Management Science and Engineering
Vol. 07  No. 04 ( 2018 ), Article ID: 27808 , 5 pages
10.12677/MSE.2018.74031

Research on Seasonal Adjustment Intelligent Optimization of Inventory of Electric Power Materials

Fanghua Hong1, Mingda Shi1, Feng Xiao2, Fengna Dong2, Yongxu Zhang2

1State Grid Shanghai Electric Power Company Material Company, Shanghai

2Shanghai JIULONG Enterprise Management Consulting Co. Ltd., Shanghai

Received: Nov. 8th, 2018; accepted: Nov. 22nd, 2018; published: Nov. 29th, 2018

ABSTRACT

In order to solve the difficulty of the inventory quota calculation of the classic inventory model, which cannot meet the discontinuity and volatility of power material demand, and realize the intelligent adjustment of inventory quota, this paper refers to the seasonal cyclic factor, optimizes the MRP dynamic inventory adjustment model, and builds a forecasting mechanism for inventory materials demand by means of big data analysis technology. At the same time, the operation mechanism of automatic replenishment and planned replenishment is established, and the dynamic intelligent adjustment of the inventory quota operation mechanism with reference to the seasonal period is established, and the intelligent decision-making of the inventory quota adjustment business is realized.

Keywords:Inventory Quota, Big Data Analysis, Seasonal Adjustment, Material Demand

电力物资库存定额季节性调整 智能优化研究

洪芳华1,施鸣达1,肖锋2,董凤娜2,张永旭2

1国网上海市电力公司物资公司,上海

2上海久隆企业管理咨询有限公司,上海

收稿日期:2018年11月8日;录用日期:2018年11月22日;发布日期:2018年11月29日

摘 要

为解决经典库存模型的库存定额计算不能满足电力物资需求的间断性和波动性的难点,实现智能调整库存定额,本文参考季节周期性因素,优化MRP动态库存调整模型,借助大数据分析技术建立库存物资需求分类预测机制,同时建立消耗自动补给和计划定期补给的运行机制以及参考季节性周期的动态智能调整库存定额运行机制,实现库存定额调整业务全程决策智能化管理。

关键词 :库存定额,大数据分析,季节性调整,物资需求

Copyright © 2018 by authors and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1. 经典物资库存模型的应用难点

常用的物资需求预测方法主要包括基于时间序列模型的移动平均预测法、指数平滑预测法、趋势外推预测法等;基于因果分析模型的回归分析预测法,基于统计学习理论以及结构风险最小原理的支持向量机预测方法,基于人工智能技术的人工神经网络算法。目前经典物资库存模型主要应用时间序列模型 [1] ,而经典的物资库存计算和再订货点计算主要针对连续需求属性的物资,其根本假设是物资需求服从泊松分布或正态分布,如下图1

Figure 1. Normal distribution

图1. 正态分布

电网周转物资库存定额调整的方式是需求单位参考往年库存物资的需求种类、数量等信息,运用经典库存模型进行本年度的库存定额计算,属于经验依赖型库存管理。经验管理的本质是根据情况动态调整库存,直接对物资进行一刀切的库存上下限管理通常只适用于部分物资 [2] 。

2. 库存定额季节性调整智能优化方案

通过智能调整周转物资库存定额机制的建设,根据历年周转库存物资的采购与消耗数据和年度项目计划物资需求预测结果,参考季节周期性因素,优化MRP动态库存调整模型,将静态库存控制转为动态库存控制,实现库存定额调整业务全程决策智能化、可视化管理。

2.1. 季节性调整

系统内部的周期性运动、变化规律和系统外部的环境的季节性作用共同导致了季节性的波动,既考虑到季节指数的趋势变化,还能充分发挥已知数据的信息价值。任何时间序列从要素上可以被划分为四个部分:趋势(T)、周期(C)、季节性(S)和随机元素(R)。这四种成分的随意组合,可以将季节性时间序列分为加法模型和乘法模型:

X t m = T + C + S + R X t m = T C S R (1)

采取季节性的12个月周期而忽略周期性成分,剔除趋势因素以达到长期预测的目的,通过假设不同年度的相同月份的季节影响是相同的,进而通过求三组季节因素的平均值来求得每个月的季节因子( i = 1 , 2, , 12 )

S i ¯ = S i + S i + 12 + S i + 24 3 = 1 3 ( X t m T T | m = i + X t m T T | m = i + 12 + X t m T T | m = i + 24 ) (2)

