基于AdaBoost回归树模型的电网投资预测方法技术

本发明专利技术公开了一种基于AdaBoost回归树模型的电网投资预测方法，根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值和对应的电网投资额，构建各个时间点电网投资相关技术指标向量，并进行无量纲处理，将无量纲的电网投资相关技术指标向量和电网投资额构成训练样本集，采用该训练样本集对AdaBoost回归树进行训练，K次迭代得到K个AdaBoost回归树作为弱学习器，从中选取得到强学习器，利用该强学习器进行电网投资预测。本发明专利技术对AdaBoost回归树模型的训练过程进行改进，将其引入电网投资预测，提高电网投资预测准确度。

【技术实现步骤摘要】
基于AdaBoost回归树模型的电网投资预测方法
本专利技术属于电网投资预测
，更为具体地讲，涉及一种基于AdaBoost回归树模型的电网投资预测方法。
技术介绍
近年来，社会用电需求随着经济发展不断增加，电网企业的投资规模也随之逐步增大。然而，受国家产业结构调整的影响，电网企业在投资管理上面临较大不确定性，企业效益起伏较大，新增资产效能未能发挥有效作用，投入产出结构矛盾较为突出。在优化投资结构分配的具体问题上，如何通过分析以往投资结构与其对应的运营数据得到客观的投资规律，并按照规律进行投资预算，成为了关键问题。由于过去缺少合理的技术手段，所以电网的投资决策预算还处在比较传统的依靠简单的数学手段计算阶段。目前的电网基建投资基本都是根据电力专家的经验，选取经验上合理的且和投资相关的运营数据指标，通过将这些指标上一年的值代入到经验公式中，产生最终今年的投资额预算。上述投资决策方式存在这样的问题：根据经验公式无法准确得出投资额与运营数据指标的关系，也无法得出运营数据指标具体是怎样影响投资额预算的。投资额与运营数据指标的关系复杂，简单的经验公式无法准确表达出这种复杂的关系，需要一个相对复杂的模型来综合历史数据中包含的信息，从而能够准确的获得运营数据与对应投资额的关系、得出影响投资额预算的具体运营数据指标的值、得出运营数据指标与投资额关系之间的内部结构。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于AdaBoost回归树模型的电网投资预测方法，将AdaBoost回归树模型引入电网投资预测，提高电网投资预测准确度。为实现上述专利技术目的，本专利技术基于AdaBoost回归树模型的电网投资预测方法的具体步骤包括：S1：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′m(n)和对应的电网投资额Ym，n＝1,2,…,N，m＝1,2,…,M；记第m个时间点电网投资相关技术指标向量为X′m＝{x′m(1),x′m(2),…,x′m(N)}，对各个电网投资相关技术指标向量X′m进行无量纲处理，得到无量纲的电网投资相关技术指标向量Xm＝{xm(1),xm(2),…,xm(N)}；将(Xm,Ym)作为一个训练样本，构成训练样本集T＝{(X1,Y1),(X2,Y2),···,(XM,YM)}；S2：采用步骤S1的训练样本集对AdaBoost回归树进行训练，具体步骤包括：S2.1：初始化迭代次数k＝1，初始化各个训练样本的权值wm(1)＝1/M；S2.2：采用步骤S1的训练样本集和权值wm(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器Gk(X)；S2.3：将M个电网投资相关技术指标向量Xm输入AdaBoost回归树，得到M个电网投资指标预测值S2.4：分别计算每个训练样本中电网投资指标值的预测误差将其中最大值记为Ek；S2.5：计算第k轮迭代中每个训练样本的相对误差S2.6：计算第k轮迭代的回归误差率S2.7：计算第k轮迭代得到的弱学习器Gk(X)的系数S2.8：采用以下公式对每个训练样本的权重进行更新，得到下一轮迭代的权重wm(k+1)：其中，S2.9：判断是否k＜K，K表示预设的最大迭代次数，如果是，进入步骤S2.10，否则迭代结束；S2.10：令k＝k+1，返回步骤S2.2；S3：对于K次迭代得到的K个弱学习器Gk(X)，分别计算每个弱学习器的评价值λk＝ln(1/ak)，根据评价值λk对弱学习器进行排序，取评价值中位数对应的弱学习器，取其序号记为k*，令强学习器S4：获取待预测时间点的电网投资相关技术指标向量X′＝{x′(1),x′(2),…,x′(N)}，采用步骤S1中的无量纲处理方法处理得到无量纲的电网投资相关技术指标向量X＝{x(1),x(2),…,x(N)}，将其输入强学习器f(X)，强学习器f(X)的输出即为待预测时间点的电网投资预测值。本专利技术基于AdaBoost回归树模型的电网投资预测方法，根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值和对应的电网投资额，构建各个时间点电网投资相关技术指标向量，并进行无量纲处理，将无量纲的电网投资相关技术指标向量和电网投资额构成训练样本集，采用该训练样本集对AdaBoost回归树进行训练，K次迭代得到K个AdaBoost回归树作为弱学习器，从中选取得到强学习器，利用该强学习器进行电网投资预测。本专利技术对AdaBoost回归树模型的训练过程进行改进，将其引入电网投资预测，提高电网投资预测准确度。附图说明图1是本专利技术基于AdaBoost回归树模型的电网投资预测方法的具体实施方式流程图图2是本专利技术中AdaBoost回归树的训练流程图图3是本实施例中2005-2009年的强学习器AdaBoost回归树模型示意图；图4是本实施例中2005-2010年的强学习器AdaBoost回归树模型示意图；图5是本实施例中2005-2011年的强学习器AdaBoost回归树模型示意图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例图1是本专利技术基于AdaBoost回归树模型的电网投资预测方法的具体实施方式流程图。如图1所示，本专利技术基于AdaBoost回归树模型的电网投资预测方法的具体步骤包括：S101：获取历史电网投资数据：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′m(n)和对应的电网投资额Ym，n＝1,2,…,N，m＝1,2,…,M。记第m个时间点电网投资相关技术指标向量为X′m＝{x′m(1),x′m(2),…,x′m(N)}，对各个电网投资相关技术指标向量X′m进行无量纲处理，得到无量纲的电网投资相关技术指标向量Xm＝{xm(1),xm(2),…,xm(N)}。本实施例中无量纲处理的计算公式为xm(n)＝x′m(n)/maxn，其中maxn表示第n个电网投资相关技术指标在M个时间点的最大值。将(Xm,Ym)作为一个训练样本，构成训练样本集T＝{(X1,Y1),(X2,Y2),···,(XM,YM)}。S102：AdaBoost回归树学习：采用步骤S101的训练样本集对AdaBoost回归树进行训练。本实施例中AdaBoost回归树的相关参数设置如下：AdaBoost回归树的叶子节点类型Leaftype为均值函数mean，即每个叶子节点的输出值为该叶子节点中所有样本值Y的平均值；设置回归树的最大样本误差值TolS为0.01，即每个叶子节点中所有样本值Y的误差不超过1％；设置回归树的最小样本个数TolN为2，即每个叶子节点中至少有2个样本。目前一般AdaBoost回归树的用途主要集中在数据分类，而本专利技术采用AdaBoost回归树的目的是为了实现电网投资预测，由于应用领域的不同，本专利技术中AdaBoost回归树的训练过程与常规训练过程不尽相同。图2是本专利技术中AdaBoost回归树的训练流程图。如图2所示，本专利技术中AdaBoost回归树训练的具体步骤包括：S2本文档来自技高网...

