CN115841166A - 一种电网企业现金流智能预测方法和系统 - Google Patents
一种电网企业现金流智能预测方法和系统 Download PDFInfo
- Publication number
- CN115841166A CN115841166A CN202111387062.9A CN202111387062A CN115841166A CN 115841166 A CN115841166 A CN 115841166A CN 202111387062 A CN202111387062 A CN 202111387062A CN 115841166 A CN115841166 A CN 115841166A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- power grid
- cash flow
- evaluation
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网企业现金流智能预测方法和系统,包括如下步骤:S1、使用预测模型;S2、使用策略模型;S3、使用评价模型;优化了电网企业的资金管理,实现企业融资的成本减量,降低财务管理人员工作量、提升工作效率,便于电网企业系统内自上而下管理指导、自下而上执行反馈,提升全局资金管理的科学性和精益程度,促进电网企业在融资方向及资金利用等方面更加科学、合理,与企业经营建设及全社会发展更加匹配。
Description
技术领域
本发明涉及电网经济模型领域,尤其涉及一种电网企业现金流智能预测方法和系统。
背景技术
电网公司收支虽有一定的季节特征,但由于宏观经济、政策法规、电力市场等影响因素的不确定性较强,支付习惯、气温、灾害、重大事件等局部干扰因子较多,目前的技术手段只能初步预测长周期的物理电量,无法准确预测支付周期对应的消费电量。特别是现货市场的建设,电力市场结构发生根本性转变。另一方面,虽然目前已有收支预测、投融资决策、市场预判等模型工具,但通常只能解决非现货市场下“点对点”的单一问题,无法有机结合成整体、融入市场多方要素而解决复杂系统性问题。同时,理论算法预测、仿真结果与实际经营存在一定出入,无法直接提供一键式辅助决策,需要进行大量季节性修正、政策性修正等人工干预;不同专家干预的思考模式、关注重点各不相同,导致针对同一问题的干预结果也不尽相同,减弱了最终辅助决策的价值与意义。
例如,一种在中国专利文献上公开的“基于电力大数据的预测模型建立方法及电网负荷调度方法”,其公告号:CN111784083A,公开了一种通过利用率、增长率的大数据预测模型,预测可靠性有限,没法综合考虑多种因素。
发明内容
为此,本发明提供一种电网企业现金流智能预测方法和系统,能够准确的预测电网经济供需并提出策略。
为了实现上述目的,本发明提供如下技术方案:
一种电网企业现金流智能预测方法和系统,包括如下步骤:
S1、预测模型;
S2、策略模型;
S3、评价模型。
作为优选的,预测模型包括价格预测与电量预测。通过提高短期用电量预测准确度和可靠性,可以提高电网对突发情况的反应速度,提高输配电网的运行效率,精细化电网的用电规划,降低日常的维护成本.
