隨著經(jīng)濟快速發(fā)展的同時,全社會用電量不斷提升,這就使得電網(wǎng)投資規(guī)模不斷增大。電網(wǎng)投資包含很多專項,其中基建投資占總投資比例在百分之八十五以上,并且影響電網(wǎng)基建投資的因素眾多,一直以來,電網(wǎng)公司對其下屬公司基建投資的合理分配問題一直是電網(wǎng)企業(yè)需要解決的難題。因此,研究一種科學、合理、有效、可行的電網(wǎng)基建投資預算方法,為電網(wǎng)公司對其下屬公司基建投資分配提供參考是十分有必要的。因此,本文做了如下工作:1.針對電網(wǎng)運營數(shù)據(jù)存在缺失的現(xiàn)狀,對幾種常見的數(shù)據(jù)填補方法進行了研究分析,提出一種基于模糊C均值聚類和拉格朗日插值結合的數(shù)據(jù)填補方法,該方法充分考慮了樣本集的整體性和局部性。最后分別在單屬性和多屬性上構造多個缺失率數(shù)據(jù)集,并與多種填補算法進行對比,使用本文方法進行填補相比傳統(tǒng)電網(wǎng)使用均值法進行填補,在單屬性上和多屬性上平均填補準確率分別提高了17.07%和16.18%,實驗結果表明本文提出的方法在兩種屬性上都有較好的填補效果。2.針對影響電網(wǎng)基建投資的因素眾多、總樣本數(shù)少,無法合理選取相關指標作為模型特征的現(xiàn)狀,本文通過計算每個運營指標與基建投資額的斜率關聯(lián)度、分析關聯(lián)度靠前指標的物理含義,綜... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景及意義
    1.2 電網(wǎng)投資現(xiàn)狀
    1.3 電網(wǎng)基建投資預測難點分析
        1.3.1 電網(wǎng)數(shù)據(jù)特點
        1.3.2 難點分析
    1.4 主要研究內容和章節(jié)安排
第二章 預測模型的總體研究方案
    2.1 電網(wǎng)基建投資預測總體思路
    2.2 電網(wǎng)缺失數(shù)據(jù)智能填補研究
        2.2.1 缺失數(shù)據(jù)智能填補綜述
        2.2.2 非聚類算法填補研究
        2.2.3 聚類算法填補研究
        2.2.4 電網(wǎng)缺失數(shù)據(jù)智能填補方案
    2.3 電網(wǎng)運營數(shù)據(jù)特征選取研究
        2.3.1 指標選取的方法綜述
        2.3.2 電網(wǎng)運營數(shù)據(jù)特征要求分析
        2.3.3 特征選取方案
    2.4 電網(wǎng)基建投資預測模型
        2.4.1 邏輯回歸方法
        2.4.2 支持向量機
        2.4.3 AdaBoost算法
        2.4.4 電網(wǎng)基建投資預測模型方案
    2.5 本章小結
第三章 電網(wǎng)數(shù)據(jù)處理與特征選取
    3.1 電網(wǎng)缺失數(shù)據(jù)填補總體思路
    3.2 電網(wǎng)運營數(shù)據(jù)處理
    3.3 電網(wǎng)數(shù)據(jù)填補研究
        3.3.1 基于OCSFCM算法的缺失值填補研究
        3.3.2 拉格朗日插值填補算法研究
    3.4 數(shù)據(jù)填補實驗結果對比
        3.4.1 單屬性缺失填補實驗
        3.4.2 多屬性缺失填補實驗
        3.4.3 數(shù)據(jù)填補實驗總結
    3.5 特征選取研究
        3.5.1 關聯(lián)度計算
        3.5.2 特征選取
    3.6 樣本數(shù)據(jù)配對方式
    3.7 本章小結
第四章 基于AdaBoost回歸樹的電網(wǎng)基建投資預測模型
    4.1 AdaBoost算法原理及優(yōu)點
    4.2 弱回歸模型選擇
        4.2.1 弱回歸模型選擇
        4.2.2 回歸樹算法介紹
    4.3 電網(wǎng)基建投資預測模型建立以及優(yōu)化
        4.3.1 AdaBoost回歸樹模型
        4.3.2 模型優(yōu)化
    4.4 預測實驗結果及對比分析
        4.4.1 AdaBoost回歸樹實驗仿真
        4.4.2 模型優(yōu)化有效性分析
        4.4.3 SVR和回歸樹預測實驗仿真
        4.4.4 各算法實驗結果對比
        4.4.5 AdaBoost回歸樹模型優(yōu)勢分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
攻讀碩士學位期間取得的成果


【參考文獻】：
期刊論文
[1]基于K-Adaboost數(shù)據(jù)挖掘的配電網(wǎng)負荷預測[J]. 劉偉,張銳鋒,彭道剛.  浙江電力. 2019(01)
[2]基于支持向量機-小波神經(jīng)網(wǎng)絡的PM2.5預測模型[J]. 鄭國威,王騰軍.  四川環(huán)境. 2018(06)
[3]基于AdaBoost算法的藥物—靶向蛋白作用預測算法[J]. 古萬榮,謝賢芬,何亦琛,張子燁.  生物醫(yī)學工程學雜志. 2018(06)
[4]電網(wǎng)精準投資決策建模研究[J]. 陳志梅,姚勁松,顧建明,劉晉雄,蔚真,喬中智,趙帥.  經(jīng)濟研究導刊. 2018(35)
[5]電力系統(tǒng)的計量缺失數(shù)據(jù)智能修復研究與應用[J]. 趙少東,王春燕.  科技創(chuàng)新導報. 2018(18)
[6]基于線性Bregman方法的缺失負荷數(shù)據(jù)低秩矩陣補全[J]. 劉正超,吳科成,蔡瓏,顧潔,金之儉.  廣東電力. 2018(05)
[7]K均值聚類算法的研究與優(yōu)化[J]. 陶瑩,楊鋒,劉洋,戴兵.  計算機技術與發(fā)展. 2018(06)
[8]基于AdaBoost回歸樹的多目標預測算法[J]. 張晶.  計算機與現(xiàn)代化. 2017(09)
[9]電網(wǎng)歷史數(shù)據(jù)缺失及補錄研究[J]. 謝翹楚,姚毅.  四川理工學院學報(自然科學版). 2017(02)
[10]基于matlab的常見插值法及其應用[J]. 郭小樂.  赤峰學院學報(自然科學版). 2017(07)

碩士論文
[1]基于深度學習的圖像超分辨算法研究[D]. 韓森森.河南大學 2018
[2]基于嶺回歸與LMS的電力系統(tǒng)負荷預測研究與應用[D]. 張成志.遼寧工程技術大學 2018
[3]基于運營數(shù)據(jù)的電網(wǎng)基建投資模型及其應用研究[D]. 朱晨.電子科技大學 2018
[4]濟寧供電公司電網(wǎng)基建投資決策研究[D]. 劉慶.山東大學 2017
[5]一種基于k-means算法和關聯(lián)規(guī)則的缺失數(shù)據(jù)填補方法[D]. 王策.哈爾濱工程大學 2014
[6]基于灰色理論的電網(wǎng)投資測算方法研究及軟件實現(xiàn)[D]. 魏子杰.電子科技大學 2013
[7]水田除草機器人視覺導航路徑與參數(shù)獲取方法研究[D]. 黃小剛.華南理工大學 2013
[8]電網(wǎng)子公司投資規(guī)模模型的研究[D]. 都秀文.大連海事大學 2013
[9]電網(wǎng)建設項目可持續(xù)發(fā)展后評價研究[D]. 王國威.華北電力大學（河北） 2008
[10]灰色關聯(lián)分析模型及其應用的研究[D]. 曹明霞.南京航空航天大學 2007



本文編號：2915360