基于大数据的电厂物资需求预测与库存管理探析

摘要：本文简要阐述相关理论，运用实地调查法和数学建模法，并结合实际案例阐述电厂物资需求预测模型的构建与应用，提出库存管理的优化策略，包括：优化需求预测组合模型，科学制定库存管理制度，实施库存管理信息化，以及定期评估实施方案。

关键词：大数据；电厂物资；需求预测；库存管理

DOI：10.12433/zgkjtz.20243144

一、理论基础

（一）需求预测理论

“需求”一词最先出现于市场营销中，需求预测过程中，具体是收集、分析客户需求，确保后续规划顺利实现。预测工作开展环节，应借助科学的预测理论与方法，准确评估需求变化情况，以此为基础科学制定各项决策。需求预测具有较多特点，包括服务性、描述性等，能够为企业需求决策提供计划性服务，并能准确描述需求发展趋势。

（二）库存管理理论

库存表示的是仓库中实际储存的货物，根据实际作用，可将其分为调节库存、周转库存等；根据表现形态，可将其分为原材料库存、成品库存[1]。库存管理环节，会受到市场环境、生产波动等因素影响，存在一定的复杂性。科学开展库存管理工作，能够防止库存不足或过剩出现停产、积压问题，所以电厂生产运营中，库存管理具有供需差异调整的作用。开展此项工作时，虽然无法保证供需完全一致，但能够有效避免库存浪费或短缺造成的成本损失。库存管理较为常见的方法为物料需求计划、ABC管理法等，重点在于通过对供需的有效协调，达到库存整体最优的效果。

（三）BP神经网络理论

BP（Back Propagation）神经网络属于一种按照误差逆向传播算法训练的多层前馈神经网络，其主要特点是能够存在多个层次的隐含层。网络模型中进入输入信号时，会通过接收层进行接收，随后向隐含层进行传递，在转移函数作用下，获得相应输出信息，最终通过输出层输出最终结果。图1为三层BP网络，其中输入层以及输出层存在较多节点，同时包含一层隐含层，也存在多个节点。通常，隐含层节点数量＞输入层节点数量＞输出层节点数量。BP神经网络主要是利用BP算法实现学习，具体过程包括模式顺传播、误差逆传播、记忆训练以及学习收敛。

二、研究方法

本文研究中主要应用了以下研究方法：第一，实地调查法。通过对某发电厂进行实地调查分析，掌握该电厂物资库存管理情况，获得准确的数据资料，为本文研究提供数据支持。第二，数学建模法。借助灰色预测模型以及BP神经网络模型，对电厂需求量进行预测，同时提出优化库存管理的策略，以实现库存管理的有效优化。

三、实证分析

（一）案例选取

某电厂成立于2002年7月，经营范围包括许可项目：发电业务、输电业务、供（配）电业务；以自有资金从事投资活动；发电技术服务；新兴能源技术研发；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；热力生产和供应；再生资源加工；再生资源销售等。该电厂拥有4*23MW超临界水电机组，现阶段，受到光伏发电占比不断增加问题的影响，电厂发电负荷率持续下降。加上其发电机组运行时间较长，损耗及维修成本逐渐增加，利润出现逐渐下降趋势。大数据环境下，发电厂需要积极探索新的管理理念与模式，对自身物资需求进行精准预测，并以此为基础科学管理库存，在减少资源浪费的同时，实现降本增效。

（二）模型应用

1. 构建需求预测组合模型

（1）构建灰色预测模型。设置原始序列：

获得原始数据后，开展累加处理工作，获得新序列：

微分方程为：

灰色预测模型方程为：

其中，a表示的是模型发展系数，能够体现X1与X2的发展叙述；u表示的是模型的协调系数，能够体现出数据间存在的变化关系。为获得a与u的具体数值，可借助最小二乘法进行参数求解。

使A=[a，u]T，通过A=（BTB）-1BTYn求解。

其中：

在以上公式中代入原始数据与累加数据序列，经实际计算，获得a与u的具体数值，

最终确定模型公式，得X0出灰色预测模型为：

（2）构建灰色预测模型与BP神经网络组合模型。在灰色预测模型的应用下，获得原始序列的预测值与模拟值，并对其实施预处理，得到训练以及测试输出样本。

训练输出样本表示方式为：

测试输出样本表示方式为：

训练模型以及测试模型输入样本分别为P（train）、P（test），在输入、输出样本应用下，获得初始权值以及阈值，开展神经网络训练工作。此环节，当训练结果符合误差目标时，向神经网络中输入预测值进行仿真预测，最终获得组合模型预测值。

获得组合模型预测结果后，应借助相应评价指标对其实施检验分析。本研究中，主要选择了以下评价指标：

第一，平均绝对误差：

第二，平均绝对百分比误差：

T（t）表示的是t时段的实际值，P（t）表示的是t时段的预测值。

2.组合模型的应用

将该发电厂物资A、物资B、物资C、物资D的库存物资需求量作为研究对象，利用本文提出的组合模型开展预测分析工作，了解库存管理中库存物资的需求情况，相关数据如表1所示。

（三）预测结果

通过灰色预测模型进行物资需求预测，得出如表2所示结果。

将实际数据与预测数据作为基础，借助BP神经网络系统进行训练，将训练精度设定为0.00001，最大迭代次数设为10000，学习率为0.01。经实际预测，得出如表3所示结果。

为了解灰色预测模型与组合预测模型误差情况，对两种方法下的平均绝对误差以及平均绝对百分比误差进行分析，如表4所示。

从以上数据中能够得出，两种预测方法中，组合预测模型预测的数值与实际值更加接近，同时误差更小，能够获得更加准确的预测结果，可用于电厂物资需求预测。

（四）库存管理优化

1.优化需求预测组合模型

首先，构建模型检测维护系统。该电厂需要进行模型检测系统构建，对模型进行不断优化，最大程度上降低数据输出误差。第一，定期检测维护系统。该电厂需要结合自身库存动态，做好系统定期检测维护工作。一方面，需要将电厂生产计划作为基础，科学制定检测维护周期；另一方面，为满足用电高峰时节需求，科学开展库存模型检测维护工作，从而更加准确的预测实际物资需求。第二，库存状态检测维护系统。借助该系统动态检测库存情况，掌握会对库存产生较大影响的预测指标，进一步优化模型检测，提升预测准确性[2]。并且，还能在检测中及时找出影响因素，使模型在库存管理中发挥出实际作用。

其次，优化建模方式。通过联合应用灰色预测模型以及BP神经网络预测模型，能够获得更加准确的需求预测结果。组合建模环节，涉及较多组合方式，如混合型、串联型等。本文研究中，构建模型时选用的方式为串联型，获得了较为理想的预测结果。不过为更好地在库存管理中发挥出预测模型的作用，还需从多方面入手进行模型组合模式的全面考量，从而获得更加可靠的预测结果。

2.科学制定库存管理制度

电厂库存管理优化过程中，完善的管理制度不可或缺。通过科学的管理制度，能够使生产活动拥有更加科学的流程，对管理人员行为进行监督，促进电厂效益最大化目标的良好实现。所以，电厂需要做好以下工作：

第一，优化库存周期保障制度。实践环节，重点做好库存控制、采购计划等流程的细化工作，获得更加完整、可行的库存周期制度[3]。第二，完善基础管理制度。该电厂需要做好基础管理制度完善工作，包括监督检查制度、物资盘点制度等，并且还应对绩效考核等制度进行优化。第三，健全供应商合作制度。电厂需要与供应商形成良好的合作关系，在良好的沟通下，明确合作目标以及合作模式，并构建出供应商信息共享渠道，确保物资的及时供应。第四，优化库存管理安全体系。电厂需要将需求预测模型作为基础，从自身生产情况入手，进行库存安全体系的科学构建，动态调整生产过程，提升库存管理安全性。

3.实施库存管理信息化

大数据环境下，电厂需要进一步提升自身库存管理信息化水平。

第一，引入视频监控系统。电厂可积极引入先进的视频监控系统，通过该系统进行相关设备运行情况的收集，实现对库存管理所有区域、环节的全面覆盖，全面开展物资验收、出库等方面的监管工作。在监控系统应用下，使库存管理工作流程更加规范，获得更高的库存管理效率。

第二，实现调度采样流程智能化。电厂可引入智能调度系统，科学开展物资入场车辆信息识别工作，有效监管入场物资计量、采样等环节。而且通过自动计量系统作用的良好发挥，进行数据自动生成、实时生成，同物资管理信息系统数据形成良好匹配。借助自动采样系统对物资进行识别，确保物资得到良好应用。通过自动包装系统，避免出现物资污染等问题。通过调度采样流程智能化的实现，能够对库存各种影响因素进行控制，获得更高的库存控制水平，避免出现较大库存成本。

4.定期评估实施方案

第一，结合预测以及检修计划科学确定库存。该电厂开展生产活动时，每年会进行较多设备维护工作，设备维护过程中，由于生产活动暂停会出现库存积压问题。为避免机组维护期间影响到库存管理工作科学推进，电厂需要科学开展预测分析工作，对停机情况加以考虑，并且科学调整预测模型与管理方案，确保库存供需合理性[4]。

第二，监督库存管理效果。确定并实施库存管理方案后，若想获得更加准确的预测及管理效果，电厂需要做好模型及管理方案监督工作。

在实践环节，应结合自身发电计划以及以往发电情况开展需求预测工作，同时结合年度需求进行订货计划的科学制定。计划制定后，需要结合库存管理效果，对模型数据进行持续完善，结合每月、每季度库存情况，对相应模型准确度进行分析，满足库存管理优化需求。

参考文献：

[1]贺鹏. 基于大数据的物资需求预测与采购决策模型研究[J].科学与信息化，2024（6）：59-61.

[2]罗振敏，潘竞超.应急物资需求预测研究现状与发展趋势[J].科学技术与工程，2023，23（18）：7622-7630.

[3]宋鑫磊，黎莫林，詹勤辉，等.基于SARIMA与ANFIS组合方法的电力物资需求预测[J].机械设计，2022，39（6）：66-72.

[4]向洪伟，曹馨雨，张丽娟，等.参数优化变分模态分解与LSTM的电力物资需求预测[J].重庆大学学报，2024，47（4）：127-138.

（作者单位：四川华电泸定水电有限公司）