CN105005878B - 一种坚强智能电网的综合评估方法 - Google Patents

一种坚强智能电网的综合评估方法 Download PDF

Info

Publication number
CN105005878B
CN105005878B CN201510493665.5A CN201510493665A CN105005878B CN 105005878 B CN105005878 B CN 105005878B CN 201510493665 A CN201510493665 A CN 201510493665A CN 105005878 B CN105005878 B CN 105005878B
Authority
CN
China
Prior art keywords
mrow
index
msup
msub
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510493665.5A
Other languages
English (en)
Other versions
CN105005878A (zh
Inventor
黄翰
刘林
贾宏杰
曾沅
李立理
刘艳丽
靳晓凌
齐文瑾
何博
赵启明
胡波
李晓君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
State Grid Corp of China SGCC
State Grid Energy Research Institute Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
State Grid Energy Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University, State Grid Corp of China SGCC, State Grid Energy Research Institute Co Ltd filed Critical Tianjin University
Priority to CN201510493665.5A priority Critical patent/CN105005878B/zh
Publication of CN105005878A publication Critical patent/CN105005878A/zh
Application granted granted Critical
Publication of CN105005878B publication Critical patent/CN105005878B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了坚强智能电网的综合评估方法，包括(1)构建坚强智能电网评估体系，该坚强智能电网评估体系包括一级指标技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系；每个一级指标又分别包括三层下级指标；建立一包括上述所有各级指标的指标数据库；(2)运用极值化处理方法，对指标数据库中的四级指标进行归一化处理；(3)对二级指标、三级指标和归一化后的四级指标采用序关系法进行权重确定；(4)对权重确定后的四级指标进行综合评估，从而得到各级指标的得分；(5)指标权重的调整、相关指标的预测、一级指标得分不确定性分析。本发明能有效避免评估的单一性与片面性，对于宏观把握电网信息具有一定的意义。

