电力生产与供应是国计民生发展的重要基础,而电力物资则是电力生产运行的重要保障。但是在电网公司中,电力物资在供应管理过程中普遍存在供需不平衡的现象,一方面由于电力物资储备不足而产生高额的缺货成本和社会经济损失;另一方面由于电力物资储备过量而导致积压与腐蚀,产生了大量的库存成本与资金浪费现象。因此,电力物资的库存控制研究对电网公司至关重要,通过合理的库存控制解决供应与需求之间的不协调,在保证生产和经营活动正常有序进行的同时降低库存成本。目前,有很多学者对电力物资的库存控制进行了研究,以期望降低库存成本,但是在这些研究中依然存在一定的局限性。基于此,本文提出了基于物资需求预测的库存成本优化的方法。首先,针对电力物资需求数据的特点提出了组合预测模型,通过季节性差分自回归移动平均模型（Seasonal Autoregressive Integrated Moving Average,SARIMA）和自适应模糊神经网络系统（Adaptive Network-based Fuzzy Inference System,ANFIS）两种单一的方法分别对电力物资的需求量进行预测;其中利用SARIMA处理电力物资需求量数据中的线性特征和季节性特征,利用ANFIS处理电力物资需求量数据中的非线性特征;并利用BP神经网络对两种单一方法的预测结果进行组合,从而得到更加精确的预测结果。然后,根据电网公司的实际情况建立了包含订货提前期与约束条件的库存成本模型,并利用所提出的改进的差分进化算法对库存成本模型进行求解,从而得到最佳的物资订货量与库存策略,进而使库存成本得到优化。最后,本文以电网公司的实际库存控制案例为背景,一方面通过将本文所提出的组合预测模型与两种单一方法的预测结果进行对比,验证了所提出的组合预测模型具有更高的预测精度;另一方面基于电力物资需求预测结果,利用改进的差分进化算法对库存成本模型进行求解,并与原始的库存成本以及通过传统的差分进化算法得到的库存成本进行对比,证明了本文所提方法的有效性。因此本文的研究在一定程度上实现了电力物资需求预测方法和库存成本优化研究的理论创新,帮助公司解决了实际问题,降低了库存成本,并且对其它公司的库存成本优化也具有借鉴意义和参考价值。