CN108537515A - 一种电网技改大修项目的制定方法及装置 - Google Patents

Abstract

本发明提供了一种电网技改大修项目的制定方法及装置，通过回归分析模型和神经网络模型，分别对电网中期负荷数据进行分析，获得对电网负荷数据产生重要影响的第一负荷影响因素和第二负荷影响因素，再将第一负荷影响因素和第二负荷影响因素进行比较，确定出对电网负荷数据影响最大的因素，即相同影响因素，作为电网技改大修项目，便于为电网技改大修策略的制定提供依据；可见，利用回归分析模型和神经网络模型同时对电网中期负荷数据进行分析，并将对电网负荷影响最大的因素作为电网技改大修项目，实现了从影响电网负荷变化的层面进行准确立项，提高了电网技改大修项目的立项合理性，以及制定关于电网负荷变化方面的电网技改大修策略的指导意义。

Description

一种电网技改大修项目的制定方法及装置

技术领域

本发明涉及电力技术领域，更具体的说，是涉及一种电网技改大修项目的制定方法及装置。

背景技术

电网技改大修策略主要是针对电网技改大修项目所制定的技术改造策略和设备大修策略。其中，技术改造策略是指针对当前电力行业的发展情况，引入先进的电力技术，进而能够提高电网技改大修项目整体技术水平的策略，如电力电子技术策略、变电站综合自动化技术策略等；设备大修策略是指针对电网技改大修项目中长期使用的电力设备，对其进行大修或更换的策略，以确保电力系统的安全、稳定运行。因此，电网技改大修项目的制定是影响电网技改大修策略优劣的关键，如何制定合理、准确的电网技改大修项目，对于提高电网技改大修策略指导意义至关重要。

目前，常用的电网技改大修项目的制定方法主要是基于技改大修相关数据，人工立项，以制定出电网技改大修项目，从而导致电网技改大修项目的合理性较低，进而降低了电网技改大修策略的指导性。

发明内容

有鉴于此，本发明提供了一种电网技改大修项目的制定方法及装置，增强了电网技改大修项目的立项合理性，进而提高电网技改大修策略的指导意义。

为实现上述目的，本发明提供如下技术方案：

一种电网技改大修项目的制定方法，包括：

获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

优选地，所述回归分析模型的建立过程包括：

确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSS Modeler软件进行模型构建，获得所述回归分析模型。

优选地，所述利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素，包括：

将所述电网中期负荷数据输入到所述回归分析模型，获得负荷正向影响因素和负荷负向影响因素，并将所述负荷正向影响因素和所述负荷负向影响因素作为所述第一负荷影响因素。

优选地，所述神经网络模型的建立过程包括：

确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

优选地，所述利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素，包括：

将所述电网中期负荷数据输入到所述神经网络模型，获得负荷影响输出量，并将所述负荷影响输出量作为所述第二负荷影响因素。

优选地，在所述将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目之后，还包括：

利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

将所述电网中期负荷预测数据以图形或列表的形式，进行显示。

一种电网技改大修项目的制定装置，包括：

获取模块，用于获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

第一分析模块，用于利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

第二分析模块，用于利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

比较模块，用于将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

优选地，所述制定装置还包括：

第一确定模块，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

相关性分析模块，用于利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

第一模型构建模块，用于将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSS Modeler软件进行模型构建，获得所述回归分析模型。

优选地，所述制定装置还包括：

第二确定模块，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

第二模型构建模块，用于将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

优选地，所述制定装置还包括：

预测模块，用于在所述比较模块将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目之后，利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

显示模块，用于将所述电网中期负荷预测数据以图形或列表的形式，进行显示。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种电网技改大修项目的制定方法及装置，通过回归分析模型和神经网络模型，分别对电网中期负荷数据进行分析，进而获得对电网负荷数据产生重要影响的第一负荷影响因素和第二负荷影响因素，再将第一负荷影响因素和第二负荷影响因素进行比较，从而确定出对电网负荷数据影响最大的因素，即相同影响因素，作为电网技改大修项目，便于为电网技改大修策略的制定提供依据；可见，利用回归分析模型和神经网络模型同时对电网中期负荷数据进行分析，以确定出对电网负荷影响最大的因素作为电网技改大修项目，实现了从影响电网负荷变化的层面进行准确立项，提高了电网技改大修项目的立项合理性，进而提高了制定关于电网负荷变化方面的电网技改大修策略的指导意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种电网技改大修项目的制定方法的方法流程图；

