CN105389624A - 一种智能配用电动态评价方法 - Google Patents

Abstract

本发明涉及一种智能配用电动态评价方法，其技术特点是包括以下步骤：步骤1、建立配用电指标模型；步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数据形式；步骤3、采用熵权法对指标进行评价；步骤4、采用SVM法对指标进行动态预测分析。本发明通过对智能电网配用电侧在节能减排方面取得的效益而提出一种符合低碳能源政策的动态评价方法来适应智能配用电系统的发展过程，一方面可以反映智能电网配用电侧的相关指标的发展水平，另一个方面可以研究在今后一定时间范围内各个指标的发展规律，有利于制定相关政策来推动智能配用电系统向低碳化方向发展。

Description

一种智能配用电动态评价方法

技术领域

本发明属于智能电网评价技术领域，特别涉及一种智能配用电动态评价方法。

背景技术

在当今世界，为了应对全球气候变化，实现经济、能源以及环境的可持续发展的核心战略，发展低碳经济、构建低碳化社会已经成为各国的共识。

目前，分析智能配电网的清洁性对促进电力系统低能耗、低排放具有重要意义，因此，研究智能电网配电侧的节能指标具有一定的意义。另外，随着智能电表的普及以及电动汽车的减排量比重的增多，研究用户侧的节能指标也具有现实意义。

现代电力的高速发展，带动了大量化石燃料的消耗。虽然电网不直接进行碳的排放，但是电网在我国发展低碳化浪潮中有着举足轻重的作用。电网中配电侧和用电侧对自身的技术、机制、管理层面的创新，对带动电网低碳化发展具有重大意义。电力行业作为碳排放的大户，承担着巨大的减排压力和低碳化改革的压力，同时也是推动低碳经济发展的主力军。为了响应国家节能减排的号召，带动整个电力行业向低碳化的方向协调有序的发展，有必要建立一种低碳化的智能配用电评价方法。在智能电网配电侧，随着风机、光伏等分布式电源的广泛接入，可再生能源在电力生产和消费环节比例逐渐升高，有力地推动了电网低碳化的进程；在用户侧，智能电表可有效地进行用电管理，减少不必要的浪费，因而，随着智能电表的普及以及电动汽车减排量比重的增多，用户侧的低碳化程度也会随之提高。

目前，虽然众多学者针对智能电网开展了评价指标和评价方法的相关研究。然而，现有的针对智能配用电评价方法的研究和实践主要集中于阐述如何对评价指标进行设计，该评价方法没有体现出各种设计的指标随时间变化的特性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、简单实用且符合低碳能源政策的动态智能配用电评价方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种动态智能配用电评价方法，包括以下步骤：

步骤1、建立配用电指标模型；

步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数据形式；

步骤3、采用熵权法对指标进行评价；

步骤4、采用SVM法对指标进行动态预测分析。

而且，所述步骤1的配用电指标模型包括以下三个指标模型：

(1)分布式电源接入量；

(2)电动汽车减排量；

(3)智能电表普及率。

而且，所述分布式电源接入量指标模型包括：风机接入量指标模型和光伏接入量指标模型。

而且，所述步骤2的具体步骤包括(1)通过一致化处理统一各指标的优化取值方向(2)通过无量纲化处理消除各指标单位和数量级的差异；

而且，所述步骤2是通过求差法或求倒数法统一各指标的优化取值方向并通过标准化方法或归一法消除各指标单位和数量级的差异来实现的。

而且，所述步骤3的具体步骤包括：

(1)形成标准化矩阵；

(2)求影响因子出现的概率；

(3)求各个影响因子输出的熵；

(4)求出各个影响因子的熵权。

而且，所述步骤4的具体步骤包括：

(1)构造SVM估计函数；

(2)求解参数因子；

(3)输出指标预测结果。

而且，所述(1)分布式电源接入量S₁＝P_m+P_DC；

其中，风机接入量

光伏接入量 $P_{DC}=P_{STC}\·\frac{G_A}{G_{STC}}\·\[1+(T_c-T_{STC})C_T\],$

上述表达式中，ρ为空气密度，S为扫掠面积；C_p为功率因数，V为风速；

P_DC为太阳能发电单元实际输出的直流功率、P_STC为太阳能发电单元在标准测试条件下输出的直流功率、G_STC为在标准的测试条件下太阳光辐射度、G_A为实际条件下的太阳光辐射度、T_STC为在标准的测试条件下太阳能发电单元的温度、T_c为电池板的实际温度、C_T为功率温度系数、NOCT为太阳能发电单元在正常运行条件下的温度、T_a为外界环境温度；

