CN112634078B - 一种基于多维指标融合的大工业负荷中断优先级评估方法 - Google Patents
一种基于多维指标融合的大工业负荷中断优先级评估方法 Download PDFInfo
- Publication number
- CN112634078B CN112634078B CN202011514189.8A CN202011514189A CN112634078B CN 112634078 B CN112634078 B CN 112634078B CN 202011514189 A CN202011514189 A CN 202011514189A CN 112634078 B CN112634078 B CN 112634078B
- Authority
- CN
- China
- Prior art keywords
- load
- evaluation
- representing
- evaluation index
- ideal solution
- 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 209
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 230000005611 electricity Effects 0.000 claims description 28
- 239000002131 composite material Substances 0.000 claims description 13
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多维指标融合的大工业负荷中断优先级评估方法，包括步骤：首先，构建大工业负荷中断优先级的综合评价指标体系；获取综合评价所需要的数据，并计算评价指标；对综合评价指标体系进行预处理；确定综合评价指标体系中各级指标的权重系数；运用综合评价方法评估不同大工业负荷的中断优先级。本发明从多个角度，全方位地考虑了大工业负荷中断优先级可能的影响因素，评判结果具有较高的准确性和可靠性。
Description
技术领域
本发明属于电力系统需求侧管理技术领域，具体涉及一种基于多维指标融合的大工业负荷中断优先级评估方法。
背景技术
随着社会现代化进程的快速推进，用户的用电结构和对于电力能源的需求也发生了巨大变化，进而导致各地区电力负荷特性的变化以及电力供需矛盾的加剧，给电力系统的安全、稳定、经济运行带来极大威胁。当前，面对日益变化的用电负荷特性，充分挖掘各用电用户在移峰填谷、均衡用电方面的潜力，为需求侧柔性控制的技术研究作铺垫，成为摆在电力工作者面前的重要课题。
对于大工业负荷中断优先级的评估，也属于电力需求侧管理的研究领域。现有的评估方法，在评价方法和影响因素的考虑方面存在一些缺陷。一是没有充分考虑到工业用户自身的生产经营特性，仅仅计及其用电特性的影响；二是传统的综合评价方法虽然可以得到相对出入不大的结果，但是相互之间的区分度较小，评价效率不高。
发明内容
本发明针对现有技术中的不足，提供一种基于多维指标融合的大工业负荷中断优先级评估方法。本发明在构建综合评价指标体系时，充分考虑了工业用户的用电特性、中断意愿及其生产经营特性；同时，基于低方差和高相关性过滤的原则，对构建的综合评价指标体系进行双重降维筛选，滤除方差较低的评价指标，并去除相关性较高的多余指标；根据降维后的综合评价指标体系，将基于功能驱动原理的序关系分析法(G1法)和基于差异驱动的指标重要性相关法(CRITIC法)结合起来，运用复合权重法对各级评价指标进行赋权；最后，依据综合评价指标体系，运用改进TOPSIS法建立评价模型，对不同的大工业负荷对象进行评分，从而得到其中断优先级的排列顺序。
为实现上述目的，本发明采用以下技术方案：一种基于多维指标融合的大工业负荷中断优先级评估方法，包括如下步骤：
S1、根据评价对象和评价目标，构建大工业负荷中断优先级的综合评价指标体系；
S2、获取评价所需要的相关数据；
S3、对数据完整程度进行检测，若数据信息存在缺失值，则需要转到步骤S2，重新获取缺失的数据；否则，跳转到步骤S4，进行下一步操作；
S4、根据获取的数据，计算出各个评价指标；
S5、针对构建的评价指标体系，进行预处理；
S6、根据客观数据和专家主观判断，对综合评价指标体系进行赋权；
S7、根据构建的综合评价指标体系，运用改进TOPSIS法建立评价模型，对不同的大工业负荷对象进行评分；
S8、根据评分高低，确定其中断优先级顺序，得分越高的对象中断优先级越高。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S1中构建的大工业负荷中断优先级的综合评价指标体系具体如下：
S11、构建一级评价指标：内容层评价指标；
确定三类一级评价指标：生产经营特性、负荷用电特性、负荷中断意愿；
S12、构建二级评价指标：因素层评价指标；
S121、确定生产经营特性下的因素层指标：生产岗位班制、自备电厂容量、单位发电成本、生产工艺连续程度、地理位置因素；
S122、确定负荷用电特性下的因素层指标：一级负荷占比、三级负荷占比、日平均用电量、日平均峰谷差、负荷自然波动率、可中断负荷比例；
S123、确定负荷中断意愿下的因素层指标：电费占比、单位电量调节成本、可中断容量、可中断时间、响应速度。
进一步地，步骤S2中所需要获取的数据包括：
生产岗位班制、自备电厂容量、自备电厂单位发电成本、厂区经纬度、市中心经纬度、银行信用等级、一级负荷量、二级负荷量、三级负荷量、近半月的日用电量、近半月的日峰谷差、最多可削减的负荷量、可中断容量、可中断时间、年缴纳电费总和、年生产费用总支出、年生产总值、年用电量。
进一步地，步骤S4中地理位置因素评价指标的计算方法如下：
首先，获取各个参与评估的用户的经纬度坐标(xi，yi)；然后以位置坐标为特征进行聚类，划分出不同的负荷区域，并记录下各负荷区域所包含的负荷个数Gi；再然后，根据经纬度坐标计算各用户距离城市中心的直线距离，假设城市中心的经纬度坐标为(X，Y)：
式中，Si表示第i位用户与城市中心的直线距离，R为地球的平均半径，取6371.393km；
最后，将用户的地理位置抽象地量化为一个数值因子，即地理位置因素：
DLi＝λ×Si-Gi；
式中，DLi表示第i位用户的地理位置因素，λ为地理位置影响因子，取0.6。
进一步地，步骤S4中负荷自然波动率评价指标是指，在没有外在激励影响的自然情况下，一段时间内，每日负荷最高峰的最大值与最小值之差和其平均值的比值，计算方法如下：
式中，ZBHi表示第i位用户的负荷自然波动率，GFHi表示存储第i位用户一段时间内每日负荷最高峰的向量，average()表示取平均值，max()表示取最大值，min()表示取最小值。
进一步地，步骤S6具体步骤如下：
S61、对一级评价指标进行主观赋权；
S62、分别对不同一级评价指标下属的二级评价指标进行主观赋权；
S63、分别对不同一级评价指标下属的二级评价指标进行客观赋权；
S64、综合计算的主、客观权重，计算相应二级评价指标的复合权重。
进一步地，步骤S7中应用改进TOPSIS法建立评价模型的方法包括如下步骤：
S71、根据待评价数据，建立决策矩阵；
S72、对决策矩阵X进行无量纲化处理，即归一化处理；
S73、根据步骤S6中计算出的一级和二级评价指标的权重，构建加权决策矩阵R：
S74、根据不同评价指标的类型，构建正、负理想解的样本集合；
S75、根据加权决策矩阵R，分别计算各个负荷对象与正理想解和负理想解之间的Tanimoto系数，用来表征决策方案与正理想解和负理想解之间的相似度；
S76、同样以加权决策矩阵R为依据，分别计算各个负荷对象与正理想解和负理想解之间的Mahalanobis距离，用来表征决策方案与正理想解和负理想解之间的差异性；
S77、根据计算得到的Tanimoto系数和Mahalanobis距离，计算各个负荷对象与正理想解之间的综合状态贴近度；
S78、最后，以求得的综合状态贴近度为依据，对各个大工业负荷对象的实际情况进行打分：
DFi＝100×ηi；
式中，ηi表示第i个负荷对象的综合状态贴近度，DFi表示第i个负荷对象最终的评分。
进一步地，步骤S7中应用改进TOPSIS法建立评价模型的具体方法如下：
S71、首先，建立决策矩阵，假设参与评估的大工业负荷集合为M＝(M1，M2，…，Mm)，评价指标集合为D＝(D1，D2，…，Dn)，负荷对象Mi对评价指标Dj的值记为xij，则形成的决策矩阵X为：
D1 D2 … Dn
S72、再对决策矩阵X进行无量纲化处理，即归一化处理，具体的处理方法与步骤S6中相同，构建的标准化矩阵V为：
S73、根据步骤S6中计算出的一级和二级评价指标的权重，构建加权决策矩阵R：
矩阵R中每个元素rij是通过指标权重W与无量纲化矩阵V相乘得到：
式中，k表示第k个一级评价指标，
表示第j个二级评价指标的权重，
表示第j个二级评价指标所对应的一级评价指标的权重，vij表示标准化矩阵V相对应的元素；
S74、然后，构建正、负理想解的样本集合，构建规则为：
式中，
表示第j个评价指标的正理想解，
表示第j个评价指标的负理想解，max(rj)表示第j个指标下的最大值，min(rj)表示第j个指标下的最小值；
所有评价指标的正理想解构成正理想解集合T+，所有评价指标的负理想解构成负理想解集合T-；
S75、根据加权决策矩阵R，计算各个负荷对象与正理想解和负理想解之间的Tanimoto系数，用来表征决策方案与正理想解和负理想解之间的相似度：
式中，
表示第i个负荷对象与正理想解集合之间的Tanimoto系数，
表示第i个负荷对象与负理想解集合之间的Tanimoto系数，||ri||表示加权决策矩阵R中第i行所有元素组成向量的长度；
S76、同样以加权决策矩阵R为依据，计算各个负荷对象与正理想解和负理想解之间的Mahalanobis距离，用来表征决策方案与正理想解和负理想解之间的差异性：
式中，
表示第i个负荷对象与正理想解集合之间的Mahalanobis距离，
表示第i个负荷对象与负理想解集合之间的Mahalanobis距离，XFC表示所有样本的协方差矩阵；
S77、根据计算得到的Tanimoto系数和Mahalanobis距离，计算各个负荷对象与正理想解之间的综合状态贴近度：
式中，TJi表示第i个负荷对象的Tanimoto相关系数的状态贴近度，MJi表示第i个负荷对象的加权Mahalanobis距离的状态贴近度；
ηi＝c×TJi+(1-c)×MJi；
式中，ηi表示第i个负荷对象的综合状态贴近度，c为权重系数；
S78、最后，以求得的综合状态贴近度为依据，对各个大工业负荷对象的实际情况进行打分。
进一步地，步骤S8中负荷中断优先级顺序的确定方法具体步骤如下：
S81、当参与评估的大工业负荷数量较少时，可以根据评分的高低划分中断优先级，得分越高的对象中断优先级越高；
S82、当参与评估的大工业负荷数量较多时，可以预先设置K个中断优先级，然后运用K-means聚类分析算法，根据评分数据将工业负荷对象划分为K个大类，平均得分越高的类别，其负荷中断优先级越高。
本发明的有益效果是：除了工业负荷的用电特性外，本发明还考虑了负荷的生产经营特性以及中断意愿，建立了一种客观、系统的大工业负荷中断优先级评估指标体系；与此同时，为避免出现“维数灾难”，防止信息冗余的情况发生，本发明根据低方差和高相关性过滤的原则，对构建的综合评价指标体系进行双重降维，大大提高了指标体系的科学性和实用性；鉴于单一的赋权方法无法同时反应人为的主观判断和客观条件的变化，本发明将G1法计算的主观权重和CRITIC法计算的客观权重结合起来，求解更加科学、准确的复合权重；考虑到传统的TOPSIS法采用Euclidean距离来衡量不同方案与正、负理想解的距离，一般会存在数据信息的损失且精度和稳定性较差的问题，所以本发明创新性地运用加权Mahalanobis距离和Tanimoto相关系数取代Euclidean距离，综合考虑不同方案与正、负理想解之间的距离和相关性，建立了改进TOPSIS评价模型；最后，本发明应用改进TOPSIS法建立评价模型，对大工业负荷对象进行评分，科学、可靠地划分出其中断优先级顺序。
附图说明
图1是本发明的大工业负荷中断优先级评估方法流程图。
图2是本发明构建的综合评价指标体系的树状框图。
图3是本发明的综合评价指标体系预处理方法的具体流程图。
图4是本发明的综合评价指标体系复合权重的计算方法流程图。
图5是改进TOPSIS法的具体实现流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明公开了一种基于多维指标融合的大工业负荷中断优先级评估方法，具体步骤如下：
步骤1、根据评价指标体系的建立原则，构建大工业负荷中断优先级的综合评价指标体系，确定出一级评价指标和二级评价指标；
步骤2、获取待评价对象的相关数据；
步骤3、检测待评价数据的完整性，若数据信息不完整，则需跳转至步骤2，重新填补缺失的数据，否则跳转到步骤4，进行下一步操作；
步骤4、根据获取的数据，计算出各个评价指标的信息；
步骤5、根据低方差和高相关性过滤的原则，对二级评价指标进行两次降维，简化综合评价指标体系；
步骤6、应用G1法对一级评价指标进行主观赋权，确定一级评价指标的权重；
应用G1法和CRITIC法分别对不同一级评价指标下属的二级评价指标进行主客观赋权，再采用线性加权的方式将主观权重和客观权重结合起来，计算二级评价指标的复合权重；
步骤7、基于综合评价指标体系以及待评价数据，运用改进TOPSIS法建立评价模型，对不同的大工业负荷对象进行评分；
步骤8、根据模型的评分结果，确定不同大工业负荷的中断优先级顺序，得分越高的对象优先级越高。
(一)大工业负荷中断性能评估指标体系
如图2所示，通过树状框图的形式，清晰明了地展示了本发明构建的大工业负荷中断优先级评估指标体系。
该评价指标体系总计有两级，一级评价指标即内容层评价指标，主要有三类：生产经营特性、负荷用电特性、负荷中断意愿。其中，生产经营特性表示工业用户的基本情况和固有属性，负荷用电特性从侧面反应出了工业用户的中断潜力，负荷中断意愿表示工业用户愿意主动中断用电负荷以参与电网调峰的程度。
下面主要说明二级评价指标即因素层评价指标的含义：
指标1、生产岗位班制充分映射出工业用户的生产、用电计划，可以表征用户中断负荷的可行性，班制越多，则表示用户负荷中断、转移的可能越高。
指标2、自备电厂容量反应工业用户被切断后仍能依靠自己发电、保证生产安全稳定的能力，容量越大，用户的负荷中断潜力越高。
指标3、单位发电成本表示工业用户在依靠自备电厂维持生产时，每生产1度电所需要的成本，成本越低，所需的负荷中断补偿费用也会相应降低。
指标4、生产工艺连续程度从侧面反映了中断负荷的可能性，对于生产工艺连续程度较高的工业用户，切断其用电可能会造成巨大的损失，无疑增加了中断补偿的成本。
指标5、地理位置因素表征了工业用户周围的负荷密度以及位置的偏僻程度，一般来说，切断负荷密度较高、周围人口密度较大的用户可能会引发较大的社会影响、经济损失甚至安全隐患，因此优先选择切断负荷密度低且位置偏僻的用户负荷，即该指标数值越小，中断优先级越高。
指标6、银行信用等级可以映射出经营者的素质，充分反应用户的信誉度和诚信度，信用等级越高的用户，违约的可能性越小，可以避免意外的损失。
指标7、一级负荷占比越高，用户的负荷中断潜力越小，因为一级负荷中断可能会造成人身伤亡或重大的政治、经济损失。
指标8、三级负荷占比越高，用户的负荷中断潜力越大，因为三级负荷理论上允许短时间停电。
指标9、日平均用电量表示一般情况下工业用户每天的用电体量，用电量越高，其负荷中断的潜力越大。
指标10、日平均峰谷差表示一般情况下工业用户每天的负荷特性曲线的峰谷差，该比值越大，说明用户削峰填谷的潜力越大。
指标11、负荷自然波动率表征在没有任何外在激励作用的情况下，工业用户自发地调整用电负荷高峰的能力，波动率越大，说明用户负荷的可调节潜力越大。
指标12、可中断负荷比例指理论上用电高峰时期用户最多可削减的负荷比例，该比值越大，表示中断潜力越大。
指标13、电费占比可以反应出电费调整或激励变化对于工业用户的吸引程度，占比越高，表示用户对于电能的依赖性越强，对于电价变化越敏感，其负荷中断意愿越强。
指标14、单位电量调节成本即用户的单位电量产值，表征用户削减负荷可能造成的经济损失，调节成本越大，需要支付的负荷中断补偿费用越高。
指标15、可中断容量表示经过商谈后，用户愿意在电网负荷高峰时期停止用电的负荷总量，直观地反应了工业用户的可中断能力，可中断容量越大，用户的中断意愿越强。
指标16、可中断时间表示经过商谈后，用户愿意在电网负荷高峰时期停止用电的时间，直观地反应了工业用户的可中断能力，可中断时间越长，用户的中断意愿越强。
指标17、响应速度代表在电力公司通知用户停止用电后，用户完全中断负荷所需要的时间，响应速度越快，用户的中断意愿也就越强烈。
以上二级评价指标数据的具体计算方法如下：
指标1、2：生产岗位班制、自备电厂容量属于用户的基本属性，可以直接通过调研获取。
指标3：单位发电成本，即自备电厂每生产1度电所需要的成本：
式中，SEi表示第i位用户的自备电厂单位发电成本，CEi表示第i位用户的自备电厂发电总成本，Ei表示第i位用户的自备电厂总发电量。
指标4：生产工艺连续程度，可以通过观察用户各自的负荷特性曲线进行判断；对于负荷特性曲线一直保持稳定连续、峰谷差极小的对象，其生产工艺的连续程度一般较高，可以用数字0表示；对于负荷特性曲线呈现明显峰谷差的对象，其生产工艺的连续程度一般较低，可以用数字1表示。
指标5：地理位置因素，需要先获取各个参与评估的用户的经纬度坐标(xi，yi)；然后以位置坐标为特征，运用DBSCAN聚类算法进行聚类，划分出不同的负荷区域，并记录下各负荷区域所包含的负荷个数Gi；再然后，根据经纬度坐标计算各用户距离城市中心的直线距离，假设城市中心的经纬度坐标为(X，Y)：
式中，Si表示第i位用户与城市中心的直线距离，R为地球的平均半径，一般取6371.393km；
最后，将用户的地理位置抽象地量化为一个数值因子，即地理位置因素：
DLi＝λ×Si-Gi；
式中，DLi表示第i位用户的地理位置因素，λ为地理位置影响因子，取0.6。
指标6：银行信用等级，即信用评估机构根据企业资信评估结果对企业信用度划分的等级类别，采用四等十级制，具体等级分为：AAA，AA，A，BBB，BB，B，CCC，CC，C，D；为了方便建立评价模型，可以使用10-1的自然数对应表示这十个信用等级。
指标7：一级负荷占比，即用户所有用电负荷中一级负荷所占有的比例：
式中，FLi表示第i位用户的一级负荷占比，FHi表示第i位用户的所有一级负荷量，Hi表示第i位用户的所有用电负荷量。
指标8：三级负荷占比，即用户所有用电负荷中三级负荷所占有的比例：
式中，SLi表示第i位用户的三级负荷占比，SHi表示第i位用户的所有三级负荷量，Hi表示第i位用户的所有用电负荷量。
指标9：日平均用电量，即最近半月以来用户每天的平均用电量：
式中，PREi表示第i位用户的日平均用电量，REij表示第i位用户第j天的用电量。
指标10：日平均峰谷差，即最近半月以来用户日负荷峰谷差的平均值：
式中，PFGi表示第i位用户的日平均峰谷差，RFij表示第i位用户第j天内所有时段里最大的用电负荷，RGij表示第i位用户第j天内所有时段里最小的用电负荷。
指标11：负荷自然波动率是指，在没有外在激励影响的自然情况下，一段时间内，每日负荷最高峰的最大值与最小值之差和其平均值的比值：
式中，ZBHi表示第i位用户的负荷自然波动率，GFHi表示存储第i位用户一段时间内每日负荷最高峰的向量，average()表示取平均值，max()表示取最大值，min()表示取最小值。
指标12：可中断负荷比例，即理论上用户在电网负荷高峰时期最多可以停止用电的负荷在其所有用电负荷中所占的比例：
式中，ZHLi表示第i位用户的可中断负荷比例，DZHi表示第i位用户在电网负荷高峰时期理论上最多可以停止用电的负荷，Hi表示第i位用户的所有用电负荷量。
指标13：电费占比，即一年内所缴纳的电费总和在其生产费用总支出中所占据的比例：
式中，EFLi表示第i位用户的电费占比，EFi表示第i位用户的年电费总和，NSFi表示第i位用户的年生产费用总支出。
指标14：单位电量调节成本，即单位负荷削减量所造成的经济损失：
式中，DETCi表示第i位用户的单位电量调节成本，NSZi表示第i位用户的年生产总值，NEi表示第i位用户的年用电量。
指标15：可中断容量和可中断时间，是指经过商谈后，用户愿意在电网负荷高峰时期停止用电的负荷总量以及停止时间。
指标16：响应速度是指通知用户停止用电后到完全中断负荷所需要的时间，可以通过观察负荷特性曲线上从负荷高峰到低谷变化所花费的时间得到。
(二)DBSCAN聚类算法
DBSCAN聚类算法全称为“具有噪声的基于密度的空间聚类应用”，基本原理是识别特征空间的“拥挤”区域中的点，该类区域中存在许多数据点聚集在一起。
该算法是比较常用的聚类算法，考虑到从头开始编写算法的复杂性，可以直接运用机器学习包scikit-learn中聚类模型DBSCAN进行聚类分析，具体实现步骤如下：
步骤1、首先，需要先将用户的经纬度信息进行预处理，形成地理位置矩阵ZW：
式中，m表示一共有m个用户参与评估，x表示用户地理位置上的经度，y表示用户地理位置上的纬度。
步骤2、确定两个参数：邻域半径eps和最小样本个数min_samples，如：eps＝0.3，min_samples＝2。
步骤3、将地理位置矩阵ZW带入聚类模型DBSCAN中进行训练。
步骤4、输出聚类分析结果，即标签特征labels。
步骤5、采用聚类类别中个体的个数Gi来代表负荷密度。
(三)评价指标体系预处理方法
考虑到单一降维方法的效果可能不太明显，本发明先后使用两种降维方法：低方差过滤和高相关性过滤。低方差过滤用来过滤掉方差较小的指标，各个样本在该类指标上的取值差异不大，其影响可能微乎其微；高相关性过滤用来删除相关系数较高的指标，该类指标携带的信息特征高度相似，易造成特征重复，一般只需要保留一个指标。
如图3所示，具体实现步骤如下：
步骤1、首先，需要对评价对象的数据集矩阵X进行归一化处理，生成标准矩阵。
式中，m指第m行，n指第n列，x*表示归一化处理后的值，x表示原始数据。
归一化后得到的标准矩阵，记为X*。
步骤2、根据归一化处理后的标准矩阵X*，运用机器学习包scikit-learn中feature_selection库的VarianceThreshold函数，分析样本评价指标随方差Threshold变化的规律，选择下降趋势趋于平缓的拐点作为方差阈值，如γ＝0.2。
步骤3、根据标准矩阵X*，计算各个评价指标的方差，滤除方差小于设定阈值的指标，并在标准矩阵X*中删除已过滤掉指标的数据，生成第一次降维后新的标准矩阵
式中，l表示剩余l个评价指标，已经滤除n-l个评价指标，
表示在剩余评价指标中，第i个样本对应于第j个评价指标的归一化数值。
步骤4、根据新的标准矩阵
计算出剩余评价指标间的相关系数矩阵θ：
式中，θij表示第i个评价指标对应于第j个评价指标的相关系数。
步骤5、根据评价指标间的相关系数，设定相关系数阈值τ，如：τ＝0.6，，若评价指标间的相关系数高于此阈值，则删除其中一个评价指标。
步骤6、记录下两次降维后的剩余评价指标，生成简化后的评价指标集合D。
(四)综合评价指标复合权重的计算方法
本发明同时应用G1法和CRITIC法两种赋权方法，将主、客观权重相结合，既考虑了人为判断的主观影响，又计及了客观条件的变化，并根据评价指标客观权重的差异程度计算复合权重。
如图4所示，具体方法流程如下：
步骤1、首先，确定需要赋权的评价指标集合Z，如：{GZ1，GZ2，GZ3}；
邀请多位专家将评价指标的重要性程度进行排序，如：GZ2＞GZ3＞GZ1；然后，再对序关系中相邻指标之间的相对重要程度Grk赋值：
式中，p表示第p位专家，Gw表示权重系数；
具体赋值规则如表1所示：
表1
| Gr<sub>k</sub> | 说明 |
| 1.0 | 前者和后者同样重要 |
| 1.2 | 前者比后者稍微重要 |
| 1.4 | 前者比后者明显重要 |
| 1.6 | 前者比后者强烈重要 |
| 1.8 | 前者比后者极端重要 |
根据各位专家给出的rk的理性赋值，计算对应指标的权重：
式中，n表示第n个评价指标；
之后，根据相邻指标之间的权重比例关系，计算其余指标的权重：
最后，综合所有专家的意见，计算平均权重：
式中，
表示评价指标的平均权重，a表示一共有a位专家参与了指标权重的确定。
步骤2、应用G1法(基于功能驱动原理的序关系分析法)分别对不同一级评价指标下属的二级评价指标进行主观赋权，具体流程与上述步骤1基本相同。
步骤3、应用CRITIC法(基于差异驱动的指标重要性相关法)分别对不同一级评价指标下属的二级评价指标进行客观赋权。
1)首先，需要对评价对象的数据集矩阵X，按列进行归一化处理；
数值越大越优型指标归一化公式：
数值越小越优型指标归一化公式：
归一化后得到的标准矩阵，记为X*；
2)然后，根据归一化处理后的标准矩阵X*，计算指标间的对比强度(即标准差)和相关系数：
式中，Csn表示第n个评价指标的对比强度，Cm表示一共有Cm个对象参与评估，
表示第n列指标数据的平均数；
式中，a表示第a个评价指标，即矩阵X*的第a列，b表示第b个评价指标，即矩阵X*的第b列，Cρab表示两个评价指标之间的相关系数，
表示矩阵X*第a列和第b列的协方差；
3)计算不同评价指标所包含的信息量：
式中，CGa表示第a个评价指标的信息量，Cn表示一共有Cn个评价指标，
用来量化第a个评价指标与其他所有评价指标的冲突性；
4)最后，依据各个评价指标的信息量，计算其客观权重：
式中，Cwn表示第n个评价指标的客观权重；
步骤4、综合G1法和CRITIC法计算的主客观权重，计算相应二级评价指标的复合权重；
1)将各个评价指标的客观权重按升序排列，并计算其差异程度系数CY和修正系数XZ：
式中，客观权重向量Cw(Cw1，Cw2，…，CwCn)已按从小到大的顺序重新排列，Cn表示一共有Cn个评价指标；
2)然后，根据指标客观权重的修正系数XZ，计算各个指标的复合权重：
wn＝(1-XZ)×Gwn+XZ×Cwn；
式中，wn表示第n个评价指标的复合权重，Gwn表示第n个评价指标的主观权重，Cwn表示第n个评价指标的客观权重；
步骤5、最后，结合修正系数，将评价指标的主观权重和客观权重组合起来，计算相应评价指标的复合权重。
(五)改进TOPSIS法评估模型的建立
在评价指标体系及其各级指标权重均确立之后，考虑到传统的TOPSIS法一般会存在数据信息的损失且精度和稳定性较差的缺陷，本发明提出一种综合考虑加权Mahalanobis距离和Tanimoto相关系数的改进TOPSIS法，对大工业负荷中断优先级进行评估。
如图5所示，具体的评估模型建立流程如下：
步骤1、根据待评价数据，建立决策矩阵。
步骤2、区分决策矩阵中越大越优型指标和越小越优型指标，并将决策矩阵归一化处理。
步骤3、根据之前确定的评价指标权重，构建加权决策矩阵。
步骤4、根据不同评价指标的类型，构建正、负理想解的样本集合。
步骤5、然后，计算各个评估对象的Tanimoto相关系数以及该系数下的状态贴近度。
步骤6、计算各个评估对象的加权Mahalanobis距离以及该距离下的状态贴近度。
步骤7、综合考虑加权Mahalanobis距离和Tanimoto相关系数的状态贴近度，计算各个评估对象的综合状态贴近度。
步骤8、根据综合状态贴近度，对各个评估对象进行打分。
具体地：1)首先，建立决策矩阵，假设参与评估的大工业负荷集合为M＝(M1，M2，…，Mm)，评价指标集合为D＝(D1，D2，…，Dn)，负荷对象Mi对评价指标Dj的值记为xij，则形成的决策矩阵X为：
D1 D2 … Dn
2)再对决策矩阵X进行无量纲化处理，即归一化处理，构建的标准化矩阵V为：
3)根据步骤S6中计算出的一级和二级评价指标的权重，构建加权决策矩阵R：
矩阵R中每个元素rij是通过指标权重W与无量纲化矩阵V相乘得到：
式中，k表示第k个一级评价指标，
表示第j个二级评价指标的权重，
表示第j个二级评价指标所对应的一级评价指标的权重，vij表示标准化矩阵V相对应的元素；
4)然后，构建正、负理想解的样本集合，构建规则为：
式中，
表示第j个评价指标的正理想解，
表示第j个评价指标的负理想解，max(rj)表示第j个指标下的最大值，min(rj)表示第j个指标下的最小值；
所有评价指标的正理想解可以构成正理想解集合T+，所有评价指标的负理想解可以构成负理想解集合T-；
5)根据加权决策矩阵R，计算各个负荷对象与正理想解和负理想解之间的Tanimoto系数，用来表征决策方案(即各负荷对象)与正理想解和负理想解之间的相似度：
式中，
表示第i个负荷对象与正理想解集合之间的Tanimoto系数，
表示第i个负荷对象与负理想解集合之间的Tanimoto系数，||ri||表示加权决策矩阵R中第i行所有元素组成向量的长度；
6)同样以加权决策矩阵R为依据，计算各个负荷对象与正理想解和负理想解之间的Mahalanobis距离，用来表征决策方案(即各负荷对象)与正理想解和负理想解之间的差异性：
式中，
表示第i个负荷对象与正理想解集合之间的Mahalanobis距离，
表示第i个负荷对象与负理想解集合之间的Mahalanobis距离，XFC表示所有样本的协方差矩阵；
7)根据计算得到的Tanimoto系数和Mahalanobis距离，计算各个负荷对象与正理想解之间的综合状态贴近度：
式中，TJi表示第i个负荷对象的Tanimoto相关系数的状态贴近度，MJi表示第i个负荷对象的加权Mahalanobis距离的状态贴近度；
ηi＝c×TJi+(1-c)×MJi；
式中，ηi表示第i个负荷对象的综合状态贴近度，c为权重系数，一般取0.5；
8)最后，以求得的综合状态贴近度为依据，对各个大工业负荷对象的实际情况进行打分：
DFi＝100×ηi；
式中，DFi表示第i个负荷对象最终的评分。
当参与评估的大工业负荷数量较少时，根据评分的高低划分中断优先级，得分越高的对象中断优先级越高；当参与评估的大工业负荷数量较多时，预先设置K个中断优先级，然后运用K-means聚类分析算法，根据评分数据将工业负荷对象划分为K个大类，平均得分越高的类别，其负荷中断优先级越高。
综上，本发明从工业负荷中断性能评估的实际应用出发，提出了一种基于多维指标融合的大工业负荷中断优先级评估方法。除了工业负荷的用电特性外，本发明还考虑了负荷的生产经营特性以及中断意愿，建立了一种客观、系统的大工业负荷中断优先级评估指标体系；与此同时，为避免出现“维数灾难”，防止信息冗余的情况发生，本发明根据低方差和高相关性过滤的原则，对构建的综合评价指标体系进行双重降维，大大提高了评价指标体系的科学性和实用性；鉴于单一的赋权方法无法同时反应人为的主观判断和客观条件的变化，本发明将G1法计算的主观权重和CRITIC法计算的客观权重结合起来，求解可靠性较高的复合权重；考虑到传统的TOPSIS法一般会存在数据信息的损失且精度和稳定性较差的缺陷，本发明创新性地运用加权Mahalanobis距离和Tanimoto相关系数来综合考虑不同方案与正、负理想解之间的距离和相关性，建立了改进TOPSIS评价模型；最后，本发明应用改进TOPSIS法对不同大工业负荷对象进行评估打分，科学、可靠地划分出其中断优先级顺序。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种基于多维指标融合的大工业负荷中断优先级评估方法，其特征在于，包括如下步骤：
S1、根据评价对象和评价目标，构建大工业负荷中断优先级的综合评价指标体系；
S2、获取评价所需要的相关数据；
S3、对数据完整程度进行检测，若数据信息存在缺失值，则需要转到步骤S2，重新获取缺失的数据；否则，跳转到步骤S4，进行下一步操作；
S4、根据获取的数据，计算出各个评价指标；
S5、针对构建的评价指标体系，进行预处理；
S6、根据客观数据和专家主观判断，对综合评价指标体系进行赋权；
S7、根据构建的综合评价指标体系，运用改进TOPSIS法建立评价模型，对不同的大工业负荷对象进行评分；
S71、根据待评价数据，建立决策矩阵；
S72、对决策矩阵X进行无量纲化处理，即归一化处理；
S73、根据步骤S6中计算出的一级和二级评价指标的权重，构建加权决策矩阵R：
S74、根据不同评价指标的类型，构建正、负理想解的样本集合；
S75、根据加权决策矩阵R，分别计算各个负荷对象与正理想解和负理想解之间的Tanimoto系数，用来表征决策方案与正理想解和负理想解之间的相似度；
S76、同样以加权决策矩阵R为依据，分别计算各个负荷对象与正理想解和负理想解之间的Mahalanobis距离，用来表征决策方案与正理想解和负理想解之间的差异性；
S77、根据计算得到的Tanimoto系数和Mahalanobis距离，计算各个负荷对象与正理想解之间的综合状态贴近度：
式中，TJi表示第i个负荷对象的Tanimoto相关系数的状态贴近度，MJi表示第i个负荷对象的加权Mahalanobis距离的状态贴近度；TMi +表示第i个负荷对象与正理想解集合之间的Tanimoto系数，
表示第i个负荷对象与负理想解集合之间的Tanimoto系数；
表示第i个负荷对象与正理想解集合之间的Mahalanobis距离，
表示第i个负荷对象与负理想解集合之间的Mahalanobis距离；
ηi＝c×TJi+(1-c)×MJi；
式中，ηi表示第i个负荷对象的综合状态贴近度，c为权重系数；
S78、最后，以求得的综合状态贴近度为依据，对各个大工业负荷对象的实际情况进行打分：
DFi＝100×ηi；
式中，DFi表示第i个负荷对象最终的评分；
S8、根据评分的高低，确定其中断优先级顺序，得分越高的对象优先级越高。
2.如权利要求1所述的大工业负荷中断优先级评估方法，其特征在于，步骤S1中构建的大工业负荷中断优先级的综合评价指标体系具体如下：
S11、构建一级评价指标：内容层评价指标；
确定三类一级评价指标：生产经营特性、负荷用电特性、负荷中断意愿；
S12、构建二级评价指标：因素层评价指标；
S121、确定生产经营特性下的因素层指标：生产岗位班制、自备电厂容量、单位发电成本、生产工艺连续程度、地理位置因素；
S122、确定负荷用电特性下的因素层指标：一级负荷占比、三级负荷占比、日平均用电量、日平均峰谷差、负荷自然波动率、可中断负荷比例；
S123、确定负荷中断意愿下的因素层指标：电费占比、单位电量调节成本、可中断容量、可中断时间、响应速度。
3.如权利要求1所述的大工业负荷中断优先级评估方法，其特征在于，步骤S2中所需要获取的数据包括：
生产岗位班制、自备电厂容量、自备电厂单位发电成本、厂区经纬度、市中心经纬度、银行信用等级、一级负荷量、二级负荷量、三级负荷量、近半月的日用电量、近半月的日峰谷差、最多可削减的负荷量、可中断容量、可中断时间、年缴纳电费总和、年生产费用总支出、年生产总值、年用电量。
4.如权利要求2中所述的大工业负荷中断优先级评估方法，其特征在于，步骤S4中地理位置因素评价指标的计算方法如下：
首先，获取各个参与评估的用户的经纬度坐标(xi，yi)；然后以位置坐标为特征进行聚类，划分出不同的负荷区域，并记录下各负荷区域所包含的负荷个数Gi；再然后，根据经纬度坐标计算各用户距离城市中心的直线距离，假设城市中心的经纬度坐标为(X，Y)：
式中，Si表示第i位用户与城市中心的直线距离，R为地球的平均半径，取6371.393km；
最后，将用户的地理位置抽象地量化为一个数值因子，即地理位置因素：
DLi＝λ×Si-Gi；
式中，DLi表示第i位用户的地理位置因素，λ为地理位置影响因子，取0.6。
5.如权利要求2中所述的大工业负荷中断优先级评估方法，其特征在于，步骤S4中负荷自然波动率评价指标是指，在没有外在激励影响的自然情况下，一段时间内，每日负荷最高峰的最大值与最小值之差和其平均值的比值，计算方法如下：
式中，ZBHi表示第i位用户的负荷自然波动率，GFHi表示存储第i位用户一段时间内每日负荷最高峰的向量，average()表示取平均值，max()表示取最大值，min()表示取最小值。
6.如权利要求2中所述的大工业负荷中断优先级评估方法，其特征在于，步骤S6具体步骤如下：
S61、对一级评价指标进行主观赋权；
S62、分别对不同一级评价指标下属的二级评价指标进行主观赋权；
S63、分别对不同一级评价指标下属的二级评价指标进行客观赋权；
S64、综合计算的主、客观权重，计算相应二级评价指标的复合权重。
7.如权利要求6中所述的大工业负荷中断优先级评估方法，其特征在于，步骤S7中应用改进TOPSIS法建立评价模型的具体方法如下：
S71、首先，建立决策矩阵，假设参与评估的大工业负荷集合为M＝(M1，M2，…，Mm)，评价指标集合为D＝(D1，D2，…，Dn)，负荷对象Mi对评价指标Dj的值记为xij，则形成的决策矩阵X为：
D1 D2 … Dn
S72、再对决策矩阵X进行无量纲化处理，即归一化处理，具体的处理方法与步骤S6中相同，构建的标准化矩阵V为：
S73、根据步骤S6中计算出的一级和二级评价指标的权重，构建加权决策矩阵R：
矩阵R中每个元素rij是通过指标权重W与无量纲化矩阵V相乘得到：
式中，k表示第k个一级评价指标，
表示第j个二级评价指标的权重，
表示第j个二级评价指标所对应的一级评价指标的权重，vij表示标准化矩阵V相对应的元素；
S74、然后，构建正、负理想解的样本集合，构建规则为：
式中，
表示第j个评价指标的正理想解，
表示第j个评价指标的负理想解，max(rj)表示第j个指标下的最大值，min(rj)表示第j个指标下的最小值；
所有评价指标的正理想解构成正理想解集合T+，所有评价指标的负理想解构成负理想解集合T-；
S75、根据加权决策矩阵R，计算各个负荷对象与正理想解和负理想解之间的Tanimoto系数，用来表征决策方案与正理想解和负理想解之间的相似度：
式中，
表示第i个负荷对象与正理想解集合之间的Tanimoto系数，
表示第i个负荷对象与负理想解集合之间的Tanimoto系数，||ri||表示加权决策矩阵R中第i行所有元素组成向量的长度；
S76、同样以加权决策矩阵R为依据，计算各个负荷对象与正理想解和负理想解之间的Mahalanobis距离，用来表征决策方案与正理想解和负理想解之间的差异性：
式中，
表示第i个负荷对象与正理想解集合之间的Mahalanobis距离，
表示第i个负荷对象与负理想解集合之间的Mahalanobis距离，XFC表示所有样本的协方差矩阵；
S77、根据计算得到的Tanimoto系数和Mahalanobis距离，计算各个负荷对象与正理想解之间的综合状态贴近度；
S78、最后，以求得的综合状态贴近度为依据，对各个大工业负荷对象的实际情况进行打分。
8.如权利要求1中所述的大工业负荷中断优先级评估方法，其特征在于，步骤S8具体包括：
S81、当参与评估的大工业负荷数量较少时，根据评分的高低划分中断优先级，得分越高的对象中断优先级越高；
S82、当参与评估的大工业负荷数量较多时，预先设置K个中断优先级，然后运用K-means聚类分析算法，根据评分数据将工业负荷对象划分为K个大类，平均得分越高的类别，其负荷中断优先级越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011514189.8A CN112634078B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多维指标融合的大工业负荷中断优先级评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011514189.8A CN112634078B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多维指标融合的大工业负荷中断优先级评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634078A CN112634078A (zh) | 2021-04-09 |
| CN112634078B true CN112634078B (zh) | 2021-09-21 |
Family
ID=75318096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011514189.8A Active CN112634078B (zh) | 2020-12-18 | 2020-12-18 | 一种基于多维指标融合的大工业负荷中断优先级评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634078B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469568B (zh) * | 2021-07-22 | 2023-08-01 | 国网湖南省电力有限公司 | 一种基于改进灰靶理论的工业用户负荷调节能力量化方法及装置 |
| CN114693076A (zh) * | 2022-03-08 | 2022-07-01 | 长沙理工大学 | 一种面向综合能源系统运行状态的动态评价方法 |
| CN116823057B (zh) * | 2023-07-07 | 2024-01-30 | 中国标准化研究院 | 一种基于工效分析的用户体验效果评价方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2201489A4 (en) * | 2007-10-11 | 2014-06-11 | Edsa Micro Corp | MODELING AND ANALYSIS OF A CURRENT SYSTEM AND PREPARATION OF REPORTS ABOUT A CLIENT-SERVER APPLICATION FRAME |
| CN106779478A (zh) * | 2017-01-11 | 2017-05-31 | 东南大学 | 一种负荷调度价值评估方法 |
| CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
| CN109636146A (zh) * | 2018-11-28 | 2019-04-16 | 东南大学 | 一种用户需求响应潜力画像方法 |
| CN111353711A (zh) * | 2020-03-02 | 2020-06-30 | 华北电力大学 | 基于topsis法的综合能源系统评价方法和系统 |
| CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
| CN111598448B (zh) * | 2020-05-15 | 2021-05-18 | 青岛理工大学 | 一种基于混凝土t型梁火灾后损伤评估方法 |
| CN111555355B (zh) * | 2020-05-26 | 2021-09-28 | 南京工程学院 | 水光蓄联合发电的调度策略及其优化方法 |
| CN111967733A (zh) * | 2020-07-29 | 2020-11-20 | 国网甘肃省电力公司电力科学研究院 | 一种聚合群电源调峰潜力模糊综合评估方法 |
-
2020
- 2020-12-18 CN CN202011514189.8A patent/CN112634078B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634078A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112634078B (zh) | 一种基于多维指标融合的大工业负荷中断优先级评估方法 | |
| AU2018102040A4 (en) | The method of an efficient and accurate credit rating system through the gradient boost decision tree | |
| CN109191189A (zh) | 售电市场放开下电力客户价值评价方法 | |
| CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
| CN109598300A (zh) | 一种评估系统及方法 | |
| AU2019100968A4 (en) | A Credit Reporting Evaluation System Based on Mixed Machine Learning | |
| CN107240033B (zh) | 一种电力识别模型的构建方法及系统 | |
| CN109064023B (zh) | 一种人力效能管理系统的方法和装置 | |
| CN107292489A (zh) | 一种电网调度运行精益化评价系统 | |
| CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
| Zhang et al. | Corporate credit-risk evaluation system: Integrating explicit and implicit financial performances | |
| Özdağoğlu et al. | Evaluating financial performance with grey relational analysis: an application of manufacturing companies listed on borsa Istanbul | |
| Zwierzchowski et al. | Measurement of subjective well-being under capability approach in Poland | |
| CN115619209A (zh) | 融合修正参数层次分析法的电力建设工程风险评价系统 | |
| DeSarbo et al. | A friction model for describing and forecasting price changes | |
| CN114219225A (zh) | 基于多源数据的电网投资效益评估系统及评估方法 | |
| Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
| CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
| Rahimipoor | A comparative study of bankruptcy prediction models of Fulmer and Toffler in firms accepted in Tehran Stock Exchange | |
| Sapuan et al. | Predicting the performance and survival of islamic banks in malaysia to achieve growth sustainability | |
| CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 | |
| Olson et al. | The analytic hierarchy process | |
| CN115423271A (zh) | 一种配电网综合评价指标选取方法 | |
| Rubaltelli et al. | Emotional intelligence and risk taking in investment decision-making | |
| WO1992017853A2 (en) | Direct data base analysis, forecasting and diagnosis method |
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 |