本发明涉及电网费用预测
技术领域：
，特别涉及一种电网运维费用预测方法及预测系统。
背景技术：
电力行业具有技术复杂、资本密集的特点，当前，电网公司资产运维管理较为粗放，每年年初在确定公司运维费用预算时，通常采取资产规模乘以一定系数的方式确定，并根据上一年度运维费用进行适当调整；这种简单的预测方法忽略了电网资产状况、社会经济因素、企业管理要求等多因素耦合的影响，直接导致电网运维费用预测数据不准确。技术实现要素：本发明的目的是提供一种电网运维费用预测方法及预测系统。为此，本发明技术方案如下：一种电网运维费用预测方法，包括如下步骤：(一)获取与电网运维费用相关的基础数据，该基础数据包括全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度、运维费用；(二)将步骤(一)中获取的相关基础数据输入预先建立的电网运维费用预测模型中进行计算，输出电网运维预期费用；预先建立的电网运维费用预测模型通过如下步骤进行搭建：1)确定影响电网运维费用的关键因素，确定初始样本数据；2)对步骤1)中确定的关键因素进行相关性分析，计算运维费用与影响指标的相关系数表，筛选出关键指标，得到训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；3)构建基于ls-svm的区域电网运维费用初始模型；4)引入径向基核函数对步骤3)中的电网运维费用初始模型进行优化；5)采用粒子群算法利用训练样本数据对步骤4)中优化后的电网运维费用初始模型进行训练，并确定模型的最优参数从而得到电网运维费用预测模型。近一步的，所述的步骤2)中筛选关键指标包括如下步骤：步骤2-1：对初始样本数据进行归一化处理，归一化公式如下：xi,j为第i年第j项指标样本初始值，x′i,j为归一化后的样本值，xmax,j、xmin,j分别为j指标样本数据的最大值和最小值；步骤2-2：借助spss软件，对归一化后的初始样本数据进行相关性分析和显著性检验，得到运维费用与各指标之间的相关系数及显著性水平；步骤2-3：根据相关系数及显著性水平筛选出训练样本数据。近一步的，所述的步骤3)中构建基于ls-svm的区域电网运维费用初始模型的方法包括如下步骤：ⅰ)设定训练样本集d＝{(xi,yi)|i＝1,2,…,n}，xi,yi分别为输入和输出数据，n为样本数，考虑结构风险最小化原理，同时考虑到拟合误差和函数复杂程度，搭建ls-svm回归模型为：式中，为设置的非线性函数，w为权向量，b为偏差值，ei为预测误差，γ为惩罚因子。ⅱ)引入lagrange函数，对ls-svm回归模型进行lagrange变换：式中，αi,i＝1,2,…,n是lagrange乘子；ⅲ)通过数学计算，得到基于ls-svm的区域电网运维费用初始模型：式中，α,b的值可由最小二乘法求得。近一步的，所述的步骤4)中对电网运维费用初始模型进行优化的方法为：引入径向基核函数，将基于ls-svm的区域电网运维费用初始模型为：其中，径向基核函数公式如下：式中，σ为核宽度，为欧式范数。近一步的，所述的步骤5)中利用粒子群优化算法对电网运维费用初始模型进行训练时包括如下步骤：5-1)选择训练样本数据，并将每一个样本数据随机赋予位置和速度形成粒子群；5-2)利用粒子群算法对基于ls-svm的电网运维费用预测初始模型进行训练，计算出每个粒子的适应度值；5-3)交叉操作更新离子群的位置和速度；5-4)判断粒子群进化是否停滞，若判断结果为“是”，则返回步骤5-2)改变部分初始化粒子的位置和速度继续训练；若判断结果为“否”，则进入下一步；5-5)判断是否满足终止精度，若满足终止条件，则输出最优参数值，否则不断更新粒子的位置和速度，反复迭代，直至满足条件计算出最优值。一种基于ls-svm的电网运维费用预测模型的预测系统，包括数据输入模块、相关分析模块、费用预测模块；数据输入模块用于接收包括全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度、运维费用数据；相关分析模块，通过数据输入模块以获取上述基础数据，利用基础数据计算各指标的相关系数和显著性水平，根据设定的判定阈值，筛选出基础数据中的关键影响指标；费用预测模块，根据相关分析模块筛选出的关键影响指标预测区域电网运维费用；进一步的，还包括效果评价模块，效果评价模块连接数据输入模块和费用预测模块的输出端，将区域电网运维费用预测值与实际值进行对比，对电网运维费用预测模型的预测效果进行评价。与现有技术相比，该电网运维费用预测方法及预测系统通过对多因素耦合作用分析，挖掘电网公司历史运维数据与全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度等指标的关系，预测区域电网运维费用，可为输配电价核定、电网项目可行性研究及项目后评价等工作提供科学的数据支撑。附图说明图1为本发明提供的搭建电网运维费用预测模型的流程图。图2为采用粒子群算法对电网运维费用预测模型进行优化的流程图。图3为电网运维费用预测系统的结构框图。具体实施方式下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。一种电网运维费用预测方法，包括如下步骤：(一)获取与电网运维费用相关的基础数据，该基础数据包括全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度、运维费用；(二)将步骤(一)中获取的相关基础数据输入预先建立的电网运维费用预测模型中进行计算，输出电网运维预期费用；预先建立的电网运维费用预测模型通过如图1所示的步骤进行搭建：1)结合相关研究资料及专家意见，确定影响电网运维费用的关键因素，包括全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度等指标，收集电网运维费用及相关指标历史数据，从而确定初始样本数据；2)对步骤1)中确定的关键因素进行相关性分析，计算运维费用与影响指标的相关系数表，筛选出关键指标，得到训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；筛选关键指标的过程包括如下步骤：步骤2-1：对初始样本数据进行归一化处理，归一化公式如下：xi,j为第i年第j项指标样本初始值，xi′,j为归一化后的样本值，xmax,j、xmin,j分别为j指标样本数据的最大值和最小值；步骤2-2：借助spss软件，对归一化后的初始样本数据进行相关性分析和显著性检验，得到运维费用与各指标之间的相关系数及显著性水平；步骤2-3：根据相关系数及显著性水平筛选出训练样本数据。3)构建基于ls-svm的区域电网运维费用初始模型，构建方法包括如下步骤：ⅰ)设定训练样本集d＝{(xi,yi)|i＝1,2,…,n}，xi,yi分别为输入和输出数据，n为样本数，考虑结构风险最小化原理，同时考虑到拟合误差和函数复杂程度，搭建ls-svm回归模型为：式中，为设置的非线性函数，w为权向量，b为偏差值，ei为预测误差，γ为惩罚因子。ⅱ)引入lagrange函数，对ls-svm回归模型进行lagrange变换：式中，αi,i＝1,2,…,n是lagrange乘子；ⅲ)通过数学计算，得到基于ls-svm的区域电网运维费用初始模型：式中，α,b的值可由最小二乘法求得。4)引入径向基核函数对步骤3)中的电网运维费用初始模型进行优化，引入径向基核函数，将基于ls-svm的区域电网运维费用初始模型为：其中，径向基核函数公式如下：式中，σ为核宽度，为欧式范数。5)采用粒子群算法利用训练样本数据对步骤4)中优化后的电网运维费用初始模型进行训练，并确定模型的最优参数从而得到电网运维费用预测模型；利用粒子群优化算法对电网运维费用初始模型进行训练时包括如图2所示的步骤：5-1)选择训练样本数据，并将每一个样本数据随机赋予位置和速度形成粒子群；5-2)利用粒子群算法对基于ls-svm的电网运维费用预测初始模型进行训练，计算出每个粒子的适应度值；5-3)交叉操作更新离子群的位置和速度；5-4)判断粒子群进化是否停滞，若判断结果为“是”，则返回步骤5-2)改变部分初始化粒子的位置和速度继续训练；若判断结果为“否”，则进入下一步；5-5)判断是否满足终止精度，若满足终止条件，则输出最优参数值，否则不断更新粒子的位置和速度，反复迭代，直至满足条件计算出最优值。一种基于ls-svm的电网运维费用预测模型的预测系统，如图3所示，包括数据输入模块、相关分析模块、费用预测模块和效果评价模块；数据输入模块用于接收包括全社会用电量、gdp、用电结构、电网有效资产净值、变电容量、线路长度、运维费用数据；相关分析模块，通过数据输入模块以获取上述基础数据，利用基础数据计算各指标的相关系数和显著性水平，根据设定的判定阈值，筛选出基础数据中的关键影响指标；费用预测模块，根据相关分析模块筛选出的关键影响指标预测区域电网运维费用；效果评价模块，连接数据输入模块和费用预测模块的输出端，将区域电网运维费用预测值与实际值进行对比，对电网运维费用预测模型的预测效果进行评价。选取某财务独立核算的地市级供电公司运营数据，时间跨度2005-2017年，共13组数据，包括当年固定资产净值、变电容量、线路长度、供电可靠率、非计划停电量、单位停电量赔偿费用、平均故障修复时间、全社会用电量、最大负荷、公司运维费用，以及gdp、通货膨胀率等社会经济指标；将13组数据分为两个部分，前10组数据作为训练样本，后3组为测试样本，部分数据如表1所示；本实施例分别采用样本集对常规ls-svm算模型和粒子群优化ls-svm模型进行训练；传统ls-svm模型采用网格搜索法，设定σ2和γ初始搜索范围为[0,210]和[0,27]，判断终止精度为10-4；采用粒子群优化ls-svm模型时，σ2和γ寻优区间为[0,210]和[0,27]；两种预测模型的预测结果对比如下表2所示；从表2中可以看出，基于粒子群算法优化的ls-svm模型的平均相对误差为3.23％，明显低于传统的ls-svm模型的平均相对误差5.01％，表明采用粒子群算法优化的ls-svm预测模型有更高的预测精度和适应性；需要注意的是，上述实例仅仅是一种可能的情况，有可能存在更多的运维费用影响因素，不同地区、不同管理水平下，运维费用的影响因素可能也存在不同。但其运维费用预测方法是一样的。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。表1表2测试样本123实际值(万元)393941.11401986.43410191.18ls-svm(万元)369961.88388213.76432894.12相对误差6.09％3.43％5.53％pso优化ls-svm(万元)377854.23389013.77420013.77相对误差4.08％3.23％2.39％当前第1页12