一種基于時間序列的配電網(wǎng)物資預(yù)測方法

（國網(wǎng)浙江省電力有限公司，杭州 310007）

0 引言

隨著國家經(jīng)濟的快速發(fā)展，電力企業(yè)的建設(shè)能力、創(chuàng)新能力不斷提高，在主配電網(wǎng)建設(shè)等方面取得了優(yōu)異的成果，助力中國營商環(huán)境地提高。但是在大力發(fā)展建設(shè)的過程中難免會存在一些問題，例如電網(wǎng)公司內(nèi)部物資庫存的大量積累已經(jīng)嚴(yán)重影響到資金的周轉(zhuǎn)。過去粗放式的管理已經(jīng)不再適合國家“三型兩網(wǎng)”建設(shè)的新要求，需要電力企業(yè)加強創(chuàng)新，將企業(yè)現(xiàn)有資源與新技術(shù)、新想法進行結(jié)合，不斷運用新技術(shù)解決老問題，加快企業(yè)進行“三型兩網(wǎng)”建設(shè)。

近幾年來，神經(jīng)網(wǎng)絡(luò)、時間序列預(yù)測等大數(shù)據(jù)建模算法發(fā)展迅速。為研究物資預(yù)測提供了一個新的視角，使得研究人員可以從數(shù)據(jù)上對物資進行預(yù)測，而不是單純地依靠過往經(jīng)驗進行簡單的預(yù)測提報。本文通過神經(jīng)網(wǎng)絡(luò)、時間序列等為物資預(yù)測提供一個可靠的方法[1-2]。

1 算法研究基礎(chǔ)

以往的預(yù)測往往根據(jù)專家意見或者運用簡單移動平均等方法。近年來，通過對歷史累計的大數(shù)據(jù)進行挖掘建模，得到預(yù)測模型的方法來預(yù)測，通常可以達到較理想的精度。提高物資需求預(yù)測精度是解決當(dāng)下物資管理問題的絕佳手段，通過對每個月的物資領(lǐng)料數(shù)據(jù)及退料數(shù)據(jù)進行時間序列分析，發(fā)現(xiàn)物資領(lǐng)用呈現(xiàn)間斷性和連續(xù)性2 種特征，本文將從這2 個角度分別展開建模。

2 物資預(yù)測方法

2.1 連續(xù)性需求預(yù)測方法

2.1.1 ARIMA 預(yù)測算法

ARIMA（差分整合移動平均自回歸）算法的理論基礎(chǔ)是從平穩(wěn)、有規(guī)律的序列數(shù)據(jù)中提取其長期趨勢、季節(jié)趨勢、隨機誤差，使用一定模型公式表達這些趨勢，獲得對未來結(jié)果的預(yù)測。常用的預(yù)測方法有AR（自回歸）、MA（移動平均）、ARMA（移動平均自回歸）等，常用來進行平穩(wěn)性檢驗或選擇模型的方法有單位根法、白噪聲檢驗法、偏自相關(guān)圖、自相關(guān)圖等。對于非平穩(wěn)序列一般都需要通過差分將其轉(zhuǎn)換成平穩(wěn)序列（ARIMA）；對得到的平穩(wěn)序列進行建模以確定最佳方法（AR，MA，ARMA 或者ARIMA）。ARIMA 算法是進行連續(xù)型數(shù)據(jù)的有效預(yù)測算法。

2.1.2 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM（長短期記憶）通過在神經(jīng)網(wǎng)絡(luò)的隱藏層中增加記憶單元，每次在隱藏層的單元中傳遞時通過forget gate，input gate，output gate 調(diào)整之前信息和當(dāng)前信息的記憶和遺忘權(quán)重，使得其具備記憶之前計算結(jié)果的功能，這個特點可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對于長鏈條網(wǎng)絡(luò)層梯度爆炸產(chǎn)生的誤差問題，從而能比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好地利用沉淀數(shù)據(jù)進行預(yù)測，是對未來物資需求的良好預(yù)測算法[3]。

