黃宏和，吳 臻，琚 軍，章 斌，王雪峰，潘永賀，鄭 輝，趙仲夏

（國網(wǎng)浙江省電力有限公司衢州供電公司，浙江 衢州 324000）

0 引言

隨著電力企業(yè)生產(chǎn)水平和信息化水平的不斷提升、業(yè)務數(shù)據(jù)的快速積累，電力企業(yè)已經(jīng)形成了海量的業(yè)務數(shù)據(jù)，步入大數(shù)據(jù)時代。 然而，現(xiàn)階段的問題在于單純的數(shù)據(jù)積累無法有效地實現(xiàn)數(shù)據(jù)價值轉換，傳統(tǒng)的經(jīng)驗決策模式難以適應實際工作需求，難以指導電力企業(yè)做出正確決策。因此，需要進行大數(shù)據(jù)挖掘分析，為企業(yè)運營決策提供依據(jù)。

目前，電力企業(yè)對于物資需求預測管理停留于統(tǒng)計分析層面，沒有分析物資的需求特性，難以實現(xiàn)物資需求精準預測。 本文采用數(shù)據(jù)挖掘技術，提出實現(xiàn)物資高特征分類、剖析物資需求規(guī)律的方法，通過建立時間序列、灰色預測、指數(shù)平滑等預測模型，提高物資需求預測能力，輔助支撐物資部門物資采購相關工作。

1 算法理論

1.1 預測方法原理

預測是對未來尚未發(fā)生或者不明確的事物進行估算和推測，預測的依據(jù)主要是基于過去和現(xiàn)場的情況，采用一定的技術和方法去挖掘、解析、探索、模擬出復雜的中間過程，提取出較為明顯的規(guī)律特征，形成涵蓋知識性的結構化方程或函數(shù)，通過輸入相應的變量值實現(xiàn)對未來結果的推斷預測。

企業(yè)物資需求預測可從數(shù)量、資金等多個角度開展。 本文從物資管理實際情況出發(fā)，對物資歷史采購數(shù)據(jù)和消耗數(shù)據(jù)進行分析，結果表明：物資需求特性分為連續(xù)性需求特征和間斷性需求特征兩類時，需求特征較為顯著。 因此，預測方法分為連續(xù)性需求預測方法和間斷性需求預測方法。

1.2 連續(xù)性需求預測方法

連續(xù)性的物資需求一般具有規(guī)律性，是基于時間發(fā)生變化的，可通過對歷史數(shù)據(jù)進行挖掘分析，采用一些成熟的連續(xù)性預測方法進行物資需求預測，總結提取出其中的內在規(guī)律和關聯(lián)關系，并結合實際情況對模型參數(shù)進行最優(yōu)調整，從而做出準確的預測。 一般來講，連續(xù)性預測的準確度與數(shù)據(jù)的數(shù)量和質量密切相關。

1.2.1 時間序列預測法

時間序列是指將同一統(tǒng)計指標的數(shù)值按其發(fā)生的時間順序排列而成的序列，可以是月度、季度、年度等多種時間形式。 時間序列預測是基于某一個或一組分布于時間軸上的觀測數(shù)據(jù)，通過挖掘分析觀測數(shù)據(jù)自身的變化規(guī)律，形成符合變化的規(guī)律函數(shù)，繼而按照等間隔時間預測未來的變化趨勢，時間序列模型公式為：

等式左邊表示對第t+1 期的預測值，等式右邊表示由第1 期至第t 期時間段內的序列構成的規(guī)律函數(shù)。

由時間序列公式可以看到，只需輸入歷史數(shù)據(jù)即可輸出未來預測數(shù)據(jù)，因此該方法預測較為簡單、方便，適用于連續(xù)性的序列預測。 但該方法對于序列有平穩(wěn)性的要求，對于非平穩(wěn)的、間斷性的時間序列，該方法的預測可信度較低。

