基于BP神经网络的电网建设项目物资需求预测

【摘 要】电力物资是影响电网建设的一个重要因素，准确的物资需求预测能够有效地提高物资的保障能力。本文针对我国电网建设项目物资的需求特点，基于BP神经网络预测方法，构建了电网建设项目物资需求预测模型，并应用MATLAB软件进行了拟合预测。结果表明，在样本数足够多的情况下，BP神经网络预测方法能够有效预测电网建设项目物资的需求量。

【关键词】BP神经网络；电网物资；需求预测

电网在电力系统中是联系发电设备和用电设施的载体，它主要是由送电线路、变电所、配电所以及配电线路等环节组成。近几年来，随着我国国民经济的持续增长，我国的电力事业得到了飞速发展，电网电压等级不断提高，网络规模不断扩大，电网物资作为影响电网建设至关重要的因素，其管理工作也显得越来越重要。需求预测的开展，能够有效提高电力物资的保障能力，同时也能为长期的物资规划提供数据支持，因此，电网建设项目物资需求预测研究有着重要意义和价值。

物资需求预测的主要预测方法包括：基于时间序列的移动平均法[1]、指数平滑法[2]、结合备件物资的特性提出的Croston法[3]以及用于预测需求不服从任何分布情况下的间歇性物资需求Bayesian法[4]等，这些方法都只能依靠物资本身需求数据来进行拟合预测，对于需求波动较大的物资预测精度较低。将人工神经网络方法引入需求预测成为一个新的研究趋势[5，6]。

关于电网物资的需求预测，现有的研究集中于电力库存物资的需求预测方面[7，8]。而目前电网企业的项目物资需求计划管理主要采用的是提前储备物资信息，工程、物资协同管理的模式[9]，至于电网建设项目物资的需求预测研究，还尚未开展。其主要原因是缺乏主要的数据支持，国家电网公司的企业资源计划（ERP）系统于2010年全面正式上线，为电网建设物资的需求预测提供了一个难得的数据平台，也为物资需求预测提供初步的数据支撑。同时，电网建设项目物资的标准化建设也为需求预测的开展提供了可能。基于此，本文依据电网建设项目里程碑计划中的指标如电压等级、线路长度、变电容量等，提出基于BP神经网络的电网建设项目物资需求预测模型，并通过实例数据测试模型性能。

1.电网建设项目物资需求特点分析

电网建设项目具有投资额大，建设周期长，受环境影响大的特点，每个项目的工程规模、启动时间、紧急程度均不同，这给项目物资管理造成了一定的难度。同时，不同地域、不同电压等级的电网工程所需的物资有着相当大的差异性，仅仅依靠物资的历年数据进行递推预测是不可靠的。不同的计划期（年，季，月）内的物资需求量之间没有必然的联系，因此需要通过影响因素来判断物资的需求。BP神经网络是一种能学习和存贮大量的输入-输出模式映射关系的方法，它无需事前揭示或描述这种映射关系，因而适合解决诸如电网建设项目物资需求预测这类因果关系复杂的非确定性问题。

2.BP神经网络预测模型构建

BP神经网络是一种多层前馈网络，它主要是通过误差逆向传播算法来进行训练的。BP神经网络的学习算法是最速下降法，它通过反向传播来不停调整网络的权值和阈值，从而达到减小误差至最优的目的。

2.1 BP神经网络模型结构

BP神经网络是典型的多层结构网络，本文主要应用BP神经网络算法构建单隐层网络（又称三层前馈网或三层感知器），所谓的三层网络主要是由输入层、隐含层以及输出层组成，具体结构如图1所示。输入层、隐含层以及输出层各层均由大量神经元组成，且层与层以权值连接，但同层之间不允许传递信号，各层神经元只能向高层输出激活信号。

2.2 BP神经网络学习算法

BP神经网络是典型的有导师学习算法，其学习过程主要分为正向传播和反向传播两种。正向传播是用来计算前向网络的，其将输入信号通过隐含层传递至输出层，经网络计算出输出结果。在神经网络正向传播过程中，网络的权值固定不变，同层神经元之间不能互相影响，同时，如果输出层所得结果误差超过期望值，则进入反向传播阶段；BP神经网络的反向传播实际指的是误差的反向传播，其将误差信号（即输出结果与期望结果的差值）逐层逆向反馈，通过修改神经元的连接权值和阈值，来使正向传播所得输出结果能更加接近期望输出。下图2为BP神经网络学习算法图。

2.3 BP神经网络算法步骤

2.4 电网建设项目物资需求预测模型构建

本文以某省电力公司电磁式电流互感器的历史需求数据为样本，从ERP系统中调取59个已建项目的需求数据，从中筛选出电磁式电流互感器的需求量，从而运用MATLAB中的BP神经网络模型和软件编程功能进行预测分析，模型参数设定为：

（1）输入层神经元数目设为3，分别为变电容量、线路长度和工程类型。其中，“变电容量”是指项目所建电网变电站的主变压器的容量，其主要反映变压器输送电能的能力，这个容量就决定了线路的负载能够有多大；线路长度是指项目所建电网的线路里程；工程类型则是作为一个名义变量，定义为三个类别：新建项目、改建项目以及扩建项目，同时将其分别以数字1、2、3代替进行演算分析。

