关键词:
多价值链协同
电力设备需求预测
Informer模型
原料采购优化
遗传算法
摘要:
随着人工智能技术的不断发展,电力制造业转型的力度不断深化,电力设备制造企业发展中存在内部业务协同性差,外部协同性失效的问题,导致企业出现不合理的设备生产计划和原料采购计划。电力设备需求预测是企业制定生产和采购计划的重要环节,由于需求影响因素众多,存在于企业各个业务环节之间,难以高效充分地利用,存在数据孤岛现象。在此背景下,如何综合利用多价值链信息,挖掘多价值链数据特征之间的关联关系,对于准确预测电力设备需求,制定合理的原料采购计划具有重要意义。基于以上内容,本文围绕电力设备需求预测及原料采购优化问题,融合供应价值链、生产价值链、营销价值链和服务价值链的数据,构建电力设备制造企业的多价值链数据集。在多链数据集的基础上,结合外部宏观数据集,利用机器学习以及深度学习算法,构建月度、周度和日度电力设备需求预测模型,分别应用于Q企业不同的业务场景中。首先运用统计学方法进行异常值处理、缺失值处理等数据清洗工作。其次利用相关性分析方法,探讨每个影响因素与电力设备需求数量的关联关系,提取出关联性强的特征。最终利用机器学习及深度学习算法,构建需求预测模型,充分挖掘不同时序下特征之间以及特征与需求量之间的变化规律,有效提高了电力设备需求预测效果。基于周度电力设备需求预测结果,结合设备物料清单汇总出原料的需求量,充分考虑原料采购成本、库存持有成本,本文构建了以总成本最小化为目标函数的优化模型,并以Q电力设备制造企业实际的原料采购数据为例,利用遗传算法对优化模型进行了快速求解及验证分析。研究表明在月度电力设备需求预测环节中,极端梯度提升算法(eXtreme Gradient Boosting,XGBoost)预测性能优于其他三种模型,且误差评价指标均是最低,表明XGBoost预测效果最优,有助于掌握未来需求量的发展趋势;在周度电力设备需求预测环节中,Informer模型的预测精度最高;在日度电力设备需求预测环节中,长短期记忆网络(Long Short Term Memory,LSTM)的预测效果最好。准确的周度和日度需求预测,对于企业实际的生产管理以及电力设备需求的精细化管理有很大帮助。在上述预测精度的保证下,本文构建的原料采购优化模型能够有效降低原料采购及库存成本,辅助企业制定合适的原料采购策略,提高原料采购策略制定的合理性和科学性,满足企业生产运营过程中的经济性要求,对于降低企业成本和提高企业经济效益具有指导作用。本文的研究成果有助于Q企业在实际原料采购管理过程中,把握未来电力设备市场需求情况,提前制定精细化的原料采购计划,保障设备交付的准确及时和企业成本的降低,也有助于提高企业的经济效益和核心竞争能力。