数据预测模型在物资需求计划申报中的应用

赵欣 丁靖 吴建峰

（1.国网浙江省电力有限公司物资部 浙江省衢州市 310015）（2.国网浙江省电力有限公司宁波供电公司物资部（物资供应中心） 浙江省宁波市 315000）（3.国网浙江省电力有限公司金华供电公司 浙江省金华市 321000）

1 现状与意义

电力物资需求具有品种繁多、规格多样、数量巨大、用途广泛等特点,受政策和投资影响大,造成物资需求预测和物资库存管理难度加大,严重影响了电网物资供应链管理效率。通过调研后发现，物资需求上报的准确率和及时率普遍偏低。因此，如何使各级电力部门合理上报物资需求计划是亟待解决的问题。目前，由于缺乏较为统一的计划上报标准，各级电力部门需求上报时主要的根据是项目初期的计划，或是凭借需求计划编制人员过往积累的相关项目经验。但是由于计划编制人员的经验水平存在差异、项目初期计划的内容存在不完整甚至会有错误，导致需求计划制定时经常发生错报、漏报等情况。如何提高物资需求计划的准确率，从而减少物资浪费，是急需解决的问题。

研究物资需求预测演算模型的意义在于通过分析电力物资需求变化，借助高效率的信息化技术处理手段，在大量的相关历史数据中找寻其中存在的客观规律。比较准确地挖掘出物资管理中的各类物资的联系及需求趋势，进而帮助物资需求计划编制人员更加方便快捷的进行物资需求计划的申报，并为统筹安排采购计划提供科学合理的决策依据。

2 国内外研究水平的现状和发展趋势

目前，国内外通行的物资需求预测方法主要分为定性预测与定量预测。

（1）定性预测。定性预测一般适用于数据不足且难以获得的情况。借助人员的知识、经验、综合观察或集体智慧和直观材料，我们可以对事物未来发展变化的特点和趋势做出主观判断，然后系统地将这些观点汇总在一起，消除个人偏见对预测结果的影响。这一过程需要重复多次，最终形成预测结果。定性预测的优点是简单易行，不需要复杂的数学公式和工具。缺点是：不能测量预测结果的准确性和保证。在实践中，应尽可能将定性分析和定量分析结合起来。

常用的定性预测方法有专家意见预测法、主观概率预测法、德尔菲预测法及头脑风暴预测法等。

（2）定量预测。定量预测方法适用于原始数据丰富或数据源丰富稳定的情况。根据历史数据，选择合适的数学模型，建立数学模型，然后根据数学模型对预测对象的未来发展趋势进行估计。定量预测的优点是预测结果更加准确，克服了定性分析的不足。缺点是：数据质量高，要求用户具备一定的数学和统计学知识。

常用的定量预测法有：时间序列分析法、神经网络预测法、回归分析预测法、灰色预测法、季节变动预测法、干预分析预测法、指数平滑预测法、马尔可夫链预测法和博克斯-詹金斯预测法等。

2.1 国外研究机构对本项目的研究情况

图1：总体技术路线

图2：物资需求预测信息化工具架构

国外的物资管理最早源于军事后勤学，如今对物资需求预测问题进行的研究方法已较为成熟，呈现智能化发展趋势。常用于解决物资仓储和物资规划问题的Croston 模型，利用基于模糊遗传算法对间歇性物资供应预测的神经网络模型，基于遗传算法的需求预测模型则在电力物资需求预测方面体现了较高的准确度。

Monahan J P 在 1984年发表的《A quantity discount pricing model to increase vendor profits》指出除垄断行业外，大多数行业由于竞争较为充分，供应商和采购商一般都有很多家，基本上不存在单一的供应商或采购商，Monahan J P 从供应商的角度研究了一系列算法，包括最优的数量折扣定价方式、订货数量等算法；Robert 在《The progress of industrial purchase》中系统地划分了物资采购体系，从所需物资的确认和分类到对供应商的评估和评价，大致分为11 个阶段。

2.2 国内研究机构对本项目的研究情况

国内的物资管理已有大量的理论研究成果，在电力企业的物资管理研究方面也取得了不少成就，但是针对电力企业的物资需求计划体系的理论研究还比较少。由于电力企业关系着国计民生，其物资管理体系涉及的层面广，整体复杂程度高，发电、供电、建网各个行业部门之间高度相关，对上游电力设备供应商具有较强的用户黏性。在现代化大型企业强调高资产利用率、低企业运营成本、高企业服务水平的背景下，物资管理已越来越受到企业管理者的重视。

