1、Electrical Automation电气自动化 2023 年第 45 卷 第 1 期电力系统及其自动化Power System Automation电力物资小样本集的改进长短期需求预测模型陶加贵1，孙毅2，赵恒1，管士宁2(1 国网江苏省电力有限公司 电力科学研究院，江苏 南京211103;2 华北电力大学 电气与电子工程学院，北京102206)摘要:为有效保障智慧仓储系统的物资供应能力，对各类电力物资进行准确的需求预测是保证物资采购量和稳定高效供应的基础。针对现有智慧仓储系统接入数据少和难以支撑模型训练的问题，提出一种结合蒙特卡洛模拟和改进长短期记忆网络(longshort-term
2、memory，LSTM)的电力物资需求预测方法。首先根据初始数据集的分布和特征，采用蒙特卡洛方法模拟扩充数据集，同时利用 KL(kullback-leibler)散度验证生成数据集的一致性，最后建立基于引导聚集算法的改进 LSTM 电力物资需求预测模型，提高模型的泛化能力和稳定性。通过仿真试验，所提模型有效提高了训练集可用数据过少前提下的电力物资预测精度。关键词:力物资需电求预测;蒙特卡洛方法;Bagging 算法;长短期记忆网络;小样本集DOI:10 3969/j issn 1000 3886 2023 01 014 中图分类号 TM714 文献标志码 A 文章编号 1000 3886(20
3、23)01 0050 04Improved Long Short-term Demand Forecasting Modelfor a Small Sample Set of Electric Power MaterialsTao Jiagui1，Sun Yi2，Zhao Heng1，Guan Shining2(1 Electric Power esearch Institute，State Grid Jiangsu Electric Power Co，Ltd，Nanjing Jiangsu 211103，China;2 School of Electrical and Electronic
4、Engineering，North China Electric Power University，Beijing 102206，China)Abstract:In order to effectively guarantee the material supply capacity of the smart storage system，accurate demand forecasting of various powermaterials is the basis for ensuring material procurement and stable and efficient sup
5、ply Aiming at the problem of insufficient accessdata for existing smart storage systems and difficulty in supporting model training It was proposed a method for power materialdemand forecasting that combines Monte Carlo simulation and improved long short-term memory(LSTM)Firstly，according to thedist
6、ribution and characteristics of the initial data set，the Monte Carlo method was used to simulate the extended data set，and theKullback-Leibler divergence was applied to verify the consistency of the generated data set Finally，an improved LSTM powermaterial demand forecasting model based on bootstrap
7、 aggregation(bagging)was established，so as to improve the generalizationability and stability of the model Through simulation experiments，the model effectively improves the power material predictionaccuracy under the premise of too little available data in the training setKeywords:electricity materi
8、al demand forecast;Monte Carlo method;Bagging algorithm;long short-term memory(LSTM);small sample set定稿日期:2021 10 27基金项目:国家电网有限公司科技项目“现代智慧仓储系统及智能物流装备关键技术研究”资助(1400 202118268A 0 0 00)0引言随着经济全球化的持续发展，现代供应链成为优化经济结构和促进经济转型的强大引擎。依托新一代信息通信技术体系，国家电网全力打造“5E 一中心”现代智慧供应链一体化平台1，实现电力物资全生命周期数字化的状态跟踪。智慧仓储系统作为重点建设
