電網公司物資需求預測分析

張春光 魏俊奎 楊濱名 李沙浪

摘 要：物資需求管理是電力企業一項重要能力，是提高整理管理水平、運營效率的重要保障。國家電網“三集五大”體系的建設有效提高物資需求管理水平，同時對需求管理手段提出更高的要求，需求預測是其中一項關鍵工作。文章在現有物資預測文獻的基礎上提出一種新型組合預測模型，實證結果表明，該模型能有效提高物資需求預測進度，為協議庫存采購、優化等決策提供了有利條件。

關鍵詞：三集五大；組合預測；物資需求

中圖分類號：TM73 文獻標識碼：A 文章編號：1006-8937（2016）32-0054-02

1 概 述

為了使協議庫存更好地發揮降本增效的作用，通過需求預測確定協議庫存簽訂量是關鍵。本文從需求預測的角度出發，提出一種新的組合預測模型，有效提高模型預測精度，為電力公司制定物資采購計劃提供決策支持。

2 預測方法綜述

常用的物資需求預測模型主要包括三大類：第一類是基于時間序列的預測模型如指數平滑預測模型、移動平均預測模型等[1-3]；第二類是基于因果分析的預測模型，模型通過識別影響需求的重要因素，構建因素與需求的因果關系，并根據因果關系構建預測模型，如回歸預測模型、非線性回歸模型等[4-5]；第三類是基于機器學習的預測模型，其在時間序列與因果預測方法的基礎上采用機器學習的方法構建復雜的非線性模型，不需要提前設定模型結構，如神經網絡預測模型、支持向量機預測模型等[6-7]。實際應用中，單一的預測方法難以獲得高精度的預測結果，組合預測方法得到廣泛得應用。常用的組合預測方法是將多種預測方法的預測結果按照一定的權重進行組合[8-10]。這種方法比較依賴組合權重的選擇，不能很好地綜合各種預測方法的優勢。本文將時間序列分解為線性趨勢、季節性趨勢、指數平滑趨勢、非線性趨勢，其中非線性趨勢采用神經網絡的方法進行預測。這種方法一方面充分利用時間序列的各種趨勢信息，另一方面減少神經網絡模型在數據點較少時過度擬合的問題，在實際物料需求預測工作中有效提高預測精度。

4 模型預測結果

本文以國網山東電力公司2010年2月到2016年4月ERP系統所有架空絕緣導線的采購記錄為基礎，將數據整理為75個時間點，選取前69個時間點為訓練集，訓練模型參數，對后6個時間點進行模型預測，預測結果，如圖2所示。

圖中橫軸表示時間序列（本文在神經網絡模型中最大滯后項為6個月，因此時間軸中1表示2010年8月），縱軸表示物料需求金額。由圖可見大部分月份真實值與預測值相對誤差較小，說明本文提出的組合模型基本能挖掘時間序列變動的規律。通過比較訓練集和測試集發現，本文提出的模型有較好的泛化能力，測試集的預測精度與訓練集的預測精度沒有明顯差別。

進一步比較本文組合預測模型與其他常用的預測模型的預測精度，結果見表1，可以看出大多數情況下組合預測模型的預測誤差要小于其他的預測方法。其他預測方法中季節性趨勢預測方法的預測精度相對較高，說明山東省電力公司架空絕緣導線物資的需求存在顯著的季節性特征。

5 結 語

物資需求管理是電力企業管理的一個重要環節，本文在傳統的時間序列預測方法難以獲得高精度的預測結果的背景下提出一種新型組合預測方法，該方法將時間序列分解，其中非線性趨勢采用神經網絡的方法進行預測。這種方法一方面充分利用時間序列的各種趨勢信息，另一方面減少神經網絡模型在數據點較少時過度擬合的問題。實證結果顯示本文提出的組合預測方法能有效提高模型的預測精度，基本滿足國家電網對需求管理的精度要求，為協議庫存采購、優化等決策提供了有利條件。

參考文獻：

[1]毛玉鳳.基于時間序列分析的電力需求預測及季節調整模型的研究 [D].北京：北京工業大學，2013.