国内的研究虽起步较晚，但取得了不错的研究进展。通过备件预分类的结果构建多元线性回归方程，以预测最优的备件采购量的备件预测模型。以主成分分析的BP 神经网络，备件历史数据的时间序列对未来需求量进行预测，提高了预测的准确率。通过改进的AdaBoost 和SVM 的方法来解决需求数据存在不均衡和训练样本数量少的问题。电力物资时间序列预测法，基于ARIMA 对电力物资的需求预测，提取物资序列中的复合特征，融合BP 神经网络进行误差修正，有效提高了电力物资预测精度。应用于电力系统在突发情况下物资的需求的RVM 模型，该模型利用少量的历史数据进行训练，适用于突发情况下的电力物资的需求预测，在电力系统抢修方面具有很强的实用意义。其他还有NPCA-SOFM 的电力物资分类模型，通过支持向量机和人工鱼群的混合算法的物资需求预测模型等。

3 物资需求预测模型实施的技术路线

从数据诊断分析、关键因素分析、需求预测建模、需求预测信息化、需求预测应用五个方面开展工作。从业务与数据两个方面着手，建立一套科学的需求预测管理方法，从而提升对物资需求的掌控和把握能力。总体技术路线图如图1所示。

3.1 数据诊断分析与优化

通过对物资相关业务系统中的基础数据集进行数据抽取、清洗，处理数据噪音、无效数据、错误数据等，提高数据的质量，降低垃圾数据对大数据分析的阻碍，提高数据分析效率与质量。

通过业务与数据相结合，对源数据开展数据关联、数据拆分、格式转换、关系转换、维度转换等数据转换工作，使数据更利于数据挖掘与数据模型化，提高信息质量。

3.2 关键因素分析

从项目工程、物料品类、电压等级、变电容量、项目工期、政策因素及投资金额多个角度出发，对历史业务数据进行系统分析和梳理。由项目规模指标和消耗数量指标间的相关性分析，分析出物料消耗量与项目电压等级、变电容量、项目工期、投资金额及政策因素的影响关系。

3.3 构建需求预测模型

由关键影响因素分析结果，推演出其物资消耗数量指标间的相关性分析，并在可提供的指标项中，试验线性回归、多元线性回归、神经网络回归和支持向量机回归等多种方法。根据预测场景的实际数据状况，最终综合考虑确定各类物资所适用需求预测算法，并据此进行建模分析。

3.4 需求预测信息化

在选择最优的模型算法基础上，进行信息化系统建设，通过Hadoop 技术构建大数据应用平台，集成并处理不同来源、不同类型的数据，形成分析、统计、预测的信息化应用基础。如图2所示。

3.5 需求预测应用

应用大数据分析预测模型，优化管理流程。逐渐将需求计划管理由“被动需求管理为主，人为经验预测为辅”定性预测的计划管理模式转变为“科学定量预测物资需求，差异化定性调整计划”的主动供应模式。

4 总结

4.1 关键点

如何针对某一类电力物资选择针对性的需求预测演算模型问题：电网建设项目主要分输变电工程和配电网工程。不同类型的电网建设项目，物资需求却具有个体性差异和共通性统一的特征。其中，有的工程因为自身情况的特殊性需要进行个性化定制设计，也有的工程按照设计规范采用的标准化设计就能符合需求。所以，物资需求预测模型研究的关键点就在于以下两方面。一是对于共性因素作用下较为标准化物资需求，如何通过分辨不同工程类型，应用相对合适的算法构建预测模型，以取得相对精确的预测结果。二是对于个体性因素作用下的物资需求，往往单一的预测模型无法全面考虑需求变动的影响因素，采用何种方式控制总体预测误差，使预测结果精度达到实际使用的要求。

4.2 研究难点

物资需求预测研算模型的适用性与准确性：由于电力工程项目面对建设现场条件的限制和变化，往往需要灵活调整设计方案，电网建设项目的物资需求具有明显的非线性特征。电网材料和设备的种类繁多，样本数据矩阵稀疏，使得需求变化的规律难以预测。因此，选择建立的数据预测模型，不仅需要满足电网物资需求预测的适用性，而且需要通过大量的历史数据模拟演算实际与预测的差异程度，不断动态修正预测模型的相关参数，才能提高预测质量。