9、环节之一，整合全网物资需求，聚焦提升全网物流运输和配送业务专业能力2。然而，智慧仓储系统尚处于初步建设阶段，仍缺乏有效的物资需求预测模型。传统的物资采购由人工提交需求计划，经常存在高估或低估实际需求的问题，从而导致物资供应存在浪费或出现严重缺口。因此亟需建立一套高精度的物资需求精准预测模型，避免过度采购和供应不足，降低电网采购和运输成本。电网企业物资品类繁多且需求差异明显3，传统电力物资需求预测方法主要采用支持向量机等算法实现简单预测4 196 5。然而，随着电力物资智慧仓储系统的物资调度需求逐渐复杂化，传统预测算法已难以满足精度需求。近年来，以机器学习为代表的数据分析算法在电力物资需求预测中
10、的应用得到广泛关注。文献 6针对突发事件背景下的物资调度问题，提出电力应急物资需求预测模型。文献 7基于预言家(Prophet)算法构建线性回归的电力物资需求预测模型，提高预测精度。然而上述工作的前期数据处理复杂度较高，极度依赖短期大量仓储周转数据，无法适应智慧仓储系统需求。文献 8 分别提出面向间断与连续性物资的灰色预测算法。文献 9考虑了投资计划等外部因素对需求的影响，提出了考虑多维因素的预测方法。然而，上述工作未考虑仓储系统智能化才起步，物资进出记录数据很少，难以支撑模型训练。同时小样本数据集容易造成预测模型稳定性和泛化能力不足。尽管文献 10提出需针对数据稀疏等实际问题设计算法，然而其
11、仿真结果并未有效提升小样本数据集情况下的预测精度。在电力负荷预测领域中，针对小样本数据集影响预测精度问05Electrical Automation电力系统及其自动化Power System Automation电气自动化 2023 年第 45 卷 第 1 期题，蒙特卡洛方法可辅助完成负荷模型的建模结合完成预测问题求解。为避免电力物资在仓储系统中库龄过高，囤积过多影响仓储物资周转效率，本文提出一种结合蒙特卡洛模拟与改进长短期记忆(long short-term memory，LSTM)的电力物资需求预测算法。首先针对可用训练数据集不足的问题，提出蒙特卡洛模拟方法将小样本数据扩展成神经网络的训练
12、数据集，并采用 KL(kull-back-leibler)散度对模拟数据集可信度进行验证;针对面向智慧仓储的电力物资预测精度与算法轻量化问题提出结合引导聚焦(bootstrap aggregating，Bagging)算法与 LSTM 的电力物资需求预测模型，通过仿真测试进行与物资需求数据集对比，验证算法的有效性和优势。1基于蒙特卡洛模拟的电力物资需求样本集构建基于蒙特卡洛将待解决的问题建立符合其特征的概率分布模型，经过抽样分析，获得问题参数的估计值。本文采用蒙特卡洛方法对小样本数据集进行补充，以满足深度学习算法训练的数据需求。由于电网智慧仓储系统接入数据量较少，且电网物资供应受使用周期的不确
13、定性、物资采购时间周期和订单履约情况等方面影响。因此，构建电网物资需求历史数据模拟步骤如下:(1)从电网的物资系统中导出所有的历史需求数据，通过对关键数据的分析表明物资需求业务流转情况，建立以下指标11:议订单未匹配采购金额偏差。采购订单与履约到货偏差率。物资到货与领用量偏差率。(2)确定每年相同月份物资需求量的概率分布特征，设在一段时间内物资需求数据为正态分布。(3)基于历史物资需求数据得出上述指标在每个月的分布概率。(4)采用蒙特卡洛模拟法模拟出三种指标在各月的最大似然结果。电网某类物资的需求模拟量 x 视为需求变化量 的数学期望 E()，对变量 进行 n 次重复采样，得到每次抽样结果相互
14、独立的 的抽样序列 1，2，n，根据式(1)对抽样结果进行计算。=1ni=ni=1i(1)计算获得平均值后，基于柯尔莫哥洛夫大数定律计算得到第n 次可能产生的抽样结果:nE()=x(2)P(lim=x)=1(3)当抽样样本数量足够多时，则有式(4):nE()=x(4)当式(4)成立的概率基本为 1 时可以用n来替代物资需求量 x。(5)基于协议订单未匹配采购金额偏差、采购订单与履约到货偏差率和物资到货与领用偏差率的数值，及其出现的月份，模拟出物资需求的时序数值。2基于 Bagging-LSTM 的电力物资需求预测结合蒙特卡洛数据的样本，数据集概率分布近似原始数据样本，但仍存在一定偏差。因此，本
15、文提出基于 Bagging 框架的电力物资需求预测算法，通过降低训练数据的随机波动导致的误差，提高模型的稳定性和泛化能力，从而提升预测精确度。2 1长短期记忆网络LSTM 循环网络适用于处理具有长记忆性的时间序列，可分析长期数据间的依赖关系，对低频度、长周期的电力仓储物资调图 1LSTM 内部细胞框图度预测问题具有较好的适应性4 198。图 1为 LSTM 的网络细胞结构，其中:ft、it和 ot分别 为 网 络 中 遗 忘门、输入门和输出门在第 t 时刻的输出。输入 t 时刻的电力物资需求历史数据xt，遗忘门在上一时刻输出向量的基础上决定相应的遗忘信息和保留信息，如式(5)所示。ft=(Wf
16、 ht 1，xt+bf)(5)式中:Wf为权重系数向量;ht为 t 时刻的网络输出向量;bf为偏置系数向量。输入门对当前细胞中的信息进行更新，输入信息的保留比例如式(6)所示。it=(Wi ht 1，xt+bi)(6)式中:Wi为权重系数向量;bi为偏置系数向量。利用 tanh 层提供输入到长期记忆中的候选信息c1t，如式(7)所示。c1t=tanh(Wc ht 1，xt+bc)(7)式中:Wc为权重系数向量;bc为偏置系数向量。由更新后的信息计算此时网络的长期记忆信息，如式(8)所示。ct=ftct 1+itc1t(8)输出门 t决定长期记忆输出到输出向量ht的比例，如式(9)所示。t=(Wo ht 1，xt+bo)(9)式中:Wo为权重系数向量;bo为偏置系数向量。最终基于 t，网络输出函数如式(10)所示。ht=ottanh(ct)(10)2 2Bagging 集成框架Bagging 是一种并行式集成学习框架，通过集成多个学习器的计算结果完成学习任务，降低数据波动导致的模型不稳定性，提升预测精度11。Bagging 集成框架如图 2 所示，通过 T 次随机采样形成 T 个训练样本
