基于融合模型的無人倉自動補貨策略

方 璟 徐 明 萬家樂 胡歡

(國網電力科學研究院武漢南瑞有限責任公司 武漢 430074)

0 引 言

對于國網智慧倉儲建設示范項目無人值守型專業倉而言，維持充足的備品備件庫存是保證應急事件處理和電力設備搶修速度的必要條件，另一方面，過量的備品備件庫存不僅會占用大量資金，還會對備品備件實際使用壽命造成一定損害[1].

補貨策略的核心是基于歷史及現時數據，獲取精準預測未來需求量的模型和方法[2].逯曼皎等[3]提出根據輸出的補貨矩陣表動態調整補貨周期.黃國興等[4-5]將隨機森林用于需求量預測.羅薇等[6]以服務響應時間為約束條件，以庫存成本及缺貨成本最小化為目標建立備件兩級庫存決策模型.Yoo等[7-10]分別將ARIMA、LSTM、LightGBM、XGBoost等模型用于補貨量預測，在某些方面表現出良好特性.

當前，倉儲管理系統通常使用的補貨方法主要庫存警戒線法、平均消耗量法和同期消耗對比法三種.依據“庫存警戒線”的庫存補充方法并沒有脫離人為因素的影響，倉儲業務人員憑借經驗和直覺設定庫存的合理數量(上限、下限等)的方式并不科學，沒有體現出倉儲系統數字化管理的價值.“平均消耗量法”的核心在于時間區間劃分，通常會利用目標控制天數(如某類物資的訂貨周期)來計算物資的平均消耗量，但此方法僅適用于消耗量波動不大的物資.“同期消耗量對比法”無法準確預測出各類物資受氣候等因素引發的突發需求，還需要補貨業務管理人員對特定情況或應急時間具有豐富的專業知識和經驗.

文中基于多種物資用量模型的無人值守型電力專業倉自動補貨調度策略，進一步優化備品備件等物資補充方案.

1 基于融合模型的補貨策略

構建專業倉物資數量的融合模型，形成無人值守型電力專業倉的自動補貨策略，用于支持倉儲物資的補貨流程運轉，見圖1.

圖1 基于融合模型的補貨策略

自動補貨策略用于對智慧倉儲的物資補充進行管理.根據倉儲系統提供的物資歷史申領數據、出入庫記錄、物資基礎數據、氣象環境數據、實時事件數據以及設置的相關調節參數等，通過運用合理的數學公式及融合模型自動分析和預測各類物資未來的消耗量，并表示為可供參考的物資消耗趨勢，對無人值守型電力專業倉的各類物資庫存量進行預警，生成合理的補貨方案(含補貨周期、補貨量等參數)，同時，也支持倉儲管理系統的業務人員基于專業知識和處理經驗對例外情況進行方案修訂.由此，通過科學合理的補貨方案來節省人力資源，加快倉儲物資的周轉來提高物資利用率、減少庫存備品備件積壓或短缺狀況.

1.1 物資分類

電力專業倉存放多種類的備品備件，可以通過倉儲管理系統提取各類物資的出入庫記錄進行大數據分析，計算各種物資的出庫(領用/消耗)量波動特征(波動變化量占平均每次出庫量的百分比)，并采用聚類算法，根據波動特征對倉內備品備件進行類型劃分，確定需求平穩(需求波動率小于等于20%)、需求波動較大(波動率大于20%)物資.

本文采用融合模型計算物資補貨量，對于大多數需求平穩的物資，加大其中物資需求預測模型的權值；對于少數需求波動較大的物資，加大庫存限值模型的權值.

1.2 物資需求預測模型

1.2.1模型構建

通用逼近定理(universal approximation theorem, UAT)指出，具有單個隱藏層的前饋網絡(加合適的非線性單元)，在包含有限數量的神經元情況下，可以逼近原空間區間內的任意連續函數.BP神經網絡具有任意復雜的模式分類能力和優良的多維函數映射能力，從結構上講，BP網絡具有輸入層、隱藏層和輸出層；其算法本質是以網絡誤差平方為目標函數、采用梯度下降法來計算目標函數的最小值.

通過對已掌握的無人值守型電力專業倉數據的篩選和特征提取，以及物資需求預測課題的調研，本文構建三層BP網絡結構作為預測模型的基礎，采用tanh函數作為激活函數，以備件物資需求預測量為輸出，迭代過程中根據BP網絡結構輸出值與預期值之間的差值，動態調整網絡的權值.

1.2.2算法步驟

GM(1, 1)算法應用分為以下步驟.

步驟1構造序列 將BP網絡的預測誤差作為灰色關聯預測模型GM(1, 1)的原始序列，得到

x(0)=(x(0)(1),x(0)(2),…,x(0)(n))

(1)

進而得到累加數據

(2)

步驟2級比值計算 計算原始數據的級比值

(3)

步驟3構建GM(1, 1)并計算預測值.

(4)

使用回歸分析求出a、b估計值，得到白化模型.

(5)

推得

(6)

從而得到預測值.

(7)

進而得到原始數據對應的預測值.

(8)

由式(8)，易得到基于預測模型的計劃補貨量.

(9)

步驟4相對誤差計算

(10)

根據式(10)計算相對誤差，相對誤差值越小越好，如小于20%則說明模型擬合良好.

步驟5后驗差比檢驗 后驗差比值C為殘差方差與數據方差的比值，用于衡量模型的擬合精度情況，如后驗差比C值越小代表擬合效果越好，一般應小于0.65.