图2为本发明实施例提供的一种回归分析模型的建立方法的方法流程图；

图3为本发明实施例提供的一种神经网络模型的建立方法的方法流程图；

图4为本发明实施例提供的另一种电网技改大修项目的制定方法的方法流程图；

图5为本发明实施例提供的一种时间序列模型的拟合曲线图；

图6为本发明实施例提供的一种电网技改大修项目的制定装置的结构示意图；

图7为本发明实施例提供的一种回归分析模型的建立装置的结构示意图；

图8为本发明实施例提供的一种神经网络模型的建立装置的结构示意图；

图9为本发明实施例提供的另一种电网技改大修项目的制定装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种电网技改大修项目的制定方法，请参见附图1，所述方法具体包括以下步骤：

S101：获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

具体的，目标地区可以是一个省份、一个市、一个区或是一个县，如河北、昌平等。

目标时间可以是预先设定的包括多个月份的时间段，如2015年1月至2016年12月。

需要说明的是，电网中期负荷数据是以月为单位统计所得的负荷数据；也就是说，电网中期负荷数据是由目标时间内每个月的平均负荷数据所组成。

举例说明，当目标时间为“2015年1月至2015年5月”时，获取到的电网中期负荷数据由“2015年1月”、“2015年2月”、“2015年3月”、“2015年4月”以及“2015年5月”这5个月份的平均负荷数据所组成。其中，目标时间内每个月的平均负荷数据的计算方式可以是：

将每个月每天的负荷数据按照月度平均公式：

计算出每个月的平均负荷数据load_k，load_ki为第k月第i天的负荷数据，k为月份，且k的取值范围为[1,12]。

S102：利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

具体的，回归分析模型可以是预先建立的，主要是基于大量的历史电网负荷数据所建立的因变量与自变量之间的函数关系。本发明实施例中的回归分析模型是一元线性回归模型。

将电网中期负荷数据作为输入变量输入到回归分析模型中，可以快速获得对电网中期负荷数据产生重要影响的影响因素，即第一负荷影响因素，从而借助回归分析模型的回归分析能力，提高第一负荷影响因素的准确性，进而在将第一负荷影响因素作为立项依据之一时，可以有效提高电网技改大修项目的立项合理性。

需要说明的是，第一负荷影响因素可以是由多个对电网中期负荷数据产生重要影响的影响因素所组成；也可以是由一个对电网中期负荷数据产生重要影响的影响因素所组成。

S103：利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

具体的，神经网络模型可以是预先建立的；当将电网中期负荷数据作为输入变量输入到神经网络模型中后，可以快速获得对电网中期负荷数据产生重要影响的影响因素，即第二负荷影响因素，从而借助神经网络模型较强的非线性映射能力、并行信息处理能力等，提高第二负荷影响因素的准确性，进而在将第二负荷影响因素作为立项依据之一时，可以有效提高电网技改大修项目的立项合理性。

需要说明的是，第二负荷影响因素可以是由多个对电网中期负荷数据产生重要影响的影响因素所组成；也可以是由一个对电网中期负荷数据产生重要影响的影响因素所组成。

S104：将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目；

需要说明的是，将第一负荷影响因素和第二负荷影响因素进行比较后所得到的相同影响因素，作为电网技改大修项目，进而参与关于电网负荷变化方面的电网技改大修策略的制定，可以有效将回归分析模型和神经网络模型的输出结果相结合，在扩大分析工具的基础上，提高了相同影响因素的准确度。

