基于时间序列多因素融合模型的电网物资需求预测研究

谭韵 刘丛吉 王孝茹

摘要：本文针对电力物质需求预测中存在的预测结果与真实需求不一致造成电网物资浪费的问题，提出基于时间序列多因素融合模型的电网物资需求预测研究方法。文章首先归纳电力物资的主要影响因素得到简化的电力物资影响因素，实现不同影响因素下的电力物资需求分析，其次将时间序列预测模型用于对不同影响因素的电力物资需求预测，最后运用算例验证时间序列预测模型的有效性，以供参考。

关键词：时间序列；多因素融合；电网物资；需求预测

DOI：10.12433/zgkjtz.20233406

电网物资需求预测是电网物资管理的重要组成部分，也是电力行业正常运行的基础。提高物资需求预测的精准性和库存管理的效率，能提升物质计划管理效率，降低物质库存成本，提高电力行业的经济效益。但由于电网物质具有专业性强、品种多、规格杂，物资消耗规律性不显著、季节性波动典型等特点，需求预测难度较大，依靠传统的预测方法很难测出精准的结果。

随着社会对物资需求的精度要求逐渐提高，国内外学者不断扩大研究范围，不断探索新的研究方法，机器学习、深度学习等人工智能技术在电力需求预测方面表现出很大的应用潜力，在实际应用中取得了良好的效果。而综合利用时间序列模型、灰色预测模型等多种方法进行预测，也是提高预测准确率的有效方法。对于物资需求预测分析，常见的研究方法主要为回归分析法、神经网络法、灰色预测法、机器学习法、时间序列分析法等。机器学习法主要通过构建各种机器学习算法，从大量数据中学习和推断出规律和趋势，以实现需求的预测。时间序列分析法是一种基于历史数据的预测方法，主要通过对时间序列数据进行分析和建模，以预测未来的需求。该方法的优点在于对趋势、周期性或者季节性的数据具有较好的适用性，并且模型易于理解和实现。但该方法也要求数据必须平稳、可预测等，否则会导致预测不准确。

综上所述，电力物资需求方法有多种，各种物资需求预测方法都有其使用范围和局限性。同时，需求预测的准确性也受到历史数据的质量、影响因素的变化、所选方法的适用性等因素的影响。因此，单一的方法无法解决所有情况下的不同需求，而结合多种方法进行综合预测能提高预测结果的准确性。

基于以上分析，本文首先对电力物资的主要影响因素进行归纳，梳理不同的主要影响因素，并将它们进行归类，从而得到简化的电力物资影响因素，实现不同影响因素下的电力物资需求分析，后将时间序列预测模型用于对不同影响因素的电力物资需求预测，具有一定的实际价值。

一、电力物资需求预测模型构建思路

（一）物资需求类别分析

通过对物资进行连续性、波动性和季节性分析，可以得到连续需求、间断需求和偶发需求三个物资种类。定额物资中，大部分属于连续需求或者间断需求，依据数据分布可以通过Fbprophet模型、ARIMA等时间序列模型进行预测。细化到具体的物资规格型号，尤其是变压器、配电箱等设备类物资，部分可能出现零星需求的情况，主要基于灰色预测方式结合历史基线进行预测。同时，不同的需求类型分布也决定了蒙特卡洛模拟采用的随机数生成分布。

（二）物资需求预测选型分析

根据预测模型适用性以及物资种类，选择合适的预测模型对相应的类别进行预测。具体来说，分为5个步骤：步骤1：数据清洗。步骤2：需求曲线绘制。步骤3：判断物资种类，如果是连续需求或间断需求，采用不同的时间序列预测方法校验模型效果，即拆分样本集和训练集，用模型拟合测试集RMSE（均方根误差）最小作为选择模型的标准。步骤4：如果偏差值最小的模型偏差值合理，确定预测模型；如果偏差值都较大，结合灰色模型、神经网络模型等进行校验，再进一步分析RMSE值，最终选择RMSE值较小的预测模型进行预测。步骤5：物资需求预测。

