任建聰，高 鑫，趙 飛，王 健，胡彩娥，李蘭芝

（1. 國網(wǎng)北京供電公司，北京 100031；2. 北京中電普華信息技術(shù)有限公司，北京 100000）

基于中期負(fù)荷預(yù)測(cè)分析的技改大修項(xiàng)目策略研究

任建聰1，高 鑫1，趙 飛1，王 健1，胡彩娥1，李蘭芝2

（1. 國網(wǎng)北京供電公司，北京 100031；2. 北京中電普華信息技術(shù)有限公司，北京 100000）

基于技改大修項(xiàng)目數(shù)據(jù)的分析，本文闡述了數(shù)據(jù)管理的一些問題，并給出解決方法。同時(shí)文章提出了中期負(fù)荷預(yù)測(cè)方法有利于該項(xiàng)目的規(guī)劃、更加有效安排設(shè)備和資源的觀點(diǎn)。文章從時(shí)間序列、回歸分析、神經(jīng)網(wǎng)絡(luò)等模型角度進(jìn)行分析，對(duì)項(xiàng)目進(jìn)行優(yōu)化，為技改大修的精益化提供了可靠的基礎(chǔ)。

技改大修；數(shù)據(jù)管理；中期負(fù)荷預(yù)測(cè)；時(shí)間序列；回歸分析；神經(jīng)網(wǎng)絡(luò)

0 引言

生產(chǎn)技改大修項(xiàng)目是電網(wǎng)公司重要的投資活動(dòng)，對(duì)確保電網(wǎng)的穩(wěn)定運(yùn)行具有十分重要的作用。一方面，由于電網(wǎng)設(shè)備壽命有限，需要在一定時(shí)期內(nèi)更新，并且輸配電技術(shù)水平的不斷提高對(duì)電網(wǎng)提出更新更高要求，所以技改大修項(xiàng)目成為電網(wǎng)公司常態(tài)化工作。另一方面，提高供電可靠性、安全性、智能化水平，降低成本、節(jié)約能耗，采用新技術(shù)、新工藝、新設(shè)備等對(duì)現(xiàn)有設(shè)施、生產(chǎn)工藝條件進(jìn)行改造，更有益于電網(wǎng)的穩(wěn)定和發(fā)展。所以生產(chǎn)技改大修項(xiàng)目的執(zhí)行情況關(guān)乎電網(wǎng)安全和設(shè)備投運(yùn)效率，是各級(jí)供電企業(yè)的一項(xiàng)重點(diǎn)生產(chǎn)工作。

本文不僅從數(shù)據(jù)管理的角度提出實(shí)際的建議，并且從技術(shù)的層面給出有利于技改大修精益化的建議方法。文章首次提出了中期負(fù)荷預(yù)測(cè)有利于技改大修的項(xiàng)目規(guī)劃、合理安排資源的觀點(diǎn)。設(shè)備臺(tái)區(qū)的負(fù)荷預(yù)測(cè)不僅可以為設(shè)備后續(xù)的合理使用提供可靠地計(jì)劃，同時(shí)可以適當(dāng)?shù)臏p少異動(dòng)情況的產(chǎn)生，為電網(wǎng)的安全平穩(wěn)運(yùn)行提供保障。中期負(fù)荷預(yù)測(cè)主要從時(shí)間序列、回歸分析和神經(jīng)網(wǎng)絡(luò)三個(gè)模型分析，以實(shí)際的數(shù)據(jù)說明模型具有的可行性。

1 生產(chǎn)技改大修項(xiàng)目數(shù)據(jù)管理存在的主要問題

1.1 項(xiàng)目細(xì)節(jié)信息缺失

由于生產(chǎn)技改大修項(xiàng)目存在一定的實(shí)施周期，且橫向聯(lián)動(dòng)涉及地市供電公司發(fā)展策劃、運(yùn)維檢修、財(cái)務(wù)、物資、審計(jì)、經(jīng)研等多個(gè)部門，縱向貫通多個(gè)層級(jí)，所以項(xiàng)目信息來源廣，數(shù)據(jù)雜，存在記錄困難的現(xiàn)象。但是在大數(shù)據(jù)發(fā)展的今天，需要進(jìn)一步采集生產(chǎn)技改大修的細(xì)節(jié)數(shù)據(jù)，并對(duì)相關(guān)的報(bào)表數(shù)據(jù)進(jìn)行完善，從數(shù)據(jù)科學(xué)的角度發(fā)揮電力大數(shù)據(jù)的作用，為電力系統(tǒng)的計(jì)劃和管理提供堅(jiān)實(shí)的基礎(chǔ)。例如列項(xiàng)項(xiàng)目的技改大修方式，各個(gè)項(xiàng)目分項(xiàng)的投資金額分配等。與此同時(shí)，需要各個(gè)部門對(duì)生產(chǎn)技改大修計(jì)劃的步驟做出明確的反饋，加強(qiáng)每個(gè)流程的有效管控，得到每一個(gè)流程切實(shí)有效的時(shí)間及業(yè)務(wù)數(shù)據(jù)，便于運(yùn)用數(shù)據(jù)分析的方法分析生產(chǎn)技改大修的效果，進(jìn)一步地做出計(jì)劃并建模預(yù)測(cè)。相關(guān)負(fù)責(zé)部門可以制定相關(guān)數(shù)據(jù)表的格式要求，并進(jìn)行有效的監(jiān)督，使整個(gè)技改大修的數(shù)據(jù)及流程更加完善和詳細(xì)。

