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 PDF

Info

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
Application number
CN202111009820.3A
Other languages
English (en)
Other versions
CN113450031B (zh
Inventor
唐文升
张志立
汤克艰
樊友杰
康兵
丁贵立
张亚楠
刘向向
李昊翔
何胜
许志浩
曾兵
王宗耀
韩威
朱卓航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Nanchang Institute of Technology
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, Nanchang Institute of Technology filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202111009820.3A priority Critical patent/CN113450031B/zh
Publication of CN113450031A publication Critical patent/CN113450031A/zh
Application granted granted Critical
Publication of CN113450031B publication Critical patent/CN113450031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

居民智慧用能服务潜在台区选取方法及装置
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
Figure 811428DEST_PATH_IMAGE001
，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2.2，由专家对特性指标进行重要性排序，确定最重要特性指标
Figure 197410DEST_PATH_IMAGE002
和最不重要特性指标
Figure 367360DEST_PATH_IMAGE003
；
步骤2.3，建立比较向量；
将最重要特性指标
Figure 231411DEST_PATH_IMAGE004
和特性指标
Figure 671882DEST_PATH_IMAGE005
进行比较，
Figure 432028DEST_PATH_IMAGE006
表示第j项特性指标，
Figure 417170DEST_PATH_IMAGE007
，得到最重要特性指标比较向量
Figure 84912DEST_PATH_IMAGE008
，
其中，
Figure 488211DEST_PATH_IMAGE009
表示
Figure 950417DEST_PATH_IMAGE010
与
Figure 924320DEST_PATH_IMAGE011
相比较的重要程度，
Figure 130173DEST_PATH_IMAGE012
，
Figure 122400DEST_PATH_IMAGE013
，与自身比较时为1；
将最不重要特性指标
Figure 473616DEST_PATH_IMAGE014
和特性指标
Figure 184083DEST_PATH_IMAGE015
进行比较，
Figure 193627DEST_PATH_IMAGE016
表示第j项特性指标，
Figure 305940DEST_PATH_IMAGE017
，得到最不重要特性指标比较向量
Figure 188576DEST_PATH_IMAGE018
，
其中，
Figure 120760DEST_PATH_IMAGE019
表示
Figure 419149DEST_PATH_IMAGE020
与
Figure 385968DEST_PATH_IMAGE021
相比较的重要程度，
Figure 95298DEST_PATH_IMAGE022
，
Figure 764045DEST_PATH_IMAGE023
，与自身比较时为1；
步骤2.4，通过求得约束函数
Figure 318655DEST_PATH_IMAGE024
的最小值，确立主观权重向量
Figure 139980DEST_PATH_IMAGE026
；
Figure 302102DEST_PATH_IMAGE027
（1）
Figure 208878DEST_PATH_IMAGE028
其中，约束函数
Figure 832758DEST_PATH_IMAGE024
为约束值，若值最小，即结果最优，
Figure 23436DEST_PATH_IMAGE029
为主观权重向量，
Figure 808990DEST_PATH_IMAGE030
为第j个特性指标的主观权重，
Figure 203062DEST_PATH_IMAGE031
为最重要特性指标的主观权重，
Figure 646944DEST_PATH_IMAGE032
为最不重要特性指标的主观权重，
Figure 177283DEST_PATH_IMAGE033
为
Figure 930475DEST_PATH_IMAGE034
中元素，
Figure 811843DEST_PATH_IMAGE035
为
Figure 557951DEST_PATH_IMAGE036
中元素。
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，
Figure 208375DEST_PATH_IMAGE037
（2）
其中，
Figure 866890DEST_PATH_IMAGE038
表示第i个台区第j项特性指标参数；
Figure 235554DEST_PATH_IMAGE039
，m为台区数，n为特性指标数，n=15；
步骤3.2，特性指标同向化；特性指标参数
Figure 21239DEST_PATH_IMAGE040
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
Figure 791749DEST_PATH_IMAGE040
为反向特性指标，运用公式（3）进行处理得到
Figure 621164DEST_PATH_IMAGE041
；
Figure 477125DEST_PATH_IMAGE042
（3）
其中，
Figure 565036DEST_PATH_IMAGE043
为第j项特性指标的最大值，即某一特性指标在m个台区中的最大取值，p为协调系数；若
Figure 924473DEST_PATH_IMAGE044
为正向特性指标，即
Figure 190369DEST_PATH_IMAGE045
；
