CN107180292B - 多维电网智能化发展水平评价方法 - Google Patents
多维电网智能化发展水平评价方法 Download PDFInfo
- Publication number
- CN107180292B CN107180292B CN201610139415.6A CN201610139415A CN107180292B CN 107180292 B CN107180292 B CN 107180292B CN 201610139415 A CN201610139415 A CN 201610139415A CN 107180292 B CN107180292 B CN 107180292B
- Authority
- CN
- China
- Prior art keywords
- index
- value
- weight value
- calculating
- layer evaluation
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 244
- 238000011161 development Methods 0.000 title claims abstract description 60
- 230000000694 effects Effects 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 92
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 20
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000035800 maturation Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011423 initialization method Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 230000003993 interaction Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008093 supporting effect Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009133 cooperative interaction Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种多维电网智能化发展水平评价方法,包括:将当前电网发展阶段中智能电网的发展水平评价指标划分为效果层评价指标及基础层评价指标;将效果层评价指标按多个需求维度进行划分,并计算各需求维度的维度指标权重值;根据各需求维度的子指标计算子指标权重值;根据各维度指标权重值及子指标权重值计算效果层评价结果;根据基础层评价指标与效果层评价指标的灰色关联度计算基础层评价指标的主观权重值;通过熵权法根据基础层评价指标计算基础层评价指标的客观权重值;根据主观权重值及客观权重值计算组合权重值;根据基础层评价指标值及组合权重值计算基础层评价结果;根据效果层评价结果及基础层评价结果计算生成综合评价结果。
Description
技术领域
本发明是关于电网评价技术,具体地,是关于一种基于时空差异性的多维电网智能化发展水平评价方法。
背景技术
电网智能化是指将现代通信与信息技术、计算机网络技术、传感测量技术、智能控制技术与传统物理电网高度集成,是使电网具有感知、记忆、思考、表达及控制能力的建设过程。智能电网建设是实现能源互联网的重要途径,是满足能源优化配置、电网高效传输、用户双向互动需求的重要平台,世界各国根据自身国情的需要对智能电网有不同的理解和发展战略。智能电网发展的迫切性和差异性需要研究一种能够解决时空差异性问题的电网智能化水平评价技术。
国内外对智能电网评价体系和方法已开展了大量研究,相关研究成果包括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价指标体系、美国电科院(EPRI)的智能电网建设评估指标、EnerNex公司的智能电网评价表、欧盟的智能电网收益评估体系。国内智能电网评价体系包括智能电网的评估指标体系、智能电网试点项目评价指标体系、基于战略层及过程层的智能电网评价指标体系和基于组合评价理论的智能电网综合评价体系。现有评价指标体系较全面的梳理了智能电网发展环节和具体内容,并且指标体系不断细化和丰富,评价方法不断优化。但是,现有评价体系和方法存在如下缺陷:
首先,指标体系构建没有对我国智能电网实际发展情况进行深入分析,指标难于量化度量;
其次,智能电网发展是内外部需求作用下的循序渐进的建设过程,对其发展水平开展评价应从基础建设水平、建设效果两个维度出发,现有研究对两个方面有所考虑,但是在评价方法设计中没有挖掘两个维度间的关联关系;
并且,现有的智能电网评价体系中仅能采用一部分指标进行评价,不能实现从发、输、变、配、用、调度、通信、信息平台等环节开展智能电网发展水平评价的需要,且评价中各指标的权重需要大量借助专家的经验,存在不客观性,容易导致评价结果失真。
发明内容
本发明实施例的主要目的在于提供一种多维电网智能化发展水平评价方法,以实现更加全面、客观地评价智能电网发展水平。
为了实现上述目的,本发明实施例提供一种多维电网智能化发展水平评价方法,所述的多维电网智能化发展水平评价方法包括:根据智能电网的基础指标进行需求分析,将当前电网发展阶段中所述智能电网的发展水平评价指标划分为效果层评价指标及基础层评价指标,并分别获取效果层评价指标值及基础层评价指标值;将所述效果层评价指标按多个需求维度进行划分,并通过紧迫性测算公式计算各所述需求维度的维度指标权重值;根据各需求维度的子指标计算子指标权重值;根据各所述维度指标权重值及所述子指标权重值计算效果层评价结果;根据所述基础层评价指标与所述效果层评价指标的灰色关联度计算所述基础层评价指标的主观权重值;通过熵权法根据所述基础层评价指标值计算所述基础层评价指标的客观权重值;根据所述主观权重值及客观权重值计算所述基础层评价指标的组合权重值;根据所述基础层评价指标值及组合权重值计算基础层评价结果;根据所述效果层评价结果及基础层评价结果计算生成综合评价结果。
在一实施例中,上述的通过紧迫性测算公式计算各所述需求维度的维度指标权重值,具体包括:通过紧迫性测算公式计算各所述需求维度的需求紧迫性:
其中,pij表示效果层第i维度对应第j个需求指标的需求紧迫性,rij表示第i维度对应第j个需求指标的当前值,oij表示第i维度对应第j个需求指标的目标值;根据各所述需求维度的需求紧迫性按照以下公式计算各所述需求维度的维度指标权重值:
在一实施例中,上述的根据各需求维度的子指标计算子指标权重值,具体包括:根据各所述需求维度下的二级指标两两之间的预设的重要程度构建二级指标比较矩阵,并根据各所述二级指标下的三级指标两两之间的预设的重要程度构建三级指标比较矩阵;通过层次分析法根据所述三级指标比较矩阵计算所述子指标权重值。
在一实施例中,上述的根据各所述维度指标权重值及所述子指标权重值计算效果层评价结果,具体包括:将各需求维度的子指标值进行标准化处理,生成效果层评价指标标准化值;将所述子指标权重值与所述维度指标权重值相乘计算得到效果层各子指标最终权重值;通过线性加权法根据所述子指标最终权重值及指标标准化值计算所述效果层评价结果。
在一实施例中,上述的根据所述基础层评价指标与所述效果层评价指标的灰色关联度计算所述基础层评价指标的主观权重值,包括:对所述基础层评价指标值进行标准化处理,生成基础层评价指标标准化值;通过灰色关联分析法计算所述基础层评价指标标准化值与所述效果层指标标准化值之间的灰色关联度;对所述灰色关联度及效果层评价指标权重值进行加权归一化处理,生成所述的主观权重值。
在一实施例中,上述的进行标准化处理,具体包括:将所述子指标值或基础层评价指标值划分为:正指标、逆指标及适度指标;对于所述正指标,通过以下公式进行标准化:
对于所述逆指标,通过以下公式进行标准化:
对于所述适度指标,进一步将所述适度指标划分为固定型指标及区间型指标,对于所述固定型指标,通过以下公式进行标准化:
对于所述区间型指标,通过以下公式进行标准化:
其中,yi表示标准化后的指标值,xi表示指标值,α1为适度区间下限,α2为适度区间上限,转换后yi取值范围是[80,100];P为激励系数。
在一实施例中,上述的通过灰色关联分析法计算所述基础层评价指标标准化值与所述效果层指标标准化值之间的灰色关联度,具体包括:步骤a:将所述效果层评价指标作为因变量因素,将所述基础层评价指标作为自变量因素,其中,所述因变量因素构成参考序列X0,所述自变量因素构成比较序列Xi’(i=1,2,…n),根据所述参考序列X0及比较序列Xi’生成变量序列矩阵:
其中,X′i=(x′i(1),x′i(2),…x′i(N))T,i=0,1,2,…,n,N为变量序列的长度;
步骤b:对所述变量序列矩阵进行无量纲化处理,生成无量纲化矩阵:
步骤c:计算所述无量纲化矩阵中的参考序列与各比较序列对应的绝对差值,生成绝对差值矩阵:
其中,分辨系数ρ在(0,1)内取值;
在一实施例中,上述的进行无量纲化的方法为均值化法:
其中,i=0,1,…,n;k=1,2,…N。
在一实施例中,上述的通过熵权法根据所述基础层评价指标计算所述基础层评价指标的客观权重值,具体包括:
通过熵权法根据所述基础层评价指标标准化值计算所述基础层评价指标客观权重值。
在一实施例中,上述的根据所述主观权重值及客观权重值计算所述基础层评价指标的组合权重值,具体包括:通过拉开档次法和遗传算法根据所述主观权重值及客观权重值计算所述组合权重值。
在一实施例中,上述的通过拉开档次法和遗传算法根据所述主观权重值及客观权重值计算所述组合权重值,具体包括:基础层评价指标组合权重计算目标函数如下:
所述基础层指标组合权重计算目标函数的优化条件为:
通过遗传算法求解所述优化条件获取所述基础层指标组合权重值。
在一实施例中,上述的根据基础层评价指标值及所述组合权重值计算所述基础层评价结果,具体包括:通过线性加权法根据所述基础层评价指标标准化值及组合权重值计算基础层评价结果。
在一实施例中,上述的根据所述效果层评价结果及基础层评价结果计算生成综合评价结果,具体包括:根据所述智能电网的当前电网发展阶段分别确定所述效果层评价结果的效果层权重值及基础层评价结果的基础层权重值;通过线性加权法根据所述效果层评价结果、基础层评价结果、效果层权重值及基础层权重值计算生成所述的综合评价结果。
在一实施例中,划分当前电网发展阶段的方法包括:获取智能电网的特征指标数值,采用五分位法对智能电网的发展阶段进行划分,若所述特征指标样本符合正态分布,分别取和作为五段区间的分界点,其中,为指标均值,s为指标标准差,并且,选取 三个区间段分别对应初步阶段、起飞阶段和成熟阶段;若所述特征指标样本不符合正态分布,依据标准正态分布的样本分位比例按16%、37%、63%、84%分别设置四个分位数,并选取[16%,37%)、[37%,63%)、[84%,+∞)三个区间段分别对应初步阶段、起飞阶段和成熟阶段。
本发明实施例的有益效果在于,本发明实施例的多维电网智能化发展水平评价方法提出构建反映智能电网功能效果与内在机理的分层次、分环节多维综合评价指标体系,提出具有引导激励作用的效果与基础协同互动指标权重计算方法,建立满足不同发展阶段及地区基础差异的电网智能化水平评价模型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A及图1B为根据本发明实施例的多维电网智能化发展水平评价方法的流程图;
图2为根据本发明实施例的遗传算法的染色体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种多维电网智能化发展水平评价方法。以下结合附图对本发明进行详细说明。
本发明实施例提供一种多维电网智能化发展水平评价方法,如图1A及图1B所示,该评价方法主要包括以下各步骤:
步骤S101:根据智能电网的基础指标进行需求分析,将当前电网发展阶段中智能电网的发展水平评价指标划分为效果层评价指标及基础层评价指标,并分别获取效果层评价指标值及基础层评价指标值;
步骤S102:将效果层评价指标按多个需求维度进行划分,并通过紧迫性测算公式计算各需求维度的维度指标权重值;
步骤S103:根据各需求维度的子指标计算子指标权重值;
步骤S104:根据各维度指标权重值及子指标权重值计算效果层评价结果;
步骤S105:根据基础层评价指标与效果层评价指标的灰色关联度计算基础层评价指标的主观权重值;
步骤S106:通过熵权法根据基础层评价指标值计算基础层评价指标的客观权重值;
步骤S107:根据主观权重值及客观权重值计算基础层评价指标的组合权重值;
步骤S108:根据基础层评价指标值及组合权重值计算基础层评价结果;
步骤S109:根据效果层评价结果及基础层评价结果计算生成综合评价结果。
通过上述的步骤S101至步骤S109,本发明实施例的多维电网智能化发展水平评价方法提出构建反映智能电网功能效果与内在机理的分层次、分环节多维综合评价指标体系,提出具有引导激励作用的效果与基础协同互动指标权重计算方法,建立满足不同发展阶段及地区基础差异的电网智能化水平评价模型。
以下结合具体示例及附图对本发明实施例的多维电网智能化发展水平评价方法的各步骤进行具体说明。
智能电网是功能强大的能源转换、高效配置和互动服务平台,是电网与智能控制紧密融合的现代电网,是涵盖发电、输电、变电、配电、用电、调度和通信平台各环节的智能化电力系统的创新突破,智能电网正成为承载第三次工业革命的基础平台,对第三次工业革命具有全局性的推动作用。智能电网的具体目标是提高电网运营的安全性、可靠性和经济性,降低用户的电费支出,提高能源利用效率,实现节能减排等。
上述步骤S101,根据智能电网利益相关方特点进行需求分析,建立反映需求自然本质的特征指标并根据电网智能化发展全面评价的需要,将电网智能化发展水平评价指标分为效果层评价指标和基础层评价指标,并分别获取效果层评价指标值及基础层评价指标值。
在此实施例中,智能电网的效果层评价指标从“坚强可靠”、“经济高效”、“清洁环保”、“友好互动”四个方面出发进行构建。
(1)坚强可靠
智能电网运营效果较传统电网将更加坚强可靠,体现在设备可靠坚强、网架结构坚强、电网运行可靠、电网防灾减灾能力等方面。坚强可靠的具体指标如下表1所示。
表1
(2)经济高效
经济高效是指提高电网运行和输送效率,降低运营成本,促进能源资源的高效利用,是智能电网发展的基本要求。
智能电网的高效特质主要体现在:电网运行经济性、电网运营精益性。经济高效的具体指标如下表2所示。
表2
(3)清洁环保
清洁环保是指通过智能电网建设运营促进可再生能源发展与利用,提高清洁电能在终端能源消费中的比重,降低能源消耗和污染物排放,是对中国坚强智能电网的基本诉求。清洁环保的具体指标如下表3所示。
表3
(4)友好互动
友好互动是指通过智能电网建设运营实现电网运行方式的灵活调整,友好兼容各类电源和用户的接入与退出,促进发电企业和用户主动参与电网运行调节,促进用户与各类用电设备广泛交互、与电网双向互动,能源流在用户、供应商之间双向流动。友好互动的具体指标如表4所示。
表4
而智能电网的基础层评价指标从电网自动化、互动化、信息化和管理精细化四个方面入手,按照发电、输电、变电、配电、用电、调度六个环节以及通信信息平台,共60项指标,全面评价电网智能化建设基础发展水平。
(1)电网自动化建设基础评价指标
电网自动化:电网自动化是指电力设备、系统或过程(生产、管理过程)在没有人或较少人的直接参与下,按照预定要求,经过自动检测、信息处理、分析判断、操作控制,实现预期目标的过程。电网自动化包括过程自动化、管理自动化两大方面,是电网智能化的显著标志之一。电网自动化建设基础评价指标如表5所示。
表5
(2)电网互动化建设基础评价指标
电网互动化:电网互动化是使彼此发生作用或变化的过程。电网互动化体现在电网对外部环境的适应能力,对可再生能源、分布式电源的接纳能力,同电动汽车等用户侧用能方式的交互能力。电网互动化建设基础评价指标如表6所示。
表6
(3)电网信息化建设基础评价指标
电网信息化:电网信息化是指在电网中培养、发展以计算机、网络通信技术为主的智能化工具为代表的新生产力,并使之提升电网运行与管理水平的过程。通过电网信息化建设,将电网建设成为一个具有庞大规模的、自上而下的、有组织的信息网络体系。变电环节建设基础评价指标如表7所示。
表7
(4)管理精细化建设基础评价指标
管理精细化建设基础评价指标如表8所示。
表8
上述步骤S102,将效果层评价指标按多个需求维度进行划分,并通过紧迫性测算公式计算各需求维度的维度指标权重值。
如上文所述,在本发明实施例中,是将效果层评价指标划分为四个维度:坚强可靠维度、经济高效维度、清洁环保维度以及友好互动维度,这四个维度所对应的需求指标如表1至表4所示。
其中,坚强可靠维度的需求源自电力工业的发展、人民生活水平和工业现代化生产而不断提高。采用人均可支配收入、电力占终端能源比重反映安全自愈方面的需求情况。
经济高效维度的需求主要来自于经济快速发展带来的需求。采用地区生产总值、地区生产总值的增长速度来反映社会对智能电网经济高效的需求。
清洁环保维度的需求主要来自自然环境方面的压力。采用分区烟尘排放量来反映这方面的需求。
友好互动维度的需求主要来自电动汽车保有量、分布式能源装机比例、电力用户自给自足比例等。采用电动汽车保有量、分布式能源装机规模反映这方面的需求。
上述四个维度对应的需求如下表9所示。需要说明的是,此实施例中所示出的各维度及其对应的需求指标仅是用以说明本发明实施例的效果层评价指标划分为多个需求维度指标的示例,而并非用以限制本发明。
表9
具体地,根据划分的上述各个需求维度,首先通过紧迫性测算公式(1)计算各需求维度的需求紧迫性:
其中,pij表示效果层第i维度对应第j个需求指标的需求紧迫性,rij表示第i维度对应第j个需求指标的当前值,oij表示第i维度对应第j个需求指标的目标值;
然后,根据各需求维度的需求紧迫性按照公式(2)计算各需求维度的维度指标权重值:
其中,wi表示各需求维度的维度指标权重值。
上述步骤S103,根据各需求维度的子指标计算子指标权重值。
具体地,是根据各需求维度下的二级指标两两之间的预设的重要程度构建二级指标比较矩阵,并根据各二级指标下的三级指标两两之间的预设的重要程度构建三级指标比较矩阵;通过层次分析法根据三级指标比较矩阵计算子指标权重值。
其中,通过层次分析法构成的层次结构反映了因素之间的关系,但效果层中的各需求指标在目标衡量中所占的比重并不一定相同。例如,若xi与xj对Z的影响之比为aij,则xj与xi对Z的影响之比应为aji=1/aij。在本发明实施例中,是引用数字1-9及其倒数作为aij的值标度。具体示例如表10所示。
表10
标度值 | 意义描述 |
1 | 表示元素i和j相比,具有相同重要性 |
3 | 表示元素i比j相比,前者比后者稍重要 |
5 | 表示元素i比j相比,前者比后者明显重要 |
7 | 表示元素i比j相比,前者比后者强烈重要 |
9 | 表示元素i比j相比,前者比后者极端重要 |
2、4、6、8 | 重要性介于以上两者之间 |
倒数 | 表示元素i比j相比,重要性与上述相反 |
在层次分析法中,为保证比较结果的准确性,需要进行一致性检验。层次结构的单个比较矩阵的排序是根据比较矩阵进行层次划分,如一级指标是二级指标的上级指标,二级指标是三级指标的上级指标,则将一级指标、二级指标、三级指标分别划分为三个层次,且一级指标处于二级指标的上一层次,二级指标处于三级指标的上一层次。计算针对上一层次中的目标元素,确定本层次与其相关的元素的相对重要性(权重)。采用求解判断矩阵最大特征向量的方法求取单排序权重,计算公式为:
CW=λmaxW,
其中,λmax、W分别表示判断矩阵C的最大特征值和对应的特征向量。
为了保证专家判断过程中避免出现自相矛盾的判断结果,需要对层次单排序过程进行一致性检验。通过计算CR值来检查比较矩阵的一致性:
CR=CI/RI,
其中,CI=(λmax-n)/(n-1)为比较矩阵的维数,RI表示对应的随机值,如下表11所示。
表11
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.58 | 0.9 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
若CR<0.1,则判定比较矩阵具有满意一致性,该比较矩阵可以用作层次分析;若CR≥0.1,则判定比较矩阵不具有满意一致性,需要对判断矩阵进行调整和修正。
同时,层次结构总排序也需要进行一致性检验。
设上一层次(A层)包含A1,…,Am共m个因素,它们的层次总排序权重分别为a1,…,am。又设其后的下一层次(B层)包含n个因素B1,…,Bn,它们关于Aj的层次单排序权重分别为b1j,…,bnj(当Bi与Aj无关联时,bij=0)。现求B层中各因素关于总目标的权重,即求B层各因素的层次总排序权重b1,…,bn,计算按下式进行:
对层次总排序进行一致性检验,检验仍象层次总排序那样由高层到低层逐层进行。这是因为虽然各层次均已经过层次单排序的一致性检验,各成对比较矩阵都已具有较为满意的一致性。但当综合考察时,各层次的非一致性仍有可能积累起来,引起最终分析结果较严重的非一致性。
设B层中与Aj相关的因素的成对比较矩阵在单排序中经一致性检验,求得单排序一致性指标为CI(j),(j=1,…,m),相应的平均随机一致性指标为RI(j)(CI(j)、RI(j)已在层次单排序时求得),则B层总排序随机一致性比例为:
当CR<0.10时,认为层次总排序结果具有较满意的一致性并接受该分析结果。
在实际应用中,可根据上表10预设各个指标之间的重要程度的关系,然后根据各需求维度下的二级指标两两之间的预设的重要程度构建二级指标比较矩阵,并根据各二级指标下的三级指标两两之间的预设的重要程度构建三级指标比较矩阵;通过层次分析法根据三级指标比较矩阵计算子指标权重值。
上述步骤S104,根据各维度指标权重值及子指标权重值计算效果层评价结果。具体包括以下步骤:
首先,对子指标值进行标准化处理,生成效果层评价指标标准化值。
具体地,对子指标值进行标准化处理的过程包括:
将子指标值划分为:正指标、逆指标及适度指标;
对于正指标,通过以下公式(3)进行标准化:
对于逆指标,通过以下公式(4)进行标准化:
对于适度指标,进一步将适度指标划分为固定型指标及区间型指标,对于固定型指标,通过以下公式(5)进行标准化:
对于区间型指标,通过以下公式(6)进行标准化:
其中,yi表示标准化后的指标值,xi表示指标值,α1为适度区间下限,α2为适度区间上限,转换后yi取值范围是[80,100];P为激励系数。
通过上述公式对效果层子指标值进行标准化处理后,生成效果层评价指标标准化值,然后,通过线性加权法根据子指标最终权重值和指标标准化值计算得到效果层评价结果。
上述步骤S105,根据基础层评价指标与效果层评价指标的灰色关联度计算基础层评价指标的主观权重值。
具体地,计算基础层评价指标的主观权重值的过程主要包括:
首先,对基础层评价指标值进行标准化处理,生成基础层评价指标标准化值。将基础层评价指标值划分为:正指标、逆指标及适度指标;
对于正指标,通过以下公式(3)进行标准化:
对于逆指标,通过以下公式(4)进行标准化:
对于适度指标,进一步将适度指标划分为固定型指标及区间型指标,对于固定型指标,通过以下公式(5)进行标准化:
对于区间型指标,通过以下公式(6)进行标准化:
其中,yi表示标准化后的指标值,xi表示指标值,α1为适度区间下限,α2为适度区间上限,转换后yi取值范围是[80,100];P为激励系数。
通过上述标准化处理过程生成基础层评价指标标准化值,并通过灰色关联分析法计算基础层评价指标标准化值与效果层指标标准化值之间的灰色关联度。
步骤1:将效果层评价指标作为因变量因素,将基础层评价指标作为自变量因素,其中,因变量因素构成参考序列X0,自变量因素构成比较序列Xi’(i=1,2,…n),根据参考序列X0及比较序列Xi’生成变量序列矩阵:
其中,X′i=(x′i(1),x′i(2),…x′i(N))T,i=0,1,2,…,n,N为变量序列的长度;
步骤2:对变量序列矩阵进行无量纲化处理,生成无量纲化矩阵:
在本发明实施例中,是通过均值化法或初值化法对变量序列矩阵进行无量纲化处理。其中,均值化法的计算公式如公式(7)所示:
初值化法的计算公式如公式(8)所示:
其中,i=0,1,…,n;k=1,2,…N。
步骤3:计算无量纲化矩阵中的参考序列与各比较序列对应的绝对差值,生成绝对差值矩阵:
其中,分辨系数ρ在(0,1)内取值;
在计算获取了基础层评价指标标准化值与效果层指标标准化值之间的灰色关联度之后,对灰色关联度及效果层评价指标权重值进行加权归一化处理,生成该主观权重值。
上述步骤S106,通过熵权法根据基础层评价指标值(经过标准化处理后,即为基础层评价指标标准化值)计算基础层评价指标的客观权重值。运用熵权法计算基础层指标客观权重值,该方法计算特点是指标值差异越大,该指标权重越大。可促进针对该基础层指标的建设,达到激励的效果。
上述步骤S107,根据主观权重值及客观权重值计算基础层评价指标的组合权重值。在本发明实施例中,是通过拉开档次法和遗传算法根据主观权重值及客观权重值计算组合权重值。
基础层指标组合权重计算目标函数如下:
基础层指标组合权重计算目标函数的优化条件为:
其中,WO为主观权重值,WS为客观权重值。
然后,通过遗传算法求解上述的优化条件,从而获取基础层指标组合权重值。
遗传算法作为一种高度并行随机全局搜索方法,特别适合于求解多目标大规模、非凸凹、非线性、多极点、非连续、不可微和混合变量等的优化问题,它通过代表整个解集的种群进化,以内在并行方式搜索单目标的全局最优解或多目标的全局多个非劣解。遗传算法基本计算步骤如下:
第一步,编码。编码需要考虑完备性、健全性和非冗余性。根据现有研究成果,在本发明实施例中,是采用实数编码。
第二步,初始化个体。初始群体的确定都是随机的,选择操作对初始群体的确定有很大的影响,随着群体的规模变大,遗传操作的模式就会越来越多,导致计算量会变得很大,进而会直接影响遗传算法的效率,因此对其取值范围应控制在几十到几百之间。
遗传算法的群体是由若干个染色体组成的,每条染色体都代表一组不同的方案,染色体的结构如图2所示。基因位对应指标,基因值对应指标权重值。
第三步,适应度计算。对于函数优化问题,一般取函数的目标函数作为适应度函数,适应度尺寸的变换是对目标函数值域的某种映射变换,适应度越大其性能越优。
第四步,选择操作。选择操作是由上述的适应度来决定的,适应度高的个体,被保留下来的机会较大;反之,被淘汰的机会较大。采用适应度分配法对群体进行选择,利用各个体在群体中的比例来决定个体的去留,则个体被选择的概率表示为公式(9):
其中,F(i)为个体i的适应度函数。显然,个体的适应度越大,被选中的次数就越多,其基因在群体中遗传下去的机会就越大。
第五步,交叉操作。交叉操作是按照一定的交叉概率,将被选中的个体进行繁殖后代,随机选择交叉的位置,对每两个个体交叉,进行基因的交换和基因重组,使遗传算法的搜索能力得以提高。交叉率的取值范围应该适中,一般控制在0.6~0.9之间。
第六步,变异操作。首先是在群体中随机选择一个个体,以一定的概率判断是否变异,对其变异的个体,随机选择一个变异的位置,与邻近的一个基因值互换位置。变异操作可以使遗传算法跳出局部的最优解,变异概率较小,一般取值范围在0.001~0.01之间。
第七步,确定算法终止标准。随着遗传算法操作迭代次数的增加,种群越来越逼近理想解空间,有必要设置合理的算法终止迭代标准,可以从确定迭代的最大次数、确定一个期望的适应函数值、预先设定一个值这三种方法来确定停止算法的标准,一般都是采用确定最大迭代次数来确定终止程序。
上述步骤S108,根据基础层评价指标标准化值及组合权重值计算基础层评价结果。在经过上述步骤分别求出基础层评价指标标准化值及组合权重值后,即可通过线性加权法根据基础层评价指标标准化值及组合权重值计算出基础层评价结果。
在经过上述步骤S101至步骤S108分别计算得到效果层评价结果及基础层评价结果后,通过步骤S109,根据效果层评价结果及基础层评价结果计算生成综合评价结果。
首先,是根据智能电网的当前电网发展阶段分别确定效果层评价结果的效果层权重值及基础层评价结果的基础层权重值。在本发明实施例中,划分当前电网发展阶段的方法包括:获取智能电网的特征指标数值,采用五分位法对智能电网的发展阶段进行划分,若所述特征指标样本符合正态分布,分别取和作为五段区间的分界点,其中,为指标均值,s为指标标准差,并选取三个区间段分别对应初步阶段、起飞阶段和成熟阶段;若所述特征指标样本不符合正态分布,依据标准正态分布的样本分位比例按16%、37%、63%、84%分别设置四个分位数,并选取[16%,37%)、[37%,63%)、[84%,+∞)三个区间段分别对应初步阶段、起飞阶段和成熟阶段。
并且,根据划分出的初步阶段、起飞阶段及成熟阶段,分别对效果层评价结果及基础层评价结果确定相应的权重值。例如下表12所示。
表12
权重 | 初步阶段 | 起飞阶段 | 成熟阶段 |
效果层 | 0.7 | 0.5 | 0.3 |
基础层 | 0.3 | 0.5 | 0.7 |
上述表12所列出的不同阶段针对效果层及基础层所确定的权重值仅为举例说明,本发明并不以此为限。
在为效果层评价结果及基础层评价结果确定相应的权重值后,通过线性加权法根据效果层评价结果、基础层评价结果、效果层权重值及基础层权重值计算生成综合评价结果。
本发明实施例的多维电网智能化发展水平评价方法,构建了包含电网智能化效果层、基础层两个层面,体现坚强可靠、经济高效、清洁环保和友好互动的电网智能化特性需求,涵盖发、输、变、配、用、调度、通信等基础建设环节的指标体系,实现全面准确诊断功能。根据电网智能化发展需求特征指标,测算电网智能化发展需求紧迫性,并与层次分析法相结合构建效果层权重测算模型;分析效果层指标与基础层指标之间的关联关系,测算基础建设对建设效果的驱动力,实现效果指引基础建设的导向功能;通过引入主客观综合评价方法,考虑地区差异性影响以及智能电网不同发展阶段的关注重点,建立客观公正的评价模型,实现各地区智能电网发展水平的比较功能。
以下通过一具体示例对本发明实施例的多维电网智能化发展水平评价方法的具体执行过程进行详细说明。
一、效果层评价结果
(1)效果层维度指标权重值计算
四个维度权重具体计算依据及结果如下表13所示。
表13
注:将某区域在需求指标上的得分与国家平均值相除得到需求紧迫性,将相应维度的需求紧迫性相加再归一化处理得到维度权重。其中,全国人均可支配收入平均值为25531.78元/年,电能占终端能源消费比重平均值是23%,地区生产总值平均值为20322.88元,地区生产总值平均增长速度为9.87%,烟尘排放量各省平均值为41.23万吨,新能源装机容量占比平均值为4.89%,电动汽车保有量各省平均值为3750辆(2014年总和为12万辆),平均每省分布式能源装机规模23.66万千瓦。
(2)通过层次分析法计算子指标权重
按照“坚强可靠”、“经济高效”、“清洁环保”、“透明开放”、“友好互动”四个维度在表1至表4所示出的二级指标及三级指标,生成二级指标两两比较矩阵,如下表14所示,为“坚强可靠”维度下的各二级指标两两比较矩阵。
表14
电网安全 | 设备安全 | 通信信息安全 | |
电网安全 | 1 | 2 | 3 |
设备安全 | 0.5 | 1 | 2 |
通信信息安全 | 0.333 | 0.5 | 1 |
然后,生成表14中所示的各个二级指标下的三级指标的两两比较矩阵,如下表15至表17所示。其中,表15是二级指标“电网安全”下各三级指标两两比较矩阵。
表15
电网安全 | X1 | X2 | X3 | X4 | X5 | X6 |
X1 | 1 | 3 | 2 | 2 | 2 | 2 |
X2 | 0.333 | 1 | 2 | 2 | 3 | 2 |
X3 | 0.5 | 0.5 | 1 | 1 | 2 | 3 |
X4 | 0.5 | 0.5 | 1 | 1 | 2 | 3 |
X5 | 0.5 | 0.333 | 0.5 | 0.5 | 1 | 3 |
X6 | 0.5 | 0.5 | 0.333 | 0.333 | 0.333 | 1 |
表16是二级指标“设备安全”下各三级指标两两比较矩阵。
表16
设备安全 | X7 | X8 | X9 | X10 |
X7 | 1 | 2 | 2 | 2 |
X8 | 0.5 | 1 | 2 | 2 |
X9 | 0.5 | 0.5 | 1 | 2 |
X10 | 0.5 | 0.5 | 0.5 | 1 |
表17是二级指标“信息通信安全”下各三级指标两两比较矩阵。
表17
信息通信安全 | X11 | X12 |
X11 | 1 | 1 |
X12 | 1 | 1 |
表18所示,为“经济高效”维度下的二级指标两两比较矩阵。
表18
表19是二级指标“经济效益”下各三级指标两两比较矩阵。
表19
经济效益 | X13 | X14 | X15 | X16 |
X13 | 1 | 3 | 3 | 3 |
X14 | 0.333 | 1 | 2 | 2 |
X15 | 0.333 | 0.5 | 1 | 2 |
X16 | 0.333 | 0.5 | 0.5 | 1 |
表20是二级指标“电网效率”下各三级指标两两比较矩阵。
表20
电网效率 | X17 | X18 | X19 | X20 | X21 |
X17 | 1 | 4 | 3 | 4 | 4 |
X18 | 0.250 | 1 | 3 | 2 | 1 |
X19 | 0.333 | 0.333 | 1 | 4 | 2 |
X20 | 0.250 | 0.50 | 0.25 | 1 | 1 |
X21 | 0.250 | 1 | 0.5 | 1 | 1 |
表21是二级指标“人员效率”下各三级指标两两比较矩阵
表21
人员效率 | X22 | X23 | X24 | X25 |
X22 | 1 | 2 | 2 | 2 |
X23 | 0.5 | 1 | 1 | 1 |
X24 | 0.5 | 1 | 1 | 1 |
X25 | 0.5 | 1 | 1 | 1 |
表22所示为“清洁环保”维度下的各二级指标两两比较矩阵。
表22
清洁环保 | 绿色发电支撑效果 | 绿色电网实施效果 | 绿色用电引导效果 |
绿色发电支撑效果 | 1 | 3 | 2 |
绿色电网实施效果 | 0.333 | 1 | 2 |
绿色用电引导效果 | 0.5 | 0.5 | 1 |
表23是二级指标“绿色发电支撑效果”下各三级指标两两比较矩阵。
表23
绿色发电支撑效果 | X26 | X27 | X28 | X29 |
X26 | 1 | 2 | 2 | 1 |
X27 | 0.5 | 1 | 1 | 2 |
X28 | 0.5 | 1 | 1 | 2 |
X29 | 1 | 0.5 | 0.5 | 1 |
表24是二级指标“绿色电网实施效果”下各三级指标两两比较矩阵。
表24
绿色电网实施效果 | X30 | X31 | X32 |
X30 | 1 | 2 | 2 |
X31 | 0.5 | 1 | 1 |
X32 | 0.5 | 1 | 1 |
表25是二级指标“绿色用电引导效果”下三级指标两两比较矩阵。
表25
绿色用电引导效果 | X33 | X34 | X35 |
X33 | 1 | 0.5 | 1 |
X34 | 2 | 1 | 0.5 |
X35 | 1 | 2 | 1 |
表26是“友好互动”维度下的各二级指标两两比较矩阵。
表26
表27是二级指标“服务优质”下各三级指标两两比较矩阵。
表27
服务优质 | X36 | X37 | X38 |
X36 | 1 | 2 | 2 |
X37 | 0.5 | 1 | 1 |
X38 | 0.5 | 1 | 1 |
表28是二级指标“互动效果”下各三级指标两两比较矩阵。
表28
互动效果 | X39 | X40 | X41 | X42 |
X39 | 1 | 2 | 2 | 2 |
X40 | 0.5 | 1 | 2 | 2 |
X41 | 0.5 | 0.5 | 1 | 2 |
X42 | 0.5 | 0.5 | 0.5 | 1 |
运用层次分析法,根据上述所列出的两两比较矩阵计算效果层三级指标权重值,效果层三级指标权重值如表29所示。
表29
指标 | 权重 | 指标 | 权重 | 指标 | 权重 | 指标 | 权重 | 指标 | 权重 |
X1 | 0.0491 | X10 | 0.0420 | X19 | 0.0048 | X28 | 0.0237 | X37 | 0.0095 |
X2 | 0.0207 | X11 | 0.0452 | X20 | 0.0086 | X29 | 0.0190 | X38 | 0.0122 |
X3 | 0.0491 | X12 | 0.0445 | X21 | 0.0113 | X30 | 0.0272 | X39 | 0.0123 |
X4 | 0.0371 | X13 | 0.0236 | X22 | 0.0154 | X31 | 0.0076 | X40 | 0.0194 |
X5 | 0.0371 | X14 | 0.0145 | X23 | 0.0231 | X32 | 0.0138 | X41 | 0.0338 |
X6 | 0.0249 | X15 | 0.0159 | X24 | 0.0297 | X33 | 0.0192 | X42 | 0.0152 |
X7 | 0.0462 | X16 | 0.0102 | X25 | 0.0250 | X34 | 0.0250 | ||
X8 | 0.0416 | X17 | 0.0173 | X26 | 0.0124 | X35 | 0.0369 | ||
X9 | 0.0227 | X18 | 0.0042 | X27 | 0.0119 | X36 | 0.0365 |
(3)效果层指标值标准化处理
按照公式(3)-(6)对效果层三级指标(子指标)进行标准化处理,处理结果如表30所示。
表30
(4)计算效果层评价结果
将效果层指标标准化值与维度指标权重值相乘计算得到效果层各子指标最终权重值,然后采用线性加权法根据上述子指标最终权重值计算得到效果层评价结果,如表31所示。
表31
二、基础层评价结果
(1)基础层指标值
对基础层指标值进行标准化处理,处理后的基础层评价指标标准化值如表32所示。
表32
(2)基础层指标主观权重值计算
运用灰色关联分析法计算基础层指标与效果层指标间关联程度,依据计算结果加权归一化处理求得基础层指标主观权重,如表33所示。
表33
(3)基础层指标客观权重值计算
运用熵权法计算基础层指标客观权重,计算结果如表34所示。
表34
(4)基础层指标组合权重计算
运用遗传算法和拉开档次法构建的组合权重计算方法,计算得到基础层指标组合权重,计算结果如表35所示。
表35
指标 | 权重 | 指标 | 权重 | 指标 | 权重 |
B1 | 0.0173 | B21 | 0.0081 | B41 | 0.0160 |
B2 | 0.0179 | B22 | 0.0157 | B42 | 0.0188 |
B3 | 0.0192 | B23 | 0.0103 | B43 | 0.0172 |
B4 | 0.0162 | B24 | 0.0130 | B44 | 0.0179 |
B5 | 0.0189 | B25 | 0.0168 | B45 | 0.0168 |
B6 | 0.0177 | B26 | 0.0202 | B46 | 0.0149 |
B7 | 0.0142 | B27 | 0.0163 | B47 | 0.0197 |
B8 | 0.0197 | B28 | 0.0175 | B48 | 0.0210 |
B9 | 0.0171 | B29 | 0.0190 | B49 | 0.0171 |
B10 | 0.0167 | B30 | 0.0166 | B50 | 0.0189 |
B11 | 0.0203 | B31 | 0.0188 | B51 | 0.0210 |
B12 | 0.0168 | B32 | 0.0173 | B52 | 0.0172 |
B13 | 0.0174 | B33 | 0.0162 | B53 | 0.0160 |
B14 | 0.0180 | B34 | 0.0174 | B54 | 0.0073 |
B15 | 0.0172 | B35 | 0.0172 | B55 | 0.0135 |
B16 | 0.0168 | B36 | 0.0208 | B56 | 0.0148 |
B17 | 0.0203 | B37 | 0.0130 | B57 | 0.0189 |
B18 | 0.0087 | B38 | 0.0200 | B58 | 0.0143 |
B19 | 0.0180 | B39 | 0.0109 | B59 | 0.0159 |
B20 | 0.0119 | B40 | 0.0204 | B60 | 0.0169 |
(5)基础层评价结果
采用线性加权法求得典型省智能电网基础层评价结果如表36所示。
表36
三、计算综合评价结果
在此示例中,智能电网发展按照初步阶段、起飞阶段、成熟阶段划分为三个阶段。当前,我国智能电网处于起飞阶段,效果层与基础层同等重要,权重各为0.5,综合计算得各省智能电网综合评价结果如表37所示。
表37
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读取存储介质中,比如ROM/RAM、磁碟、光盘等。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种多维电网智能化发展水平评价方法,其特征在于,所述的多维电网智能化发展水平评价方法包括:
根据智能电网的基础指标进行需求分析,将当前电网发展阶段中所述智能电网的发展水平评价指标划分为效果层评价指标及基础层评价指标,并分别获取效果层评价指标值及基础层评价指标值;
将所述效果层评价指标中的人均可支配收入和电力占终端能源比重划分为坚强可靠需求维度,将所述效果层评价指标中的地区生产总值和地区生产总值的增长速度划分为经济高效需求维度,将所述效果层评价指标中的烟尘排放量和新能源发电量占比划分为清洁环保需求维度,将所述效果层评价指标中的电动汽车保有量和分布式能源装机规模划分为友好互动需求维度,并通过紧迫性测算公式计算各所述需求维度的维度指标权重值,具体包括:
通过紧迫性测算公式计算各所述需求维度的需求紧迫性:
其中,pij表示效果层第i维度对应第j个需求指标的需求紧迫性,rij表示第i维度对应第j个需求指标的当前值,oij表示第i维度对应第j个需求指标的目标值;
根据各所述需求维度的需求紧迫性按照以下公式计算各所述需求维度的维度指标权重值:
其中,wi表示各所述需求维度的维度指标权重值;
根据各需求维度的子指标计算子指标权重值,具体包括:
根据各所述需求维度下的二级指标两两之间的预设的重要程度构建二级指标比较矩阵,并根据各所述二级指标下的三级指标两两之间的预设的重要程度构建三级指标比较矩阵;
通过层次分析法根据所述三级指标比较矩阵计算所述子指标权重值;
根据各所述维度指标权重值及所述子指标权重值计算效果层评价结果,具体包括:
将各需求维度的子指标值进行标准化处理,生成效果层评价指标标准化值;
将所述子指标权重值与所述维度指标权重值相乘计算得到效果层各子指标最终权重值;
通过线性加权法根据所述子指标最终权重值及效果层评价指标标准化值计算所述效果层评价结果;
根据所述基础层评价指标与所述效果层评价指标的灰色关联度计算所述基础层评价指标的主观权重值,具体包括:
对所述基础层评价指标值进行标准化处理,生成基础层评价指标标准化值;
通过灰色关联分析法计算所述基础层评价指标标准化值与所述效果层指标标准化值之间的灰色关联度,具体包括:
步骤a:将所述效果层评价指标作为因变量因素,将所述基础层评价指标作为自变量因素,其中,所述因变量因素构成参考序列X0,所述自变量因素构成比较序列Xi’(i=1,2,…n),根据所述参考序列X0及比较序列Xi’生成变量序列矩阵:
其中,X′i=(x′i(1),x′i(2),…x′i(N))T,i=0,1,2,…,n,N为变量序列的长度;
步骤b:对所述变量序列矩阵进行无量纲化处理,生成无量纲化矩阵:
步骤c:计算所述无量纲化矩阵中的参考序列与各比较序列对应的绝对差值,生成绝对差值矩阵:
其中,分辨系数ρ在(0,1)内取值;
对所述灰色关联度及效果层评价指标权重值进行加权归一化处理,生成所述的主观权重值;
通过熵权法根据所述基础层评价指标值计算所述基础层评价指标的客观权重值,具体包括:
通过熵权法根据所述基础层评价指标标准化值计算所述基础层评价指标客观权重值;
根据所述主观权重值及客观权重值计算所述基础层评价指标的组合权重值,具体包括:
通过拉开档次法和遗传算法根据所述主观权重值及客观权重值计算所述组合权重值,具体包括:
基础层评价指标组合权重计算目标函数如下:
所述基础层指标组合权重计算目标函数的优化条件为:
max f(W)
通过遗传算法求解所述优化条件获取所述基础层指标组合权重值;
根据所述基础层评价指标值及组合权重值计算基础层评价结果,具体包括:
通过线性加权法根据所述基础层评价指标标准化值及组合权重值计算基础层评价结果;
根据所述效果层评价结果及基础层评价结果计算生成综合评价结果,具体包括:
根据所述智能电网的当前电网发展阶段分别确定所述效果层评价结果的效果层权重值及基础层评价结果的基础层权重值;
通过线性加权法根据所述效果层评价结果、基础层评价结果、效果层权重值及基础层权重值计算生成所述的综合评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610139415.6A CN107180292B (zh) | 2016-03-11 | 2016-03-11 | 多维电网智能化发展水平评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610139415.6A CN107180292B (zh) | 2016-03-11 | 2016-03-11 | 多维电网智能化发展水平评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180292A CN107180292A (zh) | 2017-09-19 |
CN107180292B true CN107180292B (zh) | 2021-03-12 |
Family
ID=59829875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610139415.6A Active CN107180292B (zh) | 2016-03-11 | 2016-03-11 | 多维电网智能化发展水平评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180292B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694527B (zh) * | 2018-08-09 | 2021-07-13 | 河海大学常州校区 | 一种配电网评价方法 |
CN109241601B (zh) * | 2018-08-28 | 2021-05-18 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
CN109272217A (zh) * | 2018-09-03 | 2019-01-25 | 深圳市智物联网络有限公司 | 一种数据处理方法及相关设备 |
CN110320872B (zh) * | 2019-06-28 | 2021-08-03 | 云南中烟工业有限责任公司 | 一种提高卷烟主流烟气指标标准化生产的方法 |
CN110852615A (zh) * | 2019-11-11 | 2020-02-28 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 一种典型环境下智能电能表可靠性综合评价模型 |
CN117455122B (zh) * | 2023-12-22 | 2024-03-19 | 中咨公路养护检测技术有限公司 | 路面状态评估方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663508A (zh) * | 2012-05-08 | 2012-09-12 | 东北电力科学研究院有限公司 | 基于层次分析法和模糊综合评价的智能电网综合评估系统 |
CN102663501A (zh) * | 2012-03-20 | 2012-09-12 | 上海交通大学 | 智能电网评价系统及方法 |
US8483478B1 (en) * | 2010-01-11 | 2013-07-09 | Hrl Laboratories, Llc | Grammar-based, cueing method of object recognition, and a system for performing same |
CN104331773A (zh) * | 2014-11-05 | 2015-02-04 | 国家电网公司 | 一种电网规划方案综合评估方法 |
CN105184655A (zh) * | 2015-03-31 | 2015-12-23 | 国家电网公司 | 一种城市配电网智能化改造评估方法 |
-
2016
- 2016-03-11 CN CN201610139415.6A patent/CN107180292B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8483478B1 (en) * | 2010-01-11 | 2013-07-09 | Hrl Laboratories, Llc | Grammar-based, cueing method of object recognition, and a system for performing same |
CN102663501A (zh) * | 2012-03-20 | 2012-09-12 | 上海交通大学 | 智能电网评价系统及方法 |
CN102663508A (zh) * | 2012-05-08 | 2012-09-12 | 东北电力科学研究院有限公司 | 基于层次分析法和模糊综合评价的智能电网综合评估系统 |
CN104331773A (zh) * | 2014-11-05 | 2015-02-04 | 国家电网公司 | 一种电网规划方案综合评估方法 |
CN105184655A (zh) * | 2015-03-31 | 2015-12-23 | 国家电网公司 | 一种城市配电网智能化改造评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107180292A (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180292B (zh) | 多维电网智能化发展水平评价方法 | |
Afgan et al. | Sustainability assessment of hydrogen energy systems | |
CN113837311A (zh) | 一种基于需求响应数据的居民客户聚类方法及装置 | |
CN102904252B (zh) | 求解含分布式电源的配电网不确定性潮流的方法 | |
Pu et al. | A novel GRU-TCN network based Interactive Behavior Learning of multi-energy Microgrid under incomplete information | |
CN114037182A (zh) | 建筑物负荷预测模型训练方法、装置及非易失性存储介质 | |
Zhao et al. | A secure intra-regional-inter-regional peer-to-peer electricity trading system for electric vehicles | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
Tan et al. | Selection ideal coal suppliers of thermal power plants using the matter-element extension model with integrated empowerment method for sustainability | |
CN115983448B (zh) | 一种基于时空图神经网络的多能源负荷预测方法 | |
CN117060408A (zh) | 新能源发电预测方法及系统 | |
Yang et al. | Research on the application of GA improved neural network in the prediction of financial crisis | |
CN112039111A (zh) | 一种新能源微电网参与电网调峰能力的方法及系统 | |
CN111091301A (zh) | 一种省级电网可持续发展策略的优选方法 | |
CN115622056A (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
AU2021106177A4 (en) | Method for predicting spatial-temporal dynamic distribution of electric vehicle charging loads | |
CN115081551A (zh) | 基于K-Means聚类和优化RVM线损模型建立方法及系统 | |
CN114819292A (zh) | 基于安全综合评价的园区微电网智能调度方法及系统 | |
He et al. | Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine | |
Khuntia et al. | A multivariate framework to study spatio‐temporal dependency of electricity load and wind power | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
Ming et al. | Electrical load prediction in energy internet via linear correlation coefficient approach | |
Jeihoonian et al. | Modeling and comparing energy consumption in basic metal industries by neural networks and ARIMA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |