基于“STL+ARIMA”模型的電力物資需求時間序列預測

摘要：隨著電力行業的快速發展，物資需求的精確預測成為提高企業運營效率和降低成本的關鍵因素。本文基于國網福建省電力有限公司廈門供電公司2021年至2023年的部分物資出庫數據，研究了多種時間序列預測模型對電力物資需求的預測能力。本文選取了ARIMA、SARIMA、LSTM、KNN、ETS、“STL+ARIMA”等6種模型，并通過MAE（平均絕對誤差）、MSE（均方誤差）、R-squared（決定系數）等多項評價指標對其預測精度進行了比較。實驗結果表明，“STL+ARIMA”模型在所有模型中表現最佳，能夠有效捕捉數據中的季節性波動和趨勢變化，預測精度遠超其他模型。本文為電力企業物資需求預測提供了高效且精確的模型選擇方案，有助于優化物資供應鏈管理，降低成本，并提升整體運營效率。

關鍵詞：電力物資需求；時間序列預測；“STL+ARIMA”模型；SARIMA模型；LSTM神經網絡

引言

隨著電力行業的快速發展，物資需求的管理與預測成為提升企業運營效率和降低成本的關鍵環節[1]。電力物資的需求量受季節變化、天氣條件、設備故障等多種因素的影響，且電力生產與供應存在高度不確定性，這使得物資的需求波動變得及其復雜[2]。然而，對電力企業而言，精確預測物資需求對保障電力供應的穩定性、減少庫存成本、優化物資采購和分配具有重要意義。

近年來，隨著信息技術的快速發展，電力行業在物資管理領域逐漸向數據驅動方向發展。時間序列預測作為一種有效的分析工具，能夠通過歷史數據捕捉物資需求的規律和趨勢，從而為物資采購和庫存管理提供科學依據[3]。例如，自回歸差分移動平均（auto-regressive moving average，ARIMA）模型就是一種經典的時間序列預測方法，常被用于物資需求預測[4～6]。

此外，在電力物資需求預測領域，宋鑫磊等提出了一種結合季節性差分自回歸滑動平均（seasonal autoregressive integrated moving average，SARIMA）模型與自適應神經模糊推理系統（adaptive-network-based fuzzy inference systems，ANFIS）的復合預測模型[7]。該模型首先分別應用SARIMA模型和ANFIS對電力物資需求進行獨立預測，再通過反向傳播神經網絡（back propagation neural network，BPNN）進行融合，最終生成一個更為準確的綜合預測結果。

李巍等提出了一種結合ARIMA模型與BPNN的方法，其中ARIMA模型用于對電力物資需求的線性趨勢進行建模，預測誤差序列作為BPNN的輸入，通過神經網絡對誤差序列進行非線性建模，從而修正ARIMA模型的預測結果[8]。

張立波和劉俐君則提出了一種基于改進的BPNN的電力物資需求預測方法。該方法首先對電力物資進行分類，隨后利用改進的BPNN算法對電力物資需求數據進行訓練，從而提取出物資需求的特征，量化預測電力物資需求[9]。

向洪偉等提出了一種基于參數優化的變分模態分解（variational mode decomposition，VMD）與長短期記憶（long short-term memory，LSTM）神經網絡相結合的電力物資需求預測方法。該方法通過優化VMD對原始序列進行模態分解，將各模態分量分別構建LSTM神經網絡進行預測，最后將各模態的預測結果進行加權疊加，得到電力物資需求的最終預測值[10]。

總體來說，電力物資需求的高度波動性和多變性使得傳統預測方法難以應對，因此，如何利用先進的時間序列模型提升預測精度，成為電力企業面臨的一項重要任務。

1. 預測方法

1.1 問題描述

在電力企業中，物資需求量受到多種因素的影響，使得物資需求數據呈現出強烈的非線性和季節性特征。因此，傳統的庫存管理和供應鏈優化方法往往無法充分應對這些需求波動，無法為電力企業提供精準的物資需求預測。

本文聚焦于電力物資需求的時間序列預測問題，基于國網福建省電力有限公司廈門供電公司（以下簡稱“廈門供電公司”）2021～2023年36個月的倉庫物資的出庫數據，選取了常用物資A，建立高精度的預測模型，通過對不同預測模型的比較，旨在探索最適合電力行業物資需求預測的方案，從而優化物資供應鏈管理，降低成本，并提高整體運營效率。

