一種新型智能電力物資倉儲信息管理系統

鄒俊榮，劉 銳，李燁桐，石雪松，陶新民

(東北林業大學 工程技術學院，哈爾濱 150040)

0 引 言

隨著社會經濟的不斷發展，電力企業面臨著越來越激烈的市場競爭，而電力物資的倉儲管理直接影響著電力企業的發展和效益[1-2]。隨著電子以及物聯網等技術的不斷進步與日益成熟，信息系統識別技術得到了飛速的發展[3-4]。將信息技術應用到電力物資倉儲管理體系中，建設智慧倉儲網絡，完善智能倉儲信息管理系統越來越受到電力物資企業的重視[5-6]。

同時，隨著電力物資需求的日益增多，電力行業面臨著客戶需求復雜、采購周期長、需求預測困難等諸多問題，這對電力物資的需求管理和庫存管理提出了巨大的挑戰，因此，對電力物資進行需求預測和庫存控制越來越受到企業的重視[7]。

近年來，支持向量回歸機(Support Vector Regression，SVR)算法被應用于越來越多的領域，付強等[8]將SVR算法用于奶牛飼料能量消耗的預測上，于慧春等[9]將SVR算法用于預測加熱食用油反式脂肪酸的含量上，ZHANG Xianxia等[10]將SVR算法用于快加熱加工中。龔巍[11]、丁紅衛等[12]將BP神經網絡算法應用于電力物資的庫存控制與需求預測上，取得了很好的效果，但對于小樣本數據的處理，SVR算法優于BP神經網絡算法，表現出更高的精度。

因此，對電力物資倉儲信息進行智能化管理，提升倉儲信息讀取與識別效率，提高需求預測的準確性，降低資金占用率和物資浪費是至關重要的。本文將近場通信技術(Near Field Communication，NFC)的標簽讀寫模塊PN532 NFC RFID V3和一款基于ARM Cortex-M 內核STM32系列的32位的微控制器STM32F103C8T6相結合，設計了一個電力物資倉儲信息讀取與寫入裝置，它可以對有源NFC標簽進行信息讀取與寫入，并且可以將收集到的信息通過4G DTU通信以及Zigbee無線通信進行信息回傳，與遠程PC端管理系統相結合，為需求預測收集準確的歷史數據。由于本系統的數據具有小樣本的特點，而SVR算法正適合于小樣本特性，所以遠程PC端管理系統采用SVR算法進行電力物資需求預測，實現電力物資的科學智能化預測和管理。

1 系統總體結構

新型電力物資倉儲信息管理系統主要由電力物資倉儲信息讀取與寫入裝置以及電力物資倉儲信息預測與管理系統組成。電力物資倉儲信息讀取與寫入裝置對有源NFC標簽中的信息進行讀取與寫入，將電力物資的基本狀態等信息進行采集與發送。電力物資倉儲信息預測與管理系統則對讀取與寫入裝置發送的信息進行處理，并將處理后的信息通過遠程客戶端管理系統進行可視化顯示。服務器接收讀取與寫入裝置以及信息管理系統上傳的信息數據，以接收到的數據為預測數據，客戶端的上位機軟件通過SVR算法對電力物資的需求量進行預測，從而對發生的各種情況進行監測與預測。

2 電力物資倉儲信息讀取與寫入裝置

以近場通信技術為基礎的電力物資倉儲信息讀取與寫入裝置主要由電源供電模塊、NFC標簽讀寫模塊、32位微控制器STM32F103C8T6模塊、4G DTU通信模塊、Zigbee無線通信模塊以及LCD顯示電路模塊組成，如圖1所示。

圖1 電力物資倉儲信息讀取與寫入裝置的組成

3 遠程客戶端管理系統

3.1 系統設計

遠程客戶端管理系統由遠程客戶端管理系統、服務器數據庫以及客戶端上位機軟件組成。其功能在于對電力物資倉儲信息讀取與寫入裝置發送的數據信息進行處理，以便為預測提供準確的數據。數據信息也會由電力物資倉儲信息讀取與寫入裝置上傳到服務器數據庫中進行存儲，來保證數據庫中數據信息的安全性和傳輸的穩定性。客戶端的上位機軟件會訪問服務器中的數據庫來接收相應的數據信息，通過SVR算法對電力物資的需求量進行預測，上位機軟件設計流程圖如圖2所示。

