【技术实现步骤摘要】
本专利技术属于电网投资辅助决策，具体涉及一种基于机器学习的电网投资决策方法及系统。
技术介绍
1、随着经济发展和人民生活水平提高，对电力供应的需求也在不断增加，投资决策需要考虑满足不同地区、行业和居民群体的用电需求，以支持经济发展和改善生活水平。
2、现有的电网投资决策方法是对投资全要素进行挖掘，采用frish综合分析法，从宏观、中观和微观进行多层次的全要素影响因素挖掘分析，并结合宏观因素和中观因素，利用系统动力学建立投资规模预测模型，并依据电网收入系数对投资规模进行修正依据微观因素建立电网项目投资评价指标体系，针对电网储备项目进行评价，然后以投资规模为约束，采用遗传算法进行电网工程投资优选，本专利技术可用于未来电网工程投资决策，为实现电网工程精准投资提供技术支撑。然而现有技术并没有针对电网的影响因素进行分析，导致建立的电网投资决策模型往往不符合实际的投资需求，是生成的电网投资决策的有效性大大降低。
技术实现思路
1、本专利技术提出了一种基于机器学习的电网投资决策方法及系统，通过考虑电网的影响因素构建电网投资决策模型，再通过电网投资决策模型得到符合实际需求、能适应多变的电网环境的电网投资决策。
2、本专利技术的第一方面提供了一种基于机器学习的电网投资决策方法，所述方法包括：
3、获得电网历史数据，将电网历史数据进行对比，得到第一比较结果；
4、根据第一比较结果，通过预设的电网总投资计算公式得到若干个投资影响因子；
5、根据
6、根据电网历史数据和电网设备数据对电网投资决策模型进行参数优化和结构调整，得到最优的电网投资决策模型；
7、根据实际投资需求，通过最优的电网投资决策模型得到符合实际投资需求的最优电网投资决策。
8、上述方案通过考虑电网的影响因素先构建反应电网的影响因素的投资影响因子，再通过投资影响因子构建电网投资决策模型，然后对电网投资决策模型进行迭代优化，得到最优的电网投资决策模型，使该模型能反馈出符合实际投资需求且准确性高的最优投资方案。
9、在第一方面的一种可能的实现方法中，将电网历史数据进行对比，得到第一比较结果，具体为：
10、将电网历史数据进行数据清洗，剔除异常值；
11、将电网历史数据进行特征选择和格式转换，并进行数据标准化和归一化。
12、上述方案在进行数据对比之前对电网历史数据进行预处理，清洗数据和剔除异常值，以及将数据归一化和标准化，提高电网历史数据的准确度，避免错误的数据对计算结果造成影响，同时将数据标准化使不同尺度和范围的数据统一到相同的尺度上，方便进行分析和计算，提升计算的效率。
13、在第一方面的一种可能的实现方法中，将电网历史数据进行对比，得到第一比较结果，具体为：
14、对比去年的电网输电效率和电力生产效率和今年的电网输电效率和电力生产效率，得到电网技术方面的比较结果；
15、对比去年的gdp增长率和今年的gdp增长率，得到电力生产设备方面的第二比较结果；
16、对比去年的污染物排放量和今年的污染物排放量，得到环保设备方面的比较结果；
17、对比去年的人口分布密度和今年的人口分布密度，得到电力生产设备方面的第三比较结果；
18、根据电网技术方面的比较结果、电力生产设备方面的第二比较结果、环保设备方面的比较结果和电力生产设备方面的第三比较结果，得到第一比较结果。
19、上述方案从电网技术方面、电力生产设备方面和环保设备方面对电网历史数据进行对比，确定对电网在这三个方面投资大小的第一比较结果，全面考虑了电网的影响因素，同时也为下面通过预设的电网总投资计算公式得到投资影响因子提供数据支持。
20、在第一方面的一种可能的实现方法中，预设的电网总投资计算公式和若干个投资影响因子，具体为：
21、所述预设的电网总投资计算公式，具体公式为：
22、w＝w1×(ε+σ)+w1×(β+ω)+w1×(χ+ξ)+w1×(δ+ψ)
23、其中，w1为去年的电网总投资，w为今年的电网总投资，σ为电网技术方面对去年的电网总投资的权重系数，ω为电网经济方面对去年的电网总投资的权重系数，ξ为电网环境方面对去年的电网总投资的权重系数，ψ为电网社会方面对去年的电网总投资的权重系数，ε为电网技术方面的投资影响因子，β为电网经济方面的投资影响因子，χ为电网环境方面的投资影响因子，δ为电网社会方面的投资影响因子；
24、电网技术方面的投资影响因子ε，具体公式为：
25、
26、其中，e1为去年的电网输电效率，e为今年的电网输电效率，η1为去年的电力生产效率，η为今年的电力生产效率，μ1为电网输电效率对ε的权重系数，μ2为电力生产效率对ε的权重系数，e为自然数；
27、电网经济方面的投资影响因子β，具体公式为：
28、
29、其中，g为今年的gdp增长率，g1为去年的gdp增长率；
30、电网环境方面的投资影响因子χ，具体公式为：
31、
