丁紅衛(wèi)，王文果，萬 良,羅 劍

(1.貴州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，貴州 貴陽 550025;2.貴州電網(wǎng)有限責(zé)任公司物流服務(wù)中心，貴州 貴陽 550025)

1 概 述

隨著南方電網(wǎng)公司信息化、智能化管理水平的不斷提高，給各省電網(wǎng)公司的物資管理提出了更高的要求。通過調(diào)研后發(fā)現(xiàn)，各級的電網(wǎng)部門普遍存在物資需求上報準確率、物資浪費嚴重等問題，因此，如何使各級電力部門合理上報物資需求計劃是省級電網(wǎng)公司亟待解決的問題。目前，各級電力部門上報物資需求計劃時并沒有統(tǒng)一的標準，主要根據(jù)項目初期計劃或者需求計劃編制人員的項目經(jīng)驗來完成需求的上報。但是，由于需求編制人員的經(jīng)驗參差不齊、項目初期的計劃內(nèi)容不完整甚至存在錯誤等原因，導(dǎo)致需求計劃制定時存在錯報、漏報等情況。如何能夠提高物資需求計劃的準確率，減少物資浪費，是各省級電網(wǎng)公司急需解決的問題。因此，研究電網(wǎng)物資需求的供應(yīng)模式、預(yù)測電網(wǎng)物資的供應(yīng)需求對于省級電網(wǎng)公司統(tǒng)籌安排采購計劃具有重要意義。

國外智能化物資管理起步較早，許多學(xué)者使用了不同方法對物資需求預(yù)測問題進行了研究。Heinecke G提出了間斷需求的Croston模型，用于物資倉儲和物資規(guī)劃問題[1]。Elragal H提出一種基于模糊遺傳算法的神經(jīng)網(wǎng)絡(luò)模型，使用該模型對間歇性物資供應(yīng)問題進行了研究，并使用了真實數(shù)據(jù)對模型效果進行了驗證，證明模型效果良好[2]。Behera R等基于遺傳算法構(gòu)建了一種電力系統(tǒng)物資需求預(yù)測模型，對未來較長一段時間的物資需求情況進行預(yù)測，并且與其他幾種方法進行了對比，證明該模型預(yù)測效果較好[3]。

國內(nèi)對物資需求預(yù)測問題的研究雖然起步較晚，但是近年來國內(nèi)學(xué)者也對其做了大量研究。楊超等提出了一種預(yù)分類方法的備件需求預(yù)測模型，首先對備件進行預(yù)分類，基于分類的結(jié)果構(gòu)建多元線性回歸方程，以預(yù)測最優(yōu)的備件采購量[4]。張冬等基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計了一種備件需求的預(yù)測模型，根據(jù)備件歷史數(shù)據(jù)的時間序列對未來需求量進行預(yù)測[5]。董蒙等通過研究后發(fā)現(xiàn)，根據(jù)經(jīng)驗的預(yù)測準確度較低，因此設(shè)計了基于主成分分析-BP神經(jīng)網(wǎng)絡(luò)的模型預(yù)測備件需求情況[6]。趙一鵬等提出了一種BP神經(jīng)網(wǎng)絡(luò)誤差修正的電力物資時間序列預(yù)測方法，該方法在ARIMA對電力物資需求預(yù)測的基礎(chǔ)上，融合BP網(wǎng)絡(luò)進行誤差修正，以全面提取物資序列中的復(fù)合特征，有效提高了電力物資預(yù)測精度[7]。牛慶松等以物資需求特性為基礎(chǔ)，建立了NPCA-SOFM的電力物資分類模型，實驗結(jié)果表明該算法可為電力物資運營決策提供有效的參考依據(jù)[8]。宋斌等提出了一種基于人工魚群算法的電網(wǎng)物資需求預(yù)測，通過支持向量機和人工魚群的混合算法構(gòu)建了物資需求預(yù)測模型，有效解決了電網(wǎng)項目物資需求預(yù)測的問題[9]。Yang等對電力企業(yè)的物資消耗情況進行了分析，認為電力物資需求數(shù)據(jù)存在不均衡和訓(xùn)練樣本數(shù)量少的問題，因此提出了結(jié)合改進的AdaBoost和SVM的方法來解決該問題，在實際應(yīng)用中取得了較好的效果[10]。Pan等針對電力系統(tǒng)在突發(fā)情況下物資的需求問題進行了研究，并提出了一種RVM模型，該模型可以利用少量的歷史數(shù)據(jù)進行訓(xùn)練，并且對突發(fā)情況下電力物資的需求預(yù)測較為準確，為電力系統(tǒng)搶修提供了可靠依據(jù)，具有很強的實用意義[11]。

