大数据在电力物资需求预测管理中的应用研究

1 大数据简介

大数据(big data)，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。数据是国家基础性战略资源，是21世纪的“钻石矿”。

随着全球大数据产业的蓬勃发展，大数据产业在我国已快速兴起并展现出良好的发展势头，大数据产业将成为未来新的经济增长点。美国政府将大数据视为强化美国竞争力的关键因素之一，把大数据研究和生产计划提高到国家战略层面。2012年3月，美国奥巴马政府宣布投资2亿美元启动“大数据研究和发展计划”。据悉，美国国防部已经在积极部署大数据行动，利用海量数据挖掘高价值情报，提高快速响应能力，实现决策自动化。而美国中央情报局通过利用大数据技术，将分析搜集的数据时间由63天缩减到27分钟。

2014年3月1日，贵州.北京大数据产业推介会在北京隆重举行，这标志着贵州大数据正式启航，贵州成为开启大数据征程最早的省份之一。2015年8月，国务院印发《促进大数据发展行动纲要》，明确“鼓励贵州等地推进大数据综合试验区的建设”，贵州是唯一提到的省份；10月，党的十八届五中全会把大数据上升为国家战略。2016年5月25日至29日，由国家发改委、工信部、商务部、中央网信办和贵州省政府主办的中国大数据产业峰会暨中国电子商务创新发展峰会在贵阳举行，李克强总理出席并演讲。

在小学科学的课堂上，教师要努力创设一种平等民主的课堂教学氛围，给学生构建交流的平台。学生的认知活动是受情绪因素影响的，宽松、民主、和谐的教学氛围是学生自主学习、大胆探索、勇于创新、敢于交流的催化剂。只有这样学生才能完全放松，全身心投入，才会活跃思维，才敢畅所欲言。我们要允许学生犯错，因为每一个“错”都是学生进步的足迹，阻止了他们迈向“错”的脚步，等于阻断了他们迈向成功的道路。

电力大数据是大数据在电力行业的延伸和拓展[2]。中国电机工程学会2013年发布了《中国电力大数据发展白皮书》，该白皮书并未给出电力大数据的确切定义，但指出电力大数据不仅仅是技术进步，更是涉及整个电力系统在大数据时代下发展理念，管理体制和技术路线等方面的重大变革[1]。毋庸置疑，中国电力工业的大数据时代已经到来[3]，然而同样面临大数据时代的通病，即“数据海量，信息缺乏”[4]。虽然电力行业已经产生了海量数据，但大多数仅仅实现了数据存储、查询、统计等最基本层次的功能，尚未深入挖掘出隐藏在海量数据背后潜在的价值[5-7]。因此，加大电力大数据的统计、挖掘与分析是当前电网企业面临的重大挑战[13]。

2 电力物资需求预测的现状

2.1 概念

电力物资需求预测管理是电力物资需求计划管理里的第一个环节，是物资管理流程的源头，是信息起始点，优化电力物资需求预测管理体系是提升物资管理水平的瓶颈的关键环节，同时物资需求预测的准确性与及时性制约着物资管理水平的提高。在《贵州电网公司物资需求管理细则》里，对物资需求预测的管理要求各单位物资部门应参与本单位组织的初步设计审查等项目前期工作。对于完成初设的项目，根据物资采购标准、物资价格水平、物资采购目录、“优化物资品类、标准设计”与生产周期等物资供应要求，提出物资选型、概预算编制和项目工期制订等方面的建议。这样的要求，只是要求物资管理人员对预测里的物资做相关的申报管理，但是物资需求预测本身是不是准确，却无法衡量其准确性。

2.2 电力物资需求预测现状

从以上一、二级框招物资的预测与实际分配分析结果来看，其存在严重的失衡情况，结合实际工作开展情况分析，我们认为产生这种现象的主要原因有如下几个方面。

(3)对于一些施工过程中的消耗物资，依据实际工作的开展，对物资的使用存在较大的不确定因素，对于这部分物资需求计划仅依靠物资提报人员的个人经验进行预测会存在很大的偏差；

表1 2016年一级框招物资(部分材料)的金额预测与实际分配情况统计表 Tab.1 Statistical table of the amount forecast and actual distribution of the first class frame bidding materials in 2016

