一种基于电网投资规模预测的电量分配方法及装置

技术领域

本发明涉及电力技术领域，更具体的说，是涉及一种基于电网投资规模预测的电量分配方法及装置。

背景技术

一般而言，影响电网的电量分配包括2个因素：一是传统技术中的电量供需平衡关系；二是电网投资规模对电量分配的影响，即投资规模概率权重函数；可以根据投资规模概率权重函数将电网投资规模与电量分配的影响关系进行量化(即依据电网投资规模指标历史数据和历年电量分配数据组成的样本数据进行参数估计)，来分配电网电量。因此，在电力电量分配的过程中，电网需要综合考虑电网企业的实际运营情况，进行合理的投资规划，准确把握自身投资规模、科学制定投资规划。

现有技术主要基于对电网投资影响因素分析，通过调整准许收益率改善资产结构、运营维护费以及折旧率等途径进行优化投资规模和投资结构，但仍不够全面、客观。另外，电网企业的投资的因素影响通常是非线性的，现有技术的定量预测方法包括回归、灰色预测等方法均默认因素影响是线性的，会导致电网投资规模的预测结果不准确，易造成电力价格波动、电量分配不准确。

发明内容

本发明实施例提供一种基于电网投资规模预测的电量分配方法及装置，能有效解决现有技术中线性预测方法对电网投资规模的预测不准确导致电量分配不准确的问题。

本发明一实施例提供一种基于电网投资规模预测的电量分配方法，包括：

对获取到的供电公司数据进行标准化处理；所述供电公司数据包括多个供电变量；

根据所述供电公司数据，对支持向量机的预测模型进行训练；

选取边界条件；

将待预测的变量值输入所述训练好的预测模型，得到所述供电公司的投资规模预测值；

根据所述供电公司的投资规模预测值，建立电量分配的投资规模概率权重函数；

根据所述投资规模概率权重函数，获取所述供电公司分配电量。

作为上述方案的改进，所述对获取到的供电公司数据进行标准化处理，具体包括：

对每个供电变量X

其中，Z

作为上述方案的改进，所述根据所述供电公司数据，对支持向量机的预测模型进行训练，具体包括：

通过聚类分析方法，得到多种情况下所述供电公司数据对应的训练集以及预测集；

模拟所述多种情况下的训练集以及预测集。

作为上述方案的改进，所述边界条件是GDP增速或电量增速或净资产收益率或资产负债率。

作为上述方案的改进，所述根据所述供电公司数据，对支持向量机的预测模型进行训练，之前还包括：

用樽海鞘群优化算法对支持向量机的预测模型进行参数优化。

本发明另一实施例对应提供了一种基于电网投资规模预测的电量分配装置，包括：

标准化模块，用于：对获取到的供电公司数据进行标准化处理；所述供电公司数据包括多个供电变量；

训练模块，用于：根据所述供电公司数据，对支持向量机的预测模型进行训练；

边界选取模块，用于：选取边界条件；

预测模块，用于：将待预测的变量值输入所述训练好的预测模型，得到所述供电公司的投资规模预测值；

函数建立模块，用于：根据所述供电公司的投资规模预测值，建立电量分配的投资规模概率权重函数；

分配模块，用于：根据所述投资规模概率权重函数，获取所述供电公司分配电量。

本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于电网投资规模预测的电量分配方法。

相比于现有技术，本发明实施例提供的基于电网投资规模预测的电量分配方法及装置，采用支持向量机(SVM)模型通过结构风险最小化原则构造最优回归函数，依据标准化处理后的供电公司数据求解出准确的电网投资规模预测值，建立电量分配的投资规模概率权重函数，提高电网电量分配的准确性。支持向量机的预测方法更好地考虑了因素的非线性影响，使供电公司能较为客观地评价自身的投资规模，从而为供电公司有效制定电量分配策略提供信息支持。

附图说明

图1是本发明一实施例提供的一种基于电网投资规模预测的电量分配方法的流程示意图；

图2是本发明一实施例提供的一种投资规模预测方法流程图；

图3是本发明一实施例提供的一种基于电网投资规模预测的电量分配装置的结构示意图。

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。

参见图1，是本发明一实施例提供的一种基于电网投资规模预测的电量分配方法，所述电量分配方法包括：

S10、对获取到的供电公司数据进行标准化处理；所述供电公司数据包括多个供电变量。

S11、根据所述供电公司数据，对支持向量机的预测模型进行训练。

S12、选取边界条件。

S13、将待预测的变量值输入所述训练好的预测模型，得到所述供电公司的投资规模预测值。

S14、根据所述供电公司的投资规模预测值，建立电量分配的投资规模概率权重函数。

S15、根据所述投资规模概率权重函数，获取所述供电公司分配电量。

投资规模的影响因素有很多，而且各因素对投资规模的影响具有较强的非线性的特点，而支持向量机(SVM)模型通过结构风险最小化原则构造最优回归函数，然后将回归分析问题转化为凸二次规划问题，再对凸二次规划问题进行求解。另外，支持向量机模型运用核函数将非线性数据映射到高维空间中，使其在高维空间中可以通过线性学习机器处理。支持向量机中，给定一数据点集G＝{(xi,di)}ni＝1，其中xi是输入向量，di是期望值，n是样本总数。SVM采用下式来估计函数：

y＝f(x)＝ωφ(x)+b (1)

式中φ(x)是从输入空间到高维特征空间的非线性映射，通常由核函数确定，径向基核函数为：

系数ω和b由最小化式(2)来估计：

在式(3)给出的正则化风险中，第一部分是经验风险，它们由式(3)给出的L

此外，S14中，根据投资规模概率权重函数将电网投资规模与电量分配的影响关系进行量化(即依据电网投资规模指标历史数据和历年电量分配数据组成的样本数据进行参数估计)，来获取电网最优分配电量；其中，可以采用概率权重矩法、极大似然法等参数估计方法来实现上述量化过程。

本发明实施例提供的基于电网投资规模预测的电量分配方法，采用支持向量机(SVM)模型通过结构风险最小化原则构造最优回归函数，依据标准化处理后的供电公司数据求解出准确的电网投资规模预测值，建立电量分配的投资规模概率权重函数，提高电网电量分配的准确性。支持向量机的预测方法更好地考虑了因素的非线性影响，使供电公司能较为客观地评价自身的投资规模，从而为供电公司有效制定电量分配策略提供信息支持。

示例性地，所述对获取到的供电公司数据进行标准化处理，具体包括：

对每个供电变量X

其中，Z

具体而言，供电变量可以包括售电量增长率、售电单价、造价节约率、在建工程转出率、接收用户资产、线损率、购电单价等；财务参数可以包括损益类、资产类、权益类，损益类有固定资产折旧率、材料修理费率、生产准备金、带息负债平均利率、利息支出资本化率、所得税率等，资产类有在建工程转固率、固定资产报废率、金融资产占比、信息与科技项目转出率、工程物资增长率等，权益类有利润上缴比例、研发费用、平均资本成本率。

示例性地，所述S11，具体包括：

S110、通过聚类分析方法，得到多种情况下所述供电公司数据对应的训练集以及预测集；

S111、模拟所述多种情况下的训练集以及预测集。

通过聚类分析方法，把供电公司数据分为训练集以及预测集，通过聚类分析方法得到有多种情况的训练集以及预测集，模拟不同情况下的训练集以及预测集，使得支持向量机的模拟效果达到最优。

示例性地，所述边界条件是GDP增速或电量增速或净资产收益率或资产负债率。

选取供电公司投资规模的影响因素进行敏感性分析，通过假设不同因素的变化程度，利用敏感性分析不同边界条件下供电公司的投资规模变化。下面以不同GDP增速、不同电量增速、不同净资产收益率以及不同资产负债率水平下的投资规模分析为例。

①设置GDP增速为6.4％、6.6％、6.8％、7.0％、7.2％以及7.4％，输入训练完成的支持向量机模型，预测支持不同GDP增速的投资规模。在6.4％～7.4％的GDP增速下，得出供电公司投资规模预测的合理范围。以6.8％的增速为基准分析敏感度，得出投资规模对GDP的敏感度变化情况。

②设置供电公司局净资产收益率为6％、6.6％、7.2％、8％以及8.4％，输入训练完成的支持向量机模型，预测不同净资产收益率需求下的投资规模参考标准。6％～8.4％的净资产收益率水平下，得出供电公司投资规模预测的合理范围。以6％的为基准分析敏感度，得出投资规模对净资产收益率的敏感度变化情况

③根据省网公司对负债率的管控文件，设置供电公司以49.7％的资产负债率为基准分析敏感度。设置资产负债率为54.67％、52.19％、49.7％、47.22％以及44.73％，输入训练完成的支持向量机模型，预测不同资产负债率水平下的投资规模参考标准。在44.73％～54.67％的资产负债率下得出供电公司投资规模预测的合理范围。通过投资规模对资产负债率分析表可知投资规模对资产负债率的敏感度变化情况

④设置年售电量增速为2％、4％、5％、6％以及8％，输入训练完成的支持向量机模型，预测支持不同电量增速的投资规模。2％～8％的电量增速下，得出供电公司投资规模预测的合理范围。以2％的增速为基准分析敏感度，得出投资规模对售电量的敏感度变化情况。

示例性地，所述S11之前还包括：

S101、用樽海鞘群优化算法对支持向量机的预测模型进行参数优化。

对于上述实施例公式(4)中参数c和σ2的选择在以往的研究中大部分为主观选择，而本实施例采用一种新的寻求最优参数c和σ2的方法。樽海鞘群优化算法是一种模拟樽海鞘的聚集行为的算法。该算法对样本集合分为领导者集合以及追随者集合，然后设置一个目标函数或者适应度函数，领导者集合会朝着目标函数或者适应度函数前进，最后追随者会跟进领导者集合的步伐，最后达到参数优化的效果。樽海鞘群优化算法用于求解最优参数c和σ2的步骤为：

(A)设置领导者集合以及追随者集合的初始个数、变量个数、最大的迭代次数、变量的下界以及上界；

(B)对种群位置初始化，设置位置矩阵如下：

(C)建立目标函数或者适应度函数如下：

在矩阵S中，将具有最佳目标值或者适应度值的樽海鞘记为食物源F，领导者集合会向着食物源进行位置的更新。

(D)设置优化迭代过程。领导者的位置移动公式为：

根据上述的樽海鞘群优化算法模拟得到c和σ2，优化预测模型后便可以对电网投资规模进行更精确的预测。

下一步对运用支持向量机对电网投资规模进行预测。

参见图2，投资规模具体预测步骤为：

①历史数据归一化处理和平滑预处理；②形成训练、预测样本；③将训练样本代入式(1)目标函数；④求解式(1)，得到解ω和b；⑤利用预测样本对未来的投资规模进行预测，进行误差分析；⑥对投资规模进行预测。

在本发明实施例中，樽海鞘群优化算法的引入实现了支持向量机模型中参数的优化，避免了现有技术中对应参数通常选择主观选定产生的较大偏差，进而得到更为精准的投资规模预测值和更为合理的投资策略。

参见图3，是本发明另一实施例对应提供的一种基于电网投资规模预测的电量分配装置，包括标准化模块30、训练模块31、边界选取模块32、预测模块33、函数建立模块34和分配模块35。

标准化模块30，用于：对获取到的供电公司数据进行标准化处理；所述供电公司数据包括多个供电变量；

训练模块31，用于：根据所述供电公司数据，对支持向量机的预测模型进行训练；

边界选取模块32，用于：选取边界条件；

预测模块33，用于：将待预测的变量值输入所述训练好的预测模型，得到所述供电公司的投资规模预测值；

函数建立模块34，用于：根据所述供电公司的投资规模预测值，建立电量分配的投资规模概率权重函数；

分配模块35，用于：根据所述投资规模概率权重函数，获取所述供电公司分配电量

该实施例的基于电网投资规模预测的电量分配装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于电网投资规模预测的电量分配程序。所述处理器执行所述计算机程序时实现上述基于电网投资规模预测的电量分配方法实施例中的步骤，例如图1所示的S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如边界选取模块32。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述对电网投资数据的评价装置中的执行过程。例如，所述计算机程序可以被分割成构建模块、标准化模块、变权模块和评价模块。

所述基于电网投资规模预测的电量分配装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述对基于电网投资规模预测的电量分配装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于电网投资规模预测的电量分配装置的示例，并不构成对基于电网投资规模预测的电量分配装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于电网投资规模预测的电量分配装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述对电网投资数据的评价装置的控制中心，利用各种接口和线路连接整个对电网投资数据的评价装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述对电网投资数据的评价装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述基于电网投资规模预测的电量分配方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。