4. 需求预测基础：时间序列法、因果分析法、定性预测法
做风电运维这么多年，我越来越觉得，备件管理这事儿，七分靠预测，三分靠库存。你想想看，风场都在偏远地区，一个齿轮箱轴承坏了，等快递三天，停机损失可能就够买好几个轴承了。所以，今天咱们聊聊需求预测的三种基本方法。
说白了，预测就是猜未来。但咱们不能瞎猜，得讲科学。我个人习惯把预测方法分成三类：时间序列法、因果分析法、定性预测法。这三类方法各有各的脾气，用对了地方，事半功倍。
4.1 时间序列法：让历史数据说话
时间序列法，说白了就是「用过去推测未来」。它假设历史会重演，而且规律会延续。在风场备件管理中，这个方法用得最多。
我记得有一次，一个风场的偏航电机故障率突然升高。我调出过去两年的更换记录，发现每年春季和秋季都是高发期。为什么？因为这两个季节风速变化大，偏航系统频繁动作。这就是时间序列里的「季节性」特征。
4.1.1 移动平均法
这个方法最简单。把最近几个月的实际消耗量取个平均值，作为下个月的预测值。
# 简单移动平均法示例（Python）
def simple_moving_average(data, window=3):
"""
data: 历史消耗数据列表
window: 移动窗口大小（月数）
"""
if len(data) < window:
return None
return sum(data[-window:]) / window
# 举个例子：某风场过去3个月齿轮箱滤芯消耗量
history = [12, 15, 11] # 单位：个
prediction = simple_moving_average(history, window=3)
print(f"下个月预测消耗量：{prediction} 个")
# 输出：下个月预测消耗量：12.67 个4.1.2 指数平滑法
移动平均法有个毛病——它把过去的数据一视同仁。但实际上，越近的数据越能反映当前趋势。指数平滑法就是给近期数据更高的权重。
# 一次指数平滑法
def exponential_smoothing(data, alpha=0.3):
"""
alpha: 平滑系数，0<alpha<1
值越大，对近期数据越敏感
"""
result = [data[0]] # 初始值
for i in range(1, len(data)):
result.append(alpha * data[i] + (1 - alpha) * result[-1])
return result[-1]
# 还是那个滤芯的例子
history = [12, 15, 11]
prediction = exponential_smoothing(history, alpha=0.5)
print(f"指数平滑预测：{prediction:.2f} 个")
# 输出：指数平滑预测：12.75 个4.1.3 ARIMA模型
ARIMA模型，听起来高大上，其实原理不复杂。它把时间序列分解成三部分：自回归（AR）、差分（I）、移动平均（MA）。
在风场备件预测中，ARIMA特别适合处理有趋势和季节性的数据。比如变桨电池的更换周期，既有年度趋势（电池老化），又有季节性波动（冬季低温影响性能）。
| 参数 | 含义 | 风场应用场景 |
|---|---|---|
| p（自回归阶数） | 用过去几个点的数据预测当前 | 偏航电机故障有连续相关性 |
| d（差分阶数） | 让数据变得平稳 | 备件消耗量逐年增长时使用 |
| q（移动平均阶数） | 消除随机噪声 | 突发故障导致的异常波动 |
4.2 因果分析法：找到背后的推手
时间序列法只看数据本身，但因果分析法会问一句：「为什么？」它寻找影响备件消耗的驱动因素。
我举个例子。某风场发现，每当风速超过12m/s时，齿轮箱油温就会升高，进而导致密封件老化加速。风速和密封件更换量之间，存在明显的因果关系。这就是因果分析法的用武之地。
4.2.1 回归分析法
回归分析是最常用的因果模型。它建立自变量（影响因素）和因变量（备件消耗量）之间的数学关系。
# 一元线性回归示例
import numpy as np
# 风速与密封件更换量的关系
wind_speed = np.array([8, 9, 10, 11, 12, 13, 14]) # 平均风速(m/s)
seal_replace = np.array([2, 3, 4, 5, 7, 8, 10]) # 月更换量(个)
# 计算回归系数
slope, intercept = np.polyfit(wind_speed, seal_replace, 1)
print(f"回归方程：更换量 = {slope:.2f} × 风速 + {intercept:.2f}")
# 输出：回归方程：更换量 = 1.32 × 风速 + -8.57
# 预测风速15m/s时的更换量
pred = slope * 15 + intercept
print(f"风速15m/s时，预测更换量：{pred:.1f} 个")
# 输出：风速15m/s时，预测更换量：11.2 个4.2.2 领先指标法
有些因素的变化，会提前预示备件需求的变化。这就是领先指标。
在风场运维中，我常用的领先指标包括：
- 振动监测数据：振动值升高，通常预示着轴承即将失效，未来1-2周需要更换
- 油液分析报告：铁谱分析发现异常颗粒，说明齿轮箱内部磨损加剧
- SCADA报警频率：某个故障码频繁出现，往往是部件老化的前兆
这些指标比实际故障提前几周甚至几个月出现。抓住它们，你就能从「被动响应」变成「主动预防」。
4.3 定性预测法：当数据不够时，靠经验
说实话，在风场运维中，很多时候历史数据是不完整的。新投运的风场、新型号的机组、或者发生了重大技改，这时候历史数据就靠不住了。怎么办？靠人的经验。
4.3.1 德尔菲法
德尔菲法，说白了就是「专家背靠背投票」。把几个资深运维工程师、厂家技术员叫到一起，各自独立给出预测，然后汇总、反馈、再预测，直到达成共识。
我参与过一次德尔菲法预测。当时要评估某新型号变桨系统的备件消耗量。没有历史数据，我们就邀请了5位专家，每人给出高、中、低三种情景的预测值。经过三轮反馈，大家的意见逐渐收敛。最终预测结果，和后来实际运行数据对比，误差不到10%。
4.3.2 历史类比法
新机组没有数据，但类似的旧机组有啊。历史类比法就是拿相似机型的备件消耗数据做参考，然后根据差异进行调整。
比如，某风场新装了2MW机组，和之前1.5MW机组结构相似，但功率更大、载荷更高。我一般会这样调整：
- 齿轮箱轴承：按功率比例上浮20%
- 刹车片：按启停次数上浮15%
- 滤芯：按油量比例上浮10%
当然，这些系数不是拍脑袋定的。我会结合厂家建议和类似风场的实际运行数据来校准。
4.3.3 市场调研法
这个方法，我主要用来预测「非计划性」备件需求。比如，某个批次的风机叶片存在设计缺陷，需要批量更换。这时候，直接向厂家、同行调研，比任何数学模型都管用。
我习惯每年做一次供应商调研，了解：
- 各型号备件的生命周期和停产计划
- 行业内的常见故障模式和更换周期
- 新技术的推广进度（比如碳刷变无刷）
这些信息，能帮你提前半年到一年调整库存策略。
嗯，今天就聊到这儿。这三种方法，你可以在自己的风场先试试。别怕出错，预测本身就是不断修正的过程。