基于中期负荷预测分析的技改大修项目策略研究

任建聪，高 鑫，赵 飞，王 健，胡彩娥，李兰芝

（1. 国网北京供电公司，北京 100031；2. 北京中电普华信息技术有限公司，北京 100000）

基于中期负荷预测分析的技改大修项目策略研究

任建聪1，高 鑫1，赵 飞1，王 健1，胡彩娥1，李兰芝2

（1. 国网北京供电公司，北京 100031；2. 北京中电普华信息技术有限公司，北京 100000）

基于技改大修项目数据的分析，本文阐述了数据管理的一些问题，并给出解决方法。同时文章提出了中期负荷预测方法有利于该项目的规划、更加有效安排设备和资源的观点。文章从时间序列、回归分析、神经网络等模型角度进行分析，对项目进行优化，为技改大修的精益化提供了可靠的基础。

技改大修；数据管理；中期负荷预测；时间序列；回归分析；神经网络

0 引言

生产技改大修项目是电网公司重要的投资活动，对确保电网的稳定运行具有十分重要的作用。一方面，由于电网设备寿命有限，需要在一定时期内更新，并且输配电技术水平的不断提高对电网提出更新更高要求，所以技改大修项目成为电网公司常态化工作。另一方面，提高供电可靠性、安全性、智能化水平，降低成本、节约能耗，采用新技术、新工艺、新设备等对现有设施、生产工艺条件进行改造，更有益于电网的稳定和发展。所以生产技改大修项目的执行情况关乎电网安全和设备投运效率，是各级供电企业的一项重点生产工作。

本文不仅从数据管理的角度提出实际的建议，并且从技术的层面给出有利于技改大修精益化的建议方法。文章首次提出了中期负荷预测有利于技改大修的项目规划、合理安排资源的观点。设备台区的负荷预测不仅可以为设备后续的合理使用提供可靠地计划，同时可以适当的减少异动情况的产生，为电网的安全平稳运行提供保障。中期负荷预测主要从时间序列、回归分析和神经网络三个模型分析，以实际的数据说明模型具有的可行性。

1 生产技改大修项目数据管理存在的主要问题

1.1 项目细节信息缺失

由于生产技改大修项目存在一定的实施周期，且横向联动涉及地市供电公司发展策划、运维检修、财务、物资、审计、经研等多个部门，纵向贯通多个层级，所以项目信息来源广，数据杂，存在记录困难的现象。但是在大数据发展的今天，需要进一步采集生产技改大修的细节数据，并对相关的报表数据进行完善，从数据科学的角度发挥电力大数据的作用，为电力系统的计划和管理提供坚实的基础。例如列项项目的技改大修方式，各个项目分项的投资金额分配等。与此同时，需要各个部门对生产技改大修计划的步骤做出明确的反馈，加强每个流程的有效管控，得到每一个流程切实有效的时间及业务数据，便于运用数据分析的方法分析生产技改大修的效果，进一步地做出计划并建模预测。相关负责部门可以制定相关数据表的格式要求，并进行有效的监督，使整个技改大修的数据及流程更加完善和详细。

1.2 项目立项合理性待提升

项目的立项是整个生产技改大修的开始，具有很强的目标指向性，指导整个生产技改大修项目的施行，所以加强立项的合理性尤其重要。在实际的项目立项初期缺少合理的立项基础，立项目的不明确，在相关信息中没有体现原因等数据。由于对设备进行技改大修，保障电网的安全平稳运行，可以减少异动缺陷情况的产生。所以建议可以依据历史数据的异动缺陷情况监测数据，从异动和缺陷较多的线路和台区出发，在一定的费用范围内合理分配费用，并依据线路的地理位置、天气变化等因素进行详细的投资方案设计，加强技改大修项目的精准性，提升整体投资的有效性。

2 中期负荷预测

中期的负荷预测是电网规划的基础工作，准确的预测能够为电力工程建设提供有力的数据支持，对电力系统安全经济运行和国民经济发展具有重要意义。与此同时，中期负荷预测有利于对资产的规划和应用，可以预测不同时间的负荷变化，便于对技改大修设备寿命及运行合理预期和安排，在负荷高峰时期和高速增长时期及时满足设备的需求，所以进行中期预测从另外一个方面为技改大修项目提供帮助。而正确有效的中期负荷预测结果，对电网的增容及改进也具有重大的指导意义，便于技改大修工作中对线路台区变压器的改造工作的开展。

在下文中主要阐述了时间序列模型、回归分析模型及神经网络模型的理论及应用，为中期的负荷预测提供方法，从而可以更加准确的预测设备负荷及地市的负荷变化，为技改大修的精益化投资、合理性的规划奠定基础。

