电网公司物资需求预测分析

摘 要：物资需求管理是电力企业一项重要能力，是提高整理管理水平、运营效率的重要保障。国家电网“三集五大”体系的建设有效提高物资需求管理水平，同时对需求管理手段提出更高的要求，需求预测是其中一项关键工作。文章在现有物资预测文献的基础上提出一种新型组合预测模型，实证结果表明，该模型能有效提高物资需求预测进度，为协议库存采购、优化等决策提供了有利条件。

关键词：三集五大;组合预测;物资需求

中图分类号：TM73 文献标识码：A 文章编号：1006-8937（2016）32-0054-02

1 概 述

为了使协议库存更好地发挥降本增效的作用，通过需求预测确定协议库存签订量是关键。本文从需求预测的角度出发，提出一种新的组合预测模型，有效提高模型预测精度，为电力公司制定物资采购计划提供决策支持。

2 预测方法综述

常用的物资需求预测模型主要包括三大类：第一类是基于时间序列的预测模型如指数平滑预测模型、移动平均预测模型等[1-3];第二类是基于因果分析的预测模型，模型通过识别影响需求的重要因素，构建因素与需求的因果关系，并根据因果关系构建预测模型，如回归预测模型、非线性回归模型等[4-5];第三类是基于机器学习的预测模型，其在时间序列与因果预测方法的基础上采用机器学习的方法构建复杂的非线性模型，不需要提前设定模型结构，如神经网络预测模型、支持向量机预测模型等[6-7]。实际应用中，单一的预测方法难以获得高精度的预测结果，组合预测方法得到广泛得应用。常用的组合预测方法是将多种预测方法的预测结果按照一定的权重进行组合[8-10]。这种方法比较依赖组合权重的选择，不能很好地综合各种预测方法的优势。本文将时间序列分解为线性趋势、季节性趋势、指数平滑趋势、非线性趋势，其中非线性趋势采用神经网络的方法进行预测。这种方法一方面充分利用时间序列的各种趋势信息，另一方面减少神经网络模型在数据点较少时过度拟合的问题，在实际物料需求预测工作中有效提高预测精度。

3 预测模型介绍

本文将时间序列分解为线性趋势、季节性趋势、指数平滑趋势、非线性趋势。

Yt=Lt+St+Et+Nt ＼*MERGEFORMAT（1）

其中，Yt表示t时刻需求的数量，Lt表示t时刻需求的线性趋势分项，St表示t时刻需求的季节性趋势分项，Et表示t时刻需求的指数平滑趋势分项，Nt表示t时刻需求的非线性线性趋势分项。

3.1 线性趋势

对于线性趋势分项采用线性回归方法构建需求与时间的回归模型并进行预测。

Yt=α+βt+εt ＼*MERGEFORMAT（2）

3.2 季节性趋势

对于季节性趋势分项采用X12-ARIMA模型进行估计与预测。该模型主要将时间序列分解为趋势循成分、季节性成分和不规则成分，即

Yt=TCt+St+It ＼*MERGEFORMAT（3）

其中，TCt表示循环趋势成分，St表示季节性趋势成分，It表示不规则趋势成分。本文对去线性趋势的时间序列进行分解得到季节性趋势。

第一阶段：使用ARIMA模型补足数据。

X12季节性调整的过程中需要对12个月的数据进行移动平均，为增加可用数据，首先对时间序列的首尾分别使用ARIMA预测补齐。ARIMA模型存在三个参数，自回归阶数P，差分阶数d，移动平均阶数q，则具体模型如下：

wt=ΔdYt ＼*MERGEFORMAT（4）

wt=φ1wt-1+・・・+φpwt-p+δ+ut+θ1ut-1+・・・θqut-q

＼*MERGEFORMAT（5）

其中，Δ表示差分算子，ut服从均值为0，标准差为1的正态分布。

第二阶段：季节调整的初始估计。

①通过对时序进行12项移动平均计算趋势循环因素的初始估计。

TCt==

＼*MERGEFORMAT（6）

②S+I的初始估计值。

SIt（1）=Tt-TCt ＼*MERGEFORMAT（7）

③通过3×3移动平均计算季节因素的初始估计值。

t（1）=

＼*MERGEFORMAT（8）

④消除季节性因子中的残余趋势。

St（1）=St（1）-

＼*MERGEFORMAT（9）

⑤季节性调整结果初始值。

TCIt=Yt-St（1） ＼*MERGEFORMAT（10）

第三阶段：计算最终季节性因子。

①利用Henderson移动平均公司计算暂定趋势循环要素。

TCt（2）=hTCI ＼*MERGEFORMAT（11）

②暂定S+I项。

SIt（1）=Yt-TCt（2） ＼*MERGEFORMAT（12）

③通过3×5移动平均计算暂定季节因素。

t（2）=

＼*MERGEFORMAT（13）

St（2）=t（2）-

＼*MERGEFORMAT（14）

3.3 指数平滑趋势

对于指数平滑趋势采用指数平滑模型进行建模与预测：

=+α（Yt-） ＼*MERGEFORMAT（15）

其中，α是平滑系数。

3.4 神经网络预测

对于非线性趋势采用神经网络模型进行建模与预测，神经网络模型，如图1所示，分为输入层、隐含层和输出层，选择合适的激发函数和优化各层输入输出的权重可以得到高精度的预测模型。本文选取的激发函数为对数sigmoid函数，采用反向误差传递的方式优化输入输出的权值。模型的输入是当前时点前个时间序列需求的数值，输出为当前需求。

3.5 预测误差

本文使用相对误差标准来衡量模型预测误差：

errort= ＼*MERGEFORMAT（16）

其中，y表示t时刻的真实需求，表示t时刻需求的预测值。

4 模型预测结果

本文以国网山东电力公司2010年2月到2016年4月ERP系统所有架空绝缘导线的采购记录为基础，将数据整理为75个时间点，选取前69个时间点为训练集，训练模型参数，对后6个时间点进行模型预测，预测结果，如图2所示。

图中横轴表示时间序列（本文在神经网络模型中最大滞后项为6个月，因此时间轴中1表示2010年8月），纵轴表示物料需求金额。由图可见大部分月份真实值与预测值相对误差较小，说明本文提出的组合模型基本能挖掘时间序列变动的规律。通过比较训练集和测试集发现，本文提出的模型有较好的泛化能力，测试集的预测精度与训练集的预测精度没有明显差别。

进一步比较本文组合预测模型与其他常用的预测模型的预测精度，结果见表1，可以看出大多数情况下组合预测模型的预测误差要小于其他的预测方法。其他预测方法中季节性趋势预测方法的预测精度相对较高，说明山东省电力公司架空绝缘导线物资的需求存在显著的季节性特征。

5 结 语

物资需求管理是电力企业管理的一个重要环节，本文在传统的时间序列预测方法难以获得高精度的预测结果的背景下提出一种新型组合预测方法，该方法将时间序列分解，其中非线性趋势采用神经网络的方法进行预测。这种方法一方面充分利用时间序列的各种趋势信息，另一方面减少神经网络模型在数据点较少时过度拟合的问题。实证结果显示本文提出的组合预测方法能有效提高模型的预测精度，基本满足国家电网对需求管理的精度要求，为协议库存采购、优化等决策提供了有利条件。

参考文献：

[1]毛玉凤.基于时间序列分析的电力需求预测及季节调整模型的研究 [D].北京：北京工业大学，2013.