CN107590561A - 一种基于电网线路运行误差远程校准的电能表有序换装方法 - Google Patents

Abstract

本发明涉及一种基于电网线路运行误差远程校准的电能表有序换装方法，在对业扩项目计量装置进行需求预测时，首先要确定出计量装置的类型，在进行需求预测调整时，需要将业务类型进行细分；不同业务子类计量装置需求发生的概率通过对历史数据的样本中统计计算得到，或通过贝叶斯定理计算出需求发生的条件概率。本方法的应用能够使得整个生产过程更有序，提高生产管理的自动化、智能化、精细化管理水平，有效提高了库存周转率、降低了安全库存、减少了成本。

Description

一种基于电网线路运行误差远程校准的电能表有序换装方法

技术领域

本发明属于电能计量领域，尤其是一种基于电网线路运行误差远程校准的电能表有序换装方法。

背景技术

需求预测是计量中心运营管理人员通过对业扩新装、定期轮换、工程改造、故障换表的历史数据和在途工单数据进行挖掘，分析计量器具年度、月度用表需求量以及影响需求变化的因素，设计需求预测模型，对计量物资进行年度、月度以及阶段性的需求数量预测，指导需求计划合理编制。目前，尚缺少系统的电能表有序换装方法。

经过初步检索，未查找相近的已公开专利文献。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种基于电网线路运行误差远程校准的电能表有序换装方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：本方法的具体步骤为：

⑴预测计量装置需求

在对业扩项目计量装置进行需求预测时，首先要确定出计量装置的类型，在进行需求预测调整时，需要将业务类型进行细分；

业扩项目计量装置需求量历史数据具有明显的长期趋势、季节变动、循环变动和不规则变动的特点；在需求预测预测时认为不规则变动对计量装置需求量的影响较小，可以不予考虑；

不同业务子类计量装置需求发生的概率通过对历史数据的样本中统计计算得到，或通过贝叶斯定理计算出需求发生的条件概率；

建立需求预测模型：

m_t+1＝S_t+1×T_tt+1×C_t+1×I_t+1。

⑵排定预定到货计划、全检计划和配送计划，实现各类计量设备到货、检定等自动化编制及排班；

⑶构建基于物流网络一体化设计模型的仓储配送网络布局优化模型,设定各级各类库房规划建设面积和存货区域面积。

而且，所述S_t+1表示的是业扩项目某种类型的计量装置第t+1月对应的季节指数，季节指数的S计算方法为：

首先收集历年各月业扩项目计量装置需求量的历史数据y_ij，其中i代表年份，j代表月份(i＝1,2,3…n,j＝1,2,3……12)，y_ij表示的第i年j月份的业扩项目计量装置的需求量；

而且，所述T_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的长期趋势的预测值，预测长期趋势T的计算方法为：

通过数据分析和数据拟合，选择二次曲线T_t＝a+bt+ct²拟合趋势，其中a，b，c为参数；运用最小二乘法，求得参数a，b，c

而且，所述C_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的循环变动的预测值，预测周期变动C的计算采用Holter-winter双参数指数平滑法的预测，需要两个参数和三个方程式：

F_t+m＝A_t+B_tm

A_t＝αx_t+(1-α)(A_t-1+B_t-1)

B_t＝γ(A_t-A_t-1)+(1-γ)B_t-1

在上述的三个式子当中，x_t表示的是第t期循环要素的实际值，α和γ表示的是两个平滑系数(0≤α，γ≤1)，m表示循环要素外推预测时期数，

F_t+m表示预测的循环要素的预测值。

而且，采用历史数据的样本中统计计算需求发生概率的方法：采用直方图估计，直接估计总体分布的密度函数f(x)，具体是将总体分布所可能集中的区域分成k个相互连接的区间，用δ₁，...，δ_k同时记这些区间和他们的长度，

记P_j＝P(x∈δ_j)根据频率逼近概率的原理，当n趋于无穷时应该收敛于p_j，另一方面，根据微积分中值定理，对位于δ_j中心的x_j有：

因此用作为总体密度的估计，从而统计计算出工程项目需求发生的概率。

而且，采用贝叶斯定理计算的条件概率的方法，采用如下数学模型

通过贝叶斯公式和全概率公式的计算，就可求得需求发生的条件概率P(B_i|A)，P(B_i)的值可以通过对历史数据的统计分析得到。

本发明的优点和积极效果是：

1、本方法依据各单位的设备领用需求，将生产计划的所有相关因素进行综合考虑，采用运筹学理论和专业的数学建模方法，智能分析设备需求、库存情况、生产能力、检定能力、配送能力、检修情况、对安全库存的要求等因素，自动排定下个月的预定到货计划、全检计划和配送计划，实现各类计量设备到货、检定等自动化编制及排班。

