基于改進ARIMA模型的電力物資數(shù)據(jù)預(yù)測分析

摘 要：準(zhǔn)確的物資需求預(yù)測結(jié)果，對合理編制電力物資供應(yīng)計劃有重要意義。因此，本文提出一種結(jié)合ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)的方法，以更準(zhǔn)確地預(yù)測電力物資需求時間序列。使用ARIMA模型對物資需求量進行線性預(yù)測，將預(yù)測的殘差序列作為BP神經(jīng)網(wǎng)絡(luò)的輸入，利用神經(jīng)網(wǎng)絡(luò)對殘差序列進行非線性建模，修正ARIMA模型的預(yù)測值。試驗結(jié)果表明，修正BP神經(jīng)網(wǎng)絡(luò)的誤差可以顯著提高預(yù)測精度，使預(yù)測結(jié)果更加貼近實際值，可以為保證物資供應(yīng)的質(zhì)量和效益提供重要的決策依據(jù)。

關(guān)鍵詞：人工智能；電力物資；數(shù)據(jù)預(yù)測；數(shù)據(jù)分析

中圖分類號：F 25" 文獻標(biāo)志碼：A

隨著電力系統(tǒng)不斷發(fā)展及其智能化的推進，電力物資需求的規(guī)模持續(xù)增加，保證電力系統(tǒng)的穩(wěn)定運行和保障供電安全成了關(guān)鍵任務(wù)[1]。面對復(fù)雜且高維的電力物資數(shù)據(jù)，傳統(tǒng)預(yù)測方法已難以滿足需求，需要探尋更創(chuàng)新高效的解決方案。在此背景下，引入人工智能技術(shù)，并將其應(yīng)用在電力物資數(shù)據(jù)分析中，開啟了精準(zhǔn)預(yù)測電力物資需求的新篇章。通過利用人工智能的大規(guī)模數(shù)據(jù)處理能力和發(fā)現(xiàn)復(fù)雜關(guān)聯(lián)性的優(yōu)勢，可以提高電力系統(tǒng)的可靠性和效率[2]。

國內(nèi)外研究顯示，物資預(yù)測在供應(yīng)鏈管理中占據(jù)重要位置，已發(fā)展出多種預(yù)測理論和方法。傳統(tǒng)上，線性回歸模型、移動平均法、指數(shù)平滑法等基于歷史數(shù)據(jù)分析的方法廣泛應(yīng)用于需求預(yù)測。這些方法通過分析歷史趨勢和選擇誤差均方差最小的模型來提高預(yù)測準(zhǔn)確率。隨著非線性序列預(yù)測需求增加，非線性預(yù)測方法（支持向量機算法和神經(jīng)網(wǎng)絡(luò)算法）的應(yīng)用也逐漸增加，這些方法將需求預(yù)測轉(zhuǎn)化為分類問題，提高了物資計劃管理的效率。

通過結(jié)合傳統(tǒng)的線性預(yù)測方法和現(xiàn)代的非線性預(yù)測技術(shù)，特別是引入人工智能算法，可以有效提高電力物資需求預(yù)測的準(zhǔn)確性和效率。不僅為電力系統(tǒng)的穩(wěn)定運行提供支持，也能提高供應(yīng)鏈管理水平[3]。

1 人工智能技術(shù)預(yù)測電力物資數(shù)據(jù)

1.1 ARIMA時間序列預(yù)測法

自回歸差分移動平均（AutoRegressive Integrated Moving Average，ARIMA）模型是一種常用于時間序列預(yù)測的統(tǒng)計方法，廣泛應(yīng)用于經(jīng)濟學(xué)、金融、氣象學(xué)等領(lǐng)域。ARIMA模型結(jié)合了自回歸（AR）、差分（I）和移動平均（MA）這3個元素，具有較強的適應(yīng)性和預(yù)測性能。

