)的輸入，利用神經(jīng)網(wǎng)絡(luò)對(duì)殘差序列進(jìn)行非線性建模，修正ARIMA模型的預(yù)測(cè)值。試驗(yàn)結(jié)果表明，修正BP神經(jīng)網(wǎng)絡(luò)的誤差可以顯著提高預(yù)測(cè)精度，使預(yù)測(cè)結(jié)果更加貼近實(shí)際值，可以為保證物資供應(yīng)的質(zhì)量和效益提供重要的決策依據(jù)。

關(guān)鍵詞：人工智能；電力物資；數(shù)據(jù)預(yù)測(cè)；數(shù)據(jù)分析

中圖分類號(hào)：F 25" 文獻(xiàn)標(biāo)志碼：A

隨著電力系統(tǒng)不斷發(fā)展及其智能化的推進(jìn)，電力物資需求的規(guī)模持續(xù)增加，保證電力系統(tǒng)的穩(wěn)定運(yùn)行和保障供電安全成了關(guān)鍵任務(wù)[1]。面對(duì)復(fù)雜且高維的電力物資數(shù)據(jù)，傳統(tǒng)預(yù)測(cè)方法已難以滿足需求，需要探尋更創(chuàng)新高效的解決方案。在此背景下，引入人工智能技術(shù)，并將其應(yīng)用在電力物資數(shù)據(jù)分析中，開啟了精準(zhǔn)預(yù)測(cè)電力物資需求的新篇章。通過利用人工智能的大規(guī)模數(shù)據(jù)處理能力和發(fā)現(xiàn)復(fù)雜關(guān)聯(lián)性的優(yōu)勢(shì)，可以提高電力系統(tǒng)的可靠性和效率[2]。

國(guó)內(nèi)外研究顯示，物資預(yù)測(cè)在供應(yīng)鏈管理中占據(jù)重要位置，已發(fā)展出多種預(yù)測(cè)理論和方法。傳統(tǒng)上，線性回歸模型、移動(dòng)平均法、指數(shù)平滑法等基于歷史數(shù)據(jù)分析的方法廣泛應(yīng)用于需求預(yù)測(cè)。這些方法通過分析歷史趨勢(shì)和選擇誤差均方差最小的模型來(lái)提高預(yù)測(cè)準(zhǔn)確率。隨著非線性序列預(yù)測(cè)需求增加，非線性預(yù)測(cè)方法（支持向量機(jī)算法和神經(jīng)網(wǎng)絡(luò)算法）的應(yīng)用也逐漸增加，這些方法將需求預(yù)測(cè)轉(zhuǎn)化為分類問題，提高了物資計(jì)劃管理的效率。

通過結(jié)合傳統(tǒng)的線性預(yù)測(cè)方法和現(xiàn)代的非線性預(yù)測(cè)技術(shù)，特別是引入人工智能算法，可以有效提高電力物資需求預(yù)測(cè)的準(zhǔn)確性和效率。不僅為電力系統(tǒng)的穩(wěn)定運(yùn)行提供支持，也能提高供應(yīng)鏈管理水平[3]。

1 人工智能技術(shù)預(yù)測(cè)電力物資數(shù)據(jù)

1.1 ARIMA時(shí)間序列預(yù)測(cè)法

自回歸差分移動(dòng)平均（AutoRegressive Integrated Moving Average，ARIMA）模型是一種常用于時(shí)間序列預(yù)測(cè)的統(tǒng)計(jì)方法，廣泛應(yīng)用于經(jīng)濟(jì)學(xué)、金融、氣象學(xué)等領(lǐng)域。ARIMA模型結(jié)合了自回歸（AR）、差分（I）和移動(dòng)平均（MA）這3個(gè)元素，具有較強(qiáng)的適應(yīng)性和預(yù)測(cè)性能。

ARIMA模型的核心思想在于對(duì)時(shí)間序列進(jìn)行差分，使其趨勢(shì)平穩(wěn)化，然后通過自回歸和移動(dòng)平均的組合來(lái)捕捉數(shù)據(jù)中的結(jié)構(gòu)和規(guī)律。圖1為ARIMA不同模型之間相互轉(zhuǎn)化示意圖，圖中p、d、q分別為自回歸階數(shù)、差分次數(shù)和移動(dòng)平均階數(shù)。當(dāng)自回歸和移動(dòng)平均的參數(shù)都為0（即p=q=0）時(shí)，模型就退化為僅包括差分的模型，而設(shè)置差分次數(shù)d為0時(shí)，得到一個(gè)沒有差分的ARIMA模型。當(dāng)p=0，即沒有自回歸項(xiàng)時(shí)，會(huì)退化為MA（q）模型，表示一個(gè)僅有滑動(dòng)平均部分的模型。同樣地，當(dāng)q=0，即沒有移動(dòng)平均項(xiàng)時(shí)，ARIMA（p， q）將退化為AR（p）模型，表明一個(gè)僅有自回歸部分的模型。當(dāng)AR（p）模型中的p=0、以及MA（q）模型中的q=0時(shí)，兩者都會(huì)退化為“白噪聲”模型。白噪聲是一個(gè)序列完全隨機(jī)，不存在可以預(yù)測(cè)的模式或規(guī)律。整個(gè)圖示清晰地解釋了當(dāng)ARIMA模型的不同參數(shù)取特定值時(shí)，模型是如何簡(jiǎn)化為其他更基礎(chǔ)的時(shí)間序列模型的，對(duì)理解時(shí)間序列分析中模型選擇和模型間的聯(lián)系有很大幫助。

