基于改進BPNN算法的電力物資需求預測方法

摘 要：電力物資需求預測是電力企業運營管理中一項重要技術，但是當前預測水平比較低，不僅MAPE比較大，而且預測結果置信度水平比較低，無法達到預期的預測效果，因此提出基于改進BPNN算法的電力物資需求預測方法。為保證電力物資需求預測的準確性，首先按照項目的性能將電力物資分為技改物資、維修物資、科技物資、基建物資以及信息物資，然后根據劃分的物資類別從電力物資信息系統或者平臺上收集歷史電力物資信息，并對數據泛化和歸一化處理，利用改進BPNN算法對電力物資需求數據訓練，提取電力物資需求特征，量化預測電力物資需求，以此實現基于改進BPNN算法的電力物資需求預測。經實驗證明，設計方法MAPE不超過1%，預測結果置信度不低于95%，在電力物資需求預測方面具有良好的應用前景。

關鍵詞：改進BPNN算法 電力物資需求 電力物資信息系統 歸一化 需求特征 量化

中圖分類號：TP391

Power Material Demand Prediction Method Based on Improved BPNN Algorithm

ZHANG Libo LIU Lijun

Taiyuan Power Supply Company of State Grid Shanxi Electric Power ComjozdUa3cpdeBnat11SxdlA==pany， Taiyuan， Shanxi Province， 030001 China

Abstract： Power Material Demand Prediction is an important technology in the application and management of power enterprises， but the current prediction level is relatively low. Not only MAPE is relatively large， but also the confidence level of the prediction results is relatively low， which cannot achieve the expected prediction effect. Therefore， Power Material Demand Prediction method based on the improvement of BPNN algorithm is proposed. To ensure the accuracy of power material demand prediction， the power materials are firstly divided into technical materials， maintenance materials， scientific and technological materials， infrastructure materials and information materials according to the performance of the project. Then， according to the division of materials category， historical electricity material information is collected from the electricity material information system or platform， and the data is generalized and normalized. Using the improved BPNN algorithm to train data on power material demand， extract power material demand characteristics， quantify the power material demand， to realize the power material demand prediction based on the improved BPNN algorithm. The experiment has proved that the design method MAPE is not more than 1%， and the confidence level of the prediction results is not less than 95%， which has a good application prospect in power materials demand prediction.

Key Words： Improved BPNN algorithm; Power material demand; Power material information system; Normalization; Demand characteristics; Quantification

電力物資需求預測是電力企業制訂生產計劃、調度安排和檢修維護等決策的重要依據。通過預測，企業可以更好地把握市場需求和變化趨勢，及時調整生產和經營策略，提高決策效率和準確性。然而，由于電力物資需求的多樣性和復雜性，傳統的預測方法往往難以獲得精確的結果，在實際中預測結果置信度水平比較低，而且MAPE比較大，為此提出基于改進BPNN算法的電力物資需求預測方法。

1 電力物資分類

為了保證電力物資需求預測的準確性，在對物資需求預測之前，對電力物資進行分類，針對每一類別物資進行需求預測分析。考慮到分類依據不同，所區分的電力物資類別也會不同，本文按照項目的性能區分，將電力物資分為技改物資、維修物資、科技物資、基建物資以及信息物資5種，利用多元組表示為：

式（1）中：表示電力物資；表示電力技改物資；表示電力維修物資；表示電力科技物資；表示電力基建物資；表示電力信息物資[1]。技改物資是指電力技術改造所需要使用的物資，這是由于在科學技術不斷發展的情況下，先進的電力設備可以提高生產能力，降低成本，對電網的升級和改造，有利于提升企業的競爭力[2]。電力維修物資是指用于電力工程檢修與維護的物資，通常分為日常維修物資和應急搶修物資兩種。電力科技物資是指用于電力創新科技項目所使用的物資，比如無人機、機器人等。電力基建物資是指用于電力基礎設施建設的物資[3]。電力信息物資是指用于電力信息化工程所使用的物資，比如防火墻、交換機、光纖等。此外，還可以按照電力物資用途將其分為一次設備和二次設備。

2 歷史電力物資需求數據收集及預處理

根據劃分的電力物資類別，收集電力企業近3年或者近5年電力物資需求數據，數據來源于電力企業物資信息系統或平臺[4]，考慮到數據量比較大，為了滿足電力物資需求預測需求，對收集的原始電力物資需求數據進行預處理。考慮到電力物資種類不同，單位也有所差異，為了保證預測精度，采用最大值最小值法對電力物資需求數據進行歸一化處理[5]。其用公式表示為：

