CN114240687A - 一种适用于综合能源系统的能源托管效率分析方法 - Google Patents
一种适用于综合能源系统的能源托管效率分析方法 Download PDFInfo
- Publication number
- CN114240687A CN114240687A CN202111315126.4A CN202111315126A CN114240687A CN 114240687 A CN114240687 A CN 114240687A CN 202111315126 A CN202111315126 A CN 202111315126A CN 114240687 A CN114240687 A CN 114240687A
- Authority
- CN
- China
- Prior art keywords
- sample
- efficiency
- data
- energy system
- energy
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
Abstract
本发明公开一种能源托管效率分析方法，包括：获取待分析综合能源系统的输入和输出数据，进行预处理得到原始能效样本；利用CCR模型对原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及松弛变量；基于松弛变量利用SFA模型计算排除外部环境因素影响和随机干扰误差后的修正后样本，作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本，将其与修正后样本混合得到混合样本集合；利用异常点检测算法对混合样本进行筛选，得到最终能效样本；基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG‑DEA评价，得到待分析综合能源系统的托管效率。本发明能够修正不同能源投入结构差异对效率造成的影响，区分有效决策单元的效率，提升能源托管效率分析的可靠性。
Description
技术领域
本发明涉及电力能源托管技术领域，特别是一种适用于含有新能源电源的综合能源系统的，基于GG-ELM数据处理的三阶段VSG_DEA能源托管效率分析方法。
背景技术
在国家电网聚焦能源变革发展，构建新型区域能源互联网，打造综合能源服务平台，创新实践能源网络新形态的趋势下，电力行业改造升级，各种新能源设备以及传统电力设备急速增长。
面向电网体制调整和优质可靠供电服务的市场需求，配电网能源管理还存以下问题：一是原有的传统用户(如水电、地电、高耗能企业等)不再满足于原有的调配用一体化系统，在保证原有监控功能稳定可靠的基础上，对能源高效利用和托管服务提出了新需求；二是具有较大市场潜力、个性化需求的新型用户(如高校机场、商业综合体、智慧园区等)是对综合能源、物联网等新兴领域感兴趣的用户，他们的需求多是对能源的监测、诊断、运维，对物联网场景的管控。由于在能源的专业性上比较弱，无法对区域内的多种能源进行集中监控、高效利用和巡检运维，导致区域内用能可靠性低，造成能源浪费，运行成本增高；三是系统内调度领域的区域协控产品用户，主要需求是柔性负荷、交直流协调控制、人工智能与数据挖掘、需求响应等，随着网源荷储技术的不断演进，对配电网韧性和经济化管理提出了更高要求。
传统DEA在能源系统中无法区分有效决策单元的效率，未考虑不同能源投入结构差异对效率造成的影响，因此，无法实现对能源托管效率的可靠分析。
名词解释
DEA，Data Envelopment Analysis，数据包络分析方法，是根据多项投入指标和多项产出指标，利用线性规划，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。CCR模型是DEA模型中的一种，它假设决策单元DMU处于固定规模报酬情形下，来衡量总效率。
SFA，Stochastic Frontier Analysis，随机前沿分析方法，是前沿分析中参数方法的典型代表，即需要确定生产前沿的具体形式。与非参数方法相比，它的最大优点是考虑了随机因素对于产出的影响。
VSG，Virtual sample generation，虚拟样本生成方法。
ELM，extreme learning machine，极限学习机，是基于前馈神经元网络(feedforward neuron network)的机器学习方法，适用于监督学习和非监督学习，传统的极限学习机为单隐含层。
GG，模糊Gath-Geva聚类算法。
发明内容
本发明的目的是提供一种适用于综合能源系统的能源托管效率分析方法，能够修正不同能源投入结构差异对效率造成的影响，区分有效决策单元的效率，提升能源托管效率分析的可靠性。本发明采用的技术方案如下。
一方面，本发明提供一种能源托管效率分析方法，包括：
获取待分析综合能源系统的输入和输出数据；
对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
可选的，所述对数据进行预处理按照以下公式进行：
其中，m、n分别表示综合能源系统的输入量个数和输出量个数；xij表示j时刻综合能源系统的第i个输入数据，xj,min、xj,max分别表示j时刻的最小、最大输入数据，yij表示j时刻综合能源系统的的第i个输出数据，yj,min、yj,max分别表示j时刻的最小、最大输出数据，xijnor和yijnor为归一化处理后的数据。
可选的，所述各样本数据的松弛变量根据综合能源系统的DEA效率值计算得到，具体即，使用linprog函数求解线性规划问题，得到DEA效率值对应的最优投入产出权重值就是松弛变量。
可选的，方法还包括，对于修正后的样本，采用Gath-Geva算法进行样本数据时段划分，将时段划分后的修正后样本作为预先训练的ELM虚拟样本生成模型的输入。
