[发明专利]基于自组织特征映射网络的电力物资分类方法

说明书

技术领域

本发明涉及电力物资分类技术领域，主要是电网公司物资管理环节中的基于自组织特征映射网络的电力物资分类方法。

背景技术

由于电力工业是装备性工业，其物资费用在电力生产成本和基础建设工程投资中都占有相当大的比重。电力设备物资的选用需要考虑到电网规模及电网运行方式，设备的固有质量及运行状况，设备的事故严重及危害程度、设备的兼容性，外界因素、气候条件等因素。因此电网储备物资库存管理难度大，设计面广，如何在不降低供电可靠性的同时，保障设备备品备件的有序供应，高效利用有限的库存资源，最大程度的降低库存成本成为当前电网物资管理所面临的重要问题和难题。

发明内容

本发明的目的是提供一种基于自组织特征映射网络的电力物资需求分类方法，实现物资基于需求特性的分类，分类的合理性对于库存控制策略管理及优化等具有非常重要的意义；且在不降低供电可靠性的同时，保障设备备品备件的有序供应，高效利用有限的库存资源，实现最大程度的降低库存成本。

为了实现上述目的，本发明提供如下技术方案：

基于自组织特征映射网络的电力物资分类方法，包括以下步骤：

物资数据采集：选取物资数据并将选取的物资数据构建成电力物资指标体系；

物资数据分析：将电力物资指标体系中的数据按照非线性主成分分析法选择出电力物资主成分分析指标；

物资分类：采用SOFM算法对选择出的电力物资主成分分析指标进行细分指标，并根据细分指标做聚类，建立电力物资的分类。

进一步地，所述选取物资数据的依据为根据物资需求特征选择的以下内容：

1)物资金额：所述物资金额为物资在一个时间周期内花费的金额；

2)缺货成本：所述缺货成本为电力物资缺货所造成的成本增加；

3)订货周期：所述订货周期为物资需求提报时间与物资到货时间间隔的平均值。

4)抢修占比：所述抢修占比为一个时间周期内，项目描述字段包含抢修字符的条目个数与总条目数的比值；

5)领用次数：所述领用次数为一个时间周期内物资的领用次数的平均值；

6)领用数量：所述领用数量为一个时间周期内物资的领用数量的平均值；

7)应急采购比：所述应急采购比为物资应急采购的金额与总金额的比值；

8)抢修金额：所述抢修金额为物资中抢修类型条目数的总金额。

进一步地，所述缺货成本根据物资对工期延误成本、人员成本以及经济损失综合评价分为十个等级。

进一步地，所述物资数据分析步骤中所述的将电力物资指标体系的数据按照非线性主成分分析法选择出电力物资主成分分析指标的非线性主成分分析法，具体为：

a.对选取的物资数据根据其指标以及样本数量进行均值化处理得到均值化数据；

b.对均值化数据的进行中心化对数变换后得到对数变换后的数据；

c.计算出对数变换后的数据的协方差矩阵；

d.计算出所述协方差矩阵的特征值和特征向量；

e.计算出物资的贡献率及累计贡献率；

f.选取电力物资主成分分析指标：将各主成份得分进行相加，然后根据相加的数据选择出电力物资主成分分析指标。

进一步地，所述采用SOFM算法对选择出的电力物资主成分分析指标进行细分指标具体为：

1)构建神经网络和网络拓扑结构，其中，所述神经网络包括输入层和竞争层的神经网络，所述网络拓扑结构为矩形网格结构；

2)对神经网络初始化及邻域半径的确定：将神经网络的输入节点和竞争层神经元之间实现全连接，形成n×m个连接，有N个相应的权值向量，对所有的权值向量{W_ij}赋予[0,1]区间内的随机数，并且对所有的权值向量进行归一化处理，确定初始邻域半径N_g(0)，学习率η(0)(0＜η(0)＜1)；

3)样本输入：从训练集中随机的抽取一个输入模式并且对其进行归一化处理进行输入，得到X_k＝(X₁，X₂，…X_n)，n为输入神经元数目；其中：

4)寻找获胜神经元：计算输入样本与全部竞争层神经元之间的欧氏距离，其计算公式为：

选择距离最小时对应的节点为竞争获胜神经元：