Description

一种坚强智能电网的综合评估方法
技术领域
本发明属于智能电网评估领域，尤其涉及一种坚强智能电网的综合评估方法。
背景技术
智能电网综合评估是电力工业科学决策的前提，是科学决策的基础性工作。具体地说，智能电网综合评估就是依据所给的条件，采用一定的方法，对所有评估对象进行判断，并赋予一个评估值，以此来择优和排序，从中找出最优或者最劣的对象，进行网络架构的调整与完善。
坚强智能电网的内涵是指具有坚强的网架结构、强大的电力输送能力和安全可靠的电力供应。坚强的网架结构是保障安全可靠电力供应的基础和前提；强大的电力输送能力，是与电力需求快速增长相适应的发展要求，是坚强的重要内容；安全可靠的电力供应是经济发展和社会稳定的前提和基础，是电网坚强内涵的具体体现。
目前国外已经公开的智能电网评估体系主要有IBM智能电网成熟度模型、美国能源部(DOE)制定的智能电网发展评估指标体系、美国电力科学研究院(EPRI)的智能电网建设评估指标、以及欧盟的智能电网收益评估体系等。国内电力行业在电网的发展、建设评估方面已经开展了许多实际工作，提出了“两型”电网指标体系、电网发展指标体系等评估系统，近期，针对智能电网的试点工程项目，开展了智能电网试点项目评估方面的研究，为下一步推广应用智能电网技术提供了参考借鉴。各种评估体系体现了对智能电网内涵理解的不同和侧重不同。我国在智能电网的综合评估体系中有较大的上升空间，我国必须从自身国情出发，提出一种适合我国经济社会发展的智能电网发展模式。对智能电网的综合评估将智能电网作为一个有机整体，深刻体现智能电网信息化、自动化、互动化特性，及时发现智能电网发展的薄弱环节和制约因素，实现智能电网发展过程中技术和经济的均衡发展，对于正确指导智能电网规划、建设、运行及管理具有重大的现实意义。
发明内容
针对智能电网的技术成熟度、项目成熟度、区域智能化三方面，本发明对传统评估方法进行了改进，提供了一种智能电网的综合评估方法，以达到多维度、深层次、宽领域的全面评估。
为了解决上述技术问题，本发明提出的一种坚强智能电网的综合评估方法，步骤如下：
步骤一、构建坚强智能电网评估体系，该坚强智能电网评估体系由技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系构成，所述技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系均为一级指标；每个一级指标又分别包括三层下级指标；建立一包括上述所有各级指标的指标数据库；
步骤二、运用极值化处理方法，对指标数据库中的四级指标进行归一化处理；
步骤三、对二级指标、三级指标和步骤二归一化后的四级指标采用序关系法进行权重确定；
步骤四：利用下述公式对经过步骤三权重确定后的四级指标进行综合评估，从而得到三级指标的得分：
公式(1)中，表示四级指标的第i个指标归一化后的数据，ωi表示四级指标的第i个指标的权重；
以此类推，利用上述公式层层向上依次对经过步骤三权重确定后的三级指标和二级指标进行综合评估，在此过程中，公式(1)中的分别用三级指标、二级指标的第i个指标归一化后的数据来替换，ωi分别用三级指标、二级指标的第i个指标的权重来替换；从而得到二级指标的得分和一级指标的得分；
步骤五、指标权重的调整、相关指标的预测、一级指标得分不确定性的分析；
5-1、指标权重的调整：
进行时间与空间维度的外推，所谓时间维度的外推是指在每一阶段都按照上述步骤二至步骤四对同一坚强智能电网进行综合评估，得到每一阶段的各级指标的得分，并分析出不同阶段指标的得分与权重的关系；所谓空间维度的外推是指按照上述步骤二至步骤四对同一阶段内对不同区域的坚强智能电网进行综合评估，得到同一阶段、不同区域的各级指标的得分，并分析出同一阶段、不同区域指标的得分与权重的关系；
根据不同阶段指标的得分与权重的关系和/或同一阶段、不同区域指标的得分与权重的关系调整二级、三级和四级指标的权重，包括：
指标权重集合有n个权重，
Ωω＝{ω1，ω2，…ωi，…ωn} (2)
假设在此前得出有N套权重方案，通过离散化处理得到权重的期望值，
式(3)中，ωi,j表示第j套权重方案的第i个权重，
利用偏差系数法对权重的期望值进行进一步修正，计算每套权重方案中各个权重样本的偏差系数，
式(4)中，ci,j指第j套权重方案的第i个权重的偏差系数；
计算每套权重方案中各个权重的修正值，
式(5)中，ωe,i表示第i个权重的修正值，从而得到在后续指标计算过程中的修正权重集，
Ωe,ω＝{ωe,1,ωe,2,…ωe,i,…ωe,n} (6)
5-2、根据步骤四得到的一级指标的得分、二级指标的得分和三级指标的得分并基于GM(1,1)模型进行相关指标数据预测；
采用GM(1,1)建模理论预测下一次的指标变化趋势，设某一指标在一段时间内的历史数据为X(0)，历史数据序列为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(M)}k＝1,2,…,M (7)
式(7)中，M为指标历史数据值的个数，X(0)(k)为非负序列；
5-2-1、指标历史数据的预处理
首先，对历史数据序列构造一个弱化缓冲算子，然后对历史数据序列进行一次累加，进行灰数生成，得到生成序列：
X(1)(k)＝{x(1)(1),x(1)(2),…,x(1)(M)} (8)
式(8)中，
5-2-2、计算指标预测模型GM(1,1)参数
x(1)(k)的GM(1,1)模型白化形式的微分方程为：
式(9)中，a和u为待定参数；将式(9)离散化，得：
Δ(1)(x(1)(k+1))+az(1)(k+1)＝u (10)
式(10)中：
Δ(1)(x(1)(k+1))＝x(1)(k+1)-x(1)(k)＝x(0)(k+1) (11)
将式(11)和式(12)代入式(10)，得到：
将式(13)展开：
令而为待辨识参数向量；a是发展系数，反映指标的发展趋势，u为灰色作用量，它反映变量的变化关系；参数向量可用最小二乘法求取，即：
把上述求得的参数Φ代入(9)，求出离散解为：
还原原始数据即为预测的相关指标数据：
5-3、一级指标得分不确定性的分析
当只知道四级指标数据的分布类型时，根据四级指标的半不变量和四级指标与其所属于的一级指标的函数对应关系求得一级指标的半不变量，采用Gram-Charlier级数展开式求得一级指标得分的分布，f(x)为一级指标的得分的概率密度函数，F(x)为累积分布函数，则：
式(18)和式(19)中，为标准正态分布的概率密度函数；Φ(x)为标准正态分布的累积分布函数；表示的n阶导数，Φ(n)(x)表示Φ(x)的n阶导数，Ci为多项式；根据分布函数判断特定区间的置信水平，确定一级指标的置信率。
与现有技术相比，本发明的有益效果是：
本发明应用于坚强智能电网综合评估中，依据大数据与云计算的平台，采用较为准确的数据进行指标分析与处理，避免的指标的单一性、片面性；根据智能电网的综合评估结果，将结果进行更高程度的外推，并采用GM(1,1)模型进行负荷预测，采用Gram-Charlier级数展开式进行评估结果的不确定性分析，充分挖掘数据的潜在信息，探讨数据的统计规律，对于电网的规划与安全运行具有重要的意义。
附图说明
图1是本发明中指标体系框图；
图2-1、图2-2和图2-3综合表示了智能电网综合评估指标体系，其中图2-1是技术成熟度评估指标体系；图2-2是项目成熟度评估指标体系；图2-3是区域智能化评估指标体系；
图3是本发明评估流程图；
图4是本发明研究材料-某省区域智能化水平评估结果雷达图。
具体实施方式
一种坚强智能电网的综合评估方法，其特征在于，步骤如下：
步骤一、构建坚强智能电网评估体系，该坚强智能电网评估体系由技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系构成，所述技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系均为一级指标；每个一级指标又分别包括三层下级指标；建立一包括上述所有各级指标的指标数据库。
该步骤以评估智能电网相关技术在不同发展阶段的成熟度状况作为出发点，按图1所述构建坚强智能电网技术成熟度综合评估指标体系。此指标体系能够对智能电网相关某项技术、某个项目或某块区域的成熟程度进行量度和评测，可以对智能电网下一步建设提供指导，并且为管理层和科研单位提供了一种统一的标准化通用语言，能够为相关政策制定提供依据。详见图2-1、图2-2和图2-3示出了本发明坚强智能电网的综合评估方法中智能电网综合评估指标体系，其中，图2-1是技术成熟度评估指标体系，其内容如表1所示。
表1技术成熟度评估指标体系
图2-2是项目成熟度评估指标体系，其内容如表2所示。
表2项目成熟度评估指标体系
图2-3是区域智能化评估指标体系，其内容如表3所示。
表3区域智能化评估指标体系
步骤二、运用极值化处理方法，对指标数据库中的四级指标进行归一化处理。
该步骤中智能电网评估体系指标的极值处理可分为三类:极大化处理、极小化处理、0/1型处理。其中极大化处理针对增大趋势优良发展的指标，极小化处理针对减小趋势优良发展的指标，0/1型处理针对是否判断型的指标。处理方法如下：
其中xmax表示指标x样本值的最大值，xmin表示指标x样本值的最小值。对于判断型指标，是取1，否取0。x*表示归一化后的数据值，其大小在0～1之间。对各指标的处理见表4、表5和表6所示。
表4技术成熟度评估指标体系指标的处理
表5项目成熟度评估指标体系指标的处理
表6区域智能化评估指标体系指标的处理
步骤三、对二级指标、三级指标和步骤二归一化后的四级指标采用序关系法进行权重确定。
采用序关系法对各级指标进行定性排序并且主观赋权。假设某二级级指标包括m个三级指标，则按重要程度从大到小有唯一一个确定的序关系x1＞x2＞…＞xm，专家关于评估指标xk-1与xk的重要程度之比ωk-1/ωk的理性判断为ωk-1/ωk＝rk，且满足rk＞1/rk-1，则第m个指标的权重ωm为rk的赋值参考如表7。
表7 rk的赋值参考
依次类推可确定各个层级指标的权重并逐级向上进行计算。
步骤四：利用下述公式对经过步骤三权重确定后的四级指标进行综合评估，从而得到三级指标的得分：
公式(1)中，表示四级指标的第i个指标归一化后的数据，ωi表示四级指标的第i个指标的权重；
以此类推，利用上述公式层层向上依次对经过步骤三权重确定后的三级指标和二级指标进行综合评估，在此过程中，公式(1)中的分别用三级指标、二级指标的第i个指标归一化后的数据来替换，ωi分别用三级指标、二级指标的第i个指标的权重来替换；从而得到二级指标的得分和一级指标的得分。
依据上述步骤根据图3评估流程可得某省坚强智能电网电动汽车技术成熟度评估、该省某示范工程项目成熟度评估、该省坚强智能电网区域智能化评估分别如表8、表9和表10所示。
表8某省坚强智能电网电动汽车技术成熟度评估
二级指标 技术性能 政策环境 产业配套
得分 0.7345 0.6456 0.7846
权重 0.3856 0.3198 0.2946
由公式(1)得该省电动汽车技术成熟度指标体系得分为0.7208。
表9某省示范工程项目成熟度评估
二级指标 技术水平 产业配套 投入产出效益
得分 0.7178 0.7268 0.6289
权重 0.3488 0.2833 0.3679
经计算得该省示范工程项目成熟度评估指标体系得分为0.6876。
表10某省2009-2013年坚强智能电网区域智能化评估二级指标得分与综合评估得分
得分 2009 2010 2011 2012 2013
坚强可靠 0.4917 0.4839 0.533 0.5228 0.5067
经济高效 0.3305 0.3401 0.3653 0.4209 0.4451
清洁环保 0.2131 0.2191 0.2348 0.2434 0.2761
透明开放 0.2707 0.343 0.3729 0.4045 0.7154
友好互动 0.3139 0.3429 0.4132 0.4895 0.5593
区域智能化 0.3691 0.3831 0.4229 0.4449 0.4862
从图4中可看出：1)“十二五”期间，该省电网智能化水平逐年始终保持着较为稳定的发展趋势，发展速度较为平稳。2)经济高效，透明开放，友好互动增幅较高，增长速度较快3)坚强可靠发展较为平缓，增幅有限，整体水平变化不大4)清洁环保增速较慢且得分较低，这与该省发电结构火电比重大有关，应该制定相关政策采取一定措施弥补这一现象。
步骤五、指标权重的调整、相关指标的预测、一级指标得分不确定性的分析。
5-1、指标权重的调整：
在评结果进行外推拓展时，需要进行权重调整，结果外推指进行时间与空间维度的外推，所谓时间维度的外推是指在每一阶段都按照上述步骤二至步骤四对同一坚强智能电网进行综合评估，得到每一阶段的各级指标的得分，并分析出不同阶段指标的得分与权重的关系；所谓空间维度的外推是指按照上述步骤二至步骤四对同一阶段内对不同区域的坚强智能电网进行综合评估，得到同一阶段、不同区域的各级指标的得分，并分析出同一阶段、不同区域指标的得分与权重的关系；
根据不同阶段指标的得分与权重的关系和/或同一阶段、不同区域指标的得分与权重的关系调整二级、三级和四级指标的权重，包括：
指标权重集合有n个权重，
Ωω＝{ω1，ω2，…ωi，…ωn} (2)
假设在此前得出有N套权重方案，通过离散化处理得到权重的期望值，
式(3)中，ωi,j表示第j套权重方案的第i个权重，
利用偏差系数法对权重的期望值进行进一步修正，计算每套权重方案中各个权重样本的偏差系数，
式(4)中，ci,j指第j套权重方案的第i个权重的偏差系数；
计算每套权重方案中各个权重的修正值，
式(5)中，ωe,i表示第i个权重的修正值，从而得到在后续指标计算过程中的修正权重集，
Ωe,ω＝{ωe,1,ωe,2,…ωe,i,…ωe,n} (6)
表11 A、B、C、D四省示范工程项目二级指标权重与项目成熟度总得分
权重 技术水平 产业配套 投入产出效益 项目成熟度总分
A省 0.3483 0.2866 0.3651 0.6494
B省 0.3488 0.2833 0.3679 0.6876
C省 0.3502 0.2842 0.3656 0.7235
D省 0.3492 0.2877 0.3631 0.6904
由表11可以得出，当技术水平得分较高时，若其权重较大，则项目成熟度总得分也较大，成线性相关。投入产出效益对项目成熟度总分的贡献率最大，但由于该二级指标得分较另外两个低，故项目成熟度总分与该指标权重并不成正相关。
在进行区域外推时，采用上述方法调整E省即将完工的示范工程二级指标权重如表12
表12 E省即将完工的示范工程二级指标的调整权重
二级指标 技术水平 产业配套 投入产出效益
权重 0.3491 0.2855 0.3654
5-2、根据步骤四得到的一级指标的得分、二级指标的得分和三级指标的得分并基于GM(1,1)模型进行相关指标数据预测；
采用GM(1,1)建模理论预测下一次的指标变化趋势，设某一指标在一段时间内的历史数据为X(0)，历史数据序列为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(M)}k＝1,2,…,M (7)
式(7)中，M为指标历史数据值的个数，X(0)(k)为非负序列；
5-2-1、指标历史数据的预处理
首先，对历史数据序列构造一个弱化缓冲算子，然后对历史数据序列进行一次累加，进行灰数生成，得到生成序列：
X(1)(k)＝{x(1)(1),x(1)(2),…,x(1)(M)} (8)
式(8)中，
5-2-2、计算指标预测模型GM(1,1)参数
x(1)(k)的GM(1,1)模型白化形式的微分方程为：
式(9)中，a和u为待定参数；将式(9)离散化，得：
Δ(1)(x(1)(k+1))+az(1)(k+1)＝u (10)
式(10)中：
Δ(1)(x(1)(k+1))＝x(1)(k+1)-x(1)(k)＝x(0)(k+1) (11)
将式(11)和式(12)代入式(10)，得到：
将式(13)展开：
令而为待辨识参数向量；a是发展系数，反映指标的发展趋势，u为灰色作用量，它反映变量的变化关系；参数向量可用最小二乘法求取，即：
把上述求得的参数Φ代入(9)，求出离散解为：
还原原始数据即为预测的相关指标数据：
近几年，我国高度重视电动汽车的发展，在2011年3月出台的“十二五”规划纲要中，把新能源汽车列为战略性新兴产业之一，提出要重点发展插电式混合动力汽车、纯电动汽车和燃料电池汽车技术，开展插电式混合动力汽车、纯电动汽车研发及大规模商业化示范工程，推进产业化应用。未来中国电动汽车将迎来新一轮的高速发展。已知某地区2009-2013年的电动汽车数量如表13，以此预测2014年的电动汽车数量。
表13某地区2009-2013年的电动汽车数量
年份 2009 2010 2011 2012 2013
电动汽车数量(万辆) 2.91 3.90 4.89 6.10 7.52
采用GM(1,1)模型预测2014年电动汽车数量为9.30万辆，而实际该地区2014年电动汽车数量为9.26万辆，误差为4.3％。误差合理，故该方法有效。
5-3、一级指标得分不确定性的分析
当只知道四级指标数据的分布类型时，根据四级指标的半不变量和四级指标与其所属于的一级指标的函数对应关系求得一级指标的半不变量，采用Gram-Charlier级数展开式求得一级指标得分的分布，f(x)为一级指标的得分的概率密度函数，F(x)为累积分布函数，则：
式(18)和式(19)中，为标准正态分布的概率密度函数；Φ(x)为标准正态分布的累积分布函数；表示的n阶导数，Φ(n)(x)表示Φ(x)的n阶导数，Ci为多项式；根据分布函数判断特定区间的置信水平，确定一级指标的置信率。
智能电网中存在诸多不确定因素，如负荷、发电以及人为因素，电网中的客观信息不确定性，依赖于对政治、经济、环保政策等各方面发展的相关因素众多，因此蕴含着不确定性因素也较多，电力市场化改革更是大大增加了这种不确定性，这些都会导致项目成熟度评估结果的不确定性，在评估某示范工程项目时，由于技术体系功能完整比例、项目投资回报率、单位收益对当地GDP的贡献率、单位收益对当地就业的促进率四个四级指标数据的不确定性，各自服从于一定值的正态分布，应用Gram-Charlier级数展开式求得项目成熟度评估指标体系得分的分布函数，得出分布函数在得分期望的±0.01分误差波动范围内的置信率为99.6％，故认为项目成熟度评估指标体系得分可信。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (4)

1.一种坚强智能电网的综合评估方法，其特征在于，步骤如下：
步骤一、构建坚强智能电网评估体系，该坚强智能电网评估体系由技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系构成，所述技术成熟度评估指标体系、项目成熟度评估指标体系、区域智能化评估指标体系均为一级指标；每个一级指标又分别包括三层下级指标；建立一包括上述所有各级指标的指标数据库；
步骤二、运用极值化处理方法，对指标数据库中的四级指标进行归一化处理；
步骤三、对二级指标、三级指标和步骤二归一化后的四级指标采用序关系法进行权重确定；
步骤四：利用下述公式对经过步骤三权重确定后的四级指标进行综合评估，从而得到三级指标的得分：
<mrow> <mi>f</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <msubsup> <mi>x</mi> <mi>i</mi> <mo>*</mo> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
公式(1)中，表示四级指标的第i个指标归一化后的数据，ωi表示四级指标的第i个指标的权重；
以此类推，利用上述公式层层向上依次对经过步骤三权重确定后的三级指标和二级指标进行综合评估，在此过程中，公式(1)中的分别用三级指标、二级指标的第i个指标归一化后的数据来替换，ωi分别用三级指标、二级指标的第i个指标的权重来替换；从而得到二级指标的得分和一级指标的得分；
步骤五、指标权重的调整、相关指标的预测、一级指标得分不确定性的分析；
5-1、指标权重的调整：
进行时间与空间维度的外推，所谓时间维度的外推是指在每一阶段都按照上述步骤二至步骤四对同一坚强智能电网进行综合评估，得到每一阶段的各级指标的得分，并分析出不同阶段指标的得分与权重的关系；所谓空间维度的外推是指按照上述步骤二至步骤四对同一阶段内对不同区域的坚强智能电网进行综合评估，得到同一阶段、不同区域的各级指标的得分，并分析出同一阶段、不同区域指标的得分与权重的关系；
根据不同阶段指标的得分与权重的关系和/或同一阶段、不同区域指标的得分与权重的关系调整二级、三级和四级指标的权重，包括：
指标权重集合有n个权重，
Ωω＝{ω1，ω2，…ωi，…ωn} (2)
假设在此前得出有N套权重方案，通过离散化处理得到权重的期望值，
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mover> <mi>&amp;Omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>&amp;omega;</mi> </msub> <mo>=</mo> <mrow> <mo>{</mo> <mrow> <msub> <mover> <mi>&amp;omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mn>1</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mover> <mi>&amp;omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mover> <mi>&amp;omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>n</mi> </msub> </mrow> <mo>}</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mover> <mi>&amp;omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式(3)中，ωi,j表示第j套权重方案的第i个权重，
利用偏差系数法对权重的期望值进行进一步修正，计算每套权重方案中各个权重样本的偏差系数，
<mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>&amp;omega;</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>|</mo> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
式(4)中，ci,j指第j套权重方案的第i个权重的偏差系数；
计算每套权重方案中各个权重的修正值，
<mrow> <msub> <mi>&amp;omega;</mi> <mrow> <mi>e</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式(5)中，ωe,i表示第i个权重的修正值，从而得到在后续指标计算过程中的修正权重集，
Ωe,ω＝{ωe,1,ωe,2,…ωe,i,…ωe,n} (6)
5-2、根据步骤四得到的一级指标的得分、二级指标的得分和三级指标的得分并基于GM(1,1)模型进行相关指标数据预测；
采用GM(1,1)建模理论预测下一次的指标变化趋势，设某一指标在一段时间内的历史数据为X(0)，历史数据序列为：
X(0)(k)＝{x(0)(1),x(0)(2),…,x(0)(M)}k＝1,2,…,M (7)
式(7)中，M为指标历史数据值的个数，X(0)(k)为非负序列；
5-2-1、指标历史数据的预处理
首先，对历史数据序列构造一个弱化缓冲算子，然后对历史数据序列进行一次累加，进行灰数生成，得到生成序列：
X(1)(k)＝{x(1)(1),x(1)(2),…,x(1)(M)} (8)
式(8)中，
5-2-2、计算指标预测模型GM(1,1)参数
x(1)(k)的GM(1,1)模型白化形式的微分方程为：
式(9)中，a和u为待定参数；将式(9)离散化，得：
Δ(1)(x(1)(k+1))+az(1)(k+1)＝u (10)
式(10)中：
Δ(1)(x(1)(k+1))＝x(1)(k+1)-x(1)(k)＝x(0)(k+1) (11)
<mrow> <msup> <mi>z</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>+</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
将式(11)和式(12)代入式(10)，得到：
<mrow> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>+</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>+</mo> <mi>u</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
将式(13)展开：
令而为待辨识参数向量；a是发展系数，反映指标的发展趋势，u为灰色作用量，它反映变量的变化关系；参数向量可用最小二乘法求取，即：
<mrow> <mi>&amp;Phi;</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>a</mi> </mtd> </mtr> <mtr> <mtd> <mi>u</mi> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>B</mi> <mi>T</mi> </msup> <mi>B</mi> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>B</mi> <mi>T</mi> </msup> <mi>Y</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
把上述求得的参数Φ代入(9)，求出离散解为：
<mrow> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>&amp;rsqb;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> <mo>+</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
还原原始数据即为预测的相关指标数据：
<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>u</mi> <mi>a</mi> </mfrac> <mo>&amp;rsqb;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>a</mi> <mi>k</mi> </mrow> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
5-3、一级指标得分不确定性的分析
当只知道四级指标数据的分布类型时，根据四级指标的半不变量和四级指标与其所属于的一级指标的函数对应关系求得一级指标的半不变量，采用Gram-Charlier级数展开式求得一级指标得分的分布，f(x)为一级指标的得分的概率密度函数，F(x)为累积分布函数，则：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </munderover> <mfrac> <msub> <mi>C</mi> <mi>i</mi> </msub> <mrow> <mi>i</mi> <mo>!</mo> </mrow> </mfrac> <msup> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>1</mn> </msub> <msup> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>!</mo> </mrow> </mfrac> <mo>+</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>2</mn> </msub> <msup> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>2</mn> <mo>!</mo> </mrow> </mfrac> <mo>+</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>3</mn> </msub> <msup> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>3</mn> <mo>!</mo> </mrow> </mfrac> <mo>+</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>4</mn> </msub> <msup> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>4</mn> <mo>!</mo> </mrow> </mfrac> <mo>+</mo> <mn>...</mn> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>
式(18)和式(19)中，为标准正态分布的概率密度函数；Φ(x)为标准正态分布的累积分布函数；表示的n阶导数，Φ(n)(x)表示Φ(x)的n阶导数，Ci为多项式；根据分布函数判断特定区间的置信水平，确定一级指标的置信率。
2.根据权利要求1所述一种坚强智能电网的综合评估方法，其特征在于，所述技术成熟度评估指标体系的内容如下：
3.根据权利要求1所述一种坚强智能电网的综合评估方法，其特征在于，所述项目成熟度评估指标体系的内容如下：
4.根据权利要求1所述一种坚强智能电网的综合评估方法，其特征在于，所述区域智能化评估指标体系的内容如下：
CN201510493665.5A 2015-08-12 2015-08-12 一种坚强智能电网的综合评估方法 Expired - Fee Related CN105005878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510493665.5A CN105005878B (zh) 2015-08-12 2015-08-12 一种坚强智能电网的综合评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510493665.5A CN105005878B (zh) 2015-08-12 2015-08-12 一种坚强智能电网的综合评估方法

Publications (2)

Publication Number Publication Date
CN105005878A CN105005878A (zh) 2015-10-28
CN105005878B true CN105005878B (zh) 2018-05-25

Family

ID=54378541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510493665.5A Expired - Fee Related CN105005878B (zh) 2015-08-12 2015-08-12 一种坚强智能电网的综合评估方法

Country Status (1)

Country Link
CN (1) CN105005878B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590211B (zh) * 2017-08-25 2020-10-30 国网信通亿力科技有限责任公司 智能电网信息系统
CN107730076B (zh) * 2017-09-12 2021-06-29 国网能源研究院有限公司 一种区域配电网设备综合利用效率分析方法
CN109559012A (zh) * 2018-10-18 2019-04-02 国网山东省电力公司经济技术研究院 一种风电并网条件下电网规划方案综合评价方法
CN110097276B (zh) * 2019-04-25 2021-06-08 湖南大学 电网多重风险变量综合评价方法及系统
CN111353692B (zh) * 2020-02-19 2023-07-14 浙江中智达科技有限公司 一种工业装置的评估方法及系统
CN112700158B (zh) * 2021-01-07 2022-06-10 中国科学院空天信息创新研究院 基于多维度模型的算法效能评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247008A (zh) * 2013-05-07 2013-08-14 国家电网公司 一种电力统计指标数据的质量评估方法
CN103489035A (zh) * 2012-06-14 2014-01-01 西安元朔科技有限公司 基于灰色加权关联分析算法的电网电能质量综合评价方法
CN103606109A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于评估对象的电网运行安全风险综合评估方法
CN103679544A (zh) * 2012-11-27 2014-03-26 江苏省电力公司南京供电公司 一种智能配电网运行综合评估方法
CN103903196A (zh) * 2014-04-24 2014-07-02 中国南方电网有限责任公司 一种考虑设备老化因素的电网调度运行实时风险评估方法
CN104156817A (zh) * 2014-08-07 2014-11-19 国家电网公司 一种电网综合评估体系智能生成系统及方法
CN104537428A (zh) * 2014-12-05 2015-04-22 天津大学 一种计及风电接入不确定性的经济运行评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489035A (zh) * 2012-06-14 2014-01-01 西安元朔科技有限公司 基于灰色加权关联分析算法的电网电能质量综合评价方法
CN103679544A (zh) * 2012-11-27 2014-03-26 江苏省电力公司南京供电公司 一种智能配电网运行综合评估方法
CN103247008A (zh) * 2013-05-07 2013-08-14 国家电网公司 一种电力统计指标数据的质量评估方法
CN103606109A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于评估对象的电网运行安全风险综合评估方法
CN103903196A (zh) * 2014-04-24 2014-07-02 中国南方电网有限责任公司 一种考虑设备老化因素的电网调度运行实时风险评估方法
CN104156817A (zh) * 2014-08-07 2014-11-19 国家电网公司 一种电网综合评估体系智能生成系统及方法
CN104537428A (zh) * 2014-12-05 2015-04-22 天津大学 一种计及风电接入不确定性的经济运行评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
坚强智能电网技术标准体系研究框架;王益民;《坚强智能电网技术标准体系研究框架》;20101125;第34卷(第22期);第1-5页 *
基于技术成熟度理论的智能输电网多阶段投资决策模型;熊浩清 等;《电网技术》;20110731;第35卷(第7期);第1-5页 *

Also Published As

Publication number Publication date
CN105005878A (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
CN105005878B (zh) 一种坚强智能电网的综合评估方法
Li et al. Using enhanced crow search algorithm optimization-extreme learning machine model to forecast short-term wind power
CN108551167B (zh) 一种基于XGBoost算法的电力系统暂态稳定判别方法
CN103268420B (zh) 一种岩石高边坡的危险性评价方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN106022614A (zh) 一种基于最近邻聚类的神经网络数据挖掘方法
CN109190283A (zh) 一种考虑高湍流自由来流效应的风力机翼型气动优化方法
CN104200032B (zh) 广义负荷建模中基于时段性的横向时间轴聚类方法
CN104318482A (zh) 一套智能配电网综合评估体系和方法
CN106778846A (zh) 一种基于支持向量机的风电场风速预测方法
CN105320809A (zh) 一种针对风电场空间相关性的风速预测方法
CN104123678A (zh) 一种基于状态等级评估模型的电力继电保护状态检修方法
CN109272258B (zh) 基于K-means聚类的区域风光发电资源评估方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN105825002A (zh) 一种基于动态灰关联分析法的风电场动态等值建模方法
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
CN110705887A (zh) 一种基于神经网络模型的低压台区运行状态综合评价方法
CN103530700B (zh) 城区配电网饱和负荷综合预测方法
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
CN109034475A (zh) 一种改进的变电站工程造价预测方法
CN105005708A (zh) 一种基于ap聚类算法的广义负荷特性聚类方法
CN106600055A (zh) 一种基于自激励门限自回归模型的风速预测方法
CN109066819A (zh) 一种基于案件推理的配电网的无功优化方法
Hou et al. Spatial distribution assessment of power outage under typhoon disasters
Asadi et al. A global evaluation model applied to wind power plant site selection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180525

Termination date: 20190812

CF01 Termination of patent right due to non-payment of annual fee