（2）隐含层神经元数目由Try Error Try法不断调试直至找出最优值为止，初始值参考上式（1）设为7。

（3）输出层神经元数目设为1，为电网物资预测数量。

构建BP神经网络模型时，模型隐藏层选用S 形曲线传递函数，输出层采用线性传递函数。将样本数据随机分为三组，70%样本用于训练网络，采用 Levenberg- Marquardt运算法则作为训练法则；15%样本进行网络泛化能力的检测，当泛化能力不再提高时终止网络训练；剩下的15%样本用于测试网络的性能。若网络训练结果误差过大，则再次训练网络，或调整隐藏层神经元个数，反复训练网络，直到获得最佳结果为止，保存并输出。

3.预测效果分析

采用BP算法训练网络时，设定显示间隔次数为25，最大循环次数为3000，目标误差为1×10-3，初始学习速率为0.5，学习速率增加的比率为1.2，学习速率减小的比率为0.7，动量常数为0.8，最大误差比率为0.6。将归一化后的学习样本依次输入BP网络，按上述BP学习算法的步骤反复训练，结果见图3。

从图3可以看出，电磁式电流互感器预测的最大绝对误差为2台，且主要分布于需求较少的项目中，对于需求较多的项目，预测值基本与实际值重合，精度较高，表明BP神经网络预测能够进行有效预测。

由于ERP系统应用尚未普及，目前可获取的项目数据还不够完善（样本数据皆来自省电力公司ERP系统），本文主要选取的是在电网工程中运用最为普遍的物资——电磁式电流互感器，因此数据量还较为丰富，也取得了较为满意的预测效果。同时，诸如钢绞线、接续金具、耐张线夹、T型线夹、悬垂线夹、联结金具等物资由于应用较为广泛，可用的项目样本也足够多，因此通过构建BP神经网络进行物资预测也取得了较好的预测效果。

随着电网建设的不断发展以及ERP系统的深入应用，未来可用的项目样本将越来越多，而样本集越丰富，建模所取得效果则越优。尽管BP神经网络建模所预测到的电网建设项目物资需求量不一定是最优值，但预测精度有了很大的提高。BP神经网络通过网络训练，将原本很复杂的预测模型简化，同时不断扩充新样本，以适应不断变化的环境，实现了对电网建设项目物资的动态预测。

4.结论

运用BP神经网络预测方法能很好地处理较为复杂的问题，约束条件也远远少于传统的预测模型，同时，BP人工神经网络具有学习性和时变性的特点，能够有效地实现动态建模与分析，从而有效地实现了电网物资需求预测。然而人工神经网络技术是一种数据挖掘技术，如何获取和整理历史数据至关重要，因此，在实际中应深入应用电力公司的ERP 系统，尽早完善电网需求物资数据库，为BP神经网络预测模型构建提供数据支持。

参考文献：

[1]Siddique F，Choudhary M.A..Decision Support System for Optimizing Spare Parts Forecasting for Training Aircrafts Source：Recent Advances in Applied Mathematics[J]. Proceedings of the 14th WSEAS International Conference on Applied Mathematics， vol.， no.，pp： 34-41，2009.

[2]Moon Seongmin，Hicks Christian， Simpson.The development of a hierarchical forecasting method for predicting spare parts demand in the South Korean Navy- A case study Andrew[J].International Journal of Production Economics， vol.140， no.2，pp：794-802， December 2012.

[3]Heinecke G.，Syntetos A.A.，Wang W..Forecasting- based SKU classification[J]. International Journal of Production Economics，2011.

[4]Kamath K Rajashree，T P M Pakkala.A Bayesian approach to dynamic in ventory model under an unknown demand distribution[J].Computers& Operations Reseach，2002.

[5]Amin-Naseri M.R.，Tabar B.R..Neural network approach to lumpy demand forecasting for spare parts in process industries[J].Computer and Communication Engineering，vol.， no.，pp：1378-1382， 13-15，May 2008.

[6]张冬，明新国，赵成雷等.基于BP神经网络和设备特性的工业设备备件需求预测[J].机械设计与研究，2010，26（1）：72-76.

[7]孙怀富.基于电子商务平台的电力物资决策管理研究[D].北京：北京工业大学，2006.

[8]王志勇.大唐集团托克托发电厂物资管理研究[D].北京：华北电力大学，2010.

[9]邬斌弢，张玉鑫.基于双向协同的物资需求计划管理在电网工程中的应用研究[J].华东电力，2012，40（5）：0913-0914.

基金项目：国家电网公司科技资助项目（豫电WZBKJ[2011]342号）。

作者简介：

宋斌（1968-），男，河南开封人，高级工程师，河南省电力公司物资部计划合同处处长，主要从事电力物资合同管理和供应链管理等研究。

宋秉虎（1970-），男，甘肃白银人，高级工程师，研究方向：电力物资管理，供应链管理。

沈男（1989-），女，江苏南通人，华北电力大学经济与管理学院硕士研究生，研究方向：物资管理、项目管理。

张洪青（1962-），男，山东烟台人，华北电力大学经济与管理学院副教授，研究方向：物资管理，项目管理。