基于“STL+ARIMA”模型的电力物资需求时间序列预测

　　文/李英龙1） 林咪咪1） 倪颖婷1） 姚可筠2） 李云峰通信作者 2）

　　1）国网福建省电力有限公司厦门供电公司 2）厦门亿力吉奥信息科技有限公司

　　摘要：随着电力行业的快速发展，物资需求的精确预测成为提高企业运营效率和降低成本的关键因素。本文基于国网福建省电力有限公司厦门供电公司2021年至2023年的部分物资出库数据，研究了多种时间序列预测模型对电力物资需求的预测能力。本文选取了ARIMA、SARIMA、LSTM、KNN、ETS、“STL+ARIMA”等6种模型，并通过MAE（平均绝对误差）、MSE（均方误差）、R-squared（决定系数）等多项评价指标对其预测精度进行了比较。实验结果表明，“STL+ARIMA”模型在所有模型中表现最佳，能够有效捕捉数据中的季节性波动和趋势变化，预测精度远超其他模型。本文为电力企业物资需求预测提供了高效且精确的模型选择方案，有助于优化物资供应链管理，降低成本，并提升整体运营效率。

　　关键词：电力物资需求；时间序列预测；“STL+ARIMA”模型；SARIMA模型；LSTM神经网络

　　引言

　　随着电力行业的快速发展，物资需求的管理与预测成为提升企业运营效率和降低成本的关键环节[1]。电力物资的需求量受季节变化、天气条件、设备故障等多种因素的影响，且电力生产与供应存在高度不确定性，这使得物资的需求波动变得及其复杂[2]。然而，对电力企业而言，精确预测物资需求对保障电力供应的稳定性、减少库存成本、优化物资采购和分配具有重要意义。

　　近年来，随着信息技术的快速发展，电力行业在物资管理领域逐渐向数据驱动方向发展。时间序列预测作为一种有效的分析工具，能够通过历史数据捕捉物资需求的规律和趋势，从而为物资采购和库存管理提供科学依据[3]。例如，自回归差分移动平均（auto-regressive moving average，ARIMA）模型就是一种经典的时间序列预测方法，常被用于物资需求预测[4～6]。

　　此外，在电力物资需求预测领域，宋鑫磊等提出了一种结合季节性差分自回归滑动平均（seasonal autoregressive integrated moving average，SARIMA）模型与自适应神经模糊推理系统（adaptive-network-based fuzzy inference systems，ANFIS）的复合预测模型[7]。该模型首先分别应用SARIMA模型和ANFIS对电力物资需求进行独立预测，再通过反向传播神经网络（back propagation neural network，BPNN）进行融合，最终生成一个更为准确的综合预测结果。

　　李巍等提出了一种结合ARIMA模型与BPNN的方法，其中ARIMA模型用于对电力物资需求的线性趋势进行建模，预测误差序列作为BPNN的输入，通过神经网络对误差序列进行非线性建模，从而修正ARIMA模型的预测结果[8]。

　　张立波和刘俐君则提出了一种基于改进的BPNN的电力物资需求预测方法。该方法首先对电力物资进行分类，随后利用改进的BPNN算法对电力物资需求数据进行训练，从而提取出物资需求的特征，量化预测电力物资需求[9]。

　　向洪伟等提出了一种基于参数优化的变分模态分解（variational mode decomposition，VMD）与长短期记忆（long short-term memory，LSTM）神经网络相结合的电力物资需求预测方法。该方法通过优化VMD对原始序列进行模态分解，将各模态分量分别构建LSTM神经网络进行预测，最后将各模态的预测结果进行加权叠加，得到电力物资需求的最终预测值[10]。

　　总体来说，电力物资需求的高度波动性和多变性使得传统预测方法难以应对，因此，如何利用先进的时间序列模型提升预测精度，成为电力企业面临的一项重要任务。

　　1. 预测方法

　　1.1 问题描述

　　在电力企业中，物资需求量受到多种因素的影响，使得物资需求数据呈现出强烈的非线性和季节性特征。因此，传统的库存管理和供应链优化方法往往无法充分应对这些需求波动，无法为电力企业提供精准的物资需求预测。

　　本文聚焦于电力物资需求的时间序列预测问题，基于国网福建省电力有限公司厦门供电公司（以下简称“厦门供电公司”）2021～2023年36个月的仓库物资的出库数据，选取了常用物资A，建立高精度的预测模型，通过对不同预测模型的比较，旨在探索最适合电力行业物资需求预测的方案，从而优化物资供应链管理，降低成本，并提高整体运营效率。

　　1.2 预测模型选取

　　为了准确预测物资A的需求量，研究选择了多种时间序列预测模型，涵盖了传统统计方法、机器学习方法、深度学习方法。这些模型不仅能够捕捉数据的季节性和趋势性，还能处理复杂的非线性关系。具体选用了以下六种模型。

　　1.2.1 ARIMA模型

　　ARIMA模型是一种经典的时间序列预测方法，适用于处理平稳时间序列数据。通过对历史数据的自相关性进行建模，ARIMA模型能够有效捕捉数据中的趋势性和周期性变化。该模型适用于不含明显季节性波动的物资需求数据。

　　1.2.2 SARIMA模型

　　SARIMA模型在ARIMA模型的基础上引入了季节性因素，适用于存在显著季节性波动的时间序列数据。考虑到电力物资需求量通常会受到季节性波动的影响，SARIMA模型为解决季节性问题提供了有效的工具。

　　1.2.3 “STL+ARIMA”模型

　　季节性与趋势分解（seasonal-trend decomposition using Loess，STL）方法将时间序列数据分解为趋势、季节性和残差三部分，然后使用ARIMA模型对残差部分进行建模。“STL+ARIMA”模型结合了各自的优势，特别适合处理具有明显季节性和趋势变化的时间序列数据。

　　1.2.4 LSTM神经网络

　　LSTM神经网络是一种深度学习模型，擅长处理具有长期依赖性的时间序列数据。由于电力物资需求数据往往具有长时间依赖性，LSTM神经网络能够通过学习历史数据中的复杂模式，提供精准的预测。

　　1.2.5 KNN算法

　　K最邻近（K-Nearest Neighbor，KNN）是一种简单但有效的机器学习算法，通过度量训练集与待预测点之间的距离进行预测。尽管KNN算法在时间序列预测中较少应用，但能够基于数据的相似性提供有用的预测结果。

　　1.2.6 ETS模型

　　误差-趋势-季节性（error-trend-seasonality，ETS）模型是一种平滑方法，广泛应用于处理具有季节性和趋势性的时间序列数据。该模型通过加权历史数据进行预测，能够在一定程度上适应物资需求的季节性波动。

　　1.3 模型评价

　　在模型选取过程中，考虑到物资A需求数据的季节性特征和趋势性变化，本文选择了适合处理季节性波动和趋势变化的模型。为了验证各模型的适用性和预测精度，所有模型在同一数据集上进行了训练和测试，并且按照80%划分训练集、20%划分测试集。各模型的预测效果将通过评估指标（如MSE、MAE、R-squared）进行比较，以确定最适合电力企业物资需求预测的模型，如表1所示。

　　2. 实证分析

　　2.1 数据初步分析

　　研究选取了厦门供电公司从2021年1月到2023年12月的A物资出库量数据进行预测，其中挑选了常用的物资A的数据进行预测模型拟合与精度对比。使用describe函数，从平均值、标准差、最大最小值、25%值、75%值、极差、峰度与偏度等方面对物资A月度出仓数据作统计性描述，结果如表2所示。

　　2.2 预测结果

　　本文选用了多种时间序列预测模型来预测电力物资A的月度出库量，并通过比较不同模型的预测精度，评估其适应性与准确性。所选模型包括经典的统计方法（如ARIMA模型、SARIMA模型、ETS模型）、基于机器学习的KNN算法、基于深度学习的LSTM神经网络，以及“STL+ARIMA”模型，各模型的预测效果图如图1所示，预测精度指数如表3所示。

　　ARIMA模型作为时间序列分析中的经典方法，主要用于处理不含季节性波动的数据。在本文中，ARIMA模型对电力物资A的月度出库量数据进行建模，以捕捉其中的趋势性变化。然而，从预测结果来看，ARIMA模型的拟合系数为负（-0.1834），表明该模型未能有效拟合数据，且无法准确捕捉数据中的季节性波动和趋势性变化。为了解决ARIMA模型未能处理季节性波动的问题，本文进一步采用了SARIMA模型，该模型在ARIMA模型的基础上引入了季节性成分，旨在更好地捕捉时间序列中的季节性波动。结果表明，SARIMA模型相比于ARIMA模型有了显著的改进。SARIMA模型的MAE为1.3320，MSE为2.9228，且R-squared值为0.2972，表明SARIMA模型能够在一定程度上拟合数据中的季节性波动，预测精度相较于ARIMA模型有所提高。尽管SARIMA模型的拟合度仍然较低，远未达到理想水平，但其在季节性捕捉上的优势使得该模型相较于ARIMA模型更具可行性。

　　在捕捉到A物资出仓数据季节性特性的基础上，进一步尝试了广泛应用于具有季节性和趋势性变化的时间序列数据的ETS模型，以及STL+ARIMA模型的组合模型。在研究中，ETS模型表现出较为良好的预测精度，拟合系数为0.5543，尽管其拟合值低于“STL+ARIMA”模型，但相对于其他模型，ETS模型在捕捉季节性波动方面表现较好，能够提供相对准确的预测结果。“STL+ARIMA”模型，通过STL先将数据分解为季节性、趋势性和残差部分，再利用ARIMA模型对残差部分进行建模，能够更好地处理具有显著季节性和趋势性变化的时间序列数据。根据模型结果，STL+ARIMA模型在所有模型中表现最佳，拟合度达0.8230，显示出其在预测精度和拟合度方面的卓越表现，特别适合电力物资需求数据这类季节性强、波动大的时间序列数据。

　　相比之下，机器学习的KNN算法和深度学习的LSTM神经网络在预测模型拟合效果上都不理想，拟合度几乎为零。机器学习与深度学习方法更适用于长时间序列或基于大量数据进行拟合，而研究中电力物资月度需求数据数量较少，模型无法捕捉数据中的季节性成分或长期趋势。

　　结语

　　本文通过对厦门供电公司物资A需求的时间序列数据进行建模与分析，比较了多种预测模型的效果，最终确定了“STL+ARIMA”模型为最适合电力行业物资需求预测的方案。该方案不仅为电力企业提供了一种高效的物资需求预测方法，也为未来物资供应链的优化管理提供了有力的理论支持和实践指导。进一步的研究可以探索结合更多外部因素（如天气、设备故障等）进行模型优化，未来电力企业将能够更精准地预测物资需求，优化库存管理，降低成本，提高运营效率。

　　参考文献：

　　[1]刘培,傅子卿,孟庆豪,等.基于大数据分析的电力物资管理研究[J].电气技术与经济, 2024(10):270-272.

　　[2]栾丽萍,赵玉苹,张行健.数据分析方法在电力物资管理中的现状分析及应用[J].现代企业,2024(10):64-66.

　　[3]王贺云,刘培,乔亮,等.浅谈数据分析在电力物资采购管理中的应用[J].石河子科技,2024(6):41-43.

　　[4]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(7):227-231.

　　[5]鲍阳,冯露,孔楠楠,等.基于ARIMA模型对东江水源需水预测研究[J].吉林水利, 2024(7):8-12.

　　[6]张书宝.基于ARIMA时序模型的灌区供需水量预测研究[J].江淮水利科技,2024(4):28-33.

　　[7]宋鑫磊,黎莫林,詹勤辉,等.基于SARIMA与ANFIS组合方法的电力物资需求预测[J].机械设计,2022,39(6): 66-72.

　　[8]李巍,周晓宇,连莎莎,等.基于改进ARIMA模型的电力物资数据预测分析[J].中国新技术新产品,2024(11):136-138.

　　[9]张立波,刘俐君.基于改进BPNN算法的电力物资需求预测方法分析[J].科技资讯,2024,22(15):44-46.

　　[10]向洪伟,曹馨雨,张丽娟,等.参数优化变分模态分解与LSTM的电力物资需求预测[J].重庆大学学报,2024,47(4): 127-138.

　　作者简介：李英龙，本科，工程师，350664575@qq.com，研究方向：电力物资管理；通信作者：李云峰，本科，工程师，15880207163@163.com，研究方向：电力信息化。

　　基金项目：国网信息通信产业集团有限公司科研项目——厦门多仓协同配送优化策略服务（编号：SGITG-202406SQ-FF52）。