一種基于時間序列的配電網物資預測方法

（國網浙江省電力有限公司，杭州 310007）

0 引言

隨著國家經濟的快速發展，電力企業的建設能力、創新能力不斷提高，在主配電網建設等方面取得了優異的成果，助力中國營商環境地提高。但是在大力發展建設的過程中難免會存在一些問題，例如電網公司內部物資庫存的大量積累已經嚴重影響到資金的周轉。過去粗放式的管理已經不再適合國家“三型兩網”建設的新要求，需要電力企業加強創新，將企業現有資源與新技術、新想法進行結合，不斷運用新技術解決老問題，加快企業進行“三型兩網”建設。

近幾年來，神經網絡、時間序列預測等大數據建模算法發展迅速。為研究物資預測提供了一個新的視角，使得研究人員可以從數據上對物資進行預測，而不是單純地依靠過往經驗進行簡單的預測提報。本文通過神經網絡、時間序列等為物資預測提供一個可靠的方法[1-2]。

1 算法研究基礎

以往的預測往往根據專家意見或者運用簡單移動平均等方法。近年來，通過對歷史累計的大數據進行挖掘建模，得到預測模型的方法來預測，通常可以達到較理想的精度。提高物資需求預測精度是解決當下物資管理問題的絕佳手段，通過對每個月的物資領料數據及退料數據進行時間序列分析，發現物資領用呈現間斷性和連續性2 種特征，本文將從這2 個角度分別展開建模。

2 物資預測方法

2.1 連續性需求預測方法

2.1.1 ARIMA 預測算法

ARIMA（差分整合移動平均自回歸）算法的理論基礎是從平穩、有規律的序列數據中提取其長期趨勢、季節趨勢、隨機誤差，使用一定模型公式表達這些趨勢，獲得對未來結果的預測。常用的預測方法有AR（自回歸）、MA（移動平均）、ARMA（移動平均自回歸）等，常用來進行平穩性檢驗或選擇模型的方法有單位根法、白噪聲檢驗法、偏自相關圖、自相關圖等。對于非平穩序列一般都需要通過差分將其轉換成平穩序列（ARIMA）；對得到的平穩序列進行建模以確定最佳方法（AR，MA，ARMA 或者ARIMA）。ARIMA 算法是進行連續型數據的有效預測算法。

2.1.2 LSTM 神經網絡

LSTM（長短期記憶）通過在神經網絡的隱藏層中增加記憶單元，每次在隱藏層的單元中傳遞時通過forget gate，input gate，output gate 調整之前信息和當前信息的記憶和遺忘權重，使得其具備記憶之前計算結果的功能，這個特點可以解決傳統神經網絡對于長鏈條網絡層梯度爆炸產生的誤差問題，從而能比傳統神經網絡更好地利用沉淀數據進行預測，是對未來物資需求的良好預測算法[3]。

2.2 間斷性需求預測方法

2.2.1 指數平滑法

指數平滑法的基本思想是利用分別給遠期和近期的數據賦予不同的權重因子，距離預測時期越近的歷史數據權重越高，利用各個數據點的權重平滑計算求和得到預測值。指數平滑法具有保留全部歷史數據、算法簡單、結果穩定的特點，能對間斷性物資進行有效的預測。常用的有一次指數平滑法和二次指數平滑法[4-7]。

一次指數平滑法的公式為：

式中：yt+1′為預測值；yt′為t 周期的平滑值；α 為平滑系數。公式意為通過前t 期預測1 期的數據。

二次指數平滑法公式為：

2.2.2 Croston 預測法

Croston 預測法和指數平滑法都是預測間斷性物資的方法，Croston 法相較于指數平滑法，其在時間間隔比較大的情況下具有優勢，但是也要求物資的需求量符合正態分布且非零需求之間的間隔相對穩定[8-10]。

3 實例研究

3.1 數據獲取

從ERP 系統中獲得浙江省某市2013—2018年歷史配電網物資的領料及退料歷史數據，主要數據如表1 所示。

表1 項目領料主要數據

3.2 物資類別標包化處理

對物資的時間序列進行相關性分析和專家討論，發現以單個小類物資進行建模時，由于數據量的原因，其預測誤差將會較大。對某些特性相似的物資按照使用特性打包為41 類標包，以標包為基礎進行預測將提高模型的穩定性和精準度。部分典型標包如表2 所示。

