基于時間序列多因素融合模型的電網物資需求預測研究

譚韻 劉叢吉 王孝茹

摘要：本文針對電力物質需求預測中存在的預測結果與真實需求不一致造成電網物資浪費的問題，提出基于時間序列多因素融合模型的電網物資需求預測研究方法。文章首先歸納電力物資的主要影響因素得到簡化的電力物資影響因素，實現不同影響因素下的電力物資需求分析，其次將時間序列預測模型用于對不同影響因素的電力物資需求預測，最后運用算例驗證時間序列預測模型的有效性，以供參考。

關鍵詞：時間序列；多因素融合；電網物資；需求預測

DOI：10.12433/zgkjtz.20233406

電網物資需求預測是電網物資管理的重要組成部分，也是電力行業正常運行的基礎。提高物資需求預測的精準性和庫存管理的效率，能提升物質計劃管理效率，降低物質庫存成本，提高電力行業的經濟效益。但由于電網物質具有專業性強、品種多、規格雜，物資消耗規律性不顯著、季節性波動典型等特點，需求預測難度較大，依靠傳統的預測方法很難測出精準的結果。

隨著社會對物資需求的精度要求逐漸提高，國內外學者不斷擴大研究范圍，不斷探索新的研究方法，機器學習、深度學習等人工智能技術在電力需求預測方面表現出很大的應用潛力，在實際應用中取得了良好的效果。而綜合利用時間序列模型、灰色預測模型等多種方法進行預測，也是提高預測準確率的有效方法。對于物資需求預測分析，常見的研究方法主要為回歸分析法、神經網絡法、灰色預測法、機器學習法、時間序列分析法等。機器學習法主要通過構建各種機器學習算法，從大量數據中學習和推斷出規律和趨勢，以實現需求的預測。時間序列分析法是一種基于歷史數據的預測方法，主要通過對時間序列數據進行分析和建模，以預測未來的需求。該方法的優點在于對趨勢、周期性或者季節性的數據具有較好的適用性，并且模型易于理解和實現。但該方法也要求數據必須平穩、可預測等，否則會導致預測不準確。

綜上所述，電力物資需求方法有多種，各種物資需求預測方法都有其使用范圍和局限性。同時，需求預測的準確性也受到歷史數據的質量、影響因素的變化、所選方法的適用性等因素的影響。因此，單一的方法無法解決所有情況下的不同需求，而結合多種方法進行綜合預測能提高預測結果的準確性。

基于以上分析，本文首先對電力物資的主要影響因素進行歸納，梳理不同的主要影響因素，并將它們進行歸類，從而得到簡化的電力物資影響因素，實現不同影響因素下的電力物資需求分析，后將時間序列預測模型用于對不同影響因素的電力物資需求預測，具有一定的實際價值。

一、電力物資需求預測模型構建思路

（一）物資需求類別分析

通過對物資進行連續性、波動性和季節性分析，可以得到連續需求、間斷需求和偶發需求三個物資種類。定額物資中，大部分屬于連續需求或者間斷需求，依據數據分布可以通過Fbprophet模型、ARIMA等時間序列模型進行預測。細化到具體的物資規格型號，尤其是變壓器、配電箱等設備類物資，部分可能出現零星需求的情況，主要基于灰色預測方式結合歷史基線進行預測。同時，不同的需求類型分布也決定了蒙特卡洛模擬采用的隨機數生成分布。

（二）物資需求預測選型分析

根據預測模型適用性以及物資種類，選擇合適的預測模型對相應的類別進行預測。具體來說，分為5個步驟：步驟1：數據清洗。步驟2：需求曲線繪制。步驟3：判斷物資種類，如果是連續需求或間斷需求，采用不同的時間序列預測方法校驗模型效果，即拆分樣本集和訓練集，用模型擬合測試集RMSE（均方根誤差）最小作為選擇模型的標準。步驟4：如果偏差值最小的模型偏差值合理，確定預測模型；如果偏差值都較大，結合灰色模型、神經網絡模型等進行校驗，再進一步分析RMSE值，最終選擇RMSE值較小的預測模型進行預測。步驟5：物資需求預測。

二、電力物資需求預測模型構建及驗證

本文經過多種算法的篩選分析，最終選擇ARIMA模型、SES模型、DES模型作為連續性和間斷性物資需求預測方法，灰色預測模型作為偶發性物資需求預測方法。

（一）連續性/間斷性需求預測模型

1.典型物資

（1）連續性物資

10kV銅芯交聯聚乙烯絕緣電力電纜、配電網自動化（DTU）三遙終端、控制電纜、防倒供電裝置、不間斷電源、配電盤、穩壓器等物資具有需求率高（需求周數＞30周）、通用性強、使用需求的時間間隔短、物資消耗較快等特征。其歷史數據較為完整且可用性高，空缺及不正常數據較少，具有較穩定的趨勢性、季節性和周期性等特征。因此，對數據有平穩性要求的時間序列預測模型適合開展連續性物資需求預測。

（2）間斷性物資

一碼通、水泥桿、溫控溫顯、低壓開關柜、變壓器等物資具有需求率較低（需求周數＞5周，需求周數≤30周）、通用性較低、使用需求的時間間隔較長、物資消耗速度較慢等特征。其歷史數據存在明顯的波動性和隨機性，并且有大量的0值，數據可用性較低。因此，時間序列中的指數平滑法適合開展間斷性物資需求預測，也可同時綜合灰色預測法進行分析，結果會更為準確。

2.模型構建

（1）自回歸積分滑動平均模型（ARIMA）

ARIMA模型是一種廣泛用于時間序列分析和預測的統計模型，它結合了自回歸（AR）、差分（I）和移動平均（MA）三個部分的概念，適用于處理非平穩時間序列數據。ARIMA（p，d，q）數學模型的一般形式可以表示為：

其中，L是滯后操作符，表示時移；Xt是當前時刻的值；c是常數項；p是自回歸階數；d是差分階數；q是移動平均階數；?1是自然回歸模型的參數；θj是移動平均模型的參數；εt是白噪聲誤差項。

（2）簡單指數平滑法（SES）

設時間點實際值為Y（t），預測值為F（t），平滑系數為a，時間點t+1預測值為：

a取值范圍為[0，1]，當時間序列相對平穩時取較小的；當時間序列波動較大時，取較大的a，以不忽略遠期觀測值的影響。

（3）雙參數指數平滑法（DES）

雙參數指數平滑法是單參數指數平滑法的擴展，適用于具有明顯趨勢和季節性的數據，該模型有兩個參數，對序列的水平值和趨勢值進行平滑。公式如下：

水平方程：

趨勢方程：

預測方程：

式中，F（t）表示在時間點的預估水平；T（t）表示在時間點的預測趨勢；Y（t）表示時間點的數據值；a表示水平的平滑系數；β是趨勢的平滑系數，系數的取值范圍為[0，1]。最優參數可以通過SSE、MAE、RMSE、SMAPE等評估指標確定。

3.案例驗證

（1）連續性需求物資預測分析

以廣東電網廣州供電局的10kV銅芯交聯聚乙烯絕緣電力電纜，FYZA－YJV22－8.7/15kV－3×300mm2，雙鋼帶鎧裝，防蟻阻燃聚氯乙烯外護套為例，以周為單位，利用歷史數據對2023年5月14日至2023年6月11日的需求進行預測。

第一步，判斷需求的連續性、周期性、季節性等趨勢。10kV銅芯交聯聚乙烯絕緣電力電纜需求頻繁穩定，存在基本穩定的周期性。第二步，時間序列預測，校驗模型效果。用時間序列模型進行需求預測，得到各模型的RMSE：Holt為11.255，ARIMA為10.366，SES為10.717。第三步，預測模型確定。根據測試集RMSE最小作為選擇模型的標準，本案例選擇ARIMA為最優預測模型。第四步，物資需求預測。用ARIMA模型對2023年5月14日至2023年6月11日的需求進行預測，得到結果為2023年5月14日真實值17.404、預測值19.935，2023年5月28日真實值30.94、預測值27.982，2023年6月11日真實值12.076、預測值12.023。

（2）間斷性需求物資預測分析

以廣東電網廣州供電局的10kV澆注式干式變壓器，SC（B）14－630kVA為例，以周為單位，利用歷史數據對2023年5月14日至2023年6月11日的需求進行預測。第一步，10kV澆注式干式變壓器需求間斷，未表現出明顯的連續性和季節性等趨勢。第二步，多模型融合預估，校驗模型效果。用時間序列模型進行需求預測，并結合灰色預測模型綜合判定，得到各模型的RMSE：Holt為3.316，ARIMA為3.218，SES為3.211，GM為3.17。第三步，預測模型確定。根據測試集RMSE最小作為選擇模型的標準，本案例選擇GM為最優預測模型。第四步，物資需求預測。用GM模型對2023年5月14日至2023年6月11日的需求進行預測，得到結果為2023年5月14日真實值5、預測值1，2023年5月28日真實值3、預測值4，2023年6月11日真實值4、預測值4。

（二）偶然性需求預測模型

1.典型物資

10kV歐式箱變、20kV電力電纜、不銹鋼低壓綜合配電箱、戶外開關箱等物資具有短暫性、突發性、不確定性和影響重大性等特點。歷史數據存在缺失值多、可用性低、受突發事件影響大、異常值多等情況，同時數據也沒有穩定的趨勢或季節性特征。因此，只通過少量的不完全的信息才能進行未來預測的灰色預測模型，更適合開展偶發性需求物資的預測。

2.模型構建

在實際預測時，使用灰色預測的GM（1，1），其步驟及方法如下：

第一步，選擇時間序列數據Y（0），

式中，Y為各年度歷史數據。

第二步，對時間序列數據做一次累加生成Y（1），

在上述時間序列數據中，

第三步，構造累加矩陣B和常數向量X，

累加矩陣B和常數向量都是關于Y的矩陣，α、μ是用最小二乘法求出的模型中的兩個參數。

第四步，將得到的參數代入微分方程并求解，可以得到一次累加序列的預測模型。

第五步，進行還原得到原始時間序列數據的預測值。

3.案例驗證

以廣東電網廣州供電局的20kV電力電纜，ZRC－YJV22－3×300mm2為例，以周為單位，利用歷史數據對2023年5月14日至2023年6月11日的需求進行預測。第一步，判斷需求的連續性、周期性、季節性趨勢。110kV戶外開關箱需求偶發，未表現出明顯的連續性和季節性趨勢。第二步，多模型融合預估，校驗模型效果。用灰色預測模型結合歷史基線進行預測，得到RMSE的值為0。第三步，預測模型確定。本案例選擇GM為最優預測模型。第四步，物資需求預測。用GM模型對2023年5月14日至2023年6月11日的需求進行預測，得到結果為2023年5月14日真實值0、預測值0，2023年5月28日真實值0、預測值0.001，2023年6月11日真實值0、預測值0。

三、結語

本文根據不同物資需求的特性，提出了基于時間序列的多因素融合預測模型。該模型綜合考量了時間序列模型和灰色預測模型的適用條件、歷史數據以及影響條件等因素，把時間序列模型、灰色預測模型等三種以上的預測方法得到的結果進行綜合判斷，融合平衡各個模型之間的偏差和方差，降低了單一模型可能帶來的誤差，提高了預測的準確性。

參考文獻：

[1]畢子健，王翎穎.電網物資需求預測方法研究[J].華北電力技術，2015（10）：26-30.

[2]丁紅衛，王文果，萬良，等.基于BP神經網絡的電網物資需求預測研究[J].計算機技術與發展，2019，29（06）：138-142.

[3]宋斌，卜濤，張洪青.電網建設項目物資需求預測研究[J].物流技術，2013，32（03）：319-321+336.

[4]馬超.基于需求預測的物資計劃全過程管控方法[J].青海電力，2014，33（02）：71-72.

[5]杜劍韜.城際高速鐵路經濟效益的測度與評價——基于灰色預測模型的實證分析[J].經濟師，2020（05）：67-68+70.

[6]周曉斌，宋依群.輸變電物資價格預測方法的研究[J].科技創新與應用，2012（11）：234.

[7]田波，樸在林，郭丹，等.基于ARMA—GARCH模型的超短期風功率預測研究[J].電測與儀表，2016，53（17）：12-17.

[8]丁靖，黃曉明，余乘龍.基于多因素融合與ARIMA的電力物資預測[J].能源與環保，2022，44（07）：227-231.

[9]牛凱，洪芳華，費東，等.基于Prophet算法的電力物資需求預測方法研究[J].科學技術創新，2020（33）：163-164.