通過上述國內(nèi)外學(xué)者的研究成果可以看出，電網(wǎng)系統(tǒng)的物資需求預(yù)測工作已經(jīng)取得了豐碩的成果，但是物資預(yù)測主要集中在備件需求和間歇性物資需求兩方面，對于整體項目物資需求預(yù)測問題的研究較少。研究整體項目物資需求預(yù)測可以在項目規(guī)劃階段對物資的需求情況進行預(yù)測，從而指導(dǎo)物資申報，減少物資浪費。因此，研究并建立電網(wǎng)物資需求的預(yù)測模型十分必要。

2 電網(wǎng)物資需求研究

2.1 電網(wǎng)物資需求分析

電網(wǎng)物資是指在電網(wǎng)建設(shè)過程中所需要的直接物資、間接物資及各種輔助物資的總和。根據(jù)國家電網(wǎng)公司制定的物資分類標準，電網(wǎng)物資總共分為20個大類，253個中類和2 921個小類。電網(wǎng)物資種類繁多，根據(jù)項目種類的不同，對物資的需求也各不相同。文中通過研究國家電網(wǎng)的物資分類標準，按照物資的用途大致將物資的需求歸納為兩類：項目類物資和非項目類物資，其中項目類物資又可劃分為：基建項目物資、大修項目物資和技改項目物資；非項目類物資可以劃分為：運輸物資、應(yīng)急物資和低值易耗品物資。

2.2 基建項目需求預(yù)測分析

基建項目是指國家電網(wǎng)公司根據(jù)用電需求、用電規(guī)劃以及用電安全而展開的一系列基礎(chǔ)建設(shè)項目。基建項目工程包括：變電站、開關(guān)站、輸配電線路工程以及配網(wǎng)工程項目等部分，基建項目工程具有施工周期長、投資大、項目獨立性高、易受地勢環(huán)境因素影響的特點。項目施工部門通常需要在項目的規(guī)劃設(shè)計階段對物資的需求進行預(yù)測和申報，通過實地調(diào)研國家電網(wǎng)公司項目物資管理現(xiàn)狀后發(fā)現(xiàn)，基建類項目是電網(wǎng)項目中物資需求量最大的項目，也是物資申報過程中誤差最大的部分，因為物資申報誤差造成的資源浪費問題十分嚴重。研究基建項目物資需求問題具有十分重要的現(xiàn)實意義，準確的預(yù)測結(jié)果可以指導(dǎo)施工部門合理上報物資需求，從而減少資源浪費，節(jié)約項目成本。因此，文中就基建項目的物資需求問題展開研究。

基建類項目的項目類別主要依據(jù)電力系統(tǒng)的電壓等級來分類，國內(nèi)電力系統(tǒng)電壓等級主要包括交流1 100 kV、750 kV、500 kV、330 kV、220 kV、110 kV、63 kV、35 kV、10 kV以及直流±1 100 kV、±800 kV、±660 kV、±500 kV等。根據(jù)用電需求的不同，往往需要建立不同電壓等級的電網(wǎng)系統(tǒng)，如：農(nóng)村、城市等的工業(yè)、生活區(qū)域需要建設(shè)63 kV、35 kV、10 kV的配電網(wǎng)絡(luò)，發(fā)電站之間需要建設(shè)220 kV、110 kV的配電網(wǎng)絡(luò)，跨省、跨國家的大型輸電系統(tǒng)需要建設(shè)交流1 100 kV、750 kV、500 kV、330 kV、直流±1 100 kV、±800 kV、±660 kV的配電網(wǎng)絡(luò)。

