半导体制造

数据分析催生新的用电量预测方法

许多人都经历过电费超出预期和预算的冲击。在家里，我们的应对方式是随手关灯、改用节能灯泡以及其他用来降低能耗的常见方法。

但是，在没有这些选择的情况下，如果我们不得不继续进行日常活动，该怎么办？预测能源成本和制定贴近现实的预算将成为首要任务。这正是许多制造商面临的困境：如果无法兼顾降低用电量和满足生产目标，则目标是准确预测用电量，以便做出明智的财务决策。

泰国的一家半导体工厂就采取了这种方法，该工厂使用 Minitab Statistical Software 来检查其波动的电力负荷。半导体材料是许多电子产品的基本构成，其生产需求量很大，工厂的设备几乎没有停过。利用数据分析，该工厂的一个项目团队着手确定用来预测用电量的最精确方法，以实现利润最大化。

挑战

预测模型首先识别数据中的模式，然后使用这些模式来预测某个变量（在本例中为该工厂的用电量）将在未来发生的变化。该团队需要使用六个现有的预测模型和为该项目创建的一种新方法，分析来自大都会电力局 (MEA) 的三年历史数据。新方法结合了特定于该工厂半导体制造流程的因素。

每种预测方法都会对工厂未来六个月的电力负荷进行预测。随后，可以将这些结果与历史数据进行比较。通过计算平均绝对百分比误差 (MAPE) 来将特定预测方法的准确度表示为误差百分比，该团队可以确定哪个模型提供的预测最准确。

该项目团队需要评估每种方法，并使用具有最低 MAPE 值的模型来评估用电成本、制定合理的预算并做出合理的财务决策。

该团队检查了六种不同的时间序列分析，这些分析采用简单的预测和平滑方法。每个模型都强调一段时间内所收集数据的不同分量（包括趋势、季节性、周期性和不规则移动），然后将这些分量的估计值延伸到未来，以提供预测。该团队使用每个模型来预测未来六个月的用电量。

首先，该项目团队使用趋势分析方法将常规趋势线与用电量数据相拟合。此分析显示这些序列在一段时间内的长期趋势（上升或下降）。

然后，该团队使用分解方法（因其能够将问题“分解”为子问题而命名）来检查趋势分析方法中未包括的数据分量。将用电量的时间序列数据分为季节性、周期性和随机变异等其他部分，使团队能够将每个分量所带来的影响纳入模型的预测中。

为了消除数据中的短期波动并突出长期趋势和周期性，该团队通过对序列中的连续观测值求平均值来计算移动平均值。季节性、周期性和随机变异产生的单个数据点在该模型中是近似的，因此平滑的数据集可以揭示很难通过其他方式发现的重要模式。

该团队使用单指数平滑方法（即，为数据点分配随时间呈指数递减的权重）显示数据，从而获得了另一个视角。这项技术以更加强调最新数据的方式预测工厂的用电量。

由于当数据中存在趋势时，单指数平滑方法并不理想，因此该项目团队使用双指数平滑方法（即，考虑序列中出现趋势的可能性）引入了第二个分量。这种方法还为时间序列中较旧的观测值赋予递减的权重，但随后通过对每个观测值使用不同的常量来使趋势和斜率变平滑。

为了将双指数平滑方法延伸到涵盖趋势和季节性变异，该团队使用一项名为 Winter 法的技术来计算以下三个分量的动态估计值：水平、趋势和季节性。

借助 Minitab 中提供的各种预测和平滑方法，该项目团队使用这些不同的方法以及结合了工厂特有因素的新方法轻松地分析、显示和评估其数据。通过将每个模型的结果与实际数据进行比较来评估每种方法的准确度。

该团队设计的预测方法结合了与半导体工厂的流程相关的特定因素（如机器要求、机器闲置时间和每种状态的用电量（千瓦）），并调整了公用事业公司提供的原始用电量数据。然后，该团队将每个现有模型的结果与其自己的方法的结果进行比较。

在创建时间序列图并计算每种现有方法的 MAPE 值之后，该团队将每种方法与实际用电量数据进行比较，发现这些方法在预测准确度上相似。然而，与该团队的新方法相关联的 MAPE 值为 2.48（显著低于现有模型的值），这使新方法成为用来预测工厂未来用电量的最佳选择。

凭借在 Minitab 中构建和应用不同时间序列分析的能力，团队可以轻松地将其未经测试的新方法与现有方法进行比较。数据分析证明，该团队的模型优于其他方法，这使该团队能够信心满满地开始使用新模型。