2、本方法的应用能够使得整个生产过程更有序，提高生产管理的自动化、智能化、精细化管理水平，有效提高了库存周转率、降低了安全库存、减少了成本。

3、本发明更为提高需求数量精准、科学、合理性，辅助公司制定有针对性的采购计划，提升现场用表需求响应及时性，对于智慧型物流建设具有重要指导意义。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：本方法的具体步骤为：

⑴在对业扩项目计量装置进行需求预测时，首先要确定出计量装置的类型，在进行需求预测调整时，需要将业务类型进行细分；

业扩项目计量装置需求量历史数据具有明显的长期趋势、季节变动、循环变动和不规则变动的特点；在需求预测预测时认为不规则变动对计量装置需求量的影响较小，可以不予考虑；

⑵不同业务子类计量装置需求发生的概率通过对历史数据的样本中统计计算得到，或通过贝叶斯定理计算出需求发生的条件概率；

建立需求预测模型：

m_t+1＝S_t+1×T_t+1×C_t+1×I_t+1。

理论依据

电网公司计量装置的需求预测建立在大量的历史需求数据的基础上，其需求存在着一定的规律性特点，可通过研究过往历史数据存在的特点来进行未来需求的预测。

关于需求预测方法的研究比较成熟，在对物资进行预测时，较多采用的是定量的需求预测，例如：基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等；基于因果分析模型的回归分析预测法、基于统计学习理论以及结构风险最小原理的支持向量机预测法、基于人工智能技术的人工神经网络算法等。

在深入分析了电力公司计量装置的实际需求特性后，建立了基于贝叶斯理论的时间序列分解预测模型，其理论依据如下：

(1)时间序列分解预测模型理论依据

时间序列就是将历史数据按时间顺序排列的一组数字序列，而时间序列预测方法就是根据这些历史数据，利用数理统计方法加以处理来预测事物发展的趋势。

对于趋势项的分离和估计，针对不同的原始数据，在何书元的《应用时间序列分析》、张树京的《时间序列分析简明教程》等著作及吴进军的《时间序列分解预测法及周期因素的探讨》等文章中己介绍如下方法：移动平均法，最小二乘估计法，指数平滑法，三段求和法等多种算法。

很多事物的发展都是在时间序列上展开的，而且是经济、产业、外部因素共同作用的结果，像计量装置需求量的历史统计序列中就已经包含了各种因素影响和作用的信息，如政策干预、自然因素、经济发展等的影响，还包括了变量内部的自相关因素，如长期趋势、季节波动、循环因素和不规则因素等影响因素。因此，时间序列分解法是一种比较合适的方法。

(2)基于贝叶斯统计的需求预测理论依据

通过贝叶斯方法进行需求预测研究的，最早是从外国学者Scarf开始的，其在论文研究中假设需求是固定不变的，并且给出了一个模型，模型当中认为基本需求分布属于指数分布，并指出累计需求是经过对历史数据充分统计得到的结果，δ_i表示预测的第i期的需求^[13]。贝叶斯方法同样也被应用到了需求的季节性问题当中，国外学者Murray认为对于一些具有季节性需求的产品，不同时期顾客所购买的可能性是不同，作者利用贝叶斯方法来更新不同季节时期顾客购买某一产品的可能性来进行需求预测^[14]。国内学者吴继峰在产品上市销售后得到的实际需求数据基础上，通过贝叶斯更新方法更新模型参数，使模型参数随着产品销售而滚动更新，进而不断修正模型参数产生滚动需求预测提高了模型预测的准确度^[15]。

贝叶斯概率的预测理论广泛应用于各行各业。例如：风险控制，新产品市场，疾病研究等领域已有很多研究成果。在新产品市场预测研究方面，Wu S.David,Kempf Karl G等人提出贝叶斯概率预测理论，通过整合产品生命周期中出现的各种信息来减少预测差异。这一理论模型在英特尔得到成功实施，大大降低了预测误差，为公司节省了大量成本。

