CN111680452A - 基于全要素数据挖掘的电网工程精准投资决策仿真方法 - Google Patents
基于全要素数据挖掘的电网工程精准投资决策仿真方法 Download PDFInfo
- Publication number
- CN111680452A CN111680452A CN202010475561.2A CN202010475561A CN111680452A CN 111680452 A CN111680452 A CN 111680452A CN 202010475561 A CN202010475561 A CN 202010475561A CN 111680452 A CN111680452 A CN 111680452A
- Authority
- CN
- China
- Prior art keywords
- power grid
- investment
- project
- evaluation
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004088 simulation Methods 0.000 title claims abstract description 28
- 238000007418 data mining Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 21
- 239000000470 constituent Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
Abstract
本发明公开了基于全要素数据挖掘的电网工程精准投资决策仿真方法和***，解决了传统的投资决策仿真技术考虑的因素不全面，导致决策结果不够准确的问题。本发明采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，并结合宏观因素和中观因素，利用***动力学建立投资规模预测模型，并依据电网收入系数对投资规模进行修正。依据微观因素建立电网项目投资评价指标体系，针对电网储备项目进行评价，然后以投资规模为约束，采用遗传算法进行电网工程投资优选，本发明可用于未来电网工程投资决策，为实现电网工程精准投资提供技术支撑。
Description
技术领域
本发明涉及电网工程投资辅助决策技术领域，具体涉及基于全要素数据挖掘的电网工程精准投资决策仿真方法及***。
背景技术
从宏观形势来看，我国经济虽仍有下行压力但相对可控，宏观经济调控的焦点从追求经济增速转向强调经济增长质量，经济结构持续优化。为应对经济下行压力，国家围绕稳增长、促改革、调结构、惠民生，出台了一系列重大决策部署。在电量持续波动的现状下，国家要求加大电网投资促进稳增长。此外国企改革推动建立以管资本为主、强化分类监管的新型监管模式，新一轮输配电价改革形势下，“准许成本+合理收益”的核算方式，改变了电网公司传统的盈利模式，对电网投资、成本、效率、公平的监管更加严格，对中央企业的投资管理也提出了更高的要求，电网公司将更加关注电网项目投资的精准度。
目前对于电网工程精准投资管控技术，在投资决策要素挖掘、投资评价技术、投资关键信息监控技术方面，相关研究还有所欠缺。一是电网投资影响要素的作用机理有待深入挖掘。传统的投资评价多局限于项目***运行效果与简单的财务指标评价，并以此确定投资安排的合理性依据。现阶段对于电网企业投资决策要素的分析也多聚焦于企业内部财务状况、运营绩效等视角，电网工程作为重要基础设施，其投资决策是复杂的***工程，受到宏观政策、产业结构、能源消费结构等多维度影响，若忽视体制改革、行业监管等外部宏观经济与政策变动对电网投资的影响，投资决策的准确性将不能满足精准投资的要求。二是电网工程效率效益评价体系的全面科学性需进一步提升。单一的项目评价只能聚焦于项目自身的经验教训，评价结论推广受限，不适用于上升到宏观管控层面反映投资成效。评价结论多适用于工程的“回头看”，对下一步投资决策制定指导作用有限。另外，基础数据中项目与设备的参数指标不能贯通，影响评价结论的客观性和准确性。一次性固定时点的评价结论，具有局限性，不能客观反映工程全周期的运行效率和效益，无法动态发掘投资效果的变化规律。三是支撑电网投资精准度的方法手段需进一步丰富。为更好地适应当前瞬息万变的电网经营内外部环境，迫切需要综合运用数据挖掘与监测技术，对投资决策的关键因素进行动态监控管理，建立投资决策的动态评价机制，强化投资决策的***性、灵活性和全局性，快速准确把握国家宏观政策、经济发展形势、产业结构变动、能源消费等变化趋势，及时有效的进行投资决策仿真，进而提升电网投资的精准度提供。
发明内容
为了克服现有技术的不足，本发明提供了基于全要素数据挖掘的电网工程精准投资决策仿真方法。本发明综合考虑宏观、中观和微观等多层面的全要素影响因素，进而优化投资决策，能够为实现电网工程精准投资提供技术支撑。
本发明通过下述技术方案实现：
基于全要素数据挖掘的电网工程精准投资决策仿真方法，方法包括以下步骤：
步骤一、获取电网投资相关的宏观影响因素和中观影响因素，采用计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型；