作为优选的,价格预测包括收入预测、支出预测与现金流预测。收入预测包括月度售电单价的预测,浙江省近四年月平均售电价基本保持稳定,偶尔出现无规律波动,因此采用对浙江电网前三年的月度售电价取平均值的方法,预测之后的月度售电单价。支出预测包括购电量预测,购电量的计算公式为:
PE=SE/(1-ΔP%);
其中,PE表示购电量,SE表示售电量,ΔP%表示线损率。支出预测包括设备维修成本预测,根据老化率模型加入影响因素的测算银子进行预测。支出预测包括设备故障损失成本预测,故障损失成本预测包括量化停电损失,公式如下;
L=K×T×R×V×F×100
式中L—单台设备在某寿命节点的停电损失K—费率系数;T—平均抢修时间;R—单台设备平均年度最高负载率;V—额定容量;F—故障率;故障率的单位是次/百台年(百公里年),采用的故障率是变压器在某个寿命节点的故障率,体现了时间差异;平均抢修时间暂时通过线路故障停电记录数据统计出各条线路平均故障停电时间;单台设备平均年度最高负载率体现了设备差异;费率系数(即单位电费)、变压器额定容量都是已知的常量。现金流预测包括投资支出预测,预测公式如下:
其中,investi为对当年第i个月投资支出的预测值,invest_plan为当年年度投资规划值,ωj为第j年历史值对当期预测的影响权重,一般按照“近大远小”的原则进行赋权,并且需要满足约束条件invest_percenti,j为第j 年第i月的实际投资占全年总投资的比重。现金流预测包括根据蒙特卡洛模拟法进行投资收益预测。现金流预测还包括融资活动现金流量预测。
作为优选的,收入预测包括售电量预测。售电量预测包括日售电量预测,利用EMD将原始时间序列分解为若干IMF分量和一个残差分量r(t);凸显原始数据的局部特征,可以很好地反映出原始数据的周期性、趋势性、随机性等特性;对分解后的子序列的负荷数据进行预处理,对数据进行归一化的处理;采用Fbprophet方法对每一个IMF分量和残差分量r(t)进行预测,对预测结果进行整合,最终得到时间序列的日售电量预测结果。售电量预测包括月售电量预测,运用灰狼算法优化支持向量机和长短期记忆网络分別进行月度售电量预测之后根据模型各自的方差来组合预测结果。
作为优选的,策略模型包括投资时序决策、融资方案决策、市场博弈策略。融资方案决策包括如下步骤;(1)研究通过借款利率、销售电量增速、售电、购电电价这四个指标分别对宽松、稳定、从紧情景的特征进行表述,(2)融资方案分别为激进型、适中型及保守型融资方案。通过投资规模增速、输配电成本增长率、公司管理费用、短长期借款比例这四个指标对策略特征进行描述,(3) 针对已有的融资情景,提出融资方案,从而决策融资方案,(4)情景设置及指标权重计算,(5)使用TOPSIS进行融资决策。投资时序决策包括首先分别对电网投资中的指标体系进行构建,然后分别一技术效益指标,经济效益指标,社会效益指标为目标,提出相应的投资决策模型,并根据某一个具体的在建项目进行模型的测算,方便对月度投资和支付时序给出合理的预测和建议。市场博弈策略包括战略层策略、中间层策略及微观层策略,战略层策略包括供需预测,中间层策略包括根据经济环境变换调整计划,微观层策略包括供需决定价格。
作为优选的,评价模型包括策略效果评价和决策自优化。决策自优化包括多模型融合和参数调优以及参数自优化,参数自优化包括使用约束贝叶斯优化的不确定性下的MPC数据驱动自动调优,用GP先验对约束函数(θ)建模,其评价受高斯噪声影响。然后我们必须用满足约束的概率对原始EI进行加权。
作为优选的,策略效果评价包括模糊综合评价和风险综合评价。风险综合评价包括融资风险预测,在得到融资风险指数RI后,基于SVR模型建立融资风险预测模型,首先需要对数据进行标准化处理,消除量纲对分析结果的影响,此处采用标准差标准化方法,即0均值标准化方法,经过处理后的数据符合标准的正态分布。这样做可以加速SVR模型的求解速度,也有可能提高模型的精度。其次,通过划分训练集和测试集,选择效果最好的核函数,并尝试通过增大测试集的方式,验证所选核函数的稳定性状况。再次,利用网格搜索法,对模型的超参数进行调优。最后,利用表现最好的参数组合进行融资风险指数的预测。风险综合预测还包括综合考虑外部环境风险和内部环境风险,建立融资风险评价指标体系,利用熵值法测度每个指标的权重,得到预警指数RI。