Figure 268046DEST_PATH_IMAGE046
表示特性指标同向化后的数据；
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：
Figure 141673DEST_PATH_IMAGE047
（4）
其中
Figure 621196DEST_PATH_IMAGE048
表示无量纲处理后的数据；
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：
Figure 57994DEST_PATH_IMAGE049
其中，
Figure 419705DEST_PATH_IMAGE050
，且
Figure 849418DEST_PATH_IMAGE051
不同时为0时产生一个半正定的s维输出向量：
Figure 183447DEST_PATH_IMAGE052
，且
Figure 791146DEST_PATH_IMAGE053
不同时为0；
则评估模型如下：
Figure 843416DEST_PATH_IMAGE054
（5）
式中，v i 和
Figure 312706DEST_PATH_IMAGE055
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，
Figure 766821DEST_PATH_IMAGE056
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：
Figure 748683DEST_PATH_IMAGE057
Figure 537516DEST_PATH_IMAGE058
Figure 856502DEST_PATH_IMAGE059
Figure 165124DEST_PATH_IMAGE060
（6）
Figure 114625DEST_PATH_IMAGE061
Figure 875908DEST_PATH_IMAGE062
Figure 952579DEST_PATH_IMAGE063
Figure 115708DEST_PATH_IMAGE064
为决策单元最大均值，
Figure 970531DEST_PATH_IMAGE065
为决策单元最大方差，
Figure 484689DEST_PATH_IMAGE066
，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
Figure 598007DEST_PATH_IMAGE067
，产生一个输出向量
Figure 615642DEST_PATH_IMAGE068
，上述公式中，
Figure 172525DEST_PATH_IMAGE069
和
Figure 908400DEST_PATH_IMAGE070
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），
Figure 372880DEST_PATH_IMAGE071
和
Figure 995753DEST_PATH_IMAGE072
表示第j个DMU第i个输入的平均值和标准差，
Figure 723538DEST_PATH_IMAGE073
和
Figure 946709DEST_PATH_IMAGE074
表示第j个DMU第r个输出的平均值和标准差，
Figure 152562DEST_PATH_IMAGE075
和
Figure 394056DEST_PATH_IMAGE076
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：
假设X是一个非特定统计分布的随机变量，其中
Figure 27163DEST_PATH_IMAGE077
和
Figure 472051DEST_PATH_IMAGE078
分别为其均值和标准差。根据切比雪夫不等式的界限，这个随机变量位于
Figure 481595DEST_PATH_IMAGE079
内概率至少为
Figure 344640DEST_PATH_IMAGE080
,让
Figure 148648DEST_PATH_IMAGE081
的置信区间近似等于
Figure 346411DEST_PATH_IMAGE082
。
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
Figure 894067DEST_PATH_IMAGE083
；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
Figure 657624DEST_PATH_IMAGE084
；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
Figure 881801DEST_PATH_IMAGE085
。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
Figure 566860DEST_PATH_IMAGE086
和输出向量
Figure 918207DEST_PATH_IMAGE087
，t=1,2,...,T，j=1,2,...,n。考虑到
Figure 739532DEST_PATH_IMAGE088
作为周期t内的决策矩阵，可划分为
Figure 636075DEST_PATH_IMAGE089
，其中
Figure 542851DEST_PATH_IMAGE090
和
Figure 432310DEST_PATH_IMAGE091
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
Figure 373721DEST_PATH_IMAGE092
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
Figure 939700DEST_PATH_IMAGE093
。
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，
Figure 333773DEST_PATH_IMAGE094
和
Figure 26922DEST_PATH_IMAGE095
表示第j个DMU第i个输入的平均值和标准差，i=1,2,...,m；
Figure 619578DEST_PATH_IMAGE096
和
Figure 372770DEST_PATH_IMAGE097
表示第j个DMU第r个输出的平均值和标准差，r=1,2,...,s；
Figure 4871DEST_PATH_IMAGE098
和
Figure 236132DEST_PATH_IMAGE099
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
Figure 886556DEST_PATH_IMAGE100
。
Figure 810650DEST_PATH_IMAGE101
（7）
...