1.2 預測模型選取

為了準確預測物資A的需求量，研究選擇了多種時間序列預測模型，涵蓋了傳統統計方法、機器學習方法、深度學習方法。這些模型不僅能夠捕捉數據的季節性和趨勢性，還能處理復雜的非線性關系。具體選用了以下六種模型。

1.2.1 ARIMA模型

ARIMA模型是一種經典的時間序列預測方法，適用于處理平穩時間序列數據。通過對歷史數據的自相關性進行建模，ARIMA模型能夠有效捕捉數據中的趨勢性和周期性變化。該模型適用于不含明顯季節性波動的物資需求數據。

1.2.2 SARIMA模型

SARIMA模型在ARIMA模型的基礎上引入了季節性因素，適用于存在顯著季節性波動的時間序列數據。考慮到電力物資需求量通常會受到季節性波動的影響，SARIMA模型為解決季節性問題提供了有效的工具。

1.2.3 “STL+ARIMA”模型

季節性與趨勢分解（seasonal-trend decomposition using Loess，STL）方法將時間序列數據分解為趨勢、季節性和殘差三部分，然后使用ARIMA模型對殘差部分進行建模。“STL+ARIMA”模型結合了各自的優勢，特別適合處理具有明顯季節性和趨勢變化的時間序列數據。

1.2.4 LSTM神經網絡

LSTM神經網絡是一種深度學習模型，擅長處理具有長期依賴性的時間序列數據。由于電力物資需求數據往往具有長時間依賴性，LSTM神經網絡能夠通過學習歷史數據中的復雜模式，提供精準的預測。

1.2.5 KNN算法

K最鄰近（K-Nearest Neighbor，KNN）是一種簡單但有效的機器學習算法，通過度量訓練集與待預測點之間的距離進行預測。盡管KNN算法在時間序列預測中較少應用，但能夠基于數據的相似性提供有用的預測結果。

1.2.6 ETS模型

誤差-趨勢-季節性（error-trend-seasonality，ETS）模型是一種平滑方法，廣泛應用于處理具有季節性和趨勢性的時間序列數據。該模型通過加權歷史數據進行預測，能夠在一定程度上適應物資需求的季節性波動。

1.3 模型評價

在模型選取過程中，考慮到物資A需求數據的季節性特征和趨勢性變化，本文選擇了適合處理季節性波動和趨勢變化的模型。為了驗證各模型的適用性和預測精度，所有模型在同一數據集上進行了訓練和測試，并且按照80%劃分訓練集、20%劃分測試集。各模型的預測效果將通過評估指標（如MSE、MAE、R-squared）進行比較，以確定最適合電力企業物資需求預測的模型，如表1所示。

2. 實證分析

2.1 數據初步分析

研究選取了廈門供電公司從2021年1月到2023年12月的A物資出庫量數據進行預測，其中挑選了常用的物資A的數據進行預測模型擬合與精度對比。使用describe函數，從平均值、標準差、最大最小值、25%值、75%值、極差、峰度與偏度等方面對物資A月度出倉數據作統計性描述，結果如表2所示。

2.2 預測結果

本文選用了多種時間序列預測模型來預測電力物資A的月度出庫量，并通過比較不同模型的預測精度，評估其適應性與準確性。所選模型包括經典的統計方法（如ARIMA模型、SARIMA模型、ETS模型）、基于機器學習的KNN算法、基于深度學習的LSTM神經網絡，以及“STL+ARIMA”模型，各模型的預測效果圖如圖1所示，預測精度指數如表3所示。

ARIMA模型作為時間序列分析中的經典方法，主要用于處理不含季節性波動的數據。在本文中，ARIMA模型對電力物資A的月度出庫量數據進行建模，以捕捉其中的趨勢性變化。然而，從預測結果來看，ARIMA模型的擬合系數為負（-0.1834），表明該模型未能有效擬合數據，且無法準確捕捉數據中的季節性波動和趨勢性變化。為了解決ARIMA模型未能處理季節性波動的問題，本文進一步采用了SARIMA模型，該模型在ARIMA模型的基礎上引入了季節性成分，旨在更好地捕捉時間序列中的季節性波動。結果表明，SARIMA模型相比于ARIMA模型有了顯著的改進。SARIMA模型的MAE為1.3320，MSE為2.9228，且R-squared值為0.2972，表明SARIMA模型能夠在一定程度上擬合數據中的季節性波動，預測精度相較于ARIMA模型有所提高。盡管SARIMA模型的擬合度仍然較低，遠未達到理想水平，但其在季節性捕捉上的優勢使得該模型相較于ARIMA模型更具可行性。