ARIMA模型具有簡(jiǎn)單、可解釋性強(qiáng)的優(yōu)點(diǎn)，適用于對(duì)線性趨勢(shì)和季節(jié)性影響較弱的時(shí)間序列數(shù)據(jù)。其預(yù)測(cè)結(jié)果可用于制定策略、規(guī)劃資源和進(jìn)行風(fēng)險(xiǎn)管理。當(dāng)對(duì)電力物資月需求量進(jìn)行分析和預(yù)測(cè)時(shí)，具體流程圖如圖2所示。首先，對(duì)電力物資序列數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，如果數(shù)據(jù)是非平穩(wěn)的，就需要先對(duì)數(shù)據(jù)進(jìn)行差分運(yùn)算。其次，對(duì)數(shù)據(jù)是否白噪聲進(jìn)行判斷，若非白噪聲，則進(jìn)行定階，即確定ARMA模型中的自回歸項(xiàng)和移動(dòng)平均項(xiàng)的階數(shù)。在定階之后，對(duì)參數(shù)進(jìn)行估計(jì)，以估算模型中各參數(shù)的值。估計(jì)完成后，對(duì)模型進(jìn)行檢驗(yàn)，以保證估計(jì)的模型是有效的。如果模型檢驗(yàn)不通過，就需要返回重新進(jìn)行定階和參數(shù)估計(jì)。如果模型檢驗(yàn)通過，就使用該模型預(yù)測(cè)未來(lái)的數(shù)據(jù)。最后，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行決策支持。這個(gè)過程是迭代的，需要多次調(diào)整模型以保證預(yù)測(cè)的準(zhǔn)確性和有效性。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）是一種常見的人工神經(jīng)網(wǎng)絡(luò)（ANN）架構(gòu)，屬于監(jiān)督學(xué)習(xí)的一種。它廣泛應(yīng)用在模擬和學(xué)習(xí)非線性關(guān)系、模式識(shí)別和預(yù)測(cè)等任務(wù)方面。BP神經(jīng)網(wǎng)絡(luò)通常包括輸入層、隱藏層（可以有多個(gè)）以及輸出層。每個(gè)層內(nèi)有多個(gè)節(jié)點(diǎn)（神經(jīng)元），節(jié)點(diǎn)之間的連接具有權(quán)重。輸入層接收輸入信號(hào)，通過權(quán)重傳遞到隱藏層，最終到輸出層。每個(gè)節(jié)點(diǎn)都通過一個(gè)激活函數(shù)（通常是“S”形函數(shù)，也稱為Sigmoid函數(shù)）將其輸入轉(zhuǎn)換為輸出。訓(xùn)練過程采用反向傳播算法（Backpropagation），它通過計(jì)算實(shí)際輸出與期望輸出之間的誤差，將誤差信息沿著網(wǎng)絡(luò)反向傳播，調(diào)整連接權(quán)重，以最小化誤差。將這個(gè)過程進(jìn)行迭代，直至網(wǎng)絡(luò)的輸出足夠接近期望輸出或者達(dá)到預(yù)定的訓(xùn)練迭代次數(shù)[4-5]。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程如圖3所示。

BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于模式識(shí)別、數(shù)據(jù)挖掘、預(yù)測(cè)分析、語(yǔ)音識(shí)別、圖像處理等領(lǐng)域。它具有處理非線性關(guān)系和復(fù)雜模式的能力，因此成為人工智能和機(jī)器學(xué)習(xí)領(lǐng)域中的重要工具。

2 基于BP誤差修正的ARIMA模型

本文提出了一種結(jié)合ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)的方法，以更準(zhǔn)確地預(yù)測(cè)電力物資需求時(shí)間序列。使用ARIMA模型對(duì)需求量進(jìn)行線性預(yù)測(cè)，將預(yù)測(cè)的殘差序列作為BP神經(jīng)網(wǎng)絡(luò)的輸入。通過神經(jīng)網(wǎng)絡(luò)對(duì)殘差序列進(jìn)行非線性建模，修正ARIMA模型的初始預(yù)測(cè)值，從而得到更精確的最終預(yù)測(cè)結(jié)果。這種組合方法旨在克服ARIMA和BP神經(jīng)網(wǎng)絡(luò)各自的局限性，提高預(yù)測(cè)的準(zhǔn)確性。具體的步驟如下。

