CN109615123A - 电网实物资产更换分析方法及装置 - Google Patents
电网实物资产更换分析方法及装置 Download PDFInfo
- Publication number
- CN109615123A CN109615123A CN201811434111.8A CN201811434111A CN109615123A CN 109615123 A CN109615123 A CN 109615123A CN 201811434111 A CN201811434111 A CN 201811434111A CN 109615123 A CN109615123 A CN 109615123A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- time series
- year
- prediction data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000001373 regressive effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000013481 data capture Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000000034 method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000004060 metabolic process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电网实物资产更换分析方法及装置,包括:获取电网设备的时序数据列,所述初始时序数据列为电网设备第k年至第n年的经济寿命数据;将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。本发明能够吸收新的预测信息,能够较好解决投资时间价值、运行成本不准确及事后决策的问题,可为电网规划、电网投资提供决策参考。
Description
技术领域
本发明涉及电网资产分析技术,特别涉及一种电网实物资产更换分析方法及装置。
背景技术
目前,电网公司对电网设备的更新还没有统一的决策方法,往往以在役时间长短或者设备状态评价结果作为更新的依据,较少考虑其经济成本,导致一部分良好的设备提前退役或较差设备延长退役,给电网公司带来一些经济损失。由于推行电力体制改革,加强成本约束和收入监管是大势所趋,不得不推动电网企业向“降成本、提效益”的内部运营模式的转变。在有效资产管制的情况下,电网企业实际发生的资产更换数量无论高于还是低于管制机构核定或者准许的资产更换的数量,都会产生一定的损失。显然,电网企业需要选择适当的方法,对资产更换做出合理的预测与决策,使其尽可能与管制机构准许的评估数量相一致。
发明内容
本发明实施例提供了一种电网实物资产更换分析方法及装置,较好解决投资时间价值、运行成本不准确及事后决策的问题,为电网规划、电网投资提供决策参考。
为了实现上述目的,本发明实施例提供了一种电网实物资产更换分析方法,包括:
获取电网设备的时序数据列,所述初始时序数据列为电网设备第k年至第n年的经济寿命数据;
将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,网实物资产更换分析方法还包括:
获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
对所述时序数据列进行一次累加,得到累加数据列;
对所述累加数据列建立白化方程;
基于所述白化方程建立基于累加数据列的中间灰色预测模型;
对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
一实施例中,将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据,包括:
将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
一实施例中,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据,包括:
用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,网实物资产更换分析方法还包括:
根据所述初始时序数据列及所述残差值序列进行分组;
以连续s年的实际值作为输入,以下一年的灰色预测残差至作为输出,分为k组,得到矩阵,其中,s+k-1=n;
根据所述矩阵建立所述神经网络模型。
为了实现上述目的,本发明实施例提供了一种电网实物资产更换分析装置,包括:
数据获取单元,用于获取电网设备的时序数据列,所述初始时序数据列为电网设备第k年至第n年的经济寿命数据;
第一数据生成单元,用于将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
第二数据生成单元,用于将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
迭代单元,进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,网实物资产更换分析装置还包括:
初始数据获取单元,用于获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
累加单元,用于对所述时序数据列进行一次累加,得到累加数据列;
方程建立单元,用于对所述累加数据列建立白化方程;
中间模型创建单元,用于基于所述白化方程建立基于累加数据列的中间灰色预测模型;
