灰色關聯分析在電力企業風險預警中的應用

李小蘭，倪志堅，馮 柳，張 琦

(國網沈陽供電公司，遼寧 沈陽 110003)

隨著電力體制改革的深入推進，未來發電、輸配電、售電產業格局將發生根本改變，同時我國對電網企業的監管方式也將轉變。電力企業必須以更低成本、更高效率和更優的服務質量來提升企業競爭力。目前，各行各業都在發展大數據應用，但多數企業對如何處理大數據并沒有清晰明確的發展規劃。作為正向能源互聯網轉型的傳統電力行業，大數據分析技術為行業發展注入了新的活力，高質高效地開展電力大數據采集、管理與分析應用，必將激活其中蘊含的價值，大大提升企業競爭力。在電力生產和管理方面充分利用信息化技術，深入挖掘分析數據更深層次的價值，將有利于供電企業精細化運營管理，全面管控各種經營風險，提高公司管理水平和運營效率[1]。

本文以地市供電公司為研究應用對象，將灰色關聯分析方法應用到信息系統中，分析各指標間的關聯關系，利用數據挖掘分析探尋基礎數據價值，建立風險預警網絡，一旦發現指標異動，其關聯的其他指標自動提前預警。同時，建立橫向協同機制，打破專業壁壘，各部門及時有效應對，使各項指標可控、能控、在控，在異動發生前干預，將事后監測向事前預警有效轉變，為公司管理層科學決策提供有力支撐。

1 灰色關聯分析法

1.1 原理

灰色關聯分析認為若干個比較數列所構成的各條曲線幾何形狀與參考數列幾何形狀越接近，他們的變化趨勢越接近，其關聯度就越大[2]。它彌補了傳統的數理統計分析方法要求大樣本、高規律性的缺陷，符合電力數據樣本個數多跨越多部門，但單個樣本周期少的特點。本文嘗試將灰色關聯分析方法應用于電力企業信息系統中，通過對變化趨勢的比對、分析，研究各部門指標間的關聯關系，將分散的信息進行有效整合，使系統風險預警功能更加高效、可靠。

1.2 關聯度分析

關聯度分析是一種曲線間幾何形狀的分析比較，即幾何形狀越接近，則關聯程度越大，反之則小。假定4個時間數據序列如圖1所示，將x1作為參考序列，x2、x3、x4作為比較序列，則關聯度為r12>r13>r14。

圖1 數據序列

1.3 灰色關聯分析應用于電力數據分析的優勢

電力數據指標有其自身特點，存在季節性、不可預測性等問題，觀測數據點會在某些特定時刻(如大型用電企業項目投產，新建小區的加入，季節性用電高峰)的到來，呈現周期性波動或階梯性突變，這些對數據指標的篩選、分析會帶來很大程度上的干擾。通常分析軟件如spss中使用相關分析多基于線性函數模型進行分析，需要極大量的序列數據才有相對準確的分析結果。灰色關聯分析對樣本量的多少和樣本有無規律都同樣適用,而且計算量小，十分方便，更不會出現量化結果與定性分析結果不符的情況，非常適用于電力系統數據分析過程。

1.4 灰色關聯分析在電力風險預警中的應用步驟

灰色關聯度分析法是將研究對象及影響因素的因子值視為一條線上的點，與待識別對象及影響因素的因子值所繪制的曲線進行比較，比較它們之間的貼近度，并分別量化，計算出研究對象與待識別對象各影響因素之間的貼近程度關聯度，通過比較各關聯度的大小來判斷待識別對象對研究對象的影響程度[3]。

將灰色關聯分析應用于電力風險預警系統的主要計算步驟如下。

a. 確定參考序列和比較序列

設定參考序列x0(t),比較序列xi(t),分別用于表征風險預警的行為特征和影響因素。

x0(t)={x0(1),x0(2),…,x0(n)}

(1)

xi(t)={xi(1),xi(2),…,xi(n)}

(i=1,2,…,m)

(2)

b. 對分析數列進行標準化轉換

電力風險預警算法中各指標數據意義各不相同，如果直接進行數據分析和比對的話，偏差太大，難以得出適當的結論。所以，灰色關聯分析必須在數據處理之前對各指標進行標準化處理。

c. 確定灰色關聯系數ξ(xi)

關聯系數是用于衡量指標間的相似程度，其根本幾何形狀上的接近程度，可以用比較序列的某個指標相對參考序列的該指標差值來進行衡量，對于參考序列x0的若干個比較序列x1，x2，x3，…，xn，關聯系數ξi(k)表示如式(3):

(3)

記Δi(k)=|x(k)-xi(k)|，則:

(4)

ρ為分辨系數，通常取0～1，其值越小，系統分辨能力越強，本文暫取ρ=0.5。

①求關聯度ri

為將所有指標的關聯程度值進行統一量化比較，需要將各個指標的灰色關聯系數進行處理，量化為總體關聯度ri。本文以各指標的平均值作為關聯度的數量表征，作為比較數列與參考數列之間關聯程度的數量表示，關聯度如下：

(5)

式中：ri為關聯度，表示比較序列xi相對參考序列x0的關聯程度，也稱平均關聯度、序列關聯度、線關聯度。ri值用于衡量比較指標與參考指標的接近程度，越接近1，證明與參考指標接近程度越好，數據樣本風險越低。

②關聯度排序

關聯度大小可以用于表征指標數據之間的關聯強度，將各個序列對同一參考序列的關聯度進行排序，就形成了關聯序列。關聯序列直觀表達了各比較序列相對風險程度的大小關系，有利于電力企業風險防控預警的宏觀把控。

d. 錯周期分析

普通的關聯分析在考查指標相關性方面是基于同期數據縱向和橫向對比分析的基礎上完成的，但結合電力數據的特點，指標間的互相作用往往會因為數據錄入或時效性而滯后。指標A對指標B的作用不會在當期中產生，而會在下一個周期中起作用。如1月份接電報裝數量增加，2月份的員工工作量、售電量都會增加，而3月份的用戶繳費額也會增加。針對此種情況，本文在開展灰色關聯分析的基礎上提出對數據實施錯周期關聯分析，確定一系列新的參考數列和比較數列，找出其中強關聯指標，尋找數據間關聯的未知可能性的存在，用于系統預測告警，提高指標的業務關聯準確度。

e. 預測分析

強關聯指標間有著內在的聯系，指標x變化，指標y也會有相應的變化。x與y之間的映射關系如果存在，即可以通過此關系進行相關預測。本文在利用灰色關聯分析計算指標間關聯度的基礎上，將周期指標值通過多次函數的矩陣擬合方法，利用正則方程組求解的方式完成多項式擬合過程，找出指標間描述的高次函數表達式y=f(x)，力求更加準確地擬合關聯指標間的映射函數，對相關指標進行預測，提前一個或幾個周期，進行預測告警。如指標“計量故障差錯次數(y)”與指標“95598舉報工單數(x)”之間的關系表達式為

y=-0.002 2x4+0.361 6x3-20.596 1x2+476.256 6x-2 667.87

(6)

2 電力指標數據的關聯分析

2.1 指標數據

由于年指標、季度指標數據量較小，變化規律不大，分析價值較低，因此確定以月度為周期，采集各指標2013年1月—2017年6月共54個周期值作為數據分析樣本。確保數據來源規范，采用線上與線下方式相結合，線上從各業務應用系統批量抽取，對少量缺失數據由對應專業部門線下核對后手工錄入，并以結構化方式存儲。利用灰色關聯理論能夠很好地解決數據短缺情況下模型難以建立的難題[4]，如表1所示。

表1 指標數據樣本

2.2 對數據開展關聯分析

采用經典加擴展灰色關聯分析法對數據進行分析，對分析結果進行清洗，形成有效的分析記錄。灰色關聯分析過程首先需要確定參考序列與比較序列，為了達到分析的全面性，將待分析基礎數據的每一個都做一次參考序列，其余為比較序列,計算出參考序列與所有比較序列的關聯度。分析過程如圖2所示。

圖2 指標分析過程

將計算結果與業務相結合展示，分析結果通過圖形方式動態、過濾展示方便、簡潔、直觀。如：關聯分析結果通過點擊柱狀圖，可直接顯示其部門指標與其他部門指標的關聯表格，表格中綠色代表2個指標具有強關聯關系，紅色代表弱關聯，如圖3所示。

圖3 關聯分析結果展示

點擊綠色小圖標，可展現具體關聯曲線，經過分級過濾可在十幾萬關聯關系中快速定位強關聯指標。

2.3 結果驗證

部分關聯指標及其相關系數如表2所示。

表2 關聯指標及相關系數表

表2中應收電費和售電收入指標之間存在的相關關系是顯而易見的，而其他指標間，經過相關部門專家論證分析，從業務角度推敲，通過該分析模型得到的相關系數絕對值在0.7以上的指標確實存在不同程度的因果關系或伴生關系。如故障報修總次數與重載線路比例的相關系數為0.796 8，線路重載多發生在冬季或夏季極端天氣出現時，極熱或極寒的氣候一般也會導致用電故障增多，因而故障報修總次數隨之增加，顯然2個指標間正相關性成立；又如主站成功采集的用戶數與供電電壓合格率的相關系數為0.72，一般電壓質量隨著供電半徑的增加而降低，尤其在農村地區，據調查，用戶多在電線桿上安裝有線電視放大器，受此影響，會出現末端電壓不足的情況，比正常電壓低20 V左右，直接導致信號傳遞質量變差、采集不通，因而采集成功率隨之降低，所以該正相關性成立。

2.4 應用實例

以某地市公司為研究對象，通過關聯分析后發現，供電可靠率及用戶平均停電時間與多個指標具

表3 供電可靠性指標及相關系數

有不同的相關關系，見表3。其中期末城市配網架空線路總長度與上述2個指標相關性最大，分別為-0.78、0.79，而其余指標的相關性絕對值均在0.4以下，可以認為基本不具備相關性。因此認為架空線路總長度對上述2個指標的影響最大。

經深入分析后發現由于目前公司所屬供電區域架空線路多使用裸導線，絕緣化程度較低，因此直接導致架空線路越長，供電可靠率越低，用戶平均停電時間越長。供電可靠率逐月降低，用戶平均停電時間持續增加，監測到該異動情況后，公司相關部門開展了協同分析，利用公司建立的分析模型，對各供電區域分別計算上述指標相關性，發現某供電區域相關性最高，達到0.97，說明該區架空線路絕緣化率是影響該區域供電可靠性的最主要因素，公司立即制定改造方案，將裸導線更換為絕緣線，并按各區域相關性系數高低，對在公司平均相關性系數之上的各家單位依次進行不同程度的改造。該舉措既提高了公司配網可靠性，又避免了盲目改造投入，最大化地節約了成本。

3 結束語

本文利用灰色關聯算法分析電力數據指標之間的關聯關系，通過利用不同指標間相關關系的遠近趨勢，分析多個因素作用下不同指標的貢獻率大小，在復雜的指標關聯網絡中，準確抓住主要矛盾，實現精準的定位問題、科學地分析問題，為解決問題提供了理論依據和事實依據。使企業變以往“亡羊補牢”式的管理為“事前預警、事中管控、事后考評”式的管理，打破專業壁壘、增強企業執行力，促進部門聯動、有效規避風險，企業應急反應、妥善處置能力更加高效，依法經營、規范管理效果更加明顯，事前預警、風險防控能力顯著提升。

[1] 李小蘭，田小蕾，倪志堅，等.基于大數據挖掘的運營監測分析研究[J].東北電力技術，2016,37(3):38-42.

[2] 李建坡，趙繼印，鄭蕊蕊.基于灰關聯理論的變壓器故障診斷專家系統[J].東北電力技術，2008，29(7):8-10.

[3] 何 翔.楊浦區衛生監督功能與管理狀況分析[D].上海：復旦大學, 2013：58.

[4] 周 暉，王 瑋，李曉梅.基于灰關聯理論的長春市電力消費預測模型的研究[J].東北電力技術，2004，25(9):13-16.