1.2.2 LSTM 神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是一種新興且有效的機器學習和深度學習算法。 人類并不是每時每刻都從頭開始思考，其思想具有持續(xù)性特點，傳統(tǒng)的神經(jīng)網(wǎng)絡不具備這一特性，而遞歸神經(jīng)網(wǎng)絡能夠有效解決這一問題。 遞歸神經(jīng)網(wǎng)絡中具備循環(huán)結構，能夠使信息持續(xù)保存。 LSTM 神經(jīng)網(wǎng)絡即長短記憶型遞歸神經(jīng)網(wǎng)絡，其計算結果具備記憶之前幾次結果的特點，因此在時間序列數(shù)據(jù)預測方面具有很大優(yōu)勢，是深度學習算法在時間序列數(shù)據(jù)預測方面的突破。

LSTM 中第一步?jīng)Q定哪些信息需要從單元狀態(tài)中被拋棄；第二步?jīng)Q定在單元狀態(tài)中需要存儲哪些新信息；第三步?jīng)Q定需要輸出的結果是什么，這個輸出結果將會建立在單元狀態(tài)的基礎上，但該輸出結果是個過濾版本，只輸出了想要輸出的那部分。

1.3 間斷性需求預測方法

1.3.1 指數(shù)平滑法

指數(shù)平滑法本質上是一種特殊加權的移動平均法，常見的指數(shù)平滑法有一次指數(shù)平滑法、二次指數(shù)平滑法等，核心思想都是以歷史全量數(shù)據(jù)信息為分析基礎，通過對不同時期的觀測值賦予不同的權重，實現(xiàn)對未來的預測。 該方法具備魯棒性強的特點，由于操作簡單、適應性強，常用于間斷性的預測。

一次指數(shù)平滑法公式為：

二次指數(shù)平滑法公式為：

at和bt的計算公式為：

1.3.2 灰色預測法

對灰色系統(tǒng)建立的預測模型稱為灰色模型（簡稱“GM 模型”），是微分方程模型，可用于對描述對象作長期、連續(xù)、動態(tài)的反映，它揭示了系統(tǒng)內部事物連續(xù)發(fā)展變化的過程。 灰色模型就是通過少量的、不完全的信息，建立灰色微分預測模型，對事物發(fā)展規(guī)律作出模糊性的長期描述。 灰色預測需要樣本量較小，運算方便，建模精度高。

2 實證研究

2.1 物資數(shù)據(jù)獲取

基于ERP（企業(yè)資源計劃）電力信息系統(tǒng)獲取某供電公司歷史項目的領料數(shù)據(jù)，按照領取時間的先后順序對各類物資進行統(tǒng)計排序，形成建模數(shù)據(jù)寬表，詳細表字段見表1。

表1 項目領料明細數(shù)據(jù)

2.2 物資數(shù)據(jù)分類

由于物資類型較多，且物資的需求特性不一，過多的細化分類會增大研究難度，并且極大降低可行性。 因此，通過隨機抽樣抽取架空絕緣導線、低壓電力電纜、10 kV 變壓器、聯(lián)結金具、錐形水泥桿等20 類物資數(shù)據(jù)開展分類特征提取，并選取兩種不同特性的物資作為代表，按時間順序形成物資時序圖，結果如圖1、圖2 所示。

圖1 連續(xù)性需求特征物資時序

由時序圖可以看出，物資較為顯著的分類特征為連續(xù)性和間斷性，因此可將物資分為連續(xù)性需求物資和間斷性需求物資，針對不同的需求特性選取合適的預測方法進行挖掘分析。

2.3 算法模型

根據(jù)物資展現(xiàn)出的需求特性選擇合適的挖掘算法預測分析物資的未來需求，經(jīng)過多種算法的篩選，最終選擇時間序列分析作為連續(xù)性物資需求預測方法，選擇指數(shù)平滑法與灰色預測法作為間斷性物資需求預測的方法。

選取物資“架空絕緣導線”與物資“高壓熔斷器”代表連續(xù)性物資與間斷性物資進行后續(xù)的建模預測，通過ERP 系統(tǒng)獲取2 種物資2016—2017年每個月的物資數(shù)據(jù)。

2.3.1 連續(xù)性物資需求預測分析

（1）時間序列法實現(xiàn)物資需求預測分析

基于時間序列分析，對物資“架空絕緣導線”未來需求進行預測。 首先對架空絕緣導線序列進行平穩(wěn)性檢驗。 檢驗結果見表2。

表2 架空絕緣導線序列平穩(wěn)性檢驗

從表2 可知，架空絕緣導線序列的p 值為0.002 6，小于顯著性水平的p 值，因此序列通過了平穩(wěn)性檢驗，可以直接進行后續(xù)建模。 接著通過查看序列的ACF（自相關）圖、PACF（偏自相關）圖選擇合適的模型，圖3、圖4 分別為架空絕緣導線序列ACF 圖、PACF 圖。