灰色预测模型创建单元,用于对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
一实施例中,所述第二数据生成单元包括:
残差计算单元,用于将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
第二数据生成模块,用于利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
一实施例中,所述迭代单元包括:
替换模块,用于用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
预测模块,用于将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,网实物资产更换分析装置还包括:
分组单元,根据所述初始时序数据列及所述残差值序列进行费用分组;
矩阵生成单元,用于根据所述分组生成矩阵;
模型创建单元,用于根据所述矩阵建立所述神经网络模型。
本发明能够吸收新的预测信息,而且可以为神经网络提供训练样本,有效地解决神经网络训练样本不足的问题。能够较好解决投资时间价值、运行成本不准确及事后决策的问题,可为电网规划、电网投资提供决策参考。
本发明对原始数据列进行分组,充分利用了历史数据对未来数据的作用,弥补了灰色新陈代谢理论对历史数据利用的不足,解决了神经网络训练样本少的缺点;同时又用神经网络对灰色预测模型的残差进行修正,避免了再次使用灰色预测模型进行残差修正的不足。本发明不仅可以对断路器的运行与维护提供指导作用,也可为变压器、GIS、电抗器等其他电力设备的经济寿命测算提供参考。通过测算可较准确地确定设备更换时间,实现电网设备的精细化管理,在电力改革的背景下实现较大收益。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例的最小费用曲线图;
图2为本发明实施例的电网实物资产更换分析方法流程图;
图3为本发明实施例的电网实物资产更换分析方法流程图二;
图4为本发明实施例的BP神经网络误差的反向传播示意图;
图5为本发明实施例的电网实物资产更换分析方法流程图三;
图6为本发明实施例的电网实物资产更换分析方法流程图四;
图7为本发明实施例的电网实物资产更换分析方法流程图五;
图8为本发明实施例的灰色神经网络组合模型结构图;
图9为本发明实施例220kV断路器各年年金费用示意图;
图10为本发明实施例的电网实物资产更换分析装置的结构框图。
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。
随着电网设备使用年限的增加,运行成本也会逐渐递增,这种运行成本的逐年递增称为设备的劣化。为了简化计算,现有技术中通常设定每年运行成本的劣化增量是均值的,但通过对以往电网设备运行费用的统计数据显示,各年劣化值差异较大,不能简单设定。
按照以往运行管理经验,电网设备更新决策一般都会运行几年后才需要进行决策,从而可以获得前几年的实际运行成本费用,其他年度运行费用虽然可以用概率统计、时间序列等方法进行测算,但需要大量样本数据,且必须设定分布规律才能进行数据拟合,测算准确性有待提升。而本发明采用灰色理论进行预测,所需数据量少,不需要提前知道分布规律,具有外推特性。
电网设备需要经济寿命及动态成本年金测算。经济寿命,即固定资产在经济上的可用时间,是从费用成本的角度来研究固定资产更新的最佳周期,一般比物质寿命短。决定固定资产经济寿命的主要因素有三:一是由于技术进步引起原有固定资产使用年限缩短而提前报废,原有固定资产的经济寿命就此结束;二是由于固定资产年维修成本的逐渐增加和效率的降低,使该项固定资产继续使用在经济上不合算而应加以更新时,经济寿命也就结束;三是由于固定资产在使用中逐渐退化,它所提供的服务级次也逐渐下降,当固定资产从一个服务级次下降到另一个服务级次时,就标志着该固定资产前一个经济寿命的结束和相继下一个经济寿命的开始。因此,每一固定资产可以有若干相继的经济寿命。考虑到电网公司电力设备实际运行情况,在其运行年限中主要因为维修费用,而导致经济寿命缩减是资产报废退役主要原因。
最小年均费用法的年均费用是由年均设置费用和年均维持费用两部分组成。年均费用可用下式表示:
其中,Ci为i年的年均费用;V为年运行维护费用;P为年设置费分摊值;T为使用年限。
年设置费分摊值是设备原始价值的每年损耗。一般地说,年设置费分摊值是随使用年份的增大而减小的,而设备的年运行维持费是随使用年限的增加而逐渐加大。所以,计算设备每年的平均费用值以观察各年费用变化时,年均费用值最小的年份即为设备的经济寿命。最小费用曲线如图1所示。
电网设备的运行年限一般为20~30a,资金时间价值对经济寿命的影响较大,因此需要考虑资金的时间价值。在考虑资金时间价值的条件下,电网设备的动态年均费用C′n计算式为:
式中,n为电网设备的运行年份;Cn为n年内电网设备的静态年平均使用费用;P0为电网设备的初设投资费用;Ln为第n年末的电网设备净残值,一般设定为资产原值的5%;C1t为电网设备第t年的运维费用;C2t为电网设备第t年的检修费用;C3t为电网设备第t年的故障处置费用。C1tC2tC3t之和为电网设备的年运行成本;C′n最小值的年份即为电网设备的经济寿命i0为基本内部收益率,体现资金的时间价值。
图2为本发明实施例的电网实物资产更换分析方法流程图,如图2所示,该电网实物资产更换分析方法包括:
S201:获取电网设备的时序数据列,所述时序数据列为电网设备第k年至第n年的经济寿命数据;
可以获取电网设备的初始时序数据列,包括第1年至第n年的经济寿命数据,本发明进行预测时,可以用最近几年的数据,例如k年至第n年的经济寿命数据。