二、电力物资需求预测模型构建及验证

本文经过多种算法的筛选分析，最终选择ARIMA模型、SES模型、DES模型作为连续性和间断性物资需求预测方法，灰色预测模型作为偶发性物资需求预测方法。

（一）连续性/间断性需求预测模型

1.典型物资

（1）连续性物资

10kV铜芯交联聚乙烯绝缘电力电缆、配电网自动化（DTU）三遥终端、控制电缆、防倒供电装置、不间断电源、配电盘、稳压器等物资具有需求率高（需求周数＞30周）、通用性强、使用需求的时间间隔短、物资消耗较快等特征。其历史数据较为完整且可用性高，空缺及不正常数据较少，具有较稳定的趋势性、季节性和周期性等特征。因此，对数据有平稳性要求的时间序列预测模型适合开展连续性物资需求预测。

（2）间断性物资

一码通、水泥杆、温控温显、低压开关柜、变压器等物资具有需求率较低（需求周数＞5周，需求周数≤30周）、通用性较低、使用需求的时间间隔较长、物资消耗速度较慢等特征。其历史数据存在明显的波动性和随机性，并且有大量的0值，数据可用性较低。因此，时间序列中的指数平滑法适合开展间断性物资需求预测，也可同时综合灰色预测法进行分析，结果会更为准确。

2.模型构建

（1）自回归积分滑动平均模型（ARIMA）

ARIMA模型是一种广泛用于时间序列分析和预测的统计模型，它结合了自回归（AR）、差分（I）和移动平均（MA）三个部分的概念，适用于处理非平稳时间序列数据。ARIMA（p，d，q）数学模型的一般形式可以表示为：

其中，L是滞后操作符，表示时移；Xt是当前时刻的值；c是常数项；p是自回归阶数；d是差分阶数；q是移动平均阶数；?1是自然回归模型的参数；θj是移动平均模型的参数；εt是白噪声误差项。

（2）简单指数平滑法（SES）

设时间点实际值为Y（t），预测值为F（t），平滑系数为a，时间点t+1预测值为：

a取值范围为[0，1]，当时间序列相对平稳时取较小的；当时间序列波动较大时，取较大的a，以不忽略远期观测值的影响。

（3）双参数指数平滑法（DES）

双参数指数平滑法是单参数指数平滑法的扩展，适用于具有明显趋势和季节性的数据，该模型有两个参数，对序列的水平值和趋势值进行平滑。公式如下：

水平方程：

趋势方程：

预测方程：

式中，F（t）表示在时间点的预估水平；T（t）表示在时间点的预测趋势；Y（t）表示时间点的数据值；a表示水平的平滑系数；β是趋势的平滑系数，系数的取值范围为[0，1]。最优参数可以通过SSE、MAE、RMSE、SMAPE等评估指标确定。

3.案例验证

（1）连续性需求物资预测分析

以广东电网广州供电局的10kV铜芯交联聚乙烯绝缘电力电缆，FYZA－YJV22－8.7/15kV－3×300mm2，双钢带铠装，防蚁阻燃聚氯乙烯外护套为例，以周为单位，利用历史数据对2023年5月14日至2023年6月11日的需求进行预测。

第一步，判断需求的连续性、周期性、季节性等趋势。10kV铜芯交联聚乙烯绝缘电力电缆需求频繁稳定，存在基本稳定的周期性。第二步，时间序列预测，校验模型效果。用时间序列模型进行需求预测，得到各模型的RMSE：Holt为11.255，ARIMA为10.366，SES为10.717。第三步，预测模型确定。根据测试集RMSE最小作为选择模型的标准，本案例选择ARIMA为最优预测模型。第四步，物资需求预测。用ARIMA模型对2023年5月14日至2023年6月11日的需求进行预测，得到结果为2023年5月14日真实值17.404、预测值19.935，2023年5月28日真实值30.94、预测值27.982，2023年6月11日真实值12.076、预测值12.023。