表2 部分典型標包

3.3 算法建模

結合物資的時間序列特性，選用ARIMA 法和LSTM 神經網絡對連續型物資進行建模，選用指數平滑法和Croston 法對間斷性物資進行建模。

本文選取標包“10 kV 交流避雷器”代表連續性物資進行后續的建模預測。選取標包“10 kV 環網柜-空氣”代表間斷性物資進行后續的建模預測。

3.3.1 間斷性物資需求預測

（1）指數平滑法預測分析

對標包“10 kV 環網柜-空氣”的數據運用二次指數平滑法，從而預測出標包“10 kV 環網柜-空氣”未來的需求，預測結果如圖1 所示。

圖1 指數平滑法預測結果

（2）Croston 法預測分析

Croston 法是1 套針對間斷性物資預測的方法，能夠很好地解決間斷性物資歷史需求數據較少的缺點。運用Croston 法對標包“10 kV 環網柜-空氣”未來需求進行預測，將其2013—2018 年間斷物資數據作為原始數據進行建模，預測結果如圖2 所示。

圖2 Croston 法預測結果

從以上2 種模型的預測序列來看，二次指數平滑法與Croston 法相比，二次指數平滑法的平均誤差率為20%，Croston 法的平均誤差率為34%；二次指數平滑法的預測結果差值波動范圍更窄，方差更小，因此對于間斷性物資的預測模型本次建模選擇二次指數平滑法作為最終算法。

3.3.2 連續性物資需求預測分析

（1）時間序列ARIMA 算法預測分析

基于物資領用的時間序列，對標包“10 kV 交流避雷器”未來需求進行預測。首先，對“10 kV 交流避雷器”序列進行平穩性檢驗。單位根統計量檢驗結果p 值為0.021，顯著小于0.05，則時間序列為平穩序列，然后驗證時間序列的拖尾性及截尾性。

自相關圖（圖3）顯示呈1 階拖尾，偏自相關圖（圖4）顯示0 階截尾。因此，選擇AR（1）作為建立的ARIMA 模型。根據ARIMA 參數的設置，建立AR（1）模型作為對標包“10 kV 交流避雷器”進行預測，預測結果如圖5 所示。

圖3 自相關圖

圖4 偏自相關圖

圖5 ARIMA 法預測結果

（2）LSTM 神經網絡實現物資需求預測分析

使用LSTM 對標包“10 kV 交流避雷器”的需求進行建模預測。需要對LSTM 神設置訓練參數，其參數設置如表3 所示。

表3 LSTM 神經網絡的參數

每年的標包實際發生金額和年度的投資計劃緊密相關，經過相關性分析，發現兩者的相關性達0.67，屬于中高度相關，故將年度投資金額也納入神經網絡。建模中，使用Python 作為建模環境，Tensor Flow 作為學習框架，使用Sigmoid 函數作為active function，其訓練步驟基本表達式為：

其中σ 即為Sigmoid 函數，在神經網絡的每一個連接中都進行這樣的計算迭代，直到模型達到預先設置的誤差標準或者完成最大運算步驟，預測結果如圖6 所示。

圖6 LSTM 預測結果

從以上2 種方法的預測序列來看，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需求為最低標準，應優先選取預測結果高于實際值的算法，則對于連續型物資的預測模型選擇LSTM 神經網絡作為最終算法。

通過使用LSTM 神經網絡、ARIMA、二次指數平滑、Croston 模型分別予連續型物資和間斷性物資進行研究預測，通過篩選最終得到了平均預測精度20%左右的模型，有效地提高了物資預測的精度。能夠有效地輔助物資管理人員進行物資的預測決策，極大地節約企業采購成本，提升了市場綜合競爭力。

4 結語

物資庫存是支撐電力工程建設的基礎，只有保障物資的充分供應才能保障國家電力工程的良好建設。但是快速的發展又留下了大量的庫存，拉低了總體庫存的周轉率，必須從內部和外部逐漸解決該問題。內部的持續消耗和外部的精準供應都是良好的處理方向。本文利用電網大數據和神經網絡等數據挖掘算法改良了以往的物資預測方法，且該方法已在電力系統內運用，預計能夠逐步提高物資預測的準確率，提升庫存的周轉率，解決物資的庫存問題[11-16]。