摘要：隨著電力行業(yè)的快速發(fā)展，物資需求的精確預(yù)測成為提高企業(yè)運營效率和降低成本的關(guān)鍵因素。本文基于國網(wǎng)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(shù)據(jù)，研究了多種時間序列預(yù)測模型對電力物資需求的預(yù)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(shù)）等多項評價指標(biāo)對其預(yù)測精度進(jìn)行了比較。實驗結(jié)果表明，“STL+ARIMA”模型在所有模型中表現(xiàn)最佳，能夠有效捕捉數(shù)據(jù)中的季節(jié)性波動和趨勢變化，預(yù)測精度遠(yuǎn)超其他模型。本文為電力企業(yè)物資需求預(yù)測提供了高效且精確的模型選擇方案，有助于優(yōu)化物資供應(yīng)鏈管理，降低成本，并提升整體運營效率。

關(guān)鍵詞：電力物資需求；時間序列預(yù)測；“STL+ARIMA”模型；SARIMA模型；LSTM神經(jīng)網(wǎng)絡(luò)

引言

隨著電力行業(yè)的快速發(fā)展，物資需求的管理與預(yù)測成為提升企業(yè)運營效率和降低成本的關(guān)鍵環(huán)節(jié)[1]。電力物資的需求量受季節(jié)變化、天氣條件、設(shè)備故障等多種因素的影響，且電力生產(chǎn)與供應(yīng)存在高度不確定性，這使得物資的需求波動變得及其復(fù)雜[2]。然而，對電力企業(yè)而言，精確預(yù)測物資需求對保障電力供應(yīng)的穩(wěn)定性、減少庫存成本、優(yōu)化物資采購和分配具有重要意義。

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

此外，在電力物資需求預(yù)測領(lǐng)域，宋鑫磊等提出了一種結(jié)合季節(jié)性差分自回歸滑動平均（seasonal autoregressive integrated moving average，SARIMA）模型與自適應(yīng)神經(jīng)模糊推理系統(tǒng)（adaptive-network-based fuzzy inference systems，ANFIS）的復(fù)合預(yù)測模型[7]。該模型首先分別應(yīng)用SARIMA模型和ANFIS對電力物資需求進(jìn)行獨立預(yù)測，再通過反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）進(jìn)行融合，最終生成一個更為準(zhǔn)確的綜合預(yù)測結(jié)果。

李巍等提出了一種結(jié)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(jìn)行建模，預(yù)測誤差序列作為BPNN的輸入，通過神經(jīng)網(wǎng)絡(luò)對誤差序列進(jìn)行非線性建模，從而修正ARIMA模型的預(yù)測結(jié)果[8]。

張立波和劉俐君則提出了一種基于改進(jìn)的BPNN的電力物資需求預(yù)測方法。該方法首先對電力物資進(jìn)行分類，隨后利用改進(jìn)的BPNN算法對電力物資需求數(shù)據(jù)進(jìn)行訓(xùn)練，從而提取出物資需求的特征，量化預(yù)測電力物資需求[9]。

向洪偉等提出了一種基于參數(shù)優(yōu)化的變分模態(tài)分解（variational mode decomposition，VMD）與長短期記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力物資需求預(yù)測方法。該方法通過優(yōu)化VMD對原始序列進(jìn)行模態(tài)分解，將各模態(tài)分量分別構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，最后將各模態(tài)的預(yù)測結(jié)果進(jìn)行加權(quán)疊加，得到電力物資需求的最終預(yù)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(tǒng)預(yù)測方法難以應(yīng)對，因此，如何利用先進(jìn)的時間序列模型提升預(yù)測精度，成為電力企業(yè)面臨的一項重要任務(wù)。

1. 預(yù)測方法

1.1 問題描述

在電力企業(yè)中，物資需求量受到多種因素的影響，使得物資需求數(shù)據(jù)呈現(xiàn)出強烈的非線性和季節(jié)性特征。因此，傳統(tǒng)的庫存管理和供應(yīng)鏈優(yōu)化方法往往無法充分應(yīng)對這些需求波動，無法為電力企業(yè)提供精準(zhǔn)的物資需求預(yù)測。

本文聚焦于電力物資需求的時間序列預(yù)測問題，基于國網(wǎng)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(shù)據(jù)，選取了常用物資A，建立高精度的預(yù)測模型，通過對不同預(yù)測模型的比較，旨在探索最適合電力行業(yè)物資需求預(yù)測的方案，從而優(yōu)化物資供應(yīng)鏈管理，降低成本，并提高整體運營效率。

1.2 預(yù)測模型選取

為了準(zhǔn)確預(yù)測物資A的需求量，研究選擇了多種時間序列預(yù)測模型，涵蓋了傳統(tǒng)統(tǒng)計方法、機器學(xué)習(xí)方法、深度學(xué)習(xí)方法。這些模型不僅能夠捕捉數(shù)據(jù)的季節(jié)性和趨勢性，還能處理復(fù)雜的非線性關(guān)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(jīng)典的時間序列預(yù)測方法，適用于處理平穩(wěn)時間序列數(shù)據(jù)。通過對歷史數(shù)據(jù)的自相關(guān)性進(jìn)行建模，ARIMA模型能夠有效捕捉數(shù)據(jù)中的趨勢性和周期性變化。該模型適用于不含明顯季節(jié)性波動的物資需求數(shù)據(jù)。

1.2.2 SARIMA模型

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

1.2.3 “STL+ARIMA”模型

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

1.2.4 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，擅長處理具有長期依賴性的時間序列數(shù)據(jù)。由于電力物資需求數(shù)據(jù)往往具有長時間依賴性，LSTM神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)歷史數(shù)據(jù)中的復(fù)雜模式，提供精準(zhǔn)的預(yù)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(xué)習(xí)算法，通過度量訓(xùn)練集與待預(yù)測點之間的距離進(jìn)行預(yù)測。盡管KNN算法在時間序列預(yù)測中較少應(yīng)用，但能夠基于數(shù)據(jù)的相似性提供有用的預(yù)測結(jié)果。

1.2.6 ETS模型

誤差-趨勢-季節(jié)性（error-trend-seasonality，ETS）模型是一種平滑方法，廣泛應(yīng)用于處理具有季節(jié)性和趨勢性的時間序列數(shù)據(jù)。該模型通過加權(quán)歷史數(shù)據(jù)進(jìn)行預(yù)測，能夠在一定程度上適應(yīng)物資需求的季節(jié)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(shù)據(jù)的季節(jié)性特征和趨勢性變化，本文選擇了適合處理季節(jié)性波動和趨勢變化的模型。為了驗證各模型的適用性和預(yù)測精度，所有模型在同一數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測試，并且按照80%劃分訓(xùn)練集、20%劃分測試集。各模型的預(yù)測效果將通過評估指標(biāo)（如MSE、MAE、R-squared）進(jìn)行比較，以確定最適合電力企業(yè)物資需求預(yù)測的模型，如表1所示。

2. 實證分析

2.1 數(shù)據(jù)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(shù)據(jù)進(jìn)行預(yù)測，其中挑選了常用的物資A的數(shù)據(jù)進(jìn)行預(yù)測模型擬合與精度對比。使用describe函數(shù)，從平均值、標(biāo)準(zhǔn)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(shù)據(jù)作統(tǒng)計性描述，結(jié)果如表2所示。

2.2 預(yù)測結(jié)果

本文選用了多種時間序列預(yù)測模型來預(yù)測電力物資A的月度出庫量，并通過比較不同模型的預(yù)測精度，評估其適應(yīng)性與準(zhǔn)確性。所選模型包括經(jīng)典的統(tǒng)計方法（如ARIMA模型、SARIMA模型、ETS模型）、基于機器學(xué)習(xí)的KNN算法、基于深度學(xué)習(xí)的LSTM神經(jīng)網(wǎng)絡(luò)，以及“STL+ARIMA”模型，各模型的預(yù)測效果圖如圖1所示，預(yù)測精度指數(shù)如表3所示。

ARIMA模型作為時間序列分析中的經(jīng)典方法，主要用于處理不含季節(jié)性波動的數(shù)據(jù)。在本文中，ARIMA模型對電力物資A的月度出庫量數(shù)據(jù)進(jìn)行建模，以捕捉其中的趨勢性變化。然而，從預(yù)測結(jié)果來看，ARIMA模型的擬合系數(shù)為負(fù)（-0.1834），表明該模型未能有效擬合數(shù)據(jù)，且無法準(zhǔn)確捕捉數(shù)據(jù)中的季節(jié)性波動和趨勢性變化。為了解決ARIMA模型未能處理季節(jié)性波動的問題，本文進(jìn)一步采用了SARIMA模型，該模型在ARIMA模型的基礎(chǔ)上引入了季節(jié)性成分，旨在更好地捕捉時間序列中的季節(jié)性波動。結(jié)果表明，SARIMA模型相比于ARIMA模型有了顯著的改進(jìn)。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(shù)據(jù)中的季節(jié)性波動，預(yù)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(yuǎn)未達(dá)到理想水平，但其在季節(jié)性捕捉上的優(yōu)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(shù)據(jù)季節(jié)性特性的基礎(chǔ)上，進(jìn)一步嘗試了廣泛應(yīng)用于具有季節(jié)性和趨勢性變化的時間序列數(shù)據(jù)的ETS模型，以及STL+ARIMA模型的組合模型。在研究中，ETS模型表現(xiàn)出較為良好的預(yù)測精度，擬合系數(shù)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(jié)性波動方面表現(xiàn)較好，能夠提供相對準(zhǔn)確的預(yù)測結(jié)果?！癝TL+ARIMA”模型，通過STL先將數(shù)據(jù)分解為季節(jié)性、趨勢性和殘差部分，再利用ARIMA模型對殘差部分進(jìn)行建模，能夠更好地處理具有顯著季節(jié)性和趨勢性變化的時間序列數(shù)據(jù)。根據(jù)模型結(jié)果，STL+ARIMA模型在所有模型中表現(xiàn)最佳，擬合度達(dá)0.8230，顯示出其在預(yù)測精度和擬合度方面的卓越表現(xiàn)，特別適合電力物資需求數(shù)據(jù)這類季節(jié)性強、波動大的時間序列數(shù)據(jù)。

相比之下，機器學(xué)習(xí)的KNN算法和深度學(xué)習(xí)的LSTM神經(jīng)網(wǎng)絡(luò)在預(yù)測模型擬合效果上都不理想，擬合度幾乎為零。機器學(xué)習(xí)與深度學(xué)習(xí)方法更適用于長時間序列或基于大量數(shù)據(jù)進(jìn)行擬合，而研究中電力物資月度需求數(shù)據(jù)數(shù)量較少，模型無法捕捉數(shù)據(jù)中的季節(jié)性成分或長期趨勢。

結(jié)語

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

參考文獻(xiàn)：

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

[2]欒麗萍，趙玉蘋，張行健.數(shù)據(jù)分析方法在電力物資管理中的現(xiàn)狀分析及應(yīng)用[J].現(xiàn)代企業(yè)，2024（10）：64-66.

[3]王賀云，劉培，喬亮，等.淺談數(shù)據(jù)分析在電力物資采購管理中的應(yīng)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(yù)測[J].能源與環(huán)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(yù)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(qū)供需水量預(yù)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(yù)測[J].機械設(shè)計，2022，39（6）： 66-72.

[8]李巍，周曉宇，連莎莎，等.基于改進(jìn)ARIMA模型的電力物資數(shù)據(jù)預(yù)測分析[J].中國新技術(shù)新產(chǎn)品，2024（11）：136-138.

[9]張立波，劉俐君.基于改進(jìn)BPNN算法的電力物資需求預(yù)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(shù)優(yōu)化變分模態(tài)分解與LSTM的電力物資需求預(yù)測[J].重慶大學(xué)學(xué)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(wǎng)信息通信產(chǎn)業(yè)集團有限公司科研項目——廈門多倉協(xié)同配送優(yōu)化策略服務(wù)（編號：SGITG-202406SQ-FF52）。