物资名称预测金额/(万元)分配金额/(万元)预测准确率/%110kV、220kV线路金具820384811496907182535kV、110kV、221kV钢管杆1319075589448678135kV、110kV、223kV变电站钢结构1165681394227211961113kV交流电力电缆11387188229116201113kV交流电力电缆附件20679902448012220kV、110kV、38kV交流合成绝缘子1661000035kV、110kV、224kV角钢塔43014182491077686527250520kV至503kV项目用钢芯铝绞线86773919873186791337367320kV至504kV项目用铝包钢芯铝绞线31585289230000钢芯铝合金绞线3063480000光纤复合架空地线光缆(OPGW)及管道光缆184253958551321485交流玻璃盘型悬式绝缘子81395653820326642497铝包钢绞线13088681718918541445

上表是2016年二级框招物资(部分材料)的数量预测与实际分配的情况统计表，对二级物资是按数量来对比的，与一级物资情况不一样的是，15项物资中有11项是预测数量小于实际分配数量，而且部分数量相差很大。由此可见，目前框招物资的预测与实际分配比例失衡情况严重。

对2016年一级物资是按照预测金额与分配金额来统计的，金额包含两个因素，数量和单价。由表可以看出，大部分物资的预测金额均超过实际分配金额，在该表中，13项物资就有11项物资的预测远远大于实际分配金额，其中预测超过分配50%的有9项。在预测与实际需求之间的较大差距会对物资的采购带来一系列的影响。

“得民心者得天下”。当前，伴随改革开放地不断深入，在经济社会取得巨大发展的同时，各种西方文化思潮也涌入中国，极端民主化、自由化等思潮不时沉渣泛起。大力加强当代中国主流政治文化建设，使人民能够从心底深处对党的方针政策、执政绩效、执政目标等有一个价值认同，则不仅是有力反击西方分化西化我国图谋的必然要求，也是更好地凝聚人心，巩固党的执政地位的现实需要。

表2 2016年二级框招物资(部分材料)的数量预测与实际分配情况统计表 Tab.2 Statistical table of the quantity forecast and actual distribution of the second class frame bidding materials in 2016

物资名称预测数量分配数量预测准确率/%瓷绝缘子1051681746061660310kV水泥杆(含高强杆)235271323032310kV钢管杆387837512062502610kV及以下电力标准金具9702222958172366310kV及以下非标电力金具5051036936500731272710kV及以下项目用钢芯铝绞线690203449310kV及以下项目用铝包钢芯铝绞线0034425147500010kV冷缩式电缆附件3046915633335kV电力标准金具08790000等径水泥杆5438270741低压电缆(阻燃型)28062522233低压电线9375404756477456024镀锌钢绞线(所有电压等级)15552566901510844375架空绝缘导线518124357186305306235958耐火、阻燃控制电缆3894053110419

2.3 导致问题的原因分析

当前供电局建设物资需求量大，种类繁多，每年开展物资需求预测的工作主要采取由下至上的工作模式，下层部门主要负责调研、统计、估算、上报，然后由上层部门进行审批、汇总和生成总体预测需求。由于从组织到收集，从审核到汇总的整个过程中，没有任何环节是对需求预测本身的准确性的把控，最后造成了虽然审核的工作量很大，生成需求周期时间长，但是最终物资需求预测准确率却不高的现象，也即是预测与实际需求不一致，差距较大。

获取的两组神经组织行20 μm横断切片，于明场显微镜将视野定位在切片上的神经组织，切换激光光源，激发波长为532 nm，暴露时间为50 s，累加50次，激光能量为50%，扫描范围为100 cm-1～4 000 cm-1。以同样的方法对实验组股神经皮支和肌支经去细胞神经处理后行20 μm横断切片，于拉曼光谱仪下观察并记录各组神经组织的拉曼光谱。

(2)城区规划的不可控，如政府对城区的规划的变更，使得工程项目在施工过程中会出现设计变更，从而导致物资需求的变化，最终影响实际分配种类和数量；

(1)不同项目类型有不同的预测来源。对于电网类项目，根据目前预测上报的时间节点，预测的物资品类和数量由设计单位给出，给出的明细与项目的具体进度很有关系，如果只是到可研阶段，预测会比较粗，如果是到了初设阶段，预测会相对准确，若是到了施工进场阶段，预测会比较准确；对于大修技改类项目，则没有设计单位，预测由实施单位的生产设备部专责上报，上报的品类和数量通常是以个人经验为依据来估算，由于专业水平的局限性和个人经验的参差不齐，必然存在不同人预测出的预测量不同，就会有不准确或是漏报现象存在；

贵州电网从2016年开始加大了对框架招标物资需求预测的管理，要求其准确率必须达到70%及以上，对各地市局也进行了需求预测准确率的考核。贵阳局2016年的一级框架招标物资准确率为51%，二级框架物资准确率为54%，均达不到省公司要求。

大数据是业务驱动型技术，以巨量数据为支撑，根据业务需求，挖掘数据关联性，为业务提供决策支持[8-9]。物资需求预测领域应从上报前预测、上报中分析、上报后挖掘等角度寻找大数据应用突破口[10-12]。结合大数据技术分类以及物资需求预测实际工作内容，我们应从以下几个方面开展相关的研究工作[14-15]：

4 大数据技术在需求预测中的应用分析

(4)还有一些未列在计划里的紧急项目的突然增加等。

二是建立完善管理责任制度。在天津日报公布了133条（段）纳入河长制管理的河道和57名“河长”名单，由“河长”对河道水生态环境管理负总责。各区县出台了具体的实施方案，细化分解落实责任至街镇、单位，有的区县还明确了街镇级河长。各区县制定了保洁养管及巡查制度，组建或利用已有保洁队伍，对河道进行日常保洁，全市水生态环境管理责任制初步建立。

(1)基础架构研究：主要包括为支撑大数据处理的基础架构级数据中心管理、云计算平台、云存储设备及技术、网络技术、资源监控等技术。大数据处理需要拥有大规模物理资源的云数据中心和具备高效的调度管理功能的云计算平台的支撑,供电局要实施大数据项目，首先则需要相应的大数据基础架构，当然前期我们只要较小规模的基础架构，满足大数据应用技术架构需求即可。

在现实社会中，形形色色的价值观念也在冲击着象牙塔内的大学生们，他们越来越冷漠，越来越不懂得感恩，甚至连一句“谢谢”也很吝啬。

娟妹听得心旷神怡：“淼哥，前几天我脚扭了，站地疼得全身出冷汗，可还是走到医院，一路上墙都没扶，可是你，我不得不服！

(2)数据采集技术:数据采集技术是数据处理的必备条件,首先需要有数据采集的手段,把信息收集上来,才能应用上层的数据处理技术。在物资需求预测管理中，数据采集主要通过数据的ETL(采集、转换、加载)来实现，从而将不同年度、不同类别项目、不同物资的实际分配数据进行存储。

(3)数据计算：我们把与数据查询、统计、分析、预测、挖掘、图谱处理、BI商业智能等各项相关的技术统称为数据计算技术。数据计算技术涵盖数据处理的方方面面,也是大数据技术的核心。在物资需求预测中，我们需要基于大量历史分配数据来进行各类物资需求量的计算。

(4)数据展现与交互:数据展现与交互在大数据技术中也至关重要,数据最终需要为人们所使用。选择恰当的、生动直观的展示方式能够帮助我们更好地理解数据及其内涵和关联关系,也能够更有效地解释和运用数据,发挥其价值。在展现方式上, 物资需求预测应用主要采用传统的数据报表、图形报表来展示,当然在数据报表方面，将根据实际应用需要，提供灵活的多维度报表，以更好指导实际应用[16-17]。

5 总结

针对供电局在物资需求预测管理中存在的问题，本文通过对历史数据的对比发现2016年一、二级框招物资预测与实际分配比例严重失衡,借此分析问题产生的原因，最后提出基于大数据技术开展物资需求预测的一个思路，将为今后开展大数据技术在电力物资需求预测中的应用奠定理论基础。

参考文献：

[1] 中国电机工程学会.中国电力大数据发展白皮书[M].北京：中国电力出版社，2013.

[2] 刘俊，罗凡，刘人境,等.大数据背景下电力需求侧管理的应用策略研究[J].电力需求侧管理，2016,18(02):5-10.

LIU Jun, LUO Fan, LIU Renjing, et al.Study on application strategies of demand-side management under big data background[J].Power Demand Side Management,2016,18(02):5-10.

[3] 张沛，杨华飞，许元斌.电力大数据及其在电网公司的应用[J]．中国电机工程学报，2014,34(S1)：85-92.

ZHANG Pei, YANG Huafei, XU Yuanbin.Power big data and its application scenarios in power grid[J].Proceedings of the CSEE, 2014,34 (S1): 85-92.

[4] 闫龙川,李雅西,李斌臣,等.电力大数据面临的机遇与挑战[J].电力信息与通信技术,2013,11(04):1-4.

YAN Longchuan, LI Yaxi, LI Binchen, et al.Opportunities and challenges of big data for the power industry[J].Electric Power Information Technology, 2013,11(04): 1-4.

[5] 陈超，张顺仕，尚守卫，等.大数据背景下电力行业数据应用研究[J].现代电子技术，2013(24)：8-11,14.

CHEN Chao, ZHANG Shunshi, SHANG Shouwei,et al.Research on power industry data application based on big data[J].Modern Electronics Technology, 2013 (24): 8-11,14.

[6] 唐瑞伟.电力大数据应用现状及发展前景[C]//电力行业信息化优秀论文集2014,2014年全国电力行业两化融合推进会暨全国电力企业信息化大会获奖论文.电力行业信息化优秀论文集，2014.

[7] 袁捷.贵州电网大数据应用探讨[J].电力大数据，2017,20(12)：4-7.

YUAN Jie.Discussion on application of big data in Guizhou Power Grid[J].Power Systems and Big Data, 2017,20 (12): 4-7.

[8] 张冰玉.基于数据挖掘技术的短期电力负荷预测[J].电力大数据，2017,20(10)：18-21.

ZHANG Bingyu.Prediction of short-term power load based on data mining technology[J].Power Systems and Big Data, 2017,20 (10): 18-21.

[9] 李占英.智能配电网大数据应用技术与前景分析[J].电力大数据，2017,20(11)：18-20.

LI Zhanying.Intelligent power distribution network and prospect analysis technology of data application system data applications[J].Power Systems and Big Data, 2017,20 (11): 18-20.

[10] 古庭赟，牛唯，孟令雯.智能电网环境下的需求侧行为的研究[J].电力大数据，2017,20(11)：89-92.

GU Tingyun, NIU Wei, MENG Lingwen.Research on demand side behavior in smart grid environment[J].Power Systems and Big Data, 2017,20 (11): 89-92.

[11] 曾四鸣.大数据挖掘技术在电力行业中的应用[J].电力大数据，2017,20(09)：81-84.

ZENG Siming.The application of big data mining (DM) technology in power system[J].Power Systems and Big Data, 2017,20 (09): 81-84.

[12] 顾海林，黄兴，李曦.电力需求侧管理模型的研究与应用[J].电力大数据，2017,20(08)：15-19.

GU Hailin, HUANG Xing, LI Xi.Research and application of power demand side management model[J].Power Systems and Big Data, 2017,20 (08): 15-19.

[13] 彭晓平，段琳，程旭明，等.基于电力大数据的实时流数据处理技术研究[J].电力大数据，2017,20(08)：58-60+35.

PENG Xiaoping, DUAN Lin, CHENG Xuming, et al.Research on real time flow data processing technology based on large power data[J].Power Systems and Big Data, 2017,20 (08): 58-60+35.

[14] 吕怡.电力需求侧管理探讨[J].贵州电力技术，2015,18(03)：85-88.

LV Yi.Power demand side management discussion[J].Guizhou Electric Power Technology, 2015,18 (03): 85-88.

[15] 王梅霖.电力需求侧管理研究[D].北京：北京交通大学，2011.

[16] 藏志刚.内蒙古电力物资管理信息平台架构及功能设计[J].内蒙古电力技术，2017，35(04)：92-96.

ZANG Zhigang.Material management information platform architecture of Inner Mongolia Power and its function design[J].Inner Mongolia Electric Power,2017,35(04):92-96.

[17] 闫亮,袁梦华.大数据环境下电网物资合同违约风险识别及应对策略研究[J].电力大数据，2017，20(09)：85-88.

YAN Liang,YUAN Menghua.Study on risk identification and countermeasures of grid material contract breach under big data environment[J].Power Systems and Big Data,2017,20(09):85-88.