電力物資年需求關鍵影響因素分析與差異化預測模型研究

南方電網物資有限公司 胡陽升 謝 斐 蘇書堅

引言

影響電網工程所需電力物資需求預測的關鍵因素，包括國家政策導向影響、物資品類特征影響、樣本數據的數量和質量影響等。眾多影響因素的存在使得電網企業預測工作的難度增大，為更好地指導電網企業進行投資計劃的制定，亟需相關領域的研究對電力物資需求預測工作提供新思路、做出科學指導。

國外在物資需求預測方面的研究起步較早。Elragal H[1]提出一種基于模糊遺傳算法的神經網絡模型，對間歇性電網物資供應問題進行研究且效果良好；Behera R[2]等為了預測未來較長一段時間的物資需求情況，構建了一種基于遺傳算法的電力系統物資需求預測模型；Jevons[3]認為時間序列研究的重心不應是周期性的波動，而是剔除周期性影響后剩余的成分。

國內對物資需求預測問題的研究起步較晚。在物資需求預測方面，呂曉輝[4]等提出我國企業當前面臨的熱點問題是如何更快更好的吸收、消化國外的先進管理經驗，轉變傳統管理觀念，創新管理模式。在電力物資需求特性方面，王竹君[5]等研究了考慮物資需求歷史數據對預測的影響進行預測。在基于大數據的電網物資需求預測方面，李倩[6]等提出了基于大數據技術下的電網物資需求計劃預測和管控模式。

隨著公司數字化轉型和數字電網建設行動方案中有關于供應鏈全生命周期的相關要求、以及近年來集團品類優化與電網集中度的不斷提升等，這使得對于物資需求預測的準確度要求越來越高。本文結合國家相關政策、樣本數據的特征，以及物資品類特征分析了影響物資需求的關鍵影響因素，針對電網企業電力物資需求，構建了基于時間序列的移動平均法和基于年增長率回歸分析的集成預測模型，并進行算例分析，驗證了該預測思路的合理性和有效性。

1 電力物資需求預測關鍵影響因素

南方電網企業目前主要通過綜合考慮項目建設要求、歷史需求計劃、年度采購計劃以及項目的實施進程編制物資需求預測計劃（圖1）。

1.1 國家政策導向影響預測的品類和數量

在新基建政策的指導下，電網企業積極加強“新基建”項目配套電力建設，密切跟蹤“新基建”項目進展，持續優化電力營商環境，充分考慮“新基建”帶來用電需求的增加，動態優化電網建設標準，著力消除薄弱環節，針對性地提高重點區域電網設計容量，保持必要的裕度，適應未來發展需求。以上這些順應政策的舉措影響電力建設工程的種類、規模和數量，從而產生不同品類、數量的電力物資需求。

1.2 樣本數據的數量和質量影響需求預測的精度。

從樣本的數量來看，為了保證預測結果的準確性，需保證樣本數據完整且大量，否則預測模型計算結果的準確性將大打折扣。從樣本的質量來看包括七個方面：完整性、一致性、準確性、唯一性、關聯性、真實性、及時性。任何方面的都會導致預測方法的選擇不當或預測結果的較大誤差。

1.3 物資品類特征影響預測的方法

物資需求按項目類型及物資用途體現出有個性和共性的差異。共性物資每年采購量波動相對較小，物資需求量相對穩定；個性物資需求不穩定，年需求量起伏較大。故兩類物資的需求預測工作顯然不適用同樣的方法。例如，10kV 交流電力電纜作為共性物資，每年采購量波動相對較小，表明此類物資需求量相對穩定，以歷史采購量為依據采用基于時間序列的移動平均、年平均增長率等算法能取得比較好的預測效果。

2 年度需求差異化預測模型構建

結合本項目中企業實際采購物資品類，擬結合不同物資品類特征、數據特征和影響因素，考慮采用適應機制的集成化大數據預測技術，圍繞直接預測和間接預測的思路，對不同物資品類進行差異化的年度預測（圖2）。

2.1 基于時間序列的移動平均法

時間序列-移動平均法是一種簡單平滑預測技術，即根據時間序列逐項推移，依次計算包含一定項數的序時平均值以反映長期趨勢的方法。因此，當時間序列的數值由于受周期變動和隨機波動的影響起伏較大、不易顯示出事件的發展趨勢時，使用移動平均法可消除這些因素的影響，顯示出事件的發展方向與趨勢（即趨勢線），然后依趨勢線分析預測序列的長期趨勢。使用移動平均法進行預測的計算如下式FDt=(Dt-1+Dt-2+Dt-3+ +Dt-n)/n 所示，式中：FDt為對下一期的預測值；n 為移動平均的時期個數；Dt-n為前n 期實際值。

