基于中期負荷預測分析的技改大修項目策略研究

任建聰，高 鑫，趙 飛，王 健，胡彩娥，李蘭芝

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

基于中期負荷預測分析的技改大修項目策略研究

任建聰1，高 鑫1，趙 飛1，王 健1，胡彩娥1，李蘭芝2

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

基于技改大修項目數據的分析，本文闡述了數據管理的一些問題，并給出解決方法。同時文章提出了中期負荷預測方法有利于該項目的規劃、更加有效安排設備和資源的觀點。文章從時間序列、回歸分析、神經網絡等模型角度進行分析，對項目進行優化，為技改大修的精益化提供了可靠的基礎。

技改大修；數據管理；中期負荷預測；時間序列；回歸分析；神經網絡

0 引言

生產技改大修項目是電網公司重要的投資活動，對確保電網的穩定運行具有十分重要的作用。一方面，由于電網設備壽命有限，需要在一定時期內更新，并且輸配電技術水平的不斷提高對電網提出更新更高要求，所以技改大修項目成為電網公司常態化工作。另一方面，提高供電可靠性、安全性、智能化水平，降低成本、節約能耗，采用新技術、新工藝、新設備等對現有設施、生產工藝條件進行改造，更有益于電網的穩定和發展。所以生產技改大修項目的執行情況關乎電網安全和設備投運效率，是各級供電企業的一項重點生產工作。

本文不僅從數據管理的角度提出實際的建議，并且從技術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荷預測有利于技改大修的項目規劃、合理安排資源的觀點。設備臺區的負荷預測不僅可以為設備后續的合理使用提供可靠地計劃，同時可以適當的減少異動情況的產生，為電網的安全平穩運行提供保障。中期負荷預測主要從時間序列、回歸分析和神經網絡三個模型分析，以實際的數據說明模型具有的可行性。

1 生產技改大修項目數據管理存在的主要問題

1.1 項目細節信息缺失

由于生產技改大修項目存在一定的實施周期，且橫向聯動涉及地市供電公司發展策劃、運維檢修、財務、物資、審計、經研等多個部門，縱向貫通多個層級，所以項目信息來源廣，數據雜，存在記錄困難的現象。但是在大數據發展的今天，需要進一步采集生產技改大修的細節數據，并對相關的報表數據進行完善，從數據科學的角度發揮電力大數據的作用，為電力系統的計劃和管理提供堅實的基礎。例如列項項目的技改大修方式，各個項目分項的投資金額分配等。與此同時，需要各個部門對生產技改大修計劃的步驟做出明確的反饋，加強每個流程的有效管控，得到每一個流程切實有效的時間及業務數據，便于運用數據分析的方法分析生產技改大修的效果，進一步地做出計劃并建模預測。相關負責部門可以制定相關數據表的格式要求，并進行有效的監督，使整個技改大修的數據及流程更加完善和詳細。

1.2 項目立項合理性待提升

項目的立項是整個生產技改大修的開始，具有很強的目標指向性，指導整個生產技改大修項目的施行，所以加強立項的合理性尤其重要。在實際的項目立項初期缺少合理的立項基礎，立項目的不明確，在相關信息中沒有體現原因等數據。由于對設備進行技改大修，保障電網的安全平穩運行，可以減少異動缺陷情況的產生。所以建議可以依據歷史數據的異動缺陷情況監測數據，從異動和缺陷較多的線路和臺區出發，在一定的費用范圍內合理分配費用，并依據線路的地理位置、天氣變化等因素進行詳細的投資方案設計，加強技改大修項目的精準性，提升整體投資的有效性。

2 中期負荷預測

中期的負荷預測是電網規劃的基礎工作，準確的預測能夠為電力工程建設提供有力的數據支持，對電力系統安全經濟運行和國民經濟發展具有重要意義。與此同時，中期負荷預測有利于對資產的規劃和應用，可以預測不同時間的負荷變化，便于對技改大修設備壽命及運行合理預期和安排，在負荷高峰時期和高速增長時期及時滿足設備的需求，所以進行中期預測從另外一個方面為技改大修項目提供幫助。而正確有效的中期負荷預測結果，對電網的增容及改進也具有重大的指導意義，便于技改大修工作中對線路臺區變壓器的改造工作的開展。

在下文中主要闡述了時間序列模型、回歸分析模型及神經網絡模型的理論及應用，為中期的負荷預測提供方法，從而可以更加準確的預測設備負荷及地市的負荷變化，為技改大修的精益化投資、合理性的規劃奠定基礎。

2.1 時間序列方法

時間序列預測方法是負荷預測的一種常用方法之一，依據電力負荷變動的慣性特征和時間上的延續性，預測未來的負荷變化。該模型是美國學者George Box和英國統計學家Gwilym Jenkins在1968年提出，被認為是最經典、最系統的預測方法，包括多種模型。模型的優點是：所需歷史數據少、工作量少。而缺點也比較明顯：沒有考慮導致負荷變化的其他因素，只針運用歷史規律進行擬合，適合負荷變化比較均勻平穩的情況。

樣本選取2015.01-2016.12的月度數據，用SPSS Modeler進行擬合，模型的構造方法為指數平滑法和簡單季節性，R方為0.75，模型擬合效果圖1所示。

圖1 時間序列方法負荷擬合曲線圖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，相對誤差均較小。本模型存在數據量較小的限制，但是在某些位置與實際值重合，且R方比較高，能夠很好的擬合實際的負荷值。

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

圖2 時間序列模型殘差曲線Fig.2 Residual curve of time series model

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

運用動態方法對其預測精度進行驗證，可以得到向后預測兩期效果較好，預測數據如表1所示。

表1 時間序列樣本外預測結果Tab.1 Out of sample forecasting results of time series

從表中數據可以得到，由于樣本數據量少，所以相對來說模型的預測精度較好，尤其是向后預測兩期的誤差在5%之內。在運用時間序列方法時，如果歷史數據有限，那樣本外預測的長度不宜較長。同時樣本外預測的精度會隨著長度的增加而下降，所以可以根據實際的歷史長度及其平穩性，作合適的預測工作。

2.2 回歸分析

回歸分析方法，是依據大量的歷史信息及相關理論經驗的基礎上建立的因變量與自變量之間的詳細的函數關系。一般自變量的選取會根據理論及經驗進行選取。在回歸分析模型中，根據自變量的個數可以劃分為一元回歸分析和多元回歸分析，而根據函數關系的表達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，電力負荷的變化與當地的 GDP密切相關，電力負荷會隨著經濟的發展而增長，同時電力負荷也與當地的天氣與氣候相關。但是本文中選取的是月度數據，所以根據文獻[1]中運用的方法及自變量，在這里選取最低溫度、最高溫度、平均溫度、天氣、風力等變量作為自變量，進行月度平均，公式如下：

下面進行相關分析。相關分析是確認變量之間是否存在相關關系的一種判斷方法，可以呈現出相關關系的形態、方向及密切關系。相關分析所討論的變量的地位是相同的。只有確認了變量之間的關系強度，才能更好的為回歸分析做準備。選取負荷、溫度天氣等六個變量做多變量的偏相關分析，得到相關系數如表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荷的相關性系數顯著，而負荷與天氣和風力的相關性不顯著。

下面繼續使用上述變量進行回歸分析，得到回歸分析的R方為0.633，F值為8.19，模型顯著成立。從下方的系數可以看出，最高溫度與最低溫度的系數顯著，且在模型中最高溫度與負荷成反向變化，最低溫度與負荷呈正向變化。從該模型可以得到，最高溫度與最低溫度影響電力負荷，可以應用天氣預報中的最高溫度與最低溫度的信息對負荷的進行預測分析，得到有效的分析效果。

表2 相關系數表Tab.2 Table of correlation coefficient

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

運用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荷曲線的趨勢，但是由于負荷本身的波動性，線性回歸模型在擬合時會有一定的誤差。

2.3 人工神經網絡

人工神經網絡（Artificial Neural Network，即ANN），是 20世紀 80 年代以來人工智能領域興起的研究熱點。它模擬人腦神經元網絡，并對其進行抽象化， 建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界常直接簡稱為神經網絡或類神經網絡。

神經網絡具有較強的非線性映射能力、自學習適應能力、聯想記憶能力、并行信息處理能力和優良的容錯性能，針對系統中的不確定性因素能夠更好的體現其優越性。

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，是一種前向結構的人工神經網絡，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有向圖，由多個節點層組成，每一層全連接到下一層，直到目標輸出向量。除了輸入節點，每個節點都是一個帶有非線性激活函數的神經元。

在SPSS Modeler中運用數據建立模型得到，最高氣溫與天氣是該模型中兩個重要性的變量，模型的準確性達到 67.5%，圖 5是數據的擬合圖，擬合圖可以較好的模擬負荷的波動幅度，在模擬較好的地方相對誤差最小的是2%，但在2016年負荷較小的時候偏離較大。

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

圖5 神經網絡方法負荷擬合曲線圖Fig.5 Load fitting curve of neural network method

2.4 模型的比較分析

綜上，時間序列模型運用時間的慣性能夠很好的對負荷進行模型，預測的效果也較好。而回歸分析模型與神經網絡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荷的重要因素，說明在負荷的變化過程中，最高溫度是需要重點關注的因素之一，可以運用該因素與其他的氣候因素對負荷進行預測分析，提前做出相應的計劃和安排。

3 結論

本文結合實際的技改大修項目的問題，提出了有效的改善措施,為生產技改大修項目的優化和精細化提供了改善的方向。同時文章提出了對負荷的中期預測有利于生產技改大修項目的規劃的觀點，簡單分析了時間序列方法、回歸分析法和神經網絡模型方法及實踐方法，為中期負荷預測提供了參考的方向，為技改大修的精益化發展提供了可能的技術基礎。

[1] 陸玉玲, 謝錢姣, 朱家明等, 基于時間序列對電力系統短期負荷的預測[J]. 西昌學院學報·自然科學版, 2017, 31(1):24-27.

[2] 李鵬飛, 加瑪力汗·庫馬什, 常喜強, 幾種電力負荷預測方法的比較[J]. 技術與應用, 2011, 06: 49-52.

[3] 徐東升, 楊巍, 魏哲, 劉興國, 基于SPSS的短期負荷特性分析及其預測研究[J]. 電力系統保護與控制, 2009, 37(21):147-151.

[4] 楊光糯, 蔡敏, 朱濤, 曾小平, 鄧海峰, 陳林, 基于綜合技術壽命評價方法的電網設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, 基于數據庫的電網技改大修管理模式探索[J]. 中國高新技術企業, 2017, 02: 132-133.

[6] 阮萍, 雷震, 王華, 基于灰色系統和人工神經網絡的中期電力負荷預測[J]. 計算機應用, 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荷預測[J]. 電網技術, 2008, No.288(19): 71-77.

[8] 江朋, 童述林, 萬志宏, 組合預測模型在電力系統負荷預測中的應用研究[J]. 應用技術, 自動化與信息工程, 2011,32(1): 36-48.

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

[10] 杜建軍, 上海電網中期負荷預測研究[D]. 上海: 上海交通大學, 2001.

[11] 劉忠, 配變中期負荷預測新方法[J]. 電網技術, 2007(s2):242-244.

[12] 郭平創, 中期電力負荷預測及負荷模型的研究[J]. 現代制造技術與裝備, 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荷預測[J]. 計算機系統應用, 2016, 25(3): 14-20.

[14] 高強, 王勝輝, 徐建源, 基于人工神經網絡的中期電力負荷預測研究[J]. 沈陽工業大學學報, 2004, 26(1): 41-43.

[15] 韓正牧, 技改大修項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. 基于中期負荷預測分析的技改大修項目策略研究[J]. 軟件，2017，38（12）：286-290

任健聰(1985-)，男，高級工程師，研究方向：電力系統自動化；高鑫(1979-)，男，高級工程師，研究方向：電力系統自動化；趙飛(1982-)，男，高級工程師，研究方向：研究方向為電網公司運營；王健(1979-)，男，高級工程師，研究方向：電力系統及其自動化；胡彩娥(1971-),女，高級工程師，研究方向：電力系統自動化；李蘭芝(1990-)，女，助理會計師，研究方向：電力數據分析及大數據建模。