基于融合模型的無人倉自動補(bǔ)貨策略

方 璟 徐 明 萬家樂 胡歡

(國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司 武漢 430074)

0 引 言

對于國網(wǎng)智慧倉儲建設(shè)示范項(xiàng)目無人值守型專業(yè)倉而言，維持充足的備品備件庫存是保證應(yīng)急事件處理和電力設(shè)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(shí)際使用壽命造成一定損害[1].

補(bǔ)貨策略的核心是基于歷史及現(xiàn)時(shí)數(shù)據(jù)，獲取精準(zhǔn)預(yù)測未來需求量的模型和方法[2].逯曼皎等[3]提出根據(jù)輸出的補(bǔ)貨矩陣表動態(tài)調(diào)整補(bǔ)貨周期.黃國興等[4-5]將隨機(jī)森林用于需求量預(yù)測.羅薇等[6]以服務(wù)響應(yīng)時(shí)間為約束條件，以庫存成本及缺貨成本最小化為目標(biāo)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(bǔ)貨量預(yù)測，在某些方面表現(xiàn)出良好特性.

當(dāng)前，倉儲管理系統(tǒng)通常使用的補(bǔ)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(jù)“庫存警戒線”的庫存補(bǔ)充方法并沒有脫離人為因素的影響，倉儲業(yè)務(wù)人員憑借經(jīng)驗(yàn)和直覺設(shè)定庫存的合理數(shù)量(上限、下限等)的方式并不科學(xué)，沒有體現(xiàn)出倉儲系統(tǒng)數(shù)字化管理的價(jià)值.“平均消耗量法”的核心在于時(shí)間區(qū)間劃分，通常會利用目標(biāo)控制天數(shù)(如某類物資的訂貨周期)來計(jì)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(zhǔn)確預(yù)測出各類物資受氣候等因素引發(fā)的突發(fā)需求，還需要補(bǔ)貨業(yè)務(wù)管理人員對特定情況或應(yīng)急時(shí)間具有豐富的專業(yè)知識和經(jīng)驗(yàn).

文中基于多種物資用量模型的無人值守型電力專業(yè)倉自動補(bǔ)貨調(diào)度策略，進(jìn)一步優(yōu)化備品備件等物資補(bǔ)充方案.

1 基于融合模型的補(bǔ)貨策略

構(gòu)建專業(yè)倉物資數(shù)量的融合模型，形成無人值守型電力專業(yè)倉的自動補(bǔ)貨策略，用于支持倉儲物資的補(bǔ)貨流程運(yùn)轉(zhuǎn)，見圖1.

圖1 基于融合模型的補(bǔ)貨策略

自動補(bǔ)貨策略用于對智慧倉儲的物資補(bǔ)充進(jìn)行管理.根據(jù)倉儲系統(tǒng)提供的物資歷史申領(lǐng)數(shù)據(jù)、出入庫記錄、物資基礎(chǔ)數(shù)據(jù)、氣象環(huán)境數(shù)據(jù)、實(shí)時(shí)事件數(shù)據(jù)以及設(shè)置的相關(guān)調(diào)節(jié)參數(shù)等，通過運(yùn)用合理的數(shù)學(xué)公式及融合模型自動分析和預(yù)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(yè)倉的各類物資庫存量進(jìn)行預(yù)警，生成合理的補(bǔ)貨方案(含補(bǔ)貨周期、補(bǔ)貨量等參數(shù))，同時(shí)，也支持倉儲管理系統(tǒng)的業(yè)務(wù)人員基于專業(yè)知識和處理經(jīng)驗(yàn)對例外情況進(jìn)行方案修訂.由此，通過科學(xué)合理的補(bǔ)貨方案來節(jié)省人力資源，加快倉儲物資的周轉(zhuǎn)來提高物資利用率、減少庫存?zhèn)淦穫浼e壓或短缺狀況.

1.1 物資分類

電力專業(yè)倉存放多種類的備品備件，可以通過倉儲管理系統(tǒng)提取各類物資的出入庫記錄進(jìn)行大數(shù)據(jù)分析，計(jì)算各種物資的出庫(領(lǐng)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(jù)波動特征對倉內(nèi)備品備件進(jìn)行類型劃分，確定需求平穩(wěn)(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(jì)算物資補(bǔ)貨量，對于大多數(shù)需求平穩(wěn)的物資，加大其中物資需求預(yù)測模型的權(quán)值；對于少數(shù)需求波動較大的物資，加大庫存限值模型的權(quán)值.

