CN108875972A - 一种电网运维费用预测方法及预测系统 - Google Patents
一种电网运维费用预测方法及预测系统 Download PDFInfo
- Publication number
- CN108875972A CN108875972A CN201810666225.9A CN201810666225A CN108875972A CN 108875972 A CN108875972 A CN 108875972A CN 201810666225 A CN201810666225 A CN 201810666225A CN 108875972 A CN108875972 A CN 108875972A
- Authority
- CN
- China
- Prior art keywords
- power grid
- expense
- data
- value
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012423 maintenance Methods 0.000 title abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网运维费用预测方法及预测系统，包括如下步骤：获取与电网运维费用相关的基础数据的步骤，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；将上述步骤获取的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；该电网运维费用预测方法及预测系统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。
Description
技术领域
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。
发明内容
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 | 1 | 2 | 3 |
| 实际值(万元) | 393941.11 | 401986.43 | 410191.18 |
| LS-SVM(万元) | 369961.88 | 388213.76 | 432894.12 |
| 相对误差 | 6.09％ | 3.43％ | 5.53％ |
| PSO优化LS-SVM(万元) | 377854.23 | 389013.77 | 420013.77 |
| 相对误差 | 4.08％ | 3.23％ | 2.39％ |
Claims (7)
1.一种电网运维费用预测方法，其特征在于，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。
2.根据权利要求1所述的电网运维费用预测方法，其特征在于，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。
3.根据权利要求2所述的电网运维费用预测方法，其特征在于，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，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的值由最小二乘法求得。
4.根据权利要求3所述的电网运维费用预测方法，其特征在于，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。
5.根据权利要求1所述的电网运维费用预测方法，其特征在于，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。
6.一种基于如权利要求1所述的电网运维费用的预测系统，其特征在于，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。
7.根据权利要求6所述的电网运维费用的预测系统，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810666225.9A CN108875972A (zh) | 2018-06-22 | 2018-06-22 | 一种电网运维费用预测方法及预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810666225.9A CN108875972A (zh) | 2018-06-22 | 2018-06-22 | 一种电网运维费用预测方法及预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875972A true CN108875972A (zh) | 2018-11-23 |
Family
ID=64294580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810666225.9A Pending CN108875972A (zh) | 2018-06-22 | 2018-06-22 | 一种电网运维费用预测方法及预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875972A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272140A (zh) * | 2018-08-10 | 2019-01-25 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| CN111786385A (zh) * | 2020-07-10 | 2020-10-16 | 广东电网有限责任公司 | 一种电网运维方案规划方法、系统及设备 |
| CN112633528A (zh) * | 2020-12-22 | 2021-04-09 | 国网经济技术研究院有限公司 | 基于支持向量机的电网一次设备运维检修成本确定方法 |
| CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
| CN114037144A (zh) * | 2021-11-05 | 2022-02-11 | 国网经济技术研究院有限公司 | 一种电网工程运维成本预测方法及系统 |
| CN114819417A (zh) * | 2022-06-28 | 2022-07-29 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
-
2018
- 2018-06-22 CN CN201810666225.9A patent/CN108875972A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272140A (zh) * | 2018-08-10 | 2019-01-25 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| CN109272140B (zh) * | 2018-08-10 | 2021-09-28 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备运行期成本预测方法 |
| CN111786385A (zh) * | 2020-07-10 | 2020-10-16 | 广东电网有限责任公司 | 一种电网运维方案规划方法、系统及设备 |
| CN111786385B (zh) * | 2020-07-10 | 2022-03-04 | 广东电网有限责任公司 | 一种电网运维方案规划方法、系统及设备 |
| CN112633528A (zh) * | 2020-12-22 | 2021-04-09 | 国网经济技术研究院有限公司 | 基于支持向量机的电网一次设备运维检修成本确定方法 |
| CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
| CN114037144A (zh) * | 2021-11-05 | 2022-02-11 | 国网经济技术研究院有限公司 | 一种电网工程运维成本预测方法及系统 |
| CN114819417A (zh) * | 2022-06-28 | 2022-07-29 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
| CN114819417B (zh) * | 2022-06-28 | 2022-09-16 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875972A (zh) | 一种电网运维费用预测方法及预测系统 | |
| CN108596727B (zh) | 一种共享单车的管理与决策方法 | |
| CN109428344B (zh) | 含风电场的多电源投资规划方法和装置 | |
| CN105069527A (zh) | 一种基于数据挖掘技术的台区合理线损预测方法 | |
| CN107194621A (zh) | 一种供水管网管理系统和方法 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
| CN103077428B (zh) | 一种厂级多台发电机组可靠性在线预测方法 | |
| CN109272419A (zh) | 一种基于最优解的配电网方案投资比选方法 | |
| CN106600131A (zh) | 电网投资分析模型评价方法 | |
| CN108876114A (zh) | 考虑新能源接入的电网效率效益评估方法 | |
| CN106530139A (zh) | 电网投资分析模型指标参数计算方法 | |
| CN107067341A (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
| CN111091229A (zh) | 一种电网基建项目精准投资决策方法 | |
| CN105844399A (zh) | 一种配电网节能改造项目的后评估方法 | |
| CN109272140A (zh) | 一种基于大数据分析的变电设备运行期成本预测方法 | |
| CN117094516B (zh) | 一种基于固定效应模型的城市群月生活需水量预测方法 | |
| CN115422788B (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
| CN111967684A (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
| CN102799746B (zh) | 电网信息校验方法及系统、电网规划辅助系统 | |
| CN114169817B (zh) | 一种适用于低密度人口的乡村快递配送站选址方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN106228471A (zh) | 一种配电网指标评估方法及评估装置 | |
| CN117745119A (zh) | 一种输变电工程施工承载力预警方法及装置 | |
| CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
| RJ01 | Rejection of invention patent application after publication |