基于數據挖掘的電網企業收入預算預測系統研究

一、引言

電網企業收入預算是指電網企業以年度目標利潤為基礎，分析用戶需求、價格標準和市場情況，對售電量及電費收入進行預測，并制定出相應預算指標的一種預算管理活動。當前電網企業收入預算管理仍處于較為粗放的模式，缺乏獨立的定量測算方法，一旦出現偏差只能事后調整，收入預算調整較為滯后。隨著電力市場交易體量的不斷擴大、增量配電網的接入以及充電樁等新能源的快速發展，售電量的時間序列隨機性逐漸增大，收入預算預測難度進一步增加。基于上述背景，本文試圖利用數據挖掘方法構建收入預算預測系統，幫助電網企業更精細地規劃企業目標收入，提升效益戰略導向性，主動適應經濟環境和電力市場改革的變化。

二、文獻回顧

在大數據技術快速發展的背景下，越來越多學者認為數據挖掘技術在電網企業生產系統安全穩定性、調度運行、故障分析和規劃設計等方面具有良好的應用[1]。已有文獻發現，人工神經網絡數據挖掘法無需人為設定數學模型，能夠減少模型設定偏差，且對原始負荷時間序列的平穩性要求不高，對負荷時序的高隨機性和非確定性具有較強的適應能力(洪流等，2004)[2]。陳章良(2008)利用挖掘技術構建了電力營銷系統的預測決策模型，對電力企業生產和計劃的完成情況及相關環境數據進行多角度、多層次的分析，幫助企業決策者及時掌握售電收入情況和變化趨勢[3]。然而，上述研究通常側重于電費收入與氣象時間等自然因素的影響關系，缺少從經濟因素角度的深入分析，也沒有對數據挖掘模型對電費收入預測準確性的改善進行直接的經驗研究。

三、構建思路與應用案例

根據國家發改委統計口徑，我們首先將收入預算劃分為九個行業，包括農林牧漁業、工業、建筑業、交通運輸倉儲郵政業、信息傳輸軟件與信息技術服務業、商業住宿餐飲業、金融房地產居民服務業、公共事業及管理組織以及城鄉居民生活。根據已有文獻，電費收入的影響因素主要包括經濟因素、時間因素、氣象因素、市場管理與政策制定因素，本文設置了30個特征指標作為上述影響因素的代理變量。其中，每個行業選擇2個經濟因素代理指標，包括農業固定資產投資額、農產品出口額、工業增加值同比增長、工業出口交貨值、房屋施工面積、房屋竣工面積、貨物運輸吞吐量、軟件與信息服務業營業收入、通信行業營業收入、社會消費品零售額、餐飲收入、社會融資規模、房產開發投資額、國家財政預算收入、國家財政預算支出、居民儲蓄收入和居民家用電器產量。氣象因素代理指標包括平均最高氣溫、平均最低氣溫、降水天數、偏南風天數、平均風力。時間因素代理指標包括月總天數、節假日天數、節假日比例、小長假天數、是否春節和季節。政策因素是以2015年4月為基期的工商業用電電度價格調整。

利用Matlab軟件，本文將D市2015年7月至2017年12月九個行業的電量指標與30個特征指標輸入BP算法中進行學習訓練，結合各歸口管理部委、行業分析師對各行業2018年的增長預期，確定上述影響因素的預測，得出2018年電量預測值，如下表1所示。

表1 2018年1-12月D市用電量預測值 單位：萬千瓦時

結合D市2017年1-12月的平均售電價，系統最終輸出2018年1-12月D市電費收入的預測值。該預測值可作為我們編制、審核和調整電費收入預算的重要參考。我們采用該預測值作為2018年D市的月度分解預算，則表2可展示2018年1-12月D市電費收入預算明細。

表2 2018年1-12月D市電費收入預算 單位：萬元人民幣

注：括號內數值為預測值與實際值的誤差率；考慮到春節停工效應，春節及春節次月合并計算誤差率。

我們計算了電費收入預算與實際電費收入相比的誤差比率，并列示于括號空格內。由表4可見：絕大部分行業預測誤差率小于20%，農林牧漁業、商業住宿餐飲業預測誤差率均小于10%，工業1月、信息傳輸軟件與信息技術服務業4月、城鄉居民生活5月、金融房地產居民服務10月、交通運輸倉儲郵政業1月及6月、商業住宿餐飲3月及12月的預測誤差率小于1%。上述結果表明，基于人工神經網絡模型的電量預測具有較高的準確度，本文系統對D市電費收入預測的結果是穩健可靠的。

四、研究結論

本文研究表明利用人工神經網絡模型能夠有效改善電網企業收入預算預測的準確性，有助于電網企業提升收入預算管理水平，為其他行業企業根據自身行業特點選擇合適的數據挖掘方法進行收入預算預測作出了有益探索。但由于研究樣本、方法及水平所限，本文研究成果仍存在一定的局限性。未來研究可以進一步結合各地級市的經濟發展水平、產業結構經濟指標可設置地區調整系數，并采用動態數據流技術，使預測數據和實際數據能夠實現全自動更新與存儲，將能夠更好實現預算的滾動預測，增強預算調整對外部經營環境變化的適應性。