由于用電需求不同，各個級別基建項目的物資需求也不盡相同，使用一種模型對所有項目的物資需求展開預(yù)測顯然不合理，因此需要尋找合適的項目展開預(yù)測研究。通過統(tǒng)計國家電網(wǎng)公司ERP系統(tǒng)中項目建設(shè)情況后發(fā)現(xiàn)，110 kV基建項目是電網(wǎng)公司的主要建設(shè)項目，累積了較多的歷史數(shù)據(jù)。且110 kV基建項目主要集中在省內(nèi)，省內(nèi)的地理環(huán)境因素差異較小，物資需求的相似程度較高，可以通過挖掘不同項目中物資的數(shù)量關(guān)系尋找物資需求規(guī)律，因此，研究110 kV基建項目物資需求預(yù)測問題具有較高的可行性。

3 基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資預(yù)測模型

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是通過模擬人腦的神經(jīng)系統(tǒng)結(jié)構(gòu)提出的一種智能化算法，是目前最成熟的算法之一[12]。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，BP算法分為向前傳播和向后傳播兩個過程。在向前傳播過程中，輸入信息從輸入層經(jīng)過逐層的計算，傳向輸出層，得到實際輸出值，如果實際輸出值與期望值之間的誤差沒有滿足期望的要求，就轉(zhuǎn)入反向傳播過程。反向傳播過程，就是從輸出層通過誤差逐層修改網(wǎng)絡(luò)權(quán)值和閾值向輸入層傳播的過程，然后再通過更新的權(quán)值和閾值進行正向傳播。通過循環(huán)的正向和反向傳播訓(xùn)練得到最優(yōu)的權(quán)值和閾值就是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。圖1所示是一個典型的三層BP神經(jīng)網(wǎng)絡(luò)。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1是一個三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中x1,…,xi,…,xn為輸入層的輸入，w1j,…,wij,…,wnj為輸入層節(jié)點與隱藏層的第j個節(jié)點之間的網(wǎng)絡(luò)權(quán)重。BP神經(jīng)網(wǎng)絡(luò)算法步驟如下：

(1)初始化權(quán)重和閾值：隨機初始化-1到1之間，每個單元有一個閾值。

(2)由輸入層向前傳播。

隱含層輸入計算公式為：

(1)

其中，θj為隱藏層第j個神經(jīng)元的閾值。

隱藏層的實際輸出計算公式為：

(2)

其中，f為激勵函數(shù)。

同樣的方法可以得到輸出層的輸出值。

(3)根據(jù)誤差反向傳播。

輸出層的實際值和預(yù)測值之間的誤差公式為：

Errk=Ok(1-Ok)(Tk-Ok)

(3)

其中，Ok為預(yù)測值；Tk為真實值。

隱藏層的誤差可以通過式4進行計算。

(4)

其中，Oj為隱藏層的輸出值；Errk為輸出層的誤差；Wjk為隱藏層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)重。

權(quán)重和閾值通過式5和6進行更新。

Wij=Wij+ΔWij=Wij+(L)ErrjOj

(5)

θj=θj+Δθj=θj+(L)Errj

(6)

其中，L為學(xué)習(xí)率，0

(4)重復(fù)步驟2和步驟3。

(5)達到期望的誤差或最大迭代次數(shù)，則算法結(jié)束。

3.2 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

3.2.1 優(yōu)化算法選擇

在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中，為了求解代價函數(shù)，需要使用優(yōu)化算法，如梯度下降法、共軛梯度法、LBGFS等。目前最常用的優(yōu)化算法是梯度下降算法，該算法的核心是最小化目標函數(shù)，在每次迭代中，對每個變量按照目標函數(shù)在該變量梯度的相反方向更新對應(yīng)的參數(shù)值。雖然梯度學(xué)習(xí)算法在深度學(xué)習(xí)中取得了很不錯的成績，但也存在諸多待解決的問題：

(1)選擇恰當(dāng)?shù)某跏紝W(xué)習(xí)率很困難。

(2)學(xué)習(xí)率的調(diào)整策略受限于預(yù)先指定的調(diào)整規(guī)則。

(3)相同的學(xué)習(xí)率被應(yīng)用于各個參數(shù)。

(4)高度非凸的誤差函數(shù)的優(yōu)化過程，如何避免陷入大量的局部次優(yōu)解或鞍點。

針對簡單的梯度下降算法存在的問題，John Duchi等發(fā)布了AdaGrad[13]優(yōu)化算法(adaptive gradient，自適應(yīng)梯度)，能夠?qū)Σ煌膮?shù)調(diào)整不同的學(xué)習(xí)率，對于頻繁變化的參數(shù)以更小的步長進行更新，而稀疏的參數(shù)以更大的步長進行更新。Geoffrey Hinton教授提出了RMSProp算法，結(jié)合梯度平方的指數(shù)移動平均數(shù)來調(diào)節(jié)學(xué)習(xí)率的變化。能夠在不穩(wěn)定(non-stationary)的目標函數(shù)情況下進行很好的收斂。

Adam[14]優(yōu)化器是Kingma和Lei Ba兩位學(xué)者提出的優(yōu)化算法，結(jié)合了AdaGrad和RMSProp兩種優(yōu)化算法的優(yōu)點。Adam算法對梯度的一階矩估計(first moment estimation，即梯度的均值)和二階矩估計(second moment estimation，即梯度的未中心化的方差)進行綜合考慮，計算出更新步長。Adam優(yōu)化器主要包含以下幾個顯著的優(yōu)點：

(1)實現(xiàn)簡單，計算高效，對內(nèi)存需求少。

(2)參數(shù)的更新不受梯度的伸縮變換影響。

(3)能夠自然地實現(xiàn)步長退火過程(自動調(diào)整學(xué)習(xí)率)。

(4)適用于解決包含很高噪聲或稀疏梯度的問題。

綜合來說，Adam在很多情況下都是比較優(yōu)秀的優(yōu)化器。因此，文中也將使用Adam作為實驗優(yōu)化器來代替?zhèn)鹘y(tǒng)的隨機梯度下降算法。

3.2.2 防止過度擬合

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要是通過對歷史的物資需求數(shù)據(jù)進行訓(xùn)練，然后將訓(xùn)練完成的模型用于對未來物資數(shù)據(jù)的預(yù)測。但是，當(dāng)訓(xùn)練數(shù)據(jù)不足或過度訓(xùn)練時會導(dǎo)致過度擬合現(xiàn)象的發(fā)生。由于電網(wǎng)物資歷史數(shù)據(jù)較難獲取，因此很難得到充足的訓(xùn)練樣本，所以為了防止因樣本過少而導(dǎo)致的過擬合現(xiàn)象，文中采用L2正則化方法防止BP神經(jīng)網(wǎng)絡(luò)的過擬合。L2正則化是在代價函數(shù)后加上一個正則化項，公式為：

(7)

其中，C0為原始的代價函數(shù)；λ為正則項系數(shù)，用來權(quán)衡正則項與原始的代價函數(shù)的比重；n為訓(xùn)練樣本集的大小。

3.3 電網(wǎng)物資預(yù)測模型

文中基于改進的BP算法建立了電網(wǎng)物資預(yù)測模型，其預(yù)測過程如圖2所示。

圖2 物資分類預(yù)測過程

Setp1：數(shù)據(jù)預(yù)處理。

原始數(shù)據(jù)并不能直接用于模型的輸入，首先要通過屬性映射將字符型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型，然后進行歸一化處理，最后得到標準化數(shù)據(jù)。

Step2：數(shù)據(jù)分離。

將數(shù)據(jù)預(yù)處理之后的數(shù)據(jù)進行數(shù)據(jù)分離。將預(yù)處理之后的標準數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

Step3：模型訓(xùn)練。

(1)使用訓(xùn)練數(shù)據(jù)進行BP神經(jīng)網(wǎng)訓(xùn)練。

(2)觀察BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，待BP神經(jīng)訓(xùn)練完成，根據(jù)訓(xùn)練結(jié)果調(diào)整BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，直到模型達到最優(yōu)。

(3)得到一個最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型。

Step4：需求預(yù)測。

將需要測試的數(shù)據(jù)輸入訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型，從而可得出每條數(shù)據(jù)的預(yù)測結(jié)果。

4 實 驗

4.1 數(shù)據(jù)集

文中采集了國家電網(wǎng)公司某分公司ERP系統(tǒng)的物資使用記錄，篩選了其中110 kV基建項目的物資使用清單作為研究對象。通過統(tǒng)計分析后發(fā)現(xiàn)，110 kV基建項目共涉及了68種物資，但是由于受到地形、地勢和項目施工需求等因素的影響，并非所有項目都用到了這68種物資，某些物資使用頻率較低，累積的數(shù)據(jù)量較少，無法對其進行有效的預(yù)測。因此，選取了其中使用頻率較高的10種物資，物資種類如表1所示。