1.2 項(xiàng)目立項(xiàng)合理性待提升

項(xiàng)目的立項(xiàng)是整個(gè)生產(chǎn)技改大修的開始，具有很強(qiáng)的目標(biāo)指向性，指導(dǎo)整個(gè)生產(chǎn)技改大修項(xiàng)目的施行，所以加強(qiáng)立項(xiàng)的合理性尤其重要。在實(shí)際的項(xiàng)目立項(xiàng)初期缺少合理的立項(xiàng)基礎(chǔ)，立項(xiàng)目的不明確，在相關(guān)信息中沒有體現(xiàn)原因等數(shù)據(jù)。由于對(duì)設(shè)備進(jìn)行技改大修，保障電網(wǎng)的安全平穩(wěn)運(yùn)行，可以減少異動(dòng)缺陷情況的產(chǎn)生。所以建議可以依據(jù)歷史數(shù)據(jù)的異動(dòng)缺陷情況監(jiān)測(cè)數(shù)據(jù)，從異動(dòng)和缺陷較多的線路和臺(tái)區(qū)出發(fā)，在一定的費(fèi)用范圍內(nèi)合理分配費(fèi)用，并依據(jù)線路的地理位置、天氣變化等因素進(jìn)行詳細(xì)的投資方案設(shè)計(jì)，加強(qiáng)技改大修項(xiàng)目的精準(zhǔn)性，提升整體投資的有效性。

2 中期負(fù)荷預(yù)測(cè)

中期的負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃的基礎(chǔ)工作，準(zhǔn)確的預(yù)測(cè)能夠?yàn)殡娏こ探ㄔO(shè)提供有力的數(shù)據(jù)支持，對(duì)電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和國民經(jīng)濟(jì)發(fā)展具有重要意義。與此同時(shí)，中期負(fù)荷預(yù)測(cè)有利于對(duì)資產(chǎn)的規(guī)劃和應(yīng)用，可以預(yù)測(cè)不同時(shí)間的負(fù)荷變化，便于對(duì)技改大修設(shè)備壽命及運(yùn)行合理預(yù)期和安排，在負(fù)荷高峰時(shí)期和高速增長時(shí)期及時(shí)滿足設(shè)備的需求，所以進(jìn)行中期預(yù)測(cè)從另外一個(gè)方面為技改大修項(xiàng)目提供幫助。而正確有效的中期負(fù)荷預(yù)測(cè)結(jié)果，對(duì)電網(wǎng)的增容及改進(jìn)也具有重大的指導(dǎo)意義，便于技改大修工作中對(duì)線路臺(tái)區(qū)變壓器的改造工作的開展。

在下文中主要闡述了時(shí)間序列模型、回歸分析模型及神經(jīng)網(wǎng)絡(luò)模型的理論及應(yīng)用，為中期的負(fù)荷預(yù)測(cè)提供方法，從而可以更加準(zhǔn)確的預(yù)測(cè)設(shè)備負(fù)荷及地市的負(fù)荷變化，為技改大修的精益化投資、合理性的規(guī)劃奠定基礎(chǔ)。

2.1 時(shí)間序列方法

時(shí)間序列預(yù)測(cè)方法是負(fù)荷預(yù)測(cè)的一種常用方法之一，依據(jù)電力負(fù)荷變動(dòng)的慣性特征和時(shí)間上的延續(xù)性，預(yù)測(cè)未來的負(fù)荷變化。該模型是美國學(xué)者George Box和英國統(tǒng)計(jì)學(xué)家Gwilym Jenkins在1968年提出，被認(rèn)為是最經(jīng)典、最系統(tǒng)的預(yù)測(cè)方法，包括多種模型。模型的優(yōu)點(diǎn)是：所需歷史數(shù)據(jù)少、工作量少。而缺點(diǎn)也比較明顯：沒有考慮導(dǎo)致負(fù)荷變化的其他因素，只針運(yùn)用歷史規(guī)律進(jìn)行擬合，適合負(fù)荷變化比較均勻平穩(wěn)的情況。

