一種新型智能電力物資倉儲(chǔ)信息管理系統(tǒng)

鄒俊榮，劉 銳，李燁桐，石雪松，陶新民

(東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，哈爾濱 150040)

0 引 言

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，電力企業(yè)面臨著越來越激烈的市場競爭，而電力物資的倉儲(chǔ)管理直接影響著電力企業(yè)的發(fā)展和效益[1-2]。隨著電子以及物聯(lián)網(wǎng)等技術(shù)的不斷進(jìn)步與日益成熟，信息系統(tǒng)識(shí)別技術(shù)得到了飛速的發(fā)展[3-4]。將信息技術(shù)應(yīng)用到電力物資倉儲(chǔ)管理體系中，建設(shè)智慧倉儲(chǔ)網(wǎng)絡(luò)，完善智能倉儲(chǔ)信息管理系統(tǒng)越來越受到電力物資企業(yè)的重視[5-6]。

同時(shí)，隨著電力物資需求的日益增多，電力行業(yè)面臨著客戶需求復(fù)雜、采購周期長、需求預(yù)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(zhàn)，因此，對電力物資進(jìn)行需求預(yù)測和庫存控制越來越受到企業(yè)的重視[7]。

近年來，支持向量回歸機(jī)(Support Vector Regression，SVR)算法被應(yīng)用于越來越多的領(lǐng)域，付強(qiáng)等[8]將SVR算法用于奶牛飼料能量消耗的預(yù)測上，于慧春等[9]將SVR算法用于預(yù)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(wèi)等[12]將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于電力物資的庫存控制與需求預(yù)測上，取得了很好的效果，但對于小樣本數(shù)據(jù)的處理，SVR算法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法，表現(xiàn)出更高的精度。

因此，對電力物資倉儲(chǔ)信息進(jìn)行智能化管理，提升倉儲(chǔ)信息讀取與識(shí)別效率，提高需求預(yù)測的準(zhǔn)確性，降低資金占用率和物資浪費(fèi)是至關(guān)重要的。本文將近場通信技術(shù)(Near Field Communication，NFC)的標(biāo)簽讀寫模塊PN532 NFC RFID V3和一款基于ARM Cortex-M 內(nèi)核STM32系列的32位的微控制器STM32F103C8T6相結(jié)合，設(shè)計(jì)了一個(gè)電力物資倉儲(chǔ)信息讀取與寫入裝置，它可以對有源NFC標(biāo)簽進(jìn)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(jìn)行信息回傳，與遠(yuǎn)程PC端管理系統(tǒng)相結(jié)合，為需求預(yù)測收集準(zhǔn)確的歷史數(shù)據(jù)。由于本系統(tǒng)的數(shù)據(jù)具有小樣本的特點(diǎn)，而SVR算法正適合于小樣本特性，所以遠(yuǎn)程PC端管理系統(tǒng)采用SVR算法進(jìn)行電力物資需求預(yù)測，實(shí)現(xiàn)電力物資的科學(xué)智能化預(yù)測和管理。

1 系統(tǒng)總體結(jié)構(gòu)

新型電力物資倉儲(chǔ)信息管理系統(tǒng)主要由電力物資倉儲(chǔ)信息讀取與寫入裝置以及電力物資倉儲(chǔ)信息預(yù)測與管理系統(tǒng)組成。電力物資倉儲(chǔ)信息讀取與寫入裝置對有源NFC標(biāo)簽中的信息進(jìn)行讀取與寫入，將電力物資的基本狀態(tài)等信息進(jìn)行采集與發(fā)送。電力物資倉儲(chǔ)信息預(yù)測與管理系統(tǒng)則對讀取與寫入裝置發(fā)送的信息進(jìn)行處理，并將處理后的信息通過遠(yuǎn)程客戶端管理系統(tǒng)進(jìn)行可視化顯示。服務(wù)器接收讀取與寫入裝置以及信息管理系統(tǒng)上傳的信息數(shù)據(jù)，以接收到的數(shù)據(jù)為預(yù)測數(shù)據(jù)，客戶端的上位機(jī)軟件通過SVR算法對電力物資的需求量進(jìn)行預(yù)測，從而對發(fā)生的各種情況進(jìn)行監(jiān)測與預(yù)測。

2 電力物資倉儲(chǔ)信息讀取與寫入裝置

以近場通信技術(shù)為基礎(chǔ)的電力物資倉儲(chǔ)信息讀取與寫入裝置主要由電源供電模塊、NFC標(biāo)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(chǔ)信息讀取與寫入裝置的組成

3 遠(yuǎn)程客戶端管理系統(tǒng)

3.1 系統(tǒng)設(shè)計(jì)

遠(yuǎn)程客戶端管理系統(tǒng)由遠(yuǎn)程客戶端管理系統(tǒng)、服務(wù)器數(shù)據(jù)庫以及客戶端上位機(jī)軟件組成。其功能在于對電力物資倉儲(chǔ)信息讀取與寫入裝置發(fā)送的數(shù)據(jù)信息進(jìn)行處理，以便為預(yù)測提供準(zhǔn)確的數(shù)據(jù)。數(shù)據(jù)信息也會(huì)由電力物資倉儲(chǔ)信息讀取與寫入裝置上傳到服務(wù)器數(shù)據(jù)庫中進(jìn)行存儲(chǔ)，來保證數(shù)據(jù)庫中數(shù)據(jù)信息的安全性和傳輸?shù)姆€(wěn)定性?？蛻舳说纳衔粰C(jī)軟件會(huì)訪問服務(wù)器中的數(shù)據(jù)庫來接收相應(yīng)的數(shù)據(jù)信息，通過SVR算法對電力物資的需求量進(jìn)行預(yù)測，上位機(jī)軟件設(shè)計(jì)流程圖如圖2所示。

