1、1电力物资的需求预测方法研究摘要： 物资需求预测是保障电力物资响应速度的关键环节，合理的需求预测，对驱动供应链内其他环节，如需求计划、采购计划，甚至物资库存的管理起着决定性作用。本文在基于国内外学者对需求预测研究的基础上，通过电力物资的历史需求数据分析，将电力物资按其数据特性进行分类；并分别针对不同分类的物资构建预测模型。 Abstract： The material demand forecast is the key link to ensure the response speed of electric power supplies. Reasonable demand forecas
2、t plays a decisive role in the other links of supply chain， such as demand plan， procurement plan， and even the management of material inventory. Based on the domestic and foreign scholars researches of demand forecast， through the analysis of the historical demand data of electric power supplies， t
3、his paper classifies the electric power supplies by its data characteristics and builds forecasting model for the different classification of materials. 关键词： 电力物资；物资需求；分类方法；需求预测 Key words： electric power supplies；material demand；classification method；demand forecast 2中图分类号：F253.2 文献标识码：A 文章编号：1006-4
4、311（2016）34-0028-03 0 引言 在电力项目工程实施的过程过会涉及到大量的电力物资，电力物资的响应速度是影响项目工程完成及时性的重要因数；若项目工程中所涉及的电力物资供应不及时，将会导致拖延整个项目工期，给周围电力用户带来极大的不便。 物资需求预测是物流供应链的重要组成部分，是保障物资供应的关键环节。但电力物资的需求预测难度较大，这是由于大部分电力物资的消耗规律性不显著，需求的发生呈现离散性和间歇性。因此对于大部分电力物资，其历史需求数据的正确性、精准度和完整性等方面都存在不少问题，所以依靠传统预测方法难以得出准确的预测结果。因此为提高电力物资需求预测的准确率，必须根据物资的历
5、史需求特性进行分类，并根据物资分类构建预测模型。 1 现状分析 以某供电企业为例，造成电力物资需求预测准确率低下的主要原因有以下三点： 1.1 物资需求预测缺乏科学的理论依据 目前物资需求预测工作大多依靠各单位预测人员的工作经验和上级单位下达的年度采购计划成本指标进行预测，具有主观性和盲目性等特点，欠缺科学的预测方法和理论依据。 1.2 物资需求预测缺乏前瞻性的模拟分析场景和判断标准 3物资需求预测部门仅依靠手工统计和工作经验对各基层单位的预测量进行汇总、审查、复核甚至校验，缺乏前瞻性的需求侧模拟分析场景，无法对需求预测量的准确性做出科学的判断。 1.3 大部分电力物资缺乏历史需求数据，预测难
6、度较大 电力物资的库存管理会涉及库存模型的构建与库存控制策略设计等内容，但其本质难点还在于需求预测的难度较大，多数电力物资需求依靠传统的预测方法很难得出准确的结果，这是因为大多数电力物资的消耗规律性不显著，并且需求的发生是离散性和间歇性的，可用历史数据较少，而且影响需求发生的因素非常多。 2 电力物资需求预测方法研究 2.1 电力物资历史需求数据分析并分类 运用深度访谈、调查文献等方法收集电力物资的历史需求数据。对收集到的数据进行分析挖掘，发现电力物资需求呈现出的主要问题是部分电力物资需求数据不完整，数据字段中存在大量 0 值或空字段，给数据分析建模带来一定的困难。 因此，根据以上分析结果，在
7、数据字段欠缺的情况下，我们可以运用聚类分析法对现有的电力物资需求数据进行梳理，并找出以下规律： 第一类数据：历史数据充足，物资需求数据发生有一定规律性； 第二类数据：历史数据不足，物资需求数据发生规律性一般不明显。2.2 构建需求预测模型 2.2.1 时间序列预测法 4针对分类 1 的电力物资，可以使用时间序列预测法， 时间序列预测法主要是针对某统一统计指标，根据变量自身过去的变化规律，然后按照时间间隔的顺序来预测的需求变化。根据历史需求数据，找出符合需求变化规律的函数。其中，一次指数平滑法是最常用的时间序列预测法，公式如下： Yt+1=S=axt+（1-？琢）S， （t=1，2，3，n） 式
8、中，Yt+1 为第 t+1 期预测值，S为第 t 期平滑值，xt 为时间序列值，？琢为平滑指数。 注：当时间序列呈稳定的水平趋势时，？琢取 0.10.3；时间序列波动较大时，？琢取 0.30.5；时间序列有明显上升或下降趋势时，？琢取 0.60.8。 以某电力企业的国产 GPRS 通信模块为例，历史需求数量如表 1 所示。以 2012 年 1 月至 2015 年 6 年的历史需求数据作为观察值，运用时间序列预测法对 2015 年 7 月至 12 月的需求量进行预测。结果如表 2。 由预测结果可知，时间序列预测的拟合效果良好，预测值与实际值较为接近，平均预测准确率为 87.06%。 时间序列预测