ARIMA模型的核心思想在于對時間序列進行差分，使其趨勢平穩(wěn)化，然后通過自回歸和移動平均的組合來捕捉數(shù)據(jù)中的結(jié)構(gòu)和規(guī)律。圖1為ARIMA不同模型之間相互轉(zhuǎn)化示意圖，圖中p、d、q分別為自回歸階數(shù)、差分次數(shù)和移動平均階數(shù)。當(dāng)自回歸和移動平均的參數(shù)都為0（即p=q=0）時，模型就退化為僅包括差分的模型，而設(shè)置差分次數(shù)d為0時，得到一個沒有差分的ARIMA模型。當(dāng)p=0，即沒有自回歸項時，會退化為MA（q）模型，表示一個僅有滑動平均部分的模型。同樣地，當(dāng)q=0，即沒有移動平均項時，ARIMA（p， q）將退化為AR（p）模型，表明一個僅有自回歸部分的模型。當(dāng)AR（p）模型中的p=0、以及MA（q）模型中的q=0時，兩者都會退化為“白噪聲”模型。白噪聲是一個序列完全隨機，不存在可以預(yù)測的模式或規(guī)律。整個圖示清晰地解釋了當(dāng)ARIMA模型的不同參數(shù)取特定值時，模型是如何簡化為其他更基礎(chǔ)的時間序列模型的，對理解時間序列分析中模型選擇和模型間的聯(lián)系有很大幫助。

ARIMA模型具有簡單、可解釋性強的優(yōu)點，適用于對線性趨勢和季節(jié)性影響較弱的時間序列數(shù)據(jù)。其預(yù)測結(jié)果可用于制定策略、規(guī)劃資源和進行風(fēng)險管理。當(dāng)對電力物資月需求量進行分析和預(yù)測時，具體流程圖如圖2所示。首先，對電力物資序列數(shù)據(jù)進行數(shù)據(jù)分析，如果數(shù)據(jù)是非平穩(wěn)的，就需要先對數(shù)據(jù)進行差分運算。其次，對數(shù)據(jù)是否白噪聲進行判斷，若非白噪聲，則進行定階，即確定ARMA模型中的自回歸項和移動平均項的階數(shù)。在定階之后，對參數(shù)進行估計，以估算模型中各參數(shù)的值。估計完成后，對模型進行檢驗，以保證估計的模型是有效的。如果模型檢驗不通過，就需要返回重新進行定階和參數(shù)估計。如果模型檢驗通過，就使用該模型預(yù)測未來的數(shù)據(jù)。最后，根據(jù)預(yù)測結(jié)果進行決策支持。這個過程是迭代的，需要多次調(diào)整模型以保證預(yù)測的準(zhǔn)確性和有效性。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）是一種常見的人工神經(jīng)網(wǎng)絡(luò)（ANN）架構(gòu)，屬于監(jiān)督學(xué)習(xí)的一種。它廣泛應(yīng)用在模擬和學(xué)習(xí)非線性關(guān)系、模式識別和預(yù)測等任務(wù)方面。BP神經(jīng)網(wǎng)絡(luò)通常包括輸入層、隱藏層（可以有多個）以及輸出層。每個層內(nèi)有多個節(jié)點（神經(jīng)元），節(jié)點之間的連接具有權(quán)重。輸入層接收輸入信號，通過權(quán)重傳遞到隱藏層，最終到輸出層。每個節(jié)點都通過一個激活函數(shù)（通常是“S”形函數(shù)，也稱為Sigmoid函數(shù)）將其輸入轉(zhuǎn)換為輸出。訓(xùn)練過程采用反向傳播算法（Backpropagation），它通過計算實際輸出與期望輸出之間的誤差，將誤差信息沿著網(wǎng)絡(luò)反向傳播，調(diào)整連接權(quán)重，以最小化誤差。將這個過程進行迭代，直至網(wǎng)絡(luò)的輸出足夠接近期望輸出或者達到預(yù)定的訓(xùn)練迭代次數(shù)[4-5]。BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程如圖3所示。

BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于模式識別、數(shù)據(jù)挖掘、預(yù)測分析、語音識別、圖像處理等領(lǐng)域。它具有處理非線性關(guān)系和復(fù)雜模式的能力，因此成為人工智能和機器學(xué)習(xí)領(lǐng)域中的重要工具。

2 基于BP誤差修正的ARIMA模型

本文提出了一種結(jié)合ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)的方法，以更準(zhǔn)確地預(yù)測電力物資需求時間序列。使用ARIMA模型對需求量進行線性預(yù)測，將預(yù)測的殘差序列作為BP神經(jīng)網(wǎng)絡(luò)的輸入。通過神經(jīng)網(wǎng)絡(luò)對殘差序列進行非線性建模，修正ARIMA模型的初始預(yù)測值，從而得到更精確的最終預(yù)測結(jié)果。這種組合方法旨在克服ARIMA和BP神經(jīng)網(wǎng)絡(luò)各自的局限性，提高預(yù)測的準(zhǔn)確性。具體的步驟如下。

對電力物資需求時間序列的線性部分進行預(yù)測，如公式（1）所示。

et=yt- " （1）

式中：yt為原始時間序列；為預(yù)測結(jié)果；et為殘差。

由于殘差序列{et}中包括了非線性部分，因此，采用BP神經(jīng)網(wǎng)絡(luò)對非線性部分進行逼近，將{et}作為BP神經(jīng)網(wǎng)絡(luò)輸入，則該殘差序列可以為公式（2）。

et=f（et-1，et-2，...，et-n）+εt " （2）

式中：f（·）為BP神經(jīng)網(wǎng)絡(luò)模型；εt為偏置項。

對線性與非線性兩種預(yù)測結(jié)果進行疊加，得到最終的預(yù)測結(jié)果，如公式（3）所示。

=+ " （3）

式中：為最終預(yù)測結(jié)果；為線性部分預(yù)測結(jié)果；為非線性部分預(yù)測結(jié)果。

從預(yù)測過程來看，本文所提方法充分發(fā)揮了ARIMA和BP兩種模型的優(yōu)勢，能夠提高預(yù)測的準(zhǔn)確性。通過ARIMA模型對電力物資需求時間序列進行線性部分預(yù)測。利用BP神經(jīng)網(wǎng)絡(luò)對ARIMA模型的預(yù)測結(jié)果進行誤差修正，以更精確地提取物資需求序列中的各種數(shù)據(jù)特征。應(yīng)用這種綜合模型能夠有效地整合ARIMA的線性建模和BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，從而提高對未來需求的準(zhǔn)確預(yù)測性。

3 試驗結(jié)果與分析

本文對某地區(qū)2015 年 12 月— 2016 年 12 月的鋼芯鋁絞線月度需求量數(shù)據(jù)進行分析，得到的結(jié)果如圖4所示。分析該圖可知，修正BP神經(jīng)網(wǎng)絡(luò)的誤差可以顯著提高預(yù)測精度，使預(yù)測結(jié)果更加貼近實際值。在ARIMA模型后半年的預(yù)測誤差較大的情況下，BP神經(jīng)網(wǎng)絡(luò)的誤差修正效果尤為顯著，特別是在10月—12月，修正后的預(yù)測值幾乎與實際鋁絞線需求量完全吻合。這說明通過結(jié)合ARIMA模型的線性預(yù)測和BP神經(jīng)網(wǎng)絡(luò)的非線性修正，能夠更準(zhǔn)確地捕捉并糾正時間序列中的復(fù)雜模式，從而提高了對電力物資需求的預(yù)測準(zhǔn)確性。

圖 5展示了預(yù)測算法改進前后的相對誤差率比較?？傮w而言，改進前，ARIMA模型的平均相對誤差率為7.86%。而在引入BP神經(jīng)網(wǎng)絡(luò)進行誤差修正后，平均相對誤差率降至4.88%，比改進前降低了2.98%。這種明顯的降幅表明結(jié)合BP神經(jīng)網(wǎng)絡(luò)的誤差修正策略在提高預(yù)測精度方面取得了顯著效果。

4 結(jié)論

本文對電力物資預(yù)測提出在ARIMA模型的基礎(chǔ)上引入BP神經(jīng)網(wǎng)絡(luò)修正誤差進行研究，以全面提取物資序列中的復(fù)合特征，提高電力物資的預(yù)測精度。將鋼芯鋁絞線月度需求量為電力關(guān)鍵物資作為代表，對其進行了預(yù)測試驗。試驗結(jié)果表明，經(jīng)過誤差修正的電力物資預(yù)測精度明顯提高，為制定物資采購計劃提供了重要的數(shù)據(jù)支持。應(yīng)用這種綜合算法對電力系統(tǒng)的物資管理和采購決策具有實質(zhì)性的幫助。

參考文獻

[1] 王藝蒙. 國電東北電力有限公司物資采購管理模式研究[D].吉林：吉林大學(xué)，2012.

[2]龐山.基于大數(shù)據(jù)技術(shù)的電力系統(tǒng)信息化運維體系研究[J].互聯(lián)網(wǎng)周刊，2024（9）：20-22.

[3] 劉苗. 打造國際一流的物資供應(yīng)鏈[N]. 國家電網(wǎng)報，2013-08-01（7）.

[4] 沈男. 基于改進 BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測研究[D].北京：華北電力大學(xué)，2014.

[5] 陳文康. SCP 電力公司物資需求預(yù)測系統(tǒng)的設(shè)計與實現(xiàn)[D].成都：電子科技大學(xué)，2013.