CN114037144A - 一种电网工程运维成本预测方法及系统 - Google Patents
一种电网工程运维成本预测方法及系统 Download PDFInfo
- Publication number
- CN114037144A CN114037144A CN202111303930.0A CN202111303930A CN114037144A CN 114037144 A CN114037144 A CN 114037144A CN 202111303930 A CN202111303930 A CN 202111303930A CN 114037144 A CN114037144 A CN 114037144A
- Authority
- CN
- China
- Prior art keywords
- power grid
- maintenance cost
- data
- initial
- sample 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
Images
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
- G06N3/004—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
-
- 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
Abstract
本发明涉及一种电网工程运维成本预测方法及系统,方法包括:获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;将获取的基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。本发明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,预测区域电网运维成本,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
本发明是关于一种电网工程运维成本预测方法及系统,涉及电网运维技术领域。
背景技术
电力行业具有技术复杂、资本密集的特点。电网运维成本预算越准确,年度费用安排越精确,利于企业可持续发展。因为运维成本是属于工程投运后,对工程检修、维持正常工作需要产生的费用。促进运检资源精准投入方面,统筹设备状态、运维模式、人员结构、地区差异等因素,促进生产成本合理化配置,提高成本投入产出效率效益,提升资产运营绩效和设备运检质效,推进资产全寿命周期管理策略落地。
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成本预算时,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,直接导致电网运维成本预测数据不准确。
发明内容
针对上述问题,本发明的目的是提供一种能够对电网运维成本进行准确预测的电网工程运维成本预测方法及系统。
为实现上述目的,本发明采取以下技术方案:
第一方面,本发明提供的一种电网工程运维成本预测方法,其特征在于包括:
获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;
将获取的基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
所述的电网运维成本预测方法,进一步地,电网运维成本预测模型的建立,包括:
确定影响电网运维成本的关键因素,确定初始样本数据;
对初始样本数据进行相关性分析,计算运维成本与初始样本数据的相关系数表,筛选关键指标,得到训练样本数据;
构建基于最小二乘支持向量机的区域电网运维成本初始模型;
引入径向基核函数对电网运维成本初始模型进行优化;
采用粒子群算法利用训练样本数据对优化后的电网运维成本初始模型进行训练,确定模型最优参数,得到电网运维成本预测模型。
所述的电网运维成本预测方法,进一步地,筛选关键指标,包括:
对初始样本数据进行归一化处理;
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;
根据相关系数及显著性水平筛选出训练样本数据。
所述的电网运维成本预测方法,进一步地,对初始样本数据进行归一化处理:
式中,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。
所述的电网运维成本预测方法,进一步地,构建基于最小二乘支持向量机的区域电网运维成本初始模型,包括:
搭建最小二乘支持向量机回归模型;
引入Lagrange函数,对最小二乘支持向量机回归模型进行Lagrange变换:
通过计算得到基于最小二乘支持向量机的区域电网运维成本初始模型:
式中,αi,i=1,2,…,n是Lagrange乘子,K(x,xi)为径向基核函数,b为偏差值。
所述的电网运维成本预测方法,进一步地,对电网运维成本初始模型进行优化的方法,包括:
引入径向基核函数,将基于最小二乘支持向量机的区域电网运维成本初始模型优化为:
所述的电网运维成本预测方法,进一步地,利用粒子群优化算法对电网运维成本初始模型进行训练包括:
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;
2)用粒子群算法对电网运维成本预测初始模型进行训练,计算出每个粒子的适应度值;
3)交叉操作更新离子群的位置和速度;
4)判断粒子群进化是否停滞,若判断结果为“是”,则返回步骤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)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。
第二方面,本发明提供的电网工程运维成本预测系统,该系统包括:
数据输入模块,被配置获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;
成本预测模块,被配置为将获取的相关基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
第三方面,本发明提供的电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述的方法。
第四方面,本发明提供的计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述的方法。
本发明由于采取以上技术方案,其具有以下优点:本发明提出的电网运维成本预测方法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,精确预测区域电网运维成本,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
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明实施例的电网工程运维成本预测方法流程图;
图2为本发明实施例的粒子群优化算法流程图;
图3为本发明实施例的电子设备结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
本发明提供的一种电网工程运维成本预测方法及系统,方法包括:获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;将获取的基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。本发明提出的电网运维成本预测方法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,精确预测区域电网运维成本,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。
