CN117236718A - 一种电网规划确定方法、装置、电子设备及介质 - Google Patents
一种电网规划确定方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117236718A CN117236718A CN202311234278.0A CN202311234278A CN117236718A CN 117236718 A CN117236718 A CN 117236718A CN 202311234278 A CN202311234278 A CN 202311234278A CN 117236718 A CN117236718 A CN 117236718A
- Authority
- CN
- China
- Prior art keywords
- power grid
- prediction model
- planning
- index data
- target
- 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 71
- 239000002245 particle Substances 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000000470 constituent Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网规划确定方法、装置、电子设备及介质，所述方法包括：基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。该方法能够实现对电网企业在未来年份目标规划数据的准确确定，减少目标规划数据的误差，从而提高了电网精益化管理的水平。
Description
技术领域
本发明涉及电网投资规划技术领域，尤其涉及一种电网规划确定方法、装置、电子设备及介质。
背景技术
复杂的内外部发展环境给电网规划提出了更高要求，例如电网投资既要满足承担企业社会责任和自身健康可持续发展的需求，又要实现良好的投资效益，满足监管规划要求。
面对新理念、新环境和新要求，当前尚未科学精准的电网规划机制，如电网投资能力预测缺乏完善的理论和方法支撑，不同投资情景与输配电价核定结果的关联关系缺乏量化的分析手段，不利于电网规划的进一步优化提升，因此，开展新电改环境下电网规划的研究是当前亟需解决的问题。
发明内容
本发明提供了一种电网规划确定方法、装置、电子设备及介质，以减少电网规划数据的误差，提高电网精益化管理的水平。
根据本发明的一方面，提供了一种电网规划确定方法，包括：
基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；
利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；
根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
根据本发明的另一方面，提供了一种电网规划确定装置，包括：
构建模块，用于基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；
第一确定模块，用于利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；
第二确定模块，用于根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的电网规划确定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电网规划确定方法。
本发明实施例提供了一种电网规划确定方法、装置、电子设备及介质，所述方法包括：基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。利用上述技术方案，通过利用电网规划预测模型确定目标指标数据，且电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，能够实现对电网企业在未来年份目标规划数据的准确确定，减少目标规划数据的误差，从而提高了电网精益化管理的水平。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电网规划确定方法的流程图；
图2是根据本发明实施例二提供的一种电网规划确定方法的流程图；
图3是根据本发明实施例二提供的一种确定电网规划预测模型的示意图；
图4是根据本发明实施例三提供的一种电网规划确定装置的结构示意图；
图5是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“原始”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1是根据本发明实施例一提供的一种电网规划确定方法的流程图，本实施例可适用于对电网规划进行确定的情况，该方法可以由电网规划确定装置来执行，该电网规划确定装置可以采用硬件和/或软件的形式实现，该电网规划确定装置可配置于电子设备中。
如图1所示，该方法包括：
S110、基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数。