步骤二，利用电网收入调整系数，对电网投资规模预测模型进行修正和调整，得到电网投资规模；
步骤三，获取电网投资相关的微观影响因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价；
步骤四，以步骤二中经过修正的电网投资规模为约束条件，以项目集综合效益评价最优为目标函数建立决策模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序。
本发明为了提高投资决策仿真精准度，从多层次对电网投资可能造成影响的因素进行数据挖掘和分析。优选的，本发明的方法采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，并筛选不同层级主要影响因素，以获取得到电网投资相关的宏观影响因素、中观影响因素和微观影响因素。
优选的，本发明的步骤二具体利用电网收入调整系数“年度计划收入/前一年度实际收入”，对电网投资规模预测值进行修正：
Y'＝Y×k
式中，Y为电网投资规模预测模型输出的预测值，Y′为经修正后的电网投资规模，k为电网收入调整系数，即年度计划收入/前一年度实际收入。
优选的，本发明的步骤三具体采用模糊综合评价模型对电网计划投资项目进行评价，包括一下步骤：
步骤S31，确定指标论域：指标论域是以影响评判对象的各指标为元素组成的集合，用U 表示：
U＝{u1,u2,...,un}
式中，ui(i＝1,2,...,n)表示指标体系的各评价指标；
步骤S32，确定评语等级论域：评语等级论域是对评价对象可能的各种评判结果的元素组成的集合，用用V表示：
V＝{v1,v2,...,vm}
式中，元素vj(j＝1,2,...,m)表示给出的评语等级；
步骤S33，构建单因素综合评价矩阵R：
式中，rij为指标论域中第i个指标ui对评语等级论域中的评价等级vj的隶属度；
步骤S34，得到模糊变化后的综合评判向量B：
式中，W为权重矩阵，R为单因素综合评价矩阵。
优选的，本发明的步骤四具体包括以下步骤：
步骤S41，电网项目按照项目集综合效益评价最优为目标函数建立决策模型：
式中，m为n个项目中选中投资的项目；Ao表示项目的总分值；ai表示第i个项目的打分；xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资；S表示电网公司投资规模；bi表示第i个项目的综合评价指标；
步骤S42，采用遗传算法对决策模型进行求解，实现对网络计划投资项目的项目组合优选排序。
另一方面，本发明还提出了基于全要素数据挖掘的电网工程精准投资决策仿真***，本发明的***包括：
预测模块：用于获取电网投资相关的宏观影响因素和中观影响因素，采用计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型；
优化模块：利用电网收入调整系数，对电网投资规模预测模型进行修正和调整，得到电网投资规模；
评价模块：获取电网投资相关的微观影响因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价；
决策模块：以优化模块输出的修正的电网投资规模为约束条件，以项目集综合效益评价最优为目标函数建立决策模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序。
本发明还包括因素挖掘模块，其采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，总结筛选不同层级的主要影响因素，获得并输出电网工程投资相关的宏观、中观和微观影响因素。
本发明的优化模块利用电网收入调整系数“年度计划收入/前一年度实际收入”，对电网投资规模预测值进行修正，并输出修正后的电网投资规模，即：
Y'＝Y×k
式中，Y为电网投资规模预测模型输出的预测值，Y′为经修正后的电网投资规模，k为电网收入调整系数，即年度计划收入/前一年度实际收入。
本发明的评价模块采用模糊综合评价模型对电网计划投资项目进行评价，得到电网计划投资项目集中每个项目的综合评价指标。
本发明的决策模块按照项目集综合效益评价最优为目标函数建立决策模型：
式中，m为n个项目中选中投资的项目；Ao表示项目的总分值；ai表示第i个项目的打分；xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资；S表示电网公司投资规模；bi表示第i个项目的综合评价指标；
然后采用遗传算法对决策模型进行求解，实现对电网计划投资项目的项目组合优选排序。
本发明具有如下的优点和有益效果：
本发明首先从宏观、中观和微观等多个层次对电网投资影响因素进行全要素挖掘分析，采用Frisch综合分析法进行筛选，确保影响因素分析的准确性。以此为基础，结合宏观因素和中观因素，利用***动力学建立投资规模预测模型，并依据电网收入系数对投资规模进行修正。同时依据微观因素建立电网项目投资评价指标体系，针对电网储备项目进行评价，然后以投资规模为约束，采用遗传算法进行电网工程投资优选，以实现电网工程精准投资。该方法可用于未来电网工程投资决策，为实现电网工程精准投资提供技术支撑。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的方法流程示意图。