2.2 間斷性需求預(yù)測方法

2.2.1 指數(shù)平滑法

指數(shù)平滑法的基本思想是利用分別給遠期和近期的數(shù)據(jù)賦予不同的權(quán)重因子，距離預(yù)測時期越近的歷史數(shù)據(jù)權(quán)重越高，利用各個數(shù)據(jù)點的權(quán)重平滑計算求和得到預(yù)測值。指數(shù)平滑法具有保留全部歷史數(shù)據(jù)、算法簡單、結(jié)果穩(wěn)定的特點，能對間斷性物資進行有效的預(yù)測。常用的有一次指數(shù)平滑法和二次指數(shù)平滑法[4-7]。

一次指數(shù)平滑法的公式為：

式中：yt+1′為預(yù)測值；yt′為t 周期的平滑值；α 為平滑系數(shù)。公式意為通過前t 期預(yù)測1 期的數(shù)據(jù)。

二次指數(shù)平滑法公式為：

2.2.2 Croston 預(yù)測法

Croston 預(yù)測法和指數(shù)平滑法都是預(yù)測間斷性物資的方法，Croston 法相較于指數(shù)平滑法，其在時間間隔比較大的情況下具有優(yōu)勢，但是也要求物資的需求量符合正態(tài)分布且非零需求之間的間隔相對穩(wěn)定[8-10]。

3 實例研究

3.1 數(shù)據(jù)獲取

從ERP 系統(tǒng)中獲得浙江省某市2013—2018年歷史配電網(wǎng)物資的領(lǐng)料及退料歷史數(shù)據(jù)，主要數(shù)據(jù)如表1 所示。

表1 項目領(lǐng)料主要數(shù)據(jù)

3.2 物資類別標(biāo)包化處理

對物資的時間序列進行相關(guān)性分析和專家討論，發(fā)現(xiàn)以單個小類物資進行建模時，由于數(shù)據(jù)量的原因，其預(yù)測誤差將會較大。對某些特性相似的物資按照使用特性打包為41 類標(biāo)包，以標(biāo)包為基礎(chǔ)進行預(yù)測將提高模型的穩(wěn)定性和精準(zhǔn)度。部分典型標(biāo)包如表2 所示。

表2 部分典型標(biāo)包

3.3 算法建模

結(jié)合物資的時間序列特性，選用ARIMA 法和LSTM 神經(jīng)網(wǎng)絡(luò)對連續(xù)型物資進行建模，選用指數(shù)平滑法和Croston 法對間斷性物資進行建模。

本文選取標(biāo)包“10 kV 交流避雷器”代表連續(xù)性物資進行后續(xù)的建模預(yù)測。選取標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”代表間斷性物資進行后續(xù)的建模預(yù)測。

3.3.1 間斷性物資需求預(yù)測

（1）指數(shù)平滑法預(yù)測分析

對標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”的數(shù)據(jù)運用二次指數(shù)平滑法，從而預(yù)測出標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”未來的需求，預(yù)測結(jié)果如圖1 所示。

圖1 指數(shù)平滑法預(yù)測結(jié)果

（2）Croston 法預(yù)測分析

Croston 法是1 套針對間斷性物資預(yù)測的方法，能夠很好地解決間斷性物資歷史需求數(shù)據(jù)較少的缺點。運用Croston 法對標(biāo)包“10 kV 環(huán)網(wǎng)柜-空氣”未來需求進行預(yù)測，將其2013—2018 年間斷物資數(shù)據(jù)作為原始數(shù)據(jù)進行建模，預(yù)測結(jié)果如圖2 所示。

圖2 Croston 法預(yù)測結(jié)果

從以上2 種模型的預(yù)測序列來看，二次指數(shù)平滑法與Croston 法相比，二次指數(shù)平滑法的平均誤差率為20%，Croston 法的平均誤差率為34%；二次指數(shù)平滑法的預(yù)測結(jié)果差值波動范圍更窄，方差更小，因此對于間斷性物資的預(yù)測模型本次建模選擇二次指數(shù)平滑法作為最終算法。