其中，电网企业的规划可以包括电网投资等方面，如预测在未来年份的投资能力，目标函数可以用于表征规划数据与其所受影响的指标数据的关联关系。
示例性的，可以根据电网投资能力的构成因素分析，把投资资金来源分成三部分，即利润、折旧和融资，同时考虑投资资金用作流动资产的一部分，来构建电网企业在未来年份规划的目标函数。目标函数的具体计算公式不作限定，如可以根据实际业务情况进行确定。
本实施例中，电网企业的目标函数可以为Ici＝Npi-Tpi+Di+ΔFi-ΔLAi，式中，Ici可以认为输配电价改革环境下第i年的投资能力，Npi可以为输配电价改革环境下电网企业第i年的净利润，Tpi可以为电网企业第i年的上缴利润，Di可以为输配电价改革环境下第i年的折旧额，ΔFi可以为输配电价改革环境下第i年的新增融资金额，ΔLAi可以为输配电价改革环境下第i年企业新增的流动资产。其中，各部分的具体计算过程可以如下：
(1)上缴利润。可以认为的是，输配电价测算过程中，准许收益可作为电网企业当年净利润。在本实施例中，可以将准许收益的10％假定为电网企业当年应上缴的利润，Tpi＝10％*PRi＝10％*Npi，式中，Tpi为电网企业第i年的上缴利润，PRi表示第i年的准许收益。准许收益等于可计提收益的有效资产乘以加权平均资本收益率。电网准许收益可表示为PRi＝EAi×ROEi，式中，PRi表示第i年的准许收益，EAi表示第i年的可计提收益的有效资产总额，ROEi表示第i年的加权平均资本收益率。
(2)折旧额。本实施例可以根据输配电价定价办法重新核定电网企业可计提折旧的固定资产，如折旧额＝年初可计提折旧的固定资产×综合定价折旧率。具体可以包含下述部分：
1)可计提折旧的固定资产。本年可计提折旧的固定资产可以为本年年初即上一年年末的固定资产原值，具体计算公式可以为可计提折旧的固定资产＝基期固定资产原值+新增固定资产-报废固定资产；新增固定资产＝新增投资×固定资产转资率；报废固定资产＝年初固定资产原值×年固定资产残值率
2)综合定价折旧率。为方便模型计算和理解，可以根据电网企业每年各类增量固定资产的构成比例，在增量固定资产构成比例的基础上，结合输配电价改革方案实施后各类固定资产的折旧率，计算综合定价折旧率，公式可以如下：其中，RD是综合定价折旧率，IGij是第i年第j类固定资产的新增投资额，RDj是根据直线折旧法计算得到的第j类固定资产的年折旧率。
各类固定资产的年折旧率计算公式可以为α是固定资产残值率，Tj是输配电价改革方案规定的各类固定资产的定价折旧年限。
(3)新增融资金额。在本实施例中可以以资产负债率上限55％为约束条件，通过资产负债率计算得出电网企业当年最大融资金额，其计算公式可以为式中，Fi为第i年融资额，αi为第i年的资产负债率，TAi-1为第i-1年的资产总额，Li-1为第i-1年的负债总额，Hi为第i年的还款额。
在电网投资能力预测过程中，预测年度融资金额与该年还款额的差值即为新增融资，或称新增借款。即存在这样的假设，本年融资总额首先用于偿还和补足上一年负债总额，本年负债总额较上一年负债的增加额即为电网企业可用于投资的部分。新增融资金额为电网真实增加的负债额，亦为投资能力的实际增加额，用ΔFi表示，
(4)流动资产。在输配电价改革后，各年度留存流动资产可以根据电网企业有效资产总额，按照固定比例计提，LAi＝EAi×β，式中，LAi为第i年留存流动资产，EAi为第i年的有效资产，β为留存流动资产计提比例，可通过历史数据求平均数得到。
在对电网企业投资能力进行实际计算的过程中，留存流动资产应为各年间流动资产新增部分。新增流动资产的计算公式如下所示：ΔLAi＝(EAi-EAi-1)β，式中，ΔLAi为第i年新增流动资产，EAi-1为第i-1年的有效资产。
S120、利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据。
电网规划预测模型可以认为是与电网企业对应的预测模型，用于预测目标函数的指标数据，电网规划预测模型的具体训练过程不限，如电网规划预测模型可以为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，本实施例对此不作进一步展开；目标指标数据可以理解为预测得到的指标数据，如目标指标数据可以为电网企业在未来年份的指标数据，用于确定电网企业的目标规划数据，目标指标数据的个数和具体类型不限，如目标指标数据可以为一个或多个，在本实施例中，目标指标数据可以包括新增投资、新增固定资产投资、年末资产总额和年末负债总额中的至少一项。
具体的，本步骤可以直接利用电网规划预测模型对目标函数的目标指标数据进行确定，也可以综合其他数据来确定得到目标指标数据，其他数据例如可以为电网企业的历史指标数据，也可以为除历史指标数据之外的数据等。
在一个实施例中，所述利用电网规划预测模型确定所述目标函数的目标指标数据，包括：
对所述电网企业的历史指标数据进行筛选处理，得到处理后的历史指标数据；
基于处理后的历史指标数据利用电网规划预测模型确定所述目标函数的目标指标数据。
其中，历史指标数据可以为电网企业历史年份的相关数据，如包括净利润、折旧额、最大新增融资金额、新增流动资产等4个部分的数据，更具体的，历史指标数据还可以包括历年的新增投资、新增固定资产投资、年末资产总额和年末负债总额等。
在一个实施方式中，可以预先收集电网企业的历史指标数据，并对收集的历史指标数据作一定的筛选和处理，来得到处理后的历史指标数据，从而本实施例可以基于处理后的历史指标数据利用电网规划预测模型来对目标函数的目标指标数据进行确定，以进行后续步骤的执行。
在一个实施方式中，还可以进一步对组成目标函数的其他指标数据进行确定，如比率系数的确定等。如根据输配电价定价具体办法和电网企业的实际运营情况，可以对权益资本收益率、债务资本收益率、资产负债率、固定资产转资率、有效资产转资率、综合定价折旧率、年固定资产残值率、年有效资产减少率、资产负债率约束值、新增流动资金计提比例等比率系数的取值进行确定。
1)权益资本收益率。权益资本收益率可以等于政策性有效资产(如无电地区建设、老城区配电改造等资金支持部分对应的输配电固定资产)的比重和非政策性有效资产的比重与各自对应的权益资本收益率的加权平均。在本实施例中可以取权益资本收益率为4.88％。
2)债务资本收益率。在本实施例中，债务资本收益率可以参考同期人民币5年期及以上贷款基准利率与电网企业实际融资结构和借款利率确定。如可以取债务资本收益率为4.75％。
3)资产负债率。在输配电价改革之前可根据每年的资产负债表进行取值。如资产负债率取值可以参照监管周期初始年前三年(如2014-2016年)电网企业资产负债率的平均值确定为55％，并根据此数值进行投资能力预测。
4)固定资产转资率。由于本实施例用于预测电网企业投资能力，因此固定资产转资率可以取75％。在固定资产转资率确定的基础上，考虑电网企业固定资产、无形资产和营运资本的构成比例，计算有效资产转资率，将其确定为76％。
5)综合定价折旧率。参考输配电价改革相关文件规定的电网企业固定资产分类定价折旧年限表中的数据，根据电网企业经营管理的实际要求，确定每类固定资产的折旧年限，并根据折旧子系统模型的计算公式，计算得到电网企业固定资产的综合定价折旧率为3.51％。
6)年固定资产残值率。根据电网企业历史财务数据，固定资产的残值率取5％。利用5％除以各类固定资产的折旧年限，得到各类固定资产的年平均固定资产残值率，然后再乘以各类固定资产的构成比例，得到年固定资产残值率，为0.19％。在年固定资产残值率确定的基础上，考虑电网企业固定资产、无形资产和营运资本的构成比例，计算年资产减少率，将其确定为0.20％。
在资产负债率约束的条件下进行电网企业最大融资能力预测时，根据电网企业历史经营情况和未来管运营的目标，资产负债率上限的取值为55％。留存流动资产计提比例可以通过电网企业历史数据求平均值得到，在模型中取0.24％。
S130、根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
目标规划数据可以理解为电网企业在未来年份可以规划的数据，如可用于投资的数据等。
通过上述步骤得到目标函数以及目标函数对应的目标指标数据之后，本实施例则可以对电网企业在未来年份的目标规划数据进行确定，示例性的，可以直接将目标指标数据代入目标函数中计算得到相应的目标规划数据，还可以通过计算各部分组成数据来间接计算得到目标规划数据。示例性的，电网企业投资能力预测模型中，部分组成数据例如可以包括净利润、折旧额、最大新增融资金额、新增流动资产。
1)净利润。准许收益可以作为电网企业当年净利润，其中，净利润＝准许收益＝可计提收益的有效资产×准许收益率，10％为法定盈余公积金计提比率，即上缴利润＝净利润×10％。根据模型设定的各指标之间的计算关系，以及预测出的基础经营指标数据，可以计算得到净利润的预测值。
2)折旧额。为方便模型计算和理解，根据每年各类固定资产新增投资计算每年增量固定资产的构成比例，可以在增量固定资产构成比例的基础上，结合输配电价改革方案实施后各类固定资产的折旧率，计算综合定价折旧率。同时按照折旧子系统模型原理，计算每年可计提折旧的固定资产。经过简化后，折旧额的计算公式可以为折旧额＝年初可计提折旧固定资产×综合定价折旧率。
3)最大新增融资额。最大新增融资金额在资产负债率上限约束条件下，可以通过将资产总额和负债总额这两个基础经营指标的预测数据和净利润的计算数据代入公式计算得到。
4)新增流动资产。新增流动资产可以在资产总额的历史值和有效资产预测值基础上，按照一定的留存流动资产计提比例计算得到。
在一个实施例中，上述各指标数据可以存储在电子设备的内存空间中，并利用CPU和GPU并行线程进行后续计算，从而可以节省存储空间，提高计算的效率。
本发明实施例一提供的一种电网规划确定方法，基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。利用该方法，通过利用电网规划预测模型确定目标指标数据，且电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，能够实现对电网企业在未来年份目标规划数据的准确确定，减少目标规划数据的误差，从而提高了电网精益化管理的水平。
在一个实施例中，所述目标函数的约束条件包括下述至少一项：
资产负债率阈值为70％；
固定资产折旧采用直线折旧法，折旧额等于年初可计提折旧的固定资产乘以综合定价折旧率；
当年新增规划按照有效资产转资率形成下一年的新增有效资产，当年新增规划按照固定资产转资率在下一年形成新增固定资产；
当年有效资产总额按照年资产减少率转变为减少有效资产，当年年末固定资产总额乘以年固定资产残值率，转变为报废的固定资产。
可以认为的是，电网企业的目标规划数据会受到很多条件的约束，比如资产负债率、资本保障率、上缴利润、现金流系数等。由于投资能力会受到多种条件的约束，故目标规划数据会存在一个最大值。
具体的，资产负债率可以是指期末负债总额除以资产总额的百分比，也就是说，资产负债率表示的是资产总额和负债总额之间的一种比例关系。通常会把资产负债率保持在70％以下，以便更好地管控。因此，在电网企业投资能力预测的过程中需要根据电网企业实际运营情况和期望的运营目标规定资产负债率约束。资产负债率上限可每年分别设定，如可以设定为55％，即融资后的资产负债率不得超过此设定；固定资产折旧可以采用直线折旧法，用每年年初可计提折旧的固定资产乘以综合定价折旧率；当年新增投资按照一定的有效资产转资率形成下一年的新增有效资产，当年新增投资按照一定的固定资产转资率在下一年形成新增固定资产；当年基期有效资产总额按照一定的年资产减少率转变为减少有效资产，当年年末固定资产总额乘以年固定资产残值率，转变为报废的固定资产。
此外，利润总额可以指的是企业在一定时期内通过生产经营活动所实现的最终财务成果。输配电价改革明确规定了折旧费、运行维护费、有效资产、准许收益率等指标的核定原则和具体标准，可以将传统盈利方式转变为准许成本加合理收益的模式。
上缴利润是指按照一定比例或合同规定上缴给国家的一部分税后利润。由于上缴利润是针对的税后利润，因此，该条件主要是对构成投资能力的净利润的约束。
实施例二
图2是根据本发明实施例二提供的一种电网规划确定方法的流程图，本实施例二在上述各实施例的基础上进行优化。在本实施例中，将在所述利用电网规划预测模型确定所述目标函数的目标指标数据之前的情况，进一步具体化为：生成所述电网企业对应的电网规划预测模型。
本实施例尚未详尽的内容请参考实施例一。
如图2所示，该方法包括：
S210、基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数。
S220、生成所述电网企业对应的电网规划预测模型，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型。
具体生成电网规划预测模型的手段不限，如可以直接对模型进行训练得到，也可以在模型训练的基础上进一步优化模型的参数来得到最终的电网规划预测模型。
在一个实施例中，所述生成所述电网企业对应的电网规划预测模型，包括：
生成所述电网企业对应的灰色预测模型；
采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述电网企业对应的电网规划预测模型。
其中，对于电网投资需求预测而言，受到多方面因素共同的影响，已有的电网投资信息对于未来的预测具有不完全性，因此电网投资需求的预测可以利用GM(1，N)灰色预测的方法进行。GM(1，N)模型可以用于描述n个具有关联的变量对预测目标的影响，其考虑变量之间的相互关联程度和影响程度大小来预测目标变量的变化趋势，利用GM(1，N)模型对电网投资需求进行预测的基本原理可以如下：
设电网企业规划的特征数据数列为电网企业规划相关因素数列为/>则电网企业规划预测的1-AGO序列为/>
然后生成紧邻均值序列
生成电网企业规划预测的GM(1，N)模型其中，a为发展系数，bi为驱动系数，/>为驱动项。
令根据最小二乘法解方程组/>可以得出近似时间响应式为：
累计还原式为
此外，粒子群算法(PSO)可以作为进化算法，通过个体之间的竞争和协作，实现在复杂的空间中搜索最优解。示例性的，粒子群优化算法主要把每个优化问题的潜在解看成是搜索空间中的粒子，每个粒子都有一个适应值，适应值由要优化的目标函数决定，每个粒子还有一个速度向量，速度向量决定了该粒子在搜索空间中飞行的距离和方向，在每一次的迭代中，粒子通过跟踪个体极值和全局极值来更新自己，其中，个体极值是粒子自己本身到当前迭代次数为止搜索到的最优值，而全局极值是整个种群到当前迭代为止，搜索到的最优值。粒子群算法具有规则简单、操作过程容易实现以及收敛速度极快的优点。
因此，在本实施例中可以采用粒子群算法对生成的灰色预测模型进行寻优搜索，如可以使用粒子群优化算法来搜索GM(1,N)模型的最优模型参数，来最小化预测误差或达到其他性能指标，用于改进GM(1,N)模型的预测能力，使其更适应具体问题的需求，从而可以得到电网企业对应的电网规划预测模型。
在一个实施例中，所述采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述灰色预测模型的最优模型参数，包括：
针对每个粒子，基于所述粒子对应的初始适应度对所述灰色预测模型进行寻优搜索，得到所述粒子的个体最优值；
根据各粒子的个体最优值，确定所述粒子群对应的全局最优值；
基于所述全局最优值和预设搜索条件确定所述灰色预测模型的最优模型参数。
预设搜索条件可以为预先设置的搜索条件，用于判断何时结束搜索，具体内容可以由相关人员进行配置。
在一个实施方式中，GM(1，N)模型可以认为是通过最小二乘法得出方程组的参数向量，计算得到的拟合序列与原始序列的误差平方和最小，因此可以选择均方根误差的和作为粒子的适应度计算公式。
图3是根据本发明实施例二提供的一种确定电网规划预测模型的示意图，如图3所示，首先可以将粒子群进行初始化，如设置种群大小、学习因子、迭代次数、惯性权重等参数，对粒子的位置和速度进行初始化，计算得出粒子的初始适应度；然后对GM(1，N)最优模型参数进行寻优搜索，即可以将每个粒子的适应值与历史最好位置的适应值进行比较，若好，则将适应值作为个体最优值，以此可以得到每个粒子对应的个体最优值；随后可以将每个粒子的个体最优值与全局最好位置Pbesti的适应值进行比较，若好，则可以将个体最优值作为全局最优值。
最后可以计算惯性权重，根据适应度更新粒子的速度和位置，判断是否满足预设搜索条件，若满足，则可以结束搜索，从而可以输出GM(1，N)对应的最优模型参数，即可以得到含最优模型参数的GM(1，N)模型；否则，可以返回至粒子初始适应度的计算步骤，继续进行搜索，直至得到GM(1，N)的最优预测参数。在得到含最优模型参数的GM(1，N)模型后，可以输入GM(1，N)预测数列至优化后的GM(1，N)模型中，来输出得到预测结果。
S230、利用所述电网规划预测模型确定所述目标函数的目标指标数据，所述目标指标数据为预测得到的指标数据。
S240、根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
本发明实施例二提供的一种电网规划确定方法，基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；生成所述电网企业对应的电网规划预测模型，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型；利用所述电网规划预测模型确定所述目标函数的目标指标数据，所述目标指标数据为预测得到的指标数据；根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。利用该方法，通过采用粒子群算法对灰色预测模型进行寻优搜索来生成电网企业对应的电网规划预测模型，为后续准确确定目标指标数据提供了基础，从而能够保证目标规划数据的最小误差，提高电网精益化管理的水平。
通过上述描述可以发现，随着新型电力系统建设和输配电价改革的进行，满足精准投资需求的电网投资决策变得越来越重要。本发明实施例提供的电网规划确定方法首先是根据电网投资能力构成因素分析，可以把投资资金来源分成三部分，即利润、折旧和融资，同时考虑投资资金用作流动资产的一部分，即构建了电网规划的目标函数并明确约束条件。然后运用PSO-GM(1,N)，基于经过初步处理的历史数据，对投资能力构成要素的相关指标进行了预测。最后将得出的要素指标的预测值带入构建的目标函数中，则可以结合影响因素进行结果分析。
因此，本实施例从理论层面介绍了系统动力学和PSO-GM(1,N)模型，并且对电网企业投资能力的概念进行了界定和分析。基于系统动力学建立目标函数，指定了基本假设和约束条件，从基本测算指标、比率指标和间接测算指标三个方面进行电网投资能力的影响因素预测研究，然后利用指标数据基于投资能力预测模型预测出了电网未来年份投资能力，并对投资能力预测的结果进行分析，从而提高了电网投资管理精益化管理水平。
实施例三
图4是根据本发明实施例三提供的一种电网规划确定装置的结构示意图，如图4所示，该装置包括：
构建模块310，用于基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；
第一确定模块320，用于利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；
第二确定模块330，用于根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
本发明实施例三提供的一种电网规划确定装置，通过构建模块基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；通过第一确定模块利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；通过第二确定模块根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。利用该装置，通过利用电网规划预测模型确定目标指标数据，且电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，能够实现对电网企业在未来年份目标规划数据的准确确定，减少目标规划数据的误差，从而提高了电网精益化管理的水平。
可选的，第一确定模块包括：
对所述电网企业的历史指标数据进行筛选处理，得到处理后的历史指标数据；
基于处理后的历史指标数据利用电网规划预测模型确定所述目标函数的目标指标数据。
可选的，本发明实施例三提供的一种电网规划确定装置，还包括：
生成模块，用于在所述利用电网规划预测模型确定所述目标函数的目标指标数据之前，生成所述电网企业对应的电网规划预测模型。
可选的，所述生成模块包括：
生成单元，用于生成所述电网企业对应的灰色预测模型；
寻优搜索单元，用于采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述电网企业对应的电网规划预测模型。
可选的，所述寻优搜索单元，包括：
寻优搜索子单元，用于采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述灰色预测模型的最优模型参数；
确定子单元，用于基于所述最优模型参数确定所述电网企业对应的电网规划预测模型。
可选的，所述寻优搜索子单元具体用于：
针对每个粒子，基于所述粒子对应的初始适应度对所述灰色预测模型进行寻优搜索，得到所述粒子的个体最优值；
根据各粒子的个体最优值，确定所述粒子群对应的全局最优值；
基于所述全局最优值和预设搜索条件确定所述灰色预测模型的最优模型参数。
可选的，所述目标函数的约束条件包括下述至少一项：
资产负债率阈值为70％；
固定资产折旧采用直线折旧法，折旧额等于年初可计提折旧的固定资产乘以综合定价折旧率；
当年新增规划按照有效资产转资率形成下一年的新增有效资产，当年新增规划按照固定资产转资率在下一年形成新增固定资产；
当年有效资产总额按照年资产减少率转变为减少有效资产，当年年末固定资产总额乘以年固定资产残值率，转变为报废的固定资产。
本发明实施例所提供的电网规划确定装置可执行本发明任意实施例所提供的电网规划确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如电网规划确定方法。
在一些实施例中，电网规划确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的电网规划确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电网规划确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种电网规划确定方法，其特征在于，包括：
基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；
利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；
根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
2.根据权利要求1所述的方法，其特征在于，所述利用电网规划预测模型确定所述目标函数的目标指标数据，包括：
对所述电网企业的历史指标数据进行筛选处理，得到处理后的历史指标数据；
基于处理后的历史指标数据利用电网规划预测模型确定所述目标函数的目标指标数据。
3.根据权利要求1所述的方法，其特征在于，在所述利用电网规划预测模型确定所述目标函数的目标指标数据之前，还包括：
生成所述电网企业对应的电网规划预测模型。
4.根据权利要求3所述的方法，其特征在于，所述生成所述电网企业对应的电网规划预测模型，包括：
生成所述电网企业对应的灰色预测模型；
采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述电网企业对应的电网规划预测模型。
5.根据权利要求4所述的方法，其特征在于，所述采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述电网企业对应的电网规划预测模型，包括：
采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述灰色预测模型的最优模型参数；
基于所述最优模型参数确定所述电网企业对应的电网规划预测模型。
6.根据权利要求5所述的方法，其特征在于，所述采用粒子群算法对所述灰色预测模型进行寻优搜索，得到所述灰色预测模型的最优模型参数，包括：
针对每个粒子，基于所述粒子对应的初始适应度对所述灰色预测模型进行寻优搜索，得到所述粒子的个体最优值；
根据各粒子的个体最优值，确定所述粒子群对应的全局最优值；
基于所述全局最优值和预设搜索条件确定所述灰色预测模型的最优模型参数。
7.根据权利要求1所述的方法，其特征在于，所述目标函数的约束条件包括下述至少一项：
资产负债率阈值为70％；
固定资产折旧采用直线折旧法，折旧额等于年初可计提折旧的固定资产乘以综合定价折旧率；
当年新增规划按照有效资产转资率形成下一年的新增有效资产，当年新增规划按照固定资产转资率在下一年形成新增固定资产；
当年有效资产总额按照年资产减少率转变为减少有效资产，当年年末固定资产总额乘以年固定资产残值率，转变为报废的固定资产。
8.一种电网规划确定装置，其特征在于，包括：
构建模块，用于基于利润、折旧、融资以及流动资产构建电网企业在未来年份规划的目标函数；
第一确定模块，用于利用电网规划预测模型确定所述目标函数的目标指标数据，所述电网规划预测模型为采用粒子群算法对灰色预测模型进行寻优搜索得到的模型，所述目标指标数据为预测得到的指标数据；
第二确定模块，用于根据所述目标指标数据和所述目标函数，确定电网企业在未来年份的目标规划数据。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电网规划确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电网规划确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234278.0A CN117236718A (zh) | 2023-09-22 | 2023-09-22 | 一种电网规划确定方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234278.0A CN117236718A (zh) | 2023-09-22 | 2023-09-22 | 一种电网规划确定方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236718A true CN117236718A (zh) | 2023-12-15 |
Family