图2为本发明的***动力学预测模型结构示意图。
图3为本发明的基于遗传算法的决策流程示意图。
图4为本发明的一电网投资***动力学预测模型。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了基于全要素数据挖掘的电网工程精准投资决策仿真方法。
本实施例首先从宏观、中观和微观多个层面进行影响因素全要素挖掘，筛选出大量可能对电网投资产生影响的因素，结合宏观因素和中观因素，利用***动力学建立投资规模预测模型，并依据电网收入系数对投资规模进行修正。同时依据微观因素建立电网项目投资评价指标体系，针对电网储备项目进行评价，然后以投资规模为约束，采用遗传算法进行电网工程投资优选，以实现电网工程精准投资。涉及的软件工具主要包括EXCEL、Vensim和Matlab。
如图1所示，本实施例提供的基于全要素数据挖掘的电网工程精准投资决策仿真方法，包括按顺序执行的下列步骤：
第一步：从宏观、中观和微观多个层次对电网投资可能造成影响的因素进行梳理；
在宏观层面，影响因素具体可以从经济因素、社会因素、政策因素、技术因素四个方面进行挖掘提炼，经济因素主要包括GDP、人均GDP、全社会固定资产投资、对外贸易、第二产业对GDP的贡献率或占比、PPI等；社会因素包括：人口数量、城市化率、平均工资水平等；政策因素主要包括：财政收入和支出、税率、汇率、贷款利率、电力市场化改革进程等；技术因素主要包括：科技进步贡献率、单位GDP煤耗、科技投入占销售收入的比等。而中观因素，即行业因素主要包括能源弹性系数、电源建设投资、清洁能源投资占比、增量配电网放开规模、一般工商业电价等；而微观层面，即站在电网企业的角度考虑，主要因素包括变电容量线路建设长度、输配电价、线损率、上网电价、利润总额、净资产收益率、综合折旧率等。针对以上多个层级可能的影响因素采用Frisch综合分析法，对以上影响因素进行筛选，剔除部分不显著的因素。
其中，分别建立因变量y与自变量x的一元回归模型。
y＝b0i+b1i+ui(i＝1,2,…,m) (1)
计算修正的多重决定系数。
依据多重决定系数对解释变量进行排序，选取第一重要解释变量与其他任一解释变量构建二元回归模型。
y＝b0m1,mi+bm1xm1+bmixmi+um1,mi (3)
依据该二元回归模型的修正决定系数来筛选影响因素。
第二步：对上述序列因素利用Sigmoid函数进行归一化处理，以消除量纲对预测结果的影响：将以上基础数据进行归一化到区间[0，1]；
其中，所述Sigmoid函数进行归一化处理公式如下：
其中，x为处理前数值，y为处理后数值。
第三步：结合经过筛选的宏观、中观影响因素，通过计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型，如图2所示。
Y＝β0+β1X1+β2X2+…+βmXm+ε (5)
第四步：利用电网收入调整系数“年度计划收入/前一年度实际收入”，对电网投资规模预测值进行修正和调整；
Y'＝Y×k (6)
第五步：结合挖掘的微观影响因素，尤其是考虑电力市场改革等新因素，构建电网工程投资评价指标体系(表1)，对电网计划投资项目进行评价打分；
表1评价指标体系
在以上评价指标体系的基础上，采用模糊综合评价模型进行评价，其步骤如下：
(1)确定指标论域
指标论域是以影响评判对象的各指标为元素组成的集合，通常用U表示，即
U＝{u1,u2,...,un} (7)
其中，ui(i＝1,2,...,n)表示指标体系的各评价指标。
(2)确定评语等级论域
评语等级论域是对评判对象可能做出的各种评判结果(或称为评语)的元素组成的集合，可以用V表示，即
V＝{v1,v2,...,vm} (8)
其中，元素vj(j＝1,2,...,m)表示给出的评语等级。
(3)单因素评价
在构造评价等级模糊子集后，需要逐个将评价指标在评价子集上量化，得到模糊关系矩阵R。设指标论域中第i个指标ui对评语等级论域中的评价等级vj的隶属度为rij，那么单因素综合评价矩阵R为：
(4)多因素综合评判
将权重W与单因素评判矩阵R相乘后可求得模糊变换后的综合评判向量，即：
第六步：以经过修正的电网投资能力为约束条件，以项目集综合效益评分最大为目标函数建立优选模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序，实现电网工程精准投资管控。
本实施例确定一个项目是采用还是淘汰，所以为了定义优化变量，可以定义0-1向量D。
D＝[d1,d2,...,dn] (11)
式中，D的维度n为项目库中项目的总数；di为编号为i的项目的选择情况，若di为1，表示该项目被选用；若di为0，表示该项目弃用。
基于以上定义，以电网公司投资能力测算为基础，取ai＝yi，yi为第i个项目依据评价体系指标的打分，即电网项目按照项目分值最优决策则决策模型为：
式中，m为n个项目中选中投资的项目；Ao表示项目的总分值；ai表示第i个项目的打分；xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资。
其中投资规模约束为：
式中，xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资；S表示电网公司投资规模；
若项目库中项目数量不大，可以直接对所有可能的项目组合进行列举，对其进行比较选择，很容易得到最优的电网建设方案。但是规划项目库项目数量众多，枚举的办法效率变得低下，比较时间漫长，计算过程拖沓。考虑优化变量的特点——为固定长度的0-1向量，符合遗传算法(GA)的输入要求，同时模型的离散性也于GA的特性吻合。因此本实施例采用遗传算法进行项目投资决策优选，具体实施流程如图3所示。
实施例2
本实施例提出了基于全要素数据挖掘的电网工程精准投资决策仿真***。
本实施例提出的***包括：
因素挖掘模块，其采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，总结筛选不同层级的主要影响因素，获得并输出电网工程投资相关的宏观、中观和微观影响因素。
本实施例中，因素挖掘模块从宏观、中观和微观多个层次对电网投资可能造成影响的因素进行梳理；
在宏观层面，影响因素具体可以从经济因素、社会因素、政策因素、技术因素四个方面进行挖掘提炼，经济因素主要包括GDP、人均GDP、全社会固定资产投资、对外贸易、第二产业对GDP的贡献率或占比、PPI等；社会因素包括：人口数量、城市化率、平均工资水平等；政策因素主要包括：财政收入和支出、税率、汇率、贷款利率、电力市场化改革进程等；技术因素主要包括：科技进步贡献率、单位GDP煤耗、科技投入占销售收入的比等。而中观因素，即行业因素主要包括能源弹性系数、电源建设投资、清洁能源投资占比、增量配电网放开规模、一般工商业电价等；而微观层面，即站在电网企业的角度考虑，主要因素包括变电容量线路建设长度、输配电价、线损率、上网电价、利润总额、净资产收益率、综合折旧率等。针对以上多个层级可能的影响因素采用Frisch综合分析法，对以上影响因素进行筛选，剔除部分不显著的因素，采用如上述实施例1提出的公式(1)-公式(4)来对影响因素进行筛选。
预测模块：用于获取电网投资相关的宏观影响因素和中观影响因素，采用计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型。本实施例的预测模块建立了上述实施例1提出的公式(5)所示的预测模型。
优化模块：利用电网收入调整系数，对电网投资规模预测模型进行修正和调整，得到电网投资规模。本实施例的优化模块采用上述实施例1提出的公式(6)对电网投资规模预测值进行修正。
评价模块：获取电网投资相关的微观影响因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价。本实施例的评价模块建立如上述实施例1的表1所示的评价指标体系，并利用上述实施例1提出的采用模糊综合评价步骤(1)-(4)进行评价。
决策模块：以优化模块输出的修正的电网投资规模为约束条件，以项目集综合效益评价最优为目标函数建立决策模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序。
本实施例的决策模块被配置为执行上述实施例1提出的第六步决策优选步骤。
实施例3
本实施例以S地区电网投资2009-2019年的历史数据为基础，结合相关统计影响因素近 10年的历史数据，利用上述实施例提出的仿真方法和仿真***对该地区2020年的电网投资进行模拟决策，依据宏观、中观、微观全要素分析，建立起更为完善可靠的决策模型。
1、从宏观、中观及微观等多层次进行全要素数据挖掘，总结可能对电网投资造成影响的因素，其中涉及到的主要影响因素如下表3所示：
表3基于全要素数据挖掘的主要影响因素
采用Frisch综合分析法，对以上宏观、中观因素进行逐步筛选，剔除共线性的干扰，以总结主要影响因素。结合S地区的数据统计情况，最后筛选出财政收入和支出、GDP、全社会固定资产投资、人口数量、平均工资水平、发电量、高耗能产业一次能源消费比重等指标为主要影响因素，如图4所示。
2、对以上相关因素的基础数据进行预处理。
将以上基础数据进行归一化到区间[0，1]，具体采用Sigmoid函数，公式如下：
其中，x为处理前数值，y为处理后数值。
第三步：结合经过筛选的宏观、中观影响因素的筛选结果，通过计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型。宏观因素与中观因素预测结果，依据误差情况进行权重综合优化，得出电网投资规模为3.27亿元。
y1＝1.1955x1+0.8194x2-7.67 (15)
第四步：利用电网收入调整系数“年度计划收入/前一年度实际收入”，结合S地区电网收入调整系数150/140＝1.07，对电网投资规模预测值进行修正和调整，结果为3.50亿元；
Y'＝Y×k (17)
第五步：结合挖掘的微观影响因素，尤其是考虑电力市场改革等新因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价打分，以项目1为例，具体打分如下表4 所示：
表4项目1打分情况
首先，根据序关系确定权重方法的步骤，邀请5位专家针对一级指标进行排序，计一级指标为X1、X2、X3、X4，分别代表电网发展协调性，规划项目经济性，规划项目可靠性和服务社会经济发展，排序结果如下所示：
5位专家确定的各指标相对重要程度如下表5所示：
表5指标的相对重要程度
