基于数字化计量资产供应链管理研究

李舜，汪金荣

(国网浙江省电力有限公司营销服务中心，浙江 杭州 311100)

0 引 言

现阶段，在计量资产供应链管理过程中，仍存在业务流程操作环节复杂，物资调配平台需求计划提报环节滞后，物资调配平台匹配规则不符合业务实际要求，主需求计划(master demand schedule, MDS)与企业资源计划(enterprise resource planning, ERP)系统间关联不足，业务系统中采集终端模块功能不完善，各系统功能模块存在缺陷，以及系统间数据存在差异等问题。这些问题导致业务操作复杂和任务繁重，跨平台业务环节缺乏有效监控和跟踪。

针对上述技术的不足，现有技术也做了相关课题研究。文献[1]从分析供应链可视化关键测量指标的视角采用应用层次分析法实现供应链管理，提高了计量资产供应管理能力。但是对于数据之间的关系分析并未提及，可视化管理方法也未提及。文献[2]在供应链可视化信息描述的基础上，分析供应链可视化关键测量指标，该技术虽然能够提高可视化分析能力，但是并没有对数据的管理和应用进行描述。针对上述技术的不足，本文采用新型的设计方案，有效地克服了上述技术问题的不足。

1 总体方案设计

本文对现有技术中复杂的业务操作进行简化，对电能表业务流程进行梳理，重新制订符合电能表物资实际情况的匹配规则；完善企业管理云平台(enterise cloud platform, ECP)系统、ERP系统、营销系统、MDS和物资调配平台五大业务系统间业务数据的集成交互；完善需求提报、合同管理、电能表物资供应和电能表物资配送等业务功能模块；建立电能表全业务环节监控、跟踪及指标预警[3]。总体方案设计示意图如图1所示。

本文技术方案的创新点如下。

(1)构建由数据管理层、资产传递层、资产分布层和资产应用层的B/S架构系统。该系统能够将电能表管理价值管理相关的合同、供应、检定、配送、仓储、运行及计划环节业务统一在电能表价值管理平台进行展示。通过电能表管理的业务分析报表及图形化展示，实现电能表物资管理各阶段处理状态的全程可视化跟踪[4]。

(2)能够根据电能表涉及的业务环节，将合同、供应、检定、配送、仓储、运行及计划环节业务以闭环图形方式在电能表价值管理平台进行展示，并通过点击图形上对应的业务环节，直接链接至对应的业务模块明细信息[5]。

(3)以可视化方式实时展示电能表管理处理过程中关键信息，通过地图等图形化方式将电能表信息以金额、条目数及数量等多维度进行展示[6]，对整体业务进行直观式全程跟踪管理。

通过大屏展示计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废十个环节全过程监控，提高了电能计量资产的管理效率，降低运营成本。服务项目应用示意图如图2所示。

图1 总体方案设计示意图

图2 服务项目应用示意图

本文方案利用现有平台服务器建立ESB(企业服务总线)，通过企业门户访问，实现统一平台、统一账户和统一操作的一站式服务；采用JAVA、FLEX开发用户界面，SAP ABAP语言开发后台关联配置。针对MDS、营销系统、物资调配平台的接口，主要通过ESB、RFC[7]、ODS和XI等技术进行实现。

2 关键技术设计

2.1 数字化管理方法

采用改进型灰度关联分析算法实现计量资产数据供应链数据管理。改进型灰度关联分析算法的技术优势：在灰度关联分析算法的基础上融入神经网络评价模型，提高了评估精度。神经网络评价模型如图3所示。

在应用灰度关联分析算法时，先采集计量资产供应链中的不同数据信息，按照不同因素挖掘其关联性，根据用户需求设置不同的权重，以设置合理的比较矩阵[8]，矩阵式如式(1)所示。

图3 神经网络评价模型

(1)

对式(1)中的数据进行初值化处理，得出如式(2)所示的公式。

(2)

通过式(2)能够提高初始化数据的精确度。通过初始化处理，剔除了数据中的无效数据，输出无量纲化的矩阵数据。数据比较矩阵如式(3)所示。

(3)

下面再计算出不同数据之间的差序列，多层次地显示数据比较矩阵的计算结果，如式(4)所示。

Δ0i(k)=|x0(k)-xi(k)|，i=0,1,2,…,n;k=1,2,…,m

(4)

在计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废中，按不同的数据类型构建矩阵，求出不同阶段数据元素之间的差值，进而构成差值矩阵[9]。差值矩阵的表示方法如式(5)所示。

(5)

通过式(5)的计算，可以分析对差值矩阵中的数据信息，继而求出最大值和最小值，然后进一步计算出数据的关联系数，该系数公式如式(6)所示。

(6)

式中:Δmax为差值矩阵最大值；Δmin为差值矩阵最小值；Δ0i(k)为差序列；i=1，2，…，n;ρ为不同数据阶段的分辨系数，ρ∈[0,1]。根据用户需求可以设置求解。各个关联系数构成的矩阵可以表示为：

(7)

然后通过上述构建的关联系数矩阵进行平均值权值处理，则采用的公式可以为：

(8)

通过式(8)求出平均值权值，进而实现不同权值的分布。在考虑不同阶段的计量资产供应链数据信息影响因素分配的权重和通过灰度关联算法分配的权重之后，输出灰度关联分析算法的数据信息，得出式(9)。

(9)

式中:a(k)为考虑综合因素后的权重分配数值。最终实现数字化计量资产供应链管理。

2.2 可视化管理方法

本文采用DBSCAN聚类算法实现电能计量数据的可视化计算。通过该算法能够从诸多计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废中的不同数据类型随机选定数据对象点，适当进行密度检索，以确定相同类型的数据分类。基于空间密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)涉及到E领域和对象Minpts的应用[10]。E领域数据参数能够对分类的计量资产供应链数据信息进行整理和计算。首先能够确定聚类集的大致半径范围，采用Minpts作为计量资产供应链大数据聚类集内的最小点数，通过密度可达关系形成聚类集。下面讲算法具体定义内容。

(1) 假设计量资产供应链数据信息集合为D，设D为计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废中不同的数据类型中任意一种类型数据x，电能表数据x周围E领域范围内点的集合设为E(x)。E(x)表达式为：

E(x)={y∈D|distance(x,y)≤E}

(10)

(2) 假设y表示计量设备采购、验收、检定、仓储、配送和领用等检定数据集合D上任意一点，在x对象的E领域对y进行密度检索。

(3) 设计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废各种数据信息y聚类到的点集为N(y)，然后从N(y)中找到尚未访问的对象z，在y对象的E领域对z进行密度检索。如果E领域范围内的对象不小于参数Minpts，则z可以作为N(y)的数据中心点，然后可以将z聚类到的点集N(z)中，最终被并入到N(y)中。

(4) 将步骤(3)进行重复计算，最终使N(y)上多种数据并入点集N(y)中。

(5) 然后将(2)～(4)步骤重复计算，直至访问计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废各种数据信息中所有的数据信息，得到若干个点集和被标记的噪声点集。

DBSCAN聚类算法的软件代码如图4所示。

通过上述计算，根据电能表在省计量中心检定信息，按照入

Input: dataList, E, MinptsOutput: labelListlabelList[indexdataList]=UNVISITEDfor each UNVISITED point x in X domark x as VISITEDLet N as E-neighborhood of xif the size of |N|

库数量、待检定数量、检定中数量、检定合格数量及待配送数量多个维度进行图形化展现。通过点击图形上相关信息可直接链接报表显示对应的明细数据信息，实现多种数据分类的可视化显示。

3 试验结果与仿真

为了验证本文方法，对上述技术方案进行验证，采用的验证的环境是计算机仿真环境。计算机的硬件配置CPU为Inter Core i7-9700H，运行内存为3 200 MHz 8×2 GB，硬盘大小为2 TB。在模拟环境中构建出的电力信息内网ERP系统数据信息，如图5所示。

图5 电力信息内网ERP系统示意图

3.1 系统的可靠性验证

平均故障间隔时间(mean time between failure, MTBF)用于考核可修复系统的可靠性，它取决于系统设备和软件的可靠性以及系统结构。 采用式(11)进行验证。

(11)

式中:T(t)为系统工作时间(从开始正常运行到考核结束时系统正常运行的累积间隔时间)，h；r为考核时间内故障次数，次。

图6 系统可靠性对比示意图

观察某电力公司在一年内系统的运行情况。将C/S架构系统和本文研究的B/S架构系统在分别运行2年后，观察可靠性参数。系统可靠性对比示意图如图6所示。

通过试验发现本文计量生产管理平台的系统可靠性MTBF≥3×104h。因此，该项指标符合Q/CSG 214005—2013《中国南方电网有限责任公司电能计量设备管理办法》等相关技术指标的标准。

3.2 数字化管理方法验证

实现采集计量设备采购、验收、检定、仓储、配送、领用、安装、运行、拆除和检定报废中不同的数据类型，将文献[1]方法和文献[2] 方法与本文方法进行对比分析。采用10组不同的数据类型进行计算，得出如表1所示的数据。

表1 电能计量资产数据库信息采集表

通过采用文献[1]方法和文献[2]方法与本文研究的方法进行对比分析，得到数字化计量资产供应链管理效率对比示意图，如图7所示。图7中，电能计量大数据测试数据集是用户为了试验的需要选取的数据量，该数据量可以自定义获取。

图7 三种不同数据信息管理方法对比示意图

本文采用文献[1]方法和文献[2]方法分别进行对比分析。通过图7可以看到，文献[1] 方法的效率虽然在一定程度上高于文献[2]方法，但是在数据量增多的情况下，本文的方法管理能力最强，平均准确率大于90%，具有明显的技术优越性。

3.3 可视化管理方法

本文将随机森林算法模型与本文的方法进行对比分析，以体现本文方法的技术优越性。可视化展现示意图如图8所示。

图8 可视化展现示意图

图8的视频监控系统可选择各级仓库进行监控画面切换展示，控制只能进行画面的展示，并限于计量中心的仓库视频监控。将本文方法与K-means聚类算法进行对比，采用的评价参数为F-measure的准确率(P)和召回率(R)。F-measure的计算公式为：

(12)

式中：a为用户设置的常数。在具体试验时，为了便于计算，令a=1，这使得准确率P与召回率R具有同样的权重参数。为了提高计算效率，假设采用的数据样本为600个，选择3组不同的数据信息，则计算比较的结果如表2所示。

表2 计算方法对比表

通过表2可以看到，与传统的K-mans聚类算法相比，本文研究所采用DBSCAN聚类算法精度更高，耗时更短，大大提高了数据管理能力和效率。

4 结束语

针对当前计量资产供应链管理欠佳问题，本文基于国网浙江电力物资调配平台、ERP系统和大数据平台，进一步加强营销系统和MDS平台的生产数据实时传递，使得业务数据更加真实和准确。让电能表物资实物信息与物资结算信息和会计账面信息一致，加快资金周转和减少库存积压，从而提升电能表物资供应服务水平。但是本文仍旧存在一些技术问题，比如，即时获取数据信息和数据存储问题等。这些仍需进一步研究，本文为下一步技术的研究奠定了技术基础，提高了计量资本供应链的数据管理能力。