對(duì)電力物資需求時(shí)間序列的線性部分進(jìn)行預(yù)測(cè)，如公式（1）所示。

et=yt- " （1）

式中：yt為原始時(shí)間序列；為預(yù)測(cè)結(jié)果；et為殘差。

由于殘差序列{et}中包括了非線性部分，因此，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)非線性部分進(jìn)行逼近，將{et}作為BP神經(jīng)網(wǎng)絡(luò)輸入，則該殘差序列可以為公式（2）。

et=f（et-1，et-2，...，et-n）+εt " （2）

式中：f（·）為BP神經(jīng)網(wǎng)絡(luò)模型；εt為偏置項(xiàng)。

對(duì)線性與非線性兩種預(yù)測(cè)結(jié)果進(jìn)行疊加，得到最終的預(yù)測(cè)結(jié)果，如公式（3）所示。

=+ " （3）

式中：為最終預(yù)測(cè)結(jié)果；為線性部分預(yù)測(cè)結(jié)果；為非線性部分預(yù)測(cè)結(jié)果。

從預(yù)測(cè)過程來(lái)看，本文所提方法充分發(fā)揮了ARIMA和BP兩種模型的優(yōu)勢(shì)，能夠提高預(yù)測(cè)的準(zhǔn)確性。通過ARIMA模型對(duì)電力物資需求時(shí)間序列進(jìn)行線性部分預(yù)測(cè)。利用BP神經(jīng)網(wǎng)絡(luò)對(duì)ARIMA模型的預(yù)測(cè)結(jié)果進(jìn)行誤差修正，以更精確地提取物資需求序列中的各種數(shù)據(jù)特征。應(yīng)用這種綜合模型能夠有效地整合ARIMA的線性建模和BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，從而提高對(duì)未來(lái)需求的準(zhǔn)確預(yù)測(cè)性。

3 試驗(yàn)結(jié)果與分析

本文對(duì)某地區(qū)2015 年 12 月— 2016 年 12 月的鋼芯鋁絞線月度需求量數(shù)據(jù)進(jìn)行分析，得到的結(jié)果如圖4所示。分析該圖可知，修正BP神經(jīng)網(wǎng)絡(luò)的誤差可以顯著提高預(yù)測(cè)精度，使預(yù)測(cè)結(jié)果更加貼近實(shí)際值。在ARIMA模型后半年的預(yù)測(cè)誤差較大的情況下，BP神經(jīng)網(wǎng)絡(luò)的誤差修正效果尤為顯著，特別是在10月—12月，修正后的預(yù)測(cè)值幾乎與實(shí)際鋁絞線需求量完全吻合。這說(shuō)明通過結(jié)合ARIMA模型的線性預(yù)測(cè)和BP神經(jīng)網(wǎng)絡(luò)的非線性修正，能夠更準(zhǔn)確地捕捉并糾正時(shí)間序列中的復(fù)雜模式，從而提高了對(duì)電力物資需求的預(yù)測(cè)準(zhǔn)確性。

圖 5展示了預(yù)測(cè)算法改進(jìn)前后的相對(duì)誤差率比較。總體而言，改進(jìn)前，ARIMA模型的平均相對(duì)誤差率為7.86%。而在引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差修正后，平均相對(duì)誤差率降至4.88%，比改進(jìn)前降低了2.98%。這種明顯的降幅表明結(jié)合BP神經(jīng)網(wǎng)絡(luò)的誤差修正策略在提高預(yù)測(cè)精度方面取得了顯著效果。

4 結(jié)論

本文對(duì)電力物資預(yù)測(cè)提出在ARIMA模型的基礎(chǔ)上引入BP神經(jīng)網(wǎng)絡(luò)修正誤差進(jìn)行研究，以全面提取物資序列中的復(fù)合特征，提高電力物資的預(yù)測(cè)精度。將鋼芯鋁絞線月度需求量為電力關(guān)鍵物資作為代表，對(duì)其進(jìn)行了預(yù)測(cè)試驗(yàn)。試驗(yàn)結(jié)果表明，經(jīng)過誤差修正的電力物資預(yù)測(cè)精度明顯提高，為制定物資采購(gòu)計(jì)劃提供了重要的數(shù)據(jù)支持。應(yīng)用這種綜合算法對(duì)電力系統(tǒng)的物資管理和采購(gòu)決策具有實(shí)質(zhì)性的幫助。

參考文獻(xiàn)

[1] 王藝蒙. 國(guó)電東北電力有限公司物資采購(gòu)管理模式研究[D].吉林：吉林大學(xué)，2012.

[2]龐山.基于大數(shù)據(jù)技術(shù)的電力系統(tǒng)信息化運(yùn)維體系研究[J].互聯(lián)網(wǎng)周刊，2024（9）：20-22.

[3] 劉苗. 打造國(guó)際一流的物資供應(yīng)鏈[N]. 國(guó)家電網(wǎng)報(bào)，2013-08-01（7）.

[4] 沈男. 基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測(cè)研究[D].北京：華北電力大學(xué)，2014.

[5] 陳文康. SCP 電力公司物資需求預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2013.