基于LSTM煤炭預測模型的火電企業精細化運營決策研究

摘要：火電企業精細化經營旨在通過降本增效來提升競爭力。為此，企業需要建立一個經營模型，以明確生產及經營指標之間的聯系。通過邊際貢獻的計算方式，對供電煤耗、入廠煤標煤單價等影響成本的敏感參數采用基于線性回歸和長短期記憶網絡（Long-Short Term Memory，LSTM）的煤炭預測模型進行精細化計算，從而準確評估企業的經營狀況。以湖北省某火電廠為例，應用上述方法制定合理的煤炭采購策略。結果表明，該方法可以實現企業經營收益的最大化。

關鍵詞：經營模型；邊際貢獻；LSTM；采購策略

*基金項目：國家自然科學基金項目“大規模個性化定制下島式生產的可重構知識發現與遞階性動態調控”（52475524）。

0引言

在“碳達峰、碳中和”的國家戰略背景下[1]，綠色能源發展迅猛，風電及光伏裝機容量大幅攀升，火電企業經營面臨異常復雜的外在競爭環境。火電企業的生產經營是一個系統工程，按照整體經營結構來看，其收入主要來源于售電及售熱，成本則包括煤炭采購、材料、工程及服務類項目支出，以及項目的投資折舊、財務成本等。

由于火電企業經營分工較為細致，包括生產部門、經營部門、營銷部門等，工作專業性較強，生產經營信息整合多為粗放式。傳統企業經營模式以經營計劃為決策中心，依據月度或季度預計發電量推算煤炭需求量，燃料采購部門根據庫存煤量及存煤裕度開展煤炭采購計劃，經營計劃部門根據目前的煤炭價格和采購是否有邊際貢獻來指導采購。

然而，企業經營中的不確定性因素較多，煤炭價格的波動性較大。目前，煤炭采購量主要受電廠的存煤裕度的限制，缺乏其他精細化指導依據。傳統的煤炭消耗量預測方法基本采用經驗值的等比例算法，其準確性難以保障。事實上，當煤炭預測消耗量不準確時，煤價未來走勢的分析也缺乏科學性。特別是目前煤價高位運行、煤電企業連年虧損，粗放式經驗性的核算已經不能滿足企業生存發展的實際需要。

現代管理學認為，科學化管理有三個層次：第一個層次是規范化，第二個層次是精細化，第三個層次是個性化[2]。基于當前企業經營的背景，本文將企業生產指標數據和經營指標控制數據進行直接關聯，通過一系列的運算方式，實現在月度等短周期級別上開展精細化的經營預測，為階段性的經營決策提供依據。通過對湖北省西北部地區某火電廠實際生產經營數據的收集，建立成熟的經營模型，基于歷史煤炭采購價格數據，對未來短周期煤炭價格波動區間進行預測。立足企業的實際數據，以經營邊際貢獻點作為決策判定依據，為企業經營活動提供階段化的指導意見。

1企業精細化邊際貢獻點計算方法

火電企業的邊際貢獻與煤炭采購價格、綜合供電煤耗等因素密切相關。在傳統的成本核算過程中，火電企業往往采用粗略估計的方式，煤炭價格走勢以本月已經發生的煤炭采購價格作為預測參考。煤炭月度需求量與發電量直接相關，但二者之間并非線性關系，還有機組效率等因素的影響。傳統方式是按照比例關系大致估算煤炭需求量，準確性有限。本節通過理論推導，準確獲取火電企業邊際貢獻的敏感因素。

1.1成本的計算方法

從經營角度分析，企業總成本Ft可以分為固定成本（Fgd）和變動成本（Fbd）。 固定成本是指在一定條件下，不隨業務量的變動而發生增減變動的成本。變動成本指在一定條件下，其總額隨業務量的變動而成正比變動的成本。火電企業主要關注煤炭成本及材料費的影響[3]，具體成本計算如下：

（1）煤炭成本Fmt。公式如下

Fmt=Crlb×Wsw×Mgd （1）

式中，Crlb為入爐標煤單價（元/t）；Wsw為上網電量（萬kW·h）；Mgd為機組綜合供電煤耗（g/kW·h）。

（2）變動成本Fbd。公式如下

Fbd=Crlb×Wsw×Mgd+Fcl（2）

式中，Fcl是材料費用，是為了生產消耗且隨產量增加的費用。

（3）固定成本Fgd。公式如下

Fgd=Fzj+Fcw+Fqt+Fgl（3）

式中，Fzj為設備折舊成本；Fcw為財務成本；Fgl為管理費用；Fqt為生產其他費用。

（4）總成本Ft。公式如下

Ft=Fmt+Fzj+Fcw+Fqt+Fgl+Fcl （4）

1.2傳統邊際貢獻點計算模型

邊際貢獻（Rbj）指產品銷售收入Fsr與其變動成本Fbd之差，其反映了產品的盈利能力及在企業生產經營過程中所做的貢獻，是企業經營決策和利潤計算的重要依據。邊際貢獻是為補償固定成本和獲得營業利潤而做出的貢獻[4]，公式如下

Rbj=Fsr-Fbd（5）

Fsr=Wsw×Rsw+G×Rgr（6）

式中，Rsw為上網電價（元/kW·h）；G為供熱量（t）；Rgr為供熱單價（元/t）。

根據式（2）可得

Rbj=Wsw×Rsw+G×Rgr-（Crlb×Wsw×Mgd+Fcl）（7）

王金燦等基于LSTM煤炭預測模型的火電企業精細化運營決策研究

按照傳統計算方式，式（7）中Fcl數據常被忽略，Crlb數據以當期入廠標煤價格Crcb數據近似替代。

當Rbj≥0時，表明企業經營有邊際貢獻，可以在當前入廠煤價下積極開展采購；當Rbj＜0時，表明企業經營流動資金為負，建議設備停機。

同理，企業利潤（Rt）有Rt=Fsr-Ft，根據式（4）及式（6）可得

Rt=Wsw×Rsw+G×Rgr-（Fmt+Fzj+Fcw+Fqt+Fgl+Fcl）（8）

當Rt≥0時，表明企業經營是有利潤的；當Rt＜0時，表明企業經營是虧損的。但是，同時滿足Rbj＞0的條件時，表明經營有邊際貢獻，可以持續經營。

上述演算顯示傳統的經營計算過程省略了很多數據，計算結果只能是方向性正確。在市場煤炭價格處于相對低位時，如此粗略式的計算方式是可行的。但是，在當前煤炭價格持續高位運行的背景下，精細化的經營計算方式就意義重大。

1.3精細化邊際貢獻點計算模型

根據式（7）和式（8），以及傳統的計算方式可以得知，影響企業精細化核算邊際貢獻及利潤值的最大的兩個參數是Crcb及Mgd，以下就這兩個參數的準確核算進行模型計算。

本文采用線性回歸擬合法獲取機組負荷（Pfh）與綜合供電煤耗（Mgd）之間的函數關系，采用LSTM獲取未來一段時間的煤炭價格（Crcb）走勢。

1.3.1機組負荷與綜合供電煤耗的函數關系

機組負荷和綜合供電煤耗是火電廠總成本計算的兩個關鍵變量。根據每天采集的機組負荷實際數據及綜合供電煤耗實際值，建立機組負荷和綜合供電煤耗之間的函數關系。某火電廠機組負荷與綜合供電煤耗值[5]見表1。

采用線性回歸擬合法[6]，機組負荷和綜合供電煤耗的函數關系公式如下

Mgd=8 253.1/Pfh+274.366 2 （9）

1.3.2基于LSTM的煤炭價格預測

煤炭價格受產量、運輸、終端用戶需求等各方面因素的影響[7]。對于火電企業來說，煤炭的成本占其生產經營總成本的70%以上，煤炭采購價格對企業的經營效果具有很重要的影響。國內外許多學者對煤炭價格進行了研究，隨著研究的不斷深入，煤炭價格的預測精度也在逐步提升[8]。傳統的煤炭價格預測方法包括基于時間序列預測的指數平均預測法[9]、差分整合移動平均自回歸模型算法等[10]。Pindyck[11]采用傳統的計量經濟學方法，結合卡爾曼濾波的辦法，采用大量的歷史數據作為參照，對未來煤炭價格走勢進行預測，但從實際來看，中長期預測數據并不準確。

LSTM是一種適用于序列數據的深度學習模型[12]，它能夠捕捉時間序列中的長期依賴關系，并在時間序列數據預測任務中表現出良好的效果。對于如煤炭價格、供應量等與時間相關的數據，LSTM可以有效地進行建模和預測。本文采用Vector Output Model[13]，將每個輸出序列的一個時間步長作為向量進行預測，可以實現LSTM的多步預測[14]。

湖北省某火電廠已知煤價包含32個月的數據。由于數據量少，本文采用滑動窗口的方法，將煤價數據轉換為多個固定窗口大小的獨立樣本作為LSTM的輸入；以取樣本后的預測長度位數作為LSTM的輸出。本文的滑動窗口設為8，預測長度設為5，LSTM預測數據滑動過程如圖1所示。

為了進一步驗證所提方法的有效性，本文將其與支持向量機（SVM）、BP神經網絡（BP）和隨機森林算法（RF）進行了對比。第33～37月所提方法與對比算法的預測值見表2，所提方法與對比算法的預測誤差見表3。

從上述數據可知，LSTM算法的相對誤差最小，更符合煤炭價格的預測走勢。因此，未來5個月的煤炭價格預測值采用LSTM的數據測算將更加科學。LSTM預測趨勢圖如圖2所示。

2案例應用

湖北省某火電廠每年的總成本中，煤炭成本占比超過75%；年度總值為4億元，即3333萬元/月；機組平均綜合廠用電率取值為5%；機組上網電價根據企業簽訂的中長期售電合同取均值為0.52元/kW·h（含稅，售電稅率為13%）；年度均值取為0.01元/kW·h；由于售熱市場穩定且淡季月度售熱收入固定，供熱量為6.55萬t/月，供熱單價為188元/t（含稅，9%稅率）；由于熱值差的存在及煤場管理費用的發生，根據企業經驗，入爐標煤單價比入廠標煤單價高50元/t，明確了入廠標煤單價的走勢，就能相對準確地確定入廠標煤單價的走勢；目前機組運行方式為淡季，每月的發電量按照15 000萬kW·h核算；企業存煤最大值為10萬t，目前煤場存煤為1萬t。

2.1企業經營邊際貢獻計算

2.1.1基礎數據核算

設該企業某月的發電量Wfd（萬kW·h），則月度平均負荷Pfh（MW）關系式如下

Pfh=（Wfd/30×24）×a（10）

式中，a為單位換算系數，取常數10。令Wfd=15 000，則有Pfh=208MW；

根據式（9）有Mgd=8 253.1/208+274.366 2=313.98g/kW·h。根據式（7），令Rbj=0，得到入廠標煤單價的上限值為1 636.35元/t。同理，根據式（8），令=0，得到入廠標煤單價的下臨界點值為891.38元/t。

2.1.2基于LSTM預測模型的經營決策分析

根據上述核算，當入廠標煤單價≤891.38元/t時，企業經營為盈利狀態；當891.38元/t＜入廠標煤單價≤1 636.35元/t時，企業經營具有邊際貢獻值；當入廠標煤單價＞1 636.35元/t時，企業經營為凈虧損狀態，理論上應考慮停機。

依據對企業煤價走勢的預測情況，采用LSTM計算方法，得到未來5個月的入廠標煤單價分別為1 033.9元/t、1 232.4元/t、1 515.2元/t、1 482.6元/t、1 302.8元/t。未來5個月的精細化經營決策見表4。

在分析未來煤價上升趨勢的過程中企業可以采取精細化采購策略：低煤價時存足煤量存儲上限，考慮到煤價在未來三四個月可能達到頂峰，這一期間不宜采購，降低庫存水平，待煤價下降后，再決策采購數量（結合后期的煤價預測綜合分析）。這樣的采購決策基于前端精細化計算煤炭需求的基礎開展的，并結合了煤炭價格走勢，使決策更加具體，實現了精細化運營，凸顯了精細化運營的價值。

3結語

本文通過對生產經營邊際貢獻的計算，明確了開展企業精細化運營的關鍵參數即綜合供電煤耗和入廠煤標煤單價。開拓性地將火電企業中機組的綜合供電煤耗與機組平均負荷之間的關系進行了建模研究，科學地預測了入廠標煤單價的未來走勢，為企業開展精細化運營打下了堅實基礎。基礎數據的精細化直接決定了經營分析在短周期內的精細化程度，本文同時建立起了生產與經營之間的數據聯系，這正是論文的突破點所在。

針對企業的經營測算方法，立足企業的經營實際，數據選取較客觀，為精準開展企業經營預測奠定了堅實基礎。論文科學推導了未來5個月煤炭價格變化趨勢，并通過實際數據的誤差分析，證明了采用LSTM算法作為預測煤炭價格走勢的方法是合適的。上述精細化經營決策對于企業短周期經營指導性明顯，特別是在當前煤炭價格高位運行的情況下，該方法為企業精細化運營提供了合適的分析方法和思路。

參考文獻

[1]王坤，李永新，劉偉，等.我國碳達峰碳中和圖景與典型國家能源轉型過程的對比分析與經驗啟示[J].能源技術與管理，2023，48（4）：1-6.

[2]倪瑩.發電企業成本精細化管理的必要性及措施分析[J]. 產業觀察，2023（7）：174-176.

[3]安洪光，張琳，靳坤坤，等.基于綜合用電煤耗的電力高質量發展評價指標研究及應用[J].熱力發電，2020，49（2）：10-16.

[4]薛青贊.論成本精細化管理在火電企業中的應用[J].財經界，2016（36）：157，169.

[5]賈昊.基于高斯過程回歸的熱工系統數據驅動建模研究[D].北京：華北電力大學（北京），2021.

[6]王楠，盧應發，葛隆發.基于多元線性回歸法的工期預測模型研究和模擬[J].項目管理技術，2024，22（4）：84-87.

[7]李博.我國煤炭價格形成機制及煤炭價格影響因素[J].中國戰略新興產業，2018（12）：82-83.

[8]邵鴻南.基于NSGA2算法和Elman神經網絡的煤炭價格預測模型的研究[D].大連：東北財經大學，2023.

[9]QI G J，TANG J L，WANG J D，et al.Mixture factorized ornstein-uhlenbeck processes for time-series forecasting[C]. Proceedings of the 23nd ACM sigkdd international conference on knowledge discovery and data mining，2017.

[10]CHEN T Q，GUESTRIN C.XGboost：a scalable tree boosting system[C].Proceedings of the 22nd ACM sigkdd international conference on knowledge discovery and data mining，2016.

[11]PINDYCK R S.The long-run evolutions of energy prices[J]. The Energy Journal，1999，20（2）：1-27.

[12]夏超鵬，洪宇，劉新山，等.基于LSTM深度學習網絡的中長期電力負荷預測[J].自動化與儀器儀表，2024（7）：364-365.

[13]姚紅偉，尹靜文.基于LSTM算法的前饋控制系統擾動預測研究[J].鍛壓裝備與制造技術，2024（6）：92-94.

[14]李田田，胡偉，余俊鋒.基于LSTM神經網絡模型分析預測鋼材價格[J].科學技術創新，2024（15）：34-37.

收稿日期：2024-08-07

作者簡介：

王金燦（通信作者）（1982—），男，高級工程師，研究方向：火力發電廠生產運營管理。

張利平（1983—），女，教授，博士研究生導師，研究方向：智能制造、生產調度、項目管理。

熊攀（2000—），男，研究方向：大數據挖掘。