论文部分内容阅读
随着经济快速发展的同时,全社会用电量不断提升,这就使得电网投资规模不断增大。电网投资包含很多专项,其中基建投资占总投资比例在百分之八十五以上,并且影响电网基建投资的因素众多,一直以来,电网公司对其下属公司基建投资的合理分配问题一直是电网企业需要解决的难题。因此,研究一种科学、合理、有效、可行的电网基建投资预算方法,为电网公司对其下属公司基建投资分配提供参考是十分有必要的。因此,本文做了如下工作:1.针对电网运营数据存在缺失的现状,对几种常见的数据填补方法进行了研究分析,提出一种基于模糊C均值聚类和拉格朗日插值结合的数据填补方法,该方法充分考虑了样本集的整体性和局部性。最后分别在单属性和多属性上构造多个缺失率数据集,并与多种填补算法进行对比,使用本文方法进行填补相比传统电网使用均值法进行填补,在单属性上和多属性上平均填补准确率分别提高了17.07%和16.18%,实验结果表明本文提出的方法在两种属性上都有较好的填补效果。2.针对影响电网基建投资的因素众多、总样本数少,无法合理选取相关指标作为模型特征的现状,本文通过计算每个运营指标与基建投资额的斜率关联度、分析关联度靠前指标的物理含义,综合专家经验,同时考虑电网需求情况、电网经济效益、电网社会效益等多方面因素,最后合理的选取对基建投资额影响较大的指标,作为电网基建投资模型的特征。3.针对传统方法和现有方法对整体数据考虑不足、模型中各个特征对基建投资的影响程度不清晰的现状,将机器学习应用到电网基建投资领域,提出了基于AdaBoost回归树的电网基建投资模型,该方法能够清晰的看到各个特征对基建投资的影响,是一个“白盒”测试。最后将AdaBoost回归树、回归树、SVR三种算法进行实验对比,得到三种方法的平均预测误差分别为17.27%、37.00%、136.87%,实验结果表明本文方法对电网基建投资额预测效果较好。