摘 要：電力物資需求預(yù)測(cè)是電力企業(yè)運(yùn)營管理中一項(xiàng)重要技術(shù)，但是當(dāng)前預(yù)測(cè)水平比較低，不僅MAPE比較大，而且預(yù)測(cè)結(jié)果置信度水平比較低，無法達(dá)到預(yù)期的預(yù)測(cè)效果，因此提出基于改進(jìn)BPNN算法的電力物資需求預(yù)測(cè)方法。為保證電力物資需求預(yù)測(cè)的準(zhǔn)確性，首先按照項(xiàng)目的性能將電力物資分為技改物資、維修物資、科技物資、基建物資以及信息物資，然后根據(jù)劃分的物資類別從電力物資信息系統(tǒng)或者平臺(tái)上收集歷史電力物資信息，并對(duì)數(shù)據(jù)泛化和歸一化處理，利用改進(jìn)BPNN算法對(duì)電力物資需求數(shù)據(jù)訓(xùn)練，提取電力物資需求特征，量化預(yù)測(cè)電力物資需求，以此實(shí)現(xiàn)基于改進(jìn)BPNN算法的電力物資需求預(yù)測(cè)。經(jīng)實(shí)驗(yàn)證明，設(shè)計(jì)方法MAPE不超過1%，預(yù)測(cè)結(jié)果置信度不低于95%，在電力物資需求預(yù)測(cè)方面具有良好的應(yīng)用前景。

關(guān)鍵詞：改進(jìn)BPNN算法 電力物資需求 電力物資信息系統(tǒng) 歸一化 需求特征 量化

中圖分類號(hào)：TP391

Power Material Demand Prediction Method Based on Improved BPNN Algorithm

ZHANG Libo LIU Lijun

Taiyuan Power Supply Company of State Grid Shanxi Electric Power ComjozdUa3cpdeBnat11SxdlA==pany， Taiyuan， Shanxi Province， 030001 China

Abstract： Power Material Demand Prediction is an important technology in the application and management of power enterprises， but the current prediction level is relatively low. Not only MAPE is relatively large， but also the confidence level of the prediction results is relatively low， which cannot achieve the expected prediction effect. Therefore， Power Material Demand Prediction method based on the improvement of BPNN algorithm is proposed. To ensure the accuracy of power material demand prediction， the power materials are firstly divided into technical materials， maintenance materials， scientific and technological materials， infrastructure materials and information materials according to the performance of the project. Then， according to the division of materials category， historical electricity material information is collected from the electricity material information system or platform， and the data is generalized and normalized. Using the improved BPNN algorithm to train data on power material demand， extract power material demand characteristics， quantify the power material demand， to realize the power material demand prediction based on the improved BPNN algorithm. The experiment has proved that the design method MAPE is not more than 1%， and the confidence level of the prediction results is not less than 95%， which has a good application prospect in power materials demand prediction.

Key Words： Improved BPNN algorithm; Power material demand; Power material information system; Normalization; Demand characteristics; Quantification

電力物資需求預(yù)測(cè)是電力企業(yè)制訂生產(chǎn)計(jì)劃、調(diào)度安排和檢修維護(hù)等決策的重要依據(jù)。通過預(yù)測(cè)，企業(yè)可以更好地把握市場需求和變化趨勢(shì)，及時(shí)調(diào)整生產(chǎn)和經(jīng)營策略，提高決策效率和準(zhǔn)確性。然而，由于電力物資需求的多樣性和復(fù)雜性，傳統(tǒng)的預(yù)測(cè)方法往往難以獲得精確的結(jié)果，在實(shí)際中預(yù)測(cè)結(jié)果置信度水平比較低，而且MAPE比較大，為此提出基于改進(jìn)BPNN算法的電力物資需求預(yù)測(cè)方法。

1 電力物資分類

為了保證電力物資需求預(yù)測(cè)的準(zhǔn)確性，在對(duì)物資需求預(yù)測(cè)之前，對(duì)電力物資進(jìn)行分類，針對(duì)每一類別物資進(jìn)行需求預(yù)測(cè)分析?？紤]到分類依據(jù)不同，所區(qū)分的電力物資類別也會(huì)不同，本文按照項(xiàng)目的性能區(qū)分，將電力物資分為技改物資、維修物資、科技物資、基建物資以及信息物資5種，利用多元組表示為：