在捕捉到A物資出倉數據季節性特性的基礎上，進一步嘗試了廣泛應用于具有季節性和趨勢性變化的時間序列數據的ETS模型，以及STL+ARIMA模型的組合模型。在研究中，ETS模型表現出較為良好的預測精度，擬合系數為0.5543，盡管其擬合值低于“STL+ARIMA”模型，但相對于其他模型，ETS模型在捕捉季節性波動方面表現較好，能夠提供相對準確的預測結果。“STL+ARIMA”模型，通過STL先將數據分解為季節性、趨勢性和殘差部分，再利用ARIMA模型對殘差部分進行建模，能夠更好地處理具有顯著季節性和趨勢性變化的時間序列數據。根據模型結果，STL+ARIMA模型在所有模型中表現最佳，擬合度達0.8230，顯示出其在預測精度和擬合度方面的卓越表現，特別適合電力物資需求數據這類季節性強、波動大的時間序列數據。

相比之下，機器學習的KNN算法和深度學習的LSTM神經網絡在預測模型擬合效果上都不理想，擬合度幾乎為零。機器學習與深度學習方法更適用于長時間序列或基于大量數據進行擬合，而研究中電力物資月度需求數據數量較少，模型無法捕捉數據中的季節性成分或長期趨勢。

結語

本文通過對廈門供電公司物資A需求的時間序列數據進行建模與分析，比較了多種預測模型的效果，最終確定了“STL+ARIMA”模型為最適合電力行業物資需求預測的方案。該方案不僅為電力企業提供了一種高效的物資需求預測方法，也為未來物資供應鏈的優化管理提供了有力的理論支持和實踐指導。進一步的研究可以探索結合更多外部因素（如天氣、設備故障等）進行模型優化，未來電力企業將能夠更精準地預測物資需求，優化庫存管理，降低成本，提高運營效率。

參考文獻：

[1]劉培，傅子卿，孟慶豪，等.基于大數據分析的電力物資管理研究[J].電氣技術與經濟， 2024（10）：270-272.

[2]欒麗萍，趙玉蘋，張行健.數據分析方法在電力物資管理中的現狀分析及應用[J].現代企業，2024（10）：64-66.

[3]王賀云，劉培，喬亮，等.淺談數據分析在電力物資采購管理中的應用[J].石河子科技，2024（6）：41-43.

[4]丁靖，黃曉明，余乘龍.基于多因素融合與ARIMA的電力物資預測[J].能源與環保，2022，44（7）：227-231.

[5]鮑陽，馮露，孔楠楠，等.基于ARIMA模型對東江水源需水預測研究[J].吉林水利， 2024（7）：8-12.

[6]張書寶.基于ARIMA時序模型的灌區供需水量預測研究[J].江淮水利科技，2024（4）：28-33.

[7]宋鑫磊，黎莫林，詹勤輝，等.基于SARIMA與ANFIS組合方法的電力物資需求預測[J].機械設計，2022，39（6）： 66-72.

[8]李巍，周曉宇，連莎莎，等.基于改進ARIMA模型的電力物資數據預測分析[J].中國新技術新產品，2024（11）：136-138.

[9]張立波，劉俐君.基于改進BPNN算法的電力物資需求預測方法分析[J].科技資訊，2024，22（15）：44-46.

[10]向洪偉，曹馨雨，張麗娟，等.參數優化變分模態分解與LSTM的電力物資需求預測[J].重慶大學學報，2024，47（4）： 127-138.

作者簡介：李英龍，本科，工程師，350664575@qq.com，研究方向：電力物資管理；通信作者：李云峰，本科，工程師，15880207163@163.com，研究方向：電力信息化。

基金項目：國網信息通信產業集團有限公司科研項目——廈門多倉協同配送優化策略服務（編號：SGITG-202406SQ-FF52）。