基于大数据的煤炭企业决策模型研究与应用

辛德林，陈一兵，刘 姣，李匡正

(中煤科工集团 武汉设计研究院有限公司，湖北 武汉 430064)

传统煤矿生产运营过程中涉及煤矿开拓、采掘(剥)、运输、通风、洗选、安全保障、经营管理等复杂环节，业务流程繁琐复杂、管理分散。而随着新型企业经营管理方式的到来和煤炭行业整合升级的加速，精益管理、安全升级、智能化成为发展的方向，煤炭产业可提升的价值空间和管理空间还很大，基于大数据下的智能化发展是很好的发展方向[1-5]。刘斌[6]针对煤矿安全预警存在数据获取精准度差、数据融合能力低等问题，构建大数据预警平台解决数据深度挖掘的问题。郑鹏伟[7]探讨了将大数据引入煤炭生产技术管理中的意义与应用。吕传波[8]针对煤矿企业基础数据采集困难，数据利用率较低的问题，构建了大数据分析平台，为煤矿安全生产管理的精细化和智能化提供数据支撑。倪琳[9]等人开发了煤炭检测数据采集系统，实现采、制、化等生成全流程可溯源管控。廖杰红[10]等人运用大数据技术为煤炭经营提供基础支撑。宁晖[11]等人建立了煤炭经济评价决策系统，使企业合理规避投资风险。在信息化时代，信息技术和手段为企业提供了数字化及自动化的流程，为企业决策提供了数据分析。企业可以将大数据用于业务分析、经营预测、实时生产排程等领域，整合利用企业资源，释放大数据的智慧潜能，实现智能生产与智慧决策的有机结合。

煤矿的安全生产运营离不开智能数据的支持，国能包头能源有限责任公司(以下简称“国能BT能源公司”)是国家能源的子分公司之一。作为一家大型煤炭企业，公司的主要业务涉及煤炭开采、储运和销售等领域，在煤炭生产和销售方面具备庞大的规模和数量。以国能BT能源公司为例，通过梳理整个煤炭生产业务的成本数据，建立成本计算模型；研究煤炭销售、运输、自采、外购、煤质、洗选工艺和生产成本整个过程的相关关系和约束影响，利用建模技术建立计划业务模型。利用大数据分析技术和业务模型，整合销售数据、市场数据、内外部条件的变化情况和管理调节系数等数据自动生成效益最大的生产计划安排，实现生产安排及时响应市场变化，从而为经营决策提供支持，实现效益最大化。

1 大数据分析决策模型

1.1 生产优化模型

基于约束理论建立生产优化模型。约束，即制约企业实现目标的因素[12]，约束理论与精益生产的关系如图1所示。对平台已采集的自有约束数据进行管理，包括煤炭产能约束(生产接续计划)、煤炭采购能力(集团外购煤指标)、仓库库存能力(仓储库存数据)、长协客户/其他客户各月需求能力(集团指标)、铁路运输能力(集团空车计划)，以及时间、机构数据。主要的约束条件可分为以下四类：煤炭产能限制、煤炭采购能力限制、客户需求能力限制[13]、年产量限制。通过优化模型，识别约束、分析约束和突破约束来提升系统的整体性。

图1 约束理论与精益生产5步骤Fig.1 Constraint theory and 5 steps of lean production

1.2 自产煤供应量及外购煤采购量计算模型

随着决策变量规模的增大，求解大规模优化问题的关键在于对变量的分组，以理清决策变量之间、决策变量与目标函数之间的关系[114，5]。通过现场调研，可以将自变量整理出来，通过梳理利润构成，写出目标函数，以及对应各决策变量的约束条件。通过观察目标函数和约束条件的构成形式，可以发现目标函数(max)和约束条件(s.t.)都是线性的，可以将该问题归为线性规划范畴进行求解，如图2所示。根据影响所要达到目的的因素找到决策变量，最终的目标为：整个能源集团公司的利润最大化，影响这个目标的决策变量包括但不限于表1中变量。

