CN111598288A - 一种基于物资全过程数据的物资需求预测管理方法 - Google Patents
一种基于物资全过程数据的物资需求预测管理方法 Download PDFInfo
- Publication number
- CN111598288A CN111598288A CN202010132425.3A CN202010132425A CN111598288A CN 111598288 A CN111598288 A CN 111598288A CN 202010132425 A CN202010132425 A CN 202010132425A CN 111598288 A CN111598288 A CN 111598288A
- Authority
- CN
- China
- Prior art keywords
- data
- electric power
- process data
- overall process
- materials
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000008571 general function Effects 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000008439 repair process Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种基于物资全过程数据的物资需求预测管理方法，包括利用物资全过程数据平台获取电力物资全过程数据；根据获取的数据对电力物资需求进行预测；优化电力物资的存储模式；综合管理电力物资动态仓储。本发明的有益效果：本发明针对应急物资利用大数据分析技术对不同时间、不同地点、不同设备的运行状态和环境进行预测，实现以指导应急抢修物资种类、规模和地点的提前存储，提高电网公司物资管理的前瞻性，在确保电网运行可靠性支撑的同时降低电网企业的运行成本。
Description
技术领域
本发明涉及电力物资信息处理的技术领域，尤其涉及一种基于物资全过程数据的物资需求预测管理方法。
背景技术
电力物资是电网建设过程中的基本保障，但是当前物资管理工作呈现的“物资数据碎片化、物资储备机械化、主体责任模糊化”现状，使得电网公司对物资的信息掌握如同“盲人摸象”一般，将直接影响物资管理工作精细化的目标。详细表现为物资数据碎片化和物资储备机械化。
因此，随着电网企业的发展和转型，数据的利用问题是制约物资管理工作跨越式发展的主要瓶颈。随着物联网、大数据、人工智能等技术的发展，数据的获取和利用将比以往任何时期都要方便和便捷，因此充分利用电力物资在采购和生产环节的数据，提升电网物资的管理水平，降低企业运行成本将会物资管理提升的重要突破点。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：提出一种基于物资全过程数据的物资需求预测管理方法，解决数据的利用问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于物资全过程数据的物资需求预测管理方法，包括利用物资全过程数据平台获取电力物资全过程数据；根据获取的数据对电力物资需求进行预测；优化电力物资的存储模式；综合管理电力物资动态仓储。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述电力物资全过程数据的获取包括，电力物资台账信息的获取；电力物资现场应用信息的获取，包括与物资相关的设备运行状态数据信息的获取。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述电力物资台账信息包括，各类物资设备台账规范，获取物资设备的不同电压等级、不同物资设备的分类原则、各类电力物资设备的台账结构、功能位置和物理设备，并建立设备的编码标识原则；结合电力物资数据库访问的优化漏斗法则，分别从减少数据访问与交互次数、返回更少有用数据、减少CPU及内存开销得到电力物资相关信息的优化获取与存储原则。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述电力物资现场应用信息包括，电力设备的试验报告、管理系统、在线监测系统中的相关数据或信息，基于信息检索方法与存储方法原则，多样化和自动化获取数据。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：电力物资需求进行预测包括，针对设备的故障概率和电网故障受灾程度进行预测；根据投运的电力物资的品种、时间、位置、故障缺陷进行统计分析，预测不同区域、不同时间、及不同设备的故障概率；利用大数据分析技术，综合气象预警数据、设备运维数据预测电网物资受灾害程度。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：电力物资需求进行预测还包括采用最小二乘支持向量机、回声状态网络及正则化极限学习机的多层级综合预测模型；所述最小二乘支持向量机，用等式约束代替SVM中的不等式约束，使得原有的二次规划问题求解转换为线性方程组的求解，其优化问题表示为：
上式根据拉格朗日乘子法和KKT条件求解。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述回声状态网络用于非线性时间序列的预测，包括定义u(n)、y(n)和x(n)分别表示输入样本、输出样本及内部状态向量；定义Win、Wintr、Wout、Wback分别表示输入权值矩阵、内部权值矩阵、输出权值矩阵和输出反馈矩阵；ESN采用大规模系数网络建立低维输入样本到高维状态空间的映射，采用线性回归法训练得到输出连接权值，极大简化了网络训练，其状态向量及输出向量更新公式为：