本发明提供了一种电网技改大修项目的制定方法，通过回归分析模型和神经网络模型，分别对电网中期负荷数据进行分析，进而获得对电网负荷数据产生重要影响的第一负荷影响因素和第二负荷影响因素，再将第一负荷影响因素和第二负荷影响因素进行比较，从而确定出对电网负荷数据影响最大的因素，即相同影响因素，作为电网技改大修项目，便于为电网技改大修策略的制定提供依据；可见，利用回归分析模型和神经网络模型同时对电网中期负荷数据进行分析，以确定出对电网负荷影响最大的因素作为电网技改大修项目，实现了从影响电网负荷变化的层面进行准确立项，提高了电网技改大修项目的立项合理性，进而提高了制定关于电网负荷变化方面的电网技改大修策略的指导意义。

上述附图1所对应实施例中并不限定S102与S103之间的执行顺序，S103可以先于S102执行，或者这个两个步骤也可同时执行。

在获取到电网中期负荷数据后，如何利用回归分析模型对该电网中期负荷数据进行分析，以获得第一负荷影响因素，是对于制定出电网技改大修项目比较重要的一步。因此，如何建立回归分析模型也是本方案所关注的一个重点。

故针对上述附图1所对应实施例中的S102，如图2所示，本发明实施例公开了一种回归分析模型的建立方法，所述方法具体包括以下步骤：

S201：确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

具体的，电网负荷数据的变化与目标地区的天气、气候相关，且获取到的电网中期负荷数据是以月为单位统计所得的负荷数据。因此，仍需以月为单位，按照月度平均公式，分别统计出目标地区在目标时间内每月的平均负荷值、平均天气值和平均风力值，即负荷值、天气和风力。

其次，从每月每天的温度数据中，确定出每月的最高温度和最低温度，进而利用最高温度和最低温度，计算出每月的平均温度。

S202：利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

具体的，将S201确定出的6个模型变量输入到SPSS Modeler软件中进行相关性分析，能够获得6个模型变量中任意两个模型变量之间的相关性系数、显著性系数、自由度等数据，进而确定出与负荷值之间呈现相关性系数显著的模型变量，以及与负荷值之间呈现相关性系数不显著的模型变量，分别作为负荷值的系数正向影响因素和系数负向影响因素。

判断两个模型变量之间是否呈现相关性系数显著的方法可以是：若显著性系数小于预设显著值，则两个模型变量之间呈现相关性系数显著；若显著性系数大于或等于预设显著值，则两个模型变量之间呈现相关性系数不显著。其中，预设显著值通常设为0.05。

需要说明的是，将S201确定出的6个模型变量输入到SPSS Modeler软件中进行相关性分析，所获得的结果数据可以以表格的形式显示给用户，以供分析研究。如下表1所示：

表1：相关系数表

从上述表1中可以看出，第一行中，显著性系数小于预设显著值-0.05的模型变量分别是平均温度、最高温度以及最低温度。也就是说，负荷值分别与平均温度、最高温度、最低温度之间呈现相关性系数显著，而平均温度是依据最高温度和最低温度所计算出来的变量，因此，可将最高温度和最低温度作为负荷值的系数正向影响因素。

第一行中，显著性系数大于或等于预设显著值-0.05的模型变量分别是天气和风力。也就是说，负荷值分别与天气、风力之间呈现相关性系数不显著，因此，可将天气和风力作为负荷值的系数负向影响因素。

S203：将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSS Modeler软件进行模型构建，获得所述回归分析模型；

具体的，本发明实施例所构建出来的回归分析模型是将负荷值作为因变量，负荷值的系数影响因素作为自变量所构建出的自变量与因变量之间的函数关系，故将电网中期负荷数据输入到该回归分析模型，可获得负荷正向影响因素和负荷负向影响因素，进而将负荷正向影响因素和负荷负向影响因素作为第一负荷影响因素，提高了第一负荷影响因素的获取速度和准确度。

需要说明的是，为了进一步确保建立的回归分析模型的准确性，可对S203获得的回归分析模型进行验证，具体的验证过程可以为：

计算回归分析模型的决定系数R方以及联合假设检验值F值。其中，R方主要用于反应因变量的全部变异能通过回归关系被自变量解释的比例，R方越大，则证明回归分析模型准确度越高；F值主要用于检验回归分析模型内参数的总显著性，若F值超过预设自由度检验值则证明回归分析模型显著成立，其中，预设自由度检验值一般取值为0.05。

