CN112488443B - 一种基于数据驱动的配电设备利用率评估的方法及系统 - Google Patents
一种基于数据驱动的配电设备利用率评估的方法及系统 Download PDFInfo
- Publication number
- CN112488443B CN112488443B CN202011197595.6A CN202011197595A CN112488443B CN 112488443 B CN112488443 B CN 112488443B CN 202011197595 A CN202011197595 A CN 202011197595A CN 112488443 B CN112488443 B CN 112488443B
- Authority
- CN
- China
- Prior art keywords
- equipment
- utilization rate
- power distribution
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005192 partition Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization 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
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据驱动的配电设备利用率评估的方法及系统,其方法包括:获取待评估配电网历史数据;基于待评估配电网历史数据进行设备利用率指标计算;数据处理及关键影响因素挖掘;将关键影响因素向量特征图方阵作为深度卷积神经网络的输入;生成训练样本集和测试样本集;优化卷积神经网络模型超参数,训练卷积神经网络预测模型,得到优化后的预测模型;将目标年配电分区的关键要素取值输入模型,得到设备利用率指标预测值;进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。本发明实施例通实现不同自变量优化组合下配电网设备利用效率的多维度关联分析。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于数据驱动的配电设备利用率评估的方法及系统。
背景技术
利用全寿命周期管理理念分析配电网设备利用率现状和发展趋势,是提高配电设备利用率、优化企业投资效益、适应电力改革下新发展以及配网精益化管理发展的主流方向。配电设备在电网中占比高,覆盖面积广阔,且配电网负荷分布不均,运维技术水平和设备质量良莠不齐,导致配电设备运行效率不高且分布不均的现象在电网中较为普遍。现有研究在配电网利用率预测模型上缺乏更为全面的多个维度影响因素挖掘和设备特性评估,缺乏大数据样本统计特征的理论支撑。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于数据驱动的配电设备利用率评估的方法及系统,从而克服了现有的配电设备运行效率评估模型中影响因素缺乏多角度挖掘,无法全面反映电网侧、负荷侧和管理侧多重维度下的配电设备利用率的缺点。
为了解决上述技术问题,本发明实施例提供了一种基于数据驱动的配电设备利用率评估的方法,所述方法包括以下步骤:
S1、获取待评估配电网历史数据;
S2、基于待评估配电网历史数据进行设备利用率指标计算;
S3、数据处理及关键影响因素挖掘;
S4、将S3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入,实现预测模型输入数据降维;将S2的三类设备利用率评估指标作为深度神经网络的输出变量,生成训练样本集和测试样本集;
S5、优化卷积神经网络模型超参数,在模型中通过调整CNN训练中的学习速率α优化预测模型性能,避免学习速率设置过小影响模型训练效率,过大给模型训练带来的不稳定性,训练卷积神经网络预测模型,得到优化后的预测模型;
S6、将目标年配电分区的关键要素取值输入S5所得模型,得到设备利用率指标预测值;
S7、建立多层次对标模式,进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。
所述待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据。
所述基于待评估配电网历史数据进行设备利用率指标计算闹了:
分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。
所述分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括:
S21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值;
S22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值;
S23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标。
所述采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标包括:
S230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值;
S231、构建设备利用率评价指标矩阵;
S232、计算评价指标熵值;
S233、计算评价指标熵权
S234、计算配电设备利用率目标值。
所述基于待评估配电网历史数据进行设备利用率指标计算包括了:
分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标;
所述分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括:
S21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值:
式(1)中,ηin为在役运行类设备利用率;Ein在役运行类设备在评估周期内的实际总电量;SN为在役运行类设备总额定容量;T为给定的评估时间周期;Ei为第i台在役运行设备在评估周期内的实际电量;为第i台在役运行设备额定容量;nin为在役运行设备总数;
S22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值:
式(2)中,ηre为退役类设备全寿命周期利用率;Ere为退役类设备在全寿命期间内实际总电量值;Td为退役类设备设计寿命;为第i台退役设备在全寿命周期内的实际电量;为第i台退役设备额定容量;nre为退役设备总数;
S23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标,具体步骤如下:
S230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值;
S231、构建设备利用率评价指标矩阵:
D=(dij)b×m=(D1,D2,...Di,...Dm) (3)
式(3)中,b为待评估配电区域的配电台区数量;m为评价设备类别的类别数,这里指在役设备和退役设备两类设备;D为由b×m个指标取值构造的指标矩阵;Di为指标矩阵中第i类设备类型的设备利用率评价指标列向量,即b个配电台区的第i个评价指标组成的列向量;dij为第i个配电台区的第j个评价指标值;
S232、计算评价指标熵值,第j个评价指标熵值计算公式如(4)所示:
式(4)、式(5)中,k=1/ln(b),b为待评估配电区域的配电台区数量, dij为第i个配电台区的第j个评价指标值,即pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比;
S233、计算评价指标熵权,第j个评价指标熵权的计算公式如(6)所示:
式(6)中,1-ej为第j个评价指标的离散程度,b为待评估配电区域的配电台区数量,ej为第j个评价指标熵值;
S234、计算配电设备利用率目标值,第i个配电台区在评估年份内的设备综合利用效率指标ηi计算如(7)所示:
式(7)中,b为待评估配电区域的配电台区数量,Wj为第j个评价指标熵权,pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
所述数据处理及关键影响因素挖掘包括:
S31、采用标准化方法对指标初始数据进行归一化处理,使数据映射到区间[0,1]内;
S32、根据多元线性回归分析模型,以配电分区各个台区的设备利用效率影响因素建立自变量矩阵X,以配电区域各台区的设备综合利用率建立因变量矩阵Y,并根据灵敏度分析影响因素对设备综合利用率的重要程度,由此筛选影响配电网设备利用效率水平的关键要素,挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
相应的,本发明还提供了一种基于数据驱动的配电设备利用率评估的系统,所述系统用于执行以上所述的方法。
本发明实施例所提供的基于数据驱动的配电设备利用率评估的方法及系统,能够对设备利用率进行评估并提供设备运行调整决策的辅助参考。通过引入多元线性回归算法实现数据处理及关键影响因素挖掘,引入卷积神经网络确定关键影响因素与设备利用率指标之间的关联特性,从而实现不同自变量优化组合下配电网设备利用效率的多维度关联分析,弥补了现有研究中指标分析维度覆盖面以及设备利用趋势预测不足的问题。专利所公开的方法为今后电网企业设备管理工作开展提供重要参考依据。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于数据驱动的配电设备利用率评估的方法流程图。
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它实施例,都属于本发明保护的范围。
图1示出了本发明实施例中的基于数据驱动的配电设备利用率评估的方法流程图,具体包括以下步骤:
S1、获取待评估配电网历史数据;
这里待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据等。
S2、基于待评估配电网历史数据进行设备利用率指标计算;
这里需要分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。
这里基于待评估配电网历史数据进行设备利用率指标计算的方法流程图具体包括:
S21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值:
式(1)中,ηin为在役运行类设备利用率;Ein在役运行类设备在评估周期内的实际总电量;;SN为在役运行类设备总额定容量;T为给定的评估时间周期;Ei为第i台在役运行设备在评估周期内的实际电量;为第i台在役运行设备额定容量;nin为在役运行设备总数。
S22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值:
式(2)中,ηre为退役类设备全寿命周期利用率;Ere为退役类设备在全寿命期间内实际总电量值;Td为退役类设备设计寿命;为第i台退役设备在全寿命周期内的实际电量;为第i台退役设备额定容量;nre为退役设备总数。
S23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标,具体步骤如下:
S230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值。
S231、构建设备利用率评价指标矩阵:
D=(dij)b×m=(D1,D2,...Di,...Dm) (3)
式(3)中,b为待评估配电区域的配电台区数量;m为评价设备类别的类别数,这里指在役设备和退役设备两类设备;D为由b×m个指标取值构造的指标矩阵;Di为指标矩阵中第i类设备类型的设备利用率评价指标列向量,即b个配电台区的第i个评价指标组成的列向量;dij为第i个配电台区的第j个评价指标值。
S232、计算评价指标熵值,第j个评价指标熵值计算公式如(4)所示:
式(4)、式(5)中,k=1/ln(b),b为待评估配电区域的配电台区数量, dij为第i个配电台区的第j个评价指标值,即pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
S233、计算评价指标熵权,第j个评价指标熵权的计算公式如(6)所示:
式(6)中,1-ej为第j个评价指标的离散程度,b为待评估配电区域的配电台区数量,ej为第j个评价指标熵值。
S234、计算配电设备利用率目标值,第i个配电台区在评估年份内的设备综合利用效率指标ηi计算如(7)所示:
式(7)中,b为待评估配电区域的配电台区数量,Wj为第j个评价指标熵权,pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
S3、数据处理及关键影响因素挖掘,其具体步骤如下:
S31、采用标准化方法对指标初始数据进行归一化处理,使数据映射到区间[0,1]内。
S32、根据多元线性回归分析模型,以配电分区各个台区的设备利用效率影响因素建立自变量矩阵X,以配电区域各台区的设备综合利用率建立因变量矩阵Y,并根据灵敏度分析影响因素对设备综合利用率的重要程度,由此筛选影响配电网设备利用效率水平的关键要素,挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
多元线性回归模型如下式所示:
Y=Xβ+ε (8)
其中,Y=[Y1,Y2,…Yi,…,Yr]T,r为数据样本总数,Yi为配电分区第i 个数据样本的设备综合利用率;X=[e,X1,X2,…Xk,…Xr]T,且e=[1,1,…,1]T为n×1阶向量,第k个数据样本的设备利用效率影响因素列向量为Xk=[X1k,X2k,…,Xnk]T;回归系数列向量为β=[β0,β1,…βn]T;ε=[ε1,ε2,…,εn]T为随机误差项,且ε~N(0,σ2)。回归系数可用最小二乘法求取,使所得到的回归模型满足所有观察值的残差平方和达到最小。
根据灵敏度分析影响因素对设备综合利用率的重要程度,由此筛选影响配电网设备利用率水平的关键要素,挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。灵敏度计算公式如下:
β=(XTX)-1XTY (9)
S4、将S3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入,实现预测模型输入数据降维;将S2的三类设备利用率评估指标作为深度神经网络的输出变量,生成训练样本集和测试样本集。
S5、优化卷积神经网络模型超参数,训练卷积神经网络预测模型,得到优化后的预测模型。
S6、将目标年配电分区的关键要素取值输入S5所得模型,得到设备利用率指标预测值,该模型可用于预测区域在未来目标年的设备资产利用率趋势。
S7、建立多层次对标模式,进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。
超参数的设置影响到预测模型的性能优劣,本发明在模型中通过调整 CNN训练中的学习速率α优化预测模型性能,避免学习速率设置过小影响模型训练效率,过大给模型训练带来的不稳定性;另外,为了缓解过于强大的神经网络泛化能力较差的问题,引入了神经元随机丢失dropout技术,丢失的神经元将神经元的连接权重置为零,而且不参与网络训练的前向计算和反向传播,因而避免了过拟合的现象,增加了数据的多样性。选用均方根误差(root mean squared error,RMSE)、平均绝对误差百分比(mean absolute percentageerror,MAPE)函数作为性能评价指标来评估模型预测参数估计值与参数真值的误差期望值,如下所示:
相应的,本发明还提供了一种基于数据驱动的配电设备利用率评估的系统,所述系统用于执行以上所述的方法。
综上,本发明一种基于数据驱动的配电设备利用率评估方法,引入多元线性回归算法以及卷积神经网络,从多源异构及多态海量数据中挖掘出影响配网设备利用率的关键因素,并构建配电网设备利用率预测模型,确定关键影响因素与设备利用率指标之间的关联特性,实现不同自变量优化组合下配电网设备利用效率的多维度关联分析以及设备未来利用率的预测和评估。本发明所公开的方法为电网企业在设备管理工作的准确性和智能化程度提升提供了重要参考依据。
以上对本发明实施例进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于数据驱动的配电设备利用率评估的方法,其特征在于,所述方法包括以下步骤:
S1、获取待评估配电网历史数据;
S2、基于待评估配电网历史数据进行设备利用率指标计算;
S3、数据处理及关键影响因素挖掘;
S4、将S3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入,实现预测模型输入数据降维;将S2的三类设备利用率评估指标作为深度神经网络的输出变量,生成训练样本集和测试样本集;
S5、优化卷积神经网络模型超参数,在模型中通过调整CNN训练中的学习速率α优化预测模型性能,避免学习速率设置过小影响模型训练效率,过大给模型训练带来的不稳定性,训练卷积神经网络预测模型,得到优化后的预测模型;
S6、将目标年配电分区的关键要素取值输入S5所得模型,得到设备利用率指标预测值;
S7、建立多层次对标模式,进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价;
所述基于待评估配电网历史数据进行设备利用率指标计算包括了:
分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标;
所述分别定义在役设备利用率、退役设备全寿命周期利用率指标,应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括:
S21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值:
式(1)中,ηin为在役运行类设备利用率;Ein在役运行类设备在评估周期内的实际总电量;SN为在役运行类设备总额定容量;T为给定的评估时间周期;Ei为第i台在役运行设备在评估周期内的实际电量;为第i台在役运行设备额定容量;nin为在役运行设备总数;
S22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值:
式(2)中,ηre为退役类设备全寿命周期利用率;Ere为退役类设备在全寿命期间内实际总电量值;Td为退役类设备设计寿命;为第i台退役设备在全寿命周期内的实际电量;为第i台退役设备额定容量;nre为退役设备总数;
S23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标,具体步骤如下:
S230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值;
S231、构建设备利用率评价指标矩阵:
D=(dij)bxm=(D1,D2,...Di,...Dm) (3)
式(3)中,b为待评估配电区域的配电台区数量;m为评价设备类别的类别数,这里指在役设备和退役设备两类设备;D为由b×m个指标取值构造的指标矩阵;Di为指标矩阵中第i类设备类型的设备利用率评价指标列向量,即b个配电台区的第i个评价指标组成的列向量;dij为第i个配电台区的第j个评价指标值;
S232、计算评价指标熵值,第j个评价指标熵值计算公式如(4)所示:
式(4)、式(5)中,k=1/ln(b),b为待评估配电区域的配电台区数量,dij为第i个配电台区的第j个评价指标值,即pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比;
S233、计算评价指标熵权,第j个评价指标熵权的计算公式如(6)所示:
式(6)中,1-ej为第j个评价指标的离散程度,b为待评估配电区域的配电台区数量,ej为第j个评价指标熵值;
S234、计算配电设备利用率目标值,第i个配电台区在评估年份内的设备综合利用效率指标ηi计算如(7)所示:
式(7)中,b为待评估配电区域的配电台区数量,Wj为第j个评价指标熵权,pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
2.如权利要求1所述的基于数据驱动的配电设备利用率评估的方法,其特征在于,所述待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据。
3.如权利要求1所述的基于数据驱动的配电设备利用率评估的方法,其特征在于,所述数据处理及关键影响因素挖掘包括:
S31、采用标准化方法对指标初始数据进行归一化处理,使数据映射到区间[0,1]内;
S32、根据多元线性回归分析模型,以配电分区各个台区的设备利用效率影响因素建立自变量矩阵X,以配电区域各台区的设备综合利用率建立因变量矩阵Y,并根据灵敏度分析影响因素对设备综合利用率的重要程度,由此筛选影响配电网设备利用效率水平的关键要素,挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
4.一种基于数据驱动的配电设备利用率评估的系统,其特征在于,所述系统用于执行如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011197595.6A CN112488443B (zh) | 2020-10-30 | 2020-10-30 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011197595.6A CN112488443B (zh) | 2020-10-30 | 2020-10-30 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488443A CN112488443A (zh) | 2021-03-12 |
CN112488443B true CN112488443B (zh) | 2023-04-18 |
Family
ID=74927934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011197595.6A Active CN112488443B (zh) | 2020-10-30 | 2020-10-30 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488443B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950043B (zh) * | 2021-03-15 | 2022-11-01 | 国网河北省电力有限公司衡水供电分公司 | 一种电网适配度评价方法、装置、设备及存储介质 |
CN117668962A (zh) * | 2023-10-20 | 2024-03-08 | 苏州赛锐德科技有限公司 | 一种基于建筑信息化的监控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918817A (zh) * | 2016-10-11 | 2018-04-17 | 华北电力大学 | 一种计及分布式电源接入的配电网设备利用率综合评估指标体系 |
CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
US10725735B2 (en) * | 2017-07-31 | 2020-07-28 | Allegro Artificial Intelligence Ltd | System and method for merging annotations of datasets |
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 |
CN110490454B (zh) * | 2019-08-20 | 2022-06-24 | 广西电网有限责任公司电力科学研究院 | 基于配网设备运行效率评价的配网资产运行效率计算方法 |
CN110490471B (zh) * | 2019-08-23 | 2023-07-11 | 广西电网有限责任公司电力科学研究院 | 一种配电网供电可靠性差异化的改造方法 |
-
2020
- 2020-10-30 CN CN202011197595.6A patent/CN112488443B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918817A (zh) * | 2016-10-11 | 2018-04-17 | 华北电力大学 | 一种计及分布式电源接入的配电网设备利用率综合评估指标体系 |
CN110609524A (zh) * | 2019-08-14 | 2019-12-24 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
Non-Patent Citations (2)
Title |
---|
Vision-based detection and prediction of equipment heat gains in commercial office buildings using a deep learning method;Shuangyu Wei 等;《Applied Energy》;第1-16页 * |
嵌入式设备高效卷积神经网络的电力设备检测;林唯贤;《计算机系统应用》;第28卷(第5期);第238-243页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112488443A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN112488443B (zh) | 一种基于数据驱动的配电设备利用率评估的方法及系统 | |
CN116070886B (zh) | 水资源系统多维适应性调控方法及系统 | |
CN113887916A (zh) | 一种配电网线损动态量化评估方法及系统 | |
CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
Branke et al. | Meta-optimization for parameter tuning with a flexible computing budget | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
Sewdien et al. | Assessment of critical parameters for artificial neural networks based short-term wind generation forecasting | |
CN112308427A (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
CN110826774A (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
CN111222787A (zh) | 受端电网规模化储能商业模式决策方法及系统 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN115861671A (zh) | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 | |
CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
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 |