2.2 基于年增長率的回歸模型

年增長率法是分析經濟周期波動的一種最常用的方法，指根據預測對象在過去的統計期內的年增長率，類推未來某期預測值的一種簡便算法。年增長率的計算如公式：Y=(D(t+1)-D(t))/D(t)。

回歸分析指確定兩種或兩種以上變量間相互依賴的定量關系，年增長率可準確地表達經濟周期波動的一種表現形式，通過對年增長率和年份兩個變量進行回歸分析，確定其發展趨勢，對未來的某期增長率進行預測，回歸方程如下：Y'=a0+a1×cos(xω)+b1sin(xω)。基于樣本數據進行預測的過程中，預測過程以及預測結果不可避免地會受到外界環境變動的影響，為綜合考慮相關變動帶來的影響，本文引入年增長率糾偏因子λ，從而得到如下預測值計算公式：FDt=Dt-1(1+Y'+λ)。

2.3 模型集成

為減少利用單一預測方法進行預測可能存在的誤差，一般會通過權重分配對兩種或兩種以上的預測結果進行集成，各分配權重大多采用最小二乘法進行設定。目標函數如下：

得出精確度最高時的最優解α；β。

3 算例分析

根據模型構建中涉及到的不同公式構建，求得下表2各參數的計算結果，將10kV 電力電纜（阻燃型）ZRC-YJV22（鎧裝）8.7/15kV -3×300mm2的歷史數據代入此模型，進行訓練和驗證。

表1 模型參數計算結果

表2 集成預測數據驗證結果

將D(t)、t(年份)、λ、α、β 等參數輸入公式：FD(t+1)=FD1(t+1)×α+FD2(t+1)×β 得到其輸出的結果為FD(2019)、FD(2020)、FD(2021)；將D2019、D2020、D2021、FD(2019)、FD(2020)、FD(2021)等的參數輸入以下公式：Ω=1-[(FD(t)-Dt)/Dt]，輸出結果為Ω2019、Ω2020、Ω2021。

通過大數據技術的多次計算訓練之后，按照訓練生成的糾偏因子以及三角函數回歸預測的年增長率，計算2019～2021年增長率的預測值；按照訓練結果確定的移動階數為2的移動平均法計算2019～2021年預測值；經過最小二乘法，計算最終確定年增長率預測結果和周期為2的移動平均法預測結果的權重分別為0.9995和0.0005，對2019～2021年做年度需求量進行預測。

由表2可看出，2019～2021年的歷史數據的集成預測結果平均精確度為83.15%，充分說明該預測模型精確可靠、具有可行性，因此該預測模型驗證通過。在完成模型的構建及驗證后，以2017～2021年的實際需求數據作為數據分析樣本集帶入模型，對2022年的10kV 電力電纜ZRC-YJV22（鎧裝）8.7/15kV-3×300mm2年度需求量進行預測。從大數據訓練的結果可知，糾偏因子為10%、年增長率預測結果和周期為2的移動平均法預測結果的權重分別為0.9995和0.0005進行組合集成預測。

預測2022年數據結果：FD(2022)=α×FD1(2022)+β×FD2(2022)=α[D2021(1+Y'+λ)]+β[(q2020+q2021)/2]=3719.44。

綜上所述，2022年10kV 電力電纜（阻燃型）ZRC-YJV22（鎧裝）8.7/15kV-3×300mm2年度需求量為3719.44km。集成預測結果平均精確度為83.17%，充分說明該預測模型精確可靠、具有可行性，證明了該預測模型在10kV 電力電纜預測上的適用性。

4 結語

綜上所述，科學合理的物資需求預測模型能針對各類物資的需求數量進行科學預測，逐步將需求計劃管理方式由“被動需求管理為主，人為經驗預測為輔”的計劃管理模式，轉變為“科學預測物資需求，差異化調整計劃，指導分層采購”的主動計劃管理模式，增強了物資采購計劃的準確性。應當不斷優化物資計劃管理并且還要建立科學合理的物資需求預測體系，不斷提高電網物資需求預測結果的準確性。