表1 决策变量表Table 1 Decision variable table

图2 计算模型建立流程Fig.2 Flow chart of calculation model establishment

根据数据输入及约束条件，通过构建的计算模型，实现各生产单位自产煤各月供应量、各生产/经营单位外购煤各月采购量输出计划信息。由决策变量和所在达到目的之间的函数关系确定目标函数，根据上一步归纳的决策变量，结合实际业务现状写出目标函数，目标函数的计算公式如下：

(1)

P1=I1-C1+(I-E)O1

(2)

P2=I2-C2+(I-E)O2

(3)

C1=P1+T1+P&E1+A1+R&D1+S1

(4)

C2=P2+T2+P&E2+A2+R&D2+S2

(5)

(I-E)O1=O1+N1

(6)

(I-E)O2=O2+N2

(7)

式中，g为所在优化年度的月份；P1为煤矿WL的利润；P2为煤矿LJH的利润；Costhead为总部成本；I1为煤矿WL的收入；I2为煤矿LJH的收入；C1为煤矿WL的成本；C2为煤矿LJH的成本；P为生产成本；T为税金及附加；P&E为期间费用；A为资产处置费用；R&D为研发费用；S为销售总成本；(I-E)O1为煤矿WL的收支；(I-E)O2为煤矿LJH的收支；O为其他业务收支；N为营业外收支。

1.3 决策模型

有了目标函数和约束条件，以及明确了规划问题分支后，就可以对该问题进行编程求解，结果显示需要求解的是一个非常典型的线性规划问题，对于线性规划问题，有许多成熟的优化器可以完成对应的求解过程，该项目上采用OR-Tools作为线性规划的求解器[16]。OR-Tools是一个用于最优化问题的开源软件套件，用于解决世界上最棘手的车辆路径、流、整数和线性规划以及约束规划等问题，后端可以整合多种开源或商用优化器。基于数据和计算模型，可视化对比分析全局计划的效益和结果，图表展示各单位生产、采购信息，为企业全局决策提供理论支持，以期实现在满足一定的约束条件下，有效发挥资源的最大效益，达到总体最优的目的。

2 决策子系统功能与实现

2.1 系统功能

决策系统主要包括三大功能：生产约束管理、月度自产煤供应量及外购煤采购量计算和决策分析，分别与系统中的三大模型相对应，系统通过收集到的企业运营数据，建立目标函数方程组求解，并对结果进行可视化展示，为决策者提供数据支持，以期达到最佳效益，决策分析系统如图3所示。

图3 决策模型流程可视化Fig.3 Visualization of decision model process

2.2 技术支撑

本系统使用Spring MVC、Spring Security、Hibernate和Restful进行Web应用开发，使用Spring Boot搭建轻量级的公共服务。系统前端采用H5、CSS3技术标准，利用Vue、Axios、Ant Design构建页面组件，使用Echarts实现系统中的图形展示功能，构建统一的UI风格，并且使前端具备丰富的交互能力，提供更好的用户体验。在客户端方面系统支持Chrome，Firefox等现代浏览器(支持HTML5、CSS3、ES5+的浏览器)[17]，如图4所示。

图4 技术架构Fig.4 Technical architecture diagram

2.3 数据管理

通过管理影响煤炭生产业务相关成本因素数据，包括自产煤产量、外购煤量、自产煤生产成本、外购煤成本、外销煤炭量、一体化煤炭销售量、外销煤炭运输成本、一体化煤炭销售运输成本、煤炭价格等数据，为后续制定计划及分析决策提供数据依据。

2.4 技术实现及操作系统

技术实现系统包括登录、功能选择、数据导入和优化结果展示四个模块。具体的操作流程如下：用户输入管理员账号后，即可进入系统功能菜单。在进入决策模型模块后，可以通过决策变量管理子菜单栏导入各个变量的信息。系统将在预设的约束条件下进行解算，并在全局计划图中展示最优化结果。