x(n+1)＝f(Winu(n+1)+Wintrx(n)+Wbacky(n))
y(n+1)＝fout(Wout[u(n+1),x(n+1)])
式中：f和fout分别为储备池和输出层的激活函数。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述优化电力物资的存储模式包括采用蚁群优化算法，利用蚂蚁群体在搜索食物的过程中，通过个体在所经过的路径上留下的信息素来引导整个蚁群找到离食物源最近的路径。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：综合管理电力物资动态仓储包括基于决策树的物资仓储辅助决策，通过对数据进行处理，利用归纳算法生成可读的规则和决策树，使用决策对新数据进行分析，并根据确定电力物资动态仓储管理系统需求来确定系统的总体功能架构图。
作为本发明所述的基于物资全过程数据的物资需求预测管理方法的一种优选方案，其中：所述总体功能架构图采用B/设计架构模式，包括客户显示层、业务逻辑层和数据逻辑层三层架构，用户通过浏览器对系统数据进行访问，系统服务器收到访问请求后，WEB服务器对数据请求进行及时的应答。
本发明的有益效果：本发明针对应急物资利用大数据分析技术对不同时间、不同地点、不同设备的运行状态和环境进行预测，实现以指导应急抢修物资种类、规模和地点的提前存储，提高电网公司物资管理的前瞻性，在确保电网运行可靠性支撑的同时降低电网企业的运行成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一种实施例所述基于物资全过程数据的物资需求预测管理方法的流程示意图；
图2为本发明第一种实施例所述回声状态网络结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2的示意，本实施例提供一种基于物资全过程数据的物资需求预测管理方法，能够将分散在当前物资、生技等不同系统中的物资相关数据，集成形成物资过程数据，针对日常物资储备，建立日常物资按时保质供应，针对应急物资利用大数据分析技术对不同时间、不同地点、不同设备的运行状态和环境进行预测，实现以指导应急抢修物资种类、规模和地点的提前存储，根据极端气象的预警信息，对电网受灾程度进行沙盘推演，根据推演结果，构建应急物资+供应商应急储备+社会力量储备的三级重大灾害存储模式，提高电网公司物资管理的前瞻性，在确保电网运行可靠性支撑的同时降低电网企业的运行成本。
具体的，一种基于物资全过程数据的物资需求预测管理方法，包括如下步骤：
S1：电力物资过程数据获取：综合现有电力物资管理系统及电力设备的现场应用情况；本步骤中包括，
电力物资台账信息获取：针对不同电压等级、不同物资设备的分类原则、各类电力物资设备的台账结构、功能位置、物理设备和部件的标识原则，结合电力物资数据库访问的优化漏斗法则，分别从减少数据访问与交互次数、返回更少有用数据、减少CPU及内存开销等方面研究电力物资相关信息的优化获取与存储。
电力物资现场应用信息获取：针对电力设备的试验报告、管理系统、在线监测系统中的相关数据或信息，基于前述思路研究高效的信息检索方法与存储方法原则，实现数据获取的多样化和自动化。
S2：电力物资需求预测：对设备的故障概率和电网故障受灾程度进行预测；预测以配电变压器为例，根据配电变压器损坏更替的情况，结合气象数据、文本数据、地理数据，构造正负样本集，进行损坏概率的预测。
本步骤具体包括，
对投运的电力物资的品种、时间、位置、故障缺陷等进行统计分析，预测不同区域、不同时间、及不同设备的故障概率；
利用大数据分析技术，综合气象预警数据、设备运维数据预测电网物资受灾害程度。
可选的，采用最小二乘支持向量机、回声状态网络及正则化极限学习机等的多层级综合预测模型来提高预测精度。
最小二乘支持向量机：用等式约束代替SVM中的不等式约束，使得原有的二次规划问题求解转换为线性方程组的求解，其优化问题可表示为
式中可根据拉格朗日乘子法和KKT条件求解。求解的结果即为支持向量机模型的参数，即对好坏样本进行划分的超平面，也就是模型本身。利用该模型，结合实际的设备数据，即可预测设备损坏的概率，从而在物资仓储的时候有一个指导的估值。
回声状态网络用于非线性时间序列的预测，因为设备的数据是有不同时间窗的采样，因此是时间序列数据。
其网络结构如图2所示。图中，u(n)、y(n)和x(n)分别表示输入样本、输出样本及内部状态向量；Win、Wintr、Wout、Wback分别表示输入权值矩阵、内部权值矩阵、输出权值矩阵和输出反馈矩阵。ESN采用大规模系数网络建立低维输入样本到高维状态空间的映射，采用线性回归法训练得到输出连接权值，极大简化了网络训练，其状态向量及输出向量更新公式为：
x(n+1)＝f(Winu(n+1)+Wintrx(n)+Wbacky(n))
y(n+1)＝fout(Wout[u(n+1),x(n+1)])
式中：f和fout分别为储备池和输出层的激活函数。上式求解的结果可以不断重复，按时间窗口的划分可以得到各个时间段的设备故障概率，提供更多的物资仓储指导。
S3：电力物资存储模式优化，采用蚁群优化算法确定日常物资与应急物资的不同需求量，生产需要一定时间，全部生产完毕一次交付。