所述(2)电动汽车减排量S₂＝N_c·E_c·b_c；

上述表达式中，N_c为电动汽车保有量、E_c为平均每辆电动汽车年用电量、b_c为电动汽车单位用电量的污染气体减排量；

所述(3)智能电表普及率

上述表达式中，I_m为智能电表投资成本、r_m为智能电表单位成本、N_m为供电户数。

而且，所述步骤3的具体步骤包括：

(1)形成标准化矩阵S：

$S={\left(s_{ij}\right)}_{m\×3}=\left[\begin{array}{ccc}{s}_{11}& s_{12}& s_{13}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}\\ s_{m1}& s_{m2}& s_{m3}\end{array}\right]$

上述表达式中，矩阵元素s表示指标S归一化的数值；s_ij表示在第i年第j个指标的值，下标m表示第m年，j的取值为1、2、3。

(2)求影响因子出现的概率P_ij：

$P_{ij}=\frac{s_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{s}_{ij}},i=1,2,...,m;j=1,2,3;$

(3)求第j个影响因子输出的熵E_j：

$E_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\Σ}}{P}_{ij}{\mathrm{lnP}}_{ij},j=1,2,3;$

(4)求出第j个影响因子的熵权Dj：

$D_j=\frac{1-E_j}{n-\underset{j=1}{\overset{n}{\Σ}}{E}_j}$

在上述表达式中，n为标准化矩阵S的列数，由此可知：n＝3。

而且，所述步骤4的具体步骤包括：

设待回归数据集为Z＝{x_iy_i}，i＝1,2,…，n；

上述表达式中，x_i∈Rⁿ，x_i为n维输入量，y_i为n维输出量；Rⁿ为n维空间，n为某年输入指标的个数。

(1)构造SVM估计函数

上述表达式中，w和b是系数、为输入空间到高维特征空间的非线性映射；

其中，w的取值由计算式决定；

上述表达式中，R_SVM(c)为实际风险，c为正规化常数，需预先指定，为经验风险，其中，为ε-与ε相关的不敏感损失系数，为正则化部分，ε为期望最大误差；

(2)求解参数因子w

1)构造拉格朗日函数 $f(x,{\mathrm{\α}}_i,{{\mathrm{\α}}^{*}}_i)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}^{*}}_i)K(x,x_i)+b;$

上述表达式中，K(x,x_i)为核函数，x为该拉格朗日函数的未知变量，α_i和α_i ^*为拉格朗日因子，α_i和α_i ^*满足条件α_i×α^* _i＝0，并且α_i≥0，α^* _i≥0；

即：原问题转为在约束条件和 $\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤c\\ 0\≤{{\mathrm{\α}}^{*}}_i\≤c\end{array}\right.$ 下，求解最大二次型函数 $R({\mathrm{\α}}_i,{{\mathrm{\α}}_i}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i+{{\mathrm{\α}}_i}^{*})+\underset{i=1}{\overset{n}{\Σ}}{d}_i({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_j)K(x_i,x_j);$ 其中，ε为期望最大误差，d_i为核函数K(x_i,x_j)的内部参数。

其中，核函数x_i、x_j是不同的n维输入量，函数表示输入空间到高维特征空间的非线性映射。

由此可计算出拉格朗日因子α_i和α_i ^*；

(2)通过公式计算出参数w；

(3)估计参数因子b

采用库恩-塔克条件，选择出使δ_i＝f(x_i,α_i,α_i ^*)-y_i，唯一被确定的拉格朗日因子α_i和α_i ^*，通过式求出b；上式中δ_i为预测误差，x_i、x_j是不同的n维输入量，n为某年输入指标的个数。

(4)输出指标预测结果。

本发明的优点和积极效果是：

1、本发明通过选取智能电网配电侧和用电侧若干个体现低碳效益的评价指标，运用熵权法对上述指标值确定指标权重，避免主观因素的影响；然后采用支持向量机(SVM)法进行动态预测分析，实现对智能电网配电侧和用户侧的智能配用电动态评价。

2、本发明立足于智能电网配用电侧在节能减排方面取得的效益，通过提出一种符合低碳能源政策的智能配用电动态评价方法来适应智能配用电系统的发展过程，不仅可以反映智能电网配用电侧的相关指标发展水平，而且可以研究在今后一定时间范围内各个指标的发展规律，有利于制定相关政策来推动智能配用电系统向低碳化方向发展。

附图说明

图1是本发明的评价方法的流程图；

图2是本发明的评价方法的详细处理流程图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种智能配用电动态评价方法，如图1和图2所示，包括以下步骤：

步骤1、建立配用电指标模型；

所述步骤1的具体步骤是建立以下三个指标模型：

(1)分布式电源接入量S₁＝P_m+P_DC；

该分布式电源接入量指标模型包括风机接入量指标模型和光伏接入量指标模型；

其中，风机接入量

光伏接入量

上述表达式中，为空气密度，S为扫掠面积；C_p为功率因数，V为风速；

P_DC为太阳能发电单元实际输出的直流功率、P_STC为太阳能发电单元在标准测试条件下输出的直流功率、G_STC为在标准的测试条件下太阳光辐射度，单位为W/m²；G_A为实际条件下的太阳光辐射度、T_STC为在标准的测试条件下太阳能发电单元的温度、通常取25℃，T_c为电池板的实际温度、C_T为功率温度系数，由制作厂商提供；NOCT为太阳能发电单元在正常运行条件下的温度，通常取20℃；T_a为外界环境温度；

(2)电动汽车减排量S₂＝N_c·E_c·b_c

上述表达式中，N_c为电动汽车保有量(万辆)、E_c为平均每辆电动汽车年用电量(kW·h/辆)、b_c为电动汽车单位用电量的污染气体减排量(kg/kW·h)；

(3)智能电表普及率

上述表达式中，I_m为智能电表投资成本(元)、r_m为智能电表单位成本(元/户)、N_m为供电户数。

步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数据形式；

所述步骤2的具体步骤包括：

(1)采用求差法或求倒数法通过一致化处理统一各指标的优化取值方向；

(2)采用标准化方法或归一法通过无量纲化处理消除各指标单位和数量级的差异；

(3)将S₁、S₂、S₃三个指标的数据形式统一，分别记为s₁、s₂、s₃。

步骤3、采用熵权法对指标进行评价；

所述步骤3的具体步骤包括：

设要对m年的的数据进行分析，每年分析的数据包含指标s₁、s₂、s₃；

(1)形成标准化矩阵S：

$S={\left(s_{ij}\right)}_{m\×3}=\left[\begin{array}{ccc}{s}_{11}& s_{12}& s_{13}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}\\ s_{m1}& s_{m2}& s_{m3}\end{array}\right]$

上述表达式中，矩阵元素s表示指标S归一化的数值；s_ij表示在第i年第j个指标的值，下标m表示第m年，j的取值为1、2、3。

(2)求影响因子出现的概率P_ij：

$P_{ij}=\frac{s_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{s}_{ij}},i=1,2,...,m;j=1,2,3;$

(3)求第j个影响因子输出的熵E_j：

$E_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\Σ}}{P}_{ij}{\mathrm{lnP}}_{ij},j=1,2,3;$

(4)求出第j个影响因子的熵权Dj：

$D_j=\frac{1-E_j}{n-\underset{j=1}{\overset{n}{\Σ}}{E}_j}$

在上述表达式中，n为标准化矩阵S的列数，由此可知：n＝3

步骤4、采用SVM法对指标进行动态预测分析；

所述步骤4的具体步骤包括：

设待回归数据集为Z＝{x_iy_i}，i＝1,2,…，n；

上述表达式中，x_i∈Rⁿ，x_i为n维输入量，y_i为n维输出量，Rⁿ为n维空间，n为某年输入指标的个数；

(1)构造SVM估计函数

上述表达式中，w和b是系数、为输入空间到高维特征空间的非线性映射；

其中，w的取值由计算式决定；

上述表达式中，R_SVM(c)为实际风险，c为正规化常数，需预先指定，为经验风险，其中，为ε-与ε相关的不敏感损失系数，为为正则化部分，ε为期望最大误差；

(2)求解参数因子w

1)构造拉格朗日函数 $f(x,{\mathrm{\α}}_i,{{\mathrm{\α}}^{*}}_i)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}^{*}}_i)K(x,x_i)+b;$

上述表达式中，K(x,x_i)为核函数，x为该拉格朗日函数的未知变量，α_i和α_i ^*为拉格朗日因子，α_i和α_i ^*满足条件α_i×α^* _i＝0，并且α_i≥0，α^* _i≥0；

即：原问题转为在约束条件和 $\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤c\\ 0\≤{{\mathrm{\α}}^{*}}_i\≤c\end{array}\right.$ 下，求解最大二次型函数 $R({\mathrm{\α}}_i,{{\mathrm{\α}}_i}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i+{{\mathrm{\α}}_i}^{*})+\underset{i=1}{\overset{n}{\Σ}}{d}_i({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_j)K(x_i,x_j);$ 其中，ε为期望最大误差，d_i为核函数K(x_i,x_j)的内部参数。

其中，核函数x_i、x_j是不同的n维输入量，函数表示输入空间到高维特征空间的非线性映射。

由此可计算出拉格朗日因子α_i和α_i ^*；

2)通过公式计算出参数w；

(3)估计参数因子b

采用库恩-塔克条件，选择出使δ_i＝f(x_i,α_i,α_i ^*)-y_i唯一被确定的拉格朗日因子α_i和α_i ^*，通过式求出b；上式中δ_i为预测误差，x_i、x_j是不同的n维输入量，n为某年输入指标的个数。

(4)输出指标预测结果

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (10)

1.一种智能配用电动态评价方法，其特征在于包括以下步骤：

步骤1、建立配用电指标模型；

步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数据形式；

步骤3、采用熵权法对指标进行评价；

步骤4、采用SVM法对指标进行动态预测分析。

2.根据权利要求1所述的一种智能配用电动态评价方法，其特征在于：所述步骤1的配用电指标模型包括以下三个指标模型：

(1)分布式电源接入量；

(2)电动汽车减排量；

(3)智能电表普及率。

3.根据权利要求2所述的一种智能配用电动态评价方法，其特征在于所述分布式电源接入量指标模型包括：风机接入量指标模型和光伏接入量指标模型。

4.根据权利要求1所述的一种智能配用电动态评价方法，其特征在于所述步骤2的具体步骤包括：

(1)通过一致化处理统一各指标的优化取值方向；

(2)通过无量纲化处理消除各指标单位和数量级的差异。

5.根据权利要求4所述的一种智能配用电动态评价方法，其特征在于：所述步骤2是通过求差法或求倒数法统一各指标的优化取值方向并通过标准化方法或归一法消除各指标单位和数量级的差异来实现的。

6.根据权利要求1所述的一种智能配用电动态评价方法，其特征在于:所述步骤3的具体步骤包括：

(1)形成标准化矩阵；

(2)求影响因子出现的概率；

(3)求各个影响因子输出的熵；

(4)求出各个影响因子的熵权。

7.根据权利要求1所述的一种智能配用电动态评价方法，其特征在于所述步骤4的具体步骤包括：

(1)构造SVM估计函数；

(2)求解参数因子；

(3)输出指标预测结果。

8.根据权利要求3所述的一种智能配用电动态评价方法，其特征在于：所述分布式电源接入量S₁＝P_m+P_DC；

其中，风机接入量

光伏接入量 $P_{\mathrm{DC}}=P_{\mathrm{STC}}\·\frac{G_A}{G_{\mathrm{STC}}}\·[1+(T_c-T_{\mathrm{STC}})C_T],$

上述表达式中，ρ为空气密度，S为扫掠面积；C_p为功率因数，V为风速；

P_DC为太阳能发电单元实际输出的直流功率、P_STC为太阳能发电单元在标准测试条件下输出的直流功率、G_STC为在标准的测试条件下太阳光辐射度、G_A为实际条件下的太阳光辐射度、T_STC为在标准的测试条件下太阳能发电单元的温度、T_c为电池板的实际温度、C_T为功率温度系数、NOCT为太阳能发电单元在正常运行条件下的温度、T_a为外界环境温度；

所述电动汽车减排量S₂＝N_c·E_c·b_c；

上述表达式中，N_c为电动汽车保有量、E_c为平均每辆电动汽车年用电量、bc为电动汽车单位用电量的污染气体减排量；

所述智能电表普及率

上述表达式中，I_m为智能电表投资成本、r_m为智能电表单位成本、N_m为供电户数。

9.根据权利要求6所述的一种智能配用电动态评价方法，其特征在于所述步骤3的具体步骤包括：

(1)形成标准化矩阵S：

$S={\left(s_{ij}\right)}_{m\×3}=\left[\begin{array}{ccc}{s}_{11}& s_{12}& s_{13}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}& \begin{array}{c}\·\\ \·\\ \·\end{array}\\ s_{m1}& s_{m2}& s_{m3}\end{array}\right]$

上述表达式中，矩阵元素s表示指标S归一化的数值；s_ij表示在第i年第j个指标的值，下标m表示第m年，j的取值为1、2、3；

(2)求影响因子出现的概率P_ij：

$P_{ij}=\frac{s_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{s}_{ij}},i=1,2,...,m;j=1,2,3;$

(3)求第j个影响因子输出的熵E_j：

$E_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\Σ}}{P}_{ij}{\mathrm{lnP}}_{ij},j=1,2,3;$

(4)求出第j个影响因子的熵权D_j：

$D_j=\frac{1-E_j}{n-\underset{j=1}{\overset{n}{\Σ}}{E}_j}$

在上述表达式中，n为标准化矩阵S的列数，由此可知：n＝3。

10.根据权利要求7所述的一种智能配用电动态评价方法，其特征在于所述步骤4的具体步骤包括：

设待回归数据集为Z＝{x_iy_i}，i＝1,2,…，n；

上述表达式中，x_i∈Rⁿ，x_i为n维输入量，y_i为n维输出量，Rⁿ为n维空间，n为某年输入指标的个数；

(1)构造SVM估计函数

上述表达式中，w和b是系数、为输入空间到高维特征空间的非线性映射；

其中，w的取值由计算式决定；

上述表达式中，R_SVM(c)为实际风险，c为正规化常数，需预先指定，为经验风险，其中，为ε-与ε相关的不敏感损失系数，为正则化部分，ε为期望最大误差；

(2)求解参数因子w

①构造拉格朗日函数 $f(x,{\mathrm{\α}}_i,{{\mathrm{\α}}^{*}}_i)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{{\mathrm{\α}}^{*}}_i)K(x,x_i)+b;$

上述表达式中，K(x,x_i)为核函数，x为该拉格朗日函数的未知变量，α_i和α_i ^*为拉格朗日因子，α_i和α_i ^*满足条件α_i×α^* _i＝0，并且α_i≥0，α^* _i≥0；

即：原问题转为在约束条件和 $\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤c\\ 0\≤{{\mathrm{\α}}^{*}}_i\≤c\end{array}\right.$ 下，求解最大二次型函数 $R({\mathrm{\α}}_i,{{\mathrm{\α}}_i}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i+{{\mathrm{\α}}_i}^{*})+\underset{i=1}{\overset{n}{\Σ}}{d}_i({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_j)K(x_i,x_j);$ 其中，ε为期望最大误差，d_i为核函数K(x_i,x_j)的内部参数；

其中，核函数x_i、x_j是不同的n维输入量，函数表示输入空间到高维特征空间的非线性映射；

由此可计算出拉格朗日因子α_i和α_i ^*；

②通过公式计算出参数w；

(3)估计参数因子b

采用库恩-塔克条件，选择出使δ_i＝f(x_i,α_i,α_i ^*)-y_i唯一被确定的拉格朗日因子α_i和α_i ^*，通过式求出b；

上式中δ_i为预测误差，x_i、x_j是不同的n维输入量，n为某年输入指标的个数；

(4)输出指标预测结果。