然后利用SVR、XGBoost、BP神经网络模型三种机器学习模型进行融资风险预测模型构建,通过微调参数优化模型,使得每类模型都达到最优,横向比较三种模型发现,基于XGBoost和BP神经网络构建的融资风险预测模型模型效果较好,优于传统的基于SVR模型的融资风险预测模型,后续可以用基于XGBoost的模型或者基于BP神经网络的融资风险预测模型进行预测。模糊综合评价步骤为, (1)建立因素集,因素集是以影响评判对象的各种因素为元素组成的集合,通常用U表示,即:U={u1,u2,...,un},其中ui(i=1,2,...,n)代表各影响因素;(2)建立判断集。判断集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,...,vn}。元素vi代表各种可能出现的评判结果;(3)建立隶属度函数。在解决某一实际问题时,通常需要在试验的基础上获得隶属函数,故这个过程在一定程度上具有主观性和经验性;(4) 单因素模糊综合评判。首先从因素集U中的单个因素出发进行评判,确定评判对象对备择集中各元素的隶属程度。对评判对象因素集中第i个因素ui进行评判,对备择集中第j个元素Vj的隶属度为rij,则对第i个因素ui评判的结果可用模糊集表示如下;
Ri为单因素评判集,也可简单表示为:
Ri=(ri1,ri2,...,rim)
Ri是备择集V上的一个模糊集合。将n个因素的评判集组成一个总的评判矩阵:
单因素评判矩阵可看作从U到V的模糊关系矩阵。对各因素ui应赋予相应的权数wi,各权数的集合w=(w1,w2,...,wn)称为因素权重集。因素权重集通常应归一化处理,并满足非负条件。
(5)多因素模糊综合评判。在权重集A和单因素评判矩阵R已求得后,通过模糊变换来进行综合评判,即:
式中:B表示模糊综合评判集;bj表示模糊综合评判指标,j=1,2,...,n(简称评判指标);“ο”为模糊变换算子,表示某种合成运算,本文采用M(+,·)模型,为加权平均模型,方法如下:
(6)多级模糊综合评判。以二级模糊综合评判为例。将因素集U划分成n个因素子集,即:U={U1,U2,...,Ui,...,Un},则Ui={ui1,ui2,...,uiki},(i=1,2,...,n)。对每个Ui的ki个子因素作模糊综合评判,其ki个子因素的权重分配是Ai,Ui对评判集V的模糊评价矩阵为Ri,则Bi是Ui的一级模糊综合评判结果。根据单因素ui对评判等级的隶属度Bi,求得对U的二级模糊评价矩阵R=(B1,B2,...,Bn)-1。设对单因素Ui的权重分配为A,可进行二级模糊综合评判模糊向量B就是评判的结果。
本发明的实施方式具有如下优点:
(1)本发明是国内外电力行业资金管理领域研究的先驱。国际上决策研究能力最强的能源电力公司如德国意昂、英国电力、法国电力、东京电力等,尚无基于人工智能的资金管理融资决策模型方法。国内目前尚无类似的研究成果。本研究成果优化了电网企业的资金管理,实现企业融资的成本减量,降低财务管理人员工作量、提升工作效率,便于电网企业系统内自上而下管理指导、自下而上执行反馈,提升全局资金管理的科学性和精益程度,促进电网企业在融资方向及资金利用等方面更加科学、合理,与企业经营建设及全社会发展更加匹配。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达到的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1是本发明的模型框图。
图2是本发明的6层的BP神经网络训练过程曲线图。
图3是本发明的资金流示意图。
图4是本发明中灰狼算法支持向量机算法流程框图。
图中:
1-预测模型;2-策略模型;3-评价模型。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-4所示,在一个较佳的实施例中,本发明公开了一种电网企业现金流智能预测方法和系统,包括如下步骤:
S1、预测模型;
S2、策略模型;
S3、评价模型。
预测模型包括价格预测与电量预测。通过提高短期用电量预测准确度和可靠性,可以提高电网对突发情况的反应速度,提高输配电网的运行效率,精细化电网的用电规划,降低日常的维护成本.