S202:将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
S203:将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
S204:进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
S201中,时序数据列可以如表1所示,表1中,第6年至第14年所在的列为该时序数据列,即包含了第6年至第14年中每年的费用的实际值,预测值及残差。第14年的预测值(2.3463)为经过灰色预测模型得到第一预测数据中的值。
S202中,灰色预测模型又称为GM(1,1)模型,GM(1,1)模型是最常用的一种灰色模型,它是由一个只包含单变量的一阶微分方程构成的模型,本发明中,可以预先创建的,一实施例中,如图3所示,创建灰色预测模型的步骤包括:
S301:获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
设电网设备的年运行成本为x(0),已知数据序列(初始时序数据列):
x(0)=[x(0)(1),x(0)(2),…,x(0)(n)] (3)
其中,n为年份,x(0)(1)为第1年的费用成本。
针对公式(3)中的数据序列,可以进行如下预处理:
首先,对原始数列计算级比:
其中,x(k-1)及x(k)分别为第(k-1)年及第k年的费用成本。
进而,获得级比序列e=(e(2),e(3),…,e(n))然后检验级比e(k)是否落于可容覆盖当e(k),k=2,3,…,n落入可容覆盖,则该序列可进行GM(1,1)建模,预处理完成。
若检验不合格,通常处理途经是进行变换:平移变换、对数变换或方根变换,确保处理后的序列级比落在可容覆盖中。经过处理后的数据序列可建立GM(1,1)模型。
S302:对所述时序数据列进行一次累加,得到累加数据列;
为了减少随机性,增加规律性,将x(0)的一次累加生成数列:
x(1)=[x(1)(1),x(1)(2),…,x(1)(n)] (5)
其中,x(1)(1)=x(0)(1),x(1)(2)=x(0)(1)+x(0)(2),即:
S303:对所述累加数据列建立白化方程;
白化方程如下:
式中a,u为模型参数,a称作发展系数,其大小反映了序列x(0)的增长速度,u为灰色作用量。
设:
按照微积分的推导公式可以得到:
Yn=BA (11)
由于数据矩阵B和数据向量Yn都可以计算得到,那么通过微分方程可得求解参数:
S304:基于所述白化方程建立基于累加数据列的中间灰色预测模型;
具体地,将代入白化微分方程,建立灰色预测模型,可得:
S305:对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
对公式(13)累减还原,得到运行费用原始数列x(0)的灰色预测模型:
上述灰色预测模型会因两个因素的干扰使预测效果受到影响,其一是无法合理地确定原始数据的长短,太短或太长都会影响预测的精度;其二是外来的干扰使原有数据的信息量下降,时间序列中越“老”的信息价值越低,而这些信息在参加灰色预测时是等价的。本发明采用新陈代谢理论,每个采样时刻,去掉最初的旧信息,增加一个最近的信息,保持建模数列维数不变。通过新陈代谢,逐个预测,依次递补,直到完成预测目标或达到一定精度要求为止。
本发明具体实施时,可以基于初始时序数据列创建神经网络模型,下面介绍BP神经网络模型。
BP网络是多层前馈神经网络,是目前应用最为广泛的神经网络模型。网络除了含有输入节点和输出节点,还含有一层或多层隐层节点,输入信号先向后传递到隐层节点,再把经过隐层节点作用后的输出信息传递到输出节点,最后得到输出结果。
BP网络学习算法也是一种迭代算法,一次完整的学习过程包含输入数据的正向传播和误差的反向传播两个子过程。设网络输入为p,输入神经元有r个,隐含层有s1个神经元,激活函数为f1,输出层内有个s2神经元,对应的激活函数为f2,输出为A,目标矢量为T,算法如下:
1.信息的正向传播
1)隐含层中第i个神经元的输出为:
其中,aij表示神经元的输出,w1ij表示隐含层i,j之间的权重,Pj指神经元输入,b1i表示隐含层神经元阈值。
2)输出层第k个神经元的输出为:
其中,a2k表示神经元的输出,w2kj表示隐含层i,j之间的权重,a1i为隐含层第i个神经元的输出,b2k表示隐含层神经元阈值。
3)定义误差函数为:
其中,tk代表第k个神经元的矢量。
2.求权值的变化及误差的反向传播
1)输出层测权值变化
从第i个输入到第k个输出的权值变化量为:
公式(18)中,δki=(tk-a2K)f′2=ekf′2;ek=tk-a2K。
同理可得:
2)隐含层权值的变化
从第j个输入到第i个输出的权值变化量为:
式中:η为学习率,BP网络的关键是误差的反向传播,δki的计算过程是先计算输出层的误差ek,然后将ek与输出层激活函数的一阶导数f′2相乘。由于隐层中没有直接给出目标矢量,所以需要利用输出层的δki进行误差反向传播求出隐含层的变化量然后再计算并且同样将ei与该层激活函数的一阶导数f′1相乘求得δij,以求出前一层的权值变化量如果还有隐含层,则沿用上述方法依此类推,一直将输出误差逐层反向传播到第一层位置,如图4所示。
BP算法要求各层激活函数的一阶导数处处可微。对于Sigmoid函数其一阶导数为:
对于线性激活函数,一阶导数为:f′(n)=n′=1
因此,对于具有Sigmoid函数的隐含层,输出层为线性函数网络:f′2=1;f′1=a(1-a)。
使用神经网络进行成本估算主要需要以下步骤:
1)识别与输变电工程设计有关的特征,例如材料、工艺、设备结构等;
2)对识别出的特征进行分类和标准化。对实际应用中的特征值进行处理,使得输入神经网络的特征值在0-1之间的过程称为标准化;
3)构造并训练神经网络;