表1 110 kV基建項目物資種類

由于不同物資使用量的量綱有差別，需要先對數(shù)據(jù)進行歸一化處理，方法為：

(8)

由于神經(jīng)網(wǎng)絡(luò)受到激活函數(shù)的限制，無法處理數(shù)值較大的數(shù)據(jù)，通過歸一化方法使數(shù)據(jù)都分布在(0,1)之間，方便神經(jīng)網(wǎng)絡(luò)運算，且歸一化后的數(shù)據(jù)具有相同的量綱，消除了不同量綱對運算結(jié)果造成的影響。

項目物資的用量會受到地形的影響，在電網(wǎng)項目中，地形大致分為5種，分別為：平地、泥沼、丘陵、山地和高山，文中對這五種地形進行了賦值，作為模型的輸入變量。

除了地形因素，物資的使用情況還會受到其他因素的影響，如線路長度、線路回數(shù)等，文中將這些變量作為模型輸入，模型輸出為各種物資的使用量。

4.2 預(yù)測結(jié)果分析

文中使用改進的BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計電網(wǎng)物資預(yù)測模型，使用110 kV基建項目的歷史數(shù)據(jù)作為數(shù)據(jù)集，從數(shù)據(jù)集中劃分出20條項目數(shù)據(jù)作為測試集，其余為訓(xùn)練集，模型的預(yù)測誤差結(jié)果對比如圖3和圖4所示，結(jié)果統(tǒng)計見表2。

圖3 訓(xùn)練誤差對比

圖4 測試誤差對比 表2 預(yù)測結(jié)果統(tǒng)計

物資類別原始BP神經(jīng)網(wǎng)絡(luò)改進BP模型平均訓(xùn)練誤差/%平均測試誤差/%平均訓(xùn)練誤差/%平均測試誤差/%鋼芯鋁絞線7.28.16.76.3鐵塔5.87.54.34.7接續(xù)金具-鋼芯鋼鋁絞線接續(xù)管8.46.15.45.8交流避雷器5.27.75.66.5聯(lián)結(jié)金具-聯(lián)板11.414.28.710.5聯(lián)結(jié)金具-直角掛板13.611.811.410.6聯(lián)結(jié)金具-U型掛環(huán)17.215.915.314.2聯(lián)結(jié)金具-碗頭掛板10.18.98.97.3聯(lián)結(jié)金具-球頭掛環(huán)19.516.716.414.9鋼管桿(樁)18.617.817.317.5

從表2的預(yù)測結(jié)果可以看出，鋼芯鋁絞線、鐵塔、接續(xù)金具-鋼芯鋼鋁絞線接續(xù)管和交流避雷器的預(yù)測精度較高，誤差在10%以內(nèi)，其余物資的預(yù)測精度雖然較低一些，但是比起傳統(tǒng)的根據(jù)經(jīng)驗的預(yù)測方法，預(yù)測精度還是有較大的提升，對項目物資申報具有一定的指導(dǎo)意義。從算法角度來看，改進BP神經(jīng)網(wǎng)絡(luò)模型的精度整體要高于原始BP神經(jīng)網(wǎng)絡(luò)的精度，說明改進算法有效。

5 結(jié)束語

提出了使用改進的BP神經(jīng)網(wǎng)絡(luò)作為電網(wǎng)物資需求預(yù)測的算法模型。原始的BP神經(jīng)網(wǎng)絡(luò)模型易于陷入局部最優(yōu)解且易發(fā)生過度擬合，從而使模型的訓(xùn)練效果不佳，最終導(dǎo)致電網(wǎng)物資需求預(yù)測的誤差較大?；诖?，文中使用Adam優(yōu)化算法代替?zhèn)鹘y(tǒng)的隨機梯度下降算法，有效克服了模型容易陷入局部最優(yōu)的缺點，并加入L2正則化方法來防止BP神經(jīng)網(wǎng)絡(luò)的過度擬合。將改進后的BP神經(jīng)網(wǎng)絡(luò)模型用于電網(wǎng)物資預(yù)測，通過實驗證明，該模型相比較原始的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測的誤差方面有了更好的提升效果。