模型建立

在深入分析了业扩项目和非业扩项目计量装置的需求特性后，发现非业扩项目需求较为平稳，有较强的季节性等特点，可选择时间序列分解预测模型作为非业扩计量装置的需求预测方法。而对于业扩项目，受政策、社会环境、资金、工程规模等各种因素影响，需求波动大，单纯的时间序列分解预测模型预测效果并不理想。因此在数据分析的基础上，借鉴国内外相关预测研究成果，提出新的基于贝叶斯统计的需求预测调整模型的需求预测方法。

在构建具体的模型前，我们根据实际情况做出了如下的假设：

(1)在对业扩项目计量装置进行需求预测时，首先要确定出计量装置的类型，在进行需求预测调整时，需要将业务类型进行细分。

(2)业扩项目计量装置需求量历史数据具有明显的长期趋势、季节变动、循环变动和不规则变动的特点。在需求预测预测时认为不规则变动对计量装置需求量的影响较小，可以不予考虑。

(3)不同业务子类计量装置需求发生的概率可以通过对历史数据的样本中统计计算得到，也可以通过贝叶斯定理计算出需求发生的条件概率。

(4)对于业扩项目的工程项目来说，我们假设其需求会发生在答复供电方案后的1～n天之内。

基于以上合理的假设，构建了如下的需求预测模型：

m_t+1＝S_t+

其中，上式所述中：

t：代表的是当前的月份；

t+1：代表的是当前月份的下一个月；

M_t+1：代表的是业扩项目某种类型的计量装置第t+1月时的需求预测量；

m_t+1：代表通过时间序列分解预测模型得到第t+1月的业扩项目某种类型的计量装置初步预测结果；

g：代表的是业扩项目的业务类型的种类(g＝1，2，...G)；

k：代表的是第t+1月前需求未发生的业扩项目的工程项目的编号(k＝1，2，...K)；

D_gk：表示的是g业务类型编号为k的工程项目的需求未发在t月的计量装置需求量；

P_(t+1)gk：表示的是g业务类型编号为k的工程项目需求发生在t+1月的概率；

l：代表的是第t+1月前需求已经发生的业扩项目的工程项目的编号(l＝1，2，...L)；

d_gl：代表的是g业务类型编号为l的工程项目的需求发生在t月的计量装置需求量；

P_tgl：表示的是g业务类型编号为l的工程项目发生需求发生在t月的概率；

S_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的季节指数；

T_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的长期趋势的预测值；

C_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的循环变动的预测值；

I_t+1：表示的是业扩项目种类类型的计量装置第t+1月对应的不规则变动的预测值，一般情况下默认为1。

在上述模型当中，对于S_t+1、T_t+1和C_t+1的预测值将在下节的算法实现中进行详细阐述。

基于贝叶斯统计的时间序列分解预测模型的实质是首先对计量装置需求的历史数据进行分析，采用分解预测的方法得到初步需求预测的结果。而后基于工程项目的实际需求发生情况，采用贝叶斯定理对需求发生的概率进行更新，从而得到最终的需求预测结果。

算法分析

(1)计算季节指数S：

首先收集历年各月业扩项目计量装置需求量的历史数据y_ij，其中i代表年份，j代表月份(i＝1,2,3…n,j＝1,2,3……12)，y_ij表示的第i年j月份的业扩项目计量装置的需求量；

(2)预测长期趋势T

通过数据分析和数据拟合，选择二次曲线T_t＝a+bt+ct²拟合趋势，其中a，b，c为参数。

运用最小二乘法，求得参数a，b，c

(3)预测周期变动C

本课题运用Holter-winter双参数线性指数平滑法预测周期变动。在原理上，Holter-winter双参数线性指数平滑与单指数平滑法类似，但是它不采用二次指数平滑，而是直接对趋势直接进行平滑。由于它可以用不同的参数对时间序列的趋势进行平滑，因此具有很大的灵活性，Holter-winter双参数指数平滑法的预测，需要两个参数和三个方程式：

F_t+m＝A_t+B_tm

A_t＝αx_t+(1-α)(A_t-1+B_t-1)