ACF 圖顯示滯后1 階后ACF 值基本沒有超過邊界值，PACF 圖顯示序列在1 階時就已收斂于邊界內。 因此，選擇AR（1）作為建立的ARMA模型。

根據(jù)建立的AR（1）模型對架空絕緣導線未來一個月的物資需求數(shù)量進行預測。 預測結果如圖5 所示。

圖3 架空絕緣導線序列ACF

圖4 架空絕緣導線序列PACF

圖5 時間序列實現(xiàn)未來物資需求預測

從圖5 可以看出，建立的AR（1）模型擬合程度較高，誤差波動小，預測的物資需求可信度高。通過時間序列分析對物資“架空絕緣導線”未來一個月需求進行預測，得到該物資在2018 年1 月的需求量可能為440.180 8 km。

（2）LSTM 神經(jīng)網(wǎng)絡實現(xiàn)物資需求預測分析

基于LSTM 神經(jīng)網(wǎng)絡算法，對物資“架空絕緣導線”未來需求進行預測。 首先，對LSTM 神經(jīng)網(wǎng)絡模型進行參數(shù)設置，需設置的參數(shù)見表3。

表3 LSTM 神經(jīng)網(wǎng)絡的參數(shù)

經(jīng)過多次預測試驗，LSTM 神經(jīng)網(wǎng)絡模型的訓練次數(shù)推薦為50 次，少于50 次則模型的損失值不穩(wěn)定，易造成物資需求預測結果不穩(wěn)定，多于50 次會使得模型運行速度變慢；訓練一次的樣本數(shù)量為選擇樣本期的歷史數(shù)據(jù)數(shù)量；用于評估LSTM 神經(jīng)網(wǎng)絡的測試序列長度推薦7 或是14，相當于建模的測試樣本集；模型要預測的序列長度為選擇預測期間的樣本數(shù)量。

接下來開展模型搭建工作。 用Sigmoid 函數(shù)作為激活函數(shù)，并采用keras 來搭建LSTM 模型。將物資“架空絕緣導線”的時序數(shù)據(jù)輸入到LSTM模型中進行訓練，得到訓練之后模型的參數(shù)，然后輸入一個樣本，用LSTM 模型中的predict_sequence_full 函數(shù)（完全序列預測函數(shù)）進行預測窗口的預測。 輸入樣本集和測試集對物資需求量進行預測，預測結果如圖6 所示。

圖6 神經(jīng)網(wǎng)絡實現(xiàn)未來物資需求預測

由圖6 可知，建立的LSTM 神經(jīng)網(wǎng)絡模型預測的誤差波動較小，模型擬合效果好，預測出的需求結果可信度高。 通過LSTM 神經(jīng)網(wǎng)絡模型對物資“架空絕緣導線”未來一個月需求進行預測，得到該物資在2018 年1 月的需求量可能為427.951 7 km。

2.3.2 間斷性物資需求預測分析

間斷性需求物資的特點為需求率低，通用性低，使用需求的時間間隔很長，物資消耗速度較慢，由于未發(fā)生物資領用，在需求數(shù)據(jù)中會產(chǎn)生大量0 值，數(shù)據(jù)存在明顯的波動性和隨機性，且間斷性物資的歷史需求數(shù)據(jù)相當有限。 因此，對于序列有平穩(wěn)性要求的時間序列分析法不適合開展間斷性物資需求預測分析。 鑒于間斷性物資的特點，選擇指數(shù)平滑法與灰色預測法對其未來需求進行預測分析。

（1）指數(shù)平滑法實現(xiàn)物資需求預測分析

對現(xiàn)有物資“高壓熔斷器”的數(shù)據(jù)先后應用一次、二次指數(shù)平滑法，得到物資需求預測模型，從而預測出物資“高壓熔斷器”未來的需求。 首先對選取物資進行一次指數(shù)平滑法計算得到物資“高壓熔斷器”一次指數(shù)平滑值，預測結果如圖7所示。