步驟6模型殘差檢驗 模型殘差檢驗為事后檢驗，主要用來計算相對誤差值和級比偏差值.級比偏差值也用于衡量擬合情況和實際情況的偏差，一般該值小于0.2即可.

1.3 物資庫存限值模型

1.3.1庫存下限的計算

根據某類備件物資補貨提前期以及歷史統計數據，利用安全庫存計算公式計算其庫存量下限.

(11)

式中：dQoS為—定服務水平下的庫存安全系數；σdailydemand該物資日需求量的標準差數值；Tlead為補貨提前期天數.

表1為 不同服務水平(QoS)對應的庫存安全系數.

表1 不同服務水平(QoS)對應的庫存安全系數

1.3.2補貨周期的計算

對于某類備件物資，可以依據單次補貨成本、單位物資存儲成本、年需求量等參數來計算該物資平均訂貨周期

(12)

式中:corder為單次訂貨成本；cstorage為單位物資的年存儲成本；D為該物資的年需求量.

1.3.3庫存上限的計算

補貨策略的物資庫存量上限是以滿足補貨周期加補貨提前期時段內的物資需求量為標準的，通過式(13)計算物資庫存量上限.

Iupper=(Torder+Tlead)×Rdemand+Ilower

(13)

式中:Torder為補貨周期的天數；Tlead為補貨提前期的天數；Rdemand為物資日均需求量；Ilower為物資庫存量下限.

1.3.4補貨量的計算

確定好某類備件物資的庫存限值后，進一步根據其當前的庫存量來確定補貨量，此時須考慮在途到貨量和待出庫數量，得到該物資的基于庫存限值模型的計劃補貨量

Qthreshold=k×Ilower-Vtransit-Vnow+Vout

(14)

式中:k為調節系數(初始值設為2)；Ilower為物資的庫存下限；Vtransit為物資的在途量；Vnow為物資的當前庫存量；Vout為物資當前(補貨時刻)的待出庫量.

1.4 融合補貨方案

根據式(9)及式(14)計算得到基于兩種模型的補貨量，并進行加權處理得到最終的補貨量.

Q=α×Qforecast+(1-α)×Qthreshold

(15)

對于某一類物資，可經過反復測算得到合適的α值，將補貨量Q與該類物資的最小的補貨批量進行比較，當補貨量Q大于最小批量時，按補貨量Q采購；當補貨量Q小于最小批量時，按最小批量采購.

2 實驗及分析

2.1 物資需求預測

采用交叉驗證，將BP網絡輸入層、隱含層、輸入層神經元數量分別設為四個、九個和一個，選用tanh函數作為激活函數，需求預測平均誤差較小.物資需求的實際值和BP預測值比較見圖2和表2.

圖2 利用BP網絡預測需求量

表2 BP網絡需求預測誤差

由表2可知：BP網絡模型預測值與物資真實值的平均相對誤差為13.397 2%.，將BP網絡的預測誤差作為灰色關聯預測模型GM(1,1)的原始序列，根據式(3)計算得原始數據的級比值，見表3.

表3 GM(1, 1)模型級比值

發展系數a為0.000 2，灰色作用量b為-65.085 1，后驗差比C值為0.503 1，小誤差概率ρ值為0.800 0.

GM(1, 1)模型誤差和物資需求真實值與預測值比較見表4～5.

表4 GM(1,1)模型誤差

表5 物資需求真實值與預測值比較

由表5可知：經過BP網絡和GM(1,1)模型處理，最終物資需求預測值與真實值的相對誤差最大值為2.451 1%，優于僅用BP網絡求得需求預測值與真實值的平均相對誤差13.397 2%.

2.2 庫存成本及周轉率

提取基于倉儲業務經驗的庫存警戒法補貨方案的相關數據，依據無人倉基礎參數的設置，與采用基于融合模型的補貨方案進行實驗比較，從庫存管理成本和周轉率觀察兩種補貨方案的效能.

在某物資的補貨方案中，一個觀測周期內的庫存管理總成本

ctotal=n×corder+Q×cunit+

(16)

而該觀測周期內的庫存周轉率

(17)

上述各式中n為觀測周期內該物資的補貨次數；corder為單次補貨的開銷；Q為補貨數量；cunit為該物資的單位價格；Vstart和Vend分別為該物資觀測周期起始時刻和結止時刻的庫存量，而cstorage為該物資的單位存儲成本，假設corder=10×cunit，cunit=10×cstorage.

圖3為本文方案與傳統補貨方案庫存管理總成本和周轉率比較，本文方案相較傳統庫存警戒方案，庫存管理總成本至少下降6.09%，庫存周轉率至少提高28.54%.

圖3

3 結 束 語

針對無人值守型電力智慧專業倉的實際情況，文中提出了自動補貨策略實現各類物資備件的庫存控制，提升了整體運營的質量.其中，利用聚類算法根據物資需求的波動性進行物資分類，基于物資歷史申領數據、出入庫記錄、物資基礎數據、氣象環境數據、實時事件數據等通過融合模型獲得補貨方案，給出各類備品備件的具體補貨周期、數量等詳細信息，在降低運行成本的同時大大提高了智慧倉儲的作業效率.實驗結果表明，基于融合模型的補貨策略在庫存總成本、庫存周轉率指標比較中均優于基于庫存警戒法的補貨策略.