B_t＝γ(A_t-A_t-1)+(1-γ)B_t-1

在上述的三个式子当中，x_t表示的是第t期循环要素的实际值，α和γ表示的是两个平滑系数(0≤α，γ≤1)，m表示循环要素外推预测时期数，

F_t+m表示预测的循环要素的预测值。

(4)时间序列分解预测

在时间序列分解预测模型当中，不规则因素I对计量装置需求量时间序列影响较小，本文不再考虑不规则因素。通过分解，并运用不同的方法对S、T、C的值进行了预测，按照乘法分解模型的公式，第t+1期的计量装置需求量的预测值为：

m_t+1＝S_t+。

(5)计算工程项目需求发生概率

直方图估计是直接估计总体分布的密度函数f(x)最简单、最常用的一种密度函数估计方法。将总体分布所可能集中的区域分成k个相互连接的区间，用δ₁，...，δ_k同时记这些区间和他们的长度。设x₁，...，x_k为样本观测值，记

n_j＝x₁，...，x_n为落在δ_j中的个数，j＝1，...，k

记p_j＝P(x∈δ_j)根据频率逼近概率的原理，当n趋于无穷时应该收敛于p_j，另一方面，根据微积分中值定理，对位于δ_j中心的x_j有：

(4-18)

因此用作为总体密度的估计，从而统计计算出工程项目需求发生的概率。

(6)条件概率计算

根据贝叶斯定理，求解计量装置需求发生时间的条件概率。

设实验E的空间样本S，A为E的事件，如果B₁，B₂...B_n互不相容，

B₁∪B₂∪...∪B_n＝S，且P(B_i)＞0(i＝1，2，...，n)，则根据乘法定理和条件概率有：

P(AB_i)＝P(A|B_i)P(B_i)＝P(B_i|A)P(A)

将全概率公式代入可得：

通过贝叶斯公式和全概率公式的计算，就可求得需求发生的条件概率P(B_i|A)，P(B_i)的值可以通过对历史数据的统计分析得到。

(7)基于贝叶斯的概率调整预测

对于业扩项目的工程项目来说，我们假设从答复供电方案开始时，其需求产生的时间在1天到n天后。需求产生的时间在答复供电方案1天后为A₁事件，其概率为P(A₁)；需求产生时间在f天后为A_f事件，其概率为P(A_f)；以此类推，需求产生时间在n天后为A_n事件，其概率为P(A_n)。因为需求必定会发生在答复供电方案后的n天内，因此可得到：

基于贝叶斯更新的调整模型的第t+1期的调整量为m_t+1 ^*：

需求调整模型中包含了需求调整增加量和需求调整减少量，调整减少量指的是对于需求已经发生在第t月的l工程项目，该工程项目的需求则不会发生在t+1月，那么需要在时间序列分解模型预测的结果上进行减少，该工程项目项目发生在t月的概率为P_tgl，在预测时则需要在初步预测的结果上减去其需求量为d_glP_tgl。而调整增加量指的是对于需求未发生在第t月的k工程项目，那么该工程项目的需求发生在第t+1月的概率就会变大，因此也就需要在时间序列分解模型预测的结果上进行调整增加，该工程项目发生在t+1月的条件概率经过贝叶斯更新后为P_(t+1)gk，在预测时则需要在初步预测的结果上减去其需求量为D_gkP_(t+1)gk。

上述式子中需求发生概率P_(t+1)gk和P_tgl是根据工程项目的实际情况，依据贝叶斯统计的相关定理不断变化的，并且不同类型业务的需求发生的概率是不同的。

计量中心依据各单位的设备领用需求，将生产计划的所有相关因素进行综合考虑，采用运筹学理论和专业的数学建模方法，智能分析设备需求、库存情况、生产能力、检定能力、配送能力、检修情况、对安全库存的要求等因素，自动排定下个月的预定到货计划、全检计划和配送计划，实现各类计量设备到货、检定等自动化编制及排班。

通过三维组态、视频监控、生产实时数据，对生产过程进行智能化的跟踪及监控，对于因到货、设备故障、系统升级等造成的检定生产计划延误、计划调整等情况，及时掌握执行进度和偏差，并滚动修正，压缩管理层级，使得整个生产过程更有序，提高生产管理的自动化、智能化、精细化管理水平，有效提高了库存周转率、降低了安全库存、减少了成本。

