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)用到電力物資倉儲管理體系中，建設(shè)智慧倉儲網(wǎng)絡(luò)，完善智能倉儲信息管理系統(tǒng)越來越受到電力物資企業(yè)的重視[5-6]。

同時，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，對電力物資倉儲信息進(jìn)行智能化管理，提升倉儲信息讀取與識別效率，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)計了一個電力物資倉儲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，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)

新型電力物資倉儲信息管理系統(tǒng)主要由電力物資倉儲信息讀取與寫入裝置以及電力物資倉儲信息預(yù)測與管理系統(tǒng)組成。電力物資倉儲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

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)信息也會由電力物資倉儲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，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。客戶端的上位機(jī)軟件會訪問服務(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)計流程圖如圖2所示。

圖2 上位機(jī)軟件設(shè)計流程圖

3.2 上位機(jī)算法設(shè)計

在上位機(jī)算法設(shè)計部分，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的樣本點只有一類，所尋求的最優(yōu)超平面不是使兩類樣本點分得“最開”，而是使所有樣本點離超平面的“總偏差”最小。這時，樣本點都在兩條邊界線之間，求最優(yōu)回歸超平面等價于求最大間隔。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點積，核函數(shù)的類型有多種，常用的核函數(shù)有：

多項式核：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。這兩個階段均需要一定數(shù)量的實驗數(shù)據(jù)，分別用于模型的訓(xùn)練和測試。為了使模型與實際更加符合，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)驗選取常用的高斯核函數(shù)，在模型的測試階段，以實際的待測數(shù)據(jù)組成測試集輸入x，按照式(2)計算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個預(yù)測評價指標(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)出庫和儲存過程中的信息管理以及電力物資供應(yīng)不及時導(dǎo)致的項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，實現(xiàn)了對電力物資的需求預(yù)測。經(jīng)試驗測試，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。