【技术保护点】
1.一种基于AdaBoost回归树模型的电网投资预测方法，其特征在于，包括以下步骤：S1：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′m(n)和对应的电网投资额Ym，n＝1,2,…,N，m＝1,2,…,M；记第m个时间点电网投资相关技术指标向量为X′m＝{x′m(1),x′m(2),…,x′m(N)}，对各个电网投资相关技术指标向量X′m进行无量纲处理，得到无量纲的电网投资相关技术指标向量Xm＝{xm(1),xm(2),…,xm(N)}；将(Xm,Ym)作为一个训练样本，构成训练样本集T＝{(X1,Y1),(X2,Y2),···,(XM,YM)}；S2：采用步骤S1的训练样本集对AdaBoost回归树进行训练，具体步骤包括：S2.1：初始化迭代次数k＝1，初始化各个训练样本的权值wm(1)＝1/M；S2.2：采用步骤S1的训练样本集和权值wm(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器Gk(X)；S2.3：将M个电网投资相关技术指标向量Xm输入AdaBoost回归树，得到M个电网投资指标预测值

【技术特征摘要】
1.一种基于AdaBoost回归树模型的电网投资预测方法，其特征在于，包括以下步骤：S1：根据需要确定N个电网投资相关技术指标，获取M个时间点这N个电网投资相关技术指标的数值x′m(n)和对应的电网投资额Ym，n＝1,2,…,N，m＝1,2,…,M；记第m个时间点电网投资相关技术指标向量为X′m＝{x′m(1),x′m(2),…,x′m(N)}，对各个电网投资相关技术指标向量X′m进行无量纲处理，得到无量纲的电网投资相关技术指标向量Xm＝{xm(1),xm(2),…,xm(N)}；将(Xm,Ym)作为一个训练样本，构成训练样本集T＝{(X1,Y1),(X2,Y2),···,(XM,YM)}；S2：采用步骤S1的训练样本集对AdaBoost回归树进行训练，具体步骤包括：S2.1：初始化迭代次数k＝1，初始化各个训练样本的权值wm(1)＝1/M；S2.2：采用步骤S1的训练样本集和权值wm(k)对AdaBoost回归树进行训练，将训练得到的AdaBoost回归树作为弱学习器Gk(X)；S2.3：将M个电网投资相关技术指标向量Xm输入AdaBoost回归树，得到M个电网投资指标预测值S2.4：分别计算每个训练样本中电网投资指标值的预测误差将其中最大...

【专利技术属性】
技术研发人员：凡时财，王强，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51