姚日權(quán)，費英群，丁云峰，王勝華，田林

（國網(wǎng)浙江省電力有限公司湖州供電公司，浙江湖州 313000）

電網(wǎng)是承載我國國家能源策略的主體之一，對能源資源配置、服務經(jīng)濟社會發(fā)展大局有著重要意義，電網(wǎng)的發(fā)展是國家經(jīng)濟水平發(fā)展的重要標志[1-4]。近年來，隨著用電量需求的增長，電網(wǎng)投資規(guī)模也不斷增大。在這一過程中，為了提高對于基建工程全過程的管控能力，深化利用現(xiàn)有的工程自動竣工結(jié)算、大數(shù)據(jù)云平臺數(shù)字化、信息化應用基礎和歷史數(shù)據(jù)資源[5-6]，通過全時感知和新形勢下市場價格波動信息，全面掌控先進設備工藝等現(xiàn)代工程建設特征，結(jié)合大數(shù)據(jù)分析方法，構(gòu)建多維、動態(tài)、精準、智能、適應各類電網(wǎng)基建工程技術(shù)類型的資本性項目標準成本體系。而提升投資預算編報質(zhì)量，實現(xiàn)投入產(chǎn)出最大化，提升精益化管理水平，則需要有效提升電力工程數(shù)據(jù)的智能化分析水平[7-11]。

結(jié)合上述背景，文中對電力工程數(shù)據(jù)的智能化分析方法進行了研究。通過集成歷年工程的海量數(shù)據(jù)分析工程設備、材料歷史趨勢和波動特性，動態(tài)感知各個年度的數(shù)據(jù)資源，建立智能化的電力工程數(shù)據(jù)挖掘和分析預測模型。

1 理論基礎

文中數(shù)據(jù)挖掘的目標主要是：分析電力工程項目建設過程中重要電網(wǎng)工程設備材料波動對電網(wǎng)投資策略造成的影響。結(jié)合該場景，需要構(gòu)建適用于工程設備材料的預測模型[12-14]。在模型構(gòu)建時，文中主要從兩個方面進行數(shù)據(jù)挖掘模型的構(gòu)建，一是考慮工程設備的歷史價格進行預測分析；二是從影響設備材料價格的相關影響因素進行分析[15-20]。

1.1 基于歷史數(shù)據(jù)的挖掘模型

在基于歷史數(shù)據(jù)進行數(shù)據(jù)分析時，可以從數(shù)學的角度出發(fā)，按照時間序列分析的思想進行數(shù)據(jù)分析。在分析歷史數(shù)據(jù)時，文中使用的算法為支持向量機（SVM），其基本原理如圖1 所示。

圖1 SVM基本原理

定義數(shù)量為n的訓練集合(xi,yi)和非線性映射ψ(x)為：

二者由線性回歸函數(shù)完成從樣本輸入空間Rd到高維特征Rk的映射：

其中，ω是高維空間下的權(quán)向量，b為模型的偏置。SVM 算法的最終目的為實現(xiàn)結(jié)構(gòu)風險的最小化，即找到最優(yōu)ω、b。在模型參數(shù)的計算過程中，SVM 通常基于結(jié)構(gòu)風險最小化原則：

其中，c為優(yōu)化過程中的正則化系數(shù)，為調(diào)節(jié)結(jié)構(gòu)風險的松弛因子。在求解該優(yōu)化問題時，該文使用的是Largrange 函數(shù)，其基本過程如下：

首先，引入拉格朗日乘子：

根據(jù)Karush-Kunhn-Tucker 優(yōu)化算法有：

此時，定義優(yōu)化過程中所采用堆成函數(shù)的核函數(shù)為：

式（4）此時可以轉(zhuǎn)化成以下形式：

最終可以得到模型的預測公式：

其中，K(xi,xj)是模型預測時使用的徑向基函數(shù)，其形式如下：

1.2 基于價格影響因素的挖掘模型

在基于價格影響因素進行數(shù)據(jù)分析時，該文引入了數(shù)據(jù)挖掘領域中的灰狼優(yōu)化算法（GWO）。GWO 算法是一個以灰狼種群等級制度和群體捕食行為作為基礎原理的優(yōu)化算法。

以自然界中的狼群為參考，狼群可劃分為4 個等級，各等級的職責如表1 所示?；依莾?yōu)化的算法示意圖如圖2 所示。

表1 灰狼種群職責劃分

采用數(shù)學語言對該原理進行描述如下：對于一個灰狼種群，其數(shù)量為M，搜索空間為k。對于編號為i的灰狼個體，其位置可描述為：

式（12）和式（13）給出了狼群包圍獵物的過程：

其中，D是狼群中狼與獵物間的距離，x(t)是迭代后的灰狼個體位置，A、C是模型的參數(shù)向量，其計算方法如下：

當灰狼群體中，等級α、β、δ靠近獵物時，獵物的位置此時是可估計的，灰狼群體依據(jù)α、β、δ來進行位置的迭代更新。結(jié)合文中的應用場景，普通的灰狼優(yōu)化算法在迭代時容易陷入局部最優(yōu)。因此，文中在傳統(tǒng)的灰狼算法上引入動態(tài)進化算子和非線性收斂因子，提升算法的性能。引入動態(tài)進化算子后，狼種群結(jié)合α、β、δ的位置進行位置更新。

此時，位置更新方法可改寫成：

此外，由于式（14）中的收斂因子a是線性變化的，不能完整地映射算法在優(yōu)化過程中的非線性過程，因此對a進行改進：

在對改進的灰狼算法進行進化改進時，文中使用差分進化算法。該算法包括變異、交叉、選擇3 個步驟，首先對種群進行初始化：

對隨機搜索空間上的N個初始種群進行變異：

然后進行交叉操作，以提升種群的多樣性：

基于貪婪算法進行選擇，選擇進化后較優(yōu)的個體作為新一代個體：

2 模型實現(xiàn)

2.1 電網(wǎng)工程設備與材料價格預測

在電網(wǎng)工程建設過程中，設備購置費用占據(jù)工程造價總成本的一半以上。因此，該文主要基于電網(wǎng)工程設備價格對工程數(shù)據(jù)進行智能化分析。在電網(wǎng)工程設備中，主要關注“4 個設備”、“3 種材料”。其中，“4 個設備”為變壓器、短路器、GIS 開關、隔離開關；“3 種材料”為鐵塔、導線、電纜。

在進行工程投資需求分析時，文中結(jié)合各項材料的歷史價格數(shù)據(jù)、價格波動數(shù)據(jù)、將SVM 算法與灰狼優(yōu)化算法進行結(jié)合。具體的算法步驟如圖3 所示。

圖3 基于差分進化的灰狼優(yōu)化支持向量機算法步驟

文中以電網(wǎng)公司采購的220 kV 某180 MVA 型號的變壓器，以及220 kV 角鋼塔的價格數(shù)據(jù)為數(shù)據(jù)基礎。在進行數(shù)據(jù)分析時，采集了2006～2020 年的數(shù)據(jù)，前10 年作為訓練數(shù)據(jù)，后5 年作為預測的測試數(shù)據(jù)。

根據(jù)上述的歷史價格，引入價格波動率，其計算方法如下：

其中，ui為設備、材料的價格比率，s為價格比率標準差，δ為得到的波動率。結(jié)合式（22）可得到變壓器與鐵塔的波動特性。

結(jié)合價格波動特征以及價格影響因素，使用圖3所示的算法得到變壓器和鐵塔在2016～2020 年間的預測價格，結(jié)果如表2 所示。

表2 變壓器、鐵塔價格預測結(jié)果

為了評估模型的預測效果，文中使用平均相對誤差作為評價指標：

最終得到變壓器在這一時間區(qū)間內(nèi)的預測結(jié)果與實際結(jié)果的平均相對誤差為3.35%，鐵塔的平均相對誤差為2.26%。鐵塔的平均相對誤差較小，這通常是由于鐵塔價格的波動率較低導致的。

2.2 電網(wǎng)投資需求預測

結(jié)合上文中的預測結(jié)果，可以得到電網(wǎng)工程的投資需求預測結(jié)果。為了更優(yōu)地評估該文算法對電力工程數(shù)據(jù)的分析預測效果，文中引入基于灰色預測的BP 神經(jīng)網(wǎng)絡算法（GA-BP）作為對比算法。表3和表4 分別給出了該文算法和GA-BP 算法的模型參數(shù)?？梢钥闯?，兩個算法的最大迭代次數(shù)相同，均為500 次，保證了模型訓練、算法預測過程中相同的算法復雜度，增加了計算結(jié)果的可信度。

表3 該文算法參數(shù)

表4 GA-BP算法模型參數(shù)

在進行電網(wǎng)投資預測時，仍使用該地區(qū)2016～2020 年的相關工程數(shù)據(jù)，前10 年作為訓練數(shù)據(jù)，后5年作為預測的驗證數(shù)據(jù)。首先，按照上文所述方式對各項設備與材料分別進行預測；然后將所有的數(shù)據(jù)進行加權(quán)求和，并得到最終的數(shù)據(jù)分析結(jié)果。預測結(jié)果如表5 所示。

表5 電網(wǎng)投資需求預測結(jié)果

在評估兩個模型的效果時，仍使用平均相對誤差。經(jīng)計算，該文算法在進行電網(wǎng)投資需求預測時的平均相對誤差為2.86%，而GA-BP 的平均相對誤差為6.42%，平均相對誤差提升了3.56%。

3 結(jié)束語

隨著電力工程數(shù)據(jù)不斷積累，其已成為各級電網(wǎng)建設與分析的重要資源之一。該文在各類工程數(shù)據(jù)上建立了數(shù)據(jù)的分析和預測模型，可以準確地預測電網(wǎng)工程中設備、材料的變化趨勢，精確把控電網(wǎng)投資需求。該模型可以充分利用自動竣工階段、大數(shù)據(jù)平臺等信息化資源，對研究建立電網(wǎng)工程標準成本體系具有重要意義。