电力市场分析决策支持系统研究与设计

p踟 天率大薯硕士学位论文h-讨I曩爿爿：譬li学科专业： 电力系统及其自动化作者姓名：刘洪指导教师： 葛少云副教授，v0jf千津士堂研寄牛院2005年1月中文摘要随着电力行业的快速发展和电力体制市场化改革的不断深入，电力企业的职能已经逐渐由用电管理向营销服务转变，因此电力市场营销分析成为电力公司的基础性工作。但电力营销业务范围广、数据种类多、数据量大，且目前的营销系统多数只能提供对数据和信息的管理功能，所以，如何利用现代计算机技术进行知识发现并提供决策支持建议已成为当前的热点问题。本文将市场营销分析和决策支持系统技术充分结合，旨在形成适应电力行业特点的电力市场分析决策支持体统。在决策支持系统中，模型库是对其进行评价的一项重要指标，为此本文建立了多种以数据挖掘和多元统计分析为基础的模型算法。首先，本文提出将数据挖掘的关联规则算法和决策树算法应用于售电市场特征分析和潜力分析中。但由于决策树在噪声处理上存在的劣势，因此本文引入粗糙集技术与之相结合，最终形成可以有效挖掘售电市场潜力的数据挖掘算法。然后，本文利用多元统计分析建立了多种回归模型进行售电市场的负荷预测、灵敏度、电价弹性等分析。其中由于综合灵敏度问题的复杂性，本文提出一种将主成份分析与非线性函数变换结合的方法，一方面利用主成份分析消除各影响因素间耦合关系，另一方面应用函数变换来得到复杂的函数关系，最终利用所得到的售屯量分布函数来分析售电市场的综合灵敏度。最终，系统将预测和决策的结论综合起来，提出对电力市场开发有价值的决策支持建议，进而通过这一系列模型使得系统达到实用性的效果。在上述电力市场营销分析模型的基础上，本文研究和开发了电力市场分析决策支持系统软件。根据系统各部分模块的特点，该软件的系统架构被设计成为cs和BS混合模式，而系统的算法和数据库设计分别应用了COM组件技术和数据仓库技术。通过这样的设计，保证了系统的稳定性和可靠性。关键词：电力市场营销决策支持系统数据挖掘决策树粗糙集综合灵敏度分析ABSTRACTWith the rapid development and further deregulation of electric power industry,the responsibilities of electric power companies have been changing from usermanagement to marketing and service，as a result,electric marketing analysisbecomes the primary operation of power companiesHowever,so far,the actualmarketing systems just manage the data information，the quantity of which is various，so it becomes a hot topic how to fmd the regulations to support the decision withcomputer technologiesThis paper integrates the marketing analysis with Decision Support System(DSS)to build the Electric Marketing Analysis Decision Support System(EMADSS)thatadapts well to the electric industryBecause modelbase is an important criterion toevaluate DSS，different models，which are based on Data Mining(DM)andMultiStatistics theories，are applied in this paperFirstly,Association Rule(AR)andDecision Tree(DT)in DM are presented to analyze the trait and potential of theelectric selling marketIn order to eliminate disadvantages of buzz handling in DTRough Set fgsl is integrated vvitll DT to build an algorithm that Call explore themarket potential effectivelySecondly,many models are established for loadforecasting and the sensitivity analysis with Multistatistics theoriesBecause of thecomplicacy of the integrated sensitivity analysis，the method that combines PrincipalComponent Analysis rPCA)wim nonlinear function transformation is proposedPCAis introduced to erase the coupling relations among the factors in the electric marketThen the fimction transformation is applied to gain the complicated functions ofelectric consumable distributionLastly,based on the above theories，EMADSS canprovide valuable suggestions to exploit electric market，which can make the systemmore practicalAccording to the above models，EMADSS software is researched and developedIt is designed to be hybrid architecture of CS and BSThe algorithins and databaseof system employ COM and data warehouse technology,respectivelyThe designstyle assures stability and reliability ofthe systemKEY WORDS：electric marketing，decision support system，data mimng，decisiontree，rough set，integrated sensitivity analysisii-独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得墨盗盘鲎或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名j易j 2髟、签字同期： 坩年月，乞日学位论文版权使用授权书本学位论文作者完全了解鑫洼盘堂有关保留、使用学位论文的规定。特授权盘连盘堂可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名：加i段 导师签名：签字日期：例+r年 月2，日第一章绪论11课题的研究背景及意义第一章绪论经过20多年的经济改革，我国社会主义市场经济新体制的雏形已渐渐清晰，市场经济规律的作用也越来越明显。而随着我国电力行业的高速发展，以及电力体制市场化改革不断的深入，电力企业的理念己逐渐由计划用电向市场开拓转变，由用电管理向营销服务转变，这种以市场为导向、对内以营销为中心、对外以客户服务为中心的新机制，需要企业的管理层、决策层对变化的环境做出快速、科学的市场营销决策【11。国家电力公司为实现“两型两化国际一流”的战略目标和“四步走”的战略部署，构筑面向21世纪的国家电力公司电力营销战略，要求各网省公司加强对电力营销工作的领导，积极推进电力营销工作改革，增加营销收入提高营销队伍素质，强化供电服务体系功能，不断增强市场开拓和竞争能力，建立和完善适应市场经济发展并具有较强应交能力的电力营销体系。目前己经有一些电力公司投入相应的精力和财力来开发有助于提高营销工作质量的软件系统。据了解，福建亿力电力集团已经开发了全国第一套电力营销系统，而东软集团开发的电力营销管理信息系统也己在大连供电公司作为试点投入应用。决策支持系统(DSS)是在电子数据处理系统(EDPS)和管理信息系统(MIS)基础上发展起来的一种更高级的管理信息系统。它是一种以支持半结构化或非结构化的决策过程为特征的计算机决策支持系统，主要用来为管理决策者提供分析问题、构造模型、模拟决策过程及评价决策效果的决策支持环境。决策支持系统集成了模型库系统、数据库系统、方法库系统和知识库系统。模型库系统由模型库和模型库管理系统构成，其中模型库是计算机中按一定组织结构形式存储和表示多个模型的集合体，是决策支持系统的主体；模型库管理系统的任务是对此集合体进行有效管理，提供适当方法来实现模型的提取、访问、更新和合成等操作。电力营销决策支持系统是随着电力行业信息进程化的需要而产生的，用来帮助企业内各层次的决策者进行决策，解决目前电力企业经营管理中存在的决策机制不健全、决策程序不规范、决策结果的准确度不高等问题，有效的提高电力企业的工作效率和经营效益。文献【2和文献3分别介绍了决策支持系统目前在电力市场营销中的应用。本文结合电力市场营销的特点和决策支持系统技术，并针第一章绪论对电力行业的特殊性，应用现代计算机技术建立了电力市场分析决策支持系统。这套系统旨在对售电市场进行预测、市场特征、市场潜力、灵敏度等分析，并在得到分析结果的基础之上最终生成决策支持建议。12论文的主要工作及章节安排首先，本文在对电力市场营销的特点进行充分分析的基础上，建立各种模型和方法来对目标售电市场进行分析。在理论分析部分的研究中，本文应用多种模型进行电力需求预测：应用数据挖掘技术研究售电市场的特征和潜力；在考虑气象、电价等多种因素影响的情况下，应用综合灵敏度分析对多维售电市场进行细致研究；同时应用计及电价滞后影响的电价弹性分析对电量与电价问关系进行分析，进向通过这些分析提m对电力市场营销有着重要意义的结论。数据挖掘的主要特点是对数据库中的大量数据进干抽取、转换、分析和其他模型化处理，并从中提取辅助决策的关键性数据，因而本文提出将关联规则算法和决策树算法应用于售电市场特征分析和潜力分析中。由于决策树在噪声处理上存在的劣势，因此本文引入粗糙集技术与之相结合，最终形成可以有效挖掘售电市场潜力的数据挖掘算法。多元统计分析能够从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论本文利用其建立了多种回归模型进行售电市场的负荷预测、灵敏度、电价弹性等分析。其中由于综合灵敏度问题的复杂性，本文提出一种将主成份分析与非线性函数变换结合的方法，一方面利用主成份分析消除备影响因素间的耦合关系，另一方面应用函数变换来得到复杂的函数关系，最终利用所得到的售电量分布函数来分析售电市场的综合灵敏度。其次，本文结合数据仓库技术和组件技术，进行了决策支持系统软件结构的设计。在系统的体系架构方面，本文将BS结构与CS结构结合起来，并根据系统不同模块的特点来对其表示方法进行设计。在系统的数据仓库方面，本文充分利用现有数据基础，将其构建在营业MIS数据库和大客户数据库的基础之上。在系统的模型方法方面，由于组件技术具有易于更换、适于改变需求、使软件复用成为可能、以及有助于并行丌发等特点，本文利用其进行模型算法的设计开发。最后，本文将理论分析所建立的模型方法与决策支持系统软件结合起来，形成最终的电力市场分析决策支持系统。本文的第一章介绍了选题的背景和意义，以及论文的主要工作和章节安排。第二章对决策支持系统的基本概念和主要结构进行了介绍。第三章按照预测、分析、决策的顺序，详细描述了应用于电力市场分析决策支持系统的所有模型算法。第四章则是本系统具体软件堤计方面的介绍。第五章对全文进行总结。第四章则是本系统具体软件设计方面的介绍。第五章对全文进行总结。第二章决策支持系统21概述第二章决策支持系统决策是人们为了达到某一种目的而进行的有意识、有选择的行动。在一定的人力、设备、材料、技术、资金和时间因素的制约下，人们为了实现特定的目标，而从多种可供选择的策略中做出决断，以求获得满意效果的过程就是决策的过程【4】。企业能否在激烈的市场竞争中立于不败之地，关键在于是否能做出正确的决策。而随着中国电力市场的改革，电力企业比以往任何时候都面临着更为复杂的生存环境，因此对其制定决策的质量和速度都有了更高的要求。决策支持系统DSS(Decision Support System)是以管理科学、运筹学、控制论和行为科学为基础，用计算机技术、仿真技术和信息技术为手段，以支持非结构化型和半结构化型的决策为目的，辅助支持中高层决策者的决策活动，具有智能作用的人机计算机网络系统15】。作为一种新兴的信息技术，决策支持系统能够为企业提供各种决策信息及许多商业问题的解决方案，从而减轻了管理者从事低层次信息处理和分析的负担，使得他们专注于最需要决策智慧和经验的工作，因此提高了决策的质量和效率。22决策支持系统的产生和发展221决策支持系统的产生计算机问世不久就被应用于管理领域，出现了用于数据处理和编制报表的电子数据处理系统EDPS(Electronic Data Process System)。EDPS把人们从繁琐的事务处理中解脱出来，大大提高了工作效率。但任何一项数据处理都不是孤立的，而必须与其他工作进行信息交换和资源共享，因此能够将一个企业的信息进行整体分析和系统设计的管理信息系统MIS(Management Information System)就应运而生了。MIS能把孤立的、零碎的信息变成一个比较完整的、有组织的信息系统，解决了信息的冗余并提高了系统的性能。但是，它只能帮助管理者对信息作表面的组织和管理，而不能把信息的内在规律更深刻的挖掘出来为决策服务。于是人们期望一种新的用于管理的信息系统能够在某种程度上克服上述缺点，来为决策者提供一些切实可行的帮助。第二章决策支持系统自从70年代中期Keen和Scott Morton创造的“决策支持系统(DSS)”一词至今作为用于管理的一种新型的计算机信息系统Dss得到了迅速的发展，它已经成为系统工程、管理科学、人工智能等领域十分活跃的研究课题。20世纪70年代末以来，与完成这一任务相关的学科都有了长足的进步，已发展到完善地步的运筹学模型，数理统计方法及其软件的发展，突破单一的效用理论框架的多目标决策分析，人工智能方面的知识表达技术、专家系统语言及智能用户界面的发展，小型、高效、廉价的微机工作站的出现，数据库及其管理系统，图形专用软件，各类软件开发工具等均为广泛的研制和应用DSS提供了良好的技术准备和物质准备。222决策支持系统的发展1971年Scott Morton在管理决策系统中第一次指出计算机对决策的支持作用【61，1971年到1976年，从事决策支持系统研究的人数逐渐增多，大部分人认为决策支持系统就是交互式的计算机系统。为了把人的判断力和计算机的信息处理能力结合在一起，计算机终端成为决策者的有力助手。现在可以说DSS在技术上已经走向成熟，理论上可以认为技术上已不再是难点，关键在于如何把理论技术变成现实。近年来，专家系统的研究发展很快，它给DSS注入了新的活力，增强了DSS系统的主动功能，例如知识库的组织和推理。在科学技术迅猛发展的今天，各种新技术都可能为DSS的发展开辟新的天地，只要善于把这些技术同DSS的应用、开发、使用原则结合在一起，例如从支持个人移植到支持组织决策，从基于数据的DSS发展到基于知识的DSS，从把模型视为过程到模型的生成和管理，从个人的计算机到远程通信网络，都隐含着新技术向DSS渗透的巨大潜力，而新一代DSS也在迅速发展。新代DSS已经发展到群决策支持系统GDSS(Group DSS)，分布式决策支持系统DDSS(Distribution DSS)、智能决策支持系统IDSS(Intelligent DSS)、智能型、交互性、集成化决策支持系统13DSS(Intelligence，interactive and integrated DSS)、基于数据仓库的决策支持系统。23决策支持系统的结构现代的DSS主要有五个部分构成：人机界面、数据库系统、模型库系统、知识库系统和方法库系统；同时在这五个部件的基础上又形成了各自的管理系统。其中，数据库系统、模型库系统、知识库系统和方法库系统是DSS功能的第二章决策支持系统实现部分，称之为四库系统。图2-1即为一个综合决策支持系统的结构图。删r231人机界面图21综合决策支持系统结构图人机界面部分是DSS中用户和计算机的接口，起着在操作者、模型库、数据库和方法库之间传递命令和数据的重要作用，图21中问题综合与交互系统就是一个人机界面的例子。在实际工作中，由于系统经常是由那些从系统输出中获得好处，且又对系统内部了解甚少的人直接使用，所以用户接口设计的好坏对系统的成败有举足轻重的意义。一个好的人机界而可以为决策者提供一个进一步解决决策问题的过程，使决策者了解系统中现有的模型情况，而且通过“Whatif“”这种带有自然语言形式的提问，得到按系统中现有的模型所得出的参考意见。232数据库系统数据库是DSS的重要数据资源，是模型库、方法库和人机接口的基础部分。和一般的MIS系统的数据库不同，DSS使用数据的主要目的是支持决策，因此它对综合性数据或者经过预处理后的数据比较重视。而MIS系统主要支持日常事务处理，所以它特别注意对原始数据的收集、整理和组织。一般来讲，DSS第二章决策支持系统的数据库比较庞大和复杂，具体实现中多采用数据仓库。Bill Inmon把数据仓库定义为一个面向主题的、集成的、非易失的、随时间变化的且用来支持管理人员决策的数据集合。一般的操作型数据库是基于应用的，它的各种操作基于大量的表索引，对于稍稍复杂的用户查询，它就要很长的时间响应。而数据仓库是面向主题的，它的数据被组织、划分成一个个的主体域，专门对查询进行优化。集成性体现在数据仓库从其他数据库抽取数据时，同样一个东西在不同厂商的数据库中的表示会不同。数据仓库在抽取数据时，它必须把这些不统一的数据转化成统一的格式。非易失性指的是，数据仓库是只读的。数据仓库成批从其他数据库中导入数据，以后对数据仓库的操作一般仅仅是读数据。随时间变化表现在数据仓库中数据的时间期限比较长，通常是510年。但是，数据仓库中并不是所有历史数据都以同样的详细程度加以存储。当数据已存在一个月后，它有可能被概括为周概要数据；在一、二年后，就有可能被概括为月概要数据。这不仅可以提高数据仓库的查询速度，还符合决策的规律。当我们进行决策时，对时间越远的数据的详细程度要求越低，概要程度越高。233模型库系统模型库系统为决策者提供了推理、比较选择和分析整个问题的能力。这正是DSS系统和MIS系统最大的不同。对于DSS在电力系统中应用来说，这一部分正是体现了电力系统的特色，将电力系统的各种特点通过模型表示出来。所谓模型是以某种形式对一个系统的本质属性的描述，以揭示系统的功能、行为及其变化规律，所以模型是对现实世界的模拟，但现实世界是极其复杂的，建立模型时，决不能企图把所有因素都考虑进去，否则，模型不但不能解决实际问题，反而把问题搞复杂了。在DSS中，决策一般是针对非结构化的问题，而建模活动就是将结构化非良好的问题转化为结构化良好的问题，所以建模时，要根据系统的目的和要求，抓住本质属性和因素，忽略非本质因素，准确的描述系统。在DSS系统中一般有大量的模型，供系统在决策时选用一个合适的模型，所以在DSS中模型一般是以数据的形式存在数据库中，同时建有模型字典。由于存在多个模型，模型和人机系统及数据库之间的接口也好似多样的。为了减少模型对数据库系统和人机系统的依赖、增强独立性，一些DSS系统中模型对数据库和人机系统的访问采用了一种统一的标准形式。在与一种具体的数据库连接时，必须有一个转换接口，将标准访问形式转化成具体系统要求的形式。为了提高灵活性，DSS还允许决策者自己新建模型。通过对原有模型的选择、拼接和组合，根据决策者的命令将简单的子模型构造成复杂模型。这种让决策者参与模型建立的做法，可以使决策者了解系统，使它更容易接受系统，并乐于根第二章决策支持系统据系统做出决定。234知识库系统知识库是一个类似于数据库的结构化的软件模块，它用形式化的方法将专家的专业知识存储在其中，供用户使用。知识库系统是在专家系统的基础上发展起来的，DSS设立知识库，其目的是为了扩大与决策者共有的知识领域，以便更好的沟通思维。在开发知识库时应该考虑如下问题：为自然语言理解创立语义和语用的环境：为建模和数值计算提供必要的分析基础；补充和延拓决策人员的思维能力71，知识的获取和解释、知识的表示、知识推理以及知识库的管理和维护是知识库开发的关键技术。在知识库的基础上又产生推理机构，其推理过程是对知识的选择和运用的过程。推理机构根据用户的输入和选择，从知识库中取得专业知识，对当前的状况进行推理。235方法库系统方法库系统就是一些基本算法的集合，它为DSS提供了一个合适的环境，允许计算过程实现交互式存取数据，从数据库选择数据，从方法库选择算法，然后将数据和算法结合起来进行计算。方法库有点类似于CH中的STL，但是它与语言无关，调用时实现动态连接，并能单独的修改模块而不需要改变调用程序。还有它增建了用户接口命令语言，用户不需要有定的程序设计基础就可以使用，提高了灵活性、经济性和可用性。24小结决策支持系统作为一项新兴技术，相对于电子数据处理系统和管理信息系统来说，能够更深刻的挖掘事务内在的规律，因此，受到了越来越多的重视和应用。本章首先介绍了决策支持系统的产生和发展的过程；然后对决策支持系统的定义和基本结构做出了详细的描述。在对本章内容充分理解的基础上，将决策支持系统和电力市场营销结合起来，为最终电力市场分析决策支持系统的建立奠定了理论的基础。第三章电力市场分析决策支持模型31模型概述第三章电力市场分析决策模型311电力市场分析决策的目标在进行电力市场分析决策之前，首先要确定分析的目标。根据历史数据的状况，本文主要对受气象、电价和经济等多种因素影响的售电市场进行各种分析。而在现代营销分析理论研究中，可以被应用到电力市场营销分析的主要内容有：市场细分，市场消费行为特征分析，市场潜力预测和营销策略制定几个方面【8】，因此本文将其与数据挖掘、多元统计分析等技术结合起来应用到决策支持系统的模型中，来进行售电市场的预测、特征分析、潜力分析、综合灵敏度分析、电价弹性分析和经济因素分析，并最终把这些分析的结果作为生成决策建议的依据。312售电市场的基本概念电力市场分析决策的基础资料是历史的售电量和当时的各种环境因素的历史数据记录，这些数据中蕴含着很多电力市场环境与售电量变化之间的规律性。要对电力市场营销进行分析决策，则必须先对这些数据进行抽象形成数据模型，然后将电力市场营销分析的问题抽象和表达出来，以便应用各种方法对数据进行处理，来发现有用的知识和规律。为此，本文引用文献【9】所描述的售电市场概念，基本定义如下：定义1售电事务关系，是电力市场电量和影响电量需求变动的因素的集合，其中维度属性为季节，气象，行业类别，电价，经济，度量属性为售电量水平。定义2售电事务空间，定义在售电事务关系之上的多维事务空间。定义3市场，是售电事务空间中的任何一个元素或者元素的集合。如图31所示：第三章电力市场分析决策支持模型图3-1售电事务空间实例但是，售电事务关系中某些售电事务，如年度、月份、行业等，本身就都是离散的，而且人们也习惯于将它们与其它售电事务，如气象、电价和其它一些经济因素区分开来，因此为了符合系统运行人员的分析习惯，在本文所建系统分析的所有售电市场中，这些售电事务都被直接包含在内，也就是说，系统总是对某一时间某一行业售电市场的情况进行分析，而不会将其抛开进行泛泛的分析。313分析决策模型的主要技术数据挖掘是发现隐藏在大型数据集中有趣的数据模式和数据规律，将数据转换成有用的信息和知识的技术。这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而对特定的数据集合进行特征描述或者预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程，它涉及到数据库、人工智能、数理统计、可视化等领域，是一门涉及面很广的交叉性新兴学科。数据挖掘是一种新的信息处理技术，其主要特点是对数据库中的大量数据进行抽取、转换、分析和其他模型化处理，并从中提取辅助决策的关键性数据。更为重要的，数据挖掘是一种重要的知识发现技术，它并不是用规范的数据库查询语言(如SQL)进行查询，而是对查询的内容进行模式的总结和内在规律的搜索。传统的查询和报表处理只是得到事件发生的结果，并没有深入研究发生的原因，而数据挖掘则主要了解发生的原因，并且以一定的置信度对未来进行预测，用来为决策行为提供有利的支持，图32为数据挖掘的过程示意图。文献10介绍了数据挖掘的关联规则和决策数算法在决策支持系统中的应用。本文主要应用数据挖掘的关联规则技术来进行市场特征分析，利用决策树技术进干亍市场潜力分析，具体内容将在33和34两节进行介绍。第三章电力市场分析决策支持模型图32数据挖掘流程多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析知识1”。在本文所建系统的分析决策部分，除上述运用了数据挖掘技术的市场特征分析和潜力分析模块外，其余模块均不同程度的应用了多元统计的技术。32电力需求预测模型在本文所介绍的电力市场分析决策支持系统中，精选了21种预测模型，既包含了在电力系统中已经长期应用得相当成熟的统计预测的模型，也开发了近年来兴起的灰色模型和基于人工智能的预测模型。这些模型保证了系统在预测算法方面的稳健性和先进性。本节的以下各部分将对这些模型进行简要的介绍。321回归模型回归分析模型12,13,14,151的基本原理是通过在一定的准则基础上，找到一条最优曲线来代表电力需求序列的变化趋势。统计学上通常采取最小二乘原则求取这条曲线的参数。回归分析依据其考虑的自变量个数又分为一元回归分析和多元回归分析。一、 一元回归模型本文将时间序列回归分析模型和一元相关分析模型结合起来介绍，统称为一元回归分析模型。一元回归分析的任务是寻找自变量和因变量之间存在的相关关系及其回归方程式。按照自变量与因变量之间的回归方程的类型可分为线性回归分析和非线性回归分析。当自变量为时间项时，称为时间序列回归分析方法；否则称为一元相关分析方法。第三章电力市场分析决策支持模型确定回归方程的函数表达式中未知参数最常用的方法是最小二乘法。线性函数的最小二乘法是非常方便的，而对一般的非线性函数，曲线拟和并不容易。只有一些典型的一元非线性回归方程，可以经过适当的变换成为线性回归问题，从而确定函数表达式中的未知参数。此外，对于一些典型的难于变换为线性回归问题的非线性函数，可采用其他的参数估算的方法，如三段和值法、模型参数的直接非线性估计法等等。下面列出了本文所建系统采用的一元回归分析模型：(1)线性模型：Y=口+bx(2)抛物线模型：Y=a+溉+cx2(3) 双曲线模型：Y=(4)幂函数模型：Y=$6(5)指数模型：Y=aez(6)对数模型：Y=日+blnx(7)非线性指数模型：Y=口+be。(8)龚帕兹模型：Y=e“”“(9)逻辑斯蒂模型：Y=二彳(10)时间序列l模型：Y=+dIxa2。(儿)时间序列2模型：Y=(ao+alx)a25(12)时间序列3模型：Y=Clo(口1X+a2。)二、 多元回归模型在实际的电力负荷需求预测中，负荷常受多种因素(如气温、降水量、GDP等)的影响，若将这些因素都考虑在内，则预测结果更能体现负荷内在的规律性，所以本文在此处应用多元回归分析。与一元回归分析相比，它考虑了其它的相关因素，其中自变量个数依考虑的因素而定，比较适合在相关因素对电力需求影响较大的预测场合使用。本系统中的多元回归模型是相关分析模型。相关分析模型：Y=bo+blxl+b2x26。z。322趋势外推模型电力负荷的变化一方面有其不确定性，如气候变化、意外事故的发生等会造成对电力负荷的随机干扰。另一方面在一定条件下电力负荷存在着明显的变化趋势。一旦找到了负荷变化趋势，按照该变化趋势就能对未来负荷作出判断，这就是趋势外推预测技术12,13,1 6。广义上讲，许多方法都有这个特征，按照惯例本文主要指指数平滑模型和滑动平均模型。下面以一次指数平滑模型为例进行介绍。取定参数口，0口；(2)IfOneClassof FcwCas目R积11111 a 1f 3，Foreoh AttrlbuleAComputeGain(A：(4)N螗稚。AttributeWithBes瞄ain：t5)lf Nt蒋t is#ontinBoo$Findlhreshold：(6)ForEachr in the spiiaing ofr4L7)lfllis EmptyChildofN诹a IearElse【8) ChildofNFormll、”e(下)；(9)ComputeErrors ofN：Fetu南N图3-8 C45树型算法构造的伪代码在c45算法中，树中的每一个节点与一个元组的集合相关。考虑到存在未知的属性值，我们为元组指派“权值”(Weight)。在初始状态下，根节点是唯一的节点，与根节点对应的训练集中的每一个元组的权值为l。然后在每一个节点上执行上述“分而治之”算法，以设法找出最佳的输出。该算法不允许回溯。算法性能的一个量度是分类出错率(classificationerror)，即失败的分类(预测的类不同于实际的类)所占的百分比。在上述C45的伪代码中，令T为与节点对应的元组的集合。(1)计算类Ci的加权频率freq(Ci，T)，i1，Nclass】。(2)如果T中所有的元组属于同一个类ci，或者T中元组的数目少于一个特定值，那么该节点为叶节点，对应的类为Cj(最频繁的类)。该叶节点的分类出错率为T中不属于C。的元组的权重之和。第三章电力市场分析决策支持模型(3)如果T中包含属于两个或更多的类的元组，则计算每一个属性的信息增益值(information gain)。信息增益的值与T中元组的划分有关，对于离散型属性，划分的依据是互不相同的属性值；而对于连续型的属性，划分的依据是阀值。根据阀值可以将T分为两个子集，属性值不大于阀值的元组集合和属性值大于阀值的元组集合。阀值是在计算信息增益的过程中确定的。(4)选择具有最高信息增益值的属性用作测试。(5)如果选择的是一个连续型属性，则计算出来的最后确定的阎值是在整个训练集中小于本地阀值的最大值。(6)如果在选定的属性上的测试将T划分为s个子集Tl，Ts，则表示决策节点有S个子节点。显然，对于连续型属性，s=2；对于已知h个值的离散型属性，s=h。(7)fori_1，s】，若Ti为空，则该子节点为叶节点，府接点对应频率最高的类，分类出错率为0。 (8)若T。不为空，在Ti上递归的应用以上操作，该子节点对应的元组集合包含Ti对应的元组和T中属性包含有未知值的元组。属性含有未知值的元组存在于每一个子节点的元组集合中，只是权重不同(与“Ti中的元组个数与T中属性值一直的元组个数的比值”成比例)。(9)最后，计算节点的分类出错率，即各子节点出错率之和。如果计算出来的值大于将T中所有的元组归类于最频繁的类的时候的出错率，则该节点为叶节点，并删去所有的子树。三、 c45的信息增益计算已知元组集合T，属性a，信息增益(Gain)的计算方法为：a是离散型的，Tl，T。是依据a的不同属性值对T划分后的子集杰料Gain(a)=info(T)一41 Hinfo(Tj) (3-8)一警下freq(Cj,T)xlog：(螋)其中，info(T)：智 lTI )rl。是一个熵函数。缺省我们选择Gain值，但是C45考虑信息增益比(informationgain ratio)，即信息增益与拆分信息(split information)Split(T)的比；Spii咿卜喜黔勃错， 限。、很容易看出，如果在父节点选择了一个离散值属性，则它的信息增益和信息胤撇为埘此时l0920 (斧，獭槲散增益比的值为，因为此时 ，因此c45不需要计算离散第三章电力市场分析决策支持模型值属性的信息增益比。a是连续型的：首先，采用快速排序算法对T中属性值一直的元组进行排序。假设排好序的值为vl，vm，考虑两个划分：正。37，I”，”疋”2”J l”J)其中i【1，ITI-1，v=(vi+Vi+1)2(3-10)对于每一个v值，信息增益值Gain是根据上述的划分来计算的。使Gain值最大的v值，记为v，就是该节点的本地阀值(10cal threshold)，属性a的信息增益值就是Gain，。(同样，对于划分TI，T2Y，C45考虑信息增益比【29】)。最后，如果在某节点选定了一个属性，那么计算阀值是通过在训练集中对该属性所有的值作一个线性查找，寻找不大于v的最逼近的值，这个值就是该节点上的阀值。344结合粗糙集理论的决策树算法一、 基本理论在选择初始属性来构造基于粗糙集的决策树的过程中，人们一般希望删除带噪声的和不相关的属性，减少检验中的属性数目，从而增建决策的可理解性。对于大多数数据集来说，要想通过尝试属性的每一种组合来找出最佳属性组合是不可能的，因为属性的各种组合数是依属性数指数增长的。所以在属性的选择中，必须使用某种启发式。而粗糙集理论可以用于同时对多个属性进行选择，可称作“多变量检验”。由于属性与等价关系之间存在着一一对应关系，所以，这两个概念是等价的，可以相互替换。因此下文中将不会区分属性和等价关系。设u是感兴趣的对象组成的有限集合，成为论域。R是定义在U上的一个等价关系，UR表示R在U上导出的划分，XR表示包含x的R的等价类，X(Eu。在粗糙集理论中，将序对(u，R)称为一个近似空间。任何子集冀U，称为一个概念。对每个概念X可定义下、上近似如下：皂x=u缸U：Ix】R) 丑x=w(xeU：h1Rnx妒 f311)04是由u中那些在现有知识R下肯定属于概念X的元素组成的集合；尺盖是可能属于概念X的元素组成的集合。对于u上的两个等价关系P、O，Q的P正区域定义为Pos，(2出口皇盖 川2、POS，(Q)是u中所有那些通过知识P被肯定的分作UQ的类的元素组成的集合。设U是一个论域，P和O是定义在u上的两个等价关系族，称一个等价关第三章电力市场分析决策支持模型系ReP是Q不必要的(或多余的)，如果式POSmme)(1ND(Q)2 P傩m(P(肋(Q)(3-13、成立。否则，R在P中是Q必要的，其中IND(P)=NP(所有属于P的等价关系的交)也是一个等价关系，并且称为P上的一个不可区分(indiseemibility)关系。P中所有Q必要的等价关系组成的集合，称为P的Q核，记做COREo(P)。当P与Q分别表示信息系统的条件属性和决策属性时，弱一个属性REP是Q不必要的，则从P中去掉属性R不会改变原来信息系统的决策。而去掉P的Q一核中的属性将改变原信息系统的决策。所以，P的Q一核中的属性对于决策来说是至关重要的。我们将选择相对核中的属性作为构造多变量检验的属性。在构造多变量检验之前，还有一个重要的概念，那就是“泛化”。定义6设P和Q是u上的两个等价关系族，且UIND(P)=X1，X2，Xn UIND(Q)=Y1，Y2，YnZ= L J fY：c y，令。_“i厅ND(e)。i_1，2，m。z州=垆(P)蚂：x旺l=；，Vf f3-141则称El，Z2，Zm+1在u上确定的等价关系为P相对于Q的泛化，记做GEN9(P)。相对泛化的概念将用于构造多变量检验。因为传统的用所选属性的简单合取作为多变量检验，可能会导致对数据的过拟合问题。为此，我们定义了这个一个等价关系相对于另一个等价关系泛化的概念。二、 基本算法该算法与传统的c45算法一样，都是从标有类标号属性的元组中，采用递归的方法来构造决策树。这里用信息系统来表示训练集，从而导出决策树，个信息系统I可以定义为一个四元组I=fU，A，V，f)。其中u为论域；A为所有属性的集合，它分为条件属性C和决策属性D，CnD=巾；一南“，VP是属性P的值域；fuA一v，称为一个信息函数。一个自顶向下的决策树算法是，首先根据某种划分度量准则选择最佳检验，然后，用选择的检验去划分训练集，并且，相应于该检验的每一个结果产生一个分枝。这一算法递归的应用到该检验导出的每一个分类上，如果某一分类中的所有事例都来自于一个类别，那么，就产生一个标有该类别名的叶节点。在决策树的构造过程中，人们希望在每个节点上都选择能把事例划分到它们类中的最佳检验。传统的决策树生成算法的检验是基于单个属性的，而下面将要提出的是决策树构造算法可以基于一个或多个属性的检验。前者通常使用的划分度量准则是熵或不纯测度；后者使用属性的区分第三章电力市场分析决策支持模型能力作为划分度量准则。下面给出算法的具体描述。算法是基于经典的决策树C45算法，并结合了粗糙集的思想。c45算法是ID3的后继算法，它与ID3算法最大的不同在于可以对连续值属性进行处理。根据相对核的定义，我们知道条件属性集相对于决策属性集的核中的属性对于指定决策来说是至关重要的。利用3441阐述的概念，下面给出算法的基本框架：(1)如果不包含连续值属性，则转(2)，否则转(5)；(2)计算条件属性集c相对于决策属性集D的核，即CORED(c)，若CORED(c)=由，则转(3)；否则，转(4)；(3)用C45的方法(信息增益)选择一个最佳属性，作为该节点的检验：(4)设CORED(C)=al，a2，ak，令P=al na2Nnak，计算P相对于D的泛化GEND(P)，将它作为该节点的检验；(5)在含有连续值属性的时候，采用C45的方法选择一个最佳属性，从而通过递归生成决策树。三、 算例分析以如表33中已经过离散化后的售电市场历史数据为例，我们利用本文所述的算法和经典的C45算法分别进行分折，然后将结果进行比较，来观察引入粗糙集技术前后对售电市场分析的影响。表33某地区历年12月份售电市场历史数据条件属性C 决策属性DUMa)T MinT AverT Rain Price Elecquan1 G 0 DO TO R4 P4 E 42 G l D 0 T2 R 3 P4 E43 G 3 D 1 T2 R 0 P 2 E 34 G 3 DO T2 R2 P1 E 45 G 3 D2 T 3 R 1 PO E 36 G 3 D 3 T4 R O PO E O7 G 1 D l T 2 R3 PO E 48 G 1 D 0 T 1 R 2 P2 E49 GO DO T1 R 3 P 3 E410 o 3 D 4 T 3 R 1 P4 E O11 G 0 D2 T 3 R2 PO E 312 G l D 2 T 2 R 4 Pl E 213 G 0 D O T0 R 4 P 3 E 4第三章电力市场分析决策支持模型14 G 1 D 1 T 1 R 2 P 2 E 315 G l D l T 2 R2 P 3 E216 G 3 D 2 T3 R 1 Pl E217 G 4 D 3 T3 R 1 P1 E 118 G 3 D l T1 R 0 P3 E 2(附注：表中MaxT代表最高气温，MinT代表最低气温，AverT代表平均气温，Rain代表降水，Price代表电价，Elecquan代表电量。O4分别代表数据预处理以后各属性的数值水平，O一低水平、1一较低水平、2一一般水平、3一较高水平、4一高水平)首先，只采用决策树的C45算法，得到决策树结果如图3-9所示图3-9 C45算法的结果图下面介绍引入粗糙集技术之后构造决策树的过程。首先，通过表33计算出条件属性集C对于决策属性集D的核。通过计算可知：UIND(C)=“1，2，3)，18)U1ND(D)=lO)，6，17，12，15，16，18，3，5，11，14)，1，2，4，7，8，9，131根据公式(312)，有P0崞一(c)(D)=1，2，3，18)2U，然后分别判断属性集C中的每个属性相对于D来说是否必要，为此，分别去掉MaxT、MinT、AverT、Rain和Price， 则可得到POqD【c一T)(D)=1，2，3，18。P0qD()(D)，PDSm(cM。r)(D)=l，2，7，9,-13，15，18)POS，ND(c)(D)，则可知MaxT是D一不必要的，而MinT是D一必要的。同理可知，AverT和Rain是D一不必要的，Price是D一必要的。因此，可以得知CORED(C产MinT，Price。至此，已经选出与决策相关的属性，然后参照上述的算法，令P=MinTnPrice，则通过(314)的两个公式来构造多变量检验GEND(P)，最后将其作为决策树的根来生成决策树。这样处理后，决策树的结果如图310所示：第三章电力市场分析决策支持模型辂00(D1图310结合粗集的决策树构造结果图首先，从算法的过程来看，引入粗糙集后的算法通过寻找条件属性集的核使得算法得到了一定程度的简化。其次，从引入粗糙集前后决策树结果图的对比来看，前者决策树的大小为10，而后者的大小仅为5，且后者对于售电市场信息的表达同样比较清楚。由此看出，对于售电市场潜力分析，结合了粗糙集的决策树构造算法相比单纯使用决策树算法具有更大的实用性。35综合灵敏度分析模型351问题的描述电力市场营销分析的关键内容为，分析售电水平与气象、电价、经济等因素之间的内在联系，因而售电水平与上述因素之间的灵敏度分析受到了越来越多的重视。由于此问题的复杂性，以往的研究多是针对某单一因素进行分析，而综合因素对售电水平影响的分析很少见到。在312所述售电市场下，综合灵敏度分析主要需解决如下问题：售电市场的各个因素之间本身并不独立，应该怎样消除这种耦合关系；售电量和各个因素之间存在的并不是简单的线性或者多项式的关系，应该怎样对其进行处理。为此，本文提出了一种分析售电市场综合因素灵敏度的方法在对售电事务空间进行精确描述的基础上，运用主成份和函数变换的方法得到售电量分布函数，从而实现了售电市场综合因素的灵敏度分析。一S。杏。6第三章电力市场分析决策支持模型352综合灵敏度分析过程一、 标准化处理由于保存在历史数据仓库中的售电事务数据和各种影响电力市场需求的环境因素数据的单位不同，两且数量级也相差很多，因此需要先对所有历史数据进行标准化，然后再进行下一步分析。本文采用正态分布化30】的方法对样本进行处理，具体求解过程如下：样本观测矩阵M2魄)”r(N为样本个数，P为影响因素个数)，经标准化后朋2(”)w，其中，咖魄稚丽_：妻”彳通过这样的处理，就使各因素的历史数据全部正态分布于N(O，使得各影响因素之间的差别得以消除。二、 主成分分析r3-15)(316)1)，从而由于对历史数据进行多元统计分析的前提是各个坐标轴必须相互垂直，而实际上各个影响因素之间却不正交，例如时间和气象因素就存在着严重的自相关关系，因此就需要在原有的售电事务空间中建立新的坐标系，使其坐标轴互相垂直，主成份分析技术也正应用于此。文献【1l】和文献【3l】都在不同程度上对主成份分析技术进行了介绍。图311为空间主成份分析的示意图：图311主成份分析示意图所谓主成份【ll】，代数上是p个随机变量M，M：，M，的线性组合，其几何意义是对原空间用新的坐标系重新表示，新坐标系的坐标轴代表数据变异性最大的方向，并提供一个对协方差结构较为简单但更为精炼的刻画。其数学表达如下：第三章电力市场分析决策支持模型设M2(M，M：，M，)。为一P维随机向量， 其主成份为X，(f_1,2，i，p)则置满足以下条件(2，3)：1)工，=口jM，口j口，=1,a，是PXl维的数字向量。2)，x2以互不相关。3)口一的取值使得砌K互)尽可能大；通过数学方法推导随机样本主成份分析的过程阐述如下：(1)求出随机向量M=(M，M，鹄)7的协方差矩阵R。(2)得到协方差矩阵R的特征向量对(，e)，(五，e：)，(2p，e。)，其中五。0。(31求得随机样本的P个主成份，其中第f个主成份是：x=M=eilM-I-ei2鸩+斗嗨其中：i=1,2，。P (4)此时：砌锉垫q 24 f=琥_p(5)(4)通过主成例的舅觏贡献率来确定主成份的个数。第i主成份的累计贡献率定义为： 一k=l“ (3-17)若V睇(o，1)且当凤口时，x，x：，X，称为样本M，M2，M，的显著性水平为a的主成份，即主成份变换矩阵。三、 非线性回归分析经典多元线性回归模型：】，=ao+alxI+口2x2+s能有效的反映r与相互独立的因素变量而，为，(3-18)，一之间的线性依赖关系。但在实际中，影响因素与预报量之间很少呈现简单的线性关系，往往呈现出各种复杂的非线性关系，为了拓广回归模型的适用范围，本文采用了以下因素函数变换方法来实现非线性回归【32】，具体的步骤如下：(1)选取表3-4中的六种基本函数为备选的因素函数变换形式a表3-4六种基本函数及其变换后的方程形式表_誊函数形毒黧i ：1 i基笨蔷蠹装送式善i- !_菌叛变换盾表这我?黑线性函数 Y=A+Bx v=“+Bx双曲线函数 y=焘 1一。BV X幂函数 Y=Ax8 lgy：lgA+Blgx对数函数 y=爿+Bigx y=A+BIgx指数函数 Y=48竺 1n v=ln4+Bx分式指数函数 v=爿e。 k少=1n4+一13第三章电力市场分析决策支持模型(2)利用表3-4中的函数变换，将r与x r，卢l，Z，栉分别建立上述六种一元线性回归模型，然后分别进行F检验，选择最大F值对应的回归模型作为函数变换形式，记为咒2_，(xr J，声l，厶一。(3)将y对H，儿，儿先进行多元线性回归，再将M 2JAx,J，卢必。n回代，即得】，对Xlz，一一的非线性多元回归模型。事实上，在步骤2的分析中，有些主成份的样本数据并非完全适合每一种函数，例如负样本数据就不能进行第三种方程的回归，而且这些基本函数也并不能穷尽空间中所有函数。由于坐标变换既可以使样本数据变为正数，又可以通过平移坐标轴使得函数在全空间移动，进而近似的代表空间所有的函数，因此本文就采用这种方法使上述两种问题得到有效的解决。图312是关于非线性回归分析的流程图：图312非线性回归分析的流程图四、 因素回代将第二步的主成份变换矩阵代入第三步的回归结果，就得到售电量和各个因素之间的代数关系，即售电量分布函数。通过将售电量分布函数对任何影响因素求偏导，就可以得到售电量对于该影响因素的灵敏度函数。需要说明的是，在求灵敏度函数的过程中，也未必要先求出售电分布函数。由于每个主成份都是各个因素的线性变换，都包含着各个因素的信息，结合微积第三章电力市场分析决策支持模型分的知识，我们就可以得出这样的结论：对不同的影响因素求偏导，实际上可先对于每个主成份都求导数，再乘以此主成份对应该目标因素的变换系数，然后将其累加即可。而对主成份的求导，则只是对应表3-4中函数的导数形式。因此我们只需在进行回代的时候，代入上述的方程形式，就可以直接得到售电量对于某个影响因素的灵敏度函数，对不同因素灵敏度的求法也只是系数不同而己。353算例结果分析如表35所示，本文采用东北某地区的城市居民用电量数据及其相应的气象和电价等影响因素数据作为历史数据，来求取售电量分布函数，进而分析该售电市场综合因素的灵敏度情况。由于东北地区冬季居民用电量对温度变化比较敏感，因此分析采用99年1月-02年12月作为历史数据的时间跨度，以便能够对03年1月的售电市场进行分析。表3-5样本数据表年份 月份 电价(元kWh) 最低气温(oc) 电量(106kWh)1999 l 03116 16 21741999 2 03223 136 29622000 l 03197 243 25242000 2 03206 184 29812002 11 03853 16 32122002 12 03816 -11 3183、 求解售电分布函数(1)对所选售电市场的售电量和其它影响因素的历史数据进行标准化，结果如表3-6所示；表3-6各影响因素标准化参数表电量及各影响因素 均值 标准差电价C元kWh) 03602 00314最低气温(oc) 07333 138664电量(kWhl 25391妒 385106(2)对由年份、月份、电价、最高气温、最低气温、平均气温和降水量等第三章电力市场分析决策支持模型影响因素所组成的空间进行主成份分析。按照上述方法得到的各主成份贡献率分别是5022、2585、1376、801、208、007、0005。由于前四个主成份的累计贡献率已达到9784，因此本文取这四个主成份来表示藤个售电事务空间。主成份的变换公式为：f0 52270096805188010340515201008=l 038690003901387 0688101412 0157Il 00584 06867o0727一o163l丫一008310 2219I一007850 2672l00011 09194001360 0619109543 00581-026620 0150 J 【|；其中，(Xbx2，X3,X4)分别代表由大到小的四个主成份，而(m1，m2，m3，m4，m5，m6，m7)则分别代表年份、月份、电价、最高气温、最低气温、平均气温和降水量等影响因素。(3)将售电量与各主成份分别建立非线性回归模型，表37为售电量与各主成份关系函数的回归结果和相应的F检验值。表37售电量与各主成份的函数关系表函数形式 F值五 Yl=414-23log(x,+43)-28 173毛 弘=169(X2+307)一28 304西 Y3=264+e x3-128 88五 Y4=188(x。+237)o“一28 56其中，XI,x2，X3，X4由上一步骤的转换结果。(4)将售电量与回归结果再进行多元线性回归，得到售电量分布函数。二、 售电量的检验用历史的影响因素数据代入方程，得到电量值后再与历史的电量数据相比较，来检验曲线的拟合程度。图313即为电量的计算值和历史值的比较图。而且，对于所选样本时间段的下一个月(2003年1月)，实际的电量值为3223MkWh，而将该月的各影响因素代入