3.3.2 連續(xù)性物資需求預(yù)測分析

（1）時間序列ARIMA 算法預(yù)測分析

基于物資領(lǐng)用的時間序列，對標(biāo)包“10 kV 交流避雷器”未來需求進行預(yù)測。首先，對“10 kV 交流避雷器”序列進行平穩(wěn)性檢驗。單位根統(tǒng)計量檢驗結(jié)果p 值為0.021，顯著小于0.05，則時間序列為平穩(wěn)序列，然后驗證時間序列的拖尾性及截尾性。

自相關(guān)圖（圖3）顯示呈1 階拖尾，偏自相關(guān)圖（圖4）顯示0 階截尾。因此，選擇AR（1）作為建立的ARIMA 模型。根據(jù)ARIMA 參數(shù)的設(shè)置，建立AR（1）模型作為對標(biāo)包“10 kV 交流避雷器”進行預(yù)測，預(yù)測結(jié)果如圖5 所示。

圖3 自相關(guān)圖

圖4 偏自相關(guān)圖

圖5 ARIMA 法預(yù)測結(jié)果

（2）LSTM 神經(jīng)網(wǎng)絡(luò)實現(xiàn)物資需求預(yù)測分析

使用LSTM 對標(biāo)包“10 kV 交流避雷器”的需求進行建模預(yù)測。需要對LSTM 神設(shè)置訓(xùn)練參數(shù)，其參數(shù)設(shè)置如表3 所示。

表3 LSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)

每年的標(biāo)包實際發(fā)生金額和年度的投資計劃緊密相關(guān)，經(jīng)過相關(guān)性分析，發(fā)現(xiàn)兩者的相關(guān)性達0.67，屬于中高度相關(guān)，故將年度投資金額也納入神經(jīng)網(wǎng)絡(luò)。建模中，使用Python 作為建模環(huán)境，Tensor Flow 作為學(xué)習(xí)框架，使用Sigmoid 函數(shù)作為active function，其訓(xùn)練步驟基本表達式為：

其中σ 即為Sigmoid 函數(shù)，在神經(jīng)網(wǎng)絡(luò)的每一個連接中都進行這樣的計算迭代，直到模型達到預(yù)先設(shè)置的誤差標(biāo)準(zhǔn)或者完成最大運算步驟，預(yù)測結(jié)果如圖6 所示。

圖6 LSTM 預(yù)測結(jié)果

從以上2 種方法的預(yù)測序列來看，LSTM 和ARIMA 算法相比，LSTM 的平均誤差率為7.1%，ARIMA 的平均誤差率為-15%；綜合考慮需滿足建設(shè)需求為最低標(biāo)準(zhǔn)，應(yīng)優(yōu)先選取預(yù)測結(jié)果高于實際值的算法，則對于連續(xù)型物資的預(yù)測模型選擇LSTM 神經(jīng)網(wǎng)絡(luò)作為最終算法。

通過使用LSTM 神經(jīng)網(wǎng)絡(luò)、ARIMA、二次指數(shù)平滑、Croston 模型分別予連續(xù)型物資和間斷性物資進行研究預(yù)測，通過篩選最終得到了平均預(yù)測精度20%左右的模型，有效地提高了物資預(yù)測的精度。能夠有效地輔助物資管理人員進行物資的預(yù)測決策，極大地節(jié)約企業(yè)采購成本，提升了市場綜合競爭力。

4 結(jié)語

物資庫存是支撐電力工程建設(shè)的基礎(chǔ)，只有保障物資的充分供應(yīng)才能保障國家電力工程的良好建設(shè)。但是快速的發(fā)展又留下了大量的庫存，拉低了總體庫存的周轉(zhuǎn)率，必須從內(nèi)部和外部逐漸解決該問題。內(nèi)部的持續(xù)消耗和外部的精準(zhǔn)供應(yīng)都是良好的處理方向。本文利用電網(wǎng)大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘算法改良了以往的物資預(yù)測方法，且該方法已在電力系統(tǒng)內(nèi)運用，預(yù)計能夠逐步提高物資預(yù)測的準(zhǔn)確率，提升庫存的周轉(zhuǎn)率，解決物資的庫存問題[11-16]。