4)在实际使用中不断训练神经网络并校正其权值。
神经网络估算法的主要优点有不需要加工的详细时间不需要实际的费用函数,人工神经网络具有对实际数据的自学习能力在概念设计阶段对设计的费用估算可以帮助改进设计。
BP网络是一种具有3层或3层以上的神经网络,包括输入层、隐含层和输出层,上下层之间实现全连接,而每层神经元之间无联系。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。然后,以其输出与样本的期望输出进行比较,如果其误差不能满足要求,则沿着原来的连接通路逐层返回,并利用两者的误差按一定的原则对各层节点的连接权值进行调整,使误差逐步减小,直到满足要求为止。
为避免陷入局部最优解,BP网络训练使用基于优化LM算法,3层网络由输入层、隐含层和输出层组成。在进行预测时输入层和隐含层之间的激活函数采用正切Sigmoid函数,隐含层和输出层之间采用线性函数。由于Sigmoid函数的值域为[0,1],为了提高网络收敛速度,对输入样本进行规范化处理,变换到[0.1,0.9]。
一实施例中,如图5所示,S204中将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据,可以包括如下:
S501:将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
S502:利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
S204步骤进行迭代操作步骤,每次得到第二预测数据,需要将所述第二预测数据及部分时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。该部分时序数据列对应上一次得到第一预测数据时输入到灰色预测模型的时序数据列。
一实施例中,如图6所示,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据,可以包括如下步骤:
S601:用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
第二预测数据为最新预测的一年的数据,本发明用该数据替换最小年份的经济寿命数据。
S602:将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
GM(1,1)模型只是利用了最接近预测值的几个数据,而将那些“老”数据直接舍去了,通过实际算例验证表明,预测值同那些“老”数据仍然存在着某种函数关系,这种函数关系很难找到确切的数学表达式,而神经网络正好适宜处理这种情形,由此考虑用神经网络来修正GM(1,1)模型的残差,然后将组合预测残差回代到灰色预测值中,获得组合预测值。在神经网络系统建模的各种模型中,BP网络简单且易于实现,只要有足够的训练数据,便可以用统一的算法去实现,其算法不因具体问题的不同而改变,BP神经网络被认为是最适用于模拟输入、输出间的近似关系,由此决定用BP网络新陈代谢GM(1,1)模型的残差进行修正,以寻求最佳预测结果。
对于公式(3)中原始数据列,选取部分数据列
进行灰色预测,得出预测数据列:
将公式(22)中预测值与公式(23)中对应实际值相减,可获得残差值序列:
E(0)=(e(0)(s+1),e(0)(s+2),…,e(0)(n)) (24)
一实施例中,如图7所示,创建神经网络模型可以包括如下步骤:
S701:根据所述初始时序数据列及所述残差值序列进行分组;
利用原始数据列(公式(3))和公式(24)进行重新分组,每组可以代表不同的费用成本。
S702:以连续s年的实际值作为输入,以下一年的灰色预测残差至作为输出,分为k组,得到如下矩阵,其中,s+k-1=n;
其中,为未知值。
S703:根据所述矩阵建立所述神经网络模型。
神经网络模型中,输入层为s,即每一组数据列,输出层为1,即根据每一组进行预测获得的残差值。使用前k-1组数据进行网络训练,训练完毕后,利用第k组数据(上述矩阵中最左边1列)进行仿真预测。获得n+1年的残差预测值则该点的组合预测值为将新信息置入公式(22)中,并去除老信息x(0)(k)得 可预测得第n+2年的组合预测值依此类推,可获得随后数年的组合预测值序列。上述过程可以成为组合预测过程,对应的灰色神经网络组合模型结构如图8所示。
下面结合具体的例子对本发明的电网实物资产更换分析进行说明。
以冀北电网公司经研院2017年所统计220kV断路器的资产经济寿命数据为分析对象,统计其各年运行维护等基础数据,如表1所示。
表1 220kV断路器数据统计表
单位:万元
已知单台220kV断路器资产原值108.82万元,残值率为5%,基本内部收益率i0=6.5%,根据公式2可求得单台设备各年运行保障费用,如表2所示。
表2运行保障费用
单位:万元(初始财年)
灰色模型预测结果
在实际建模时,原始数据序列中的数据不一定全部用来建模,在原始数据序列中取出一部分数据,就可以建立模型。根据灰色系统理论的新息原理,选择建模的数据时,应尽量考虑新数据,以建立新情况下的模型。因此,选择6年~13年的数据建立模型。获得数据列(0.9926,1.1308,1.2162,1.3233,1.6193,1.6834,1.9608,2.0666),对此数据列进行级比检验,级比均落入可容覆盖内,则结果均满足,可进行灰色建模。根据灰色理论,可获得一组预测值和残差如表3。发展系数a=-0.1.60,灰色作用量b=0.9536,平均相对误差为2.7994%。
表3灰色模型预测结果
单位:万元
4.5.2组合模型预测结果