可选的，采用Gath-Geva算法进行样本数据时段划分时，聚类个数即划分出的时段个数利用以下公式确定：
式中，PC表示分割系数，CE表示分类熵，N表示样本个数，c表示聚类个数，μjk表示样本对分类的隶属度；
以分割系数PC最大且分类熵CE最小作为目标求解得到聚类个数c。
可选的，本发明所述利用异常点检测算法对混合样本集合中的样本进行筛选为，利用one-class svm算法对混合样本集合中的样本进行筛选。
第二方面，本发明提供一种能源托管效率分析装置，包括：
能源系统数据获取模块，被配置用于获取待分析综合能源系统的输入和输出数据；
数据预处理模块，被配置用于对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
DEA评价模块，被配置用于利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
样本修正模块，被配置用于基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
虚拟样本生成模块，被配置用于将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
样本筛选模块，被配置用于利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
以及，VSG-DEA评价模块，被配置用于基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
第三方面，本发明提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理执行时实现如第一方面中所述的能源托管效率分析方法。
有益效果
本发明提出了一种利用三阶段VSG-DEA进行能源托管效率分析的方法，其中样本生成(VSG)方法采用GG-ELM的隐含层的特征变换来生虚拟样本的方法，并利用one-classsvm对样本进行筛选。VSG-DEA通过对具有虚拟样本的混合样本进行评价，构造出虚拟前沿面，将原来的有效决策单元转换为无效决策单元，因此可以对原所有的决策单元的效率进行区分，并得到节能潜力。由于新能源电源的多样性会对DEA方法的评价值产生干扰，本发明将三阶段DEA和VSG-DEA结合来解决这个问题，能够提高能源托管效率分析模型的精度，
附图说明
图1所示为本发明能源托管效率分析方法的一种实施例流程示意图；
图2所示为ELM样本生成方法示意图；
图3所示为VSG-DEA模型评价原理示意图；
图4所示为one-class SVM模型原理示意图；
图5所示为三阶段VSG-DEA、传统DEA和超效率DEA方法得出的各决策单元效率值对比示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种能源托管效率分析方法，参考图1所示，方法包括：
获取待分析综合能源系统的输入和输出数据；
对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
以下具体介绍本实施例所涉及的内容。
一、综合能源数据获取及数据处理
本实施例选取2015-2020数据广西某园区智慧能源系统数据，包括对园区内用户采集到的电、气、热、水的数据以及功率和负荷值，其中，将2015-2018年数据作为训练样本，2019-2020年数据作为测试样本，对样本进行数据预处理，剔除离群点数据并进行归一化处理。
对数据进行预处理按照以下公式进行：
其中，m、n分别表示综合能源系统的输入量个数和输出量个数；xij表示j时刻综合能源系统的第i个输入数据，xj,min、xj,max分别表示j时刻的最小、最大输入数据，yij表示j时刻综合能源系统的的第i个输出数据，yj,min、yj,max分别表示j时刻的最小、最大输出数据，xijnor和yijnor为归一化处理后的数据。
本实施例利用归一化处理后的数据组成综合能源系统的原始能效样本集。
二、三阶段VSG_DEA的第一阶段：DEA
在本阶段，本实施例使用DEA中的CCR模型得到综合能源系统的原始能效样本集S的DEA效率值E，并通过DEA效率值得到松弛变量。
CCR模型是在规模收益不变的情况下成立的。假设存在I个决策单元(相当于综合能源系统的能源托管策略)，分别有m个投入，n个产出，对于第i个决策单元的投入和产出分别可用xi＝(x1i,x2i,…,xmi)T>0和yi＝(y1i,y2i,…,yni)T>0,i＝1,2,…,I表示，则输入输出矩阵分别可以用m×I阶矩阵X和n×I矩阵Y表示。投入和产出的权系数分别可以用V和U表示，其中U可看作是1×n的矩阵，V作为1×m的矩阵。CCR模型如下式表示：
对模型求解得到的最优值就表明了决策单元的相对效率值，若等于1则表明该决策单元是有效决策单元；若小于1则表明决策单元是无效的。但这个公式存在的问题是它可能有无数个解，所以本实施例添加一个条件即V*xi＝1，便得到下式：
考虑实际应用，本实施例采用上式的对偶形式，如下式所示，其中θ表示第i个决策单元的相对效率值，γ表示投入产出的权系数，即松弛变量。
当θ等于1时，就表明该决策单元位于生产前沿线上，是技术有效的；反之，则是技术无效的。在对生产进行能效评价时，技术无效的决策单元可以通过松弛变量得到它的投入的节能空间。通过linprog函数求解线性规划问题得到的最优权重值就是松弛变量。
三、三阶段VSG_DEA的第二阶段：SFA
3.1在本阶段，本实施例首先使用SFA模型，计算排除外部环境因素和随机扰动对效率的影响，得到修正后的原始能效样本集V。
SFA模型的公式是：
Sni＝f(Sni，βn)+vni+μni
其中i＝1,2,…I表示样本个数，n＝1,2,…N表示投入变量个数。Sni表示第i个样本的第n个投入的松弛变量。βn表示外部环境变量的参数，f(Sni，βn)则表示外部环境变量对松弛变量的影响，vni是随机误差，μni是技术无效率。其中
N(*，*)表示数据分析符合标准正态分布，μi表示技术无效率的个体数据，通过极大似然估计法，能够得出外部环境变量参数βn、随机误差参数
和技术无效率参数
最后可以得到排除外部环境因素和随机干扰误差的投入为：
3.2在得到排除外部环境因素和随机干扰误差后的样本后，本实施例使用Gath-Geva算法对修正后的样本数据V进行时段划分。
Gath-Geva算法是一类基于目标函数的聚类方法，划分操作阶段的关键参数为最佳聚类数目。由于实际系统业务复杂，在缺乏先验知识条件下，很难确定最佳聚类数目。如果设置聚类数目过多，会增加计算复杂度，相反聚类数目太少，又不能有效反映间歇过程的多阶段特性，因此本实施例使用Leszek提出的分割矩阵中的分割系数(PartitionCoefficient，PC)和分类熵(Classification Entropy，CE)两个聚类验证指标来确定最佳聚类。该指标通过测量簇之间的重叠量来描述分配矩阵的模糊度，具体指标如下式所示：
其中，c表示是聚类个数，N是数据个数，μjk是数据对分类的隶属度。当分割系数PC最大，且分类熵CE最小时，即可得到最佳分类个数。
3.3在进行样本分类后，本实施例采用ELM模型通过隐含层特征缩放对分段后的样本数据进行处理，使用修正后的样本数据建立ELM模型，利用隐含层特征缩放的方法生成新样本。
ELM模型是一个三层前馈神经网络，分别为输入层、隐含层和输出层。其中输入层的权重和隐含层节点的阈值都是通过随机初始化生成。并且为了避免在迭代训练过程上花费大量时间所以对训练集执行矩阵化操作。假设输入向量X是一个n维向量，输出Y是一个m维向量。所以训练集可看作S＝{(Xk,Yk)|k＝1,2,…,K；Xk∈Rn,Yk∈Rm}；g(·)是激活函数，一般设为sigmoid函数。所以输出层的输出可表示为：
其中L表示隐含层节点数。αl＝[αl1,αl2,…,αln]代表输入层和隐含层间的权重，βl＝[βl1,βl2,…,βlm]T则表示隐含层和输出层的权重。tl代表隐含层节点的阈值
假设隐含层输出可表示为如下：
那么输出层的输出又可表示为：
Y＝Hβl
而隐含层和输出层的权重可以通过Moore-Penrose变换得到，所以可定义为如下：
对于基于特征缩放的虚拟样本生成方法，就是在通过原始数据建好的ELM模型上对隐含层输出进行特征缩放。假如从输出层或者输入层进行特征缩放，就会经过两次反推计算，可能导致虚拟样本漂移。其中假定n是一个缩放系数，用来调整缩放的大小。缩放后的新的隐含层输出H'可表示为：
H'＝H(1+n*W)
上式中，W＝[ωn1,ωn2,…,ωnl],ωnj～N(0,1),j＝1,2,…,l表示每一个隐含层的输出的扰动，且服从高斯分布。通过公式(29)可得出，新的输出层的输入可看作如下：
X'＝(g-1(H')-tl)(αl)-1
所以新输出则是：
因此经ELM模型生成的虚拟样本的样本集分别是：S'＝{(X'k,Yk')|k＝1,2,…,K；X'k∈Rn,Yk'∈Rm}
本实施例基于ELM隐含层特征缩放的虚拟样本生成方法的网络结构如图2所示。
选取50组数据验证本实施例样本生成方法的有效性，N表示隐含层节点个数，MAPE(平均绝对百分误差)用来体现ELM模型的性能。
表1不同隐含层节点个数的ELM模型的平均绝对百分误差(％)
可以看出在节点数为25时，模型效率最高。在选择节点数为25的条件下，选择300个样本进行特征缩放，n表示缩放系数。
表2不同缩放系数n下的ELM模型的平均绝对百分误差(％)
所以，在此数据下，缩放系数n可取0.01。
3.4新样本筛选：为了选择更好的特征向量，提高后面结果的精度，本实施例利用one-class svm算法对样本集s'建模并筛选新样本。
one-class svm算法是一种无监督学习方法，它可以对训练样本进行很好的描述，并根据测试样本与训练样本的相似度来判断测试样本的类别。one-class svm算法的训练样本都是正样本，此时需要学习的是训练样本的边界，在特征空间里，则是需要寻找远离原点的超平面。图3的左图是表示了one-class svm算法在原始空间中寻找包围原始样本的球形超平面，右图表示在特征空间寻找最远离原点的超平面。
假设训练样本是D＝{xi},x∈RN,1≤i≤n，φ则是将训练样本映射到高维空间的函数。算法模型是：
其中，w与ρ分别是超平面的法向量和截距；n是样本维度，εi是松弛变量；ν∈[0,1]是调整松弛变量影响的大小的参数。假设中间量调节系数Qij＝K(xi,xj)＝φ(xi)Tφ(xi)，则上述模型公式的对偶形式是：
因此可以得到决策函数：
将修正后的样本作为训练样本，再对样本利用决策函数进行判断，从而可剔除不符合要求的样本：根据决策函数返回值的正负进行判断，返回值为正或者零，则样本为符合要求的样本。
四、三阶段VSG_DEA的第三阶段：利用修正后的样本集s'，进行VSG-DEA评价。
在本阶段，VSG-DEA通过对具有虚拟样本的混合样本进行评价，构造出虚拟前沿面，将原来的有效决策单元转换为无效决策单元，因此可以对原所有的决策单元的效率进行区分，并得到节能潜力。
参考图3的VSG-DEA的模型，假设ABCD是有效决策单元，E是无效决策单元，现在找出了FGHI构成的虚拟前沿，此时原始样本的参考集变成了FGHI，ABCD现在都是无效决策单元，因此便可以分辨出原始样本与经本实施例处理后的样本中决策单元及其效率的不同。
图5列出了三阶段VSG-DEA、传统DEA和超效率DEA方法得出的各决策单元效率值比较曲线。
为了证明三阶段VSG-DEA的合理性，此处使用斯皮尔曼系数来比较三阶段VSG-DEA、传统DEA和超效率DEA这三个方法与综合能耗指数的相关性，如表3。
表3各评价方法结果与综合能耗指数的相关性
从表中可以看出三阶段VSG-DEA相关性更好，效率值波动更小更稳定。其中超效率DEA虽然能解决多个效率同时为1无法区分的问题，但是它的每一个原有效决策单元的评价的参照标准都不同，评价结果不能很好的作为参考。
