基于“STL+ARIMA”模型的电力物资需求时间序列预测.docxVIP

基于“STL+ARIMA”模型的电力物资需求时间序列预测

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

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-regressivemovingaverage，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（seasonalautoregressiveintegratedmovingaverage，SARIMA）模型与自适应神经模糊推理系统（adaptive-network-basedfuzzyinferencesystems，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（backpropagationneuralnetwork，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（variationalmodedecomposition，VMD）与长短期记忆（longshort-termmemory，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。

1.2.1ARIMA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，A