（2）间断性需求物资预测分析

以广东电网广州供电局的10kV浇注式干式变压器，SC（B）14－630kVA为例，以周为单位，利用历史数据对2023年5月14日至2023年6月11日的需求进行预测。第一步，10kV浇注式干式变压器需求间断，未表现出明显的连续性和季节性等趋势。第二步，多模型融合预估，校验模型效果。用时间序列模型进行需求预测，并结合灰色预测模型综合判定，得到各模型的RMSE：Holt为3.316，ARIMA为3.218，SES为3.211，GM为3.17。第三步，预测模型确定。根据测试集RMSE最小作为选择模型的标准，本案例选择GM为最优预测模型。第四步，物资需求预测。用GM模型对2023年5月14日至2023年6月11日的需求进行预测，得到结果为2023年5月14日真实值5、预测值1，2023年5月28日真实值3、预测值4，2023年6月11日真实值4、预测值4。

（二）偶然性需求预测模型

1.典型物资

10kV欧式箱变、20kV电力电缆、不锈钢低压综合配电箱、户外开关箱等物资具有短暂性、突发性、不确定性和影响重大性等特点。历史数据存在缺失值多、可用性低、受突发事件影响大、异常值多等情况，同时数据也没有稳定的趋势或季节性特征。因此，只通过少量的不完全的信息才能进行未来预测的灰色预测模型，更适合开展偶发性需求物资的预测。

2.模型构建

在实际预测时，使用灰色预测的GM（1，1），其步骤及方法如下：

第一步，选择时间序列数据Y（0），

式中，Y为各年度历史数据。

第二步，对时间序列数据做一次累加生成Y（1），

在上述时间序列数据中，

第三步，构造累加矩阵B和常数向量X，

累加矩阵B和常数向量都是关于Y的矩阵，α、μ是用最小二乘法求出的模型中的两个参数。

第四步，将得到的参数代入微分方程并求解，可以得到一次累加序列的预测模型。

第五步，进行还原得到原始时间序列数据的预测值。

3.案例验证

以广东电网广州供电局的20kV电力电缆，ZRC－YJV22－3×300mm2为例，以周为单位，利用历史数据对2023年5月14日至2023年6月11日的需求进行预测。第一步，判断需求的连续性、周期性、季节性趋势。110kV户外开关箱需求偶发，未表现出明显的连续性和季节性趋势。第二步，多模型融合预估，校验模型效果。用灰色预测模型结合历史基线进行预测，得到RMSE的值为0。第三步，预测模型确定。本案例选择GM为最优预测模型。第四步，物资需求预测。用GM模型对2023年5月14日至2023年6月11日的需求进行预测，得到结果为2023年5月14日真实值0、预测值0，2023年5月28日真实值0、预测值0.001，2023年6月11日真实值0、预测值0。

三、结语

本文根据不同物资需求的特性，提出了基于时间序列的多因素融合预测模型。该模型综合考量了时间序列模型和灰色预测模型的适用条件、历史数据以及影响条件等因素，把时间序列模型、灰色预测模型等三种以上的预测方法得到的结果进行综合判断，融合平衡各个模型之间的偏差和方差，降低了单一模型可能带来的误差，提高了预测的准确性。

参考文献：

[1]毕子健，王翎颖.电网物资需求预测方法研究[J].华北电力技术，2015（10）：26-30.

[2]丁红卫，王文果，万良，等.基于BP神经网络的电网物资需求预测研究[J].计算机技术与发展，2019，29（06）：138-142.

[3]宋斌，卜涛，张洪青.电网建设项目物资需求预测研究[J].物流技术，2013，32（03）：319-321+336.

[4]马超.基于需求预测的物资计划全过程管控方法[J].青海电力，2014，33（02）：71-72.

[5]杜剑韬.城际高速铁路经济效益的测度与评价——基于灰色预测模型的实证分析[J].经济师，2020（05）：67-68+70.

[6]周晓斌，宋依群.输变电物资价格预测方法的研究[J].科技创新与应用，2012（11）：234.

[7]田波，朴在林，郭丹，等.基于ARMA—GARCH模型的超短期风功率预测研究[J].电测与仪表，2016，53（17）：12-17.

[8]丁靖，黄晓明，余乘龙.基于多因素融合与ARIMA的电力物资预测[J].能源与环保，2022，44（07）：227-231.

[9]牛凯，洪芳华，费东，等.基于Prophet算法的电力物资需求预测方法研究[J].科学技术创新，2020（33）：163-164.