式（2）中：表示歸一化后的歷史電力物資需求數據；表示原始數據；、分別表示歷史電力物資需求最小值與最大值。利用以上公式對原始數據歸一化處理，將歷史電力物資數據值規范到0-1區間，消除數據量綱，為后續基于改進BPNN算法的電力物資需求特征提取奠定基礎。

3 基于改進BPNN算法的電力物資需求量化預測

將預處理后的歷史電力物資需求數據作為改進BPNN算法輸入向量，利用改進BPNN算法對歷史電力物資需求數據分析，提取到電力物資需求特征。隨著BPNN算法對數據迭代計算次數的增加，BPNN算法收斂性能逐漸減弱，很容易出現過早收斂，因此對BPNN算法參數進行更新，其用公式表示為：

式（3）中：表示更新后的BPNN算法權值參數；表示當前BPNN算法權值參數；表示BPNN算法的學習速率；表示BPNN算法的動量因子；、分別表示更新后的和當前的BPNN算法閾值參數。通過動態更新BPNN算法參數，提升BPNN算法收斂性能。利用改進后的BPNN算法對電力物資需求進行量化預測。改進BPNN算法由輸入層、隱含層以及輸出層組成，將處理后的電力物資需求數據輸入改進BPNN算法輸入層中，在輸入層中對數據集中化處理，統一數據格式。將集中化處理后的電力物資需求數據輸入到隱含層，在隱含層中利用神經元激活函數對電力物資需求特征進行提取。其用公式表示為：

式（4）中：表示隱含層第個神經元輸出的電力物資需求特征向量；表示神經元數量。將提取的電力物資需求特征輸入BPNN算法的輸出層中，在輸出層中對需求特征線性回歸分析，量化出電力物資需求。其用公式表示為：

式（5）中：表示電力物資需求量；表示回歸系數；表示經驗系數；表示參照電力項目特征量；表示預測電力項目與參照電力項目的相似度。將相似度最大的電力項目作為參照項目，通過對其線性分析，得到當前電力項目所需的電力物資，以此實現基于改進BPNN算法的電力物資需求預測。

4 實驗論證

4.1 實驗準備與設計

以某電力公司為實驗對象，收集該電力公司2020—2022年的電力物資使用歷史數據，數據中包含20個電力項目，電力物資種類共5種，數據量為1.25 GB，將其作為改進BPNN算法訓練集。利用改進BPNN算法對電力物資需求歷史數據訓練，提取電力物資需求特征，從而預測出2024年1—12月電力物資需求，預測結果與實際情況對比如圖1所示。

4.2 實驗結果與討論

根據該公式電力物資需求預測結果與實際情況，測算出方法的置信度和MAPE（平均絕對百分比誤差），將本文方法與兩種主流方法對比，對比結果如表1、表2所示。

對比表1中數據可以看出，設計方法預測結果置信度始終在95%以上，兩種主流方法預測置信度相對低于設計方法。對比表2中數據可以看出，在電力物資需求預測MAPE方面，設計方法不超過1%，遠低于兩種主流方法。從兩個評價指標來看，設計方法在電力物資需求預測方面具有絕對的優勢，證明了設計方法可以較好地對電力物資需求預測。

5 結語

本文提出了一種基于改進BPNN算法的電力物資需求預測方法，并對其進行了深入的研究和驗證。此次對改進BPNN算法進行了一定的優化和調整，但仍存在進一步優化的空間。未來的研究可以探索更多的優化策略和技術，如網絡結構優化、學習率自適應調整等，以提高模型的性能和泛化能力。

參考文獻

[1]郇明.電力物資供應鏈全過程管理運營分析[J].中國物流與采購，2023（17）：109-110.

[2]李偉.基于物聯網技術的應急電力物資智能倉儲與調配管理研究[J].海峽科技與產業，2023，36（8）：75-77.

[3]陶加貴，孫毅，趙恒，等.電力物資小樣本集的改進長短期需求預測模型[J].電氣自動化，2023，45（1）：50-53.

[4]陳瑜，高瞻，張苗，等.基于電力物資需求提報前延的實物儲備補庫閾值優化[J].物流技術，2022，41（12）： 103-108，152.

[5]江奮航，蔣雍，李情.電力物資供應鏈全過程精細化管理系統[J].自動化技術與應用，2022，41（9）：165-168.