本方法采用的APS称为高级计划系统(Adanced Planning System)，或者称之为高级计划与排程(Advanced Planning and Scheduling)。它是一个计划排程系统，通过考虑到特定企业可能出现的约束因素，包括人物料供应、库存情况、生产工时、工艺路线、人工情况、工人工时、设备产能、当前负荷等方面，对企业的生产情况进行控制和计划，在生产排程过程中给管理人员更精确、更实际的生产计划，保证订单及企业的高效运行。

考虑到天津电网计量中心的实际情况属于生产排程问题中的静态排程问题，即所有待安排加工的工作均处于待加工状态，在进行一次排程后，各作业的加工被确定并在以后的加工过程中不再改变。计量中心的管理与决策人员必须对生产过程中带有各种约束条件的到货、检定、配送等复杂决策问题做出快速、准确的反应。因此智能生产排程课题选用APS理论为依据，合理确定计量中心智能生产排程问题的目标和约束条件，并使用混合整数规划的最优化规划方法和分支定界法对天津电网计量中心的实际问题进行建模求解。

通过对计量生产业务流程的梳理及全寿命周期管理要求，本课题依据APS理论建立了优化模型。模型综合考虑了需求预测、物料供应周期、中心安全库存、轮换上班制度、设备检定能力及其检修计划、运输等因素，并将影响因素整理、归类，确定出模型中到货、检定、库存、配送四类约束。最终建立了以成本和库存最低为目标函数，以每月的到货计划、检定计划、配送计划为决策变量的基于混合整数规划的计量生产计划优化模型。

该计量生产计划优化模型包括：智能排程目标函数和约束条件。其中目标函数为：

其主要包含两部分：一是总存储费用，二是配送成本。其中：h_i表示单位存储成本；I_i表示产品i的期末库存；I′_i表示产品i的原材料期末库存；表示产品i对需求点c在时间周期t的配送量；∈_i表示配送费用。

排程优化约束条件包括：

(A)到货约束：

(A1)保证新品月采购量不超出检测线的检测能力以及安全库存:

其中表示产品i的到货量；u_m表示生产线m一个生产周期的生产能力(台/轮)；β_mt表示生产线m在一个时间t内的生产周期数；σ_m表示(identical)第m类成产线的数量；η1表示时间周期t生产线m加班情况下转换成生产能力的比例系数；产品i的原材料(新品)的安全库存。

(A2)保证每一种类别的新品月采购量能够保证下一周期的需求量：

其中G_i表示产品i预测需求量；表示成品i的安全库存；表示新品i的安全库存；I_i表示成品i的期末库存；I′_i表示新品i的期末库存。

(A3)保证每一种类别的新品月采购量不超出相应检测线的检测能力：

其中为0-1变量，表示采购产品i否则

(B)检测约束：

(B1)保证检测量和库存量满足需求量及安全库存量：

其中表示批次v的产品i在时间周期t的检测量；表示产品i的成品期初库存；d_ict表示周期t内需求点c对产品i的需求量。

(B2)在加班和检修条件下的检测任务分配：

其中为0-1变量，表示时间周期t生产线m需要加班，否则

为0-1变量，表示安排时间周期t生产线m进行检修，否则η2表示时间周期t生产线m检修情况下转换成生产能力的比例系数。

(B3)在任何时间周期内，任务排程都不能超过检测线的检测能力：

其中为0-1变量，表示时间周期t生产线m生产产品i，否则

(C)库存约束：

(C1)表成品i的库存平衡，即产品i的期初库存和检测量之和，与配送量的差值为期末库存：

(C2)新品i的库存平衡，即新品i的期初库存和检测量之和，与配送量的差值为期末库存：

其中表示产品i的新品期初库存；λ_i表示新品i的到货量。

(C3)保证成品和新品的期末库存均高于安全库存：

，

(D)配送约束：

(D1)保证每周配货量不超过配送班的最大配送能力：

其中α_i表示产品i配送能力的转化率；Q_t表示车队在时间周期t的最大工作量。

(D2)满足需求：

(D3)若对需求点C进行产品i的配送，要保证配送量不超过最大配送能力：

其中为0-1变量，表示时间周期t有产品i配送至需求点C，否则为0。

模型的输出包括月度到货计划、周检定计划以及周配送计划。其中月度到货计划是根据月度需求预测，结合各站所实际上报需求及库存情况进行平衡、调整后，实现月度采购量的辅助决策。周检定计划是根据当月实际需求、到货情况、库存情况、生产能力等因素综合考虑，以月(四周)为单位编制的指导计量中心检测/检定的计划。该计划结合计量中心安全库存情况进行平衡、调整后，实现周生产量以及日生产情况的辅助决策。周配送计划是根据当月实际需求、库存情况、配送能力等因素综合考虑，以月(四周)为单位编制的细化到每个供电公司、每种产品的配送计划。该计划与生产、库存、到货情况联动，帮助管理者实现周配送量以及日配送情况的辅助决策。

