一、引言

電網(wǎng)企業(yè)收入預(yù)算是指電網(wǎng)企業(yè)以年度目標(biāo)利潤為基礎(chǔ)，分析用戶需求、價(jià)格標(biāo)準(zhǔn)和市場情況，對售電量及電費(fèi)收入進(jìn)行預(yù)測，并制定出相應(yīng)預(yù)算指標(biāo)的一種預(yù)算管理活動。當(dāng)前電網(wǎng)企業(yè)收入預(yù)算管理仍處于較為粗放的模式，缺乏獨(dú)立的定量測算方法，一旦出現(xiàn)偏差只能事后調(diào)整，收入預(yù)算調(diào)整較為滯后。隨著電力市場交易體量的不斷擴(kuò)大、增量配電網(wǎng)的接入以及充電樁等新能源的快速發(fā)展，售電量的時間序列隨機(jī)性逐漸增大，收入預(yù)算預(yù)測難度進(jìn)一步增加?；谏鲜霰尘?，本文試圖利用數(shù)據(jù)挖掘方法構(gòu)建收入預(yù)算預(yù)測系統(tǒng)，幫助電網(wǎng)企業(yè)更精細(xì)地規(guī)劃企業(yè)目標(biāo)收入，提升效益戰(zhàn)略導(dǎo)向性，主動適應(yīng)經(jīng)濟(jì)環(huán)境和電力市場改革的變化。

二、文獻(xiàn)回顧

在大數(shù)據(jù)技術(shù)快速發(fā)展的背景下，越來越多學(xué)者認(rèn)為數(shù)據(jù)挖掘技術(shù)在電網(wǎng)企業(yè)生產(chǎn)系統(tǒng)安全穩(wěn)定性、調(diào)度運(yùn)行、故障分析和規(guī)劃設(shè)計(jì)等方面具有良好的應(yīng)用[1]。已有文獻(xiàn)發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘法無需人為設(shè)定數(shù)學(xué)模型，能夠減少模型設(shè)定偏差，且對原始負(fù)荷時間序列的平穩(wěn)性要求不高，對負(fù)荷時序的高隨機(jī)性和非確定性具有較強(qiáng)的適應(yīng)能力(洪流等，2004)[2]。陳章良(2008)利用挖掘技術(shù)構(gòu)建了電力營銷系統(tǒng)的預(yù)測決策模型，對電力企業(yè)生產(chǎn)和計(jì)劃的完成情況及相關(guān)環(huán)境數(shù)據(jù)進(jìn)行多角度、多層次的分析，幫助企業(yè)決策者及時掌握售電收入情況和變化趨勢[3]。然而，上述研究通常側(cè)重于電費(fèi)收入與氣象時間等自然因素的影響關(guān)系，缺少從經(jīng)濟(jì)因素角度的深入分析，也沒有對數(shù)據(jù)挖掘模型對電費(fèi)收入預(yù)測準(zhǔn)確性的改善進(jìn)行直接的經(jīng)驗(yàn)研究。

三、構(gòu)建思路與應(yīng)用案例

根據(jù)國家發(fā)改委統(tǒng)計(jì)口徑，我們首先將收入預(yù)算劃分為九個行業(yè)，包括農(nóng)林牧漁業(yè)、工業(yè)、建筑業(yè)、交通運(yùn)輸倉儲郵政業(yè)、信息傳輸軟件與信息技術(shù)服務(wù)業(yè)、商業(yè)住宿餐飲業(yè)、金融房地產(chǎn)居民服務(wù)業(yè)、公共事業(yè)及管理組織以及城鄉(xiāng)居民生活。根據(jù)已有文獻(xiàn)，電費(fèi)收入的影響因素主要包括經(jīng)濟(jì)因素、時間因素、氣象因素、市場管理與政策制定因素，本文設(shè)置了30個特征指標(biāo)作為上述影響因素的代理變量。其中，每個行業(yè)選擇2個經(jīng)濟(jì)因素代理指標(biāo)，包括農(nóng)業(yè)固定資產(chǎn)投資額、農(nóng)產(chǎn)品出口額、工業(yè)增加值同比增長、工業(yè)出口交貨值、房屋施工面積、房屋竣工面積、貨物運(yùn)輸吞吐量、軟件與信息服務(wù)業(yè)營業(yè)收入、通信行業(yè)營業(yè)收入、社會消費(fèi)品零售額、餐飲收入、社會融資規(guī)模、房產(chǎn)開發(fā)投資額、國家財(cái)政預(yù)算收入、國家財(cái)政預(yù)算支出、居民儲蓄收入和居民家用電器產(chǎn)量。氣象因素代理指標(biāo)包括平均最高氣溫、平均最低氣溫、降水天數(shù)、偏南風(fēng)天數(shù)、平均風(fēng)力。時間因素代理指標(biāo)包括月總天數(shù)、節(jié)假日天數(shù)、節(jié)假日比例、小長假天數(shù)、是否春節(jié)和季節(jié)。政策因素是以2015年4月為基期的工商業(yè)用電電度價(jià)格調(diào)整。

利用Matlab軟件，本文將D市2015年7月至2017年12月九個行業(yè)的電量指標(biāo)與30個特征指標(biāo)輸入BP算法中進(jìn)行學(xué)習(xí)訓(xùn)練，結(jié)合各歸口管理部委、行業(yè)分析師對各行業(yè)2018年的增長預(yù)期，確定上述影響因素的預(yù)測，得出2018年電量預(yù)測值，如下表1所示。

表1 2018年1-12月D市用電量預(yù)測值 單位：萬千瓦時

結(jié)合D市2017年1-12月的平均售電價(jià)，系統(tǒng)最終輸出2018年1-12月D市電費(fèi)收入的預(yù)測值。該預(yù)測值可作為我們編制、審核和調(diào)整電費(fèi)收入預(yù)算的重要參考。我們采用該預(yù)測值作為2018年D市的月度分解預(yù)算，則表2可展示2018年1-12月D市電費(fèi)收入預(yù)算明細(xì)。

表2 2018年1-12月D市電費(fèi)收入預(yù)算 單位：萬元人民幣

注：括號內(nèi)數(shù)值為預(yù)測值與實(shí)際值的誤差率；考慮到春節(jié)停工效應(yīng)，春節(jié)及春節(jié)次月合并計(jì)算誤差率。

我們計(jì)算了電費(fèi)收入預(yù)算與實(shí)際電費(fèi)收入相比的誤差比率，并列示于括號空格內(nèi)。由表4可見：絕大部分行業(yè)預(yù)測誤差率小于20%，農(nóng)林牧漁業(yè)、商業(yè)住宿餐飲業(yè)預(yù)測誤差率均小于10%，工業(yè)1月、信息傳輸軟件與信息技術(shù)服務(wù)業(yè)4月、城鄉(xiāng)居民生活5月、金融房地產(chǎn)居民服務(wù)10月、交通運(yùn)輸倉儲郵政業(yè)1月及6月、商業(yè)住宿餐飲3月及12月的預(yù)測誤差率小于1%。上述結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)模型的電量預(yù)測具有較高的準(zhǔn)確度，本文系統(tǒng)對D市電費(fèi)收入預(yù)測的結(jié)果是穩(wěn)健可靠的。

四、研究結(jié)論

本文研究表明利用人工神經(jīng)網(wǎng)絡(luò)模型能夠有效改善電網(wǎng)企業(yè)收入預(yù)算預(yù)測的準(zhǔn)確性，有助于電網(wǎng)企業(yè)提升收入預(yù)算管理水平，為其他行業(yè)企業(yè)根據(jù)自身行業(yè)特點(diǎn)選擇合適的數(shù)據(jù)挖掘方法進(jìn)行收入預(yù)算預(yù)測作出了有益探索。但由于研究樣本、方法及水平所限，本文研究成果仍存在一定的局限性。未來研究可以進(jìn)一步結(jié)合各地級市的經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)經(jīng)濟(jì)指標(biāo)可設(shè)置地區(qū)調(diào)整系數(shù)，并采用動態(tài)數(shù)據(jù)流技術(shù)，使預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)能夠?qū)崿F(xiàn)全自動更新與存儲，將能夠更好實(shí)現(xiàn)預(yù)算的滾動預(yù)測，增強(qiáng)預(yù)算調(diào)整對外部經(jīng)營環(huán)境變化的適應(yīng)性。