圖2 上位機(jī)軟件設(shè)計(jì)流程圖

3.2 上位機(jī)算法設(shè)計(jì)

在上位機(jī)算法設(shè)計(jì)部分，引入SVR對電力物資進(jìn)行需求預(yù)測和庫存控制。

3.2.1 SVR

支持向量機(jī)(Support Vector Machine，SVM)是針對經(jīng)典的二分類問題提出的，SVR是SVM在函數(shù)回歸領(lǐng)域的應(yīng)用。SVR的樣本點(diǎn)只有一類，所尋求的最優(yōu)超平面不是使兩類樣本點(diǎn)分得“最開”，而是使所有樣本點(diǎn)離超平面的“總偏差”最小。這時(shí)，樣本點(diǎn)都在兩條邊界線之間，求最優(yōu)回歸超平面等價(jià)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(gè)高維特征空間(Hilbert空間)中，然后在此高維空間中再進(jìn)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(shù)f(x)=ω·?(x)+b擬合數(shù)據(jù)(xi,yi),i=1,2,…,n。則二次規(guī)劃目標(biāo)函數(shù)為

·(?(xi)·?(xj) )+

(1)

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

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

多項(xiàng)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(biāo)函數(shù)變?yōu)?/p>

可求的非線性擬合函數(shù)的表達(dá)式為

f(x)=ω·?(x)+b

(2)

式中：b為函數(shù)參數(shù)。

4 SVR預(yù)測模型

4.1 建立與測試

上位機(jī)基于需求特征的電力物資分類過程可分為SVR模型的訓(xùn)練階段和測試階段。這兩個(gè)階段均需要一定數(shù)量的實(shí)驗(yàn)數(shù)據(jù)，分別用于模型的訓(xùn)練和測試。為了使模型與實(shí)際更加符合，通過日夜不停的記錄和統(tǒng)一的標(biāo)準(zhǔn)來獲得完整準(zhǔn)確的SVR預(yù)測模型所需的樣本數(shù)據(jù)。在SVR預(yù)測模型訓(xùn)練階段，選取準(zhǔn)備的訓(xùn)練樣本集數(shù)據(jù)以前12個(gè)月的需求量(前一年3～12月需求量，當(dāng)年1～2月需求量)作為輸入量x，以當(dāng)年3月的需求量作為對應(yīng)的輸出量y。

依據(jù)經(jīng)驗(yàn)選取常用的高斯核函數(shù)，在模型的測試階段，以實(shí)際的待測數(shù)據(jù)組成測試集輸入x，按照式(2)計(jì)算SVR預(yù)測模型的輸出函數(shù)f(x)，即可得出最終的預(yù)測結(jié)果。

4.2 結(jié)果與分析

為了驗(yàn)證SVR預(yù)測模型的性能，分別選用傳統(tǒng)的LR和BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對比測試。其中，LR方法相對簡單，可以參照文獻(xiàn)[13]建立；BP神經(jīng)網(wǎng)絡(luò)方法采用預(yù)測常用的GA-BP神經(jīng)網(wǎng)絡(luò)模型，可以參考文獻(xiàn)[14]建立。為了評價(jià)算法整體預(yù)測性能且方便與其他預(yù)測算法進(jìn)行比較，以預(yù)測性能評價(jià)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(biāo)進(jìn)行比較，以上指標(biāo)值越小表示預(yù)測性能越好。

以MAE、MAPE和RMSE為預(yù)測評價(jià)指標(biāo)，將SVR方法與LR和GA-BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測對比，每個(gè)方法分別進(jìn)行30次，取預(yù)測誤差結(jié)果的均值，以消除隨機(jī)性的影響，訓(xùn)練和測試階段的性能比較分別見表1和表2。

表1 訓(xùn)練階段不同方法下的指標(biāo)比較

表2 測試階段不同方法下的指標(biāo)比較

由表1和表2可以看出，在訓(xùn)練階段和測試階段中SVR算法的3個(gè)預(yù)測評價(jià)指標(biāo)MAE、MAPE和RMSE均優(yōu)于LR和GA-BP算法。

訓(xùn)練及測試結(jié)果表明，SVR算法在電力物資需求預(yù)測上比LR算法和GA-BP算法更加準(zhǔn)確。

5 結(jié) 語

電力物資在進(jìn)出庫和儲(chǔ)存過程中的信息管理以及電力物資供應(yīng)不及時(shí)導(dǎo)致的項(xiàng)目工期拖延對電力物資的庫存管理和需求預(yù)測提出了更高的要求。采用硬件和軟件相結(jié)合的方式來解決這一問題，硬件部分以近場通信NFC技術(shù)為基礎(chǔ)，實(shí)現(xiàn)了對電力物資信息的庫存管理；軟件部分采用SVR預(yù)測模型，實(shí)現(xiàn)了對電力物資的需求預(yù)測。經(jīng)試驗(yàn)測試，SVR算法在小樣本條件下比LR算法和GA-BP算法預(yù)測精度更高，可以作為電力物資需求預(yù)測的新型方法。