32、其中，h为今年的污染物排放量，h1为去年的污染物排放量；
33、电网社会方面的投资影响因子δ，具体公式为：
34、
35、其中，ρ为今年的人口分布密度，ρ1为去年的人口分布密度。
36、在第一方面的一种可能的实现方法中，根据投资影响因子和预设的电网总投资计算公式，通过机器学习构建电网投资决策模型，具体为：
37、根据预设的电网总投资计算公式，确定模型决策变量；
38、以投资影响因子和电网历史数据为约束条件，通过模型决策变量构建电网投资决策模型；其中，如果电网投资决策模型的输出结果不满足所述约束条件，则重新对电网历史数据进行预处理，并重新构建电网投资决策模型。
39、上述方案通过预设的电网总投资计算公式构建电网投资决策模型，并以投资影响因子为约束条件限制模型的构建，提高了模型的真实性，使电网投资决策模型的输出结果更加符合实际的需求。
40、在第一方面的一种可能的实现方法中，根据电网历史数据和电网设备数据对电网投资决策模型进行参数优化和结构调整，得到最优的电网投资决策模型，具体为：
41、如果电网投资决策模型的输出结果和投资影响因子及实际电网投资数据之差超过预设的对比阈值，则通过循环测试和梯度下降优化算法对电网投资决策模型进行参数优化和结构调整，同时通过电网设备数据筛选电网投资决策模型的输出结果。
42、上述方案通过将电网投资决策模型的输出结果和投资影响因子及实际电网投资数据进行比较，将比较结果作为迭代优化模型的依据，并使用循环测试和梯度下降优化算法对电网投资决策模型进行优化，逐步提升模型的性能和准确度，使模型能够适应多变的电本文档来自技高网...
【技术保护点】
1.一种基于机器学习的电网投资决策方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述将电网历史数据进行对比，得到第一比较结果，具体为：
3.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述将电网历史数据进行对比，得到第一比较结果，具体为：
4.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述预设的电网总投资计算公式和若干个投资影响因子，具体为：
5.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述根据投资影响因子和预设的电网总投资计算公式，通过机器学习构建电网投资决策模型，具体为：
6.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述根据电网历史数据和电网设备数据对电网投资决策模型进行参数优化和结构调整，得到最优的电网投资决策模型，具体为：
7.一种基于机器学习的电网投资决策系统，其特征在于，包括：数据对比模块、投资影响因子计算模块、电网投资决策模型构建模块、模型优化模块和最优电网决
8.根据权利要求7所述的基于机器学习的电网投资决策系统，其特征在于，所述数据对比模块包括：数据预处理单元；
9.根据权利要求7所述的基于机器学习的电网投资决策系统，其特征在于，所述数据对比模块包括：第一比较结果计算单元；
10.根据权利要求7所述的基于机器学习的电网投资决策系统，其特征在于，所述电网投资决策模型构建模块包括：电网投资决策模型初构建单元；
11.根据权利要求7所述的基于机器学习的电网投资决策系统，其特征在于，所述模型优化模块包括：模型迭代优化单元；
...【技术特征摘要】
1.一种基于机器学习的电网投资决策方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述将电网历史数据进行对比，得到第一比较结果，具体为：
3.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述将电网历史数据进行对比，得到第一比较结果，具体为：
4.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述预设的电网总投资计算公式和若干个投资影响因子，具体为：
5.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述根据投资影响因子和预设的电网总投资计算公式，通过机器学习构建电网投资决策模型，具体为：
6.根据权利要求1所述的基于机器学习的电网投资决策方法，其特征在于，所述根据电网历史数据和电网设备数据对电...
【专利技术属性】
技术研发人员：马顺，江健健，余娜，韩淳，刘刚刚，韩晓春，侯凯，陈铭，胡晋岚，姜玉梁，孙罡，秦万祥，梅诗妍，秦燕，周妍，赵芳菲，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。