基于改進ARIMA模型的電力物資數據預測分析

摘 要：準確的物資需求預測結果，對合理編制電力物資供應計劃有重要意義。因此，本文提出一種結合ARIMA模型和BP神經網絡的方法，以更準確地預測電力物資需求時間序列。使用ARIMA模型對物資需求量進行線性預測，將預測的殘差序列作為BP神經網絡的輸入，利用神經網絡對殘差序列進行非線性建模，修正ARIMA模型的預測值。試驗結果表明，修正BP神經網絡的誤差可以顯著提高預測精度，使預測結果更加貼近實際值，可以為保證物資供應的質量和效益提供重要的決策依據。

關鍵詞：人工智能；電力物資；數據預測；數據分析

中圖分類號：F 25" 文獻標志碼：A

隨著電力系統不斷發展及其智能化的推進，電力物資需求的規模持續增加，保證電力系統的穩定運行和保障供電安全成了關鍵任務[1]。面對復雜且高維的電力物資數據，傳統預測方法已難以滿足需求，需要探尋更創新高效的解決方案。在此背景下，引入人工智能技術，并將其應用在電力物資數據分析中，開啟了精準預測電力物資需求的新篇章。通過利用人工智能的大規模數據處理能力和發現復雜關聯性的優勢，可以提高電力系統的可靠性和效率[2]。

國內外研究顯示，物資預測在供應鏈管理中占據重要位置，已發展出多種預測理論和方法。傳統上，線性回歸模型、移動平均法、指數平滑法等基于歷史數據分析的方法廣泛應用于需求預測。這些方法通過分析歷史趨勢和選擇誤差均方差最小的模型來提高預測準確率。隨著非線性序列預測需求增加，非線性預測方法（支持向量機算法和神經網絡算法）的應用也逐漸增加，這些方法將需求預測轉化為分類問題，提高了物資計劃管理的效率。

通過結合傳統的線性預測方法和現代的非線性預測技術，特別是引入人工智能算法，可以有效提高電力物資需求預測的準確性和效率。不僅為電力系統的穩定運行提供支持，也能提高供應鏈管理水平[3]。

1 人工智能技術預測電力物資數據

1.1 ARIMA時間序列預測法

自回歸差分移動平均（AutoRegressive Integrated Moving Average，ARIMA）模型是一種常用于時間序列預測的統計方法，廣泛應用于經濟學、金融、氣象學等領域。ARIMA模型結合了自回歸（AR）、差分（I）和移動平均（MA）這3個元素，具有較強的適應性和預測性能。

ARIMA模型的核心思想在于對時間序列進行差分，使其趨勢平穩化，然后通過自回歸和移動平均的組合來捕捉數據中的結構和規律。圖1為ARIMA不同模型之間相互轉化示意圖，圖中p、d、q分別為自回歸階數、差分次數和移動平均階數。當自回歸和移動平均的參數都為0（即p=q=0）時，模型就退化為僅包括差分的模型，而設置差分次數d為0時，得到一個沒有差分的ARIMA模型。當p=0，即沒有自回歸項時，會退化為MA（q）模型，表示一個僅有滑動平均部分的模型。同樣地，當q=0，即沒有移動平均項時，ARIMA（p， q）將退化為AR（p）模型，表明一個僅有自回歸部分的模型。當AR（p）模型中的p=0、以及MA（q）模型中的q=0時，兩者都會退化為“白噪聲”模型。白噪聲是一個序列完全隨機，不存在可以預測的模式或規律。整個圖示清晰地解釋了當ARIMA模型的不同參數取特定值時，模型是如何簡化為其他更基礎的時間序列模型的，對理解時間序列分析中模型選擇和模型間的聯系有很大幫助。

ARIMA模型具有簡單、可解釋性強的優點，適用于對線性趨勢和季節性影響較弱的時間序列數據。其預測結果可用于制定策略、規劃資源和進行風險管理。當對電力物資月需求量進行分析和預測時，具體流程圖如圖2所示。首先，對電力物資序列數據進行數據分析，如果數據是非平穩的，就需要先對數據進行差分運算。其次，對數據是否白噪聲進行判斷，若非白噪聲，則進行定階，即確定ARMA模型中的自回歸項和移動平均項的階數。在定階之后，對參數進行估計，以估算模型中各參數的值。估計完成后，對模型進行檢驗，以保證估計的模型是有效的。如果模型檢驗不通過，就需要返回重新進行定階和參數估計。如果模型檢驗通過，就使用該模型預測未來的數據。最后，根據預測結果進行決策支持。這個過程是迭代的，需要多次調整模型以保證預測的準確性和有效性。

1.2 BP神經網絡

BP神經網絡（Backpropagation Neural Network）是一種常見的人工神經網絡（ANN）架構，屬于監督學習的一種。它廣泛應用在模擬和學習非線性關系、模式識別和預測等任務方面。BP神經網絡通常包括輸入層、隱藏層（可以有多個）以及輸出層。每個層內有多個節點（神經元），節點之間的連接具有權重。輸入層接收輸入信號，通過權重傳遞到隱藏層，最終到輸出層。每個節點都通過一個激活函數（通常是“S”形函數，也稱為Sigmoid函數）將其輸入轉換為輸出。訓練過程采用反向傳播算法（Backpropagation），它通過計算實際輸出與期望輸出之間的誤差，將誤差信息沿著網絡反向傳播，調整連接權重，以最小化誤差。將這個過程進行迭代，直至網絡的輸出足夠接近期望輸出或者達到預定的訓練迭代次數[4-5]。BP神經網絡預測流程如圖3所示。

BP神經網絡廣泛應用于模式識別、數據挖掘、預測分析、語音識別、圖像處理等領域。它具有處理非線性關系和復雜模式的能力，因此成為人工智能和機器學習領域中的重要工具。

2 基于BP誤差修正的ARIMA模型

本文提出了一種結合ARIMA模型和BP神經網絡的方法，以更準確地預測電力物資需求時間序列。使用ARIMA模型對需求量進行線性預測，將預測的殘差序列作為BP神經網絡的輸入。通過神經網絡對殘差序列進行非線性建模，修正ARIMA模型的初始預測值，從而得到更精確的最終預測結果。這種組合方法旨在克服ARIMA和BP神經網絡各自的局限性，提高預測的準確性。具體的步驟如下。

對電力物資需求時間序列的線性部分進行預測，如公式（1）所示。

et=yt- " （1）

式中：yt為原始時間序列；為預測結果；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神經網絡對非線性部分進行逼近，將{et}作為BP神經網絡輸入，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神經網絡模型；εt為偏置項。

對線性與非線性兩種預測結果進行疊加，得到最終的預測結果，如公式（3）所示。

=+ " （3）

式中：為最終預測結果；為線性部分預測結果；為非線性部分預測結果。

從預測過程來看，本文所提方法充分發揮了ARIMA和BP兩種模型的優勢，能夠提高預測的準確性。通過ARIMA模型對電力物資需求時間序列進行線性部分預測。利用BP神經網絡對ARIMA模型的預測結果進行誤差修正，以更精確地提取物資需求序列中的各種數據特征。應用這種綜合模型能夠有效地整合ARIMA的線性建模和BP神經網絡的非線性擬合能力，從而提高對未來需求的準確預測性。

3 試驗結果與分析

本文對某地區2015 年 12 月— 2016 年 12 月的鋼芯鋁絞線月度需求量數據進行分析，得到的結果如圖4所示。分析該圖可知，修正BP神經網絡的誤差可以顯著提高預測精度，使預測結果更加貼近實際值。在ARIMA模型后半年的預測誤差較大的情況下，BP神經網絡的誤差修正效果尤為顯著，特別是在10月—12月，修正后的預測值幾乎與實際鋁絞線需求量完全吻合。這說明通過結合ARIMA模型的線性預測和BP神經網絡的非線性修正，能夠更準確地捕捉并糾正時間序列中的復雜模式，從而提高了對電力物資需求的預測準確性。

圖 5展示了預測算法改進前后的相對誤差率比較。總體而言，改進前，ARIMA模型的平均相對誤差率為7.86%。而在引入BP神經網絡進行誤差修正后，平均相對誤差率降至4.88%，比改進前降低了2.98%。這種明顯的降幅表明結合BP神經網絡的誤差修正策略在提高預測精度方面取得了顯著效果。

4 結論

本文對電力物資預測提出在ARIMA模型的基礎上引入BP神經網絡修正誤差進行研究，以全面提取物資序列中的復合特征，提高電力物資的預測精度。將鋼芯鋁絞線月度需求量為電力關鍵物資作為代表，對其進行了預測試驗。試驗結果表明，經過誤差修正的電力物資預測精度明顯提高，為制定物資采購計劃提供了重要的數據支持。應用這種綜合算法對電力系統的物資管理和采購決策具有實質性的幫助。

參考文獻

[1] 王藝蒙. 國電東北電力有限公司物資采購管理模式研究[D].吉林：吉林大學，2012.

[2]龐山.基于大數據技術的電力系統信息化運維體系研究[J].互聯網周刊，2024（9）：20-22.

[3] 劉苗. 打造國際一流的物資供應鏈[N]. 國家電網報，2013-08-01（7）.

[4] 沈男. 基于改進 BP 神經網絡的電網物資需求預測研究[D].北京：華北電力大學，2014.

[5] 陳文康. SCP 電力公司物資需求預測系統的設計與實現[D].成都：電子科技大學，2013.