2.1 时间序列方法

时间序列预测方法是负荷预测的一种常用方法之一，依据电力负荷变动的惯性特征和时间上的延续性，预测未来的负荷变化。该模型是美国学者George Box和英国统计学家Gwilym Jenkins在1968年提出，被认为是最经典、最系统的预测方法，包括多种模型。模型的优点是：所需历史数据少、工作量少。而缺点也比较明显：没有考虑导致负荷变化的其他因素，只针运用历史规律进行拟合，适合负荷变化比较均匀平稳的情况。

样本选取2015.01-2016.12的月度数据，用SPSS Modeler进行拟合，模型的构造方法为指数平滑法和简单季节性，R方为0.75，模型拟合效果图1所示。

图1 时间序列方法负荷拟合曲线图Fig.1 Load fitting curve of time series method

从拟合的曲线图可以看出，拟合的效果很好，除了在两年的三月份拟合偏离较大外，相对误差均较小。本模型存在数据量较小的限制，但是在某些位置与实际值重合，且R方比较高，能够很好的拟合实际的负荷值。

从残差的角度观察，得到如下结论：（1）残差围绕0值上下波动；（2）残差的分布与正态分布相似，所以可以判定残差为白噪声序列。

图2 时间序列模型残差曲线Fig.2 Residual curve of time series model

图3 时间序列模型残差分布情况Fig.3 Residual distribution of time series model

运用动态方法对其预测精度进行验证，可以得到向后预测两期效果较好，预测数据如表1所示。

表1 时间序列样本外预测结果Tab.1 Out of sample forecasting results of time series

从表中数据可以得到，由于样本数据量少，所以相对来说模型的预测精度较好，尤其是向后预测两期的误差在5%之内。在运用时间序列方法时，如果历史数据有限，那样本外预测的长度不宜较长。同时样本外预测的精度会随着长度的增加而下降，所以可以根据实际的历史长度及其平稳性，作合适的预测工作。

2.2 回归分析

回归分析方法，是依据大量的历史信息及相关理论经验的基础上建立的因变量与自变量之间的详细的函数关系。一般自变量的选取会根据理论及经验进行选取。在回归分析模型中，根据自变量的个数可以划分为一元回归分析和多元回归分析，而根据函数关系的表达式可以划分为线性回归和非线性回归。通常最常用的回归分析方法为一元线性回归。

一般情况下，电力负荷的变化与当地的 GDP密切相关，电力负荷会随着经济的发展而增长，同时电力负荷也与当地的天气与气候相关。但是本文中选取的是月度数据，所以根据文献[1]中运用的方法及自变量，在这里选取最低温度、最高温度、平均温度、天气、风力等变量作为自变量，进行月度平均，公式如下：

下面进行相关分析。相关分析是确认变量之间是否存在相关关系的一种判断方法，可以呈现出相关关系的形态、方向及密切关系。相关分析所讨论的变量的地位是相同的。只有确认了变量之间的关系强度，才能更好的为回归分析做准备。选取负荷、温度天气等六个变量做多变量的偏相关分析，得到相关系数如表2所示。

从表2中可以看出，在0.05的显著水平下，最高温度、最低温度与平均温度与负荷的相关性系数显著，而负荷与天气和风力的相关性不显著。

下面继续使用上述变量进行回归分析，得到回归分析的R方为0.633，F值为8.19，模型显著成立。从下方的系数可以看出，最高温度与最低温度的系数显著，且在模型中最高温度与负荷成反向变化，最低温度与负荷呈正向变化。从该模型可以得到，最高温度与最低温度影响电力负荷，可以应用天气预报中的最高温度与最低温度的信息对负荷的进行预测分析，得到有效的分析效果。

表2 相关系数表Tab.2 Table of correlation coefficient

表3 回归分析模型系数及显著性表Tab.3 Coefficient and significance table of regression analysis model

运用SPSS Modeler得到图4下的拟合曲线，从曲线可以看出，回归模型可以模拟负荷曲线的趋势，但是由于负荷本身的波动性，线性回归模型在拟合时会有一定的误差。

2.3 人工神经网络

人工神经网络（Artificial Neural Network，即ANN），是 20世纪 80 年代以来人工智能领域兴起的研究热点。它模拟人脑神经元网络，并对其进行抽象化， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界常直接简称为神经网络或类神经网络。

神经网络具有较强的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理能力和优良的容错性能，针对系统中的不确定性因素能够更好的体现其优越性。

模型仍旧使用最高温度、最低温度等变量建立了多层感知器模型。多层感知器模型，是一种前向结构的人工神经网络，将一组输入向量映射到一组输出向量。它可以被看作是一个有向图，由多个节点层组成，每一层全连接到下一层，直到目标输出向量。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。

在SPSS Modeler中运用数据建立模型得到，最高气温与天气是该模型中两个重要性的变量，模型的准确性达到 67.5%，图 5是数据的拟合图，拟合图可以较好的模拟负荷的波动幅度，在模拟较好的地方相对误差最小的是2%，但在2016年负荷较小的时候偏离较大。

图4 回归分析方法负荷拟合曲线图Fig.4 Load fitting curve of Regression analysis

图5 神经网络方法负荷拟合曲线图Fig.5 Load fitting curve of neural network method

2.4 模型的比较分析

综上，时间序列模型运用时间的惯性能够很好的对负荷进行模型，预测的效果也较好。而回归分析模型与神经网络模型具有一致的输入变量，但是在不同的模型中，最高温度都是影响负荷的重要因素，说明在负荷的变化过程中，最高温度是需要重点关注的因素之一，可以运用该因素与其他的气候因素对负荷进行预测分析，提前做出相应的计划和安排。

3 结论

本文结合实际的技改大修项目的问题，提出了有效的改善措施,为生产技改大修项目的优化和精细化提供了改善的方向。同时文章提出了对负荷的中期预测有利于生产技改大修项目的规划的观点，简单分析了时间序列方法、回归分析法和神经网络模型方法及实践方法，为中期负荷预测提供了参考的方向，为技改大修的精益化发展提供了可能的技术基础。

[1] 陆玉玲, 谢钱姣, 朱家明等, 基于时间序列对电力系统短期负荷的预测[J]. 西昌学院学报·自然科学版, 2017, 31(1):24-27.

[2] 李鹏飞, 加玛力汗·库马什, 常喜强, 几种电力负荷预测方法的比较[J]. 技术与应用, 2011, 06: 49-52.

[3] 徐东升, 杨巍, 魏哲, 刘兴国, 基于SPSS的短期负荷特性分析及其预测研究[J]. 电力系统保护与控制, 2009, 37(21):147-151.

[4] 杨光糯, 蔡敏, 朱涛, 曾小平, 邓海峰, 陈林, 基于综合技术寿命评价方法的电网设备技改大修策略研究[J]. 湖北电力, 2016, 40(2): 1-6.

[5] 沈润夏, 余秦军, 江来, 基于数据库的电网技改大修管理模式探索[J]. 中国高新技术企业, 2017, 02: 132-133.

[6] 阮萍, 雷震, 王华, 基于灰色系统和人工神经网络的中期电力负荷预测[J]. 计算机应用, 2004, 24(s1): 22-25.

[7] 毛李帆, 江岳春, 龙瑞华, 李妮, 黄慧, 基于偏最小二乘回归分析的中期电力负荷预测[J]. 电网技术, 2008, No.288(19): 71-77.

[8] 江朋, 童述林, 万志宏, 组合预测模型在电力系统负荷预测中的应用研究[J]. 应用技术, 自动化与信息工程, 2011,32(1): 36-48.

[9] 朱明明, 陈丽, 浅谈技改大修项目管理中存在的问题及分析[J]. 电力设备, 2016, 13: 24-26.

[10] 杜建军, 上海电网中期负荷预测研究[D]. 上海: 上海交通大学, 2001.

[11] 刘忠, 配变中期负荷预测新方法[J]. 电网技术, 2007(s2):242-244.

[12] 郭平创, 中期电力负荷预测及负荷模型的研究[J]. 现代制造技术与装备, 2016(5): 5-6.

[13] 翁金芳, 黄伟, 江育娥, 林劼, 基于多因素加法模型的中期电力负荷预测[J]. 计算机系统应用, 2016, 25(3): 14-20.

[14] 高强, 王胜辉, 徐建源, 基于人工神经网络的中期电力负荷预测研究[J]. 沈阳工业大学学报, 2004, 26(1): 41-43.

[15] 韩正牧, 技改大修项目管理中存在的问题及分析[J]. 青海电力, 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

本文著录格式：任建聪，高鑫，赵飞，等. 基于中期负荷预测分析的技改大修项目策略研究[J]. 软件，2017，38（12）：286-290

任健聪(1985-)，男，高级工程师，研究方向：电力系统自动化；高鑫(1979-)，男，高级工程师，研究方向：电力系统自动化；赵飞(1982-)，男，高级工程师，研究方向：研究方向为电网公司运营；王健(1979-)，男，高级工程师，研究方向：电力系统及其自动化；胡彩娥(1971-),女，高级工程师，研究方向：电力系统自动化；李兰芝(1990-)，女，助理会计师，研究方向：电力数据分析及大数据建模。