基于改进BPNN算法的电力物资需求预测方法

摘 要：电力物资需求预测是电力企业运营管理中一项重要技术，但是当前预测水平比较低，不仅MAPE比较大，而且预测结果置信度水平比较低，无法达到预期的预测效果，因此提出基于改进BPNN算法的电力物资需求预测方法。为保证电力物资需求预测的准确性，首先按照项目的性能将电力物资分为技改物资、维修物资、科技物资、基建物资以及信息物资，然后根据划分的物资类别从电力物资信息系统或者平台上收集历史电力物资信息，并对数据泛化和归一化处理，利用改进BPNN算法对电力物资需求数据训练，提取电力物资需求特征，量化预测电力物资需求，以此实现基于改进BPNN算法的电力物资需求预测。经实验证明，设计方法MAPE不超过1%，预测结果置信度不低于95%，在电力物资需求预测方面具有良好的应用前景。

关键词：改进BPNN算法 电力物资需求 电力物资信息系统 归一化 需求特征 量化

中图分类号：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

电力物资需求预测是电力企业制订生产计划、调度安排和检修维护等决策的重要依据。通过预测，企业可以更好地把握市场需求和变化趋势，及时调整生产和经营策略，提高决策效率和准确性。然而，由于电力物资需求的多样性和复杂性，传统的预测方法往往难以获得精确的结果，在实际中预测结果置信度水平比较低，而且MAPE比较大，为此提出基于改进BPNN算法的电力物资需求预测方法。

1 电力物资分类

为了保证电力物资需求预测的准确性，在对物资需求预测之前，对电力物资进行分类，针对每一类别物资进行需求预测分析。考虑到分类依据不同，所区分的电力物资类别也会不同，本文按照项目的性能区分，将电力物资分为技改物资、维修物资、科技物资、基建物资以及信息物资5种，利用多元组表示为：

式（1）中：表示电力物资；表示电力技改物资；表示电力维修物资；表示电力科技物资；表示电力基建物资；表示电力信息物资[1]。技改物资是指电力技术改造所需要使用的物资，这是由于在科学技术不断发展的情况下，先进的电力设备可以提高生产能力，降低成本，对电网的升级和改造，有利于提升企业的竞争力[2]。电力维修物资是指用于电力工程检修与维护的物资，通常分为日常维修物资和应急抢修物资两种。电力科技物资是指用于电力创新科技项目所使用的物资，比如无人机、机器人等。电力基建物资是指用于电力基础设施建设的物资[3]。电力信息物资是指用于电力信息化工程所使用的物资，比如防火墙、交换机、光纤等。此外，还可以按照电力物资用途将其分为一次设备和二次设备。

2 历史电力物资需求数据收集及预处理

根据划分的电力物资类别，收集电力企业近3年或者近5年电力物资需求数据，数据来源于电力企业物资信息系统或平台[4]，考虑到数据量比较大，为了满足电力物资需求预测需求，对收集的原始电力物资需求数据进行预处理。考虑到电力物资种类不同，单位也有所差异，为了保证预测精度，采用最大值最小值法对电力物资需求数据进行归一化处理[5]。其用公式表示为：

式（2）中：表示归一化后的历史电力物资需求数据；表示原始数据；、分别表示历史电力物资需求最小值与最大值。利用以上公式对原始数据归一化处理，将历史电力物资数据值规范到0-1区间，消除数据量纲，为后续基于改进BPNN算法的电力物资需求特征提取奠定基础。

3 基于改进BPNN算法的电力物资需求量化预测

将预处理后的历史电力物资需求数据作为改进BPNN算法输入向量，利用改进BPNN算法对历史电力物资需求数据分析，提取到电力物资需求特征。随着BPNN算法对数据迭代计算次数的增加，BPNN算法收敛性能逐渐减弱，很容易出现过早收敛，因此对BPNN算法参数进行更新，其用公式表示为：

式（3）中：表示更新后的BPNN算法权值参数；表示当前BPNN算法权值参数；表示BPNN算法的学习速率；表示BPNN算法的动量因子；、分别表示更新后的和当前的BPNN算法阈值参数。通过动态更新BPNN算法参数，提升BPNN算法收敛性能。利用改进后的BPNN算法对电力物资需求进行量化预测。改进BPNN算法由输入层、隐含层以及输出层组成，将处理后的电力物资需求数据输入改进BPNN算法输入层中，在输入层中对数据集中化处理，统一数据格式。将集中化处理后的电力物资需求数据输入到隐含层，在隐含层中利用神经元激活函数对电力物资需求特征进行提取。其用公式表示为：

式（4）中：表示隐含层第个神经元输出的电力物资需求特征向量；表示神经元数量。将提取的电力物资需求特征输入BPNN算法的输出层中，在输出层中对需求特征线性回归分析，量化出电力物资需求。其用公式表示为：

式（5）中：表示电力物资需求量；表示回归系数；表示经验系数；表示参照电力项目特征量；表示预测电力项目与参照电力项目的相似度。将相似度最大的电力项目作为参照项目，通过对其线性分析，得到当前电力项目所需的电力物资，以此实现基于改进BPNN算法的电力物资需求预测。

4 实验论证

4.1 实验准备与设计

以某电力公司为实验对象，收集该电力公司2020—2022年的电力物资使用历史数据，数据中包含20个电力项目，电力物资种类共5种，数据量为1.25 GB，将其作为改进BPNN算法训练集。利用改进BPNN算法对电力物资需求历史数据训练，提取电力物资需求特征，从而预测出2024年1—12月电力物资需求，预测结果与实际情况对比如图1所示。

4.2 实验结果与讨论

根据该公式电力物资需求预测结果与实际情况，测算出方法的置信度和MAPE（平均绝对百分比误差），将本文方法与两种主流方法对比，对比结果如表1、表2所示。

对比表1中数据可以看出，设计方法预测结果置信度始终在95%以上，两种主流方法预测置信度相对低于设计方法。对比表2中数据可以看出，在电力物资需求预测MAPE方面，设计方法不超过1%，远低于两种主流方法。从两个评价指标来看，设计方法在电力物资需求预测方面具有绝对的优势，证明了设计方法可以较好地对电力物资需求预测。

5 结语

本文提出了一种基于改进BPNN算法的电力物资需求预测方法，并对其进行了深入的研究和验证。此次对改进BPNN算法进行了一定的优化和调整，但仍存在进一步优化的空间。未来的研究可以探索更多的优化策略和技术，如网络结构优化、学习率自适应调整等，以提高模型的性能和泛化能力。

参考文献

[1]郇明.电力物资供应链全过程管理运营分析[J].中国物流与采购，2023（17）：109-110.

[2]李伟.基于物联网技术的应急电力物资智能仓储与调配管理研究[J].海峡科技与产业，2023，36（8）：75-77.

[3]陶加贵，孙毅，赵恒，等.电力物资小样本集的改进长短期需求预测模型[J].电气自动化，2023，45（1）：50-53.

[4]陈瑜，高瞻，张苗，等.基于电力物资需求提报前延的实物储备补库阈值优化[J].物流技术，2022，41（12）： 103-108，152.

[5]江奋航，蒋雍，李情.电力物资供应链全过程精细化管理系统[J].自动化技术与应用，2022，41（9）：165-168.