CN109657846A - 电网交叉补贴规模影响因子筛选方法 - Google Patents

Abstract

本发明公开了一种电网交叉补贴规模影响因子筛选方法。影响电网企业交叉补贴规模的因子存在复杂的结构特性，无法使用简单的数学模型或传统统计学方法进行优化。本发明采用的技术方案包括：1)由于影响交叉补贴规模的变量存在复杂的层级关系，应用层级树作为影响因子分组分类形式；2)每个终端节点包含一个影响因子；3)每个影响因子的计分以其上溯根节点的深度向量为依据；4)对于重叠的影响因子独立计分并优化；5)基于影响因子的计分向量，对弹性网络的估计公式进行校正；6)参数估计的交叉检验。本发明可对电网交叉补贴规模影响因子进行高效的筛选，以利于应用在交叉补贴规模预测和成本管控。

Description

电网交叉补贴规模影响因子筛选方法

技术领域

本发明属于电网交叉补贴规模预测领域，具体地说是一种基于优化层级树-弹性网络的电网交叉补贴规模影响因子筛选方法。

背景技术

我国居民电价约为工业电价的90％以下，而世界上大多数国家居民电价高于工业电价，平均约为工业电价的1.5倍。而不合理的是，我国电价长期存在工商业用户补贴居民用电的补贴形式。随着我国电力体制改革的推进，首先影响到的必然是用电量大、电压等级高的工商业用户。由此带来的是来自工商业补贴来源的丢失，将造成电网企业较大的损失，这就要求尽快出台改革配套的交叉补贴的新机制。

通过对影响交叉补贴的各类动态子因素的研究，建立电价交叉补贴动态影响因素库。建立交叉补贴各影响因素的动态预测模型，识别输配电价改革不同阶段的关键影响因素是一件亟待解决的课题。然而，影响交叉补贴规模的因素众多，对于预测模型的准确度和推广度不利。选择合适的统计学变量筛选方法因此显得必需。

在很多领域的研究中，包括电力经济学在内，其所涉及的高维变量存在着等级从属关系。有着类似属性的变量往往会被同时选中或者同时移除。在筛选这类变量时，将这种关系考虑在内，而非将其作为相互独立、毫无关系的变量，对于提高预测模型准确性有着不可忽视的影响。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于优化层级树-弹性网络的电网交叉补贴规模影响因子筛选方法，其在弹性网络elastic net的基础上，根据变量属性关系，对于电网领域存在的重叠变量进行等级评分系统和参数估计的优化，以修正变量筛选的效率和准确度。

为此，本发明采用如下的技术方案：电网交叉补贴规模影响因子筛选方法，其包括步骤：

1)由于影响交叉补贴规模的变量存在复杂的层级关系，应用层级树作为影响因子分组分类形式；

2)每个终端节点包含一个影响因子；

3)每个影响因子的计分以其上溯根节点的深度向量为依据；

4)对于重叠的影响因子独立计分并优化；

5)基于影响因子的计分向量，对弹性网络的估计公式进行校正；

6)参数估计的交叉检验。

作为上述技术方案的补充，在构建的层级树中，对于任意一个的终端节点(第i个终端节点，对应着影响因子X_i)，其所对应的所有上溯分类序列的深度向量作为其在层级树中的位置信息，则第i个影响因子X_i的深度向量为定义一个二元向量 为实数集合，使得对于l＝1，…，p-1(p为影响因子总数)，则二元向量V_i的第l个元素为：

在此基础上，对于任意X_i定义层级分数s_i：

此处τ和α均是符号为正的常数，这些分数s_i的上限为：

作为上述技术方案的补充，步骤4)中，对于重叠的影响因子进行优化校正，即在弹性网络估计公式中增加正则化项弹性网络的估计公式为：

进行优化后的初步公式为：

式中，为所需估计的模型参数向量；λ₁为lasso惩罚项参数；λ₂为ridge惩罚项参数；λ_OL为对于重叠的影响因子的惩罚项参数；β_-OL为非重叠影响因子的参数；为对于重叠影响因子的惩罚函数；β为理论模型参数向量；y表示因变，此处即电网补贴。

作为上述技术方案的补充，对于任意一个重叠变量X_j，存在k个从属于不同组的单位，即X_j1，…，X_jk，对应的二元向量为V_j1，…，V_jk，转化为重叠变量各个单位的权重后的计分为：

作为上述技术方案的补充，优化校正后的弹性网络的估计公式为：

作为上述技术方案的补充，进行参数估计的交叉检验选择10：1交叉检验方法，即将数据随机均等分为十份，使用其中九份作为训练集，另外一份作为测试集，对估计的参数进行检验；如此重复多次，得到优化估计。

作为上述技术方案的补充，所述的层级树为二叉树，每个终端节点仅包含一个影响因子。

作为上述技术方案的补充，所述的重叠影响因子为同一影响因子作用于多个分支结构终端的形式特征，在进行计分时，将此类变量与对应的计分向量单独考虑。

本发明具有的有益效果如下：本发明在弹性网络elastic net的基础上，根据变量属性关系，对于电网领域存在的重叠变量进行等级评分系统和参数估计的优化，修正了变量筛选的效率和准确度。本发明可对电网交叉补贴规模影响因子进行高效的筛选，利于应用在交叉补贴规模预测和成本管控。

附图说明

图1为本发明实施例中交叉补贴影响路径图；

图2为本发明实施例中理论输配电价影响因素的影响路径图；

图3为本发明实施例中电量影响因素的影响路径图；

图4为本发明实施例中购电价影响因素的影响路径图；

图5为本发明实施例中销售电价影响因素的影响路径图；

图6为本发明实施例中交叉补贴规模影响因子层级树图；

图6中，1为通常膨胀指数，2为人均国民生产总值，3为人口基数，4为人口增长率，5为政治、政策环境，6为产业结构，7为用电量，8为电价，9为电力市场交易开放，10为电网企业经营状况，11为新能源，12为技术因素，13为变电容量，14为最高用电负荷，15为线损率，16为线路长度，17为供电密度，18为供电面积，19为人均国民生产总值，20为年初固定资产，21为年末固定资产，22为职工人数，23为售电量，24为供电户数，25为户均用电量，26为变电容量，27为最高用电负荷，28为输电网络阻塞，29为线路长度，30为供电密度，31为供电面积，32为社会劳动生产率，33为技术进步，34为物价变动，35为供电面积，36为供电密度，37为线路长度，38为变电容量，39为电压，40为负荷率，41为加速折旧天气，42为设备国产化，43为电力设备更新升级，44为电气化水平，45为输配电线损，46为电力需求，47为其他能源价格变动，48为输电网络阻塞，49为电网输电能力，50为发电技术进步，51为电力供应区间分布，52为装机容量，53为城市化率，54为工业化水平，55为人口增长，56为电力需求弹簧，57为家庭收入状况，58为产业发展状况，59为大用户直购比，60为电网基础设施建设，61为发电技术，62为发电方式，63为区域消费增长，64为区域经济增长，65为区域产业结构，66为城市化率，67为工业化水平，68为人口增长，69为清洁替代能源，70为节能减排，71为污染治理，72为环境排放标准，73为用户结构，74为能源供需，75为气温与气候条件，76为无功、电压影响，77为电网结构影响，78为电网设备影响，79为计量设备影响，80为电网运行管理，81为电能计量影响，82为抄、核、收质量，83为窃电影响，84为功率因数，85为电压，86为负荷率，87为三相负荷不平衡，88为电能表，89为线路长度。

具体实施方式

本实施例提供一种基于优化层级树-弹性网络的电网交叉补贴规模影响因子筛选方法，其内容包括：

1.弹性网络(Elastic net)与层级结构

弹性网络(Elastic net)作为经典的机器学习算法，线性结合了Lasso和Ridge算法中的L1和L2惩罚项，从而克服了两者的缺陷:Lasso不适用于样本量小，因子间存在关联的情况；而Ridge回归单纯依靠L2惩罚项无法做到因子筛选。弹性网络估计原理为：

弹性网络方法同时适用于影响因子的稀疏性和成组性，在确定的条件下能够稳定地选择出合适的影响因子，故而拥有应用于电网补贴规模影响因子筛选的潜力。

拥有层级结构的影响因子在层级聚类分析中十分常见，如在遗传学研究中，基因通常会按照其生物特性和基因功能进行分组分类，而通常这样的分类都会呈现多重层级。相比较排列变量的优先度，层级包含着用于分类(或聚合)的聚类顺序。考虑到电网交叉补贴规模影响因子同样存在着复杂的层级结构，对于最终的分析有着重要影响，本发明引入了层级打分系统来量化影响因子的层级位置，从而更好地与弹性网络方法结合。

2.确定核心变量

基于交叉补贴测算方法，影响交叉补贴规模的核心变量为理论输配电价、电量、购电价和实际销售电价，而后，对于每个变量维度进行影响因素的分类。

从四个变量维度对影响因素进行分类，包含影响理论输配电价的因素，影响实际销售电价的因素，影响电量的因素和影响购电价的因素。具体在每个核心变量下从三个方面考虑：

1)微观

微观经济因素即一般意义上的电力市场因素，目前输配电价定价方式下，输配电价基础构成包括折旧、运维费、所得税、城建与教育附加费、上网电价。电量测算分电压等级用电量、分行业用电量，以及销售电价。

2)中观

从区域和行业角度提取影响因素，一般指某地区电网行业建设、运营、消费，以及电力市场需求和供给的相关因素。

3)宏观

宏观经济发展状况是表征一个国家经济发展水平标志的指标体系，主要包括国民经济总指标、金融指标、消费指标、投资指标、财政指标等几个方面。

粘性网络层级筛选

引入一系列的层级分数，对已构建的层级树的末端节点在树中的层级位置进行量化。这些末端节点代表着单个变量或者拥有共通属性的一组变量。这些层级分数将作为模型筛选中相应惩罚项的比重。两个高度相关的变量在层级树中所处位置也会十分靠近，在模型中也会偏向于同时选中或同时排除，这样的属性称作层级分组性质。

根据交叉补贴的计算，交叉补贴的影响因素包括理论输配电价、电量、购电价以及实际销售电价，这些因素对交叉补贴规模的影响路径如图1所示，理论输配电价、电量、购电价以及销售电价影响因素的影响路径如图2至5所示。

3.影响因子层级树

对于粘性网络中的l₁和l₂范数，指的是对于一个向量k＝(k₁，k₂，…，k_p)^T，l₁范数即||k||₁＝∑_i|k_i|，l₂范数即此处，在进行数据分析之前，每个影响因子的值都需要标准化以得到l₂-norm的样本：

在构建的层级树中，每一个节点代表着从根节点(root)到各分支的一次分类，由此每个节点的“深度”(depth)定义为由根到此节点所在位置的分类序列。如根节点代表第一次分类，相应的，其深度为1，由此向下分类的第二分类节点为深度为2的节点，以此类推。为了将构建好的影响因子树整合到模型中，需要量化影响因子层级树的位置信息。

值得注意的是，交叉补贴规模影响因子层级树(如图6所示)的每个终端节点代表着一个相关的影响因子。因此，每个终端节点的评分以包含着其上溯的所有节点的位置信息表示。例如，对于第一个影响因子“通货膨胀指数”，即第一个终端节点所对应的上溯节点的深度集合为对于第二个影响因子“人均国民生产总值”对应的上溯节点的深度集合为以此类推。故而第一个影响因子与第二个影响因子的共同节点的深度集合为多个影响因子的共同节点集合元素越多，则其相互之间的距离越近，相关度越高，在变量筛选过程中共同被筛选或遗弃的可能性越高。

4.构建层级分数

对于特定的终端节点(对应影响因子X_i)，定义一个二元向量使得对于l＝1，…，p-1，则向量V_i的第l个元素为：

例如，对于第一个终端节点X₁，因此，二元向量V₁＝(1，1，0，1，1，1，1，1，1，0，0，0，0)。在此基础上，对于特定终端节点X_i定义层级分数s_i：

此处，τ和α均是符号为正的常数。这些分数s_i的上限为：

5.理论层级粘性网络估计量

此处，仅考虑简单情况，即每个终端节点只包含一个影响因子，将所界定的层级分数作为粘性网络正则化项的比重，将层级粘性网络(HEnet)的估计量修正为：

同样地，HEnet的估计量可以重新写作：

传统的粘性网络方法中拥有着成组性质，同样的，对于HEnet方法也作变量成组筛选性质的验证。对于HEnet的参数估计量公式关于β_j和β_k分别取微分，得到：

假定上述两式相减可得：

此处，s^(p)＝max_1≤i≤ps_i，同时

注意到，所以当任意两个影响因子间相关度趋近于1时，即两个因子本质上并无区别。

6.重叠变量的估计参数优化

对于重叠的影响因子进行优化校正，即在弹性网络估计公式中增加正则化项

弹性网络的估计公式为：

进行优化后的初步公式为：

式中，为所需估计的模型参数向量；λ₁为lasso惩罚项参数；λ₂为ridge惩罚项参数；λ_OL为对于重叠的影响因子的惩罚项参数；β_-OL为非重叠影响因子的参数；为对于重叠影响因子的惩罚函数；β为理论模型参数向量；y表示因变量(此处即电网补贴)。

1)对于任意一个重叠变量X_j，存在k个从属于不同组的单位，即X_j1，…，X_jk，对应的二元向量为V_j1，…，V_jk，转化为重叠变量各个单位的权重后的计分为：

2)优化校正后的弹性网络的估计公式为：

7.参数估计的交叉检验

进行参数估计的交叉检验可以选择常用的10：1交叉检验方法，即将数据随机均等分为十份，使用其中九份作为训练集，另外一份作为测试集，对估计的参数进行检验。如此重复多次，得到优化估计。

显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围中。

Claims (8)

1.电网交叉补贴规模影响因子筛选方法，其特征在于，包括步骤：

1)由于影响交叉补贴规模的变量存在复杂的层级关系，应用层级树作为影响因子分组分类形式；

2)每个终端节点包含一个影响因子；

3)每个影响因子的计分以其上溯根节点的深度向量为依据；

4)对于重叠的影响因子独立计分并优化；

5)基于影响因子的计分向量，对弹性网络的估计公式进行校正；

6)参数估计的交叉检验。

2.根据权利要求1所述的电网交叉补贴规模影响因子筛选方法，其特征在于，

在构建的层级树中，对于任意一个的终端节点，其所对应的所有上溯分类序列的深度向量作为其在层级树中的位置信息，则第i个影响因子X_i的深度向量为定义一个二元向量 为实数集合，使得对于l＝1，…，p-1，p为影响因子总数，则二元向量V_i的第l个元素为：

在此基础上，对于终端节点X_i定义层级分数s_i：

此处τ和α均是符号为正的常数，这些分数s_i的上限为：

3.根据权利要求2所述的电网交叉补贴规模影响因子筛选方法，其特征在于，步骤4)中，对于重叠的影响因子进行优化校正，即在弹性网络估计公式中增加正则化项弹性网络的估计公式为：

进行优化后的初步公式为：

式中，为所需估计的模型参数向量；λ₁为lasso惩罚项参数；λ₂为ridge惩罚项参数；λ_oL为对于重叠的影响因子的惩罚项参数；β_-OL为非重叠影响因子的参数；为对于重叠影响因子的惩罚函数；β为理论模型参数向量；y表示因变量，此处即电网补贴。

4.根据权利要求3所述的电网交叉补贴规模影响因子筛选方法，其特征在于，对于任意一个重叠变量X_j，存在k个从属于不同组的单位，即X_j1，…，X_jk，对应的二元向量为V_j1，…，V_jk，转化为重叠变量各个单位的权重后的计分为：

5.根据权利要求4所述的电网交叉补贴规模影响因子筛选方法，其特征在于，优化校正后的弹性网络的估计公式为，S_-OL类似于S_OL，是对于非重叠变量的权重计分：

6.根据权利要求5所述的电网交叉补贴规模影响因子筛选方法，其特征在于，进行参数估计的交叉检验选择10：1交叉检验方法，即将数据随机均等分为十份，使用其中九份作为训练集，另外一份作为测试集，对估计的参数进行检验；如此重复多次，得到优化估计。

7.根据权利要求1所述的电网交叉补贴规模影响因子筛选方法，其特征在于，所述的层级树为二叉树，每个终端节点仅包含一个影响因子。

8.根据权利要求1所述的电网交叉补贴规模影响因子筛选方法，其特征在于，所述的重叠影响因子为同一影响因子作用于多个分支结构终端的形式特征，在进行计分时，将此类变量与对应的计分向量单独考虑。