Figure 428582DEST_PATH_IMAGE102
Figure 197955DEST_PATH_IMAGE103
（8）
Figure 702885DEST_PATH_IMAGE104
（9）
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。
Figure 797880DEST_PATH_IMAGE105
（10）
方程中
Figure 404573DEST_PATH_IMAGE106
以及
Figure 977637DEST_PATH_IMAGE107
和
Figure 602653DEST_PATH_IMAGE108
分别为正、负标准指标集，
Figure 868550DEST_PATH_IMAGE109
表示第j个决策单元的输入向量的第i个元素。
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：
Figure 742965DEST_PATH_IMAGE110
（11）
其中
Figure 634566DEST_PATH_IMAGE111
为第j个方法在最终性能中的权重;
Figure 114089DEST_PATH_IMAGE112
是第j个方法中第i个用户的标准化值。备选方案的排名是基于
Figure 550887DEST_PATH_IMAGE113
的下降值。
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
Figure 115860DEST_PATH_IMAGE114
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
Figure 769740DEST_PATH_IMAGE115
，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2.2，由专家对特性指标进行重要性排序，确定最重要特性指标
Figure 369349DEST_PATH_IMAGE116
，和最不重要特性指标
Figure 711469DEST_PATH_IMAGE117
。
步骤2.3，建立比较向量；
将最重要特性指标
Figure 763738DEST_PATH_IMAGE118
和特性指标
Figure 731563DEST_PATH_IMAGE119
进行比较，
Figure 185678DEST_PATH_IMAGE120
表示第j项特性指标，
Figure 964278DEST_PATH_IMAGE121
，得到最重要特性指标比较向量
Figure 503844DEST_PATH_IMAGE122
，
其中：
Figure 776825DEST_PATH_IMAGE123
表示
Figure 882184DEST_PATH_IMAGE124
与
Figure 831685DEST_PATH_IMAGE125
相比较的重要程度，
Figure 592968DEST_PATH_IMAGE126
，
Figure 918907DEST_PATH_IMAGE127
，与自身比较时为1。
将最不重要特性指标
Figure 331303DEST_PATH_IMAGE128
和特性指标
Figure 451706DEST_PATH_IMAGE129
进行比较，
Figure 965864DEST_PATH_IMAGE130
表示第j项特性指标，
Figure 564335DEST_PATH_IMAGE131
，得到最不重要特性指标比较向量
Figure 332702DEST_PATH_IMAGE132
，
其中，
Figure 889585DEST_PATH_IMAGE133
表示
Figure 625460DEST_PATH_IMAGE134
与
Figure 27623DEST_PATH_IMAGE135
相比较的重要程度，
Figure 414611DEST_PATH_IMAGE136
，
Figure 939133DEST_PATH_IMAGE137
，与自身比较时为1。
步骤2.4，通过求得约束函数
Figure 99987DEST_PATH_IMAGE138
的最小值，确立主观权重向量
Figure 368157DEST_PATH_IMAGE139
。
Figure 360384DEST_PATH_IMAGE140
（1）
Figure 744223DEST_PATH_IMAGE141
其中，约束函数
Figure 454690DEST_PATH_IMAGE138
为约束值，若值最小，即结果最优，
Figure 464234DEST_PATH_IMAGE142
为主观权重向量，
Figure 310968DEST_PATH_IMAGE143
为第j个特性指标的主观权重，
Figure 364243DEST_PATH_IMAGE144
为最重要特性指标的主观权重，
Figure 296427DEST_PATH_IMAGE145
为最不重要特性指标的主观权重，
Figure 109662DEST_PATH_IMAGE146
为
Figure 76481DEST_PATH_IMAGE147
中元素，
Figure 802123DEST_PATH_IMAGE148
为
Figure 487182DEST_PATH_IMAGE149
中元素。
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，
Figure 838529DEST_PATH_IMAGE150
（2）
其中，
Figure 659855DEST_PATH_IMAGE151
表示第i个台区第j项特性指标参数；m为台区数，n为特性指标数，n=15；
步骤3.2，特性指标同向化；特性指标参数
Figure 54933DEST_PATH_IMAGE152
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
Figure 961709DEST_PATH_IMAGE152
为反向特性指标，运用公式（3）进行处理得到
Figure 116747DEST_PATH_IMAGE153
；
Figure 792579DEST_PATH_IMAGE154
（3）
其中，
Figure 125602DEST_PATH_IMAGE155
为第j项特性指标的最大值，即某一特性指标在m个台区中的最大取值，p为协调系数；若
Figure 316412DEST_PATH_IMAGE156
为正向特性指标，即
Figure 9562DEST_PATH_IMAGE157
；
Figure 805479DEST_PATH_IMAGE158
表示特性指标同向化后的数据；
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：
Figure 558672DEST_PATH_IMAGE159
（4）
其中
Figure 423728DEST_PATH_IMAGE160
表示无量纲处理后的数据；
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：
Figure 858252DEST_PATH_IMAGE161
，其中
Figure 259408DEST_PATH_IMAGE162
，且
Figure 183502DEST_PATH_IMAGE163
不同时为0时产生一个半正定的s维输出向量：
Figure 286587DEST_PATH_IMAGE164
，且
Figure 321539DEST_PATH_IMAGE165
不同时为0；
则评估模型如下：
Figure 75738DEST_PATH_IMAGE166
（5）
式中，v i 和
Figure 170733DEST_PATH_IMAGE167
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，
Figure 761114DEST_PATH_IMAGE056
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：
Figure 396495DEST_PATH_IMAGE168
Figure 21511DEST_PATH_IMAGE169
Figure 772560DEST_PATH_IMAGE170
Figure 850238DEST_PATH_IMAGE171
（6）
Figure 23730DEST_PATH_IMAGE172
Figure 503253DEST_PATH_IMAGE173
Figure 940051DEST_PATH_IMAGE174
Figure 754292DEST_PATH_IMAGE175
为决策单元最大均值，
Figure 934737DEST_PATH_IMAGE176
为决策单元最大方差，
Figure 268767DEST_PATH_IMAGE177
，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
Figure 876466DEST_PATH_IMAGE178
，产生一个输出向量
Figure 425607DEST_PATH_IMAGE179
，上述公式中，
Figure 409744DEST_PATH_IMAGE180
和
Figure 863859DEST_PATH_IMAGE181
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），
Figure 642459DEST_PATH_IMAGE182
和
Figure 165713DEST_PATH_IMAGE183
表示第j个DMU第i个输入的平均值和标准差，
Figure 687961DEST_PATH_IMAGE184
和
Figure 793321DEST_PATH_IMAGE185
表示第j个DMU第r个输出的平均值和标准差，
Figure 742822DEST_PATH_IMAGE186
和
Figure 769684DEST_PATH_IMAGE187
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；
假设X是一个非特定统计分布的随机变量，其中
Figure 315197DEST_PATH_IMAGE188
和
Figure 743904DEST_PATH_IMAGE189
分别为其均值和标准差。根据切比雪夫不等式的界限，这个随机变量位于
Figure 661045DEST_PATH_IMAGE190
内概率至少为
Figure 112886DEST_PATH_IMAGE191
,让
Figure 773674DEST_PATH_IMAGE192
的置信区间近似等于
Figure 306156DEST_PATH_IMAGE193
。
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
Figure 597460DEST_PATH_IMAGE194
；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
Figure 67755DEST_PATH_IMAGE195
；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
Figure 735497DEST_PATH_IMAGE196
。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
Figure 669955DEST_PATH_IMAGE197
和输出向量
Figure 882893DEST_PATH_IMAGE198
，t=1,2,...,T，j=1,2,...,n。考虑到
Figure 106064DEST_PATH_IMAGE199
作为周期t内的决策矩阵，可划分为
Figure 577496DEST_PATH_IMAGE200
，其中
Figure 569723DEST_PATH_IMAGE201
和
Figure 452097DEST_PATH_IMAGE202
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
Figure 896985DEST_PATH_IMAGE203
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
Figure 906529DEST_PATH_IMAGE204
。
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，
Figure 753263DEST_PATH_IMAGE205
和
Figure 619588DEST_PATH_IMAGE206
表示第j个DMU第i个输入的平均值和标准差，i=1,2,...,m；
Figure 302504DEST_PATH_IMAGE207
和
Figure 850160DEST_PATH_IMAGE208
表示第j个DMU第r个输出的平均值和标准差，r=1,2,...,s；
Figure 551400DEST_PATH_IMAGE209
和
Figure 791888DEST_PATH_IMAGE210
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
Figure 460636DEST_PATH_IMAGE211
。
Figure 608720DEST_PATH_IMAGE212
（7）
...
