[发明专利]一种基于大数据分析的变电设备运行期成本预测方法

权利要求书

1.一种基于大数据分析的变电设备运行期成本预测方法，其特征在于其包括如下步骤：

步骤一、数据采集：采集PMS2.0系统中的非项目类成本信息以及ERP系统中的项目类成本工单信息，输入分摊归集模型进行计算，得到变电设备运行期成本数据库；

步骤二、数据处理：(1)采用阈值概率鉴别法识别异常值，对步骤一中得到的数据进行处理，公式如下：

式中，e_k为某一类成本数据，为某一类成本数据平均值，θ为阈值，k∈[1,n]， 若e_k满足式(1)，则判定e_k为异常数据，进入异常值分类处理；

(2)对超出成本阈值区间的异常数据分类进行判定，对非项目类成本异常值进行修正或剔除，项目类成本数据进行专家研判，鉴别是否为家族缺陷治理或政策性大额成本；对于数据缺失值，按照移动平均法进行缺失值填充；

步骤三、成本预测：

(1)非项目类检修、运维、试验成本预测：

搭建基于非线性回归的加权分析模型：

(a)投运n年的m台设备，在投运1至n年之间的成本数据形成m*n矩阵；

(b)将投运1至n年的m台设备成本分别取平均值作为曲线拟合的基础数据，形成n*1矩阵N；

(c)将矩阵N利用最小二乘法进行非线性回归曲线拟合，得到成本预测曲线S_n；

(d)在曲线S_n上，找到第n年的数据值S_n(n)，利用加权算法，计算出投运n年的m台设备在下一年的成本为：

S_n(n+1)＝α*S_n+1(n+1)+β*S_n+2(n+1)+γ*S_n+3(n+1) (4)

公式中S_n+1(n+1)为同年投运(n+1)年的设备拟合曲线在第(n+1)年的成本，S_n+2(n+1)为同年投运(n+2)年的设备拟合曲线在第(n+1)年的成本，S_n+3(n+1)为同年投运(n+3)年的设备拟合曲线在第(n+1)年的成本，α,β,γ为加权系数，按照时间延续关系取：

α+β+γ＝1 (5)

α：β：γ＝3:2:1 (6)

从而预测出均投运n年的m台设备在投运第(n+1)年的检修、运维、试验成本；

(2)项目类小修成本预测

(a)将项目类小修成本分为p类，对每一类进行成本预测；

(b)对于每年均产生成本的小修类成本，就第i类成本而言，利用历史成本数据，得到其在投运第n年的维修台数q(n)，设当年已有的设备总量为t(n)，得到第i类维修的设备占比r(n)为：

r(n)＝q(n)/t(n) (12)

由此可以得到设备在投运第n年的维修率r(n)，利用ARIMA数据预测模型预测出下一年的设备维修率r(n+1)；根据设备总量t(n)，利用ARIMA数据预测模型预测出下一年的设备总量t(n+1)，由此得到设备在投运第(n+1)年的维修数量q(n+1)为：

q(n+1)＝r(n+1)*t(n+1) (13)

就第i类成本而言，根据设备在投运第1至n年的单体维修成本，可以通过最小二乘法拟合得到设备在投运第(n+1)年维修单价c(n+1)，从而得到设备在投运第(n+1)年的小修成本Q_i为:

Q_i＝q(n+1)*c(n+1) (14)

(3)项目类大修成本预测

采用移动加权平均法进行预测，设1至n年的成本数据分别为q₁,q₂,...,q_n，则第(n+1)年的成本为：

q_n+1＝(q₁+2*q₂+3*q₃+…+(n-1)*q_n-1+n*q_n)/(1+2+3+…+n) (15)

(4)项目类家族性缺陷治理大修成本预测

根据在投运第(n+1)年的专业治理工作计划进行预测；

(5)皮尔逊相关系数修正预测

将变电设备运维成本影响因子与成本作皮尔逊相关系数分析，修正相关成本预测模型，皮尔逊相关性系数r为：

根据公式(16)可以得到影响因子与变电设备检修、试验、运维三类运维阶段成本的皮尔逊相关系数矩阵R1、R2、R3；

对皮尔逊相关系数矩阵R1、R2、R3进行分析，通过以下取值范围判断变量的相关强度：

根据上述取值范围，对与影响因子相关性差的运维阶段成本不予以修正；将相关性强的某类运维阶段成本筛选出来，根据皮尔逊相关系数对数据进行线性分析，得到某类运维阶段成本-影响因子的线性曲线Y为：

Y＝kF+m (17)

公式(17)中Y为投资成本，k，m为线性拟合的系数，F为影响因子；

通过历史数据得到影响因子的变化量△F，成本的增长额△Y为k△F，根据下一年影响因子的变化量，得到成本的变化量，对下一年的成本预测模型进行修正；

(6)将本步骤中(1)～(5)中预测的各项成本累加即可得到变电设备运行期预测成本。

2.根据权利要求1所述的一种基于大数据分析的变电设备运行期成本预测方法，其特征在于所述非项目类成本信息包括巡视维护记录、检修记录、操作票、工作票、检修工单、试验报告信息。