基于用电量分析的物资供应商生产能力监控及异常预警方法技术

本发明专利技术属于电力行业领域，特别是电力行业物资供应商管理监督领域，更为具体的说是涉及基于用电量分析的物资供应商生产能力监控及异常预警方法。对于物资供应商的月度生产能力监控及异常预警是，通过建立用电量分析模型，对供应商单个样本的历史用电量进行分析，通过小波分析将用电量数据分离为趋势和波动，运用低阶差分去噪法挖掘历史用电量数据中异常数据点，并将异常数据点进行拉格朗日插值法替换得到新的波动趋势，采用神经网络算法、再次取样法等科学方法，利用多组经过不同方法处理后的趋势图来预测该供应商次月用电量数据及合理的波动区间，并设置次月用电量预警区间，实现对供应商用电量实时监控和异常生产状况的及时预警。本发明专利技术也针对供应商年度内和季度内的用电量标准值分物资类别进行分析，并给出行业标准设定建议。

Material supplier production capacity monitoring and abnormal early warning method based on power consumption analysis

【技术实现步骤摘要】
基于用电量分析的物资供应商生产能力监控及异常预警方法
本专利技术属于电力行业领域，特别是电力行业物资供应商管理监督领域，更为具体的说是涉及基于用电量分析的物资供应商生产能力监控及异常预警方法。
技术介绍
供应商生产监控和预警问题一直是电力公司关注的重点问题。供应商产能不足以及因经济问题造成的停产风险是造成物资延迟交货的主要原因。同时，部分供应商在自身无法满足生产需求时，存在擅自将订单外包的违规操作，导致物资质量无法有效保障，对电网建设及系统安全稳定运行埋下隐患。供应商产能不足和违规转包是物资供应工作中重要的风险因素，会对电力物资供应工作产生极大的危害，电力公司的供应商数量众多，供应商对于相关信息收集工作存在着不配合甚至隐瞒的情况。同时，电力公司缺乏供应商生产现场的审核、监控依据，导致供应商产能风险、分包、转包的防范工作人力物力需求较大。
技术实现思路
本专利技术所要解决的技术问题是：如何低成本、高效率的监控、发现供应商产能不足和违规转包，降低供应商因为产能不足以及产能不足后违规转包对电力行业造成的供货风险。为了解决上述技术问题，本专利技术公开了一种基于用电量分析的物资供应商生产能力监控及异常预警方法，通过持续监控物资供应商的用电量，并将物资供应商的实际用电量与预测用电量区间进行比对，通过异常用电情况的预警，判断物资供应商的生产状况是否正常，是否具备正常的供货能力，包括以下步骤：S1：建立物资供应商的预测用电量范围；S2：监控物资供应商的实际用电量；S3：进行是否处于正常生产状态，是否具有生产经营风险和转包风险的判断：a.如果实际用电量介于预测用电量范围内，则认为物资供应商处于正常生产状态下，不存在生产经营风险和转包风险；b.如果实际用电量小于预测用电量最小值，则认为物资供应上处于非正常生产状态，存在生产经营风险和转包风险。c.如果实际用电量大于预测用电量最大值，则认为供应商可能处于扩大生产规模的情况等其他正常经营状况，该供应商的生产经营风险或者转包风险较小。其中，所述的用电量是指月度用电量、季度用电量或者是年度用电量。当用电量为月度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：首先运用归一化方法进行数据标准化处理，并运用小波分解法将用电量数据分离为趋势和波动，挖掘出异常用电量数据；采用低阶差分去噪法分析用电量数据中的异常值，用异常值前一个月与后一个月用电量数据的拉格朗日差值替换异常值，得到拉格朗日插值法处理后的波动数据；然后通过采用神经网络算法预测供应商次月用电量数据，采用再次取样法得到物资供应商的合理用电量波动区间，即为物资供应商的预测用电量范围。当用电量为季度用电量或者年度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：收集某类物资供应商季度或者年度用电量数据和年营业收入数据，分析得出年度平均单位收入用电量的平均数，并根据观察的数据分布情况与波动趋势来选择平均数作为季度或者年度预测值、参考值进行预警判断；当分析数据时，数列分布偏差不大时，选取平均数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；当分析数据时，数列分布偏差较大时，选取中位数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；按物资类别进行分析，将或者作为季度或者年度用电量预测数据，进行预警判断。值得注意的是，如果要预测季度用电量，那么各步骤中所使用的为季度数据，如果要预测年度用电量，那么各步骤中所使用的为年度数据。所述的用电量数据标准化处理方法是，通过下面的归一法方法进行数据处理：公式中，xmin,xmax指示原来用电量数据序列中最大值和最小值；x指示原始的用电量的数据序列，y为标准化后的用电量数据。数据标准化处理的目的是将数据去掉量纲(数据单位)的影响，归纳同一样本的统计分布性。由于单个供应商历史月之间用电数据量差异比较大，数据标准化处理后，能够保证后续神经网络方法的训练效率和神经网络的映射的准确性和便利性。更为优选的是，挖掘出异常用电量数据的方法是：设定要研究的基于用电量数据的时间序列为P(t),且前3个月的数据是正常值，若后续数据满足以下条件，则说明数据P(t)为异常点数据，按照用电量异常点数据挖掘的实际情况，仅需要考虑用电量突然下降的情况，因此将上述条件优化为：其中，上述的两个公式中,γ为预警因子；P(t)为月份t月供应商月度用电量数据，其中t(1＜t≤12)，P(t-1)为月份为t-1的供应商月度用电量数据，当用电量突然下降时，前一个月的用电量大于后一个月的用电量，即P(t-1)＞P(t)。因选择前3个月数据为正常值可以有效排除掉季节因素的影响，优选的，n＝3(0＜j≤n)；γ为预警因子，可以根据供应商实际历史情况进行调节，它的值越大，挖掘的异常点就越少，在实例验证中表明，γ选择在1～3之间是比较合理的，因此优选γ为1～3。这里所说的前3个月是指每年的前三个月，也就是1月份、2月份、3月份。更为优选的，神经网络算法是指BP神经网络模型。具体进行BP神经网络预测之前的具体做法是，将供应商实际用电量的趋势数据、经过小波分解的曲线主趋势部分数据、经过小波分解的曲线趋势变化的曲线变动部分数据以及将拉格朗日插值法处理后的波动数据进行神经网络训练。所述BP神经网络模型包括输入层(input)、隐层(hidelayer)和输出层(outputlayer)。在输入层、隐层和输出层的选择上，考虑到季度和年度影响，每组数据选择6个数据作为神经元；综合考虑训练压力和训练效果，隐层数设为3个；输出层设为1个，将4组数据的输出层进行综合运算，预测得到为次月用电量预测值θ。BP神经网络模型用于未来用电量的预测时，对于模型参数设定时，基于网络搜索算法，依据供应商数据个性特征，设置差异化的网络超参数，使整个模型具有最优的网络结构。模型中选用带有“挤压”性质的激活函数ReLU，并增设Adam优化器，用于根据训练数据迭代来更新神经网络权重。预测结果形成后，通过设立评价指标对预测的性能进行评价，评价指标包括AMAPE和VAR，前者表示了预测的相对精度，后者代表了预测的稳定度，计算方法公式如下(其中P(t)为月份为t的供应商月度用电量数据，为相应月份的用电量预测值，N为参与训练样本中的总个数)：更为优选的是，使用再次取样法得到物资供应商的合理用电量波动区间的具体方法是：使用神经网络预测的过程中，输入的训练样本的每一个用电量数据都对应一个预测值，结合样本中用电量原始数据同预测值之间的差值大小计算训练样本的偏差，偏差计算公式如下。其中，t为训练样本中的用电量数据的个数，xi为样本中的某个用电量数据的预测值，x为某个用电量数据的真实值。从该供应商历史用电量数据中随机按时间顺序取大于6个数据的样本，多个训练样本将得到多个偏差值，将偏差值按数值大小由大到小排序构成一个偏差序列S，进行统计分析后，可以得知次月用电量的预测值属于各偏差类的概率q。如果偏差类sj包含j个(0＜j≤m，m为训练样本的个数)随机偏差的样本，则：若偏差序列S中有m个偏差值，sj为从小到大排序中的第j个偏差值。当给定一个显著性水平α后，可以确定偏差区间[su，sv]，该区间包含真实用电量值的概率为1-2α，算法如下：步骤01计算su，使得q(s≤su)＝α；其中，对于步骤本文档来自技高网...

【技术保护点】
1.基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：通过持续监控物资供应商的用电量，并将物资供应商的实际用电量与预测用电量区间进行比对，通过异常用电情况的预警，判断物资供应商的生产状况是否正常，是否具备正常的供货能力，包括以下步骤：S1：建立物资供应商的预测用电量区间；S2：监控物资供应商的实际用电量；S3：进行是否处于正常生产状态，以及是否具有生产经营风险和转包风险的判断：a.如果实际用电量介于预测用电量区间内，则认为物资供应商处于正常生产状况，具备正常生产能力，不存在生产经营风险和转包风险；b.如果实际用电量小于预测用电量最小值，则认为物资供应商处于非正常生产状态，生产能力不足，存在生产经营风险和转包风险；c.如果实际用电量大于预测用电量最大值，则认为供应商处于扩大生产规模的正常生产状况，不存在生产经营风险和转包风险。

【技术特征摘要】
2018.07.05 CN 20181073130241.基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：通过持续监控物资供应商的用电量，并将物资供应商的实际用电量与预测用电量区间进行比对，通过异常用电情况的预警，判断物资供应商的生产状况是否正常，是否具备正常的供货能力，包括以下步骤：S1：建立物资供应商的预测用电量区间；S2：监控物资供应商的实际用电量；S3：进行是否处于正常生产状态，以及是否具有生产经营风险和转包风险的判断：a.如果实际用电量介于预测用电量区间内，则认为物资供应商处于正常生产状况，具备正常生产能力，不存在生产经营风险和转包风险；b.如果实际用电量小于预测用电量最小值，则认为物资供应商处于非正常生产状态，生产能力不足，存在生产经营风险和转包风险；c.如果实际用电量大于预测用电量最大值，则认为供应商处于扩大生产规模的正常生产状况，不存在生产经营风险和转包风险。2.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：所述的用电量是指月度用电量、季度用电量或者是年度用电量。3.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：当用电量为月度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：首先运用归一化方法进行数据标准化处理，并运用小波分解法将用电量数据分离为趋势和波动，挖掘出异常用电量数据；并采用低阶差分去噪法分析用电量数据中的异常值，用异常值前一个月与后一个月用电量数据的拉格朗日差值替换异常值，得到拉格朗日插值法处理后的波动数据；然后通过采用神经网络算法预测供应商次月用电量数据，采用再次取样法得到物资供应商的合理用电量波动区间，即为物资供应商的预测用电量范围。4.根据权利要求1所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：当用电量为季度用电量或者年度用电量时，步骤S1建立物资供应商的预测用电量范围的方法是：收集某类物资供应商季度或者年度用电量数据和年营业收入数据，分析得出年度平均单位收入用电量的平均数，并根据观察的数据分布情况与波动趋势来分别选择平均数、中位数作为季度或者年度预测值、参考值进行预警判断；当分析数据时，数列分布偏差不大时，选取平均数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；当分析数据时，数列分布偏差较大时，选取中位数作为用电量预测值参考标准，并参考箱式图法，进行预警判断；按物资类别进行分析，将或者作为季度或者年度用电量预测数据，进行预警判断。5.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于，按照下式进行所述归一化方法的数据标准化处理：公式中，xmin,xmax指示原来用电量数据序列中最大值和最小值；x指示原始的用电量的数据序列，y为标准化后的用电量数据。6.根据权利要求3所述的基于用电量分析的物资供应商生产能力监控及异常预警方法，其特征在于：挖掘出异常用电量数据，并采用低阶差分去噪法分析用电量数据中的异常值的具体做法是，设定要研究的基于用电量数据的时间序列为P(t),且前3个月的数据是正常值，若...

【专利技术属性】
技术研发人员：袁黎，王新年，井伟，殷玮珺，肖少非，卞华星，杨店飞，房红，梁辰，张有志，
申请(专利权)人：国网江苏省电力有限公司物资分公司，南京和瑞供应链管理有限公司，
类型：发明
国别省市：江苏,32