CN106651631A - 一种基于激励惩罚机制的电网指标综合评价方法 - Google Patents

Abstract

本发明属于电网综合评价技术领域，尤其涉及一种基于激励惩罚机制的电网指标综合评价方法，包括如下步骤：S1.初选电网评估的关键指标；S2.基于所述关键指标，建立激励惩罚评价模型；S3.计算各指标的综合评价值，建立电网综合评价模型。本方法考虑了不同区域在同一时间内的横向比较、同一区域在不同时间段的纵向比较以及不同区域、指标、时间三维上对电网的电能质量进行时序动态评价，将系统的历史运行状况及其波动情况充分反映到评价结果中。

Description

一种基于激励惩罚机制的电网指标综合评价方法

技术领域

本发明属于电网综合评价技术领域，尤其涉及一种基于激励惩罚机制的电网指标综合评价方法。

背景技术

现有对电网指标的评价主要是静态的，主要是标准值评价法，而且是针对某方面的，如对电网的电能质量、低碳效益、经济效益等的评价。上述评价方法的主要缺陷是：只将静态综合评价值与标准值进行比较，没有结合实际考虑评价对象的整体发展状况。

发明内容

针对上述问题，本发明提出一种基于激励惩罚机制的指标综合评价方法，适用于电网各方面的指标，并且在评价电网指标的过程中引入激励惩罚因子，综合考虑了评价对象的历史数据以及未来发展情况，可以对电网评价对象的整体发展情况进行控制，本方法进一步考虑了不同区域在同一时间内的横向比较、同一区域在不同时间段的纵向比较以及不同区域、指标、时间三维上对电网的电能质量进行时序动态评价，将系统的历史运行状况及其波动情况充分反映到评价结果中。该方法具体为：

一种基于激励惩罚机制的电网指标综合评价方法，包括如下步骤：

S1.初选电网评估的关键指标；

S2.基于所述关键指标，建立激励惩罚评价模型；

S3.计算各指标的综合评价值，建立电网综合评价模型。

优选的，所述步骤S1具体包括：

S1-1.基于电网效益的实现路径，分别在发电侧、电网侧、用电侧筛选出能够影响电网效益的关键因素；

S1-2.基于结构熵-因子分析的方法优化所述关键指标。

优选的，所述步骤S2具体包括：

S2-1.对所述关键指标进行一致化处理；

S2-2.建立各关键指标激励惩罚控制方程；

S2-3.确定关键指标动态信息采集方式。

优选的，所述步骤S3具体包括：

S3-1.计算各关键指标在各时间段内带激励惩罚的综合评价值；

S3-2.计算各评价对象在时间序列上的动态综合综合评价值；

S3-3.基于激励惩罚的综合评价值和动态综合综合评价值建立电网综合评价模型。

优选的，所述步骤S1-2具体包括：

1)采集评价者意见，形成典型排序矩阵；

2)将所述典型排序矩阵转化为结构熵矩阵；

3)计算评价者关于指标的平均认识度；

4)进行因子分析，形成因子载荷矩阵，对结构熵矩阵进行标准化处理，形成各初选指标的标准化数据；

5)根据各因子对总方差的解释程度，判断公因子的个数，并根据因子载荷矩阵，判断各指标的最大因子载荷，以对初选关键指标进行调整与优化；

6)将优化前后的因子载荷矩阵进行标准化处理，并对优化前后的数据进行组合信度和平均变异数抽取量检验，以确定电网效益评价的关键指标。

本发明的有益效果在于：

本方法考虑了不同区域在同一时间内的横向比较、同一区域在不同时间段的纵向比较以及不同区域、指标、时间三维上对电网的电能质量进行时序动态评价，将系统的历史运行状况及其波动情况充分反映到评价结果中。

附图说明

图1是本发明实施例的方法流程图；

图2是指标动态集结方式图。

具体实施方式

下面结合附图，对实施例作详细说明。

实施例1

如图1所示，本发明的基于激励惩罚机制的指标综合评价方法的具体步骤如下：

S1.电网评估关键指标初选。又包括以下步骤：

S1-1.基于电网效益的实现路径，分别在发电侧，电网侧，用电侧筛选出能够影响电网效益的关键因素；

根据发电侧、电网侧、用电侧各环节促进电网发展的核心贡献点，选取一系列指标。

运用主成分分析法初步筛选出关键指标。

假设共有p个指标，分别用X₁，X₂，……，X_p表示，这p个指标构成的p维随机向量为X＝(X₁，X₂…X_p)^t,设随机向量X的均值为μ，协方差矩阵为Σ。假设X是以n个标量随机变量组成的列向量，并且μ_k是其第k个元素的期望值，即，μ_k＝Ε(X_k)，协方差矩阵然后被定义为：

对X进行线性变化，考虑原始变量的线性组合：

主成分是不相关的线性组合Z₁，Z₂，……，Z_p,并且Z₁是X₁，X₂，……，X_p的线性组合中方差最大者，Z₂是与Z₁不相关的线性组合中方差最大者，……，Z_p是与Z₁，Z₂……Z_p-1都不相关的线性组合中方差最大者。

S1-2.基于结构熵-因子分析的关键指标选取优化；

建立电网效益关键指标选取的优化模型：

1)采集评价者意见，形成“典型排序矩阵”。确定评价者范围，根据指标的历史情况，向评价者征询选取的意见。评价者判断给定指标对电网效益的影响程度，并对指标进行排序。形成初选关键指标的评价意见“典型排序”。

2)将“典型排序矩阵”转化成“结构熵矩阵”。由于不同评价者对指标选取有不同的看法，因此各种评价意见生产的“典型排序矩阵”往往会因为数据“噪声”使得评价结果存在潜在偏差和不确定性。为消除这种不确定性，需要对“典型排序矩阵”进行降噪处理，将其转化为“结构熵矩阵”。设有k位评价者参加调查，回收的调查表有k张，则每张调查表对应一个指标集，记为U＝{u₁,u₂,……，u_n}。该指标集对应的“典型排序”数据记作{a_i1,a_i2,……,a_in}。由k张调查表获得的指标排序矩阵称为评价意见的“典型排序矩阵”，记为A＝{a_ij}k×n，其中a_ij表示第i个评价者对第j个指标的评价，i＝1,2，……，k；j＝1,2,……，n。基于熵理论构建结构熵模型，标准的熵模型如下所示。

x(I)＝-λp_n(I)lnp_n(I) (1)

式中，令取

代入得

化简为

两边同除令

则结构熵模型为

式中，为a_ij对应的隶属函数值，I，m为转化参数量，根据结构熵理论，令I＝q+1，m＝q+2，则

其中，q为评价者对给定指标的排序数。对电网效益影响越大的指标，其排序数越靠前；反之则越靠后。如果某位评价者认为指标a_ij对电网效益“影响显著”，则q取值为1；如果认为是“影响较大”，则q取值为2，以此类推，由公式(5)和(6)得到：

将“典型排序矩阵”中的a_ij代入(7)中，得到a_ij的结构熵值b_ij(b_ij＝μ(a_ij)),由此形成“结构熵矩阵”，记为B＝(b_ij)k×n。

3)设k个评价者对指标μ_j的排序结果同等重要，则对k个评价者关于指标的平均认识度进行计算，记作b_j，如式：

b_j＝(b_1j+b_2j+……+b_kj)/k (8)

设k个评价者对指标由认知产生的不确定性(也称“认识盲度”)进行计算，记作Q_j，如式(9)，显然Q_j≥0。

Q_j＝|{|max(b_1j,b_2j,……,b_kj)-b_j|+|min(b_1j,b_2j,……,b_kj)-b_j|}/2 (9)

根据k个评价者对指标uj的平均认识和认识盲度，计算k个评价者对指标μ_j的整体认识度(也称为“一致看法”)，记作x_j，如式(10)。由x_j可形成全体评价者对给定指标选取的总体认识度，记作X，则X＝(x₁,x₂,……，x_n)。根据总体认识度，对初选的关键指标进行排序并初步判断各指标的合理性。

x_j＝b_j(1-Q_j),x_j＞0 (10)

4)进行因子分析，形成因子载荷矩阵，对结构熵矩阵进行标准化处理，形成各初选指标的标准化数据。运用SPSS软件对标准化数据进行因子分析，得到各因子对总方差的解释程度以及因子载荷矩阵。

5)根据各因子对总方差的解释程度，判断公因子的个数。在此基础上，根据因子载荷矩阵，判断各指标的最大因子载荷，以此对初选关键指标进行调整与优化。根据统计学定义，某指标的最大因子载荷所对应的公因子即为该指标所属公因子。若指标的最大因子载荷小于0.040，表明该指标所属公因子的影响不明显，应删除；反之则应保留。

6)将优化前后的因子载荷矩阵进行标准化处理，运用AMOS结构方程模型软件分别对优化前后的数据进行组合信度(CR)和平均变异数抽取量(AVE)检验，以此判断初选指标调整的合理性。据此，最终确定电网效益评价的关键指标体系。

S2.激励惩罚评价模型。又包括以下步骤：

S2-1.指标的一致化处理；

假设某地区电网内有S个评价对象，其M项评价指标在时间序列t_k(k＝1,2,……，N)上具有三维时序动态监测数据表[a_ij(t_k)](i表示第i个评价对象，i＝1,2，……，S；j表示第j项指标，j＝1,2,……，M)，则对于极大型和极小型指标可通过式(11)和式(12)分别进行监测数据一致化处理。

式中，x_ij(t_k)为经过一致化处理的监测数据；和分别为对时间序列t_k上的测量数据求取最大值和最小值；和分别为对第i个评价对象的测量数据求取最大值和最小值。

由此得到标幺化处理的包含指标动态信息的指标监测数据x_ij(t_k)。

S2-2.确定各指标激励惩罚控制方程；

建立的激励惩罚控制方程为：

当上标为“+”时，式(13)表示激励方程，为“-”时表示惩罚方程。时间变量t∈(t₁,t₂,……，t_N)，对应评价时间序列。初始值b一般为具有较强解释性的关键点，一般取平均值。

设r_{j_max}，r_{j_min}，r_{j_ave}分别为第j项指标的最大增长率，最小增长率以及平均增长率，其计算公式为：

则激励、惩罚控制方程的斜率计算公式为：

S2-2.指标动态信息集结方式；

假定指标在时间序列上的状态变换是均匀变化的，即在(t_k，t_k+1)时间段内指标值x_ij(t_k)和x_ij(t_k+1)之间的连线可以看成是该指标的发展轨迹，如图2所示。

图2中，粗实线表示指标发展轨迹，则第i个评价对象第j项指标在内固有评价值可用如下积分方程计算：

当指标值低于激励控制线时，说明该时刻评价指标质量低于评价时间序列内的平均水平，评价过程中应当“奖励”，即增大其评价值；当指标值高于惩罚控制线时，说明该时刻评价指标质量高于评价时间序列内的平均水平，评价过程中应当“惩罚”，即减小其评价值。以图2为例，若指标发展轨迹与激励、惩罚控制线分别交于t_inc和t_pum，设指标带激励和惩罚的评价值分别为(t_k，t_k+1)时间段内其计算公式为：

则每项指标在时间段(t_k，t_k+1)内带激励惩罚的综合评价值为：

式中：u⁺和u^-分别为激励、惩罚因子(u⁺，u^->0)，由式(19)的2个约束条件确定。

S3.电网综合评价模型。又包括以下步骤：

S3-1.计算指标在各时间段内带激励惩罚的综合评价值；

对于时序立体数据表支持的综合评价问题，即时序动态综合评价，可用下式表达：

式中：τ_k为时间因子，通常取{τ_k}为递增型的序列(如令τ_k＝e^k/2N)，体现“厚古薄今”的思想，若无特定的要求也可不考虑时间偏好，即令τ_k＝1。

实施例2

(1)基于激励惩罚的动态评价方法对12个省市在2010-2016年的供电发展状况进行动态评价与分析，经步骤S1，选择了四大指标(电网预测准确率、负荷预测准确率、负荷估算准确率、年度投资计划完成率)。然后对每个指标进行一致化处理，处理后的指标如表1所示。

省份	2010年	2011年	2012年	2013年	2014年	2015年	2016年
								A	3.881	3.935	3.634	3.614	3.057	3.913	2.675
B	5.552	5.334	4.919	5.352	5.694	5.281	5.013
								C	4.230	4.474	4.919	4.324	5.000	4.457	4.216
D	10.000	10.000	10.000	10.000	10.000	10.000	10.000
								E	2.854	2.247	2.333	2.421	2.785	2.892	2.993
F	3.015	3.287	3.241	2.935	2.976	2.979	3.484
								G	0.000	0.000	0.000	0.000	0.000	0.000	0.000
H	7.278	6.827	6.541	6.669	6.687	6.595	6.901
								I	2.172	2.996	2.759	2.459	2.513	2.534	2.205
J	0.385	0.496	0.466	0.487	0.496	0.410	0.309
								K	0.766	0.726	0.624	0.592	0.765	0.795	0.800
L	3.075	2.851	2.709	2.493	2.640	2.643	2.536

表一12省市在2010-2016年的x_ij(t_k)

(2)根据步骤S2，算出被评对象最大增长率、最小增长率和平均增长率为：r_{j_max}＝0.0782，r_{j_min}＝-0.0898，r_{j_ave}＝-0.0288。

(3)征求有关专家意见后，取优劣势方程斜率修正系数v⁺＝v^-＝0.5，则激励、惩罚控制方程的斜率为k⁺＝0.0247，k-＝-0.0593。故激励、惩罚控制方程为:

(4)根据激励、惩罚控制方程，可算出方程与指标连线的交点，进而算出激励、惩罚因子为u⁺＝0.4985，u^-＝0.5015。

(5)则在各时间段内带激励惩罚的综合评价值为：

表二各时间段内的

(6)此时，综合各个时刻，易得到第i个被评对象在N个时刻带激励惩罚的总动态综合评价值和排名：

省份	yi	排序	省份	yi	排序
						A	43.60121	4	G	0	12
B	64.44934	3	H	71.73313	1
						C	31.14003	5	I	18.1693	7
D	70	2	J	3.091837	11
						E	4.389038	10	K	4.72849	9
F	17.258	8	L	30.3368	6

表三12省市带激励惩罚评价结果信息表

其中，时间因子τ_k＝1。由此可见，各省份的排序结果为：H、D、B、A、C、L、I、F、K、E、J、G。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于激励惩罚机制的电网指标综合评价方法，其特征在于，包括如下步骤：

S1.初选电网评估的关键指标；

S2.基于所述关键指标，建立激励惩罚评价模型；

S3.计算各指标的综合评价值，建立电网综合评价模型。

2.根据权利要求1所述方法，其特征在于，所述步骤S1具体包括：

S1-1.基于电网效益的实现路径，分别在发电侧、电网侧、用电侧筛选出能够影响电网效益的关键因素；

S1-2.基于结构熵-因子分析的方法优化所述关键指标。

3.根据权利要求1所述方法，其特征在于，所述步骤S2具体包括：

S2-1.对所述关键指标进行一致化处理；

S2-2.建立各关键指标激励惩罚控制方程；

S2-3.确定关键指标动态信息采集方式。

4.根据权利要求1所述方法，其特征在于，所述步骤S3具体包括：

S3-1.计算各关键指标在各时间段内带激励惩罚的综合评价值；

S3-2.计算各评价对象在时间序列上的动态综合综合评价值；

S3-3.基于激励惩罚的综合评价值和动态综合综合评价值建立电网综合评价模型。

5.根据权利要求2所述方法，其特征在于，所述步骤S1-2具体包括：

1)采集评价者意见，形成典型排序矩阵；

2)将所述典型排序矩阵转化为结构熵矩阵；

3)计算评价者关于指标的平均认识度；

4)进行因子分析，形成因子载荷矩阵，对结构熵矩阵进行标准化处理，形成各初选指标的标准化数据；

5)根据各因子对总方差的解释程度，判断公因子的个数，并根据因子载荷矩阵，判断各指标的最大因子载荷，以对初选关键指标进行调整与优化；

6)将优化前后的因子载荷矩阵进行标准化处理，并对优化前后的数据进行组合信度和平均变异数抽取量检验，以确定电网效益评价的关键指标。