该模型采用混合整数规划的方法，实现了到货、检定、配送全流程的智能排程，有效规避了人工经验的不足，实现计量生产计划的科学制定、高效执行。该方法不仅及时满足供电单位及其站所(二级分库和直配库)的用表需求，同时大幅削减中心库存和生产成本，为计量中心实现智能化运作提供强有力的支撑。

算法分析

基于混合整数规划的计量生产计划模型，课题小组采用分支定界算法。分支定界是解决离散和组合优化问题的一种算法设计范式，基于此衍生出branch(分支)、cut(切割)和price(定价)等对解空间不同角度的操作。

分支定界算法采用分步解决的策略，首先把原问题的解空间划分为一系列的子空间，然后对相应的子问题逐个优化求解。例如，令S为问题的解集，并且c∈R^S为S中元素对应的目标值的向量。假定需要找到S中目标值最小的元素并且已知为通过启发式算法得到的一个较优解。分支定界算法采用的是逐步搜索解空间的策略，而在定界阶段，求解的是一个松弛后的问题(因此解往往不是原问题的可行解，且不属于解集S)。通过求解松弛问题而得到一个原问题最优解的下界。如果该解属于S或者与有相同的值，则求解过程结束：要么该解为最优解，要么为最优解；否则，将解集S分成n个子集，S₁,S₂,...,S_n，且每一个子集都称为一个子问题；有时S₁,S₂,...,S_n也叫做S的后代。然后把S的后代加入候选子问题序列，就是分支。

从候选子问题序列中选取一个进行处理，会遇到四种情况之一：如果找到了一个优于的可行解，那么把替换掉然后继续；如果该子问题没有解，则将其删掉；如果有解，则与下界对比，如果大于或等于现在的下界，则同样把该子问题删掉；最后，如果无法再删除子问题了，则需要再次分支并补充候选问题序列。该过程不断迭代直到候选序列为空，则当前解即为最优解。

分支切割算法建立在分支定界算法的基础之上，即在松弛问题基础上加入有效不等式从而加强对解空间的收敛，可以看作是分支定界和面切割算法(Cutting planealgorithm)的整合。

本课题所考虑的组合优化问题可以表述为CP＝(E,F)，其中为变量基集，为可行集。c∈R^E为费用函数。与F中的元素对应的关联向量可以看作是全部关联向量中服从一小部分约束不等式的向量集合，例如在最初的松弛问题(将改为)中的约束。令P为F中元素对应关联向量的凸包，那么由Weyl’s定理可知，存在一个有效不等式的集合，使得

其中，L为模型不等式约束的集合，这些不等式可以看做备选的切割平面，在需要时加入松弛问题里。但穷举L的所有不等式往往计算上十分困难，有时甚至可以直接用线性规划求解该松弛问题。对此，给L中的每一组约束赋予两个参数μ₁和μ₂，分别代表该约束出现的被选中的概率和在最近几次迭代中被选中的频率，且随着每次迭代更新，保留对结果收敛性最好的约束。

智慧型物流

合理的仓储网络布局可以在保障计量物资供应、优化总体配送服务水平的要求下，应用运筹学思想，综合考虑库房建设和运维成本、仓储配送成本等因素进行分析，根据库房属性、计量装置类别和供应模式，考虑需求增长、地域等因素，遵循充分利旧原则，兼顾客户需求、设施能力、服务水平、配送形式、地域性差别、资产属性等约束条件，依据仓储配送总费用和服务质量融合平衡的设计原则，建立可行的数学模型，构建基于物流网络一体化设计模型的仓储配送网络布局优化模型,设定各级各类库房规划建设面积和存货区域面积。

