基于电力配网物资协议的库存需求计划预测方法

2023-12-19刘黎洋马晓宁朱楠张诗雨郭子瑶

管理学家 2023年23期

关键词：预测

刘黎洋马晓宁朱楠张诗雨郭子瑶

[摘要]文章研究了基于电力配网物资协议库存需求计划的预测方法，通过分析电力配网物资协议库存需求计划的特点和需求规律，创新需求计划编制模式和构建科学的差异化需求预测模型，运用数据分析和机器学习等方法预测需求。研究结果表明，该预测方法可以提高电力物资需求的预测精度，为电力行业的物资管理提供有效的支持。

[关键词]协议库存；需求计划；预测

中图分类号：F275 文献标识码：A 文章编号：1674-1722（2023）23-0007-04

一、研究背景

为深入贯彻落实党中央国务院提高产业链供应链现代化水平、保证产业链供应链安全稳定、建立健全绿色低碳循环发展经济体系、建设“数字中国”等一系列战略部署，国网公司提出了“一体四翼”发展布局，服务新发展格局构建。随着现代智慧供应链体系建设的不断深入，国网辽宁电力在全网采购需求的源头管理精益化过程中遇到了一些问题，例如预测工作准确率低、数据资源整合深度不够、专业协同能力欠缺等。

公司利用大数据分析技术手段对相关的采购数据进行实时感知并得出综合分析结论，有利于形成高效可靠的数据分析预测结果，为公司的决策提供可靠的数据参考，为公司经济增长提供帮助；同时，推动公司数字化新型基础设施建设的落地和应用，在数字化新基建的带动下，从专业个体转型上升到产业协同升级，形成新基建应用的矩阵效应。

二、研究思路

按照专业协同和精益化管理的原则，贯彻深化全网采购需求统一管理的思想，通过创新需求计划编制模式，将需求编制工作前延至项目储备阶段；通过构建科学的差异化需求预测模型，综合考虑各类别项目的不同需求特征，预测不同物资类别的年度采购规模需求；通过引入物资清册模板，结合需求预测结果，实现高效智能化地编制需求计划。

三、研究内容

（一）创新需求计划编制模式

建立需求计划储备库，从项目储备阶段、初步设计阶段到建设过程中，始终常态化地开展物资需求编辑提报的优化工作。通过创新的需求计划编制模式，可以将需求编制工作提前到项目储备阶段，随着项目的逐步深入设计，需求计划的内容也会逐步细化和优化。物资管理部门可以随时掌握物资需求的情况，从而为后续的采购批次安排和物资采购计划执行提供有效的管理依据。应用需求计划储备库，可以提高采购的时效性和计划的准确性[1]，改变以往人工按批次提报的工作流程，实现需求计划在储备库中按照项目的进度节点有序、智能地提报。

（二）精准预测采购需求

1.精准预测采购需求

一是采集采购数据资源。通过采集采购数据资源，可以将需求管理工作向前推进，打通公司数据中台，获取包括发展、财务、基建等部门在内的数据资源。这些数据包括综合计划、财务预算、项目储备、建设进度方案等信息，能够自动汇总、智能分析项目类型特征和需求规律。

二是构建科学的预测模型。为了更好地制订年度需求计划，需要构建差异化的需求预测模型，综合考虑不同需求类型的特征。例如，基建项目、技改项目、营销项目、10kV配（农）网项目及业扩配套项目等，这些项目的需求特征各不相同。因此，需要构建科学的预测模型，预测不同物资类别的年度需求，辅助做好年度需求计划的编制。

三是集成通用设计模板。为了提高年度需求计划预测的效率，系统可以预设通用设计物资清册模板。根据项目的属性和需求特征，可以快速引用相应的模板，匹配物资参考价格、采购周期和生产周期。这种方式可以大大节省编制年度需求计划的时间和精力，提高编制效率。

四是智能优化预测结果。通过建立需求预测模型的自学习、自适应机制，可以根据历史数据的更新迭代，系统自动验证模型运算的准确性，自主优化模型参数，保证模型的持续有效。这种方式可以实现预测结果的智能优化，提高年度需求计划编制的工作效率和准确性。

五是联动实际需求计划。为了深化通用设计、通用设备、通用造价和标准化工艺在需求侧的应用，需要提高设计源头编制要求。同时，实现年度需求计划与实际需求计划的联动，提高年度需求计划的应用价值，提升需求管理的全局性和全面性。通过智能联动，可以更好地满足实际需求，提高需求管理的效率和准确性。