ID=89082272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311234278.0A Pending CN117236718A (zh) | 2023-09-22 | 2023-09-22 | 一种电网规划确定方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236718A (zh) |
-
2023
- 2023-09-22 CN CN202311234278.0A patent/CN117236718A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
| CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
| CN105719013A (zh) | 测算企业资产负债的方法和系统 | |
| CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
| CN110009465A (zh) | 财务资产精益化管理平台 | |
| CN111506876B (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
| Mitra | Optimal combination of trading rules using neural networks | |
| Kim et al. | Data-driven bidding strategy for DER aggregator based on gated recurrent unit–enhanced learning particle swarm optimization | |
| Mokhova et al. | Liquidity, probability of bankruptcy and the corporate life cycle: the evidence from Czech Republic | |
| CN107358307A (zh) | 一种基于售电量预测的多约束条件下的电网企业投资预算方法 | |
| CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
| CN104463366A (zh) | 一种分析优化电网投资规模的方法 | |
| Arestis et al. | Are there irrational bubbles under the high residential housing prices in China’s major cities? | |
| Fang et al. | Variable Selection for Credit Risk Model Using Data Mining technique. | |
| CN117236718A (zh) | 一种电网规划确定方法、装置、电子设备及介质 | |
| Xu et al. | Research on Multistage Dynamic Trading Model Based on Gray Model and Auto‐Regressive Integrated Moving Average Model | |
| Fliginskih et al. | Evaluating and forecasting the capital adequacy for commercial banks | |
| CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
| Han et al. | Quantitative investment decision model based on ARIMA and iterative neural network | |
| CN110020783A (zh) | 电子装置、资产预期损失的计量方法和存储介质 | |
| Angahar | Modeling Bank Financial Intermediation Functions: Theoretical and Empirical Evidence from Nigeria | |
| He | Risk spillover effect of real estate industry and banking industry | |
| US20230229503A1 (en) | Efficient use of computing resources for optimization of non-convex functions | |
| Mokhov et al. | Modeling the profitability of loan operations corporate clients | |
| Tang et al. | Pricing of Embedded Options in Bank Deposits and Loans Based on Jump‐Diffusion Interest Rate Model |
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 |