式（1）中：表示電力物資；表示電力技改物資；表示電力維修物資；表示電力科技物資；表示電力基建物資；表示電力信息物資[1]。技改物資是指電力技術(shù)改造所需要使用的物資，這是由于在科學(xué)技術(shù)不斷發(fā)展的情況下，先進(jìn)的電力設(shè)備可以提高生產(chǎn)能力，降低成本，對(duì)電網(wǎng)的升級(jí)和改造，有利于提升企業(yè)的競爭力[2]。電力維修物資是指用于電力工程檢修與維護(hù)的物資，通常分為日常維修物資和應(yīng)急搶修物資兩種。電力科技物資是指用于電力創(chuàng)新科技項(xiàng)目所使用的物資，比如無人機(jī)、機(jī)器人等。電力基建物資是指用于電力基礎(chǔ)設(shè)施建設(shè)的物資[3]。電力信息物資是指用于電力信息化工程所使用的物資，比如防火墻、交換機(jī)、光纖等。此外，還可以按照電力物資用途將其分為一次設(shè)備和二次設(shè)備。

2 歷史電力物資需求數(shù)據(jù)收集及預(yù)處理

根據(jù)劃分的電力物資類別，收集電力企業(yè)近3年或者近5年電力物資需求數(shù)據(jù)，數(shù)據(jù)來源于電力企業(yè)物資信息系統(tǒng)或平臺(tái)[4]，考慮到數(shù)據(jù)量比較大，為了滿足電力物資需求預(yù)測(cè)需求，對(duì)收集的原始電力物資需求數(shù)據(jù)進(jìn)行預(yù)處理?？紤]到電力物資種類不同，單位也有所差異，為了保證預(yù)測(cè)精度，采用最大值最小值法對(duì)電力物資需求數(shù)據(jù)進(jìn)行歸一化處理[5]。其用公式表示為：

式（2）中：表示歸一化后的歷史電力物資需求數(shù)據(jù)；表示原始數(shù)據(jù)；、分別表示歷史電力物資需求最小值與最大值。利用以上公式對(duì)原始數(shù)據(jù)歸一化處理，將歷史電力物資數(shù)據(jù)值規(guī)范到0-1區(qū)間，消除數(shù)據(jù)量綱，為后續(xù)基于改進(jìn)BPNN算法的電力物資需求特征提取奠定基礎(chǔ)。

3 基于改進(jìn)BPNN算法的電力物資需求量化預(yù)測(cè)

將預(yù)處理后的歷史電力物資需求數(shù)據(jù)作為改進(jìn)BPNN算法輸入向量，利用改進(jìn)BPNN算法對(duì)歷史電力物資需求數(shù)據(jù)分析，提取到電力物資需求特征。隨著BPNN算法對(duì)數(shù)據(jù)迭代計(jì)算次數(shù)的增加，BPNN算法收斂性能逐漸減弱，很容易出現(xiàn)過早收斂，因此對(duì)BPNN算法參數(shù)進(jìn)行更新，其用公式表示為：

式（3）中：表示更新后的BPNN算法權(quán)值參數(shù)；表示當(dāng)前BPNN算法權(quán)值參數(shù)；表示BPNN算法的學(xué)習(xí)速率；表示BPNN算法的動(dòng)量因子；、分別表示更新后的和當(dāng)前的BPNN算法閾值參數(shù)。通過動(dòng)態(tài)更新BPNN算法參數(shù)，提升BPNN算法收斂性能。利用改進(jìn)后的BPNN算法對(duì)電力物資需求進(jìn)行量化預(yù)測(cè)。改進(jìn)BPNN算法由輸入層、隱含層以及輸出層組成，將處理后的電力物資需求數(shù)據(jù)輸入改進(jìn)BPNN算法輸入層中，在輸入層中對(duì)數(shù)據(jù)集中化處理，統(tǒng)一數(shù)據(jù)格式。將集中化處理后的電力物資需求數(shù)據(jù)輸入到隱含層，在隱含層中利用神經(jīng)元激活函數(shù)對(duì)電力物資需求特征進(jìn)行提取。其用公式表示為：

式（4）中：表示隱含層第個(gè)神經(jīng)元輸出的電力物資需求特征向量；表示神經(jīng)元數(shù)量。將提取的電力物資需求特征輸入BPNN算法的輸出層中，在輸出層中對(duì)需求特征線性回歸分析，量化出電力物資需求。其用公式表示為：