需要说明的是，采用蚁群优化算法，利用蚂蚁群体在搜索食物的过程中，通过个体在所经过的路径上留下的信息素来引导整个蚁群找到离食物源最近的路径。基于蚁群优化算法的仓储管理技术是在分析不同的仓库之间的逻辑关系，忽略系统的实际布局和一些不必要的细节，将仓储货物的运输费用节约问题简化为一个数学的布局优化问题。
S4：力物资动态仓储综合管理。具体包括：
采用决策树算法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析；
确定电力物资动态仓储管理系统需求，包括用户管理功能、参数设定功能、数据处理功能、状态信息功能、分类系统功能、基础资料管理功能、单据处理功能、业务处理功能、数据查询功能、报表制定功能、单据格式设置功能和库存报警。
需要说明的是，综合管理具体方案是：
从电网数据系统中，获取损坏物资的数据信息，对数据进行处理和筛选，获取有效数据信息，清除脏数据；
利用电网数据信息，结合外部数据如气象数据、地理条件数据，对需要更换的数据进行分类预测；
根据预测概率，对所需仓储的数据进行统一量化；
设计实时的电力物资存储方案。
据此确定系统的总体功能架构图。
可选的，总体功能架构图采用B/设计架构模式，包括客户显示层、业务逻辑层和数据逻辑层三层架构，用户可以通过浏览器对系统数据进行访问。系统服务器收到访问请求后，可以通过WEB服务器对数据请求进行及时的应答，且客户端零安装、零维护，扩展容易。
系统设计完成之后，对系统功能进行测试，主要分为两个方面：测试系统各功能页面的反应速度和测试系统数据传输速度，以确定系统在很好保证系统各功能的流畅度，能够的很好的保系统数据的及时传输服务。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于物资全过程数据的物资需求预测管理方法，其特征在于：包括，
利用物资全过程数据平台获取电力物资全过程数据；
根据获取的数据对电力物资需求进行预测；
优化电力物资的存储模式；
综合管理电力物资动态仓储。
2.如权利要求1所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述电力物资全过程数据的获取包括，
电力物资台账信息的获取；
电力物资现场应用信息的获取，包括与物资相关的设备运行状态数据信息的获取。
3.如权利要求2所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述电力物资台账信息包括，
各类物资设备台账规范，获取物资设备的不同电压等级、不同物资设备的分类原则、各类电力物资设备的台账结构、功能位置和物理设备，并建立设备的编码标识原则；
结合电力物资数据库访问的优化漏斗法则，分别从减少数据访问与交互次数、返回更少有用数据、减少CPU及内存开销得到电力物资相关信息的优化获取与存储原则。
4.如权利要求2或3所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述电力物资现场应用信息包括，
电力设备的试验报告、管理系统、在线监测系统中的相关数据或信息，基于信息检索方法与存储方法原则，多样化和自动化获取数据。
5.如权利要求4所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：电力物资需求进行预测包括，
针对设备的故障概率和电网故障受灾程度进行预测；
根据投运的电力物资的品种、时间、位置、故障缺陷进行统计分析，预测不同区域、不同时间、及不同设备的故障概率；
利用大数据分析技术，综合气象预警数据、设备运维数据预测电网物资受灾害程度。
6.如权利要求5所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：电力物资需求进行预测还包括采用最小二乘支持向量机、回声状态网络及正则化极限学习机的多层级综合预测模型；
所述最小二乘支持向量机，用等式约束代替SVM中的不等式约束，使得原有的二次规划问题求解转换为线性方程组的求解，其优化问题表示为：
上式根据拉格朗日乘子法和KKT条件求解。
7.如权利要求6所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述回声状态网络用于非线性时间序列的预测，包括，
定义u(n)、y(n)和x(n)分别表示输入样本、输出样本及内部状态向量；
定义Win、Wintr、Wout、Wback分别表示输入权值矩阵、内部权值矩阵、输出权值矩阵和输出反馈矩阵；
回声状态网络采用大规模系数网络建立低维输入样本到高维状态空间的映射，采用线性回归法训练得到输出连接权值，极大简化了网络训练，其状态向量及输出向量更新公式为：
x(n+1)＝f(Winu(n+1)+Wintrx(n)+Wbacky(n))
y(n+1)＝fout(Wout[u(n+1),x(n+1)])
式中：f和fout分别为储备池和输出层的激活函数。
8.如权利要求6或7所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述优化电力物资的存储模式包括采用蚁群优化算法，利用蚂蚁群体在搜索食物的过程中，通过个体在所经过的路径上留下的信息素来引导整个蚁群找到离食物源最近的路径。
9.如权利要求8所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：综合管理电力物资动态仓储包括，
基于决策树的物资仓储辅助决策，通过对数据进行处理，利用归纳算法生成可读的规则和决策树，使用决策对新数据进行分析，并根据确定电力物资动态仓储管理系统需求来确定系统的总体功能架构图。
10.如权利要求8或9所述的基于物资全过程数据的物资需求预测管理方法，其特征在于：所述总体功能架构图采用B/设计架构模式，包括客户显示层、业务逻辑层和数据逻辑层三层架构，用户通过浏览器对系统数据进行访问，系统服务器收到访问请求后，WEB服务器对数据请求进行及时的应答。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010132425.3A CN111598288A (zh) | 2020-02-29 | 2020-02-29 | 一种基于物资全过程数据的物资需求预测管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010132425.3A CN111598288A (zh) | 2020-02-29 | 2020-02-29 | 一种基于物资全过程数据的物资需求预测管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598288A true CN111598288A (zh) | 2020-08-28 |
Family
ID=72191117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010132425.3A Pending CN111598288A (zh) | 2020-02-29 | 2020-02-29 | 一种基于物资全过程数据的物资需求预测管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598288A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686582A (zh) * | 2021-03-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN115345388A (zh) * | 2022-10-19 | 2022-11-15 | 山东省地质科学研究院 | 一种砂石资源供需精准分析方法及系统 |
| CN116167541A (zh) * | 2023-04-19 | 2023-05-26 | 南京邮电大学 | 一种基于突发应急情况下自适应配送策略的路径规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844938A (zh) * | 2017-11-14 | 2018-03-27 | 北京许继电气有限公司 | 基于rfid的电力物资全过程管理系统和方法 |
| CN109492961A (zh) * | 2018-09-12 | 2019-03-19 | 中国科学院电子学研究所 | 一种物资管理方法、系统及计算机可读存储介质 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
-
2020
- 2020-02-29 CN CN202010132425.3A patent/CN111598288A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844938A (zh) * | 2017-11-14 | 2018-03-27 | 北京许继电气有限公司 | 基于rfid的电力物资全过程管理系统和方法 |
| CN109492961A (zh) * | 2018-09-12 | 2019-03-19 | 中国科学院电子学研究所 | 一种物资管理方法、系统及计算机可读存储介质 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵民等: "《基于流程的知识工程与创新》", 31 January 2016, 航空工业出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN112686582A (zh) * | 2021-03-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
| CN115345388A (zh) * | 2022-10-19 | 2022-11-15 | 山东省地质科学研究院 | 一种砂石资源供需精准分析方法及系统 |
| CN116167541A (zh) * | 2023-04-19 | 2023-05-26 | 南京邮电大学 | 一种基于突发应急情况下自适应配送策略的路径规划方法 |
| CN116167541B (zh) * | 2023-04-19 | 2023-09-29 | 南京邮电大学 | 一种基于突发应急情况下自适应配送策略的路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598288A (zh) | 一种基于物资全过程数据的物资需求预测管理方法 | |
| CN107784397B (zh) | 一种电网物资需求预测系统及其预测方法 | |
| Wang et al. | 6G-enabled short-term forecasting for large-scale traffic flow in massive IoT based on time-aware locality-sensitive hashing | |
| CN108846691A (zh) | 区域性粮油市场价格监测分析预测系统及监测方法 | |
| US20210081386A1 (en) | Insights for multi-dimensional planning data | |