樣本選取2015.01-2016.12的月度數(shù)據(jù)，用SPSS Modeler進(jìn)行擬合，模型的構(gòu)造方法為指數(shù)平滑法和簡單季節(jié)性，R方為0.75，模型擬合效果圖1所示。

圖1 時(shí)間序列方法負(fù)荷擬合曲線圖Fig.1 Load fitting curve of time series method

從擬合的曲線圖可以看出，擬合的效果很好，除了在兩年的三月份擬合偏離較大外，相對(duì)誤差均較小。本模型存在數(shù)據(jù)量較小的限制，但是在某些位置與實(shí)際值重合，且R方比較高，能夠很好的擬合實(shí)際的負(fù)荷值。

從殘差的角度觀察，得到如下結(jié)論：（1）殘差圍繞0值上下波動(dòng)；（2）殘差的分布與正態(tài)分布相似，所以可以判定殘差為白噪聲序列。

圖2 時(shí)間序列模型殘差曲線Fig.2 Residual curve of time series model

圖3 時(shí)間序列模型殘差分布情況Fig.3 Residual distribution of time series model

運(yùn)用動(dòng)態(tài)方法對(duì)其預(yù)測(cè)精度進(jìn)行驗(yàn)證，可以得到向后預(yù)測(cè)兩期效果較好，預(yù)測(cè)數(shù)據(jù)如表1所示。

表1 時(shí)間序列樣本外預(yù)測(cè)結(jié)果Tab.1 Out of sample forecasting results of time series

從表中數(shù)據(jù)可以得到，由于樣本數(shù)據(jù)量少，所以相對(duì)來說模型的預(yù)測(cè)精度較好，尤其是向后預(yù)測(cè)兩期的誤差在5%之內(nèi)。在運(yùn)用時(shí)間序列方法時(shí)，如果歷史數(shù)據(jù)有限，那樣本外預(yù)測(cè)的長度不宜較長。同時(shí)樣本外預(yù)測(cè)的精度會(huì)隨著長度的增加而下降，所以可以根據(jù)實(shí)際的歷史長度及其平穩(wěn)性，作合適的預(yù)測(cè)工作。

2.2 回歸分析

回歸分析方法，是依據(jù)大量的歷史信息及相關(guān)理論經(jīng)驗(yàn)的基礎(chǔ)上建立的因變量與自變量之間的詳細(xì)的函數(shù)關(guān)系。一般自變量的選取會(huì)根據(jù)理論及經(jīng)驗(yàn)進(jìn)行選取。在回歸分析模型中，根據(jù)自變量的個(gè)數(shù)可以劃分為一元回歸分析和多元回歸分析，而根據(jù)函數(shù)關(guān)系的表達(dá)式可以劃分為線性回歸和非線性回歸。通常最常用的回歸分析方法為一元線性回歸。

一般情況下，電力負(fù)荷的變化與當(dāng)?shù)氐?GDP密切相關(guān)，電力負(fù)荷會(huì)隨著經(jīng)濟(jì)的發(fā)展而增長，同時(shí)電力負(fù)荷也與當(dāng)?shù)氐奶鞖馀c氣候相關(guān)。但是本文中選取的是月度數(shù)據(jù)，所以根據(jù)文獻(xiàn)[1]中運(yùn)用的方法及自變量，在這里選取最低溫度、最高溫度、平均溫度、天氣、風(fēng)力等變量作為自變量，進(jìn)行月度平均，公式如下：

下面進(jìn)行相關(guān)分析。相關(guān)分析是確認(rèn)變量之間是否存在相關(guān)關(guān)系的一種判斷方法，可以呈現(xiàn)出相關(guān)關(guān)系的形態(tài)、方向及密切關(guān)系。相關(guān)分析所討論的變量的地位是相同的。只有確認(rèn)了變量之間的關(guān)系強(qiáng)度，才能更好的為回歸分析做準(zhǔn)備。選取負(fù)荷、溫度天氣等六個(gè)變量做多變量的偏相關(guān)分析，得到相關(guān)系數(shù)如表2所示。

從表2中可以看出，在0.05的顯著水平下，最高溫度、最低溫度與平均溫度與負(fù)荷的相關(guān)性系數(shù)顯著，而負(fù)荷與天氣和風(fēng)力的相關(guān)性不顯著。

下面繼續(xù)使用上述變量進(jìn)行回歸分析，得到回歸分析的R方為0.633，F(xiàn)值為8.19，模型顯著成立。從下方的系數(shù)可以看出，最高溫度與最低溫度的系數(shù)顯著，且在模型中最高溫度與負(fù)荷成反向變化，最低溫度與負(fù)荷呈正向變化。從該模型可以得到，最高溫度與最低溫度影響電力負(fù)荷，可以應(yīng)用天氣預(yù)報(bào)中的最高溫度與最低溫度的信息對(duì)負(fù)荷的進(jìn)行預(yù)測(cè)分析，得到有效的分析效果。

表2 相關(guān)系數(shù)表Tab.2 Table of correlation coefficient

表3 回歸分析模型系數(shù)及顯著性表Tab.3 Coefficient and significance table of regression analysis model

運(yùn)用SPSS Modeler得到圖4下的擬合曲線，從曲線可以看出，回歸模型可以模擬負(fù)荷曲線的趨勢(shì)，但是由于負(fù)荷本身的波動(dòng)性，線性回歸模型在擬合時(shí)會(huì)有一定的誤差。

2.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，即ANN），是 20世紀(jì) 80 年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)。它模擬人腦神經(jīng)元網(wǎng)絡(luò)，并對(duì)其進(jìn)行抽象化， 建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。在工程與學(xué)術(shù)界常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、自學(xué)習(xí)適應(yīng)能力、聯(lián)想記憶能力、并行信息處理能力和優(yōu)良的容錯(cuò)性能，針對(duì)系統(tǒng)中的不確定性因素能夠更好的體現(xiàn)其優(yōu)越性。

模型仍舊使用最高溫度、最低溫度等變量建立了多層感知器模型。多層感知器模型，是一種前向結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，將一組輸入向量映射到一組輸出向量。它可以被看作是一個(gè)有向圖，由多個(gè)節(jié)點(diǎn)層組成，每一層全連接到下一層，直到目標(biāo)輸出向量。除了輸入節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都是一個(gè)帶有非線性激活函數(shù)的神經(jīng)元。

在SPSS Modeler中運(yùn)用數(shù)據(jù)建立模型得到，最高氣溫與天氣是該模型中兩個(gè)重要性的變量，模型的準(zhǔn)確性達(dá)到 67.5%，圖 5是數(shù)據(jù)的擬合圖，擬合圖可以較好的模擬負(fù)荷的波動(dòng)幅度，在模擬較好的地方相對(duì)誤差最小的是2%，但在2016年負(fù)荷較小的時(shí)候偏離較大。

圖4 回歸分析方法負(fù)荷擬合曲線圖Fig.4 Load fitting curve of Regression analysis

圖5 神經(jīng)網(wǎng)絡(luò)方法負(fù)荷擬合曲線圖Fig.5 Load fitting curve of neural network method

2.4 模型的比較分析

綜上，時(shí)間序列模型運(yùn)用時(shí)間的慣性能夠很好的對(duì)負(fù)荷進(jìn)行模型，預(yù)測(cè)的效果也較好。而回歸分析模型與神經(jīng)網(wǎng)絡(luò)模型具有一致的輸入變量，但是在不同的模型中，最高溫度都是影響負(fù)荷的重要因素，說明在負(fù)荷的變化過程中，最高溫度是需要重點(diǎn)關(guān)注的因素之一，可以運(yùn)用該因素與其他的氣候因素對(duì)負(fù)荷進(jìn)行預(yù)測(cè)分析，提前做出相應(yīng)的計(jì)劃和安排。

3 結(jié)論

本文結(jié)合實(shí)際的技改大修項(xiàng)目的問題，提出了有效的改善措施,為生產(chǎn)技改大修項(xiàng)目的優(yōu)化和精細(xì)化提供了改善的方向。同時(shí)文章提出了對(duì)負(fù)荷的中期預(yù)測(cè)有利于生產(chǎn)技改大修項(xiàng)目的規(guī)劃的觀點(diǎn)，簡單分析了時(shí)間序列方法、回歸分析法和神經(jīng)網(wǎng)絡(luò)模型方法及實(shí)踐方法，為中期負(fù)荷預(yù)測(cè)提供了參考的方向，為技改大修的精益化發(fā)展提供了可能的技術(shù)基礎(chǔ)。

[1] 陸玉玲, 謝錢姣, 朱家明等, 基于時(shí)間序列對(duì)電力系統(tǒng)短期負(fù)荷的預(yù)測(cè)[J]. 西昌學(xué)院學(xué)報(bào)·自然科學(xué)版, 2017, 31(1):24-27.

[2] 李鵬飛, 加瑪力汗·庫馬什, 常喜強(qiáng), 幾種電力負(fù)荷預(yù)測(cè)方法的比較[J]. 技術(shù)與應(yīng)用, 2011, 06: 49-52.

[3] 徐東升, 楊巍, 魏哲, 劉興國, 基于SPSS的短期負(fù)荷特性分析及其預(yù)測(cè)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2009, 37(21):147-151.

[4] 楊光糯, 蔡敏, 朱濤, 曾小平, 鄧海峰, 陳林, 基于綜合技術(shù)壽命評(píng)價(jià)方法的電網(wǎng)設(shè)備技改大修策略研究[J]. 湖北電力, 2016, 40(2): 1-6.

[5] 沈潤夏, 余秦軍, 江來, 基于數(shù)據(jù)庫的電網(wǎng)技改大修管理模式探索[J]. 中國高新技術(shù)企業(yè), 2017, 02: 132-133.

[6] 阮萍, 雷震, 王華, 基于灰色系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用, 2004, 24(s1): 22-25.

[7] 毛李帆, 江岳春, 龍瑞華, 李妮, 黃慧, 基于偏最小二乘回歸分析的中期電力負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù), 2008, No.288(19): 71-77.

[8] 江朋, 童述林, 萬志宏, 組合預(yù)測(cè)模型在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J]. 應(yīng)用技術(shù), 自動(dòng)化與信息工程, 2011,32(1): 36-48.

[9] 朱明明, 陳麗, 淺談技改大修項(xiàng)目管理中存在的問題及分析[J]. 電力設(shè)備, 2016, 13: 24-26.

[10] 杜建軍, 上海電網(wǎng)中期負(fù)荷預(yù)測(cè)研究[D]. 上海: 上海交通大學(xué), 2001.

[11] 劉忠, 配變中期負(fù)荷預(yù)測(cè)新方法[J]. 電網(wǎng)技術(shù), 2007(s2):242-244.

[12] 郭平創(chuàng), 中期電力負(fù)荷預(yù)測(cè)及負(fù)荷模型的研究[J]. 現(xiàn)代制造技術(shù)與裝備, 2016(5): 5-6.

[13] 翁金芳, 黃偉, 江育娥, 林劼, 基于多因素加法模型的中期電力負(fù)荷預(yù)測(cè)[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2016, 25(3): 14-20.

[14] 高強(qiáng), 王勝輝, 徐建源, 基于人工神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測(cè)研究[J]. 沈陽工業(yè)大學(xué)學(xué)報(bào), 2004, 26(1): 41-43.

[15] 韓正牧, 技改大修項(xiàng)目管理中存在的問題及分析[J]. 青海電力, 2012, 31(s2): 67-69.

Research of Technical Improvement and Overhaul Strategy Based on the Analysis of Mid-term Load Forecasting

REN Jian-cong1, GAO Xin1, ZHAO Fei1, WANG Jian1, HU Cai-e1, LI Lan-zhi2
(1. State Grid beijing power supply company, bijing, 100031, China; 2. Beijing China-power puhua co, LTD, Beijing, 100000, China)

Based on the analysis of the technical improvement and overhaul project data, this paper expounds some problems of data management and gives some solutions. At the same time, the paper puts forward the idea of the medium-term load forecasting method which is beneficial to the planning of the project and more efficient arrangement of equipment and resources. This paper uses the time series analysis, regression analysis, neural network for analysis, and optimizes the project, which provides a reliable basis for the lean of the technical transformation reform.

Technical Improvement and overhaul; Data management; Mid-term load forecasting; Time series analysis; Regression analysis; Neural network

TM715

A

10.3969/j.issn.1003-6970.2017.12.058

本文著錄格式：任建聰，高鑫，趙飛，等. 基于中期負(fù)荷預(yù)測(cè)分析的技改大修項(xiàng)目策略研究[J]. 軟件，2017，38（12）：286-290

任健聰(1985-)，男，高級(jí)工程師，研究方向：電力系統(tǒng)自動(dòng)化；高鑫(1979-)，男，高級(jí)工程師，研究方向：電力系統(tǒng)自動(dòng)化；趙飛(1982-)，男，高級(jí)工程師，研究方向：研究方向?yàn)殡娋W(wǎng)公司運(yùn)營；王健(1979-)，男，高級(jí)工程師，研究方向：電力系統(tǒng)及其自動(dòng)化；胡彩娥(1971-),女，高級(jí)工程師，研究方向：電力系統(tǒng)自動(dòng)化；李蘭芝(1990-)，女，助理會(huì)計(jì)師，研究方向：電力數(shù)據(jù)分析及大數(shù)據(jù)建模。