圖7 高壓熔斷器一次指數(shù)平滑預測

從圖7 可知，運用一次指數(shù)平滑法進行預測，預測結果具有滯后作用，因此進一步運用二次指數(shù)平滑法對物資未來需求進行預測，提高模型預測的精度。

二次指數(shù)平滑法在一次指數(shù)平滑值的基礎上再次進行指數(shù)平滑，通過與一次指數(shù)平滑值配合，共同建立預測數(shù)學模型，并通過模型對物資需求進行預測。 根據(jù)第1.3.1 節(jié)的二次指數(shù)平滑公式計算出物資預測結果，如圖8 所示。

圖8 高壓熔斷器二次指數(shù)平滑預測

從圖8 可看出，運用二次指數(shù)平滑法擬合出的趨勢線能夠很好地體現(xiàn)原時間序列在不同時間段的變化趨勢，模型預測的精準度高，根據(jù)預測模型得到物資“高壓熔斷器”在2018 年1 月的需求量可能為789 只。

（2）灰色預測法實現(xiàn)物資需求預測分析

灰色預測是一套針對間斷性物資預測的方法，能夠很好地解決間斷性物資歷史需求數(shù)據(jù)較少的不足，并通過輸入數(shù)據(jù)變化的特征值對趨勢進行推演，實現(xiàn)間斷性物資未來需求的精準預測。

運用灰色預測法對物資“高壓熔斷器”未來需求進行預測，將其2016—2017 年間斷物資數(shù)據(jù)作為原始數(shù)據(jù)進行建模。 預測效果如圖9 所示。

圖9 高壓熔斷器灰色預測法預測

從圖9 可以看出，運用灰色預測法對物資“高壓熔斷器”進行預測，其擬合出的趨勢能夠很好地體現(xiàn)出原時間序列在不同時間段的變化趨勢，模型預測的精準度較高，根據(jù)灰色預測模型得到物資“高壓熔斷器”在2018 年1 月的需求量為465 只。

2.3.3 模型擇優(yōu)

（1）連續(xù)性物資預測模型擇優(yōu)

前文分別通過時間序列分析與LSTM 神經(jīng)網(wǎng)絡分析對特征為連續(xù)性的物資進行需求預測，通過兩者建立的模型均能有效實現(xiàn)對物資需求的預測，通過對比兩者的模型平均預測誤差率，選取預測誤差更小的作為連續(xù)性物資的需求預測模型。

通過計算，時間序列分析的模型預測誤差率為9.61%，LSTM 神經(jīng)網(wǎng)絡算法的模型預測誤差率為6.88%。 因此，選取LSTM 神經(jīng)網(wǎng)絡算法作為預測連續(xù)性物資未來需求的算法。

（2）間斷性物資預測模型擇優(yōu)

運用指數(shù)平滑法與灰色預測法均能有效、精準地對間斷性物資未來需求進行預測，通過對比兩種方法的預測誤差率，選取預測精準度更高的作為間斷性物資的預測模型。

通過計算，指數(shù)平滑法的模型平均誤差率為16.62%，灰色預測法的模型平均誤差率為25.88%。因此，選取指數(shù)平滑法作為預測間斷性物資未來需求的算法。

3 應用價值

通過運用LSTM 神經(jīng)網(wǎng)絡、指數(shù)平滑法分別對連續(xù)性物資、間斷性物資的未來需求進行精準預測，能夠有效輔助客戶決策各類電力需求物資的正確庫存，改善管理人員在物資管理方面的盲目性與片面性，提升電力公司對物資需求的快速精準響應，提高電力企業(yè)的物資管理水平。

4 結語

本文通過對當前物資管理的現(xiàn)狀進行調研分析，結合企業(yè)實際工作需要，針對電力物資管理過程中的問題制定了相應的解決策略。 采用時間序列分析與LSTM 神經(jīng)網(wǎng)絡算法對連續(xù)性物資未來需求進行預測，采用指數(shù)平滑法與灰色預測法實現(xiàn)對間斷性物資未來需求的預測，有效地提高了物資管理人員的物資需求預測能力，極大地節(jié)約了企業(yè)采購成本，提升了企業(yè)綜合競爭力。