CN117829350A - 一种考虑投资类型分解集成的基建投资决策优化方法 - Google Patents
一种考虑投资类型分解集成的基建投资决策优化方法 Download PDFInfo
- Publication number
- CN117829350A CN117829350A CN202311706576.5A CN202311706576A CN117829350A CN 117829350 A CN117829350 A CN 117829350A CN 202311706576 A CN202311706576 A CN 202311706576A CN 117829350 A CN117829350 A CN 117829350A
- Authority
- CN
- China
- Prior art keywords
- investment
- model
- capital
- distribution
- scale
- 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 92
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 39
- 230000010354 integration Effects 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 83
- 238000009826 distribution Methods 0.000 claims abstract description 75
- 230000001932 seasonal effect Effects 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001788 irregular Effects 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 238000013215 result calculation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229940058736 restone Drugs 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
本发明涉及一种考虑投资类型分解集成的基建投资决策优化方法,包括以下步骤:搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例。
Description
技术领域
本发明涉及地区电网决策优化技术领域,具体为一种考虑投资类型分解集成的基建投资决策优化方法。
背景技术
当前公司经营面临复杂形势,首先电量增幅呈逐月下降趋势。其次,电价方面,一方面又受一般工商业电价两次下调、税率调整、燃气价格上涨等因素影响,公司购销差价进一步下降,另一方面,新一轮输配电价监审,从严审核电网资产和成本,公司输配电电价水平被不断挤压。最后,公司竞争压力加大,一方面增量配电试点、市场化售电等改革的推进,公司传统配售电业务面临客户流失、市场占有率下降的问题,一方面在综合能源服务等新兴市场,面对体制机制更加灵活、市场意识更强企业的竞争,公司面临竞争优势丧失、市场被蚕食的风险。实现精准投资的难度越高,特别是与当前经济形势下经济发展难以达到预期,电网规划与投资更需要从长远角度考虑,避免主动性流失,进而导致投资失效、失衡。
针对上述问题,必须强化投入产出效率意识,将决定投资和成本分配的关键因素和公司生产经营评价结果进行充分融合,做好生产经营和电网发展的决策,既能承担好普遍服务的重任,又能形成高效率、高质量的供电服务能力,还能在市场化业务中取得竞争优势。既考量了当前不同单位的实际需求,同时考虑了不同单位的投资效率情况,还以当前的电网类型为基础,实现投资的科学决策优化。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种双电源备份供电的磁吸式无线测温装置及方法。
本发明的技术方案如下:
一方面,本发明提出一种考虑投资类型分解集成的基建投资决策优化方法,包括以下步骤:
搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
作为优选实施方式,所述根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量中的若干变化量包括时间变化量、趋势稳定变化量和不规则波动分量。
作为优选实施方式,所述根据不同变化量搭建各变化量的预测模型中的各变化量的预测模型采用前馈神经网络模型。
作为优选实施方式,所述基建评价指标体系包括变压器轻载比例指标、按期投产率指标、长期划账金额指标和资金计划完成率指标。
作为优选实施方式,所述根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模的步骤具体为:
式中:FZG为最终的投资规模,Fi *为基于负荷预测的投资规模,为基于调整分配的投资规模,/>为基于建设辅助的投资规模。
另一方面,本发明提出一种考虑投资类型分解集成的基建投资决策优化系统,包括以下步骤:
基建投资分配模块,搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
基础分配投资模块,所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
调整分配投资模块,所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
建设辅助投资模块,所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
投资综合计算模块,根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
作为优选实施方式,所述根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量中的若干变化量包括时间变化量、趋势稳定变化量和不规则波动分量。
作为优选实施方式,所述根据不同变化量搭建各变化量的预测模型中的各变化量的预测模型采用前馈神经网络模型。
作为优选实施方式,所述基建评价指标体系包括变压器轻载比例指标、按期投产率指标、长期划账金额指标和资金计划完成率指标。
作为优选实施方式,所述根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模的步骤具体为:
式中:FZG为最终的投资规模,Fi *为基于负荷预测的投资规模,为基于调整分配的投资规模,/>为基于建设辅助的投资规模。
本发明具有如下有益效果:
1、本发明将成本分配的关键因素和公司生产经营评价结果进行充分融合,做好生产经营和电网发展的决策,既能承担好普遍服务的重任,又能形成高效率、高质量的供电服务能力。
2、本发明从电力系统负荷增长的角度进行投资增长的预测,最基本的保障了电力系统的稳定运行。
3、本发明从当前电网类型为基础进行考虑,对不同类型的电网的未来进行分析,实现投资的科学决策优化。
4、本发明综合各种角度的投资预测,按比例进行最终投资规模的预测,提升了投资决策的科学性。
附图说明
图1为本发明的步骤流程图;
图2为神经网络结构图;
图3为神经网络工作流程图;
图4为遗传算法流程图。
具体实施方式
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,一种考虑投资类型分解集成的基建投资决策优化方法,包括以下步骤:
搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
在本实施例中,首先将基建投资分配模型主要包括基础分配投资、调整分配投资及建设辅助投资3部分。其中基础分配投资根据当年地区的负荷预测结果进行确定,调整分配投资考虑投资效益和投资管理水平进行分配。建设辅助投资根据当前不同地区的电网类型与发展阶段进行优化确定。
所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
在本实施例中,针对基础分配部分,针对电网负荷进行预测,使用时间序列的季节分解方法把电力系统负荷数据分解成实时间变化量、趋势稳定分量和不规则波动分量三部分,然后分别针对不同分量构建预测模型,最终行成负荷预测结果。根据负荷增长比例确认投资增长比例。
首先,进行电力系统负荷的相关数据进行收集和处理。收集规划的主要依据文件及相关数据,包括:本地区统计年鉴、国民经济和社会发展规划、城乡总体规划、土地利用总体规划,电网运行、统计基础数据,上级电网规划成果等。结合数据收集,结合地区GDP、人口数量、电网资产规模、地域面积、负荷密度等指标进行区域划分,提升负荷预测精确程度。
运用聚类分析方法,结合上述相关指标,对区域和用户类型进行划分,有针对性的开展负荷预测工作。
假设c是聚类数量,是特征空间的矢量集合,其中vi(i=1,2...)表示第i类的聚类原型矢量。μik∈U,U是一个c×n的模糊矩阵,
该矩阵满足以下条件:
定义改进模糊聚类算法的目标函数为:
max{J(U,V)}
s.t.J=Jcom-Jsep
给定聚类类别数c(2≤c≤n,n是数据个数);设定迭代停止阈值ε以及模糊指数m。初始化聚类原型模式v(0);设定迭代计数器b=0
对于任意i,k如果存在dik b>0,则有
如果存在i,r使得dik b=0,则有μir (b)=1,且对j≠i,μir (b)=0
若||V(b+1)-V(b)||<ε则算法停止。并且输出划分矩阵U和聚类原型V,否
则令b=b+1,并转到上一步骤。
确定最佳分类树Cm。计算J(C)的值,当满足条件:J(Cm)=max{J(C)},则认为Cm为最佳分类数量。得到对应得到输出划分矩阵U和聚类原型即最终聚类结果。
其次,针对电力系统负荷进行预测。使用时间序列的季节分解方法把电力系统负荷数据分解成实时间变化量、趋势稳定分量和不规则波动分量三部分。对于时间序列回归,季节和趋势分解是一个改善参数估计属性的过程。季节性和趋势调整通常有助于更好地理解时间序列数据。例如,如果6月份的用电量较5月份增加了20%。通过对数据的分解,更容易发现用电量的上升主要是由与天气相关的季节效应引起的。因此,如果把原始负荷序列分解成更好解释的子序列,可以获得较好的负荷预测结果。
对于时间序列回归,季节和趋势分解是一个改善参数估计属性的过程。季节性和趋势调整通常有助于更好地理解时间序列数据。例如,如果6月份的用电量较5月份增加了20%。通过对数据的分解,更容易发现用电量的上升主要是由与天气相关的季节效应引起的。因此,如果把原始负荷序列分解成更好解释的子序列,可以获得较好的负荷预测结果。
将Yt表示为t时段的实际时间序列值。时间序列季节趋势调整法将Yt分解为三个分量:趋势分量、季节分量和不规则分量。这三个组成部分由一个加法或乘法模型组合而成。
加法分解模型定义为:
Yt=Trendt+Seasonalt+Irregulart
乘法分解模型定义为:
Yt=Trendt×Seasonalt×Irregulart
上两式中,Trendt是在时间段t的趋势分量,Seasonalt是在时间段t的季节分量,Irregulart是在时间段t的不规则分量。
乘法模型适用于季节波动与时间序列的水平成正比的情况,当季节波动不依赖于时间序列的水平时,最好使用加法分解模型。
除上述两个基本分解模型外,分解模型还可以定义为:
Yt=Seasonalt+Trendt and Irregulart
当季节成分变化缓慢时,可以利用上述模型对时间序列进行分解。因此,非季节性预测模可以应用于趋势和不规则成分的组合。类似的模型也适用于乘法模型:
Yt=Seasonalt×Trendt and Irregulart
采用前馈神经网络方法,分别针对上述三个分量构建预测模型,最终叠加得到最后的负荷预测结果。
设X1,X2,…,Xn为BP神经网络输入向量,Y1,Y2,…,Ym为输出值,wij和wjk为权值,典型的BP神经网络拓扑结构图如图2所示。
当BP神经网络输入和输出节点数分别为n和m时,其反映n个自变量与m个因变量之间映射关系。BP神经网络建模预测包括网络结构构件、训练和预测三步,基本工作流程如图3所示。
设该网络中各层节点的激活函数都为S型函数,并且网络中第一层i节点的输入记为neti,输出记为oi,输出层第k个节点的输出为yk,则中间层第j个节点的输入为:
oj=f(netj)
定义网络的误差为期望输出与实际输出的差值,则有如果输出层有i个神经元,定义实际输出与期望输出的平方误差为:
由于BP算法是按照误差E的负梯度来修正权值的,所以权值的修改可表示为;
Wm+1=wm+Δwm=wm-λgm
其中m表示迭代次数,λ学习的步长。
因为是输出层,此时是实际输出值,根据ek的定义以及平方误差可得:
根据ek的定义可得:
根据上式可得:
根据上式可得:
最后得到:
现在令输出层的学习误差:
σk=ekf′(netk)
得:
(2)隐含层神经单元权值修改量Δwkj:
根据上式和oj=f(netj)可得:
因为是求隐含层权值的变化。这时应考虑上一层对它的作用,固有:
根据可知
又根据可得:
把带入式/>推导出:
令隐含层的学习误差:
然后通过遗传算法对模型进行优化,具体流程如图4所示。
最后,根据负荷预测结果,与上一年度的实际对比,得到负荷增长比例,投资增长比例与负荷增长比例相同。
所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
在本实施例中,在实际应用中,无量纲化方法的选取应遵循以下原则:
(1)客观性原则。所选用的无量纲化方法应保持指标实际值与事物综合发展水平的对应关系,根据被评价对象的实际情况选择相应的无量纲化方法。
(2)简易性原则。综合评价中的无量纲化方法,在客观性的基础上,还应是简便易行,易于推广的。
(3)可行性原则。选用无量纲化方法,不仅要根据被评价对象的特点,还要注意方法自身的特点,要确保转化的可行性。
标准化的方法有很多种,归结起来主要有直线型方法、折线型方法和曲线型方法三大类,其中最常用的是直线型方法。直线型标准化方法是在将指标实际值转化为不受量纲影响的指标评价值时,假定一者之间呈线性关系,指标实际值的变化引起指标评价值一个相应的比例变化。
本专利将选取直线型标准化方法中的Z-Score法来对评价指标进行无量纲化处理。
标准化处理法的原理如下:
式中,为某单项指标的标准观测值;xij为某单项指标的原始值;/>和sj为第j项指标观测值的样本均值和样本均方差。该方法较好地保留了所有样本的信息,且该统计量具有良好的统计特性,标准化后的序列均值为0,方差为1。这意味着各样本在同一指标上的标准分数以0为平均水平,而它们与平均水平的距离是标准差1的倍数。
对于权重部分,序关系法是一种无须一致性检验的新方法,是一种先对评价指标进行定性排序,再对相邻指标进行理性判断,最后进行定量计算的主观赋权法。序关系法无需构建判断矩阵,也无需进行一致性检验,与构造AHP判断矩阵相比计算量成倍减少,而且对于方案的个数也没有限制。由于序关系的给出完全表达了专家的意愿,其结果也完全值得信赖。该方法计算简单,具有良好的保序性和较强的应用性。
序关系法具体的步骤如下:
(1)确定序关系
如果评价指标xi相对于某评价准则的重要性程度大于(或不小于)xj,则记为
对于评价指标集{x1,x2,…,xm},可按下述步骤建立序关系:
步骤1:专家在指标集{x1,x2,…,xm}中,选出认为是最重要的一个指标记为
步骤2:专家在余下的m-1个指标中,选出认为是最重要的一个指标记为
步骤3:重复上述步骤;
步骤4:专家在余下的m-(k-1)个指标中,选出认为是最重要的一个指标记为
这样,就唯一确定了一个序关系:
(2)给出xk-1与xk间相对重要程度的比较判断