从系统效率和服务水平出发，首先需要对系统总费用进行一体化处理。其中，分库扩建费用、关闭节约费用以及平库建设费用分摊到规划期内各年内进行考虑时，记分摊系数

关于存储费用，网络总存储费用就是所有计量分库的总存储费用与站所平库的总存储费用之和，即所有计量分库和建设的站所平库的总固定存储费用和总可变存储费用之和。根据实际业务需要，站所平库只存放指定类型的计量装置，如高压电流互感器，批量新装业务下的各类计量装置等，因此，站所平库中的产生的总存储费用只与高压/批量业务表计有关。而计量分库可以存储所有表计，特别是在三级配送模式下，由于高压/批量业务表计不能存储在站所周转柜中，因此，高压/批量业务表计要一直存储在计量分库中直至被领走到现场安装，及相比于日常维护下的其他表计，高压/批量业务表计会在计量分库中多存储一个站所周转周期。

网络总配送费用，即电能计量装置在整个网络中流通产生的全部配送运输费用，包括计量装置从计量中心到计量分库，从计量分库到站所及从计量中心到站所三个层次的配送费用之和。

在对整个电网系统的实际测算中,整个电网系统各库房的周转率和相应的单位配送成本均已知，可直接将数据代入模型计算；至于对参数周转率进行敏感性分析阶段，周转率变化下的配送成本则需要重新测算，根据前面对周转率和配送成本影响关系的分析，当网络结构和站所需求一定时，周转率增加导致网络中配送总成本增加，因此单位配送成本增加，结合实际配送成本变动规律，将单位配送成本按如下公式量化：

其中，分别是与取值不同的站所、分库周转率。

根据整个电网系统计量装置仓储配送业务的特点，对既有模型进行改进，将直配考虑到既有模型中，实现对普通三级配送和中心库直接配送并存的差异化配送模式的定量刻画。基于此，提出如下模型：

其中：目标函数总费用包括站所平库的建设费用、计量分库的扩建总费用、关闭节约费用(可正可负)、网络运营的总配送费用和总存储费用以及服务惩罚费用。其中，网络运营的总存储费用包括所有计量分库及建设的站所平库的总固定存储费用和总可变存储费用。

关于约束条件：

(1)是计量分库保留数目上限约束；

(2)是配送模式选择约束，即同一站所只能对应一种配送模式(计量分库配送或计量中心直配)，同时站所的需求必须得到满足且不被分割；

(3)要求高压表计必须存储在计量分库；

(4)要求站所的需求必须由正在运营的计量分库满足；

(5)要求正在运营的计量分库至少应满足一个站所的需求；

(6)是相关变量的定义范围。

关于配送服务时限的约束，通过配送路径可达性来体现。具体而言，当配送距离超出配送范围时，对应的单位运输费用设置为无穷大。

首先进行仓储直配网络的布局，从影响因素分析和需求分析入手，可以得到仓储网络设计所需要的系统参数。

影响因素分析主要包括需求特点，网络运营成本，设施能力约束，服务水平，电能表计量器具的回收，其他相关影响因素六个方面。需求分析主要应用协同规划、预测与补货模型，对整个物流网络的需求进行分析和管理。

仓储网络设计是由系统参数和决策原则所决定的，这些参数和决策原则的相关理论决定了仓库选址、配送模式、运力分配和服务能力等。对上述的四个方面同时考虑到数学模型之中。通过数学模型找到在满足服务能力约束条件下最佳的仓储选址、最优的配送模式和最合理的运力分配方式。

由于数学模型相对较为复杂，采用启发式算法对数学模型进行求解，最后针对实际的需求情况对结果进行评价和分析，为管理者提供科学的决策建议。

仓储网络设计模型输出的直配站所和二级分库的位置、数量等结果将成为配送任务排程的基础数据，即作为配送任务所需满足的配送点与配送任务排程紧密衔接。

尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。

Claims (6)