9、方法原理简单，普遍应用在历史需求数据充足的物资上，但这种方法对时间序列的稳定性要求比较高，要有稳定的变化趋势，在预测历史需求数据存在大量 0 值和空字段时，时间序列稳定性不高的物资或者收外界干扰较多的其他需求的趋势时可信度比较差。 2.2.2 基于 GA-BP 预测的时间序列预测法 5由于第二类物资需求数据呈现间断性且没有规律性，且历史需求数据中含有大量 0 值，由于大量 0 值得存在，导致上述时间序列预测法的预测结果会出现很大的偏差，预测不准确。对于此类物资一般采用指数平滑法、Croston 法、Bootstrap 法等。但经实践表明，对于电力物资，上述的方法预测均不准确。因此，本文提出基于
10、 GA-BP 神经网络的时间序列预测法。 针对该类物资，本文将预测过程分为需求发生时间预测和需求发生量预测两部分进行，前者是通过需求量是否发生的 0-1 时间序列，运用GA-BP 神经网络来预测需求发生时间；后者是把该物资的历史需求量按时间顺序排列，然后运用时间序列法进行预测；最后综合需求发生时间和需求发生量输出物资需求预测结果。 遗传算法（Genetic Algorithm GA）具有全局的搜索能力，能搜索到全局最优解，并且遗传算法的鲁棒性强；而 BP（Back Propagation）算法是神经网络中应用最广泛的算法，具有很好的泛化能力、容错能力和非线性映射能力。GA-BP 神经网络模型可
11、以兼得二者的长处，既有全局搜索能力，同时也能对局部精确索搜，提高了学习精度和学习效率。 GA-BP 神经网络的运行过程如图 1 所示。 遗传算法与 BP 神经网络的参数根据实际应用而定。本文 GA-BP 预测界值为 0.3 和 0.7，即当 GA-BP 模型输出结果少于 0.3 时，认为需求不发生；当结果大于 0.7 时，需求发生。通过 GA-BP 神经网络预测出需求发生的时间序列后，再运用时间序列预测法根据 GA-BP 预测出的时间序列，结合该物资的历史需求量进行预测。 6以某电力企业的某一款变压器为例，以月为单位，选取 2012 年到2014 年三年的历史需求数据，其历史需求发生与否的 0
12、-1 时间序列为0，1，0，1，1，1，0，0，0，1，0，0，0， 0，0，0，1，0，0，1，1，1，0，1，0，1，1，1，0，0，1，0，1，0，1，1。每预测出一个结果后，把结果放进训练样本中，继续预测下一个月，如此类推至 12 个月的结果全部输出。 运用 matlab 编程实现 GA-BP 模型进行运算，得 2015 年需求发生时间为 1，0，1，0，0，1，0，1，0，1，0。 把该物资 2012 年至 2014 年的需求量以月份为单位按时间顺序排列为：1，1，4，2，2，1，1，2，3，1，4，1，3，5，4，1， 2。可观察得改序列有一定的周期性，同时由 GA-BP 模型输出
13、结果可知，该 2015 年物资需求发生次数为 5 次。运用时间序列预测该物资的下5 个预测值。预测结果为 2，1，2，4，1。 预测结果与实际需求对比如表 3 所示。 该组合模型对于该物资的预测准确率为 88%。 3 总结 3.1 应用效果分析 对于历史需求数据充足的物资，现有很多预测方法进行预测，且预测准确率较高；本文采用的时间序列预测法是经实践后得出的一个预测精度较高的预测方法，而且运用简单方便。 对于历史需求数据充足，数据中存在大量 0 值的物资，本文提出基7于于 GA-BP 神经网络的时间序列预测法，经实践验证可知：对于电力物资，基于 GA-BP 神经网络的时间序列预测法的预测值基本与
14、实际值重合精度较高，表明基于 BP 神经网络的时间序列法能够进行有效的预测。 3.2 对本文预测模型的评价及展望 本文通过对电力物资的历史需求数据的分析，把电力物资分成两类，并针对不同分类的物资运用不同的预测模型进行预测；此做法具有一定的合理性和科学性。此外本位提出的基于 GA-BP 神经网络的时间序列预测法能很好地处理较为复杂的需求预测，约束条件也远少于传统的预测模型。 随着电网建设的不断发展，未来电网建设所涉及的物资将越来越多，预测样本越来越多。拥有自主学习能力的 GA-BP 神经网络的预测效果将会越来越好。尽管基于 GA-BP 神经网络的时间序列预测法所预测到的电力物资需求量不一定是最优
15、值，但相对于传统的预测方法，其预测精度有了很大的提高。 参考文献： 1黄建国，罗航，王厚军，等.运用 GA-BP 神经网络研究时间序列的预测J.电子科技大学学报，2009，38（5）：687-692. 2周伟祝，宦婧，孙媛，等.遗传神经网络在保障资源需求预测中的应用J.火力与指挥控制，2013，38（8）：72-75. 3刘臣宇，王庆斌.时间序列预测法在库存结构管理中的应用J.价值工程，2011，30（27）：19-20. 4赵仁义，朱玉辉.关于时间序列预测法的探讨J.科技信息，82011（15）：192-193. 5龚巍.基于需求特性分类的电力物资库存控制与需求预测方法研究D.东北大学，2013.