1.2 物資需求預(yù)測模型

1.2.1模型構(gòu)建

通用逼近定理(universal approximation theorem, UAT)指出，具有單個(gè)隱藏層的前饋網(wǎng)絡(luò)(加合適的非線性單元)，在包含有限數(shù)量的神經(jīng)元情況下，可以逼近原空間區(qū)間內(nèi)的任意連續(xù)函數(shù).BP神經(jīng)網(wǎng)絡(luò)具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層；其算法本質(zhì)是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來計(jì)算目標(biāo)函數(shù)的最小值.

通過對已掌握的無人值守型電力專業(yè)倉數(shù)據(jù)的篩選和特征提取，以及物資需求預(yù)測課題的調(diào)研，本文構(gòu)建三層BP網(wǎng)絡(luò)結(jié)構(gòu)作為預(yù)測模型的基礎(chǔ)，采用tanh函數(shù)作為激活函數(shù)，以備件物資需求預(yù)測量為輸出，迭代過程中根據(jù)BP網(wǎng)絡(luò)結(jié)構(gòu)輸出值與預(yù)期值之間的差值，動態(tài)調(diào)整網(wǎng)絡(luò)的權(quán)值.

1.2.2算法步驟

GM(1, 1)算法應(yīng)用分為以下步驟.

步驟1構(gòu)造序列 將BP網(wǎng)絡(luò)的預(yù)測誤差作為灰色關(guān)聯(lián)預(yù)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(jìn)而得到累加數(shù)據(jù)

(2)

步驟2級比值計(jì)算 計(jì)算原始數(shù)據(jù)的級比值

(3)

步驟3構(gòu)建GM(1, 1)并計(jì)算預(yù)測值.

(4)

使用回歸分析求出a、b估計(jì)值，得到白化模型.

(5)

推得

(6)

從而得到預(yù)測值.

(7)

進(jìn)而得到原始數(shù)據(jù)對應(yīng)的預(yù)測值.

(8)

由式(8)，易得到基于預(yù)測模型的計(jì)劃補(bǔ)貨量.

(9)

步驟4相對誤差計(jì)算

(10)

根據(jù)式(10)計(jì)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(yàn)差比檢驗(yàn) 后驗(yàn)差比值C為殘差方差與數(shù)據(jù)方差的比值，用于衡量模型的擬合精度情況，如后驗(yàn)差比C值越小代表擬合效果越好，一般應(yīng)小于0.65.

步驟6模型殘差檢驗(yàn) 模型殘差檢驗(yàn)為事后檢驗(yàn)，主要用來計(jì)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(shí)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(jì)算

根據(jù)某類備件物資補(bǔ)貨提前期以及歷史統(tǒng)計(jì)數(shù)據(jù)，利用安全庫存計(jì)算公式計(jì)算其庫存量下限.

(11)

式中：dQoS為—定服務(wù)水平下的庫存安全系數(shù)；σdailydemand該物資日需求量的標(biāo)準(zhǔn)差數(shù)值；Tlead為補(bǔ)貨提前期天數(shù).

表1為 不同服務(wù)水平(QoS)對應(yīng)的庫存安全系數(shù).

表1 不同服務(wù)水平(QoS)對應(yīng)的庫存安全系數(shù)

1.3.2補(bǔ)貨周期的計(jì)算

對于某類備件物資，可以依據(jù)單次補(bǔ)貨成本、單位物資存儲成本、年需求量等參數(shù)來計(jì)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(jì)算

補(bǔ)貨策略的物資庫存量上限是以滿足補(bǔ)貨周期加補(bǔ)貨提前期時(shí)段內(nèi)的物資需求量為標(biāo)準(zhǔn)的，通過式(13)計(jì)算物資庫存量上限.

Iupper=(Torder+Tlead)×Rdemand+Ilower

(13)

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

1.3.4補(bǔ)貨量的計(jì)算

確定好某類備件物資的庫存限值后，進(jìn)一步根據(jù)其當(dāng)前的庫存量來確定補(bǔ)貨量，此時(shí)須考慮在途到貨量和待出庫數(shù)量，得到該物資的基于庫存限值模型的計(jì)劃補(bǔ)貨量

Qthreshold=k×Ilower-Vtransit-Vnow+Vout

(14)

式中:k為調(diào)節(jié)系數(shù)(初始值設(shè)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(dāng)前庫存量；Vout為物資當(dāng)前(補(bǔ)貨時(shí)刻)的待出庫量.

1.4 融合補(bǔ)貨方案

根據(jù)式(9)及式(14)計(jì)算得到基于兩種模型的補(bǔ)貨量，并進(jìn)行加權(quán)處理得到最終的補(bǔ)貨量.