1.一种基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：本方法的具体步骤为：

⑴预测计量装置需求

在对业扩项目计量装置进行需求预测时，首先要确定出计量装置的类型，在进行需求预测调整时，需要将业务类型进行细分；

业扩项目计量装置需求量历史数据具有明显的长期趋势、季节变动、循环变动和不规则变动的特点；在需求预测预测时认为不规则变动对计量装置需求量的影响较小，可以不予考虑；

不同业务子类计量装置需求发生的概率通过对历史数据的样本中统计计算得到，或通过贝叶斯定理计算出需求发生的条件概率；

建立需求预测模型：

<mrow> <msub> <mi>M</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>m</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>G</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>D</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <msub> <mi>P</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>G</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>g</mi> <mi>l</mi> </mrow> </msub> <msub> <mi>P</mi> <mrow> <mi>t</mi> <mi>g</mi> <mi>l</mi> </mrow> </msub> </mrow>

m_t+1＝S_t+1×T_t+1×C_t+1×I_t+1。

⑵排定预定到货计划、全检计划和配送计划，实现各类计量设备到货、检定等自动化编制及排班；

⑶构建基于物流网络一体化设计模型的仓储配送网络布局优化模型,设定各级各类库房规划建设面积和存货区域面积。

2.根据权利要求1所述的基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：所述S_t+1表示的是业扩项目某种类型的计量装置第t+1月对应的季节指数，季节指数的S计算方法为：

首先收集历年各月业扩项目计量装置需求量的历史数据y_ij，其中i代表年份，j代表月份(i＝1,2,3…n,j＝1,2,3……12)，y_ij表示的第i年j月份的业扩项目计量装置的需求量；

<mrow> <msub> <mi>S</mi> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mrow> <mfrac> <mn>1</mn> <mrow> <mn>12</mn> <mo>&amp;times;</mo> <mi>n</mi> </mrow> </mfrac> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>12</mn> </msubsup> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>.</mo> </mrow>

3.根据权利要求1所述的基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：所述T_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的长期趋势的预测值，预测长期趋势T的计算方法为：

通过数据分析和数据拟合，选择二次曲线T_t＝a+bt+ct²拟合趋势，其中a，b，c为参数；运用最小二乘法，求得参数a，b，c

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>a</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>4</mn> </msup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mrow> <mi>n</mi> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>4</mn> </msup> <mo>-</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>b</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>ty</mi> <mi>t</mi> </msub> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>c</mi> <mo>=</mo> <mfrac> <mrow> <mi>n</mi> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mrow> <mi>n</mi> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>4</mn> </msup> <mo>-</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>t</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>

4.根据权利要求1所述的基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：所述C_t+1：表示的是业扩项目某种类型的计量装置第t+1月对应的循环变动的预测值，预测周期变动C的计算采用Holter-winter双参数指数平滑法的预测，需要两个参数和三个方程式：

F_t+m＝A_t+B_tm

A_t＝αx_t+(1-α)(A_t-1+B_t-1)

B_t＝γ(A_t-A_t-1)+(1-γ)B_t-1

在上述的三个式子当中，x_t表示的是第t期循环要素的实际值，α和γ表示的是两个平滑系数(0≤α，γ≤1)，m表示循环要素外推预测时期数，

F_t+m表示预测的循环要素的预测值。

5.根据权利要求1所述的基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：采用历史数据的样本中统计计算需求发生概率的方法：采用直方图估计，直接估计总体分布的密度函数f(x)，具体是将总体分布所可能集中的区域分成k个相互连接的区间，用δ₁，...，δ_k同时记这些区间和他们的长度，

记p_j＝P(x∈δ_j)，根据频率逼近概率的原理，当n趋于无穷时应该收敛于p_j，另一方面，根据微积分中值定理，对位于δ_j中心的x_j有：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;ap;</mo> <mfrac> <mn>1</mn> <msub> <mi>&amp;delta;</mi> <mi>j</mi> </msub> </mfrac> <msub> <mo>&amp;Integral;</mo> <msub> <mi>&amp;delta;</mi> <mi>j</mi> </msub> </msub> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>x</mi> <mo>=</mo> <mfrac> <msub> <mi>p</mi> <mi>j</mi> </msub> <msub> <mi>&amp;delta;</mi> <mi>j</mi> </msub> </mfrac> <mo>;</mo> </mrow>

因此用作为总体密度的估计，从而统计计算出工程项目需求发生的概率。

6.根据权利要求1所述的基于电网线路运行误差远程校准的电能表有序换装方法，其特征在于：采用贝叶斯定理计算的条件概率的方法，采用如下数学模型

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>A</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>|</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>|</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

通过贝叶斯公式和全概率公式的计算，就可求得需求发生的条件概率P(B_i|A)，

P(B_i)的值可以通过对历史数据的统计分析得到。