[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

摘要

本发明涉及一种基于大数据分析的变电设备运行期成本预测方法，采用基于非线性回归的加权分析算法、ARIMA算法和皮尔逊相关系数分析法，实现变电设备运行期成本预测，搭建了跨专业、跨系统的运维成本归集预测模型，解决了在开展资产全寿命周期成本分析时缺乏变电设备实际运行成本的量化数据支撑的问题，为资产全寿命周期管理提供可靠支撑。

主权项

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Sn；(d)在曲线Sn上，找到第n年的数据值Sn(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：Sn(n+1)＝α*Sn+1(n+1)+β*Sn+2(n+1)+γ*Sn+3(n+1)  (4)公式中Sn+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，Sn+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，Sn+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(i＝1,2,3,...p)，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Qi为:Qi＝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,...,qn，则第(n+1)年的成本为：qn+1＝(q1+2*q2+3*q3+…+(n‑1)*qn‑1+n*qn)/(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。