圖2 上位機軟件設計流程圖

3.2 上位機算法設計

在上位機算法設計部分，引入SVR對電力物資進行需求預測和庫存控制。

3.2.1 SVR

支持向量機(Support Vector Machine，SVM)是針對經典的二分類問題提出的，SVR是SVM在函數回歸領域的應用。SVR的樣本點只有一類，所尋求的最優超平面不是使兩類樣本點分得“最開”，而是使所有樣本點離超平面的“總偏差”最小。這時，樣本點都在兩條邊界線之間，求最優回歸超平面等價于求最大間隔。SVR有線性SVR和非線性SVR兩類，本文采用非線性SVR。

3.2.2 非線性SVR模型

非線性SVR的基本思想是通過事先確定的非線性映射將輸入向量映射到一個高維特征空間(Hilbert空間)中，然后在此高維空間中再進行線性回歸，從而取得在原空間非線性回歸的效果。

首先將輸入量x通過映射?：Rn→H映射到高維特征空間H中，用函數f(x)=ω·?(x)+b擬合數據(xi,yi),i=1,2,…,n。則二次規劃目標函數為

·(?(xi)·?(xj) )+

(1)

式中：α、α*為Lagrange乘數；?(x)為映射函數；y為擬合數據；ε為不靈敏度函數。

式(1)涉及到高維特征空間點積運算?(xi)·?(xj)，而且函數?是未知的，高維的。SVM理論上只考慮高維特征空間的點積運算K(xi,xj)=?(xi)·?(xj)，而不直接使用函數?。稱K(xi,xj)為核函數，核函數的選取應使其為高維特征空間的一個點積，核函數的類型有多種，常用的核函數有：

多項式核：K(x,xi)=(〈x,xi〉+d)p,p∈N,d≥0；

B樣條核：K(x,xi)=B2N+1(||x-xi||)；

因此，目標函數變為

可求的非線性擬合函數的表達式為

f(x)=ω·?(x)+b

(2)

式中：b為函數參數。

4 SVR預測模型

4.1 建立與測試

上位機基于需求特征的電力物資分類過程可分為SVR模型的訓練階段和測試階段。這兩個階段均需要一定數量的實驗數據，分別用于模型的訓練和測試。為了使模型與實際更加符合，通過日夜不停的記錄和統一的標準來獲得完整準確的SVR預測模型所需的樣本數據。在SVR預測模型訓練階段，選取準備的訓練樣本集數據以前12個月的需求量(前一年3～12月需求量，當年1～2月需求量)作為輸入量x，以當年3月的需求量作為對應的輸出量y。

依據經驗選取常用的高斯核函數，在模型的測試階段，以實際的待測數據組成測試集輸入x，按照式(2)計算SVR預測模型的輸出函數f(x)，即可得出最終的預測結果。

4.2 結果與分析

為了驗證SVR預測模型的性能，分別選用傳統的LR和BP神經網絡方法進行對比測試。其中，LR方法相對簡單，可以參照文獻[13]建立；BP神經網絡方法采用預測常用的GA-BP神經網絡模型，可以參考文獻[14]建立。為了評價算法整體預測性能且方便與其他預測算法進行比較，以預測性能評價普遍采用的平均絕對誤差MAE、平均絕對百分比誤差MAPE和均方根誤差RMSE為指標進行比較，以上指標值越小表示預測性能越好。

以MAE、MAPE和RMSE為預測評價指標，將SVR方法與LR和GA-BP神經網絡方法進行預測對比，每個方法分別進行30次，取預測誤差結果的均值，以消除隨機性的影響，訓練和測試階段的性能比較分別見表1和表2。

表1 訓練階段不同方法下的指標比較

表2 測試階段不同方法下的指標比較

由表1和表2可以看出，在訓練階段和測試階段中SVR算法的3個預測評價指標MAE、MAPE和RMSE均優于LR和GA-BP算法。

訓練及測試結果表明，SVR算法在電力物資需求預測上比LR算法和GA-BP算法更加準確。

5 結 語

電力物資在進出庫和儲存過程中的信息管理以及電力物資供應不及時導致的項目工期拖延對電力物資的庫存管理和需求預測提出了更高的要求。采用硬件和軟件相結合的方式來解決這一問題，硬件部分以近場通信NFC技術為基礎，實現了對電力物資信息的庫存管理；軟件部分采用SVR預測模型，實現了對電力物資的需求預測。經試驗測試，SVR算法在小樣本條件下比LR算法和GA-BP算法預測精度更高，可以作為電力物資需求預測的新型方法。