能源互聯網背景下供應鏈智慧監控與預警研究

林江剛

(江蘇省工程咨詢中心，江蘇 南京 210003)

能源互聯網是進入21世紀后在“互聯網+”能源的基本架構上搭建起來的，將發電、輸變電、能源燃料供應等各個領域的物聯網數據進行充分整合，最終形成的互聯網體系。能源互聯網的本質是能源大數據，其功能實現來自對大數據的深度挖掘和人工智能技術。在能源互聯網支持下，各電廠的能源燃料配送、各種相關設施的耗材和設備配件供應，以及相關的供應鏈保障措施，在理論上可以得到大數據支持，即保證整個相關供應鏈體系可以得到有效監控并提供數據預警。

文獻[1]研究了將能源互聯網的數據融合用于解決能源產業的運行效率，其中實現智慧供應鏈是該文獻的重要展望方向；陳積光等[2]研究了在電力系統物聯網基礎上搭建智慧供應鏈的有效途徑；賈景姿等[3]在供應鏈運作參考模型(supply-chain operations reference model,SCOR模型)基礎上對能源互聯網體系進行了優化，并使其大數據得到了更深度的挖掘應用；王棟等[4]研究了將區塊鏈的智能合約技術應用到能源互聯網智慧供應鏈的實現過程，實現了去中心化的智慧供應鏈模式。

可以看出，2015年前能源互聯網及其應用仍處于概念研究階段，該技術在當前技術條件下仍為“互聯網+”能源體系中的前沿課題，但因為早期單項物聯網的硬件建設已經初具規模，所以能源互聯網的相關功能建設推進速度較快[5]。本文對能源互聯網支持智慧供應鏈的功能實現進行研究，有助于進一步完善能源互聯網的整體研究[6]。

1 能源互聯網與智慧供應鏈技術基礎分析

1.1 能源互聯網的技術基礎

眾所周知，能源互聯網的本質是對與能源相關的物聯網、互聯網數據進行融合。物聯網數據通過網橋設施與公共互聯網整合，同時在各相關互聯網數據中心(internet data center，IDC)的應用程序接口(application programming interface，API)服務器之間構建邏輯連接。而能源互聯網本身的云計算架構需要在專用IDC中構建，用于控制能源互聯網本身的數據資源并提供相應的云計算功能，如圖1所示。

圖1 能源互聯網的數據來源及數據采集模式

圖1中，獨立物聯網數據通過協議轉化網橋與公共互聯網連接，特定IDC下的功能物聯網將數據整合到本地IDC后，IDC數據與公共互聯網連接，部分不涉及物聯網的相關功能IDC機房的相關數據直接與公共互聯網連接，而能源互聯網的專用IDC設施從公共互聯網中獲得相關數據，數據在各自API服務器之間使用加密傳輸構建邏輯連接[7]。

能源互聯網專用IDC的構建模式與傳統IDC并無顯著差異，其數據倉庫部分、計算中心部分、云計算服務支持部分、任務管理部分、防火墻及網絡安全部分、路由及訪問行為控制部分均使用常規布局；與其他相關IDC和網橋設施之間的數據傳輸，使用基于API服務器搭建的加密邏輯連接構成虛擬子網，以滿足在公共互聯網上傳遞弱脫敏涉密數據的傳輸需要[8]。在王楠[9]對于基于區塊鏈實現可搜索加密公平性的研究中可以看出，使用區塊鏈加密技術或使用其他對稱密鑰加密等手段，可以保障數據的安全性。

1.2 智慧供應鏈的技術基礎

智慧供應鏈的基本架構能否不斷地運行，關鍵在于物資的物流和交易過程，在交易過程上構建交易平臺、物資數據平臺、物流追溯平臺、供應鏈金融平臺，對于智慧供應鏈的運行起到了極為關鍵的作用。智慧供應鏈可以通過相關數據來判斷相關物資的倉儲量和需求量的關系，且可以實現對相關物資和供應鏈資金的調用，如圖2所示。

圖2 智慧供應鏈的基本構成圖

圖2中，以相關物資的實際流通過程構成物流層，相關的物聯網體系包括倉庫管理系統、物流管理系統、進銷存系統、內部市場化系統等。該體系通過獲取倉庫內的相關物資的數量推算其用量，服務于物流層的各個相關功能。金融層中相關賬戶的授信額度和賬戶余額，也作為信息反饋給智慧供應鏈相關功能模塊。智慧供應鏈系統的數據來源見表1。

表1 智慧供應鏈的數據來源匯總表

2 智慧供應鏈的數據分析算法

2.1 數據回歸及曲線估計策略設計

五階多項式回歸在大部分數據分析平臺中均可得到應用，包括金山的VBS數據分析、Python的數據分析、LAMP的數據分析等平臺。這些數據分析平臺將數據回歸和曲線估計過程進行了封裝，所以本文僅對數據回歸及曲線估計的策略進行分析。五階多項式在1/10周期內擁有較高的數據趨勢信度，在1/100周期內擁有較高的數據量值信度，即在1 000步長的離散數據中，使用五階多項式策略進行曲線估計，向前延伸100步長，其數據趨勢仍有較高信度，向前延伸10步長，其數據量值仍有較高信度。

五階多項式的基函數為：

(1)

式中：Y為最終估計的曲線；M為原數據的總步長數；Aj為在第j階多項式項中的待回歸變量；Xi為第i個輸入數據。

為充分做出數列的曲線估計，提升最終的數據量值估計精度和數據信度，可以采用原值-差值法進行雙向回歸和數據擬合。即對Xi序列進行回歸的同時，使用ΔXi=Xi-Xi-1構成差值序列，并對差值序列同步進行曲線估計。實際的曲線估計預測值使用下述平差算法進行數據擬合：

(2)

式中：Y′(Xi)為平差后的最終估計值；Y(Xi)為第i個步長的量值估計值；ΔY(Xi)為第i個步長的差值估計值。

式(2)為迭代公式，經過深度迭代后，該估計值將更加精確。表1中買方倉庫的物資余量、買方倉庫的物資調用量、買方支付賬戶資金余額、買方授信余額等信息，均需要進行曲線估計分析并作出預警。

2.2 數據預警的模糊矩陣設計

為每個數據設定一個預警紅線，即該值低于或者高于該預警紅線時，代表該數據應被管理干預。低于紅線預警的數據，被稱作上部控制數據；高于紅線預警的數據，被稱作下部控制數據。其中，物資余量、支付賬戶資金余額、授信余額等，為上部控制數據，物資調用量數據為下部控制數據。為使數據預警更加具有前瞻性，對數據紅線進行衍生層次劃分，見表2。

表中X為預警紅線值，如1.0X就是1.0倍預警紅線值。針對該紅線衍生層次布局，對下部控制方法和上部控制方法設定數據預警模糊矩陣，可得表3和表4。表4中D為曲線估計結果的導數值等效斜率。

在該模糊矩陣策略下，可以實現對表1中買方倉庫的物資余量、買方倉庫的物資調用量、買方支付賬戶資金余額、買方授信余額等信息的曲線估計結果進行一定前瞻周期的數據預警。其算法數據流如圖3所示。

表2 數據紅線的衍生層次布局設計表

表3 下部控制方法模糊控制矩陣設計

表4 上部控制方法模糊控制矩陣設計

圖3 本文算法的數據流圖

3 數據仿真驗證及討論

3.1 本文系統的數據仿真驗證

本文選擇2個變電站、2個燃煤發電廠、2個風光一體化新能源電廠共6個能源互聯網用戶的設備庫智慧供應鏈歷史數據作為數據仿真驗證原始數據，按照1/10的數據劃分，使用前90%數據作為實驗數據，使用后10%數據作為驗證數據。數據的曲線估計結果偏差程度的仿真結果詳見表5。

表5 數據仿真準確率結果表 %

從表5可以看到，對1/100步長比的短周期數據估計值，數據精度控制在±1.00%以內；對5/100步長比的中長周期數據的估計值，數據精度控制在±2.00%以內；對10/100步長比的長周期數據的估計值，數據精度控制在±6.00%以內。如此可以認為，本文設計的算法在實際分析過程中，在1/100步長比的短周期數據和5/100步長比的中長周期數據中，數據精度處理擁有較高的參考價值；而在10/100步長比的長周期數據中，對數據變化趨勢有較高的參考價值。

在10/100步長比條件下，如果數據的曲線估計可用的原始數據時間設定為2 a，步長為1 d，那么，可用原始數據步長數為730條的記錄，其短周期估計能力為7 d，中長周期估計能力為35 d(約1月)，長周期估計能力為73 d(約2.5月)。由此可知，該估計能力可以基本滿足大部分供應鏈的實際智慧運行需求。

3.2 本文系統的應用場景

本文系統中對買方庫存的曲線估計及數據預警，可以幫助能源系統的運行管理單位及時制定產品的采購計劃，防止出現相應問題后因為備用物資儲備不足而導致系統維護延期，更可以避免因過度儲備相應物資造成的資金浪費。

在對買方支付賬戶及相關授信進行數據預警時，一方面可以幫助能源系統的運行管理單位及時調整資金規劃，確保供應鏈的資金供應，選擇對應金融機構的資金服務項目；另一方面也可與合作金融機構合作，實現對特定賬戶的主動授信管理，完善相應的金融服務產品和金融服務體系。

在本文系統的后續延伸開發中，還可以引入其他數據的采集和分析過程，實現更多的智慧供應鏈應用。

3.3 相關算法的選擇原則

如圖3所示，本文在選擇算法時，并未采用機器學習相關算法。這是因為機器學習的統計學本質就是數據的深度迭代回歸，而本文不僅采用了順序程序下的深度迭代差值分析和平差計算，同時還兼用剛性算法完成對數據的曲線估計。這是由于機器學習過程需要更多的數據倉庫存量數據和更大算力的浮點工作站提供支持，且數據響應周期較長，硬件占用量較大。

本文對于相關算法的選擇過程中，采用了較少的浮點工作站算力，實現了在最小IDC規模下更高精度的數據曲線估計和迭代回歸分析。但是在實際算法設計過程中，本著足夠但不過度冗余的算法設計理念，可以使用最小硬件條件和數據生產環境，實現需求的功能。本文的IDC系統占用的硬件較少，可以與用戶機構管理中的其他相關IDC設施一起實現機房物理空間的共享，節省了電力、空調等其他IDC附屬設施的投資。該算法選擇過程本身也是供應鏈優化的重要組成部分。

4 結束語

能源互聯網是一種新型的“互聯網+”能源的實現方式，也是重要的戰略互聯網資源，其目的是為了保障能源系統的充分數據融合，同時實現更豐富的應用層功能，在各項功能的應用下提升能源系統相關企業和機構的“互聯網+”行業生態優化效果。本文采用的算法實現了長周期數據預警的基本功能，可以在現有能源互聯網硬件基礎上實現精準的智慧供應鏈數據支持。