本发明涉及一种基于大数据分析的变电设备非项目类成本预测方法。
背景技术：
：：2015年3月，国家出台了《关于进一步深化电力体制改革的若干意见》，电网公司盈利模式将由“赚取购销价差”转变为“准许成本加合理收益”，监管部门将控制电力公司运行期成本。因此，电力公司必须尽快全面摸排分析设备运行期成本投入使用情况，理清运行期成本使用与资产管理之间的关系，不断压降无效投资，将有限的资金精准投入到电网安全生产，为下一轮输配电价格核算打下基础，确保公司电价水平，保障电网安全。资产全寿命周期分析中，运维阶段占资产整体生命周期的80％以上，而目前运维阶段成本缺乏量化数据支撑，严重制约了lcc分析比选的准确性和科学性，因此开展设备运行期成本预测破解了资产全寿命周期评价的难点，为深化资产全寿命周期管理奠定基础。技术实现要素：本发明所要解决的技术问题是提供一种基于大数据分析的变电设备非项目类成本预测方法，使用该方法可以实现变电设备运行期非项目类成本预测。本发明所采用的技术方案是：一种基于大数据分析的变电设备非项目类成本预测方法，其包括如下步骤：步骤一、数据采集：采集pms2.0系统中的非项目类成本信息，输入分摊归集模型进行计算，得到变电设备运行期成本数据库。步骤二、数据处理：(1)采用阈值概率鉴别法识别异常值，对步骤一中得到的数据进行处理，公式如下：式中，ek为某一类成本数据，为某一类成本数据平均值，θ为阈值，k∈[1,n]。若ek满足式(1)，则判定ek为异常数据，进入异常值分类处理。(2)对超出成本阈值区间的异常数据进行判定，对成本异常值进行修正或剔除；对于数据缺失值，按照移动平均法进行缺失值填充。步骤三、成本预测：搭建基于非线性回归的加权分析模型：(a)投运n年的m台设备，在投运1至n年之间的成本数据形成m*n矩阵；(b)将投运1至n年的m台设备成本分别取平均值作为曲线拟合的基础数据，形成n*1矩阵n；(c)将矩阵n利用最小二乘法进行非线性回归曲线拟合，得到成本预测曲线sn；(d)在曲线sn上，找到第n年的数据值sn(n)，利用加权算法，计算出投运n年的m台设备在下一年的成本为：sn(n+1)＝α*sn+1(n+1)+β*sn+2(n+1)+γ*sn+3(n+1)(4)公式中sn+1(n+1)为同年投运(n+1)年的设备拟合曲线在第(n+1)年的成本，sn+2(n+1)为同年投运(n+2)年的设备拟合曲线在第(n+1)年的成本，sn+3(n+1)为同年投运(n+3)年的设备拟合曲线在第(n+1)年的成本，α,β,γ为加权系数，按照时间延续关系取：α+β+γ＝1(5)α：β：γ＝3:2:1(6)从而预测出均投运n年的m台设备在投运第(n+1)年的运维成本。本发明的积极效果为：本发明在设备实际成本大数据的基础上开展大数据分析，采用基于非线性回归的加权分析算法、arima算法和皮尔逊相关系数分析法，实现变电设备运行期非项目类成本预测。搭建了跨专业、跨系统的运维成本归集预测模型，解决了在开展资产全寿命周期成本分析时缺乏变电设备实际运行成本的量化数据支撑的问题，为资产全寿命周期管理提供可靠支撑。附图说明图1为本发明变电设备运行期成本数据来源示意图；图2为本发明数据分析流程图；图3为本发明实施例220kv主变投运年限分布图；图4为本发明实施例主变检修成本与最大负载率的皮尔逊相关系数分布图；图5为本发明实施例t5主变的年检修成本与年最大负载率变化走势图；图6为本发明实施例检修成本-最大负载率相关性分析拟合曲线；图7(a)为本发明实施例利用spss分析主变台数的自相关系数；图7(b)为本发明实施例利用spss分析主变台数的偏自相关系数；图8(a)为本发明实施例一阶差分后主变台数自相关系数；图8(b)为本发明实施例一阶差分后主变台数偏自相关系数；图9为本发明实施例220kv主变总台数台数预测曲线；图10(a)为本发明实施例充氮灭火装置成本预测曲线；图10(b)为本发明实施例风冷系统成本预测曲线；图10(c)为本发明实施例套管成本预测曲线；图10(d)为本发明有载开关成本预测