实施例2
本实施例介绍一种能源托管效率分析装置，包括：
能源系统数据获取模块，被配置用于获取待分析综合能源系统的输入和输出数据；
数据预处理模块，被配置用于对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
DEA评价模块，被配置用于利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
样本修正模块，被配置用于基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
虚拟样本生成模块，被配置用于将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
样本筛选模块，被配置用于利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
以及，VSG-DEA评价模块，被配置用于基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
以上各功能模块的具体功能实现参考实施例1方法中的相关内容。
实施例3
本实施例介绍一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理执行时实现如第一方面中所述的能源托管效率分析方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种能源托管效率分析方法，其特征是，包括：
获取待分析综合能源系统的输入和输出数据；
对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
2.根据权利要求1所述的方法，其特征是，所述对数据进行预处理按照以下公式进行：
其中，m、n分别表示综合能源系统的输入量个数和输出量个数；xij表示j时刻综合能源系统的第i个输入数据，xj,min、xj,max分别表示j时刻的最小、最大输入数据，yij表示j时刻综合能源系统的的第i个输出数据，yj,min、yj,max分别表示j时刻的最小、最大输出数据，xijnor和yijnor为归一化处理后的数据。
3.根据权利要求1所述的方法，其特征是，所述各样本数据的松弛变量根据综合能源系统的DEA效率值计算得到。
4.根据权利要求1所述的方法，其特征是，还包括，对于修正后的样本，采用Gath-Geva算法进行样本数据时段划分，将时段划分后的修正后样本作为预先训练的ELM虚拟样本生成模型的输入。
5.根据权利要求1所述的方法，其特征是，采用Gath-Geva算法进行样本数据时段划分时，聚类个数即划分出的时段个数利用以下公式确定：
式中，PC表示分割系数，CE表示分类熵，N表示样本个数，c表示聚类个数，μjk表示样本对分类的隶属度；
以分割系数PC最大且分类熵CE最小作为目标求解得到聚类个数c。
6.根据权利要求1所述的方法，其特征是，所述利用异常点检测算法对混合样本集合中的样本进行筛选为，利用one-class svm算法对混合样本集合中的样本进行筛选。
7.一种能源托管效率分析装置，其特征是，包括：
能源系统数据获取模块，被配置用于获取待分析综合能源系统的输入和输出数据；
数据预处理模块，被配置用于对获取到的数据进行预处理，得到综合能源系统的原始能效样本；
DEA评价模块，被配置用于利用CCR模型对所述原始能效样本进行评价分析，得到综合能源系统的DEA效率值以及各样本数据的松弛变量；
样本修正模块，被配置用于基于各样本数据的松弛变量，利用SFA模型计算得到排除外部环境因素影响和随机干扰误差后的修正后样本和修正后松弛变量；
虚拟样本生成模块，被配置用于将修正后样本作为预先训练的ELM虚拟样本生成模型的输入，得到虚拟样本的输入量和输出量，将虚拟样本与修正后样本混合得到混合样本集合；
样本筛选模块，被配置用于利用异常点检测算法对混合样本集合中的样本进行筛选，剔除异常样本，得到最终能效样本；
以及，VSG-DEA评价模块，被配置用于基于所述修正后松弛变量和最终能效样本，对综合能源系统进行VSG-DEA评价，得到待分析综合能源系统的托管效率。
8.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理执行时实现如权利要求1-6中任一项所述的能源托管效率分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111315126.4A CN114240687A (zh) | 2021-11-08 | 2021-11-08 | 一种适用于综合能源系统的能源托管效率分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111315126.4A CN114240687A (zh) | 2021-11-08 | 2021-11-08 | 一种适用于综合能源系统的能源托管效率分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114240687A true CN114240687A (zh) | 2022-03-25 |
Family
ID=80748758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111315126.4A Pending CN114240687A (zh) | 2021-11-08 | 2021-11-08 | 一种适用于综合能源系统的能源托管效率分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240687A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116131360A (zh) * | 2023-01-31 | 2023-05-16 | 成都安美科能源管理有限公司 | 一种混合能源控制方法及控制装置 |
| WO2023236619A1 (zh) * | 2022-06-07 | 2023-12-14 | 中山大学 | 一种交通排放配额分配过程中离群数据识别的优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105185106A (zh) * | 2015-07-13 | 2015-12-23 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
| CN112749900A (zh) * | 2021-01-12 | 2021-05-04 | 南京工程学院 | 基于优化专家评价法的三阶段dea电网能效分析方法 |
-
2021
- 2021-11-08 CN CN202111315126.4A patent/CN114240687A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105185106A (zh) * | 2015-07-13 | 2015-12-23 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
| CN112749900A (zh) * | 2021-01-12 | 2021-05-04 | 南京工程学院 | 基于优化专家评价法的三阶段dea电网能效分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 常丽娜: "基于三阶段VSG-DEA和改进XGBoost的能效分析", 全国优秀硕士学位论文全文数据库, 15 June 2020 (2020-06-15), pages 1 - 54 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023236619A1 (zh) * | 2022-06-07 | 2023-12-14 | 中山大学 | 一种交通排放配额分配过程中离群数据识别的优化方法 |
| CN116131360A (zh) * | 2023-01-31 | 2023-05-16 | 成都安美科能源管理有限公司 | 一种混合能源控制方法及控制装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Data driven parallel prediction of building energy consumption using generative adversarial nets | |
| Almalaq et al. | A review of deep learning methods applied on load forecasting | |
| Liu et al. | Short-term wind speed forecasting based on spectral clustering and optimised echo state networks | |
| CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
| Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
| Wang et al. | Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning | |
| He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
| CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
| Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
| CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
| CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
| Kumar et al. | Cloud-based electricity consumption analysis using neural network | |
| Zhang et al. | Energy modeling using an effective latent variable based functional link learning machine | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
| CN112613542B (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| Das et al. | Improved dequantization and normalization methods for tabular data pre-processing in smart buildings | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
| CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
| CN110163437A (zh) | 基于DPK-means的日前光伏发电功率预测方法 |
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 |