依据上表计算各个专家的得出的各指标权重如下表6所示：
表6专家指标权重
由上表可以看出，5位专家中有2位出现了序关系不一致的情况(序关系一致但rk不一致的取均值)，依据序专家关系不一致情况的计算公式，可以计算得到各指标权重，其中有 L-L0个专家序关系不一致情况的权重公式如下：
归一化后，最后得到：
wj＝k1wj *+k2wj **；j＝1，2…m (20)
其中，k1>0，k2>0，且其和为1，可分别取值专家序关系相同数占总专家数比例，专家序关系不相同数占总专家数比例。
依据该公式以及表6中相关数据可以求得一级指标的最终权重如下表7所示：
表7各指标最终权重
从上述计算结果看，电网规划类的项目首要考虑的因素仍旧是可靠性，其次是电网发展的协调性，其次是规划项目的经济性，最后是服务社会经济发展。结合上述计算，可以得出项目1综合评价得分为2.74分，对于其他电网储备项目依次打分，结果如下表8所示：
表8电网储备项目评分结果
第六步：以经过修正的电网投资能力为约束条件，以项目集综合效益评分最大为目标函数建立优选模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序，实现电网工程精准投资管控。具体决策仿真结果如下表9所示：
表9电网投资决策结果
本实施例提出的决策仿真技术综合进行了宏观、中观和微观等多层面的全要素数据挖掘，决策仿真结果使得资金结余率仅为1.40％，有效的实现了电网投资精准管控。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于全要素数据挖掘的电网工程精准投资决策仿真方法，其特征在于，该方法包括以下步骤：
步骤一、获取电网投资相关的宏观影响因素和中观影响因素，采用计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型；
步骤二，利用电网收入调整系数，对电网投资规模预测模型进行修正和调整，得到电网投资规模；
步骤三，获取电网投资相关的微观影响因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价；
步骤四，以步骤二中经过修正的电网投资规模为约束条件，以项目集综合效益评价最优为目标函数建立决策模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序。
2.根据权利要求1所述的基于全要素数据挖掘的电网工程精准投资决策仿真方法，其特征在于，该方法采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，并筛选不同层级主要影响因素，以获取得到电网投资相关的宏观影响因素、中观影响因素和微观影响因素。
3.根据权利要求2所述的基于全要素数据挖掘的电网工程精准投资决策仿真方法，其特征在于，所述步骤二具体利用电网收入调整系数“年度计划收入/前一年度实际收入”，对电网投资规模预测值进行修正：
Y'＝Y×k
式中，Y为电网投资规模预测模型输出的预测值，Y′为经修正后的电网投资规模，k为电网收入调整系数，即年度计划收入/前一年度实际收入。
4.根据权利要求1所述的基于全要素数据挖掘的电网工程精准投资决策仿真方法，其特征在于，所述步骤三具体采用模糊综合评价模型对电网计划投资项目进行评价，包括一下步骤：
步骤S31，确定指标论域：指标论域是以影响评判对象的各指标为元素组成的集合，用U表示：
U＝{u1,u2,...,un}
式中，ui(i＝1,2,...,n)表示指标体系的各评价指标；
步骤S32，确定评语等级论域：评语等级论域是对评价对象可能的各种评判结果的元素组成的集合，用用V表示：
V＝{v1,v2,...,vm}
式中，元素vj(j＝1,2,...,m)表示给出的评语等级；
步骤S33，构建单因素综合评价矩阵R：
式中，rij为指标论域中第i个指标ui对评语等级论域中的评价等级vj的隶属度；
步骤S34，得到模糊变化后的综合评判向量B：
式中，W为权重矩阵，R为单因素综合评价矩阵。
5.根据权利要求1所述的基于全要素数据挖掘的电网工程精准投资决策仿真方法，其特征在于，所述步骤四具体包括以下步骤：
步骤S41，电网项目按照项目集综合效益评价最优为目标函数建立决策模型：
式中，m为n个项目中选中投资的项目；Ao表示项目的总分值；ai表示第i个项目的打分；xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资；S表示电网公司投资规模；bi表示第i个项目的综合评价指标；
步骤S42，采用遗传算法对决策模型进行求解，实现对网络计划投资项目的项目组合优选排序。
6.基于全要素数据挖掘的电网工程精准投资决策仿真***，其特征在于，该***包括：
预测模块：用于获取电网投资相关的宏观影响因素和中观影响因素，采用计量学构建因素之间的数量关系，并结合***动力学建立电网投资规模预测模型；
优化模块：利用电网收入调整系数，对电网投资规模预测模型进行修正和调整，得到电网投资规模；
评价模块：获取电网投资相关的微观影响因素，构建电网工程投资评价指标体系，对电网计划投资项目进行评价；
决策模块：以优化模块输出的修正的电网投资规模为约束条件，以项目集综合效益评价最优为目标函数建立决策模型，建立基于0/1规划的目标函数，采用遗传算法求解最优项目组合，实现对电网计划投资项目的优选排序。
7.根据权利要求6所述的基于全要素数据挖掘的电网工程精准投资决策仿真***，其特征在于，还包括因素挖掘模块，其采用Frisch综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，总结筛选不同层级的主要影响因素，获得并输出电网工程投资相关的宏观、中观和微观影响因素。
8.根据权利要求6所述的基于全要素数据挖掘的电网工程精准投资决策仿真***，其特征在于，所述优化模块利用电网收入调整系数“年度计划收入/前一年度实际收入”，对电网投资规模预测值进行修正，并输出修正后的电网投资规模，即：
Y'＝Y×k
式中，Y为电网投资规模预测模型输出的预测值，Y′为经修正后的电网投资规模，k为电网收入调整系数，即年度计划收入/前一年度实际收入。
9.根据权利要求6所述的基于全要素数据挖掘的电网工程精准投资决策仿真***，其特征在于，所述评价模块采用模糊综合评价模型对电网计划投资项目进行评价，得到电网计划投资项目集中每个项目的综合评价指标。
10.根据权利要求6所述的基于全要素数据挖掘的电网工程精准投资决策仿真***，其特征在于，所述决策模块按照项目集综合效益评价最优为目标函数建立决策模型：
式中，m为n个项目中选中投资的项目；Ao表示项目的总分值；ai表示第i个项目的打分；xi有0和1两种取值，xi的取值为0时，表示第i个项目不投资，xi的取值为1时，表示第i个项目投资；S表示电网公司投资规模；bi表示第i个项目的综合评价指标；
然后采用遗传算法对决策模型进行求解，实现对网络计划投资项目的项目组合优选排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475561.2A CN111680452A (zh) | 2020-05-29 | 2020-05-29 | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475561.2A CN111680452A (zh) | 2020-05-29 | 2020-05-29 | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111680452A true CN111680452A (zh) | 2020-09-18 |
Family
ID=72434809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010475561.2A Pending CN111680452A (zh) | 2020-05-29 | 2020-05-29 | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680452A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435130A (zh) * | 2020-10-19 | 2021-03-02 | 嘉兴恒创电力设计研究院有限公司 | 一种基于电网安全的投资评价方法 |
| CN112734274A (zh) * | 2021-01-20 | 2021-04-30 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN114638393A (zh) * | 2021-11-18 | 2022-06-17 | 国网天津市电力公司 | 一种基于神经网络的电网投资决策评估方法及装置 |
| CN117670135A (zh) * | 2023-12-13 | 2024-03-08 | 交通运输部公路科学研究所 | 一种公路工程宏观质量多层次评价*** |
-
2020
- 2020-05-29 CN CN202010475561.2A patent/CN111680452A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435130A (zh) * | 2020-10-19 | 2021-03-02 | 嘉兴恒创电力设计研究院有限公司 | 一种基于电网安全的投资评价方法 |
| CN112734274A (zh) * | 2021-01-20 | 2021-04-30 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN112734274B (zh) * | 2021-01-20 | 2023-11-03 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN114638393A (zh) * | 2021-11-18 | 2022-06-17 | 国网天津市电力公司 | 一种基于神经网络的电网投资决策评估方法及装置 |
| CN117670135A (zh) * | 2023-12-13 | 2024-03-08 | 交通运输部公路科学研究所 | 一种公路工程宏观质量多层次评价*** |
| CN117670135B (zh) * | 2023-12-13 | 2024-06-07 | 交通运输部公路科学研究所 | 一种公路工程宏观质量多层次评价*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
| Khalili-Damghani et al. | A hybrid fuzzy rule-based multi-criteria framework for sustainable project portfolio selection | |
| Guerci et al. | Agent-based modeling and simulation of competitive wholesale electricity markets | |
| CN107464025A (zh) | 基于大数据的供应链需求预测与智能决策方法 | |
| Bodas-Sagi et al. | A parallel evolutionary algorithm for technical market indicators optimization | |
| CN117787569B (zh) | 一种智能辅助评标方法及*** | |
| Liu et al. | Flexible time horizon project portfolio optimization with consumption and risk control | |
| CN117217804A (zh) | 一种智能定价与库存管理方法及*** | |
| CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
| CN117217553A (zh) | 一种热电联产***低碳运行方法 | |
| Dreżewski et al. | The evolutionary optimization of a company’s return on equity factor: Towards the agent-based bio-inspired system supporting corporate finance decisions | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
| CN110807543A (zh) | 一种基于群决策智能搜索的投资组合优化方法和装置 | |
| Jalalvand et al. | A multi-objective risk-averse workforce planning under uncertainty | |
| NAPITUPULU | Artificial neural network application in gross domestic product forecasting an Indonesia case | |
| Napitupulu | Artificial neural network application in gross domestic product forecasting: an Indonesia case | |
| Li et al. | Adaptive large-scale group interactive portfolio optimization approach based on social network with multi-clustering analysis and minimum adjustment | |
| Du et al. | Dynamic model averaging-based procurement optimization of prefabricated components | |
| Liu | Prediction Method of the Industrial Economic Operation Index Based on an Improved Genetic Algorithm | |
| Ren et al. | Financial warning for coal mining investments: Evidence from the fruit fly optimisation algorithm with backpropagation neural networks | |
| Han et al. | A Two-Stage Method for Strategy-Oriented Dynamic Project Portfolio Selection Considering Project Substitution | |
| Li et al. | Case-based reasoning approach for decision-making in building retrofit: A review | |
| CN107563555A (zh) | 基于Q学习memetic算法的动态多目标软件项目调度方法 | |
| CN117610870B (zh) | 一种基于遗传算法优化的水库调度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |