基于大数据的电网成本结构及效益综合分析研究与应用

刘嘉， 蔡雨楠， 邢琳

(国网陕西省电力公司 运营监测(控)中心，陕西 西安 710048)

0 引 言

随着国家电网公司“三集五大”管理体系和调控、运监、客服三中心的全面建设，信息化已全面融入公司生产经营管理业务的各个方面，积累了海量的数据。2014年1月，国家电网公司董事长、党组书记刘振亚在2014年工作会议的报告上提出要强化数据分析，提升数据应用水平和商业价值，推动第三次工业革命，推进新能源技术、智能技术、信息技术、网络技术和智能电网全面融合，抢占科技创新制高点。

目前，虽然电网企业成本管控[1]22方式已经由总额控制向分项控制转变，但控制精度仍然不高。成本控制仍以财务部门的决算报告为主，管理方法时效性差，不能及时准确地发现成本管理中所存在的根本问题。因此，本文基于大数据电网成本结构及效益综合分析课题研究，采用大数据、数据挖掘及可视化技术，构建分析模型，提升电网企业成本管控和效益分析能力，为管理层和决策层提供理论依据和实践经验。

1 理论发展和关键技术

1.1 国内外研究现状

大数据是近年来受到广泛关注的新概念，是指通过对大量的、种类和来源复杂的数据进行高速地捕捉、发现和分析，用经济的方法提取其价值的技术体系或技术架构。大数据早期应用于商业、金融等领域，后逐渐扩展到交通、医疗、能源等领域，智能电网被看作是大数据应用的重要技术领域之一。

国外大数据的相关研究从2012年开始，IBM和C3-Energy开发了针对智能电网的大数据分析系统，Oracle提出了智能电网大数据公共数据模型；美国电科院等研究机构启动了智能电网大数据研究项目；美国的太平洋燃气电力公司等电力公司基于用户用电数据开展了大数据技术应用研究。

自2012年以来，国家电网公司启动了多项智能电网大数据研究项目，江苏省电力公司于2013年初率先开始建设营销大数据智能分析系统，开展了基于大数据的客户服务新模式应用开发研究。智能电网大数据[2]2研究和应用已取得了一些成效。但总的来看，针对电网成本的大数据研究和应用尚处于起步和探索阶段。

1.2 关键技术

基于大数据的电网成本结构及效益综合分析的关键技术主要有大数据[3]503、数据挖掘及可视化技术等。

(1)大数据预处理技术。大数据预处理技术是在进行数据挖掘前对数据进行处理，针对海量的结构化和非结构化数据进行处理分析，并对数据信息进行自动去噪、分类和分析。目前，最主要的分布式计算架构是Map-Reduce，非常适合处理超大数据集的算法模型。主要包括了数据清洗、数据集成、数据变换、数据消减等。

(2)数据挖掘技术[4]15。大数据挖掘建模技术在整个基于大数据的电网成本结构与效益综合分析系统中处于核心地位。采用数据挖掘模型的优劣将直接影响设备状态分析评价的效果和准确度。如采用目前业界最先进的视觉聚类算法理论、L1/2稀疏化理论来代替传统的层次聚类、朴素贝叶斯等算法、文本聚类、文本分类、文本关联规则等。

(3)可视化技术。数据可视化是关于数据的视觉表现形式的研究，旨在借助于图形化手段，清晰有效地传达与沟通信息。数据可视化技术的运用需要有相应成熟的组件支持，当前数据可视化技术的组件主要包括平行坐标系图、散点图矩阵、数据流图、Tree map(树图)、弦图、文字云图、网络图和线路图八大类。

2 总体架构

基于大数据的电网成本结构及效益综合分析系统的总体架构分为展现层、业务应用层、集成技术框架、数据层和硬件支撑层。总体架构图如图1所示。

图1 总体架构图

(1)展现层：是各级管理人员和用户进行决策信息获取的关键渠道，对系统功能和数据提供了可视化图像展现、功能性应用、综合查询统计和分析报表等展现方式。

(2)业务应用：包括输配电成本结构及趋势预测、边际贡献分析及资产效率分析模型。

(3)集成技术框架：辅助决策平台的运行主要通过企业服务总线和各类服务组件所提供的功能进行支撑和整合。其中服务组件包括国网已有的统一权限组件、门户接口组件、数据访问组件、数据传输组件等，并且包括本系统新建的数据挖掘组件、数据可视化组件和模型运行组件等。

(4)数据层：主要由分析数据源、数据中心、数据清洗转换、数据预处理和本系统数据库构成。

3 应用案例

3.1 输配电成本趋势预测

时间序列分析[5](Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测等。时间序列方法最常用的模型是ARMA模型及其修正模型。本监测分析模型主要采用ARMA、ARIMA模型，实现对电网企业输配电成本趋势预测分析。

3.2 边际贡献分析

目前，售电单价和上网电价均由国家统一制定，导致电力企业盈利空间十分有限。边际贡献分析[6]27模型作为研究销售收入、销售成本和销售利润之间的变量关系的数学模型，为分析电网企业经营状况提供了理论依据。边际贡献分析，也叫保本分析或盈亏平衡分析，是分析成本、销量、利润之间相互关系的方法。这一方法以成本按成本性态(固定成本和变动成本)划分为基础，通过建立数学模型，分析研究销量、销售单价、成本的变化对利润的影响程度，用以确定企业的盈亏平衡点、实现预测利润和控制成本。

基于电网企业成本结构，明确固定成本与变动成本范围，将购电单价确定为购电单位成本。按照利润与售电量、售电平均电价、购电单价、成本之间的数学关系，建立电网企业的边际贡献分析模型。具体计算公式如下：

利润(P)=销售收入-总成本-财务费用(N)+营业外收支净额(C)

其中：销售收入=售电收入+其他收入(S)

售电收入=售电量(X)*售电平均电价(H)

总成本=固定成本(F)+变动成本

变动成本=购电量*购电单价=售电量/(1-线损率(Q))*购电单价(G)

即：P=X(H-G/(1-Q))+S-F-N+C

3.2.1盈亏平衡分析

电网企业的边际贡献是指售电收入超过变动成本的金额，它反映了一定时期销售电力产品的获利能力。电力产品提供的边际贡献不是企业的利润，它首先用来补偿固定成本，若补偿后，尚有盈余，再扣除税金则为企业利润，否则为亏损，即边际贡献等于固定成本则企业不盈不亏。盈亏平衡分析原理如图2所示。

图2 盈亏平衡点分析

由图2不仅可以确定企业当年的盈亏平衡售电量，判断企业目前处于盈利区还是亏损区、生产经营状况如何、企业安全性高低等基本情况，还可以根据企业目标利润，进行售电量预测，使企业经营决策更具主动性和科学性。

3.2.2利润敏感分析

基于边际贡献分析模型，分析售电单价、固定成本、单位变动成本、售电量、线损率五个影响因素变化对利润的影响情况。其中对利润影响最为敏感的是售电平均单价，其次是购电价、售电量、固定成本和线损率。进一步分析售电单价变化趋势，发现尽管购电单价对利润的影响较为敏感，但是购电单价在一定期间相对不变。因此，购电单价对利润影响的敏感程度就大大降低了，研究其它因素成为扩大企业利润空间的关键。

分析和掌握相关因素对企业利润影响的敏感程度，增强了企业经营的预见性，为企业增加利润指出了努力方向。另外，为确保企业年度利润目标的实现，企业在售电经营中要紧紧围绕完成这些目标制定并采取有效措施，加强管理，为社会提供电能服务的同时提高企业经济效益。

4 算例分析

4.1 输配电成本预测模型

4.1.1模型构建

针对于电网企业输配电成本的趋势预测，分析发现指标在时间序列的变化特征，并结合业务特征，采用时间序列算法构建输配电成本趋势预测模型，分别运用指数平滑法与ARIMA模型进行测试对比，通过计算波动区间，实现对输配电成本的动态异动监测，从而为计划预算编制、成本控制提供依据。选取2010年1月到2014年12月的数据作为时间序列建模的训练样本，2015年1月到4月的数据作为测试样本。分析模型性能指标，平均相对误差为0.103 780 872，该模型对于趋势预测具有可用性。输配电成本预测结果如图3所示。

图3 时间序列预测结果

4.1.2波动区间估计

以2010年1月到2014年12月数据作为模型训练样本数据，同时以该样本数据训练过程中形成的样本预测数据与实际数据的偏差为分析对象， 计算其误差均值与标准差。误差的标准差为：115 687 412。按正态分布置信区间与样本覆盖率的对照关系，得出输配电指标值的上、下限。上限： 预测值+2*115 687 412,

下限：预测值-2*115 687 412。输配电成本预测区间如图4所示。

图4 预测区间图

4.1.3结果分析

输配电成本可利用时间序列模型，预测当前指标数据，作为该指标的当期中心点。然后利用截止到上个月，指标预测与实际数据误差波动区间的评估计算结果(指标波动标准差)，形成当期指标阀值(上下限)，实现对输配电成本的动态异动监测。从上述分析，可以看出2011年12月，2012年2月，2012年12月，2014年6月的输配电成本出现明显波动情况，可以作为业务异动重点关注。

4.2 边际贡献分析模型

4.2.1盈亏平衡分析

通过计算分析企业盈亏临界点售电量、边际贡献率、边际贡献、安全边际、安全边际率等指标。其中，安全边际指正常销售额超过盈亏临界点销售额的差额，表明销售额下降多少企业仍不至亏损当，安全边际率是安全边际与正常销售额的比值。经计算2012-2015年数据发现，2013售电平均单价565.21最高，其对应盈亏临界点售电量5 946 091.41最低，边际贡献率31.5%与安全边际率最高，2012年售电平均电价467.64最低，边际贡献率与安全边际率都相对较低，说明售电单价的提高，是提高盈利的最有效手段，售电单价降低也是企业的最大威胁。盈亏平衡指标详细信息如表1所示。

表1 盈亏平衡情况

4.2.2利润敏感性分析

采用因素分析法分析各影响因素对利润的影响程度，通过分析研究对利润影响程度依次为售电平均电价，其次是购电单价，再次为售电量、固定成本和线损率。其中线损率的影响程度不同是因为在例子中线损的变化率为0.1%，而其他各项的变化率均为1%。虽然售电单价对利润的影响最为敏感,但是由于售电单价不是由供电企业来确定,而且在一定期间内相对不变,因此售电单价影响利润的敏感程度实际大打折扣。利润敏感分析影响程度如表2所示。

表2 利润敏感分析

5 结束语

智能电网是大数据的重要应用领域。面对日益复杂的经济形势和市场化挑战，电网企业的运营管理理念和手段也发生重大转变，原本存在于部门内、专业级的历史积累和不断产生的数据融合、关联，汇集成海量数据。国内外智能电网大数据的研究课题处于起步阶段，本文结合电网企业业务和相关理论，采用大数据技术为优化企业成本结构，提高经济效益作出探索。

基于大数据的电网成本结构及效益综合分析研究与应用的显著成果，在于通过运用大数据、数据挖掘及可视化技术，针对历史数据按照成本性态和生产经营环节两个方面的变化情况，分别基于时间序列算法、熵值法及边际贡献原理构建了输配电成本分析预测、边际贡献分析模型。挖掘分析隐藏数据中的价值，为优化电网企业成本结构、降低成本支出、提高企业经营效益提供全面的决策服务。

[1] 曹阳.浅析供电企业成本管控问题[M].财务与管理.2013.

[2] 张东霞,苗新,刘丽平,等. 智能电网大数据技术发展研究[J]. 中国电机工程学报,2015,52(2):2-12.

[3] 彭小圣,邓迪元,文劲宇,等.面向智能电网应用的电力大数据关键技术[J]中国电机工程学报,2015,52(3):503-511.

[4] 卢辉.数据挖掘与数据化运营实践[M].北京：机械工业出版社,2015.

[5] 博客斯.时间序列分析:预测与控制[M].北京：机械工业出版社,2011.

[6] 张先治,陈友邦.财务分析[M].大连：东北财经大学出版社,2014.