CN113450031A - 居民智慧用能服务潜在台区选取方法及装置 - Google Patents
居民智慧用能服务潜在台区选取方法及装置 Download PDFInfo
- Publication number
- CN113450031A CN113450031A CN202111009820.3A CN202111009820A CN113450031A CN 113450031 A CN113450031 A CN 113450031A CN 202111009820 A CN202111009820 A CN 202111009820A CN 113450031 A CN113450031 A CN 113450031A
- Authority
- CN
- China
- Prior art keywords
- indexes
- index
- weight
- characteristic index
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000005265 energy consumption Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims abstract description 15
- 238000004220 aggregation Methods 0.000 claims abstract description 15
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 101100059509 Mus musculus Ccs gene Proteins 0.000 claims abstract 6
- 238000004693 coupled cluster singles and doubles theory Methods 0.000 claims abstract 6
- 239000013598 vector Substances 0.000 claims description 52
- 230000005611 electricity Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 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—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
-
- 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
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了居民智慧用能服务潜在台区选取方法及装置,包括:建立新型居民智慧用能服务潜在台区选取体系,包括4个一级指标、15个二级指标,并将二级指标作为特性指标;基于BWM法计算各特性指标主观权重;然后,利用动态公权集数据包络分析DEA模型计算指标客观权重;再利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;进一步采用包括SAW‑G、VIKOR‑G、TOPSIS‑G、ARAS‑G和COPRAS‑G这五种多属性决策方法MADM综合选取潜力台区;最后,采用相关系数和标准偏差CCSD方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。本发明为居民智慧用能服务潜在台区选取过程中提供科学依据,精准、有效引导居民智慧用能。
Description
技术领域
本发明涉及电力智慧用能技术领域,具体涉及到居民智慧用能服务潜在台区选取方法及装置。
背景技术
近年来,随着人民生活水平的不断提升,电力供需形式不断发展变化,电力市场和相关政策的不断完善,促使电网公司更加注重引导用户智慧用能。需求响应作为智慧用能的一种重要手段引起了广泛的关注。需求响应(DR)是指电力客户根据市场的价格信号或激励机制做出响应,改变其用电行为,从而提升电力资源整体利用率,有利于保持电力系统的稳定。需求响应在国内外的应用当中已经普遍证实了其效果。
基于激励的需求响应(incentive-based demand response,IDR)项目是通过直接给予赔偿和或折扣的方式激励或引导用户改变用电行为,降低电网负荷。IDR是一种目前国内开展应用较为广泛的方式,我国从2012年开始确定试点城市和制定相关政策,并逐步开展示范应用,对缓解电网高峰电力紧张形式发挥了重要作用。
居民需求响应涉及到电价政策和激励政策,在不同的典型场景下,不同类型用户有各自的响应措施,选取适当的台区开展居民智慧用能服务显得极为重要。目前普遍采用的台区选取方法为人工研判,相关技术人员凭借工程经验选取台区,具有强烈的主观性,缺乏客观性。
因此,有必要提出居民智慧用能服务潜在台区选取方法及装置。
发明内容
本发明的目的在于提供居民智慧用能服务潜在台区选取方法及装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明采用的技术方案如下:居民智慧用能服务潜在台区选取方法,包括以下步骤:
步骤1,对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,包含4个一级指标,15个二级指标,并将二级指标作为特性指标;
步骤2,基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
步骤3,利用动态公权集数据包络分析(DEA)模型计算指标客观权重;
步骤4,利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
步骤5,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区;
步骤6,采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
进一步的,在所述步骤1中,具体包括:
所述一级指标分为地区指标、台区指标、居民指标、其他指标;
所述地区指标包含2个二级指标:市级电网负荷承载率和县级电网负荷承载率;
所述台区指标包含4个二级指标:变压器容量、变压器最大负载率、HPLC采集成功率和大电量台区;
所述居民指标包含8个二级指标:大电量居民用户率、近3月零电量用户率、手机号码错误居民用户率、无效量测ID用户率、居民用户数、居民用户率、二级阶梯电价用户率和三级阶梯电价用户率;
所述其他指标包含1个二级指标:电力小区。
进一步的,在所述步骤2中,具体包括:
步骤2.1,确定特性指标合集,y1为市级电网负荷承载率,y2为县级电网负荷承载率,y3为变压器容量,y4为变压器最大负载率,y5为HPLC采集成功率,y6为大电量台区,y7为大电量居民用户率,y8为近3月零电量用户率,y9为手机号码错误居民用户率,y10为无效量测ID用户率,y11为居民用户数,y12为居民用户率,y13为二级阶梯电价用户率,y14为三级阶梯电价用户率,y15为电力小区;
步骤2.3,建立比较向量;
进一步的,在所述步骤3中,具体包括:
步骤3.1,收集台区真实数据,建立评价矩阵A,
步骤3.2,特性指标同向化;特性指标参数有两种可能的形式,一种是正向特性指标,另一种是反向特性指标;正向特性指标为收益型指标,即数值越大,收益越高指标;反向特性指标为成本型指标,数值越大,收益越低;若为反向特性指标,运用公式(3)进行处理得到;
步骤3.3,数据无量纲处理,对部分数据量不为[0,1]区间的数据,进行无量纲处理,得到标准矩阵:
步骤3.4,利用动态公权集数据包络分析(DEA)模型计算指标客观权重:
数据包络分析DEA模型被重构成由n个决策单元DMU组成的形式,其中第j个DMU表示为DMUj,j= 1,2, ...,n;每个DMU消耗一个半正定的m维输入向量:其中,,且不同时为0时产生一个半正定的s维输出向量:,且不同时为0;
则评估模型如下:
式中,v i 和分别表示第i个输入和第r个输出的权重,yj是第j个决策单元的输出向量,xj是第j个决策单元的输入向量,yrj表示第j个决策单元的输出向量的第r个元素,xij表示第j个决策单元的输入向量的第i个元素,表示为正无穷小非阿基米德值,以避免权值为零,由于所考虑的潜在台区选取问题是一个多周期决策问题,需要进一步采用多周期CSW权重模型来确定准则权重。模型表述如下:
为决策单元最大均值,为决策单元最大方差,,α为非置信水平在正态分布内的覆盖面积,即显著性水平;在包括T个时段的时间范围内进行评估,对于第j个决策单元DMUj,在每个时间段t消耗一个输入向量,产生一个输出向量,上述公式中,和是独立于DMU的阈值(可将它们等同于投入导向和产出导向的效率),和表示第j个DMU第i个输入的平均值和标准差,和表示第j个DMU第r个输出的平均值和标准差,和分别表示输入和输出指标的共同权重集。该模型可以用普通的优化软件包如Lingo、GAMS或 MATLAB进行优化,每个居民用户被认为是DMU。负的或成本类型的指标被认为是输入,而正的指标被认为是输出。从输入和输出指标的CSW方法中获得的公共权值集将在接下来的步骤中用作标准权值。
进一步的,在所述步骤4中,具体包括:
所提出的信用绩效评价框架遵循动态和多周期结构。假设评价指标记为;分为两类,一类是费用型标准,其较低的值更值得关注,定义为;另一类是效益型标准,其更大的值更值得关注,被定义为产出指标。由于每个用户DMU是在T个时间段内进行评估的,因此每个用户都有自己的输入向量和输出向量,t=1,2,...,T,j=1,2,...,n。考虑到作为周期t内的决策矩阵,可划分为,其中和分别表示每个用户在周期t内的输入矩阵和输出矩阵。
由于可用数据的数量有限,且可用数据的统计分布未知,可以利用置信水平下的切比雪夫不等式界限将单个周期决策矩阵转换为区间矩阵。与简单地将周期决策矩阵聚合为一个精确矩阵相比,这种方法的优势在于,能够在包含输入和输出值的区间内捕获周期波动,其概率至少。
式(7)(8)(9)给出了将周期决策矩阵转化为整体区间决策矩阵的公式。在这个公式中,和表示第j个DMU第i个输入的平均值和标准差,i=1,2,...,m;和表示第j个DMU第r个输出的平均值和标准差,r=1,2,...,s;和表示整体区间决策矩阵中与原始输入和输出指标相关的输入和输出向量,多周期决策矩阵定义为。
...
进一步的,在所述步骤6中,具体包括:
CCSD作为一种新的加权标准方法,结合了相关系数和标准的标准差。与其他客观加权方法相比,CCSD方法有很多优点,包括不需要特殊的归一化,比熵法和SD法的权重更具有包容性和可靠性,比CRITIC方法具有可理解的机制。在这一步中,使用CCSD方法对不同区间灰色方法的结果进行积分,每一种方法的权重用CCSD导出。
确定权重后,将次级决策矩阵(由5个方法得分组成)归一化。下面的方程用于标准化。
最后,使用下式计算聚合性能和最终潜力台区备选项的排序:
本发明还提供居民智慧用能服务潜在台区选取装置,包括:
体系建立模块:用于对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,包含4个一级指标,15个二级指标,并将二级指标作为特性指标;
主观权重计算模块:用于基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
客观权重计算模块:用于利用动态公权集数据包络分析(DEA)模型计算指标客观权重;
矩阵转化模块:用于利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
多属性决策方法选取模块:用于采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区;
台区潜力值计算模块:用于采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值;
判断模块:用于对台区智慧用能服务潜力值进行排序。
本发明的有益效果是:
相较于现在人工选取台区方式,本发明通过建立新型居民智慧用能服务潜在台区选取体系,从地区、台区、居民、其他等4个层面提取15个特性指标作为评判标准,充分考虑了城区和乡村不同用电习惯和用电量的差异,考虑由数据传输数据丢失导致采集成功率低和无效量测ID问题,具有较高的实用性。在权重选取方面,基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重,引入利用动态公权集数据包络分析(DEA)模型计算指标客观权重,再利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵,形成潜力台区动态评估方案。再采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区,引入相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。为居民智慧用能服务潜在台区选取提供了一种实用、鲁棒且充分考虑主客观因素的方法和装置。
附图说明
图1为本发明优选实施例中居民智慧用能服务潜在台区选取方法的流程框图;
图2为居民智慧用能服务潜在台区选取装置的模块组成;
图3为本发明实施例提供的电子设备的结构示意图。
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,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
参照图1所示,本发明的优选实施例,居民智慧用能服务潜在台区选取方法,包括以下步骤:
步骤1,对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,分为4个一级指标、15个二级指标,并将二级指标作为特性指标;
步骤2,基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
步骤3,利用动态公权集数据包络分析(DEA)模型计算指标客观权重;
步骤4,利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵。
步骤5,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区;
步骤6,采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
本实施例中,在所述步骤1中,建立包含4个一级指标、15个二级指标的居民智慧用能服务潜在台区选取体系。体系从地区、台区、居民、其他等4个角度,充分考虑电网承载水平、台区配变信息,居民用电信息、采集成功率等因素,为台区选取提供科学依据。具体包括:
步骤1.1,分析需求响应背景
每年冬季、夏季,是用电高峰期,电网公司会采取多举措保供电。其中较为常用的是有序用电、可中断负荷和需求响应。在此期间,上级电网公司会制定负荷阈值指标,要求下级电网公司降低负荷,保持电网安全稳定运行。提取地区指标:市级电网负荷承载率、县级电网负荷承载率。
步骤1.2,分析提取大电量台区和大电量用户特征
分析该地区大电量台区和大电量用户用电量,提取相关特征,确定相关指标。
步骤1.3,建立新型居民智慧用能服务潜在台区需求选取体系
本实施例中,在所述步骤2中,基于BWM法确立各项特性指标主观权重。本方法通过对特性指标重要性进行排序,比较特性指标间重要程度,确定主观权重。具体包括:
步骤2.1,确定特性指标合集,y1为市级电网负荷承载率,y2为县级电网负荷承载率,y3为变压器容量,y4为变压器最大负载率,y5为HPLC采集成功率,y6为大电量台区,y7为大电量居民用户率,y8为近3月零电量用户率,y9为手机号码错误居民用户率,y10为无效量测ID用户率,y11为居民用户数,y12为居民用户率,y13为二级阶梯电价用户率,y14为三级阶梯电价用户率,y15为电力小区。
步骤2.3,建立比较向量;
本实施例中,在所述步骤3中,通过分析台区实际情况、进行同向化、归一化等处理后,计算各指标的信息量,确定客观权重。具体包括:
步骤3.1,收集台区真实数据,建立评价矩阵A,
步骤3.2,特性指标同向化;特性指标参数有两种可能的形式,一种是正向特性指标,另一种是反向特性指标;正向特性指标为收益型指标,即数值越大,收益越高指标;反向特性指标为成本型指标,数值越大,收益越低;若为反向特性指标,运用公式(3)进行处理得到;
步骤3.3,数据无量纲处理,对部分数据量不为[0,1]区间的数据,进行无量纲处理,得到标准矩阵:
步骤3.4,利用动态公权集数据包络分析(DEA)模型计算指标客观权重;
数据包络分析DEA模型被重构成由n个决策单元DMU组成的形式,其中第j个DMU表示为DMUj,j= 1,2, ...,n;每个DMU消耗一个半正定的m维输入向量:,其中,且不同时为0时产生一个半正定的s维输出向量:,且不同时为0;
则评估模型如下:
式中,v i 和分别表示第i个输入和第r个输出的权重,yj是第j个决策单元的输出向量,xj是第j个决策单元的输入向量,yrj表示第j个决策单元的输出向量的第r个元素,xij表示第j个决策单元的输入向量的第i个元素,表示为正无穷小非阿基米德值,以避免权值为零,由于所考虑的潜在台区选取问题是一个多周期决策问题,需要进一步采用多周期CSW权重模型来确定准则权重。模型表述如下:
为决策单元最大均值,为决策单元最大方差,,α为非置信水平在正态分布内的覆盖面积,即显著性水平;在包括T个时段的时间范围内进行评估,对于第j个决策单元DMUj,在每个时间段t消耗一个输入向量,产生一个输出向量,上述公式中,和是独立于DMU的阈值(可将它们等同于投入导向和产出导向的效率),和表示第j个DMU第i个输入的平均值和标准差,和表示第j个DMU第r个输出的平均值和标准差,和分别表示输入和输出指标的共同权重集。该模型可以用普通的优化软件包如Lingo、GAMS或MATLAB进行优化,每个居民用户被认为是DMU。负的或成本类型的指标被认为是输入,而正的指标被认为是输出。从输入和输出指标的CSW方法中获得的公共权值集将在接下来的步骤中用作标准权值。
步骤4:利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
如前所述,所提出的信用绩效评价框架遵循动态和多周期结构。假设评价指标记为;分为两类,一类是费用型标准,其较低的值更值得关注,定义为;另一类是效益型标准,其更大的值更值得关注,被定义为产出指标。由于每个用户DMU是在T个时间段内进行评估的,因此每个用户都有自己的输入向量和输出向量,t=1,2,...,T,j=1,2,...,n。考虑到作为周期t内的决策矩阵,可划分为,其中和分别表示每个用户在周期t内的输入矩阵和输出矩阵。
由于可用数据的数量有限,且可用数据的统计分布未知,可以利用置信水平下的切比雪夫不等式界限将单个周期决策矩阵转换为区间矩阵。与简单地将周期决策矩阵聚合为一个精确矩阵相比,这种方法的优势在于,能够在包含输入和输出值的区间内捕获周期波动,其概率至少。
式(7)(8)(9)给出了将周期决策矩阵转化为整体区间决策矩阵的公式。在这个公式中,和表示第j个DMU第i个输入的平均值和标准差,i=1,2,...,m;和表示第j个DMU第r个输出的平均值和标准差,r=1,2,...,s;和表示整体区间决策矩阵中与原始输入和输出指标相关的输入和输出向量,多周期决策矩阵定义为。
...
步骤5,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区;
本实施例采用ARARS-G、COPRAS-G、TOPSIS-G、VIKOR-G和see - g 5种不同区间灰色多变量决策方法对居民用户进行排序。
步骤6,采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
CCSD作为一种新的加权标准方法,结合了相关系数和标准的标准差。与其他客观加权方法相比,CCSD方法有很多优点,包括不需要特殊的归一化,比熵法和SD法的权重更具有包容性和可靠性,比CRITIC方法具有可理解的机制。在这一步中,使用CCSD方法对不同区间灰色方法的结果进行积分,每一种方法的权重用CCSD导出。
确定权重后,将次级决策矩阵(由5个方法得分组成)归一化。下面的方程用于标准化。
最后,使用下式计算聚合性能和最终潜力台区备选项的排序;
本发明将主观权重法和客观权重法用于居民智慧用能服务潜在台区选取上,为居民智慧用能服务实施人员在台区选取上提供科学的依据;在对居民智慧用能服务潜在台区体系建立是通过充分研究,提出4项一级指标、15项二级指标,有效弥补居民智慧用能服务潜在台区选取考虑单一问题;通过采用主观权重法BWM法,使特性指标权重充分考虑专家经验;引入利用动态公权集数据包络分析(DEA)模型计算指标客观权重,再利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵。形成潜力台区动态评估方案,再采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)综合选取潜力台区,引入相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序,为基于主客观权重法电力需求领域选取典型台区过程提供了一种实用且高效率的方法。
为便于对本发明的理解,以下提供本发明进行较为详细的方法过程:
居民智慧用能服务潜在台区选取方法,此方法包括如下步骤:
A.将开展居民智慧用能服的地区进行调研,建立新型居民智慧用能服务潜在台区选取体系。
新型居民智慧用能服台区需求选取体系包含一级指标4个,二级指标15个。
一级指标分为地区指标、台区指标、居民指标、其他指标。
地区指标包含市级电网负荷承载率和县级电网负荷承载率2项二级指标。
市级电网负荷承载率=地市当月最大负荷/地市允许最大负荷*100%,地市允许最大负荷由上级单位根据电网运行统一规定。
县(区)级电网负荷承载率=县(区)级当月最大负荷/县(区)级允许最大负荷*100%。县(区)级允许最大负荷由上级单位根据电网运行统一规定。
台区指标包含4项二级指标,变压器容量、变压器最大负载率、HPLC采集成功率和是否大电量台区。
变压器容量单位为kVA,通常和用户数成正比,容量越大,所具备的居民智慧用能潜力越大。
HPLC采集成功率=台区一天采集到的电量数据总数/(用户数*96)*100%。
大电量台区。若台区归属城市地区,若台区居民日均用电量/居民数>8kW·h则视为大电量台区(农村地区则为4kW·h)。
居民指标主要包含8项二级指标,大电量居民用户率、近3月零电量用户率、手机号码错误居民用户率、无效量测ID用户率、居民用户数、居民用户率、二级阶梯电价用户率和三级阶梯电价用户率。
大电量居民用户率=大电量居民用户/台区居民数*100%。城市地区日均电量>15kW·h、农村地区>6kW·h的居民用户视为大电量居民用户。
近3月零电量用户率=近3月零电量用户/台区用户数*100%。近3月零电量用户信息从用电信息采集系统中抽取。
手机号码错误居民用户率=手机号码错误居民用户/台区总居民用户数*100%。系统内标记为错误和同一手机号系统内出现5次的均视为手机号码错误。
无效量测ID用户率=无效量测ID用户/台区用户数*100%。HPLC电表传输数据为空的用户视为无效量测ID用户。
居民用户数即台区下居民用户的数量。
居民用户率=居民用户数/台区用户总数*100%。
二级阶梯电价用户率=二级阶梯用户数/台区用户总数*100%。
三级阶梯电价用户率=三级阶梯用户数/台区用户总数*100%。
其他指标包含1项二级指标,电力小区。
电力小区受居民工作性质影响,在响应电网活动时有更高的积极性。
将15项二级指标作为特性指标。
B.邀请业界专家或经验丰富人员对15项特性指标进行排序,并建立对比矩阵,通过计算,确定主观权重。
B2.建立最重要特性指标比较向量
B3.建立最不重要特性指标比较向量
B4.计算主观权重。
各特性指标主观权重如下表1。
表1 特性指标主观权重
C.基于数据包络分析的csw方法确定客观权重;
C2.数据正向化,将近3月零电量用户率、手机号码错误居民用户率、无效量测ID用户率3项特性指标进行同向化。
C3.数据无量纲处理
C4.基于DEA的CSW方法计算客观权重
表2特性指标客观权重
D. 基于多属性决策方法(MADM)综合选取潜力台区,引入相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
D1.对于已确立的主客观权重,计算综合权重。
表3特性指标综合权重
D2计算台区潜力值
通过经正向化和标准化的台区各特性指标数值和综合特性指标权重简单加权,可计算三个台区潜力值分别为0.22、0.33、0.39,可以推断第三个台区更具有居民智慧用能服务潜力。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
本发明还提供图2居民智慧用能服务潜在台区选取装置,包括:
体系建立模块210:用于对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,包含4个一级指标,15个二级指标,并将二级指标作为特性指标;
主观权重计算模块220:用于基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
客观权重计算模块230:用于利用动态公权集数据包络分析DEA模型计算指标客观权重;
矩阵转化模块240:用于利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
多属性决策方法选取模块250:用于采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法MADM综合选取潜力台区;
台区潜力值计算模块260:用于采用相关系数和标准偏差CCSD方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值;
判断模块270:用于对台区智慧用能服务潜力值进行排序。
在另一些实施例中,本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述方法实施例中的居民智慧用能服务潜在台区选取方法。
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
将特性指标重要性排序和特性指标比较数据导入,通过BWM计算主观权重。
台区数据经过正向化、标准化后,基于BWM法计算主观权重;将台区数据进行正向化和标准化,利用动态公权集数据包络分析(DEA)模型计算指标客观权重,利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)分别计算潜力台区值,采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据居民智慧用能服务潜在台区选取装置的使用所创建的数据等。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至居民智慧用能服务潜在台区选取装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品,计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述方法实施例中的居民智慧用能服务潜在台区选取方法。
图3是本发明实施例提供的电子设备的结构示意图,图3中以一个处理器310为例。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接。存储器320为上述的非易失性计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例居民智慧用能服务选取方法。其中,输入装置330邀请专家对15项特性指标进行排序,并进行特性指标间比较,并将数据导入计算模块;并通过数据接口,将国网营销业务系统、用电信息采集系统、供电服务指挥系统、PMS2.0等系统数据导入计算模块中。输出装置340可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于居民智慧用能服务潜在台区选取装置中,用于客户端,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法实施例中的居民智慧用能服务潜在台区选取方法:
将特性指标重要性排序和特性指标比较数据导入,通过BWM计算主观权重。
基于BWM法计算主观权重;将台区数据进行正向化和标准化,利用动态公权集数据包络分析(DEA)模型计算指标客观权重,利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法(MADM)分别计算潜力台区值,采用相关系数和标准偏差(CCSD)方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.居民智慧用能服务潜在台区选取方法,其特征在于:包括以下步骤:
步骤1,对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,包含4个一级指标,15个二级指标,并将二级指标作为特性指标;
步骤2,基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
步骤3,利用动态公权集数据包络分析DEA模型计算指标客观权重;
步骤4,利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
步骤5,采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法MADM综合选取潜力台区;
步骤6,采用相关系数和标准偏差CCSD方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值和排序。
2.根据权利要求1所述的居民智慧用能服务潜在台区选取方法,其特征在于:在所述步骤1中,具体包括:
所述一级指标分为地区指标、台区指标、居民指标、其他指标;
所述地区指标包含2个二级指标:市级电网负荷承载率和县级电网负荷承载率;
所述台区指标包含4个二级指标:变压器容量、变压器最大负载率、HPLC采集成功率和大电量台区;
所述居民指标包含8个二级指标:大电量居民用户率、近3月零电量用户率、手机号码错误居民用户率、无效量测ID用户率、居民用户数、居民用户率、二级阶梯电价用户率和三级阶梯电价用户率;
所述其他指标包含1个二级指标:电力小区。
3.根据权利要求2所述的居民智慧用能服务潜在台区选取方法,其特征在于:在所述步骤2中,具体包括:
步骤2.1,确定特性指标合集,y1为市级电网负荷承载率,y2为县级电网负荷承载率,y3为变压器容量,y4为变压器最大负载率,y5为HPLC采集成功率,y6为大电量台区,y7为大电量居民用户率,y8为近3月零电量用户率,y9为手机号码错误居民用户率,y10为无效量测ID用户率,y11为居民用户数,y12为居民用户率,y13为二级阶梯电价用户率,y14为三级阶梯电价用户率,y15为电力小区;
步骤2.3,建立比较向量;
4.根据权利要求2所述的居民智慧用能服务潜在台区选取方法,其特征在于:在所述步骤3中,具体包括:
步骤3.1,收集台区真实数据,建立评价矩阵A,
步骤3.2,特性指标同向化;特性指标参数有两种可能的形式,一种是正向特性指标,另一种是反向特性指标;正向特性指标为收益型指标,即数值越大,收益越高指标;反向特性指标为成本型指标,数值越大,收益越低;若为反向特性指标,运用公式(3)进行处理得到;
步骤3.3,数据无量纲处理,对部分数据量不为[0,1]区间的数据,进行无量纲处理,得到标准矩阵:
步骤3.4利用动态公权集数据包络分析DEA模型计算指标客观权重:
数据包络分析DEA模型被重构成由n个决策单元DMU组成的形式,其中第j个DMU表示为DMUj,j= 1,2, ...,n;每个DMU消耗一个半正定的m维输入向量:,其中,且不同时为0时产生一个半正定的s维输出向量:,且不同时为0;
则评估模型如下:
式中,v i 和分别表示第i个输入和第r个输出的权重,yj是第j个决策单元的输出向量,xj是第j个决策单元的输入向量,yrj表示第j个决策单元的输出向量的第r个元素,xij表示第j个决策单元的输入向量的第i个元素,表示为正无穷小非阿基米德值,进一步采用多周期CSW权重模型来确定准则权重;模型表述如下:
5.根据权利要求4所述的居民智慧用能服务潜在台区选取方法,其特征在于:在所述步骤4中,具体包括:
提出的信用绩效评价框架遵循动态和多周期结构;假设评价指标记为;分为两类,一类是费用型标准,其较低的值更值得关注,定义为;另一类是效益型标准,其更大的值更值得关注,被定义为产出指标;由于每个用户DMU是在T个时间段内进行评估的,因此每个用户都有自己的输入向量和输出向量,t=1,2,...,T,j=1,2,...,n;考虑到作为周期t内的决策矩阵,划分为,其中和分别表示每个用户在周期t内的输入矩阵和输出矩阵;
式(7)(8)(9)给出了将周期决策矩阵转化为整体区间决策矩阵的公式;在这个公式中,和表示第j个DMU第i个输入的平均值和标准差,i=1,2,...,m;和表示第j个DMU第r个输出的平均值和标准差,r=1,2,...,s;和表示整体区间决策矩阵中与原始输入和输出指标相关的输入和输出向量,多周期决策矩阵定义为;
...
7.居民智慧用能服务潜在台区选取装置,其特征在于:包括:
体系建立模块:用于对目标电网进行分析,在运行生产实际基础上,建立新型居民智慧用能服务潜在台区选取体系,包含4个一级指标,15个二级指标,并将二级指标作为特性指标;
主观权重计算模块:用于基于BWM法,邀请专家对各特性指标重要程度排序,确定各特性指标的主观权重;
客观权重计算模块:用于利用动态公权集数据包络分析DEA模型计算指标客观权重;
矩阵转化模块:用于利用切比雪夫不等式的界限将多周期决策矩阵转化为单一决策矩阵;
多属性决策方法选取模块:用于采用包括SAW-G、VIKOR-G、TOPSIS-G、ARAS-G和COPRAS-G这五种多属性决策方法MADM综合选取潜力台区;
台区潜力值计算模块:用于采用相关系数和标准偏差CCSD方法来确定最终的聚合秩,最终确定台区智慧用能服务潜力值;
判断模块:用于对台区智慧用能服务潜力值进行排序。
8.一种电子设备,其特征在于:包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述方法的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009820.3A CN113450031B (zh) | 2021-08-31 | 2021-08-31 | 居民智慧用能服务潜在台区选取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009820.3A CN113450031B (zh) | 2021-08-31 | 2021-08-31 | 居民智慧用能服务潜在台区选取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450031A true CN113450031A (zh) | 2021-09-28 |
CN113450031B CN113450031B (zh) | 2021-11-16 |
Family
ID=77819302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009820.3A Active CN113450031B (zh) | 2021-08-31 | 2021-08-31 | 居民智慧用能服务潜在台区选取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450031B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116365529A (zh) * | 2022-12-21 | 2023-06-30 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
CN116823044A (zh) * | 2023-06-26 | 2023-09-29 | 国网江苏省电力有限公司经济技术研究院 | 变电站的建设决策方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
US20190087529A1 (en) * | 2014-03-24 | 2019-03-21 | Imagars Llc | Decisions with Big Data |
CN110288240A (zh) * | 2019-06-27 | 2019-09-27 | 四川中电启明星信息技术有限公司 | 基于数据包络分析的配电网投资决策评估方法及系统 |
CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、系统及终端设备 |
CN111625770A (zh) * | 2020-03-30 | 2020-09-04 | 贵州电网有限责任公司 | 一种用于含分布式电源配电网的能效评估方法及系统 |
CN112668850A (zh) * | 2020-12-21 | 2021-04-16 | 山东鲁能软件技术有限公司 | 一种基于dea算法的配电网台区投入产出分析方法 |
CN113139711A (zh) * | 2021-03-03 | 2021-07-20 | 国网江西省电力有限公司供电服务管理中心 | 一种基于数据整合的智慧能源数据中心管理系统 |
-
2021
- 2021-08-31 CN CN202111009820.3A patent/CN113450031B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190087529A1 (en) * | 2014-03-24 | 2019-03-21 | Imagars Llc | Decisions with Big Data |
CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN110288240A (zh) * | 2019-06-27 | 2019-09-27 | 四川中电启明星信息技术有限公司 | 基于数据包络分析的配电网投资决策评估方法及系统 |
CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、系统及终端设备 |
CN111625770A (zh) * | 2020-03-30 | 2020-09-04 | 贵州电网有限责任公司 | 一种用于含分布式电源配电网的能效评估方法及系统 |
CN112668850A (zh) * | 2020-12-21 | 2021-04-16 | 山东鲁能软件技术有限公司 | 一种基于dea算法的配电网台区投入产出分析方法 |
CN113139711A (zh) * | 2021-03-03 | 2021-07-20 | 国网江西省电力有限公司供电服务管理中心 | 一种基于数据整合的智慧能源数据中心管理系统 |
Non-Patent Citations (3)
Title |
---|
R. SANHUEZA: "Discussion of Performance evaluation of electric distribution utilities based on data envelopment analysis", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
TIEFENG ZHANG: "A knowledge-based efficiency assessment system for distribution network using data envelopment analysis", 《2010 FOURTH INTERNATIONAL CONFERENCE ON RESEARCH CHALLENGES IN INFORMATION SCIENCE (RCIS)》 * |
卜莉敏 等: "基于超效率DEA模型的配电网效率评价", 《现代经济信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116365529A (zh) * | 2022-12-21 | 2023-06-30 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
CN116365529B (zh) * | 2022-12-21 | 2024-01-23 | 四川大学 | 一种基于负荷用电特性的工业用户可调节潜力评估方法 |
CN116823044A (zh) * | 2023-06-26 | 2023-09-29 | 国网江苏省电力有限公司经济技术研究院 | 变电站的建设决策方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113450031B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN110082699A (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
CN104504508B (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
CN109634940A (zh) | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN108596467B (zh) | 一种适于售电公司的市场运营模拟交易仿真系统 | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
CN113361980A (zh) | 一种大数据资产价值评估的系统和方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
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 | |
CN112950067A (zh) | 基于模糊综合评价的电力用户用电能效评估方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN111724049A (zh) | 一种潜在电力能效服务客户的研判方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
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 | |
CN106886851A (zh) | 基于电能表状态检修的电能表备品备件预测方法 | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
CN112561299A (zh) | 一种园区综合能源源荷储精准画像系统 | |
CN117291756B (zh) | 一种储能设备配置调整方法、装置和存储介质 | |
Zhang et al. | Load prediction based on depthwise separable convolution model | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
CN114358483A (zh) | 基于负荷数据的居民需求响应潜力评价方法和系统 |
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 |