利用公式22对原始数据列进行分组,s取为6,则可分为8组(k取为8)数据,代入公式22得矩阵公式23,经多次验证,可以采用6X3X1的BP神经网络,输入层、隐含层传递函数为正切Sigmoid型,输出层为线性传递函数。取7组数据作为样本训练网络,设置最大学习次数为1000次,学习速率为0.01,学习目标取误差平方和为0.0001,将输入值归一化到[0.1,0.9],设置网络连接权的初始值为[-1,1]的随机数。
通过Matlab进行仿真计算,可以得到学习训练的收敛情况,网络在43步左右就收敛,满足期望误差,可获得模型,使用第8组数据可仿真出第14年的残差值进而可预测第14年的组合预测值,通过循环迭代,可获得以后数年的使用保障费用(组合预测值),代入经济寿命分析公式中可获取年平均费用。第14年后数年的使用维护费用和年平均费用的预测值如表4所示。
通过表4可知,在第23年时,年度平均费用达到最小值为6.886万元,则说明220kV断路器的经济寿命为23年。通过图9也可看出,随着年份的增加,220kV断路器年均使用费用都是呈现逐渐下降然后上升的趋势。
表4组合模拟预测结果及年平均费用
单位:万元
精度检验
为检验该模型的精度,选择6年~10年的数据如上所述建立模型,预测第11年到第13年的灰色预测值和灰色神经网络组合预测值,结果如表5。
表5第11年至13年度原始值及各预测值对比
从计算数据来看,组合预测运行成本计算误差在5%以内,误差相对较小,这说明组合模型预测费用非常准确,采用该模型预测电网设备经济寿命具有可行性。
本发明能够吸收新的预测信息,而且可以为神经网络提供训练样本,有效地解决神经网络训练样本不足的问题。能够较好解决投资时间价值、运行成本不准确及事后决策的问题,可为电网规划、电网投资提供决策参考。
本发明对原始数据列进行分组,充分利用了历史数据对未来数据的作用,弥补了灰色新陈代谢理论对历史数据利用的不足,解决了神经网络训练样本少的缺点;同时又用神经网络对灰色预测模型的残差进行修正,避免了再次使用灰色预测模型进行残差修正的不足。本发明不仅可以对断路器的运行与维护提供指导作用,也可为变压器、GIS、电抗器等其他电力设备的经济寿命测算提供参考。通过测算可较准确地确定设备更换时间,实现电网设备的精细化管理,在电力改革的背景下实现较大收益。
基于同一发明构思,本申请实施例还提供了一种电网实物资产更换分析装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于电网实物资产更换分析装置解决问题的原理与电网实物资产更换分析方法相似,因此电网实物资产更换分析装置的实施可以参见电网实物资产更换分析的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图10为本发明实施例的电网实物资产更换分析装置的结构框图,如图10所示,该电网实物资产更换分析装置包括:
数据获取单元1001,用于获取电网设备的时序数据列,所述时序数据列为电网设备第k年至第n年的经济寿命数据;
第一数据生成单元1002,用于将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
第二数据生成单元1003,用于将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
迭代单元1004,进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,该电网实物资产更换分析装置还包括:
初始数据获取单元,用于获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
累加单元,用于对所述时序数据列进行一次累加,得到累加数据列;
方程建立单元,用于对所述累加数据列建立白化方程;
中间模型创建单元,用于基于所述白化方程建立基于累加数据列的中间灰色预测模型;
灰色预测模型创建单元,用于对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
一实施例中,所述第二数据生成单元1003包括:
残差计算单元,用于将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
第二数据生成模块,用于利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
一实施例中,所述迭代单元1004包括:
替换模块,用于用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
预测模块,用于将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
一实施例中,该电网实物资产更换分析装置还包括:
分组单元,根据所述初始时序数据列及所述残差值序列进行费用分组;
矩阵生成单元,用于根据所述分组生成矩阵;
模型创建单元,用于根据所述矩阵建立所述神经网络模型。
本发明能够吸收新的预测信息,而且可以为神经网络提供训练样本,有效地解决神经网络训练样本不足的问题。能够较好解决投资时间价值、运行成本不准确及事后决策的问题,可为电网规划、电网投资提供决策参考。
本发明对原始数据列进行分组,充分利用了历史数据对未来数据的作用,弥补了灰色新陈代谢理论对历史数据利用的不足,解决了神经网络训练样本少的缺点;同时又用神经网络对灰色预测模型的残差进行修正,避免了再次使用灰色预测模型进行残差修正的不足。本发明不仅可以对断路器的运行与维护提供指导作用,也可为变压器、GIS、电抗器等其他电力设备的经济寿命测算提供参考。通过测算可较准确地确定设备更换时间,实现电网设备的精细化管理,在电力改革的背景下实现较大收益。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电网实物资产更换分析方法,其特征在于,包括:
获取电网设备的时序数据列,所述时序数据列为电网设备第k年至第n年的经济寿命数据;
将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
2.根据权利要求1所述的电网实物资产更换分析方法,其特征在于,还包括:
获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
对所述时序数据列进行一次累加,得到累加数据列;
对所述累加数据列建立白化方程;
基于所述白化方程建立基于累加数据列的中间灰色预测模型;
对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
3.根据权利要求1所述的电网实物资产更换分析方法,其特征在于,将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据,包括:
将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
4.根据权利要求1所述的电网实物资产更换分析方法,其特征在于,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据,包括:
用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
5.根据权利要求2所述的电网实物资产更换分析方法,其特征在于,还包括:
根据所述初始时序数据列及所述残差值序列进行分组;
以连续s年的实际值作为输入,以下一年的灰色预测残差至作为输出,分为k组,得到矩阵,其中,s+k-1=n;
根据所述矩阵建立所述神经网络模型。
6.一种电网实物资产更换分析装置,其特征在于,包括:
数据获取单元,用于获取电网设备的时序数据列,所述时序数据列为电网设备第k年至第n年的经济寿命数据;
第一数据生成单元,用于将所述时序数据列输入预先创建的灰色预测模型,得到第一预测数据,所述第一预测数据包括残差值序列;
第二数据生成单元,用于将所述第一预测数据输入预先创建的神经网络模型,得到第二预测数据;
迭代单元,进行迭代操作,将所述第二预测数据及部分所述时序数据列输入所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
7.根据权利要求6所述的电网实物资产更换分析装置,其特征在于,还包括:
初始数据获取单元,用于获取电网设备的初始时序数据列,所述初始时序数据列为电网设备第1年至第n年的经济寿命数据;
累加单元,用于对所述时序数据列进行一次累加,得到累加数据列;
方程建立单元,用于对所述累加数据列建立白化方程;
中间模型创建单元,用于基于所述白化方程建立基于累加数据列的中间灰色预测模型;
灰色预测模型创建单元,用于对基于累加数据列的中间灰色预测模型进行累减还原,得到所述灰色预测模型。
8.根据权利要求6所述的电网实物资产更换分析装置,其特征在于,所述第二数据生成单元包括:
残差计算单元,用于将所述第一预测数据输入所述神经网络模型得到第(n+1)年的残差数据;
第二数据生成模块,用于利用所述第一预测数据及所述第(n+1)的年残差数据计算组合预测值,作为所述第二预测数据。
9.根据权利要求6所述的电网实物资产更换分析装置,其特征在于,所述迭代单元包括:
替换模块,用于用所述第二预测数据替换所述时序数据列的最小年份的经济寿命数据,得到修改后的时序数据列;
预测模块,用于将修改后的时序数据列输入至所述灰色预测模型,得到多个第二预测数据,作为多年预测数据。
10.根据权利要求7所述的电网实物资产更换分析装置,其特征在于,还包括:
分组单元,根据所述初始时序数据列及所述残差值序列进行费用分组;
矩阵生成单元,用于根据所述分组生成矩阵;
模型创建单元,用于根据所述矩阵建立所述神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434111.8A CN109615123A (zh) | 2018-11-28 | 2018-11-28 | 电网实物资产更换分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434111.8A CN109615123A (zh) | 2018-11-28 | 2018-11-28 | 电网实物资产更换分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615123A true CN109615123A (zh) | 2019-04-12 |
Family
ID=66005839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811434111.8A Pending CN109615123A (zh) | 2018-11-28 | 2018-11-28 | 电网实物资产更换分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615123A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
CN101539137A (zh) * | 2009-04-17 | 2009-09-23 | 北京航空航天大学 | 一种基于δ滤波器的航空液压泵剩余寿命灰色预测方法 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
-
2018
- 2018-11-28 CN CN201811434111.8A patent/CN109615123A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001236337A (ja) * | 2000-02-22 | 2001-08-31 | Fuji Electric Co Ltd | ニューラルネットワークによる予測装置 |
CN101539137A (zh) * | 2009-04-17 | 2009-09-23 | 北京航空航天大学 | 一种基于δ滤波器的航空液压泵剩余寿命灰色预测方法 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
Non-Patent Citations (2)
Title |
---|
戴文战: ""具有残差校正的n次累加灰色模型"", 《系统工程理论与实践》 * |
梁庆卫 等: ""灰色神经网络的鱼雷经济寿命预测"", 《火力与指挥控制》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taieb et al. | Forecasting uncertainty in electricity smart meter data by boosting additive quantile regression | |
Assareh et al. | Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
CN107578124A (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
Guo et al. | Hybrid optimization algorithm of particle swarm optimization and cuckoo search for preventive maintenance period optimization | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN104270281A (zh) | 一种Web Service QoS组合预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
Morteza et al. | Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings | |
Alfred et al. | A performance comparison of statistical and machine learning techniques in learning time series data | |
Evsukoff et al. | Long-term runoff modeling using rainfall forecasts with application to the Iguaçu River Basin | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
Cruz et al. | Neural network prediction interval based on joint supervision | |
Krishnasamy et al. | A Refined Teaching‐Learning Based Optimization Algorithm for Dynamic Economic Dispatch of Integrated Multiple Fuel and Wind Power Plants | |
Pelekis et al. | A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers | |
Al-Hawani et al. | Short-term forecasting of electricity consumption using gaussian processes | |
Mashlakov et al. | Multi-timescale forecasting of battery energy storage state-of-charge under frequency containment reserve for normal operation | |
Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
CN109615123A (zh) | 电网实物资产更换分析方法及装置 | |
Govender et al. | Short-term load forecasting using artificial neural networks and multiple linear regression | |
Hu et al. | Scenario forecasting for wind power using flow-based generative networks | |
Xuewu et al. | The city taxi quantity prediction via GM-BP model | |
Mbasso et al. | Demand-supply forecasting based on deep learning for electricity balance in Cameroon | |
Sousa et al. | Adaptive learning in multiagent systems: a forecasting methodology based on error analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |