基于電力配網物資協議的庫存需求計劃預測方法

劉黎洋 馬曉寧 朱楠 張詩雨 郭子瑤

[摘 要]文章研究了基于電力配網物資協議庫存需求計劃的預測方法，通過分析電力配網物資協議庫存需求計劃的特點和需求規律，創新需求計劃編制模式和構建科學的差異化需求預測模型，運用數據分析和機器學習等方法預測需求。研究結果表明，該預測方法可以提高電力物資需求的預測精度，為電力行業的物資管理提供有效的支持。

[關鍵詞]協議庫存；需求計劃；預測

中圖分類號：F275 文獻標識碼：A 文章編號：1674-1722（2023）23-0007-04

一、研究背景

為深入貫徹落實黨中央國務院提高產業鏈供應鏈現代化水平、保證產業鏈供應鏈安全穩定、建立健全綠色低碳循環發展經濟體系、建設“數字中國”等一系列戰略部署，國網公司提出了“一體四翼”發展布局，服務新發展格局構建。隨著現代智慧供應鏈體系建設的不斷深入，國網遼寧電力在全網采購需求的源頭管理精益化過程中遇到了一些問題，例如預測工作準確率低、數據資源整合深度不夠、專業協同能力欠缺等。

公司利用大數據分析技術手段對相關的采購數據進行實時感知并得出綜合分析結論，有利于形成高效可靠的數據分析預測結果，為公司的決策提供可靠的數據參考，為公司經濟增長提供幫助；同時，推動公司數字化新型基礎設施建設的落地和應用，在數字化新基建的帶動下，從專業個體轉型上升到產業協同升級，形成新基建應用的矩陣效應。

二、研究思路

按照專業協同和精益化管理的原則，貫徹深化全網采購需求統一管理的思想，通過創新需求計劃編制模式，將需求編制工作前延至項目儲備階段；通過構建科學的差異化需求預測模型，綜合考慮各類別項目的不同需求特征，預測不同物資類別的年度采購規模需求；通過引入物資清冊模板，結合需求預測結果，實現高效智能化地編制需求計劃。

三、研究內容

（一）創新需求計劃編制模式

建立需求計劃儲備庫，從項目儲備階段、初步設計階段到建設過程中，始終常態化地開展物資需求編輯提報的優化工作。通過創新的需求計劃編制模式，可以將需求編制工作提前到項目儲備階段，隨著項目的逐步深入設計，需求計劃的內容也會逐步細化和優化。物資管理部門可以隨時掌握物資需求的情況，從而為后續的采購批次安排和物資采購計劃執行提供有效的管理依據。應用需求計劃儲備庫，可以提高采購的時效性和計劃的準確性[1]，改變以往人工按批次提報的工作流程，實現需求計劃在儲備庫中按照項目的進度節點有序、智能地提報。

（二）精準預測采購需求

1.精準預測采購需求

一是采集采購數據資源。通過采集采購數據資源，可以將需求管理工作向前推進，打通公司數據中臺，獲取包括發展、財務、基建等部門在內的數據資源。這些數據包括綜合計劃、財務預算、項目儲備、建設進度方案等信息，能夠自動匯總、智能分析項目類型特征和需求規律。

二是構建科學的預測模型。為了更好地制訂年度需求計劃，需要構建差異化的需求預測模型，綜合考慮不同需求類型的特征。例如，基建項目、技改項目、營銷項目、10kV配（農）網項目及業擴配套項目等，這些項目的需求特征各不相同。因此，需要構建科學的預測模型，預測不同物資類別的年度需求，輔助做好年度需求計劃的編制。

三是集成通用設計模板。為了提高年度需求計劃預測的效率，系統可以預設通用設計物資清冊模板。根據項目的屬性和需求特征，可以快速引用相應的模板，匹配物資參考價格、采購周期和生產周期。這種方式可以大大節省編制年度需求計劃的時間和精力，提高編制效率。

四是智能優化預測結果。通過建立需求預測模型的自學習、自適應機制，可以根據歷史數據的更新迭代，系統自動驗證模型運算的準確性，自主優化模型參數，保證模型的持續有效。這種方式可以實現預測結果的智能優化，提高年度需求計劃編制的工作效率和準確性。

五是聯動實際需求計劃。為了深化通用設計、通用設備、通用造價和標準化工藝在需求側的應用，需要提高設計源頭編制要求。同時，實現年度需求計劃與實際需求計劃的聯動，提高年度需求計劃的應用價值，提升需求管理的全局性和全面性。通過智能聯動，可以更好地滿足實際需求，提高需求管理的效率和準確性。

精準預測采購需求如圖1所示。

2.高效編制采購需求計劃

一是預設物資清冊模板。根據通用設計、典型設計方案或不同區域設備選型習慣，結合歷史采購信息，可以制定不同項目類型、項目規模的物資清冊模板，包括通用設計物資清冊模板、典型設計物資清冊模板和自用物資清冊模板，預置在系統內，供設計人員引用，以節省設計人員的時間和精力，提高編制的效率和準確性。

二是快速編制需求計劃。為了提高編制的效率和準確性，編制人員可以完善項目類型、項目通用設計方案等項目信息，利用系統自主判斷尋找項目匹配的物資清冊模板。設計人員可以直接引用這些模板，僅調整或修改差異部分，以減少編制時間和工作量，提高編制的質量和準確性。

三是智能匹配需求信息。項目管理人員在完善物資需求時間后，系統可以智能匹配參考價格和采購策略，依據物資采購周期和供貨周期，智能匹配采購批次，自動生成采購計劃。這種方式可以減少人工操作和出錯的風險，提高采購計劃的科學性和準確性。

四、構建需求預測模型的主要措施

（一）模型構建思路

基于電力配網物資協議庫存需求計劃的預測方法，是在分析海量協議庫存物資采購歷史數據和項目投資計劃歷史數據的基礎上，以物資小類類別為維度，分析各類物資采購占比，同時結合協議庫存執行情況，本著利庫原則，構建電力配網物資協議庫存需求預測模型。該模型旨在實現物資需求和到貨情況的精準預測，形成完善的協議庫存需求預測體系[2]。利用該體系，可以更好地管理電力物資協議庫存，提高預測準確率，為電力系統的穩定運行提供有力支持。

（二）模型研究內容

1.歷史數據自動獲取

依據項目采購數據分析的數據需求，結合從采購到付款端到端管理流程，梳理需求預測模型構建所需的數據來源。

一是明確項目信息。近三年的項目除基本的項目編碼、項目類型、項目名稱、目的、所屬專業、電壓等級與項目規模等信息外，為開展批次、到貨時間與項目里程碑計劃的相關性分析，需要提供項目的計劃開工時間、計劃竣工時間，項目的實際開工時間、實際竣工時間等信息。

二是明確項目物資采購信息。為滿足跨專業融合管理需要，按照從采購到付款端到端管理流程，需要提供項目相關物資需求計劃、采購計劃、采購申請、采購訂單、入庫、領料、發票報賬、付款申請及采購入庫等信息。

三是采購批次及采購目錄信息。為更好地生成采購計劃信息，需根據采購批次和采購目錄，結合項目的里程碑計劃，得出具體項目的采購批次和采購模式信息，具體信息見表1。

2.完成數據清洗轉換

為提高需求預測模型的準確性，需按照業務分析結果，采用技術手段清洗數據，按專業、類型、模式等維度歸集。

一是制定數據清洗規則，從項目信息完整性、采購業務一致性兩個方面制定清洗規則，項目編碼、投資金額、里程碑計劃必須完整，物資采購在投資占比中要大于10%、小于100%等。

二是開展數據清洗。針對近三年的項目及物資采購需求，編制數據抽取轉換程序，進行數據清理，避免數據缺失或不合理對模型的預測結果造成影響。

三是建立項目物資需求映射標準。基于2019年至2021年的項目數據和采購歷史明細數據，建立項目類型、電壓等級、專業分類、專業細類、物資需求大小類、物料組、數量的對應標準，作為根據項目信息生成物資采購需求的依據。

3.構建需求預測模型

一是確定大數據分析方法。預測方法選取直接關系到后續物資需求及到貨預測的準確性。研究當前多個先進的預測模型算法，在構建預測模型之前綜合考慮模型算法的復雜性、適用性與穩定性等因素，比較各算法與電力配網物資采購業務的數據匹配性、適用性后，在多個預測算法中選擇了隨機森林預測法[3]。

隨機森林預測法是基于集成學習思想，將多棵決策樹集成進行預測的方法。該算法是從原始訓練集中隨機抽取樣本，構建多個子集，每個子集都包含一部分樣本。對于每個子集，使用隨機選擇的特征構建決策樹。在每個節點處，隨機選擇一部分特征進行分裂，增加決策樹之間的多樣性。重復上述步驟多次，生成多棵決策樹。對于新的輸入樣本，讓每棵決策樹進行預測，生成一個預測結果。融合所有決策樹的預測結果，得到最終的預測結果。在分類問題中，采用投票的方式選擇得票最多的類別作為最終的分類結果；在回歸問題中，則可以對所有決策樹的輸出結果取平均值作為最終的預測結果。

隨機森林預測法擁有高準確性、好操作、易訓練、不容易過擬合且可處理大規模數據等優點。在實際應用中，可以根據具體任務選擇合適的決策樹模型和參數設置，通過結合第三方機器學習，快速訓練數據，能夠達到更好的預測效果。