| Van et al. | Research trends on machine learning in construction management: a scientometric analysis | |
| Sapnken et al. | Modeling energy-efficient building loads using machine-learning algorithms for the design phase | |
| Cai et al. | Optimization of human resource file information decision support system based on cloud computing | |
| CN113222784A (zh) | 用于改善的受监测建筑物环境监测和评分的装置、计算机实现的方法和计算机程序产品 | |
| Jiang et al. | Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data | |
| Guan et al. | Design pragmatic method to low-carbon economy visualisation in enterprise systems based on big data | |
| CN110955413A (zh) | 一种财务数据处理系统 | |
| Kristiani et al. | Air quality monitoring and analysis with dynamic training using deep learning | |
| Feijoo-Martinez et al. | Event analysis on power communication networks with big data for maintenance forms | |
| Zhao et al. | Analysis of enterprise management information system based on cloud computing | |
| Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
| CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
| CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
| Teringl et al. | Asset management system in DSO using business intelligence tools and advanced analytics | |
| CN112560325A (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
| Zarghami | Accommodating Uncertainty in Forecast Generation of Artificial Intelligence Tools in Construction Projects | |
| Wang | Human Resource Network Information Recommendation Method Based on Machine Learning | |
| CN117151496B (zh) | 一种企业架构对齐方法、装置、设备及存储介质 | |
| Chen et al. | Analysis on the Influence Mechanism of Employees’ Active Behavior Based on Data Mining and Mobile Edge Computing Technology | |
| Sáenz-Peñafiel et al. | A Comprehensive Solution for Electrical Energy Demand Prediction Based on Auto-Regressive Models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Hong Inventor after: Tang Chengxuan Inventor after: Jiang Qunqun Inventor after: Chen Jueyi Inventor after: Zhang Xiu Inventor after: Cheng Wenmei Inventor after: Dai Zhou Inventor after: Xu Yidie Inventor before: Yu Hong Inventor before: Tang Chengxuan Inventor before: Jiang Qunqun Inventor before: Chen Yuyi Inventor before: Zhang Xiu Inventor before: Cheng Wenmei Inventor before: Dai Zhou Inventor before: Xu Yidie |
|
| CB03 | Change of inventor or designer information |