实施例1
本实施例提供的电网工程运维成本预测方法,包括以下内容:
S1、获取与电网运维成本相关的基础数据
具体地,与电网运维成本相关的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、线路长度及运维成本历史数据等。
S2、将获取的与电网运维成本相关的基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
具体地,如图1所示,电网运维成本预测模型建立的步骤包括:
S21、结合相关研究资料及专家意见,确定影响电网运维成本的关键因素,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、线路长度等影响指标,收集电网运维成本及相关影响指标历史数据,从而确定初始样本数据。
S22、对初始样本数据进行相关性分析,计算运维成本与初始样本数据的相关系数表,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。
具体地,筛选关键指标的过程包括:
S221、对初始样本数据进行归一化处理,归一化公式如下:
式中,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。
S222、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,得到运维成本与各指标之间的相关系数及显著性水平。
S223、根据相关系数及显著性水平筛选出训练样本数据。
具体地,相关系数从-1到1,-1是完全负相关,0是完全不相关,1是完全相关,如果相关系数趋于0,说明该指标与运维成本无关,剔除该指标,否则,保留该指标,两个数据之间显著性水平一般取0.01或者0.05,大于0.01或者大于0.05,就接受该指标,否则,就拒绝。
S23、构建基于最小二乘支持向量机的区域电网运维成本初始模型,构建方法包括:
S231、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,搭建最小二乘支持向量机回归模型为:
s.t.yi=wT·φ(xi)+b+ei i=1,2,…,n
式中,φ(x)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。
S232、引入Lagrange函数,对最小二乘支持向量机回归模型进行Lagrange变换:
式中,αi,i=1,2,…,n是Lagrange乘子。
S233、通过计算得到基于最小二乘支持向量机的区域电网运维成本初始模型:
式中,α,b的值可由最小二乘法求得。
S24、引入径向基核函数对电网运维费用初始模型进行优化,引入径向基核函数,将基于最小二乘支持向量机的区域电网运维成本初始模型优化为:
其中,径向基核函数公式如下:
S25、采用粒子群算法利用训练样本数据对优化后的电网运维成本初始模型进行训练,并确定模型的最优参数从而得到电网运维成本预测模型。
具体地,如图2所示,利用粒子群优化算法对电网运维成本初始模型进行训练的过程包括:
S251、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。
S252、利用粒子群算法对基于最小二乘支持向量机的电网运维成本预测初始模型进行训练,计算出每个粒子的适应度值。
S253、交叉操作更新离子群的位置和速度。
S254、判断粒子群进化是否停滞,若判断结果为“是”,则返回步骤S252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。
S254、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。
本实施例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、公司运维成本,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最小二乘支持向量机模型和粒子群优化最小二乘支持向量机模型进行训练;传统最小二乘支持向量机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;采用粒子群优化最小二乘支持向量机模型时,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最小二乘支持向量机模型的平均相对误差为3.23%,明显低于传统的最小二乘支持向量机模型的平均相对误差5.01%,表明采用粒子群算法优化的最小二乘支持向量机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。
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% |
实施例2
上述实施例1提供了一种电网工程运维成本预测方法,与之相对应地,本实施例还提供一种电网工程运维成本预测系统。
本实施例提供的电网工程运维成本预测系统可以实施实施例1的电网工程运维成本预测方法,该电网工程运维成本预测系统可以通过软件、硬件或软硬结合的方式来实现。例如,该电网工程运维成本预测系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的电网工程运维成本预测系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的电网工程运维成本预测系统的实施例仅仅是示意性的。
本实施例提供的电网工程运维成本预测系统,该系统包括:
数据输入模块,被配置获取与电网运维成本相关的基础数据,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、运维成本等历史数据;
成本预测模块,被配置为将获取的相关基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
实施例3
本实施例提供一种与本实施例1所提供的电网工程运维成本预测方法对应的电子设备,电子设备可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
如图3所示,电子设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。总线可以是工业标准体系结构(ISA,IndustryStandard Architecture)总线,外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的电网工程运维成本预测方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实现中,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、光盘等各种可以存储程序代码的介质。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的电网工程运维成本预测方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的电网工程运维成本预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实现”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、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。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电网工程运维成本预测方法,其特征在于包括:
获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;
将获取的基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
2.根据权利要求1所述的电网运维成本预测方法,其特征在于,电网运维成本预测模型的建立,包括:
确定影响电网运维成本的关键因素,确定初始样本数据;
对初始样本数据进行相关性分析,计算运维成本与初始样本数据的相关系数表,筛选关键指标,得到训练样本数据;
构建基于最小二乘支持向量机的区域电网运维成本初始模型;
引入径向基核函数对电网运维成本初始模型进行优化;
采用粒子群算法利用训练样本数据对优化后的电网运维成本初始模型进行训练,确定模型最优参数,得到电网运维成本预测模型。
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,筛选关键指标,包括:
对初始样本数据进行归一化处理;
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;
根据相关系数及显著性水平筛选出训练样本数据。
7.根据权利要求6所述的电网运维成本预测方法,其特征在于,利用粒子群优化算法对电网运维成本初始模型进行训练包括:
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;
2)用粒子群算法对电网运维成本预测初始模型进行训练,计算出每个粒子的适应度值;
3)交叉操作更新离子群的位置和速度;
4)判断粒子群进化是否停滞,若判断结果为“是”,则返回步骤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)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。
8.一种电网工程运维成本预测系统,其特征在于,该系统包括:
数据输入模块,被配置获取与电网运维成本相关的基础数据,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、线路长度及运维成本历史数据;
成本预测模块,被配置为将获取的相关基础数据输入预先建立的电网运维成本预测模型中进行计算,输出电网运维预期成本。
9.一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到7任一项所述的方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1到7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303930.0A CN114037144A (zh) | 2021-11-05 | 2021-11-05 | 一种电网工程运维成本预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303930.0A CN114037144A (zh) | 2021-11-05 | 2021-11-05 | 一种电网工程运维成本预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037144A true CN114037144A (zh) | 2022-02-11 |
Family
ID=80136267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111303930.0A Pending CN114037144A (zh) | 2021-11-05 | 2021-11-05 | 一种电网工程运维成本预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037144A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057486A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
-
2021
- 2021-11-05 CN CN202111303930.0A patent/CN114037144A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057486A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
CN117057486B (zh) * | 2023-10-11 | 2023-12-22 | 云南电投绿能科技有限公司 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
Zhang et al. | Experimental investigation and multi-objective optimization approach for low-carbon milling operation of aluminum | |
CN110288186B (zh) | 一种基于风险理论的资源环境承载力测定及风险管控方法 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN107992410A (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN111932367A (zh) | 贷前信用评估方法及装置 | |
Kravtsova | Foreign presence and efficiency in transition economies | |
CN114037144A (zh) | 一种电网工程运维成本预测方法及系统 | |
Xue et al. | Convergence analysis of regional marginal abatement cost of carbon dioxide in China based on spatial panel data models | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
Li et al. | Improved LSTM-based prediction method for highly variable workload and resources in clouds | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN116109215A (zh) | 可信数控系统的可信性量化评估方法、装置和计算机设备 | |
CN111124489A (zh) | 一种基于bp神经网络的软件功能点数估算方法 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
CN112784435B (zh) | 一种基于性能事件计数和温度的gpu实时功率建模方法 | |
Ghoshal et al. | On diameter based community structure identification in networks | |
CN114462760A (zh) | 一种面向自主式公交信息化系统的建设时序确定方法 | |
CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN113919609A (zh) | 一种配电网模型质量综合评估方法和系统 | |
CN111158974A (zh) | 一种面向云服务器的硬件感知cpu能耗测算方法 |
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 |