精准预测采购需求如图1所示。

2.高效编制采购需求计划

一是预设物资清册模板。根据通用设计、典型设计方案或不同区域设备选型习惯，结合历史采购信息，可以制定不同項目类型、项目规模的物资清册模板，包括通用设计物资清册模板、典型设计物资清册模板和自用物资清册模板，预置在系统内，供设计人员引用，以节省设计人员的时间和精力，提高编制的效率和准确性。

二是快速编制需求计划。为了提高编制的效率和准确性，编制人员可以完善项目类型、项目通用设计方案等项目信息，利用系统自主判断寻找项目匹配的物资清册模板。设计人员可以直接引用这些模板，仅调整或修改差异部分，以减少编制时间和工作量，提高编制的质量和准确性。

三是智能匹配需求信息。项目管理人员在完善物资需求时间后，系统可以智能匹配参考价格和采购策略，依据物资采购周期和供货周期，智能匹配采购批次，自动生成采购计划。这种方式可以减少人工操作和出错的风险，提高采购计划的科学性和准确性。

四、构建需求预测模型的主要措施

（一）模型构建思路

基于电力配网物资协议库存需求计划的预测方法，是在分析海量协议库存物资采购历史数据和项目投资计划历史数据的基础上，以物资小类类别为维度，分析各类物资采购占比，同时结合协议库存执行情况，本着利库原则，构建电力配网物资协议库存需求预测模型。该模型旨在实现物资需求和到货情况的精准预测，形成完善的协议库存需求预测体系[2]。利用该体系，可以更好地管理电力物资协议库存，提高预测准确率，为电力系统的稳定运行提供有力支持。

（二）模型研究内容

1.历史数据自动获取

依据项目采购数据分析的数据需求，结合从采购到付款端到端管理流程，梳理需求预测模型构建所需的数据来源。

一是明确项目信息。近三年的项目除基本的项目编码、项目类型、项目名称、目的、所属专业、电压等级与项目规模等信息外，为开展批次、到货时间与项目里程碑计划的相关性分析，需要提供项目的计划开工时间、计划竣工时间，项目的实际开工时间、实际竣工时间等信息。

二是明确项目物资采购信息。为满足跨专业融合管理需要，按照从采购到付款端到端管理流程，需要提供项目相关物资需求计划、采购计划、采购申请、采购订单、入库、领料、发票报账、付款申请及采购入库等信息。

三是采购批次及采购目录信息。为更好地生成采购计划信息，需根据采购批次和采购目录，结合项目的里程碑计划，得出具体项目的采购批次和采购模式信息，具体信息见表1。

2.完成数据清洗转换

为提高需求预测模型的准确性，需按照业务分析结果，采用技术手段清洗数据，按专业、类型、模式等维度归集。

一是制定数据清洗规则，从项目信息完整性、采购业务一致性两个方面制定清洗规则，项目编码、投资金额、里程碑计划必须完整，物资采购在投资占比中要大于10%、小于100%等。

二是开展数据清洗。针对近三年的项目及物资采购需求，编制数据抽取转换程序，进行数据清理，避免数据缺失或不合理对模型的预测结果造成影响。

三是建立项目物资需求映射标准。基于2019年至2021年的项目数据和采购历史明细数据，建立项目类型、电压等级、专业分类、专业细类、物资需求大小类、物料组、数量的对应标准，作为根据项目信息生成物资采购需求的依据。

3.构建需求预测模型

一是确定大数据分析方法。预测方法选取直接关系到后续物资需求及到货预测的准确性。研究当前多个先进的预测模型算法，在构建预测模型之前综合考虑模型算法的复杂性、适用性与稳定性等因素，比较各算法与电力配网物资采购业务的数据匹配性、适用性后，在多个预测算法中选择了随机森林预测法[3]。

随机森林预测法是基于集成学习思想，将多棵决策树集成进行预测的方法。该算法是从原始训练集中随机抽取样本，构建多个子集，每个子集都包含一部分样本。对于每个子集，使用随机选择的特征构建决策树。在每个节点处，随机选择一部分特征进行分裂，增加决策树之间的多样性。重复上述步骤多次，生成多棵决策树。对于新的输入样本，让每棵决策树进行预测，生成一个预测结果。融合所有决策树的预测结果，得到最终的预测结果。在分类问题中，采用投票的方式选择得票最多的类别作为最终的分类结果；在回归问题中，则可以对所有决策树的输出结果取平均值作为最终的预测结果。

随机森林预测法拥有高准确性、好操作、易训练、不容易过拟合且可处理大规模数据等优点。在实际应用中，可以根据具体任务选择合适的决策树模型和参数设置，通过结合第三方机器学习，快速训练数据，能够达到更好的预测效果。

二是確定预测模型因子。按照“二八原则”选取因子，避免非关键因素干扰，提高关键因素的权重，在保证预测准确性的前提下尽可能地降低模型复杂度。根据数据分析中的项目类型、电压等级等专业维度，确定模型采取的因子包括：项目类型、项目所属单位、电压等级（kV）、专业类别、专业细分、改造目的等。利用皮尔森相关性分析，对可能存在的关联因子进行相关性分析，选取影响较大的关键因子。

（三）需求预测模型分析

需求预测模型数据部分包括数据输入和预测结果数据两部分，其中数据输入为综合计划、储备项目需求计划数据经过清洗后的数据。预测结果数据为采购规模预测和项目精准预测数据，且相互制约、互相验证。模型的工作过程分为三个阶段，分别为大数据准备、大数据预测及预测输出结果。需求预测模型分析如图2所示。

1.大数据准备

综合计划、采购历史明细物资数据抽取、清洗：对综合计划和采购历史明细数据进行清洗抽取有用数据。综合计划的主要数据如下：年度、项目编码、项目名称、项目所属单位、电压等级（kV）、专业类别、专业细分、改造目的、项目内容、开始时间、结束时间、总投资、年度投资计划（含税）；采购历史明细数据如下：年度、采购申请编号、采购申请编号行项目号、供应商/供应工厂、工厂、物料编码、短文本、物料组、物料组描述、采购订单数量、订单单位、采购单价金额含税、价格单位、货币、采购总价金额含税、项目定义、所属大分类、所属中分类、所属小分类。

类型聚类：清洗抽取数据后，进行业务模型分析，找出多个项目维度，如年度、项目所属单位、电压等级（kV）、专业类别、专业细分、改造目的，为规模预测准备好关键因子选取的数据基础。

重要因子相关性分析：根据皮尔森相关性分析，对可能存在的关联因子进行相关性分析，用第三方机器学习库展示，选取最佳的影响因子。通过挖掘分析，发现项目物资与预测映射分类、电压等级、专业细分、改造目的4个项目因子相关性较大。选用影响较大的关键因子，避免因关键因子选取不好造成算法准确率不高、算法计算量大等问题。

2.大数据预测

储备项目映射模型数据抽取、清洗：对于储备项目需要通过映射模型选取预测分类建立对应的需求储备物资，包括物资的储备数量、种类及金额数据，抽取和清洗这部分数据，为项目精准预测提供数据基础。

数据预处理：对大数据准备阶段提供的数据进行数据预处理，包括综合计划、储备项目需求计划数据入库，进行逻辑计算、重要因子采购规模数据统计分类等操作。

宽表设计：把用到的数据按照宽表设计的形式归集。

算法确立：通过模型算法优化、数据训练、调整算法参数最终确立算法。

预测计算：根据清洗归集后的数据和确立的算法进行预先计算。

3.预测输出结果

采购规模预测：通过预测模型可以分别计算出物资对应的大类、中类、小类的年度预测规模。

项目精准预测：通过预测模型计算、映射模型预测类别比对分析、储备项目提报的映射模型，根据需求计划数据可以预测出综合计划单个项目的需求情况，包括需要的物料数量、采购规模。

（四）模型集成应用

根据发展部下发的综合计划结果，应用项目物资需求映射模型得到需要采购的物资品类。结合项目的计划信息和物资的供货周期信息，通过预测模型自动预测出需求物资的采购规模和到货日期。结合目前的绿色智慧供应链的应用场景，集成物资需求预测模型，可以智能指导和提示物资需求上报工作。

五、结语

文章通过建立基于项目计划、执行情况、采购安排、物料清册、供货周期等信息的电力配网物资协议库存预测模型，拓展了项目储备阶段管理的深度和广度，打通了项目及招标采购的全生命周期，推进了项目里程碑计划、项目物资采购需求生成等跨专业环节信息共享，探索建设了需求智能提报的场景，实现了物资需求计划智能提醒，促进了生产、物资、财务的跨专业协同管理。