Figure 430046DEST_PATH_IMAGE213
Figure 841436DEST_PATH_IMAGE214
（8）
Figure 482632DEST_PATH_IMAGE215
（9）
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。
Figure 388403DEST_PATH_IMAGE216
（10）
方程中
Figure 860972DEST_PATH_IMAGE217
以及
Figure 443263DEST_PATH_IMAGE218
和
Figure 837336DEST_PATH_IMAGE108
分别为正、负标准指标集。
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；
Figure 264906DEST_PATH_IMAGE219
（11）
其中
Figure 310091DEST_PATH_IMAGE220
为第j个方法在最终性能中的权重;
Figure 594442DEST_PATH_IMAGE221
是第j个方法中第i个用户的标准化值。备选方案的排名是基于
Figure 475810DEST_PATH_IMAGE222
的下降值。
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。
变压器最大负载率反应变压器运行情况。若负载率
Figure 972651DEST_PATH_IMAGE223
70%，且持续2小时，即为重载。此时开展居民智慧用能服务降低负荷，可缓解设备重过载情况。
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。
B1.邀请专家对特性指标进行排序。根据A建立特性指标集
Figure 623075DEST_PATH_IMAGE224
，并排序，得到对应的重要性矩阵
Figure 32322DEST_PATH_IMAGE225
。
B2.建立最重要特性指标比较向量
Figure 135407DEST_PATH_IMAGE226
B3.建立最不重要特性指标比较向量
Figure 170359DEST_PATH_IMAGE227
B4.计算主观权重。
Figure 691601DEST_PATH_IMAGE228
Figure 504706DEST_PATH_IMAGE229
各特性指标主观权重如下表1。
表1 特性指标主观权重
Figure 563928DEST_PATH_IMAGE230
C.基于数据包络分析的csw方法确定客观权重；
C1.收集3个台区各特性指标真实数据，建立评价矩阵
Figure 199309DEST_PATH_IMAGE231
Figure 575058DEST_PATH_IMAGE232
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。
Figure 575375DEST_PATH_IMAGE233
其中，
Figure 653052DEST_PATH_IMAGE234
为第j项特性指标的最大值，即某一特性指标在m个台区中的最大取值，p为协调系数，通常取0.1。若
Figure 29807DEST_PATH_IMAGE235
为正向特性指标，即
Figure 306068DEST_PATH_IMAGE236
；
得到数据正向化后特性指标
Figure 992133DEST_PATH_IMAGE237
Figure 291527DEST_PATH_IMAGE238
C3.数据无量纲处理
Figure 471973DEST_PATH_IMAGE239
得到数据无量纲后特性指标
Figure 806002DEST_PATH_IMAGE240
Figure 210439DEST_PATH_IMAGE241
C4.基于DEA的CSW方法计算客观权重
表2特性指标客观权重
Figure DEST_PATH_IMAGE242
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
Figure 470563DEST_PATH_IMAGE243
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
Figure DEST_PATH_IMAGE001
，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2.2，由专家对特性指标进行重要性排序，确定最重要特性指标
Figure DEST_PATH_IMAGE003
和最不重要特性指标
Figure DEST_PATH_IMAGE004
；
步骤2.3，建立比较向量；
将最重要特性指标
Figure DEST_PATH_IMAGE005
和特性指标
Figure 732739DEST_PATH_IMAGE006
进行比较，
Figure DEST_PATH_IMAGE007
表示第j项特性指标，
Figure 948082DEST_PATH_IMAGE008
，得到最重要特性指标比较向量
Figure DEST_PATH_IMAGE009
，
其中，
Figure 55715DEST_PATH_IMAGE010
表示
Figure DEST_PATH_IMAGE011
与
Figure 513241DEST_PATH_IMAGE012
相比较的重要程度，
Figure DEST_PATH_IMAGE013
，
Figure 124351DEST_PATH_IMAGE014
，与自身比较时为1；
将最不重要特性指标
Figure DEST_PATH_IMAGE015
和特性指标
Figure 245016DEST_PATH_IMAGE016
进行比较，
Figure 105525DEST_PATH_IMAGE007
表示第j项特性指标，