二是確定預測模型因子。按照“二八原則”選取因子，避免非關鍵因素干擾，提高關鍵因素的權重，在保證預測準確性的前提下盡可能地降低模型復雜度。根據數據分析中的項目類型、電壓等級等專業維度，確定模型采取的因子包括：項目類型、項目所屬單位、電壓等級（kV）、專業類別、專業細分、改造目的等。利用皮爾森相關性分析，對可能存在的關聯因子進行相關性分析，選取影響較大的關鍵因子。

（三）需求預測模型分析

需求預測模型數據部分包括數據輸入和預測結果數據兩部分，其中數據輸入為綜合計劃、儲備項目需求計劃數據經過清洗后的數據。預測結果數據為采購規模預測和項目精準預測數據，且相互制約、互相驗證。模型的工作過程分為三個階段，分別為大數據準備、大數據預測及預測輸出結果。需求預測模型分析如圖2所示。

1.大數據準備

綜合計劃、采購歷史明細物資數據抽取、清洗：對綜合計劃和采購歷史明細數據進行清洗抽取有用數據。綜合計劃的主要數據如下：年度、項目編碼、項目名稱、項目所屬單位、電壓等級（kV）、專業類別、專業細分、改造目的、項目內容、開始時間、結束時間、總投資、年度投資計劃（含稅）；采購歷史明細數據如下：年度、采購申請編號、采購申請編號行項目號、供應商/供應工廠、工廠、物料編碼、短文本、物料組、物料組描述、采購訂單數量、訂單單位、采購單價金額含稅、價格單位、貨幣、采購總價金額含稅、項目定義、所屬大分類、所屬中分類、所屬小分類。

類型聚類：清洗抽取數據后，進行業務模型分析，找出多個項目維度，如年度、項目所屬單位、電壓等級（kV）、專業類別、專業細分、改造目的，為規模預測準備好關鍵因子選取的數據基礎。

重要因子相關性分析：根據皮爾森相關性分析，對可能存在的關聯因子進行相關性分析，用第三方機器學習庫展示，選取最佳的影響因子。通過挖掘分析，發現項目物資與預測映射分類、電壓等級、專業細分、改造目的4個項目因子相關性較大。選用影響較大的關鍵因子，避免因關鍵因子選取不好造成算法準確率不高、算法計算量大等問題。

2.大數據預測

儲備項目映射模型數據抽取、清洗：對于儲備項目需要通過映射模型選取預測分類建立對應的需求儲備物資，包括物資的儲備數量、種類及金額數據，抽取和清洗這部分數據，為項目精準預測提供數據基礎。

數據預處理：對大數據準備階段提供的數據進行數據預處理，包括綜合計劃、儲備項目需求計劃數據入庫，進行邏輯計算、重要因子采購規模數據統計分類等操作。

寬表設計：把用到的數據按照寬表設計的形式歸集。

算法確立：通過模型算法優化、數據訓練、調整算法參數最終確立算法。

預測計算：根據清洗歸集后的數據和確立的算法進行預先計算。

3.預測輸出結果

采購規模預測：通過預測模型可以分別計算出物資對應的大類、中類、小類的年度預測規模。

項目精準預測：通過預測模型計算、映射模型預測類別比對分析、儲備項目提報的映射模型，根據需求計劃數據可以預測出綜合計劃單個項目的需求情況，包括需要的物料數量、采購規模。

（四）模型集成應用

根據發展部下發的綜合計劃結果，應用項目物資需求映射模型得到需要采購的物資品類。結合項目的計劃信息和物資的供貨周期信息，通過預測模型自動預測出需求物資的采購規模和到貨日期。結合目前的綠色智慧供應鏈的應用場景，集成物資需求預測模型，可以智能指導和提示物資需求上報工作。

五、結語

文章通過建立基于項目計劃、執行情況、采購安排、物料清冊、供貨周期等信息的電力配網物資協議庫存預測模型，拓展了項目儲備階段管理的深度和廣度，打通了項目及招標采購的全生命周期，推進了項目里程碑計劃、項目物資采購需求生成等跨專業環節信息共享，探索建設了需求智能提報的場景，實現了物資需求計劃智能提醒，促進了生產、物資、財務的跨專業協同管理。

參考文獻：

[1]陳國洪，劉爍，李燕燕，等.大數據挖掘在協議庫存物資需求預測的研究和應用[J].信息通信，2019（09）：96-98.

[2]章光東，孫楷淇，魏柱，等.基于大數據的協議庫存預測模型的實踐與應用[J].電工技術，2020（22）：165-167.

[3]邵帆.電網企業物資需求預測技術研究及應用[D].華北電力大學（北京），2017.