Q=α×Qforecast+(1-α)×Qthreshold

(15)

對于某一類物資，可經(jīng)過反復(fù)測算得到合適的α值，將補(bǔ)貨量Q與該類物資的最小的補(bǔ)貨批量進(jìn)行比較，當(dāng)補(bǔ)貨量Q大于最小批量時(shí)，按補(bǔ)貨量Q采購；當(dāng)補(bǔ)貨量Q小于最小批量時(shí)，按最小批量采購.

2 實(shí)驗(yàn)及分析

2.1 物資需求預(yù)測

采用交叉驗(yàn)證，將BP網(wǎng)絡(luò)輸入層、隱含層、輸入層神經(jīng)元數(shù)量分別設(shè)為四個(gè)、九個(gè)和一個(gè)，選用tanh函數(shù)作為激活函數(shù)，需求預(yù)測平均誤差較小.物資需求的實(shí)際值和BP預(yù)測值比較見圖2和表2.

圖2 利用BP網(wǎng)絡(luò)預(yù)測需求量

表2 BP網(wǎng)絡(luò)需求預(yù)測誤差

由表2可知：BP網(wǎng)絡(luò)模型預(yù)測值與物資真實(shí)值的平均相對誤差為13.397 2%.，將BP網(wǎng)絡(luò)的預(yù)測誤差作為灰色關(guān)聯(lián)預(yù)測模型GM(1,1)的原始序列，根據(jù)式(3)計(jì)算得原始數(shù)據(jù)的級比值，見表3.

表3 GM(1, 1)模型級比值

發(fā)展系數(shù)a為0.000 2，灰色作用量b為-65.085 1，后驗(yàn)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(shí)值與預(yù)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(shí)值與預(yù)測值比較

由表5可知：經(jīng)過BP網(wǎng)絡(luò)和GM(1,1)模型處理，最終物資需求預(yù)測值與真實(shí)值的相對誤差最大值為2.451 1%，優(yōu)于僅用BP網(wǎng)絡(luò)求得需求預(yù)測值與真實(shí)值的平均相對誤差13.397 2%.

2.2 庫存成本及周轉(zhuǎn)率

提取基于倉儲業(yè)務(wù)經(jīng)驗(yàn)的庫存警戒法補(bǔ)貨方案的相關(guān)數(shù)據(jù)，依據(jù)無人倉基礎(chǔ)參數(shù)的設(shè)置，與采用基于融合模型的補(bǔ)貨方案進(jìn)行實(shí)驗(yàn)比較，從庫存管理成本和周轉(zhuǎn)率觀察兩種補(bǔ)貨方案的效能.

在某物資的補(bǔ)貨方案中，一個(gè)觀測周期內(nèi)的庫存管理總成本

ctotal=n×corder+Q×cunit+

(16)

而該觀測周期內(nèi)的庫存周轉(zhuǎn)率

(17)

上述各式中n為觀測周期內(nèi)該物資的補(bǔ)貨次數(shù)；corder為單次補(bǔ)貨的開銷；Q為補(bǔ)貨數(shù)量；cunit為該物資的單位價(jià)格；Vstart和Vend分別為該物資觀測周期起始時(shí)刻和結(jié)止時(shí)刻的庫存量，而cstorage為該物資的單位存儲成本，假設(shè)corder=10×cunit，cunit=10×cstorage.

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

圖3

3 結(jié) 束 語

針對無人值守型電力智慧專業(yè)倉的實(shí)際情況，文中提出了自動補(bǔ)貨策略實(shí)現(xiàn)各類物資備件的庫存控制，提升了整體運(yùn)營的質(zhì)量.其中，利用聚類算法根據(jù)物資需求的波動性進(jìn)行物資分類，基于物資歷史申領(lǐng)數(shù)據(jù)、出入庫記錄、物資基礎(chǔ)數(shù)據(jù)、氣象環(huán)境數(shù)據(jù)、實(shí)時(shí)事件數(shù)據(jù)等通過融合模型獲得補(bǔ)貨方案，給出各類備品備件的具體補(bǔ)貨周期、數(shù)量等詳細(xì)信息，在降低運(yùn)行成本的同時(shí)大大提高了智慧倉儲的作業(yè)效率.實(shí)驗(yàn)結(jié)果表明，基于融合模型的補(bǔ)貨策略在庫存總成本、庫存周轉(zhuǎn)率指標(biāo)比較中均優(yōu)于基于庫存警戒法的補(bǔ)貨策略.