式（5）中：表示電力物資需求量；表示回歸系數(shù)；表示經(jīng)驗(yàn)系數(shù)；表示參照電力項(xiàng)目特征量；表示預(yù)測(cè)電力項(xiàng)目與參照電力項(xiàng)目的相似度。將相似度最大的電力項(xiàng)目作為參照項(xiàng)目，通過對(duì)其線性分析，得到當(dāng)前電力項(xiàng)目所需的電力物資，以此實(shí)現(xiàn)基于改進(jìn)BPNN算法的電力物資需求預(yù)測(cè)。

4 實(shí)驗(yàn)論證

4.1 實(shí)驗(yàn)準(zhǔn)備與設(shè)計(jì)

以某電力公司為實(shí)驗(yàn)對(duì)象，收集該電力公司2020—2022年的電力物資使用歷史數(shù)據(jù)，數(shù)據(jù)中包含20個(gè)電力項(xiàng)目，電力物資種類共5種，數(shù)據(jù)量為1.25 GB，將其作為改進(jìn)BPNN算法訓(xùn)練集。利用改進(jìn)BPNN算法對(duì)電力物資需求歷史數(shù)據(jù)訓(xùn)練，提取電力物資需求特征，從而預(yù)測(cè)出2024年1—12月電力物資需求，預(yù)測(cè)結(jié)果與實(shí)際情況對(duì)比如圖1所示。

4.2 實(shí)驗(yàn)結(jié)果與討論

根據(jù)該公式電力物資需求預(yù)測(cè)結(jié)果與實(shí)際情況，測(cè)算出方法的置信度和MAPE（平均絕對(duì)百分比誤差），將本文方法與兩種主流方法對(duì)比，對(duì)比結(jié)果如表1、表2所示。

對(duì)比表1中數(shù)據(jù)可以看出，設(shè)計(jì)方法預(yù)測(cè)結(jié)果置信度始終在95%以上，兩種主流方法預(yù)測(cè)置信度相對(duì)低于設(shè)計(jì)方法。對(duì)比表2中數(shù)據(jù)可以看出，在電力物資需求預(yù)測(cè)MAPE方面，設(shè)計(jì)方法不超過1%，遠(yuǎn)低于兩種主流方法。從兩個(gè)評(píng)價(jià)指標(biāo)來看，設(shè)計(jì)方法在電力物資需求預(yù)測(cè)方面具有絕對(duì)的優(yōu)勢(shì)，證明了設(shè)計(jì)方法可以較好地對(duì)電力物資需求預(yù)測(cè)。

5 結(jié)語

本文提出了一種基于改進(jìn)BPNN算法的電力物資需求預(yù)測(cè)方法，并對(duì)其進(jìn)行了深入的研究和驗(yàn)證。此次對(duì)改進(jìn)BPNN算法進(jìn)行了一定的優(yōu)化和調(diào)整，但仍存在進(jìn)一步優(yōu)化的空間。未來的研究可以探索更多的優(yōu)化策略和技術(shù)，如網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、學(xué)習(xí)率自適應(yīng)調(diào)整等，以提高模型的性能和泛化能力。

參考文獻(xiàn)

[1]郇明.電力物資供應(yīng)鏈全過程管理運(yùn)營分析[J].中國物流與采購，2023（17）：109-110.

[2]李偉.基于物聯(lián)網(wǎng)技術(shù)的應(yīng)急電力物資智能倉儲(chǔ)與調(diào)配管理研究[J].海峽科技與產(chǎn)業(yè)，2023，36（8）：75-77.

[3]陶加貴，孫毅，趙恒，等.電力物資小樣本集的改進(jìn)長短期需求預(yù)測(cè)模型[J].電氣自動(dòng)化，2023，45（1）：50-53.

[4]陳瑜，高瞻，張苗，等.基于電力物資需求提報(bào)前延的實(shí)物儲(chǔ)備補(bǔ)庫閾值優(yōu)化[J].物流技術(shù)，2022，41（12）： 103-108，152.

[5]江奮航，蔣雍，李情.電力物資供應(yīng)鏈全過程精細(xì)化管理系統(tǒng)[J].自動(dòng)化技術(shù)與應(yīng)用，2022，41（9）：165-168.