设专家关于评价指标xk-1与xk的重要程度之比wk-1/wk的理性判断分别为wk-1/wk=rk(k=m,m-1,…,2)。
rk的赋值可以参考下表。
rk | 说明 |
1.0 | 指标xk-1与指标xk具有同样的重要性 |
1.2 | 指标xk-1与指标xk具有稍微重要 |
1.4 | 指标xk-1与指标xk具有明显重要 |
1.6 | 指标xk-1与指标xk具有强烈重要 |
1.8 | 指标xk-1与指标xk具有极端重要 |
表1的赋值参考表
(3)权重系数wk的计算
若专家给出rk的理性赋值满足关系rk-1>1/rk(k=m,m-1,…,2),则:
wk-1=rkwk(k=m-1,…,2)
(4)由序关系法得到的主观权重为:
w'=(w'1,w'2,…,w'm)
变异系数法是统计中常用到的衡量数据差异的统计指标,该方法根据各个指标在所有被评价对象上的观测值的变异程度大小来对其赋权。变异系数法的基本原理在于变异程度越大的指标对综合评价的影响就越大,权重大小体现了指标分辨能力的大小。但它不能体现指标的独立性大小以及评价者对指标重要性的理解,缺乏全面性和科学性。
具体方法如下:
(1)计算各个指标的标准差σk,表示各指标的绝对变异程度,其计算公式为:
(2)计算各个指标的变异系数ck,该值反映了各指标的相对变异程度,其计算公式为:
(3)对各个指标的变异系数进行归一化处理,得到各指标的权数为:
则得出各指标权数向量为:
w″=(w″1,w″2',…,w″m)
通过以主客观信息的一致化为目标建立数学模型,求出主客观权重的组合系数,得到可以反映主客观程度的属性权重。
设由主观赋权法得出的属性权重向量为w'=(w′1,w′2,…,w′n)T,且满足0≤w′j≤1,
由客观赋权法得出的属性权重向量为w″=(w″1,w″2,…,w″n)T,且满足0≤w″j≤1,
为了既体现主观权重,有体现客观权重,一般最终权重向量为w=αw′+βw″。
其中,α,β满足:α,β>0且α+β=1。
为了使主观信息和客观信息在对方案排序中得到充分体现,我们从加权属性值出发,考虑由主观权重确定的属性值与客观权重确定的加权属性值趋于一致,建立确定组合权重中的系数α,β的最优化模型。
可通过求解下面的单目标规划模型来达到求解α,β的目的。
s.t.α+β=1(α,β≥0)
另外,根据参考文献,得到较为简便的α,β计算公式,计算公式具体为:
最终,评价结果等于权重与归一化结果的乘积。分配比例结果如下所示:
式中:Fi为各地区的综合评价值,Fi *为分配比例,为综合评价值求和。
所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
在本实施例中,指标体系构建如下表所示:
表2指标体系
聚类分析过程如下:
针对所有样本数据搜索,应用粒子群改进算法,找到误差平方和J值最小的聚类数量以及对应的初始聚类中心;
当初始聚类中心确定以后,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心。
所述改进模糊聚类算法的目标函数为:
max{J(U,V)}
s.t.J=Jcom-Jsep
其中,是聚类数量,n是数据个数。/>是特征空间的矢量集合,vi(i=1,2,…,c)表示第i类的聚类原型矢量,μik∈U,U是一个c×n的模糊矩阵,所述模糊矩阵满足以下条件:
在迭代过程中计算每类数据的紧密度Jcom和类间分离度Jsep,然后求得J=Jcom-Jsep,然后以取得最大值的J最终得到最佳聚类数量、聚类原型以及样本数据所属类型;
给定聚类类别数c,2≤c≤n,n为数据个数,设定迭代停止阈值ε以及模糊指数m,初始化聚类原型模式v(0),设定迭代计数器b=0
如果存在i,k使得dikb>0,则有
如果存在i,k使得dikb=0,则有μik(b)=1,且对j≠i,μik(b)=0:
若则算法停止,并且输出划分矩阵U和最终聚类原型V,否则令b=b+1,并转到上一步骤;/>
确定最佳分类树Cm,计算J(C)的值,当满足条件:J(Cm)=max{J(C)},则认为Cm为最佳分类数量,并得到输出划分矩阵U和聚类原型V。
根据电网的分类结果:发展规模型、效率提升型和重点投资型分别设置调整系数。其中发展规模类调整系数为1,效率提升性系数为0.8、重点投资型系数为1.2。各个单位的分配比例等于调整系数除以所有调整系数的综合。
根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
在本实施例中,综合考量基础部分投资、调整部分投资、和建设辅助部分投资三个方面,其中基础部分投资占总体投资规模的70%,调整部分投资占总体投资规模的20%,建设辅助投资占总体投资规模的10%,根据计算出不同比例的实际情况,综合相加,得到最后的不同地区的投资规模。实现投资的科学决策。
依据以上的分析,本研究采用线性综合加权求和的方法进行分配结果计算,即:
最终的投资分配结果计算方式为:
式中:FZG为最终的投资规模,Fi *为基于负荷预测的投资规模,为基于调整分配的投资规模,/>为基于建设辅助的投资规模。
实施例二:
一种考虑投资类型分解集成的基建投资决策优化系统,包括以下步骤:
基建投资分配模块,搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
基础分配投资模块,所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
调整分配投资模块,所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
建设辅助投资模块,所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
投资综合计算模块,根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
作为本实施例的优选实施方式,所述根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量中的若干变化量包括时间变化量、趋势稳定变化量和不规则波动分量。
作为本实施例的优选实施方式,所述根据不同变化量搭建各变化量的预测模型中的各变化量的预测模型采用前馈神经网络模型。
作为本实施例的优选实施方式,所述基建评价指标体系包括变压器轻载比例指标、按期投产率指标、长期划账金额指标和资金计划完成率指标。
作为本实施例的优选实施方式,所述根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模的步骤具体为:
式中:FZG为最终的投资规模,Fi *为基于负荷预测的投资规模,为基于调整分配的投资规模,/>为基于建设辅助的投资规模。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种考虑投资类型分解集成的基建投资决策优化方法,其特征在于,包括以下步骤:
搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
2.根据权利要求1所述的一种考虑投资类型分解集成的基建投资决策优化方法,其特征在于,所述根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量中的若干变化量包括时间变化量、趋势稳定变化量和不规则波动分量。
3.根据权利要求1所述的一种考虑投资类型分解集成的基建投资决策优化方法,其特征在于,所述根据不同变化量搭建各变化量的预测模型中的各变化量的预测模型采用前馈神经网络模型。
4.根据权利要求1所述的一种考虑投资类型分解集成的基建投资决策优化方法,其特征在于,所述基建评价指标体系包括变压器轻载比例指标、按期投产率指标、长期划账金额指标和资金计划完成率指标。
5.根据权利要求1所述的一种考虑投资类型分解集成的基建投资决策优化方法,其特征在于,所述根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模的步骤具体为:
式中:FZG为最终的投资规模,为基于负荷预测的投资规模,/>为基于调整分配的投资规模,/>为基于建设辅助的投资规模。
6.一种考虑投资类型分解集成的基建投资决策优化系统,其特征在于,包括以下步骤:
基建投资分配模块,搭建基建投资分配模型,包括基础分配投资模型、调整分配投资模型和建设辅助投资模型;
基础分配投资模块,所述基础分配投资模型通过采集电力系统负荷相关数据,根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量,并根据不同变化量搭建各变化量的预测模型,根据各预测模型获取各变化量在给定时间的预测结果计算负荷预测结果,根据负荷增长比例确认投资增长比例;
调整分配投资模块,所述调整分配投资模型通过构建基建评价指标体系,采用序关系法和变异系数法依次确定各评价指标的主、客观权重,同时以主客观信息一致化为目标建立目标函数确定组合权重,结合基建评价指标体系中各评价指标的归一化结果计算各地区的综合评价值,根据各地区的综合评价值调整各地区的分配比例,再根据各地区的分配比例结合各地区的上年度投资规模及分配比例预测本年度投资规模;
建设辅助投资模块,所述建设辅助投资模型利用聚类分析方法搭建电网类型划分构建指标体系,并将电网类型划分为若干种投资类型,同时设定对应的调整系数,根据调整系数以及上年度投资规模预测各单位的本年度投资规模;
投资综合计算模块,根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模。
7.根据权利要求6所述的一种考虑投资类型分解集成的基建投资决策优化系统,其特征在于,所述根据时间序列的季节分解方法将电力系统负荷数据按照影响因素分解为若干变化量中的若干变化量包括时间变化量、趋势稳定变化量和不规则波动分量。
8.根据权利要求6所述的一种考虑投资类型分解集成的基建投资决策优化系统,其特征在于,所述根据不同变化量搭建各变化量的预测模型中的各变化量的预测模型采用前馈神经网络模型。
9.根据权利要求6所述的一种考虑投资类型分解集成的基建投资决策优化系统,其特征在于,所述基建评价指标体系包括变压器轻载比例指标、按期投产率指标、长期划账金额指标和资金计划完成率指标。
10.根据权利要求6所述的一种考虑投资类型分解集成的基建投资决策优化系统,其特征在于,所述根据基建投资分配子模型中各子投资模型的重要程度预设权重,结合各子投资模型的预测基建投资规模计算获得各地区的最终基建投资规模的步骤具体为:
式中:FZG为最终的投资规模,为基于负荷预测的投资规模,/>为基于调整分配的投资规模,/>基于建设辅助的投资规模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706576.5A CN117829350A (zh) | 2023-12-12 | 2023-12-12 | 一种考虑投资类型分解集成的基建投资决策优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706576.5A CN117829350A (zh) | 2023-12-12 | 2023-12-12 | 一种考虑投资类型分解集成的基建投资决策优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829350A true CN117829350A (zh) | 2024-04-05 |
Family
ID=90514481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706576.5A Pending CN117829350A (zh) | 2023-12-12 | 2023-12-12 | 一种考虑投资类型分解集成的基建投资决策优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829350A (zh) |
-
2023
- 2023-12-12 CN CN202311706576.5A patent/CN117829350A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
CN111476677B (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
Jiang et al. | Multivariable short-term electricity price forecasting using artificial intelligence and multi-input multi-output scheme | |
CN112884590A (zh) | 基于机器学习算法的电网企业融资决策方法 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
CN114298538A (zh) | 电网零购项目的投资方案评估方法、系统及存储介质 | |
Odeh et al. | A multi-objective approach for the prediction of loan defaults | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
CN111563652A (zh) | 一种评价电网企业综合计划执行情况的方法 | |
CN117829350A (zh) | 一种考虑投资类型分解集成的基建投资决策优化方法 | |
Xin et al. | Modeling property prices using neural network model for Hong Kong | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
Zhu et al. | Selection of criteria for multi-criteria decision making of reservoir flood control operation | |
Chuentawat et al. | The forecast of PM10 pollutant by using a hybrid model | |
Salahat et al. | Short-term forecasting of electricity consumption in Palestine using artificial neural networks | |
CN112884317A (zh) | 一种节水型城市的评价方法、系统、设备及其存储介质 | |
Papadas et al. | Neural network forecasts of input-output technology | |
CN115526434B (zh) | 对象信息预测方法、装置、计算机设备和存储介质 | |
CN115496304B (zh) | 一种代理购电量预测算法的立体综合评价方法及系统 | |
Yu et al. | Developing and assessing an intelligent forex rolling forecasting and trading decision support system for online e‐service | |
CN117829349A (zh) | 一种考虑投资能力与投资需求调节的电网投资分配优化方法 | |
Arya et al. | Ranking Forecasting Algorithms Using MCDM Methods: A Python Based Application |
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 |