本发明实施例中，通过确定目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，并作为模型变量，再利用SPSS Modeler软件对模型变量进行相关性分析，能够准确获得负荷值的系数影响因素，进而将负荷值作为因变量，负荷值的系数影响因素作为自变量，并基于SPSS Modeler软件进行模型构建，以构建出回归分析模型；可见，对负荷值以及影响负荷值变化的最高温度、最低温度、平均温度、天气、风力进行相关性分析，能够提高负荷值的系数影响因素的准确度，进而提高了回归分析模型的构建精确度。

在获取到电网中期负荷数据后，如何利用神经网络模型对该电网中期负荷数据进行分析，以获得第二负荷影响因素，是对于制定出电网技改大修项目比较重要的一步。因此，如何建立神经网络模型也是本方案所关注的一个重点。

故针对上述附图1所对应实施例中的S103，如图3所示，本发明实施例公开了一种神经网络模型的建立方法，所述方法具体包括以下步骤：

S301：确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

具体的，电网负荷数据的变化与目标地区的天气、气候相关，且获取到的电网中期负荷数据是以月为单位统计所得的负荷数据。因此，仍需以月为单位，按照月度平均公式，分别统计出目标地区在目标时间内每月的平均负荷值、平均天气值和平均风力值，即负荷值、天气和风力。

其次，从每月每天的温度数据中，确定出每月的最高温度和最低温度，进而利用最高温度和最低温度，计算出每月的平均温度。

S302：将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

具体的，构建的神经网络模型是基于对电网中期负荷数据产生影响的变量-最高温度、最低温度、平均温度、天气和风力所构建的多层感知器模型，且将电网中期负荷数据作为输入变量，将对电网中期负荷数据产生重要影响的变量作为输出变量，输入变量与输出变量之间存在映射关系。故将电网中期负荷数据输入到神经网络模型，可获得负荷影响输出量，进而将负荷影响输出量作为第二负荷影响因素，提高了第二负荷影响因素的获取速度和准确度。

本发明实施例中，通过确定目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，并作为模型训练数据，再利用该模型训练数据对初始神经网络模型进行训练，以构建出输入变量为电网中期负荷数据，输出变量为负荷影响输出量，即第二负荷影响因素的神经网络模型；可见，利用对负荷值以及影响负荷值变化的最高温度、最低温度、平均温度、天气、风力，对初始神经网络模型进行训练，能够提高负荷影响输出量的准确度，进而提高了神经网络模型的构建精确度。

在上述附图1所对应实施例的基础上，本发明实施例公开了另一种电网技改大修项目的制定方法，请参见附图4，所述方法具体包括以下步骤：

S401：获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

S402：利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素。

S403：利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素。

S404：将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

S405：利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

具体的，时间序列模型是基于电网中期负荷数据和SPSS Modeler软件预先建立的，具体的建立过程可为：

将获取到的目标地区在目标时间内的电网中期负荷数据输入到SPSS Modeler软件中，构造出具有指数平滑和简单季节性特征的时间序列模型；而构建时间序列模型所采用的SPSS Modeler软件预先设置预测时间间隔、预测时间段、预测特征等参数，其中，本发明实施例中的预测时间间隔为1个月，预测特征为指数平滑和简单季节性。

需要说明的是，为了进一步确保构造的时间序列模型具有良好的预测效果，可对构造的时间序列模型进行数据拟合，并显示给用户，以便通过观察时间序列模型的拟合结果图，判断其拟合效果优劣，进而判断出其预测效果。

举例说明，如图5所示，获取到的目标地区在目标时间内的电网中期负荷数据是由“2015年1月-2016年12”这24个月份的平均负荷数据所组成，通过图5中的拟合曲线图可以看出，时间序列模型的拟合效果良好，除了在两年的三月份拟合偏离较大外，其余月份的拟合负荷值与实际负荷值的相对误差均较小。因此，可以判断出时间序列模型的拟合效果较好，其具备良好的预测效果。

预测时间段可以是以月为预测单位所预先设定好的时间段，如“2017年1月-2017年5月”。

S406：将所述电网中期负荷预测数据以图形或列表的形式，进行显示；

具体的，预测所得的电网中期负荷预测数据除了包括预测负荷值外，还可以包括真实负荷值、预测负荷值与真实负荷值的绝对误差以及相对误差等数据，且可以以图形或列表的形式进行显示。

举例说明，如下表2所示：

表2：时间序列模型预测结果

日期	真实负荷值	预测负荷值	绝对误差	相对误差
					2017/1	60,799.75	60434.33	365	1％
2017/2	55,399.36	52613.51	2,786	5％
					2017/3	48，457.55	36744.5	11,713	24％
2017/4	42,758.18	29429.78	13,328	31％
					2017/5	41,601.41	29717.61	11,884	29％

从上述表2可以看出，时间序列模型的预测精度较好，且2017/1及2017/2两期的相对误差处于5％内。其次，还可以通过分析时间序列模型预测结果，获知目标地区在未来一段时间内的电网中期负荷数据的变化情况，进而为制定相关电网技改大修项目提供参考依据，以提高电网技改大修项目的立项合理性。

本发明实施例提供了一种电网技改大修项目的制定方法，通过在将确定的相同影响因素作为电网技改大修项目之后，采用时间序列模型对获取的电网中期负荷数据进行预测，从而获得电网中期负荷预测数据，以便利用电网中期负荷预测数据中所体现的负荷数据未来的变化趋势，进一步提高电网技改大修项目的立项合理性，进而提高制定关于电网负荷变化方面的电网技改大修策略的指导意义。

本发明实施例公开了一种电网技改大修项目的制定装置，请参见附图6，具体包括：

获取模块501，用于获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

第一分析模块502，用于利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

第二分析模块503，用于利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

比较模块504，用于将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

本发明提供了一种电网技改大修项目的制定装置，通过第一分析模块502和第二分析模块503分别对获取模块501获取到的电网中期负荷数据进行分析，进而获得对电网负荷数据产生重要影响的第一负荷影响因素和第二负荷影响因素，再由比较模块504将第一负荷影响因素和第二负荷影响因素进行比较，从而确定出对电网负荷数据影响最大的因素，即相同影响因素，作为电网技改大修项目，便于为电网技改大修策略的制定提供依据；可见，利用回归分析模型和神经网络模型同时对电网中期负荷数据进行分析，以确定出对电网负荷影响最大的因素作为电网技改大修项目，实现了从影响电网负荷变化的层面进行准确立项，提高了电网技改大修项目的立项合理性，进而提高了制定关于电网负荷变化方面的电网技改大修策略的指导意义。

本发明实施例提供的各个模块的工作过程，请参照附图1所对应的方法流程图，具体工作过程不再赘述。

在上述附图6所对应实施例的基础上，本发明实施例公开了一种回归分析模型的建立装置，请参见附图7，包括：

第一确定模块505，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

相关性分析模块506，用于利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

第一模型构建模块507，用于将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSS Modeler软件进行模型构建，获得所述回归分析模型。

本发明实施例中，通过第一确定模块505确定目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量，再由相关性分析模块506利用SPSSModeler软件对模型变量进行相关性分析，能够准确获得负荷值的系数影响因素，进而由第一模型构建模块507将负荷值作为因变量，负荷值的系数影响因素作为自变量，并基于SPSSModeler软件进行模型构建，以构建出回归分析模型；可见，对负荷值以及影响负荷值变化的最高温度、最低温度、平均温度、天气、风力进行相关性分析，能够提高负荷值的系数影响因素的准确度，进而提高了回归分析模型的构建精确度。

本发明实施例提供的各个模块的工作过程，请参照附图2所对应的方法流程图，具体工作过程不再赘述。

在上述附图6所对应实施例的基础上，本发明实施例公开了一种神经网络模型的建立装置，请参见附图8，包括：

第二确定模块508，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

第二模型构建模块509，用于将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

本发明实施例中，通过第二确定模块508确定目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据，再由第二模型构建模块509利用该模型训练数据对初始神经网络模型进行训练，以构建出输入变量为电网中期负荷数据，输出变量为负荷影响输出量，即第二负荷影响因素的神经网络模型；可见，利用对负荷值以及影响负荷值变化的最高温度、最低温度、平均温度、天气、风力，对初始神经网络模型进行训练，能够提高负荷影响输出量的准确度，进而提高了神经网络模型的构建精确度。

本发明实施例提供的各个模块的工作过程，请参照附图3所对应的方法流程图，具体工作过程不再赘述。

在上述附图6所对应实施例的基础上，本发明实施例公开了一种电网技改大修项目的制定装置，请参见附图9，包括：

获取模块501，第一分析模块502，第二分析模块503，比较模块504，预测模块510以及显示模块511；

其中，预测模块510，用于在所述比较模块504将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目之后，利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

显示模块511，用于将所述电网中期负荷预测数据以图形或列表的形式，进行显示。

本发明实施例提供了一种电网技改大修项目的制定装置，通过在比较模块504将确定的相同影响因素作为电网技改大修项目之后，采用预测模块510对获取的电网中期负荷数据进行预测，从而获得电网中期负荷预测数据，以便利用电网中期负荷预测数据中所体现的负荷数据未来的变化趋势，进一步提高电网技改大修项目的立项合理性，进而提高制定关于电网负荷变化方面的电网技改大修策略的指导意义。

本发明实施例提供的各个模块的工作过程，请参照附图4所对应的方法流程图，具体工作过程不再赘述。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电网技改大修项目的制定方法，其特征在于，包括：

获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

2.根据权利要求1所述的制定方法，其特征在于，所述回归分析模型的建立过程包括：

确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSSModeler软件进行模型构建，获得所述回归分析模型。

3.根据权利要求2所述的制定方法，其特征在于，所述利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素，包括：

将所述电网中期负荷数据输入到所述回归分析模型，获得负荷正向影响因素和负荷负向影响因素，并将所述负荷正向影响因素和所述负荷负向影响因素作为所述第一负荷影响因素。

4.根据权利要求1所述的制定方法，其特征在于，所述神经网络模型的建立过程包括：

确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

5.根据权利要求4所述的制定方法，其特征在于，所述利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素，包括：

将所述电网中期负荷数据输入到所述神经网络模型，获得负荷影响输出量，并将所述负荷影响输出量作为所述第二负荷影响因素。

6.根据权利要求1所述的制定方法，其特征在于，在所述将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目之后，还包括：

利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

将所述电网中期负荷预测数据以图形或列表的形式，进行显示。

7.一种电网技改大修项目的制定装置，其特征在于，包括：

获取模块，用于获取目标地区在目标时间内的电网中期负荷数据，所述电网中期负荷数据是以月为单位统计所得的负荷数据；

第一分析模块，用于利用回归分析模型，对所述电网中期负荷数据进行分析，获得第一负荷影响因素；

第二分析模块，用于利用神经网络模型，对所述电网中期负荷数据进行分析，获得第二负荷影响因素；

比较模块，用于将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目。

8.根据权利要求7所述的制定装置，其特征在于，还包括：

第一确定模块，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型变量；

相关性分析模块，用于利用SPSS Modeler软件，对所述模型变量进行相关性分析，获得所述负荷值的系数影响因素，所述负荷值的系数影响因素包括系数正向影响因素和系数负向影响因素；

第一模型构建模块，用于将所述负荷值作为因变量，所述负荷值的系数影响因素作为自变量，并基于所述SPSS Modeler软件进行模型构建，获得所述回归分析模型。

9.根据权利要求7所述的制定装置，其特征在于，还包括：

第二确定模块，用于确定所述目标时间内每月的负荷值、最高温度、最低温度、平均温度、天气和风力，作为模型训练数据；

第二模型构建模块，用于将所述模型训练数据输入到初始神经网络模型进行训练，获得所述神经网络模型。

10.根据权利要求7所述的制定装置，其特征在于，还包括：

预测模块，用于在所述比较模块将所述第一负荷影响因素和所述第二负荷影响因素进行比较，确定出相同影响因素，作为电网技改大修项目之后，利用时间序列模型，预测所述目标地区在预测时间段内的电网中期负荷预测数据，所述时间序列模型是基于所述电网中期负荷数据和SPSS Modeler软件建立的；

显示模块，用于将所述电网中期负荷预测数据以图形或列表的形式，进行显示。