CN109902870A - 基于AdaBoost回归树模型的电网投资预测方法 - Google Patents

Abstract

本发明公开了一种基于AdaBoost回归树模型的电网投资预测方法，根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值和对应的电网投资额，构建各个时间点电网投资相关技术指标向量，并进行无量纲处理，将无量纲的电网投资相关技术指标向量和电网投资额构成训练样本集，采用该训练样本集对AdaBoost回归树进行训练，K次迭代得到K个AdaBoost回归树作为弱学习器，从中选取得到强学习器，利用该强学习器进行电网投资预测。本发明对AdaBoost回归树模型的训练过程进行改进，将其引入电网投资预测，提高电网投资预测准确度。

Description

基于AdaBoost回归树模型的电网投资预测方法

技术领域

本发明属于电网投资预测技术领域，更为具体地讲，涉及一种基于AdaBoost回归树模型的电网投资预测方法。

背景技术

近年来，社会用电需求随着经济发展不断增加，电网企业的投资规模也随之逐步增大。然而，受国家产业结构调整的影响，电网企业在投资管理上面临较大不确定性，企业效益起伏较大，新增资产效能未能发挥有效作用，投入产出结构矛盾较为突出。

在优化投资结构分配的具体问题上，如何通过分析以往投资结构与其对应的运营数据得到客观的投资规律，并按照规律进行投资预算，成为了关键问题。由于过去缺少合理的技术手段，所以电网的投资决策预算还处在比较传统的依靠简单的数学手段计算阶段。目前的电网基建投资基本都是根据电力专家的经验，选取经验上合理的且和投资相关的运营数据指标，通过将这些指标上一年的值代入到经验公式中，产生最终今年的投资额预算。

上述投资决策方式存在这样的问题：根据经验公式无法准确得出投资额与运营数据指标的关系，也无法得出运营数据指标具体是怎样影响投资额预算的。投资额与运营数据指标的关系复杂，简单的经验公式无法准确表达出这种复杂的关系，需要一个相对复杂的模型来综合历史数据中包含的信息，从而能够准确的获得运营数据与对应投资额的关系、得出影响投资额预算的具体运营数据指标的值、得出运营数据指标与投资额关系之间的内部结构。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于AdaBoost回归树模型的电网投资预测方法，将AdaBoost回归树模型引入电网投资预测，提高电网投资预测准确度。

为实现上述发明目的，本发明基于AdaBoost回归树模型的电网投资预测方法的具体步骤包括：

S1：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′_m(n)和对应的电网投资额Y_m，n＝1,2,…,N，m＝1,2,…,M；记第m个时间点电网投资相关技术指标向量为X′_m＝{x′_m(1),x′_m(2),…,x′_m(N)}，对各个电网投资相关技术指标向量X′_m进行无量纲处理，得到无量纲的电网投资相关技术指标向量X_m＝{x_m(1),x_m(2),…,x_m(N)}；将(X_m,Y_m)作为一个训练样本，构成训练样本集T＝{(X₁,Y₁),(X₂,Y₂),···,(X_M,Y_M)}；

S2：采用步骤S1的训练样本集对AdaBoost回归树进行训练，具体步骤包括：

S2.1：初始化迭代次数k＝1，初始化各个训练样本的权值w_m(1)＝1/M；

S2.2：采用步骤S1的训练样本集和权值w_m(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器G_k(X)；

S2.3：将M个电网投资相关技术指标向量X_m输入AdaBoost回归树，得到M个电网投资指标预测值

S2.4：分别计算每个训练样本中电网投资指标值的预测误差将其中最大值记为E_k；

S2.5：计算第k轮迭代中每个训练样本的相对误差

S2.6：计算第k轮迭代的回归误差率

S2.7：计算第k轮迭代得到的弱学习器G_k(X)的系数

S2.8：采用以下公式对每个训练样本的权重进行更新，得到下一轮迭代的权重w_m(k+1)：

其中，

S2.9：判断是否k＜K，K表示预设的最大迭代次数，如果是，进入步骤S2.10，否则迭代结束；

S2.10：令k＝k+1，返回步骤S2.2；

S3：对于K次迭代得到的K个弱学习器G_k(X)，分别计算每个弱学习器的评价值λ_k＝ln(1/a_k)，根据评价值λ_k对弱学习器进行排序，取评价值中位数对应的弱学习器，取其序号记为k^*，令强学习器

S4：获取待预测时间点的电网投资相关技术指标向量X′＝{x′(1),x′(2),…,x′(N)}，采用步骤S1中的无量纲处理方法处理得到无量纲的电网投资相关技术指标向量X＝{x(1),x(2),…,x(N)}，将其输入强学习器f(X)，强学习器f(X)的输出即为待预测时间点的电网投资预测值。

本发明基于AdaBoost回归树模型的电网投资预测方法，根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值和对应的电网投资额，构建各个时间点电网投资相关技术指标向量，并进行无量纲处理，将无量纲的电网投资相关技术指标向量和电网投资额构成训练样本集，采用该训练样本集对AdaBoost回归树进行训练，K次迭代得到K个AdaBoost回归树作为弱学习器，从中选取得到强学习器，利用该强学习器进行电网投资预测。本发明对AdaBoost回归树模型的训练过程进行改进，将其引入电网投资预测，提高电网投资预测准确度。

附图说明

图1是本发明基于AdaBoost回归树模型的电网投资预测方法的具体实施方式流程图

图2是本发明中AdaBoost回归树的训练流程图

图3是本实施例中2005-2009年的强学习器AdaBoost回归树模型示意图；

图4是本实施例中2005-2010年的强学习器AdaBoost回归树模型示意图；

图5是本实施例中2005-2011年的强学习器AdaBoost回归树模型示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于AdaBoost回归树模型的电网投资预测方法的具体实施方式流程图。如图1所示，本发明基于AdaBoost回归树模型的电网投资预测方法的具体步骤包括：

S101：获取历史电网投资数据：

根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′_m(n)和对应的电网投资额Y_m，n＝1,2,…,N，m＝1,2,…,M。记第m个时间点电网投资相关技术指标向量为X′_m＝{x′_m(1),x′_m(2),…,x′_m(N)}，对各个电网投资相关技术指标向量X′_m进行无量纲处理，得到无量纲的电网投资相关技术指标向量X_m＝{x_m(1),x_m(2),…,x_m(N)}。本实施例中无量纲处理的计算公式为x_m(n)＝x′_m(n)/max_n，其中max_n表示第n个电网投资相关技术指标在M个时间点的最大值。

将(X_m,Y_m)作为一个训练样本，构成训练样本集T＝{(X₁,Y₁),(X₂,Y₂),···,(X_M,Y_M)}。

S102：AdaBoost回归树学习：

采用步骤S101的训练样本集对AdaBoost回归树进行训练。

本实施例中AdaBoost回归树的相关参数设置如下：

AdaBoost回归树的叶子节点类型Leaftype为均值函数mean，即每个叶子节点的输出值为该叶子节点中所有样本值Y的平均值；设置回归树的最大样本误差值TolS为0.01，即每个叶子节点中所有样本值Y的误差不超过1％；设置回归树的最小样本个数TolN为2，即每个叶子节点中至少有2个样本。

目前一般AdaBoost回归树的用途主要集中在数据分类，而本发明采用AdaBoost回归树的目的是为了实现电网投资预测，由于应用领域的不同，本发明中AdaBoost回归树的训练过程与常规训练过程不尽相同。图2是本发明中AdaBoost回归树的训练流程图。如图2所示，本发明中AdaBoost回归树训练的具体步骤包括：

S201：初始化迭代数据：

初始化迭代次数k＝1，初始化各个训练样本的权值w_m(1)＝1/M。

S202：训练AdaBoost回归树：

采用步骤S101的训练样本集和权值w_m(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器G_k(X)。

S203：获取当前AdaBoost回归树输出：

将M个电网投资相关技术指标向量X_m输入AdaBoost回归树，得到M个电网投资指标预测值

S204：计算训练集的最大误差：

分别计算每个训练样本中电网投资指标值的预测误差将其中最大值记为E_k，即

S205：计算每个训练样本的相对误差：

计算第k轮迭代中每个训练样本的相对误差

S206：计算回归误差率：

计算第k轮迭代的回归误差率

S207：计算弱学习器的系数：

计算第k轮迭代得到的弱学习器G_k(X)的系数

S208：更新训练样本权重：

采用以下公式对每个训练样本的权重进行更新，得到下一轮迭代的权重w_m(k+1)：

其中，

S209：判断是否k＜K，K表示预设的最大迭代次数，如果是，进入步骤S2.10，否则迭代结束。

S210：令k＝k+1，返回步骤S202。

S103：确定强学习器：

对于K次迭代得到的K个弱学习器G_k(X)，分别计算每个弱学习器的评价值λ_k＝ln(1/a_k)，根据评价值λ_k对弱学习器进行排序，取评价值中位数对应的弱学习器，取其序号记为k^*，令强学习器

S104：电网投资预测：

获取待预测时间点的电网投资相关技术指标向量X′＝{x′(1),x′(2),…,x′(N)}，采用步骤S1中的无量纲处理方法处理得到无量纲的电网投资相关技术指标向量X＝{x(1),x(2),…,x(N)}，将其输入强学习器f(X)，强学习器f(X)的输出即为待预测时间点的电网投资预测值。

为了更好地说明本发明的技术效果，采用一个具体实施例对本发明的具体过程进行详细说明。本实施例以国网某省公司旗下15个分公司8年的电网数据构成训练数据集来对AdaBoost回归树模型进行训练，选用6个电网参数作为电网投资相关技术指标，110千伏变电容量、220千伏变电容量、全社会用电量、现价GDP、负荷增长率、全社会最大负荷。表1是本实施例无量纲处理后的数据表。

表1

分别以2005-2009年的数据、2005-2010年的数据、2005-2011年的数据作为训练样本集，根据本发明方法构建2005-2009年的强学习器AdaBoost回归树模型、2005-2010年的强学习器AdaBoost回归树模型以及2005-2011年的强学习器AdaBoost回归树模型。图3是本实施例中2005-2009年的强学习器AdaBoost回归树模型示意图。图4是本实施例中2005-2010年的强学习器AdaBoost回归树模型示意图。图5是本实施例中2005-2011年的强学习器AdaBoost回归树模型示意图。如图3至图5所示，带冒号“：”的节点(有两个子节点的节点)表示在该节点中对电网投资相关技术指标进行判定，冒号“：”左边的数字“0-5”分别表示第1-6个电网投资相关技术指标，冒号“：”右边的数字表示该节点的电网投资相关技术指标阈值，若输入的电网投资相关技术指标值小于该阈值则进入该节点左边的下一个子节点，若输入的电网投资相关技术指标值大于该阈值则进入该节点右边的下一个子节点。无冒号“：”的节点(没有子节点的节点)即表示最终输出预测投资额的叶子节点。

根据生成的三个强学习器AdaBoost回归树模型，分别以某个分公司2010年、2011年和2012年的电网投资相关技术指标作为强学习器输入，得到2010年、2011年和2012年该分公司的电网投资额预测值，分别为0.0289101、0.0369203、0.0351478，其真实值分别为0.0271132、0.0362245、0.0359677。表2是本实施例数据采用本发明强学习器AdaBoost回归树模型与回归树模型、灰色模型的预测结果对比表。

年份	真实值	本发明预测值	回归树模型预测值	灰色模型预测值
					2010	0.0271132	0.0289101	0.0211489	0.0191542
2011	0.0362245	0.0369203	0.0263621	0.0215473
					2012	0.0359677	0.0351478	0.0278852	0.0289814

表2

表3是本实施例数据采用本发明强学习器AdaBoost回归树模型与回归树模型、灰色模型的预测结果误差对比表。

年份	本发明预测值	回归树模型预测值	灰色模型预测值
				2010	6.62％	21.99％	29.35％
2011	1.92％	27.22％	40.51％
				2012	2.28％	22.47％	19.42％

表3

结合表2、表3可知，本发明所得到的强学习器AdaBoost回归树模型的预测结果误差均小于回归树模型和灰色模型预测结果误差，可见本发明基于AdaBoost回归树模型的电网投资预测方法具有较高的准确性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于AdaBoost回归树模型的电网投资预测方法，其特征在于，包括以下步骤：

S1：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′_m(n)和对应的电网投资额Y_m，n＝1,2,…,N，m＝1,2,…,M；记第m个时间点电网投资相关技术指标向量为X′_m＝{x′_m(1),x′_m(2),…,x′_m(N)}，对各个电网投资相关技术指标向量X′_m进行无量纲处理，得到无量纲的电网投资相关技术指标向量X_m＝{x_m(1),x_m(2),…,x_m(N)}；将(X_m,Y_m)作为一个训练样本，构成训练样本集T＝{(X₁,Y₁),(X₂,Y₂),···,(X_M,Y_M)}；

S2：采用步骤S1的训练样本集对AdaBoost回归树进行训练，具体步骤包括：

S2.1：初始化迭代次数k＝1，初始化各个训练样本的权值w_m(1)＝1/M；

S2.2：采用步骤S1的训练样本集和权值w_m(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器G_k(X)；

S2.3：将M个电网投资相关技术指标向量X_m输入AdaBoost回归树，得到M个电网投资指标预测值

S2.4：分别计算每个训练样本中电网投资指标值的预测误差将其中最大值记为E_k；

S2.5：计算第k轮迭代中每个训练样本的相对误差

S2.6：计算第k轮迭代的回归误差率

S2.7：计算第k轮迭代得到的弱学习器G_k(X)的系数

S2.8：采用以下公式对每个训练样本的权重进行更新，得到下一轮迭代的权重w_m(k+1)：

其中，

S2.9：判断是否k＜K，K表示预设的最大迭代次数，如果是，进入步骤S2.10，否则迭代结束；

S2.10：令k＝k+1，返回步骤S2.2；

S3：对于K次迭代得到的K个弱学习器G_k(X)，分别计算每个弱学习器的评价值λ_k＝ln(1/a_k)，根据评价值λ_k对弱学习器进行排序，取评价值中位数对应的弱学习器，将其序号记为k*，令强学习器

S4：获取待预测时间点的电网投资相关技术指标向量X′＝{x′(1),x′(2),…,x′(N)}，采用步骤S1中的无量纲处理方法处理得到无量纲的电网投资相关技术指标向量X＝{x(1),x(2),…,x(N)}，将其输入强学习器f(X)，强学习器f(X)的输出即为待预测时间点的电网投资预测值。

2.根据权利要求1所述的电网投资预测方法，其特征在于，所述步骤S1中无量纲处理的计算公式如下：

x_m(n)＝x′_m(n)/max_n

其中，max_n表示第n个电网投资相关技术指标在M个时间点的最大值。