价格预测包括收入预测、支出预测与现金流预测。收入预测包括月度售电单价的预测,浙江省近四年月平均售电价基本保持稳定,偶尔出现无规律波动,因此采用对浙江电网前三年的月度售电价取平均值的方法,预测之后的月度售电单价。支出预测包括购电量预测,购电量的计算公式为:PE=SE/(1-ΔP%);
其中,PE表示购电量,SE表示售电量,ΔP%表示线损率。支出预测包括设备维修成本预测,根据老化率模型加入影响因素的测算因子进行预测,其中,故障率按照老化学原理测算,公式为:
P=Ke-cxISE;
式中P—被评价设备每一评价周期的故障率(取值范围0-1),K—比例系数, C—曲率系数,ISE—设备状态评价分值,指数分布式经过时间证明的复杂系统、电子器件失效的有效概率分布形式,失效率为指数分布,故建立设备维修成本预测模型时,以指数函数拟合为主要方法,基于拆分后的工单,对数据进行清洗,标记异常值,形成样本库。工单发生成本的拆分按照资产原值比例归集到单体设备上,通过排序、绘制箱体图等方式筛选出工单成本异常高或者异常低的样本进行标记。对异常值的关注一方面是判断是否为非典型维修,进行函数拟合时,根据需要对异常值进行合理剔除;另一方面是对成本异常高的工单进行分析,发现共性原因,用来优化模型,然后计算每个工单对应的单位修正检修成本。“单位〃是指基于技术参数或资产原值对工单发生成本的分摊,主要是为了提升成本的可比性。例如220kV架空线路的单位成本是指每千米架空线路发生的检修成本,220kV断路器的单位成本是指每千元资产原值发生的检修成本。“修正"是指引入测算因子后对单位检修成本进行的调整,即用单位检修成本乘以测算因子的赋值。测算因子的赋值是结合以往研究的经验值和本次样本数据的统计结果最终确定。例如地形因子,在某省份LCC研究中,"平原"赋值1,“丘陵或山地"赋值2,通过统计本次研究中采集的220kV主变检修成本,发现山地、丘陵地区的平均单位检修成本是平原地区的平均单位检修成本的2.05 倍,因此可以采用经验值对地形因子进行赋值。测算因子的影响最终体现在指数函数中参数K上,最后确定设备在工单发生时所在的寿命节点,统计各个寿命节点设备平均单位修成检修成本,通过指数回归建立预测模型。指数函数在 EXCEL中利用数据分析工具进行指数回归,需对该公式进行变形:
ln(y)=lnK-C×X;
式中y—对应寿命节点的设备平均单位修正检修成本,X—寿命节点。
模型拟合结果的可靠性通过回归输出参数中的R-square>显著度p值判断。 R-square指拟合优度,拟合优度越大模型预测效果越好,一般认为R-square超过0.3的模型即可行;p值越小,变量和常量显著度越高,模型越可靠,一般认为所有P值均小于0.1,模型即可行,将寿命节点、资产原值、测算因子代入预测模型的数学公式即可求得设备在具体寿命年龄可能发生的检修成本额。支出预测包括设备故障损失成本预测,故障损失成本预测包括量化停电损失,公式如下;
L=K×T×R×V×F×100;
式中L—单台设备在某寿命节点的停电损失K—费率系数;T—平均抢修时间;R—单台设备平均年度最高负载率;V—额定容量;F—故障率;故障率的单位是次/百台年(百公里年),采用的故障率是变压器在某个寿命节点的故障率,体现了时间差异;平均抢修时间暂时通过线路故障停电记录数据统计出各条线路平均故障停电时间;单台设备平均年度最高负载率体现了设备差异;费率系数(即单位电费)、变压器额定容量都是已知的常量。现金流预测包括投资支出预测,预测公式如下:
其中,investi为对当年第i个月投资支出的预测值,invest_plan为当年年度投资规划值,ωj为第j年历史值对当期预测的影响权重,一般按照“近大远小”的原则进行赋权,并且需要满足约束条件invest_percenti,j为第j 年第i月的实际投资占全年总投资的比重。现金流预测包括根据蒙特卡洛模拟法进行投资收益预测。统计2012年12月至2015年9月期间,国网浙江省电力有限公司各月月度投资收益根据其满足均值为0,标准差为1的标准正态分布。采用蒙特卡洛模型,利用MATLAB软件进行数据模拟,得到投资收益的预测结果,预测得到的2015年各月投资收益均值为化0.02,标准差为1.046,单位为亿元。
表1蒙特卡洛模拟结果
现金流预测还包括融资活动现金流量预测。
收入预测包括售电量预测。售电量预测包括日售电量预测,利用EMD将原始时间序列分解为若干IMF分量和一个残差分量r(t);凸显原始数据的局部特征,可以很好地反映出原始数据的周期性、趋势性、随机性等特性;对分解后的子序列的负荷数据进行预处理,对数据进行归一化的处理;采用Fbprophet方法对每一个IMF分量和残差分量r(t)进行预测,对预测结果进行整合,最终得到时间序列的日售电量预测结果。
售电量预测包括月售电量预测,运用灰狼算法优化支持向量机和长短期记忆网络分別进行月度售电量预测之后根据模型各自的方差来组合预测结果,其中,选择支持向量机(SVM)算法进行预测时,若采用径向基核函数,需要先确定正则化参数c和径向基核函数参数g的取值,预测模型的精度值就取决于两个参数的取值。借助灰狼算法的全局搜索能力,对SVM算法的参数进行优化,可以提高SVM算法预测的精确度,记忆网络计算步骤如下(1)遗忘门,遗忘门ft决定了有多少信息可以从上一刻的细胞状态传递到当前细胞状态中,如果输出值为1,其含义为上一时刻信息会被全部保留,如果输出值为0,其含义为上一时刻信息会被全部遗忘。
ft=σ(wxfxt+whfht-1+wcfct+bf);
式中,ft为遗忘门,σ为激励函数,在[0,1]之间取值,w为权重矩阵,bf为偏差向量。(2)输入门,输入门it通过激活函数σ筛选新输入信息并将其加入到记忆单元中,更新记忆单元的候选信息。
it=σ(wxixt+whiht-1+wcict+bi);
gt=tanh(wxcxt+whcht-1+wcict+bc);
式中,it、gt为输入门,xt为输入向量,bi、bc为偏差向量。(3)更新细胞状态,遗忘门ft的输出和前一刻旧细胞状态ct-1组成了更新细胞状态ct的一部分,另一部分由输入门的输出it和记忆单元候选状态组成。如公式(4-17)所示。
ct=fct-1+itσt(wxcxt+whcht-1+bc);
式中,ct为更新细胞状态,ct-1为前一刻旧细胞状态。(4)输入门和隐藏层的输出,通过激励函数σ可以得到输出门ot,压缩更新细胞状态ct可以得到输出向量 ht。计算过程如公式(4-18)和(4-19)所示。
ot=σ(wxoxt+whoht-1+wcoct+bo);
ht=ottanh(ct);
式中,ot为输出门,ht为输出向量。根据模型的原理,可以认为,LSTM神经网络通过增加神经元状态,以及经过遗忘门的决策神经元状态的保存量,从而使时间序列信号的历史信息保存时间大大延长,缓解了神经网络模型的梯度消失问题,并解决了长期依赖性问题。计算每个预测模型对应的方差:
w1=1/[δ1(1/δ1+1/δ2)];
w2=1/[δ1(1/δ1+1/δ2)];
求出权重后,分别乘以相应的预测结果,得出组合预测结果:
F=w1F1+w2F2;
式中,F表示预测结果;F1,F2分别表示GWO-SVM模型和LSTM神经网络模型的单独预测结果。本文以浙江省2016年1月至2019年6月相关数据作为训练样本集,以2019年7月至2019年12月的数据作为测试样本集,运用改进SVM-LSTM模型对月度售电量进行预测,根据所提出模型融合方法,计算出 GWO-SVM和LSTM模型得到的权重分别为0.4572和0.5428。用权重分别乘以 GWO-SVM和LSTM模型的预测结果,计算出了最终的组合模型测试结果。为了验证本节提出的组合预测模型的性能,选择了单独的GWO-SVM、LSTM模型和Arima模型进行测试效果的对比,由图知本文所构建模型的测试结果为 484.84、488.17、423.36、403.99、398.67和391.97,与实际值相差最小,贴合度最高,其次是LSTM模型和GWO-SVM模型,而Arima模型则与实际值有明显的偏离。
表2各模型的测试结果
策略模型包括投资时序决策、融资方案决策、市场博弈策略。融资方案决策包括如下步骤;(1)研究通过借款利率、销售电量增速、售电、购电电价这四个指标分别对宽松、稳定、从紧情景的特征进行表述,(2)融资方案分别为激进型、适中型及保守型融资方案。通过投资规模增速、输配电成本增长率、公司管理费用、短长期借款比例这四个指标对策略特征进行描述,(3)针对已有的融资情景,提出融资方案,从而决策融资方案,(4)情景设置及指标权重计算,(5)使用TOPSIS进行融资决策。其中,TOPSIS步骤为,构建决策矩阵
假设共有n个待评价方案集,每个方案集共计m个指标,则原始决策矩阵可以表示为:
(2)指标标准化
由于指标存在量纲差异,会对评价带来影响,所以需要消除量纲差异的影响,我们采用下述方式进行指标标准化:对于效益型指标(越大越优):
对于成本型指标(越小越优):
由此得到标准化的矩阵:
(3)确定最优方案和最劣方案
最优方案:
最劣方案:
(4)计算各个评价对象与最优和最劣方案的接近程度,包括欧式距离:
海明距离:
(5)因为欧氏距离和海明距离两种距离度量方式存在一定的差异,对计算得到的两种距离进行规范化,
(6)对计算完成的四种距离进行集成,得到每种方案与最优/最劣结果的集中距离:
参数a+b=1,i=1,2,3,...,n。
(5)计算各评价对象与最优方案的综合评价结果Ci
Ci越接近1,表明融资方案越好。
投资时序决策包括首先分别对电网投资中的指标体系进行构建,然后分别一技术效益指标,经济效益指标,社会效益指标为目标,提出相应的投资决策模型,并根据某一个具体的在建项目进行模型的测算,方便对月度投资和支付时序给出合理的预测和建议。市场博弈策略包括战略层策略、中间层策略及微观层策略,战略层策略包括供需预测,中间层策略包括根据经济环境变换调整计划,微观层策略包括供需决定价格。
评价模型包括策略效果评价和决策自优化。决策自优化包括多模型融合和参数调优以及参数自优化,参数自优化包括使用约束贝叶斯优化的不确定性下的MPC数据驱动自动调优,用GP先验对约束函数(θ)建模,其评价受高斯噪声影响。然后我们必须用满足约束的概率对原始EI进行加权。
多模型融合包括采用经验模态分解和局部均值分解两种分解算法分别将风速分解为多个分量,然后提取奇数和偶数序列,形成两个新的序列。根据奇偶序列分解得到的分量的特点,选择了随机配置网络和支持向量机作为预测模型。同时,引入粒子群优化算法对支持向量机的参数进行优化。利用随机构型网络和支持向量机对奇偶序列的所有分解分量进行预测后,对预测值进行叠加,得到奇偶序列的最终预测值。结果表明,与现有的预测模型相比,RMSE降低约 0.1,MAPE降低约0.05%,MAE降低约0.2,R2提高约0.2。该方法的其他性能指标也优于其他模型,证明了融合的多模型融合模型可以提高风速预测的准确性和有效性。该预测方法预测精度高,能正确反映短期风速规律,具有良好的应用前景。
参数优化包括在支持向量机预测模型中,惩罚因子和核参数对支持向量机的预测精度影响很大。为此,引入粒子群算法(PSO)对支持向量机的参数进行优化。
策略效果评价包括模糊综合评价和风险综合评价。风险综合评价包括融资风险预测,在得到融资风险指数RI后,基于SVR模型建立融资风险预测模型,首先需要对数据进行标准化处理,消除量纲对分析结果的影响,此处采用标准差标准化方法,即0均值标准化方法,经过处理后的数据符合标准的正态分布。这样做可以加速SVR模型的求解速度,也有可能提高模型的精度。其次,通过划分训练集和测试集,选择效果最好的核函数,并尝试通过增大测试集的方式,验证所选核函数的稳定性状况。再次,利用网格搜索法,对模型的超参数进行调优。最后,利用表现最好的参数组合进行融资风险指数的预测。风险综合预测还包括综合考虑外部环境风险和内部环境风险,建立融资风险评价指标体系,利用熵值法测度每个指标的权重,得到预警指数RI。然后利用SVR、XGBoost、 BP神经网络模型三种机器学习模型进行融资风险预测模型构建,通过微调参数优化模型,使得每类模型都达到最优,横向比较三种模型发现,基于XGBoost 和BP神经网络构建的融资风险预测模型模型效果较好,优于传统的基于SVR 模型的融资风险预测模型,后续可以用基于XGBoost的模型或者基于BP神经网络的融资风险预测模型进行预测。模糊综合评价步骤为,(1)建立因素集,因素集是以影响评判对象的各种因素为元素组成的集合,通常用U表示,即: U={u1,u2,...,un},其中ui(i=1,2,...,n)代表各影响因素;(2)建立判断集。判断集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,...,vn}。元素vi代表各种可能出现的评判结果;(3) 建立隶属度函数。在解决某一实际问题时,通常需要在试验的基础上获得隶属函数,故这个过程在一定程度上具有主观性和经验性;(4)单因素模糊综合评判。首先从因素集U中的单个因素出发进行评判,确定评判对象对备择集中各元素的隶属程度。对评判对象因素集中第i个因素ui进行评判,对备择集中第j个元素Vj的隶属度为rij,则对第i个因素ui评判的结果可用模糊集表示如下;
Ri为单因素评判集,也可简单表示为:
Ri=(ri1,ri2,...,rim)
Ri是备择集V上的一个模糊集合。将n个因素的评判集组成一个总的评判矩阵:
单因素评判矩阵可看作从U到V的模糊关系矩阵。对各因素ui应赋予相应的权数wi,各权数的集合w=(w1,w2,...,wn)称为因素权重集。因素权重集通常应归一化处理,并满足非负条件。
(5)多因素模糊综合评判。在权重集A和单因素评判矩阵R已求得后,通过模糊变换来进行综合评判,即:
式中:B表示模糊综合评判集;bj表示模糊综合评判指标,j=1,2,...,n(简称评判指标);“ο”为模糊变换算子,表示某种合成运算,本文采用M(+,·)模型,为加权平均模型,方法如下:
(6)多级模糊综合评判。以二级模糊综合评判为例。将因素集U划分成n个因素子集,即:U={U1,U2,...,Ui,...,Un},则Ui={ui1,ui2,...,uiki},(i=1,2,...,n)。对每个Ui的ki个子因素作模糊综合评判,其ki个子因素的权重分配是Ai,Ui对评判集V的模糊评价矩阵为Ri,则Bi是Ui的一级模糊综合评判结果。根据单因素ui对评判等级的隶属度Bi,求得对U的二级模糊评价矩阵R=(B1,B2,...,Bn)-1。设对单因素Ui的权重分配为A,可进行二级模糊综合评判模糊向量B就是评判的结果。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种电网企业现金流智能预测方法,其特征在于,包括如下步骤:
S1、使用预测模型;
S2、使用策略模型;
S3、使用评价模型。
2.根据权利要求1所述的一种电网企业现金流智能预测方法,其特征在于,所述预测模型包括价格预测与电量预测。
3.根据权利要求2所述的一种电网企业现金流智能预测方法,其特征在于,所述价格预测包括收入预测、支出预测与现金流预测。
4.根据权利要求3所述的一种电网企业现金流智能预测方法,其特征在于,所述收入预测包括售电量预测。
5.根据权利要求1所述的一种电网企业现金流智能预测方法,其特征在于,所述策略模型包括投资时序决策、融资方案决策、市场博弈策略。
6.根据权利要求1所述一种电网企业现金流智能预测方法,其特征在于,所述评价模型包括策略效果评价。
7.根据权利要求6所述的一种电网企业现金流智能预测方法,其特征在于,所述策略效果评价包括模糊综合评价和风险综合评价。
8.一种电网企业现金流智能预测系统,其特征在于,运行时实现如权利要求1至7所述的一种电网企业现金流智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387062.9A CN115841166A (zh) | 2021-11-22 | 2021-11-22 | 一种电网企业现金流智能预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387062.9A CN115841166A (zh) | 2021-11-22 | 2021-11-22 | 一种电网企业现金流智能预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841166A true CN115841166A (zh) | 2023-03-24 |
Family
ID=85574555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387062.9A Pending CN115841166A (zh) | 2021-11-22 | 2021-11-22 | 一种电网企业现金流智能预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841166A (zh) |
-
2021
- 2021-11-22 CN CN202111387062.9A patent/CN115841166A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu | Using improved grey forecasting models to forecast the output of opto-electronics industry | |
Chang et al. | A hybrid ANFIS model based on AR and volatility for TAIEX forecasting | |
Hashemi et al. | A hybrid conceptual cost estimating model using ANN and GA for power plant projects | |
Heidarpanah et al. | Daily electricity price forecasting using artificial intelligence models in the Iranian electricity market | |
Rezaei et al. | A neural network approach for retailer risk assessment in the aftermarket industry | |
Chen | [Retracted] Risk Assessment of Government Debt Based on Machine Learning Algorithm | |
Dumas et al. | Deep learning-based multi-output quantile forecasting of PV generation | |
Santana et al. | Fuzzy credit risk scoring rules using FRvarPSO | |
Kristanti et al. | Are Indonesian construction companies financially distressed? A prediction using artificial neural networks | |
CN114219225A (zh) | 基于多源数据的电网投资效益评估系统及评估方法 | |
Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
Zhang | A deep learning model for ERP enterprise financial management system | |
Kampouropoulos et al. | An energy prediction method using adaptive neuro-fuzzy inference system and genetic algorithms | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
Zhang et al. | Two-stage characteristic recognition of demand side resource for load aggregator based on bias-SVD matrix factorization and Bayesian inference | |
Sarvesh et al. | A hybrid model for stock price prediction using machine learning techniques with CNN | |
Karimi et al. | Developing a risk management model for banking software development projects based on fuzzy inference system | |
CN116362136A (zh) | 一种独立储能系统的自调度优化方法及系统 | |
Chen et al. | A causal time-series model based on multilayer perceptron regression for forecasting taiwan stock index | |
CN115841166A (zh) | 一种电网企业现金流智能预测方法和系统 | |
Chen et al. | Dynamic physical behavior analysis for financial trading decision support [application notes] | |
CN113592292A (zh) | 一种电网一次设备技改大修项目准入评价方法 | |
Yoon et al. | Methodology for improving the performance of demand forecasting through machine learning | |
Li et al. | Building a fuzzy multi-objective portfolio selection model with distinct risk measurements | |
Rahman et al. | A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market |
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 |