Figure DEST_PATH_IMAGE017
，得到最不重要特性指标比较向量
Figure 366742DEST_PATH_IMAGE018
，
其中，
Figure DEST_PATH_IMAGE019
表示
Figure 363517DEST_PATH_IMAGE020
与
Figure DEST_PATH_IMAGE021
相比较的重要程度，
Figure 666802DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，与自身比较时为1；
步骤2.4，通过求得约束函数
Figure 483448DEST_PATH_IMAGE024
的最小值，确立主观权重向量
Figure DEST_PATH_IMAGE025
；
Figure 282777DEST_PATH_IMAGE026
（1）
Figure DEST_PATH_IMAGE027
其中，约束函数
Figure 868479DEST_PATH_IMAGE024
为约束值，若值最小，即结果最优，
Figure 767165DEST_PATH_IMAGE028
为主观权重向量，
Figure DEST_PATH_IMAGE029
为第j个特性指标的主观权重，
Figure 572572DEST_PATH_IMAGE030
为最重要特性指标的主观权重，
Figure DEST_PATH_IMAGE031
为最不重要特性指标的主观权重，
Figure 910012DEST_PATH_IMAGE032
为
Figure DEST_PATH_IMAGE033
中元素，
Figure 615800DEST_PATH_IMAGE034
为
Figure DEST_PATH_IMAGE035
中元素。
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，
Figure 373803DEST_PATH_IMAGE036
（2）
其中，
Figure DEST_PATH_IMAGE037
表示第i个台区第j项特性指标参数；
Figure 165041DEST_PATH_IMAGE038
，m为台区数，n为特性指标数，n=15；
步骤3.2，特性指标同向化；特性指标参数
Figure DEST_PATH_IMAGE039
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
Figure 306173DEST_PATH_IMAGE039
为反向特性指标，运用公式（3）进行处理得到
Figure 272992DEST_PATH_IMAGE040
；
Figure DEST_PATH_IMAGE041
（3）
其中，
Figure 106955DEST_PATH_IMAGE042
为第j项特性指标的最大值，即某一特性指标在m个台区中的最大取值，p为协调系数；若
Figure DEST_PATH_IMAGE043
为正向特性指标，即
Figure 621376DEST_PATH_IMAGE044
；
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：
Figure DEST_PATH_IMAGE045
（4）
其中
Figure 566198DEST_PATH_IMAGE046
表示无量纲处理后的数据；
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：
Figure DEST_PATH_IMAGE047
，其中
Figure 980999DEST_PATH_IMAGE048
，且
Figure DEST_PATH_IMAGE049
不同时为0时产生一个半正定的s维输出向量：
Figure 251443DEST_PATH_IMAGE050
，且
Figure DEST_PATH_IMAGE051
不同时为0；
则评估模型如下：
Figure 253159DEST_PATH_IMAGE052
（5）
式中，v i 和
Figure DEST_PATH_IMAGE053
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，
Figure 736093DEST_PATH_IMAGE054
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：
Figure DEST_PATH_IMAGE055
Figure 270980DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE057
Figure 446746DEST_PATH_IMAGE058
（6）
Figure DEST_PATH_IMAGE059
Figure 935759DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
Figure 487963DEST_PATH_IMAGE062
为决策单元最大均值，
Figure DEST_PATH_IMAGE063
为决策单元最大方差，
Figure 611777DEST_PATH_IMAGE064
，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
Figure DEST_PATH_IMAGE065
，产生一个输出向量
Figure 692865DEST_PATH_IMAGE066
，上述公式中，
Figure DEST_PATH_IMAGE067
和
Figure 403594DEST_PATH_IMAGE068
是独立于DMU的阈值，
Figure DEST_PATH_IMAGE069
和
Figure 493910DEST_PATH_IMAGE070
表示第j个DMU第i个输入的平均值和标准差，
Figure DEST_PATH_IMAGE071
和
Figure 737810DEST_PATH_IMAGE072
表示第j个DMU第r个输出的平均值和标准差，
Figure DEST_PATH_IMAGE073
和
Figure 989799DEST_PATH_IMAGE074
分别表示输入和输出指标的共同权重集；该模型用普通的优化软件进行优化，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。
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：
假设X是一个非特定统计分布的随机变量，其中
Figure DEST_PATH_IMAGE075
和
Figure 718983DEST_PATH_IMAGE076
分别为其均值和标准差；根据切比雪夫不等式的界限，这个随机变量位于
Figure DEST_PATH_IMAGE077
内概率至少为
Figure 81831DEST_PATH_IMAGE078
,让
Figure DEST_PATH_IMAGE079
的置信区间近似等于
Figure 711396DEST_PATH_IMAGE080
；
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
Figure DEST_PATH_IMAGE081
；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
Figure 134287DEST_PATH_IMAGE082
；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
Figure DEST_PATH_IMAGE083
；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
Figure 73469DEST_PATH_IMAGE084
和输出向量
Figure DEST_PATH_IMAGE085
，t=1,2,...,T，j=1,2,...,n；考虑到
Figure 771167DEST_PATH_IMAGE086
作为周期t内的决策矩阵，划分为
Figure DEST_PATH_IMAGE087
，其中
Figure 724079DEST_PATH_IMAGE088
和
Figure DEST_PATH_IMAGE089
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，利用
Figure 583451DEST_PATH_IMAGE090
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；
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，
Figure DEST_PATH_IMAGE091
和
Figure 756068DEST_PATH_IMAGE092
表示第j个DMU第i个输入的平均值和标准差，i=1,2,...,m；
Figure DEST_PATH_IMAGE093
和
Figure 991878DEST_PATH_IMAGE094
表示第j个DMU第r个输出的平均值和标准差，r=1,2,...,s；
Figure DEST_PATH_IMAGE095
和
Figure 64876DEST_PATH_IMAGE096
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
Figure DEST_PATH_IMAGE097
；
Figure 236094DEST_PATH_IMAGE098
（7）
...
Figure DEST_PATH_IMAGE099
Figure 394543DEST_PATH_IMAGE100
（8）
Figure DEST_PATH_IMAGE101
（9）。
6.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；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，将由5个方法得分组成的次级决策矩阵归一化，下面的方程用于标准化；
Figure 669929DEST_PATH_IMAGE102
（10）
方程中
Figure DEST_PATH_IMAGE103
以及
Figure 456488DEST_PATH_IMAGE104
和
Figure DEST_PATH_IMAGE105
分别为正、负标准指标集，
Figure 657662DEST_PATH_IMAGE106
表示第j个决策单元的输入向量的第i个元素；
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；
Figure DEST_PATH_IMAGE107
（11）
其中
Figure 804872DEST_PATH_IMAGE108
为第j个方法在最终性能中的权重；
Figure DEST_PATH_IMAGE109
是第j个方法中第i个用户的标准化值，备选方案的排名是基于
Figure 116905DEST_PATH_IMAGE110
的下降值。
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。
CN202111009820.3A 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 Active CN113450031B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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