CN112085459B - 一种风电项目投资估算方法及装置 - Google Patents
一种风电项目投资估算方法及装置 Download PDFInfo
- Publication number
- CN112085459B CN112085459B CN202010724825.3A CN202010724825A CN112085459B CN 112085459 B CN112085459 B CN 112085459B CN 202010724825 A CN202010724825 A CN 202010724825A CN 112085459 B CN112085459 B CN 112085459B
- Authority
- CN
- China
- Prior art keywords
- wind power
- investment
- power unit
- engineering characteristic
- kilowatt
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种风电项目投资估算方法及装置，包括：获取与风电单位千瓦投资相关的工程特征因素数据；将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。本发明提供的技术方案提高了模型优化的能力和准确度，进而提高了投资估算的精度和泛化能力，实现了快速合理地估算风电项目投资，为投资决策和项目立项提供了科学客观的依据，具有重要的社会意义。
Description
技术领域
本发明涉及风电工程技术领域，具体涉及一种风电项目投资估算方法及装置。
背景技术
目前风力建设处于高速发展时期，投资者往往把主要精力放在建设项目实施阶段，对项目建设前期的造价控制缺乏普遍重视。在项目建设前期，科学的投资决策是进行有效造价控制的基础工作，影响比例达到70％～90％，因此投资决策阶段是整个工程造价控制的重要阶段，它直接影响以后各阶段控制的合理性。关于建设项目估算模型大致有以下几类：一是传统估算方法，主要包括简单估算法、投资分类估算法；简单估算法一般适用于粗略快速的估算，使用比较有局限性；投资分类估算法估算的准确程度虽然较高，但需要大量的计算，工作量较大，不适用于项目的前期规划阶段的快速投资估算；二是基于经典统计学模型的投资估算方法：经典的统计学模型，例如线性回归、时间序列分析等，也可以应用于投资估算研究中，但是预测效果不理想；三是基于人工神经网络的投资估算方法，但是传统的BP神经网络存在收敛速度较慢以及该算法的不完备化易陷于局部极小值点的问题，不能实现风电项目投资的准确快速估算。
发明内容
针对现有技术的不足，本发明的目的是提供一种风电项目投资估算方法及装置，将获取到的与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值，该方法提高了风电千瓦投资估算的准确性，能够快速合理地估算风电项目投资。
本发明提供了一种风电项目投资估算方法，其改进之处在于，包括以下步骤：
获取与风电单位千瓦投资相关的工程特征因素数据；
将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。
优选的，所述预先训练的误差反向传播神经网络模型的获取过程包括：
根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
基于所述与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型。
进一步的，所述根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据，包括：
利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为所述与风电单位千瓦投资相关的工程特征因素；
获取第i类工程特征因素的历史数据；
其中，i∈[1,N]，N为工程特征因素总类数。
进一步的，所述预设阈值为0.85。
进一步的，所述工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
进一步的，所述建设地区，包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
进一步的，所述地形包括：平地和山地。
本发明提供了一种风电项目投资估算装置，其改进之处在于，包括：
获取模块，用于获取与风电单位千瓦投资相关的工程特征因素数据；
预测模块，用于将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。
优选的，预先训练的误差反向传播神经网络模型的获取过程包括：
根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
基于所述与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型。
进一步的，根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据包括：
利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为所述与风电单位千瓦投资相关的工程特征因素；
获取第i类工程特征因素的历史数据；
其中，i∈[1,N]，N为工程特征因素总类数。
进一步的，所述预设阈值为0.85。
进一步的，所述工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
进一步的，所述建设地区，包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
进一步的，所述地形包括：平地和山地。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案中，获取与风电单位千瓦投资相关的工程特征因素数据；将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值；提高了模型优化的能力和准确度，进而提高了投资估算的精度和泛化能力，实现了快速合理地估算风电项目投资，为投资决策和项目立项提供了科学客观的依据。
附图说明
图1是一种风电项目投资估算方法流程图；
图2是本发明实施例中各类工程特征因素与风电单位千瓦投资的灰色关联度的结果图；
图3是一种风电项目投资估算装置结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种风电项目投资估算方法，如图1所示，包括：
步骤101，获取与风电单位千瓦投资相关的工程特征因素数据；
步骤102，将与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。
优选的，预先训练的误差反向传播神经网络模型的获取过程包括：
步骤A，根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
步骤B，基于与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
步骤C，利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型。
上述对模型的训练过程中，利用粒子群优化算法优化初始误差反向传播神经网络模型，能够更好的解决模型收敛速度慢以及算法易陷于局部极小值点的问题。
进一步的，根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据，包括：
步骤A-1，用于利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
步骤A-2，用于若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为与风电单位千瓦投资相关的工程特征因素；获取第i类工程特征因素的历史数据；其中，i∈[1,N]，N为工程特征因素总类数。
进一步的，预设阈值为0.85。
进一步的，工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
进一步的，建设地区包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
进一步的，地形包括：平地和山地。
在本发明的最佳实施例中，如表1为选取2009年至2019年建设完工的600个风电项目作为投资估算关键工程特征因素筛选的样本，在工程规划选址阶段初步确定对投资有影响的工程因素作为参数，本实施例选取的工程特征因素有：建设地区、建设时间、地形、年发电量、装机容量、单机容量、机组台数、风电设备市场价格。
根据地理区域划分，将建设地区按照1-亚洲、2-非洲、3-大洋洲、4-欧洲、5-南美洲和6-北美洲进行量化；根据陆上风电场场址建设条件，将地形按照1-平地、2-山地进行量化。
表1
然后，基于灰色关联分析法，分别计算各类工程特征因素序列与风电单位千瓦投资的灰色关联度，根据图2所示的各类工程特征因素与风电单位千瓦投资的灰色关联度的结果图，筛选出不小于0.85的工程特征因素数据为：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
最终，将筛选出的与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，得到风电单位千瓦投资估算值。
本发明提供了一种风电项目投资估算装置，如图3所示，包括：
获取模块，用于获取与风电单位千瓦投资相关的工程特征因素数据；
预测模块，用于将与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。
优选的，预先训练的误差反向传播神经网络模型的获取过程包括：
根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
基于所述与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型。
进一步的，根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据包括：
利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为所述与风电单位千瓦投资相关的工程特征因素；
获取第i类工程特征因素的历史数据；
其中，i∈[1,N]，N为工程特征因素总类数。
进一步的，预设阈值为0.85。
进一步的，工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
进一步的，建设地区包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
进一步的，地形包括：平地和山地。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种风电项目投资估算方法，其特征在于，包括以下步骤：
获取与风电单位千瓦投资相关的工程特征因素数据；
将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值；所述预先训练的误差反向传播神经网络模型的获取过程包括：
根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
基于所述与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型；
所述根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据，包括：
利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为所述与风电单位千瓦投资相关的工程特征因素；
获取第i类工程特征因素的历史数据；
其中，i∈[1,N]，N为工程特征因素总类数；
所述工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格；
所述地形包括：平地和山地。
2.如权利要求1所述的一种风电项目投资估算方法，其特征在于，所述预设阈值为0.85。
3.如权利要求1所述的一种风电项目投资估算方法，其特征在于，所述建设地区，包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
4.一种用于使用如权利要求1所述的风电项目投资估算方法的装置，其特征在于，所述装置包括：
获取模块，用于获取与风电单位千瓦投资相关的工程特征因素数据；
预测模块，用于将所述与风电单位千瓦投资相关的工程特征因素数据输入至预先训练的误差反向传播神经网络模型，确定风电单位千瓦投资估算值。
5.如权利要求4所述的一种风电项目投资估算装置，其特征在于，所述预先训练的误差反向传播神经网络模型的获取过程包括：
根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据；
基于所述与风电单位千瓦投资相关的工程特征因素的历史数据和风电单位千瓦投资数据训练初始误差反向传播神经网络模型；
利用粒子群优化算法优化所述初始误差反向传播神经网络模型，获取预先训练的误差反向传播神经网络模型。
6.如权利要求5所述的一种风电项目投资估算装置，其特征在于，所述根据各类工程特征因素与风电单位千瓦投资的关联度获取与风电单位千瓦投资相关的工程特征因素的历史数据包括：
利用灰度关联分析法分别计算各类工程特征因素与风电单位千瓦投资的灰色关联度；
若第i类工程特征因素与风电单位千瓦投资的灰色关联度不小于预设阈值，则第i类工程特征因素为所述与风电单位千瓦投资相关的工程特征因素；
获取第i类工程特征因素的历史数据；
其中，i∈[1,N]，N为工程特征因素总类数。
7.如权利要求6所述的一种风电项目投资估算装置，其特征在于，所述预设阈值为0.85。
8.如权利要求5所述的一种风电项目投资估算装置，其特征在于，所述工程特征因素包括：建设地区、建设时间、地形、装机容量、单机容量和风电设备市场价格。
9.如权利要求8所述的一种风电项目投资估算装置，其特征在于，所述建设地区，包括：亚洲、非洲、大洋洲、欧洲、南美洲和北美洲。
10.如权利要求8所述的一种风电项目投资估算装置，其特征在于，所述地形包括：平地和山地。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724825.3A CN112085459B (zh) | 2020-07-24 | 2020-07-24 | 一种风电项目投资估算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724825.3A CN112085459B (zh) | 2020-07-24 | 2020-07-24 | 一种风电项目投资估算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085459A CN112085459A (zh) | 2020-12-15 |
| CN112085459B true CN112085459B (zh) | 2024-03-22 |
Family
ID=73735613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010724825.3A Active CN112085459B (zh) | 2020-07-24 | 2020-07-24 | 一种风电项目投资估算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085459B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014019079A1 (en) * | 2012-07-31 | 2014-02-06 | International Business Machines Corporation | Wind farm layout in consideration of three-dimensional wake |
| CN107194536A (zh) * | 2017-04-12 | 2017-09-22 | 中国电力科学研究院 | 一种项目投资的供电可靠性负效益评估方法及装置 |
| WO2018176863A1 (zh) * | 2017-04-01 | 2018-10-04 | 中国电力科学研究院有限公司 | 配电网可靠性投资经济效益分析方法及装置、存储介质 |
| CN109586279A (zh) * | 2018-11-20 | 2019-04-05 | 国网新疆电力有限公司经济技术研究院 | 一种互联电网规划方法 |
-
2020
- 2020-07-24 CN CN202010724825.3A patent/CN112085459B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014019079A1 (en) * | 2012-07-31 | 2014-02-06 | International Business Machines Corporation | Wind farm layout in consideration of three-dimensional wake |
| WO2018176863A1 (zh) * | 2017-04-01 | 2018-10-04 | 中国电力科学研究院有限公司 | 配电网可靠性投资经济效益分析方法及装置、存储介质 |
| CN107194536A (zh) * | 2017-04-12 | 2017-09-22 | 中国电力科学研究院 | 一种项目投资的供电可靠性负效益评估方法及装置 |
| CN109586279A (zh) * | 2018-11-20 | 2019-04-05 | 国网新疆电力有限公司经济技术研究院 | 一种互联电网规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Operation Benefit Analysis and Decision Model of Thermal Power Enterprises in China against the Background of Large-Scale New Energy Consumption;Xiaolong Yang等;《Sustainability》;20200606;第12卷;第1-19页 * |
| 基于改进灰色白化权函数的电网企业节能改造服务效益评价;陈梦等;《上海节能》;20200430;第4卷;第280-284页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085459A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
| CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
| CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
| CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN112085459B (zh) | 一种风电项目投资估算方法及装置 | |
| CN110377525B (zh) | 一种基于运行时特征和机器学习的并行程序性能预测系统 | |
| CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
| CN116362428A (zh) | 基于vmd-pcf-arima的短期负荷预测方法 | |
| CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、设备及存储介质 | |
| CN110689168B (zh) | 一种用电负荷预测方法及预测装置 | |
| CN111382895A (zh) | 一种海水淡化负荷预测方法与系统 | |
| CN112419092A (zh) | 一种基于粒子群优化极限学习机的线损预测方法 | |
| CN111724277A (zh) | 一种新能源与多元负荷价值匹配方法及系统 | |
| CN112884589A (zh) | 一种水电工程投资估算方法及装置 | |
| CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
| CN117892638B (zh) | 一种利用条件概率函数的干旱形成时间预测方法及系统 | |
| CN117634933B (zh) | 一种碳排放数据预测方法及装置 |
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 |