基于智能數(shù)據(jù)挖掘算法的工程數(shù)據(jù)信息預(yù)測模型研究

姚日權(quán)，費(fèi)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(duì)能源資源配置、服務(wù)經(jīng)濟(jì)社會(huì)發(fā)展大局有著重要意義，電網(wǎng)的發(fā)展是國家經(jīng)濟(jì)水平發(fā)展的重要標(biāo)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(duì)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(dòng)竣工結(jié)算、大數(shù)據(jù)云平臺(tái)數(shù)字化、信息化應(yīng)用基礎(chǔ)和歷史數(shù)據(jù)資源[5-6]，通過全時(shí)感知和新形勢下市場價(jià)格波動(dòng)信息，全面掌控先進(jìn)設(shè)備工藝等現(xiàn)代工程建設(shè)特征，結(jié)合大數(shù)據(jù)分析方法，構(gòu)建多維、動(dòng)態(tài)、精準(zhǔn)、智能、適應(yīng)各類電網(wǎng)基建工程技術(shù)類型的資本性項(xiàng)目標(biāo)準(zhǔn)成本體系。而提升投資預(yù)算編報(bào)質(zhì)量，實(shí)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(duì)電力工程數(shù)據(jù)的智能化分析方法進(jìn)行了研究。通過集成歷年工程的海量數(shù)據(jù)分析工程設(shè)備、材料歷史趨勢和波動(dòng)特性，動(dòng)態(tài)感知各個(gè)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(yù)測模型。

1 理論基礎(chǔ)

文中數(shù)據(jù)挖掘的目標(biāo)主要是：分析電力工程項(xiàng)目建設(shè)過程中重要電網(wǎng)工程設(shè)備材料波動(dòng)對(duì)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(shè)備材料的預(yù)測模型[12-14]。在模型構(gòu)建時(shí)，文中主要從兩個(gè)方面進(jìn)行數(shù)據(jù)挖掘模型的構(gòu)建，一是考慮工程設(shè)備的歷史價(jià)格進(jìn)行預(yù)測分析；二是從影響設(shè)備材料價(jià)格的相關(guān)影響因素進(jìn)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(jìn)行數(shù)據(jù)分析時(shí)，可以從數(shù)學(xué)的角度出發(fā)，按照時(shí)間序列分析的思想進(jìn)行數(shù)據(jù)分析。在分析歷史數(shù)據(jù)時(shí)，文中使用的算法為支持向量機(jī)（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(xùn)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(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)的最小化，即找到最優(yōu)ω、b。在模型參數(shù)的計(jì)算過程中，SVM 通?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)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(fēng)險(xiǎn)的松弛因子。在求解該優(yōu)化問題時(shí)，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(shí)，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(shí)可以轉(zhuǎn)化成以下形式：

最終可以得到模型的預(yù)測公式：

其中，K(xi,xj)是模型預(yù)測時(shí)使用的徑向基函數(shù)，其形式如下：

1.2 基于價(jià)格影響因素的挖掘模型

在基于價(jià)格影響因素進(jìn)行數(shù)據(jù)分析時(shí)，該文引入了數(shù)據(jù)挖掘領(lǐng)域中的灰狼優(yōu)化算法（GWO）。GWO 算法是一個(gè)以灰狼種群等級(jí)制度和群體捕食行為作為基礎(chǔ)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(gè)等級(jí)，各等級(jí)的職責(zé)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(zé)劃分

采用數(shù)學(xué)語言對(duì)該原理進(jìn)行描述如下：對(duì)于一個(gè)灰狼種群，其數(shù)量為M，搜索空間為k。對(duì)于編號(hào)為i的灰狼個(gè)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(gè)體位置，A、C是模型的參數(shù)向量，其計(jì)算方法如下：

當(dāng)灰狼群體中，等級(jí)α、β、δ靠近獵物時(shí)，獵物的位置此時(shí)是可估計(jì)的，灰狼群體依據(jù)α、β、δ來進(jìn)行位置的迭代更新。結(jié)合文中的應(yīng)用場景，普通的灰狼優(yōu)化算法在迭代時(shí)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(dòng)態(tài)進(jìn)化算子和非線性收斂因子，提升算法的性能。引入動(dòng)態(tài)進(jìn)化算子后，狼種群結(jié)合α、β、δ的位置進(jìn)行位置更新。

此時(shí)，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(duì)a進(jìn)行改進(jìn)：

在對(duì)改進(jìn)的灰狼算法進(jìn)行進(jìn)化改進(jìn)時(shí)，文中使用差分進(jìn)化算法。該算法包括變異、交叉、選擇3 個(gè)步驟，首先對(duì)種群進(jìn)行初始化：

對(duì)隨機(jī)搜索空間上的N個(gè)初始種群進(jìn)行變異：

然后進(jìn)行交叉操作，以提升種群的多樣性：

基于貪婪算法進(jìn)行選擇，選擇進(jìn)化后較優(yōu)的個(gè)體作為新一代個(gè)體：

2 模型實(shí)現(xiàn)

2.1 電網(wǎng)工程設(shè)備與材料價(jià)格預(yù)測

在電網(wǎng)工程建設(shè)過程中，設(shè)備購置費(fèi)用占據(jù)工程造價(jià)總成本的一半以上。因此，該文主要基于電網(wǎng)工程設(shè)備價(jià)格對(duì)工程數(shù)據(jù)進(jìn)行智能化分析。在電網(wǎng)工程設(shè)備中，主要關(guān)注“4 個(gè)設(shè)備”、“3 種材料”。其中，“4 個(gè)設(shè)備”為變壓器、短路器、GIS 開關(guān)、隔離開關(guān)；“3 種材料”為鐵塔、導(dǎo)線、電纜。

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

圖3 基于差分進(jìn)化的灰狼優(yōu)化支持向量機(jī)算法步驟

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

根據(jù)上述的歷史價(jià)格，引入價(jià)格波動(dòng)率，其計(jì)算方法如下：

其中，ui為設(shè)備、材料的價(jià)格比率，s為價(jià)格比率標(biāo)準(zhǔn)差，δ為得到的波動(dòng)率。結(jié)合式（22）可得到變壓器與鐵塔的波動(dòng)特性。

結(jié)合價(jià)格波動(dòng)特征以及價(jià)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(yù)測價(jià)格，結(jié)果如表2 所示。

表2 變壓器、鐵塔價(jià)格預(yù)測結(jié)果

為了評(píng)估模型的預(yù)測效果，文中使用平均相對(duì)誤差作為評(píng)價(jià)指標(biāo)：

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

2.2 電網(wǎng)投資需求預(yù)測

結(jié)合上文中的預(yù)測結(jié)果，可以得到電網(wǎng)工程的投資需求預(yù)測結(jié)果。為了更優(yōu)地評(píng)估該文算法對(duì)電力工程數(shù)據(jù)的分析預(yù)測效果，文中引入基于灰色預(yù)測的BP 神經(jīng)網(wǎng)絡(luò)算法（GA-BP）作為對(duì)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)?？梢钥闯觯瑑蓚€(gè)算法的最大迭代次數(shù)相同，均為500 次，保證了模型訓(xùn)練、算法預(yù)測過程中相同的算法復(fù)雜度，增加了計(jì)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(jìn)行電網(wǎng)投資預(yù)測時(shí)，仍使用該地區(qū)2016～2020 年的相關(guān)工程數(shù)據(jù)，前10 年作為訓(xùn)練數(shù)據(jù)，后5年作為預(yù)測的驗(yàn)證數(shù)據(jù)。首先，按照上文所述方式對(duì)各項(xiàng)設(shè)備與材料分別進(jìn)行預(yù)測；然后將所有的數(shù)據(jù)進(jìn)行加權(quán)求和，并得到最終的數(shù)據(jù)分析結(jié)果。預(yù)測結(jié)果如表5 所示。

表5 電網(wǎng)投資需求預(yù)測結(jié)果

在評(píng)估兩個(gè)模型的效果時(shí)，仍使用平均相對(duì)誤差。經(jīng)計(jì)算，該文算法在進(jìn)行電網(wǎng)投資需求預(yù)測時(shí)的平均相對(duì)誤差為2.86%，而GA-BP 的平均相對(duì)誤差為6.42%，平均相對(duì)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(jí)電網(wǎng)建設(shè)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(yù)測模型，可以準(zhǔn)確地預(yù)測電網(wǎng)工程中設(shè)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(dòng)竣工階段、大數(shù)據(jù)平臺(tái)等信息化資源，對(duì)研究建立電網(wǎng)工程標(biāo)準(zhǔn)成本體系具有重要意義。