曲线；图11(a)为本发明实施例2018年四类小修项目的充氮灭火装置维修单价预测拟合曲线；图11(b)为本发明实施例2018年四类小修项目的风冷系统维修单价预测拟合曲线；图11(c)为本发明实施例2018年四类小修项目的套管维修单价预测拟合曲线；图11(d)为本发明实施例2018年四类小修项目的有载开关维修单价预测拟合曲线；图12为本发明非项目类检修预测成本误差示意图；图13为本发明非项目类运维预测成本误差示意图；图14为本发明非项目类试验预测成本误差示意图；图15为本发明项目类大修预测成本误差示意图；图16为本发明项目类小修预测成本误差示意图；图17为本发明2018年220kv主变各项运行期预测成本示意图。具体实施方式一种基于大数据分析的变电设备运行期成本预测方法，其包括非项目类运行成本预测方法以及项目类运行成本预测方法，包括如下步骤：步骤一、数据采集：采集pms2.0系统中的巡视维护记录、检修记录、操作票、工作票、检修工单、试验报告等信息以及erp系统中的项目类成本工单信息，输入分摊归集模型进行计算，得到变电设备运行期成本数据库，如图1所示。步骤二、数据处理：(1)采用阈值概率鉴别法识别异常值，对步骤一中得到的数据进行处理，公式如下：式中，ek为某一类成本数据，为某一类成本数据平均值，θ为阈值，k∈[1,n]。若ek满足式(1)，则判定ek为异常数据，进入异常值分类处理；(2)对超出成本阈值区间的异常数据分类进行判定，对非项目类成本异常值进行修正或剔除，项目类成本数据进行专家研判，鉴别是否为家族缺陷治理或政策性大额成本；对于数据缺失值，按照移动平均法进行缺失值填充；步骤三、成本预测：变电设备运行期成本可分为非项目类检修、运维、试验成本和项目类维修成本。对于其中具备时间连续性的非项目类检修、运维、试验成本数据，采用基于非线性回归的加权分析预测算法；而不具备时间连续性的项目类维修成本数据，采用arima、加权移动平均算法进行分析预测；最后采用皮尔逊相关系数分析成本与影响因素的相关性，修正预测模型。(1)非项目类检修、运维、试验成本预测模型非线性最小二乘法是以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。设非线性系统的模型为：y＝f(x,θ)(2)式中y是系统的输出，x是输入，θ是参数(它们可以是向量)。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过n次实验取得数据(x1,y1),(x2,y2)，…,(xn，yn)。估计参数的准则(或称目标函数)选为模型的误差平方和。非线性最小二乘法就是求使q达到极小的参数估计值。非线性最小二乘法公式如下：搭建基于非线性回归的加权分析模型：(a)投运n年的m台设备，在投运1至n年之间的成本数据形成m*n矩阵。(b)将投运1至n年的m台设备成本分别取平均值作为曲线拟合的基础数据，形成n*1矩阵n。(c)将矩阵n利用最小二乘法进行非线性回归曲线拟合，得到成本预测曲线sn。(d)在曲线sn上，找到第n年的数据值sn(n)，利用加权算法，计算出投运n年的m台设备在下一年的成本为：sn(n+1)＝α*sn+1(n+1)+β*sn+2(n+1)+γ*sn+3(n+1)(4)公式中sn+1(n+1)为同年投运(n+1)年的设备拟合曲线在第(n+1)年的成本，sn+2(n+1)为同年投运(n+2)年的设备拟合曲线在第(n+1)年的成本，sn+3(n+1)为同年投运(n+3)年的设备拟合曲线在第(n+1)年的成本，α,β,γ为加权系数，按照时间延续关系取：α+β+γ＝1(5)α：β：γ＝3:2:1(6)从而预测出均投运n年的m台设备在投运第(n+1)年的运维成本。(2)项目类小修成本预测模型arima模型原理如下：p阶自回归模型ar(p)：yt＝c+φ1yt-1+φ2yt-2+...+φpyt-p(7)式中：yt为时间序列第t时刻的观测值，即为因变量或称被解释变量，yt-1,yt-2,...,yt-p为时序yt的滞后序列，为自变量或解释变量；c,φ1,φ2...φp为待估的自回归参数。q阶移动平均模型ma(q)：yt＝μ+et-θ1et-1-θ2et-2-...-θqet-q(8)式中：μ为时间序列的平均数，et,et-1,et-2...et-q为模型在第t期，第(t-1)期，第(t-q)期的误差；θ1,θ2...θq为待估的移动平均参数。差分自回归移动平均模型arima(p,d,q)：yt＝c+φ1yt-1+φ2yt-2+...+φpyt-p+et-θ1et-1-θ2et-2-...-θqet-q(9)模型中：d是对原时间序列进行逐期差分的阶数，差分是为了让某些非平稳序列变为平稳序列，通常取值0,1,2。自相关系数：表示时间序列滞后k个时间段的两项之间的相关程度。用来判断序列是否平稳和确定arima(p,d,q)模型中p,q的阶数。偏自相关系数：用以测量当剔除其他滞后期(t＝1,2,3,...k-1)的干扰的条件下，yt与yt-k之间的相关程度，同样可以采用偏自相关系数分析图来对模型进行识别。搭建arima预测模型：通过与主变专业专家研讨，将项目类小修成本分为p类，对每一类进行成本预测；(b)对于每年均产生成本的小修类成本，就第i类成本而言(i＝1,2,3,...p)，利用历史成本数据，得到其在投运第n年的维修台数q(n)，设当年已有的设备总量为t(n)，得到第i类维修的设备占比r(n)为：r(n)＝q(n)/t(n)(12)由此可以得到设备在投运第n年的维修率r(n)，利用arima数据预测模型预测出下一年的设备维修率r(n+1)；根据设备总量t(n)，利用arima数据预测模型预测出下一年的设备总量t(n+1)，由此得到设备在投运第(n+1)年的维修数量q(n+1)为：q(n+1)＝r(n+1)*t(n+1)(13)就第i类成本而言，根据设备在投运第1至n年的单体维修成本，可以通过最小二乘法拟合得到设备在投运第(n+1)年维修单价c(n+1)，从而得到设备在投运第(n+1)年的小修成本qi为:qi＝q(n+1)*c(n+1)(14)(3)项目类大修成本预测模型鉴于项目类大修成本与时间无连续性且无明显规律，采用移动加权平均法进行预测。设1至n年的成本数据分别为q1,q2,...,qn，则第(n+1)年的成本为：qn+1＝(q1+2*q2+3*q3+…+(n-1)*qn-1+n*qn)/(1+2+3+…+n)(15)(4)项目类家族性缺陷治理大修成本预测对于项目类家族性缺陷治理大修费用，成本的投入完全取决于投资治理计划，此部分费用可以根据在投运第(n+1)年的专业治理工作计划进行预测。(5)皮尔逊相关系数修正预测模型将变电设备运维成本影响因子与成本作皮尔逊相关系数分析，修正相关成本预测模型。皮尔逊相关性系数r为：根据公式(16)可以得到影响因子与变电设备检修、试验、运维三类运维阶段成本的皮尔逊相关系数矩阵r1、r2、r3。对皮尔逊相关系数矩阵r1、r2、r3进行分析，通过以下取值范围判断变量的相关强度：根据上述取值范围，对与影响因子相关性差的运维阶段成本不予以修正。将相关性强的某类运维阶段成本筛选出来，根据皮尔逊相关系数对数据进行线性分析，得到某类运维阶段成本-影响因子的线性曲线y为：y＝kf+m(17)公式(17)中y为投资成本，k，m为线性拟合的系数，f为影响因子。因此，通过历史数据得到影响因子的变化量△f，可以得到成本的增长额△y为k△f。从而可以根据下一年影响因子的变化量，得到成本的变化量，进而对下一年的成本预测模型进行修正。综上所述，数据分析流程图如图2所示。(6)将本步骤中(1)～(5)中预测的各项成本累加即可得到变电设备运行期预测成本。实施例：利用某供电公司变电设备资产占有量最高的所有220kv主变10年以来的成本数据库为例，对主变的运行期成本进行预测。(1)非项目类检修、运维、试验成本预测2017年，该地区全部93台220kv主变的投运年限分布如附图3所示。将该地区2017年在运的220kv主变按照运行年限分为28类，按照检修、运维、试验三个类别分别进行预测。利用基于非线性回归的加权分析模型对各投运年限的主变进行计算，运用matlab工具进行可视化展示。可预测得到93台主变2018年的非项目类检修、运维和试验成本预测值，如表1所示。表1220kv主变2018年非项目类检修、运维和试验成本预测值将上述全部主变预测成本相加，可得到2018年非项目类检修、运维和试验成本各类别的预测成本值。(2)皮尔逊相关系数修正预测模型将2013-2017年220kv主变最大负载率数据与主变对应年限内非项目类检修、运维和试验成本数据进行皮尔逊相关性分析，分别得到检修、运维、试验三个专业的相关性系数。根据求取的相关性系数，发现检修成本与最大负载率相关，而运维、试验成本与最大负载率没有明显相关性。检修成本与最大负载率相关系数分布图如图4所示。以t5主变为例，其年检修成本与年最大负载率变化走势图如图5所示，因此利用最小二乘法分别对80台220kv主变(2017年投运主变除外)的检修成本与最大负载率进行线性拟合，求得拟合曲线汇总如图6所示。对其中80台主变皮尔逊相关系数进行筛选，相关性系数在0.4以下的有6台，不进行检修成本的修正，对其中74台进行修正。对于2017年及以后投运的13台主变，因为只存在1年的最大负荷率，故无法计算皮尔逊系数，因此利用图2得到的所有斜率数据求取平均斜率作为其相关系数进行修正。成本修正公式为：公式中，△s指2017-2018年投资额增量，指平均斜率，△l指最大负荷率增量。对2018年投运的主变，不存在2017年的负载率，故无法计算负载率增量，故对于2018年投运的2台主变不予以修正。最后得到93台主变在2018年考虑最大负荷增长率因素后得到的预测成本，如表2所示：表2最大负荷增长率修正后的2018年预测成本(3)项目类小修成本预测将主变项目类小修成本按照类别主要划分为风冷、套管、有载开关、充氮灭火四类。项目类小修成本预测步骤如下：步骤一：利用arima模型预测出2018年220kv主变总台数。利用spss分析主变台数的自相关系数和偏自相关系数，如图7(a)、(b)所示，随着延迟数目的增加，系数并没有显著趋近于0，且许多数值较大的系数落在了置信区间之外，说明该时间序列非平稳，因此进行一阶差分。一阶差分后，主变台数自相关系数和偏自相关系数如图8(a)、(b)所示，自相关系数和偏自相关系数衰减，并在置信区间以内，因此可认为该序列平稳。由图8(a)、(b)看出，与零有明显区别的有2个，因此q＝2，同理可得到p＝2，因此可以确定该模型为arima(2，1，2)。确定模型后可以进行预测，预测结果如表3所示：表3预测值预测值与观测值(实际值)对比结果如图9所示，可见其拟合度较好。步骤二：由pms工单及erp系统得到四类小修项目在2008-2017年共10年的设备维修率数据，如表4所示：表42008-2017年220kv主变四类小修项目在每年的设备维修率根据数据，利用arima模型预测出2018年220kv主变四类小修项目设备维修率，如表5：表52018年220kv主变四类小修项目的设备维修率预测值四类小修项目2018年设备维修率预测曲线如图10(a)-(d)所示。步骤三：由2008-2017年主变四类小修项目的单价数据(表6)，利用最小二乘法预测2018年四类小修项目的维修单价如图11(a)-(d)所示。表62008-2017年220kv主变四类小修项目在每年的单价数据表最终可以得到2018年四类小修项目的预测单价，如表7所示。表72008-2017年220kv主变四类小修项目在每年的单价数据表步骤四：按照预测成本＝单价*设备维修率*总设备台数，得到2018年四类小修项目成本预测值，如表8所示。表82018年四类小修项目成本预测值(4)项目类大修成本预测(a)大修中的风冷系统、油色谱、套管维修成本采用移动加权平均算法进行预测，公式如下：q(2018)为2018年预测成本，q(1)-q(10))为2008至2017年风冷系统、油色谱及套管维修成本。(b)项目类家族性缺陷治理大修成本预测对于超出成本阈值区间的项目类小概率成本数据，经过专家分析，发现其中主变绕组抗短路能力不足治理大额费用属于此类。因此，220kv主变绕组抗短路能力大修成本预测数据需按照计划项目成本进行确定，经查询计划，2018年计划投入220kv主变绕组抗短路能力大修成本为260万元。汇总以上(a)、(b)两类成本后，得到2018年220kv主变项目类大修成本预测值，如表9所示。表92018年220kv主变项目类大修成本预测值(三)可视化展示1.预测模型误差率分析利用上述搭建的主变运行期成本预测模型，可以计算得到220kv主变2013-2017年运行期各类预测成本值，再分别和同一年的实际成本进行比较，得到各类成本预测模型的误差率，示意图如图12-16所示。从图12-16可以看出，非项目类预测成本误差率均在5％以内，项目类成本预测均在6％以内，以上数据充分验证了本课题预测方法的准确性。2.下一年成本预测依据本课题预测方法，可预测出2018年该地区220kv主变各项运行期成本，如图17所示。本发明在设备历史成本大数据的基础上开展分析，针对数据不同特征进行分类，采用基于非线性回归的加权分析模型预测变电设备非项目类检修、运维和试验成本，采用arima算法和移动平均法预测项目类检修成本，并采用皮尔逊相关系数法修正预测模型。以某地区93台220kv主变10年成本数据进行测算，以2013至2017共5年成本数据验证预测精准度，其误差结果如下：表102013年-2017年成本数据预测平均误差率结果表明，非项目类预测成本误差率均在5％以内，项目类预测成本误差率均在6％以内，充分证明了本课题预测方法的准确性。运用上述方法对2018年该地区所辖220kv主变的各项运行期成本进行预测，并与2017年进行对比，如表11所示：表112017、2018年主变运行期成本数据对照表从表11中可以看出，2018年较2017年总投资水平基本持平，在检修、试验、运维非项目类成本上投资有所增加，其中检修成本增加20％，大修成本略有下降，小修项目成本增加16％。由此说明2018年更加侧重于检修及小修项目，在相应的检修计划、人员分配及备品备件准备上也应有所侧重。在预测成本的基础上，公司财务部门可以有针对性地进行资金准备，运检各部门也可以结合相应的资金投入调整优化调度方式、检修计划及技术改造计划。本方法适用于全类变电设备运行期成本预测分析，可推广至全国网公司适用。本发明搭建了跨专业、跨系统的运维成本归集预测模型，解决了在开展资产全寿命周期成本分析时缺乏变电设备实际运行成本的量化数据支撑的问题，为资产全寿命周期管理提供可靠支撑。本发明基于运行期各阶段归集的成本数据，根据数据时间序列特征和专业特点进行分类，运用matlab、spss、tableau等工具，采用基于非线性回归的加权分析模型预测变电设备非项目类运维、检修和试验成本，采用arima算法和移动平均法预测项目类检修成本，并采用皮尔逊相关系数法修正预测模型。本发明搭建的投资预测模型充分考虑了变电设备运维阶段产生的各类成本特点，适用于所辖范围内的所有变电设备，是具有通用性的成本预测模型，可在广泛推广。本发明深度挖掘运检大数据，以实际历史运检数据为基础，搭建成本归集与预测模型，分析成本投资规律和趋势，为电网运检投资决策提供了可靠的数据理论支撑，电网的投资决策更加贴近实际运检业务，更加注重效率。电网投资决策的合理化，会引导电网检修计划、运维管理、调度方式等趋于合理化。同时，在更加合理的检修计划、运维管理、调度方式下产生的运检大数据可以进一步提升成本预测精准度，最终形成运检计划与运检投资相互促进的良性循环体系。本发明针对变电站内设备进行实际运行成本的归集和预测分析，对设备实际成本支出进行跟踪，全面摸排分析了设备运行期各项成本投入使用情况，便于投资决策部门将有限的资金精准投入到电网安全生产，确保主要资金用于关键设备检修及运维，有效保证设备健康水平，同时为下一轮输配电价格核算打下基础，确保公司电价水平，保障电网安全。当前第1页12当前第1页12