2.2. MRP动态库存调整模型

MRP是为了应对多SKU的有效库存补给管理而提出的,由于电力物资供应主要是通过计划–采购–存储–供应的业务链进行开展,MRP与物资的库存管理策略和采购策略是密切相关的。与此同时工业品具有与快速消费品不同的需求特性,客户信息和项目信息的收集非常重要。工业品的SKU数量上千,其需求管理必须要以分类为基础,通过产品分类来支撑需求预测模型的自动选取和库存策略的自动匹配。

库供物资按需求类型、出库次数、生命周期等多个维度划分结果如下表1

Table 1. Division of materials supplied by the library

表1. 库供物资划分结果

加权ABC分类是为了更有效地开展库存控制,将视角从金额扩展至缺货影响程度、客户贡献度、获取难易度、预测难易度和资金占用额五个方面,从整体上判断一个物资在库存管理环节应得到的重视程度。五个维度又分别展开为如下图2所示二级指标及其度量公式。

Figure 2. Material classification map

图2. 物资分类图

通过对电力物资现有采购流程的梳理,结合前面物资分类与MRP运行的匹配,给出相应的MRP运行策略(图3)。

Figure 3. MRP integrated system

图3. MRP综合体系

3. 动态智能调整库存定额运行机制

智能调整库存定额是将库存周转物资需求依据连续间断程度划分为连续需求、间断需求和零星需求,再运用加权ABC分类算法,将传统ABC分类算法从占用金额扩展至缺货影响程度、客户贡献度、获取难易度、预测难易度和资金占用额五个方面,从整体上判断一个物资在库存管理环节应得到的重视程度。最终通过综合分析物资的需求特点和加权ABC分类算法,列出适合MRP进行计划管理的物资清单,进而基于消耗自动补给的运行机制和基于计划定期补给的运行机制,设计出参考季节性周期的动态智能调整库存定额运行机制(图4)。

Figure 4. Operation mechanism of dynamic intelligent adjustment of stock quota

图4. 动态智能调整库存定额运行机制

4. 总结与展望

基于人工神经网络的非线性预测方法(ANN)是近年来发展起来的一个新的和有效的技术,在模式识别、信号处理、故障诊断、预测等领域得到了广泛的应用 [3] 。理论上,一个具有特殊函数的三层(单隐层)前馈神经网络能够拟合任意非线性函数。神经网络是一个从输入层到输出层的非线性映射,其训练过程实际是一个优化计算的过程,因此可以应用神经网络技术实现组合预测。对传统的物资需求预测算法进行深层优化,提高预测准确度。支持向量机(Support Vector Machines, SVM)是在统计学习理论(Statistical Learning Theory, SLT)基础上发展的一种新的机器学习方法,很大程度上解决了模型选择和过学习问题、非线性和维数灾难问题、局部极小点等问题,对于海量数据(样本数在105~106以上),利用小波变换提取特征、利用聚类算法对训练数据和检验数据进行分类,然后对各类数据进行训练和识别;减小特征空间,提高训练速度和识别的准确度 [4] 。

通过SVM算法和传统算法的结合对电力物资需求进行更深度的预测。同时,以业务全程决策智能化、协同化、可视化三个维度出发,运用多种决策分析方法、设计S&OP流程与业务过程管理,最终将MRP打造成集“计划–执行–分析–预警–监控”的综合体系。

文章引用

洪芳华,施鸣达,肖 锋,董凤娜,张永旭. 电力物资库存定额季节性调整智能优化研究
Research on Seasonal Adjustment Intelligent Optimization of Inventory of Electric Power Materials[J]. 管理科学与工程, 2018, 07(04): 262-266. https://doi.org/10.12677/MSE.2018.74031

参考文献

  1. 1. 罗维. 方晓平基于季节性时间序列的物流企业货运需求预测研究与应用[J]. 管理科学与工程, 2016, 5(1): 7-14.

  2. 2. 毕子健. 王翎颖电网物资需求预测方法研究[J]. 华北电力技术, 2015(10): 26-31.

  3. 3. 陈治亚, 周艾飞, 谭钦之, 方晓平. 基于改进的BP人工神经网络的物流需求规模预测[J]. 铁道科学与工程学报, 2008(6): 62-68.

  4. 4. 白世贞, 刘莉, 杨艳玲. 基于灰色模型与季节指数的物流需求预测研究——以哈尔滨市为例[J]. 物流工程与管理, 2010(6): 8-10.

期刊菜单