3 模型实际应用

3.1 生产优化模型应用

通过对约束条件(煤炭产能限制、煤炭采购能力限制、客户需求能力限制、年产量限制)的分析识别，提出对应的改善目标，制定了煤矿WL和煤矿LJH的优化计划，并建立了优化模型系统，具体的优化计划见表2。产能是系统重要的性能指标之一，直接关系到盈利能力，产能提升和优化是精益生产的重要环节之一。销售将生产与管理联系起来，实现统一的生产均衡化、生产管理合理化，并建立快速处理和持续改善的管理机制。对于产能计划和销售计划的优化，体现在煤矿WL和煤矿LJH的煤产量大于销售量、煤矿LJH的自产煤和外购煤全年控制在1000万t、煤矿WL外购煤产量和自产煤产量全年控制分别在0～300万t、0～600万t，以实现公司利润的最大化。

表2 优化计划Table 2 Optimization plan

3.2 自产煤供应量及外购煤采购量计算模型应用

计划布局是企业最重要的环节之一，编制的科学性、严谨性、可实施性与否直接影响企业的正常生产和最佳经济效益[18]，煤炭企业经营过程涉及煤样种类、设备装置、生产周期、运输物流、资金流动等环节节节相扣，是典型的大系统，所以制定良好的计划对系统分析、整体优化，收益管理十分重要。

根据约束条件，制定产能计划、销售计划，进而限制产能数量、产能总成本、销售数量、销售总额。将2022年煤矿WL和煤矿LJH的产能计划和销售计划按照决策变量分自产、外购、时间、煤种进行布置，通过自产煤供应量及外购煤采购量计算模型运算，实现各生产单位自产煤各月供应量、各生产/经营单位外购煤各月采购量输出计划信息，即可制定2022全年的自产煤供应量与外购煤采购量。

3.3 决策模型应用及效益对比可视化

在各月煤炭销售利润基线计划的基础上，根据外部市场和内部环境的综合作用下将决策模型进行应用，对各月的销售计划进行优化调整，根据各月之间的利润差距来调整产量目标，进而扩大煤矿的利润区间来实现利润目标，实现总利润的最大化和成本最小化。

在1—7月根据煤炭产能限制、煤炭采购能力限制、客户需求能力限制气温等因素影响了煤炭的销售，所以对基线计划进行下调，进而调整各个煤矿的煤炭产品结构与产量，特别是在2月、5月和7月，由于水电、太阳能发电的增加和夏季高温影响，煤价进入下降通道，煤炭进行亏本销售，呈现利润负产化的表象。而在8—12月，供暖需求、用电需求较往月有所增加，趁此煤炭行情供需缺口之际在11—12月对基线计划实现大幅度上涨，使2022年全年的整体利润实现最大化。各月的优化计划情况如图5、图6所示。

图5 模型应用前后效益Fig.5 Visualization of benefits before and after model application

图6 2022年11—12月优化计划Fig.6 Optimization plan for November and December，2022

通过图5看出，2022年基线利润是253282.95万元，通过决策模型应用后，总体利润达到280106.12万元，相比基线计划增加26823.17万元，上涨比例10.59%。为验证决策模型的准确性，指标计划与2020—2022年全国煤产量走势如图7所示。对比指标计划与2020—2022年全国煤产量走势可得，指标计划的收益与全国原煤产量走势基本保持一致，说明经优化方案计算后的收益符合煤炭行业的营销普遍规律，表明优化结果是值得信任的。经检验，决策模型结果符合煤矿的实际生产经营状况，模型得到了很好的验证与应用。

图7 2020—2022年全国原煤产量走势Fig.7 Trend of raw coal production from 2020 to 2022 in China

4 结 语

本文采用互联网领域的新型技术MySQL数据库，将国能BT能源公司煤炭部门实际生产经营数据上传至后台服务器保存，现场取样创建了生产优化模型、月度自产煤供应量及外购煤采购量计算模型和决策模型，以生产效益最大化为目标函数，构建线性规划方程组，调用谷歌服务中的OR-Tools工具箱执行求解指令，给出最佳决策方案并可视化展示。在引入了智能化的决策模型子系统后，2022年利润相比基线计划增加26823.17万元，上涨比例10.59%，使得整个决策体系更趋向于数据化、智能化、标准化，更有利于管理层科学规范地安排生产经营计划，达到企业的最佳收益，对企业的经济效益具有良好的指导意义。