CN114971272A - 一种中压配电网网格化规划评价方法及系统 - Google Patents
一种中压配电网网格化规划评价方法及系统 Download PDFInfo
- Publication number
- CN114971272A CN114971272A CN202210564916.4A CN202210564916A CN114971272A CN 114971272 A CN114971272 A CN 114971272A CN 202210564916 A CN202210564916 A CN 202210564916A CN 114971272 A CN114971272 A CN 114971272A
- Authority
- CN
- China
- Prior art keywords
- index
- weight
- rate
- matrix
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000000547 structure data Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004513 sizing Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007781 signaling event Effects 0.000 description 1
- 238000012546 transfer 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种中压配电网网格化规划评价方法及系统，方法包括：采集中压配电网网格区域的网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据；根据所述网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据，建立指标评价体系；采用不同的赋权方法确定所述指标评价体系中各个指标的权重；对不同赋权方法获得的指标的权重进行修正，得到最优权重；基于各个指标的最优权重，对中压配电网网格化方案进行评价；该方法采用多种不同的赋权方法计算评价体系中的指标权重，再对得到的多种指标权重方案进行修正得到最优权重，方案评价准确性好。
Description
技术领域
本发明涉及配电网规划技术领域，尤其涉及一种中压配电网网格化规划评价方法及系统。
背景技术
随着我国经济社会发展水平的不断提高，电网建设规模在逐步扩大，配电网作为电力发输系统与用户连接的纽带，日益受到重视，其在电网中的地位不容小觑。同时，配电网也是国民经济和社会发展的重要公共基础设施，中低压配电网的发展成为地县公司的核心业务，受到高度关注和重视。可是在实际电网运行中，由于早些年对城市配电系统的建设和管理的疏忽，对配电网在整个电力系统中的地位的不重视，导致现在配电系统越来越多的暴露出问题。配电网规划与城市规划不协调，配电网建设的不合理，导致配电网已不适应当前城市快速发展，更不能满足城市建设和发展的用电要求。配电网规划与投资计划未有效衔接，配电网规划成效未及时有效评估，规划未有效指导配电网建设与改造。
为了解决配电网规划数据信息分散、数据维护工作量大、配电网规划成果不能落地及调整困难等问题，开展面向供电网格的配电规划项目管理工具建设。例如，专利文献CN112862378A公开了一种基于网格化的配电网规划综合评价方法，根据配电网理想网络拓扑建立若干配电网规划方案，按照熵权法计算每一方案的综合评价指标中各项指标的权重，再用得到的权重对配电网规划方案进行评价。
该方案能够对多种规划方案进行评价，但是指标权重确定方法单一，得到的指标权重相较于理想最优权重存在较大误差，导致配电网网格化规划方案评价准确性不足。
发明内容
本发明提供了一种中压配电网网格化规划评价方法及系统，采用多种不同的赋权方法计算评价体系中的指标权重，再对得到的多种指标权重方案进行修正得到最优权重，方案评价准确性好。
一种中压配电网网格化规划评价方法，包括：
采集中压配电网网格区域的网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据；
根据所述网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据，建立指标评价体系；
采用不同的赋权方法确定所述指标评价体系中各个指标的权重；
对不同赋权方法获得的指标的权重进行修正，得到最优权重；
基于各个指标的最优权重，对中压配电网网格化方案进行评价。
进一步地，所述网格结构化数据包括配电网结构标准化率、线路联络率、供电半径合格率、架空线路大分支线比例；
所述供电质量数据包括计划检修不停电作业率、变电站全停全转率、母线全停全转率、线路N-1通过率、线路重载比率、平均供电可靠率、系统平均预安排停电时间、系统平均预安排停电频率、线路故障停运率、供电质量投诉率、故障平均恢复时间以及故障报修率；
所述自动化运行数据包括配电自动化覆盖率、配电自动化系统运行指标以及智能电表覆盖率；
所述清洁能源数据包括本地清洁能源消纳率、清洁能源占终端能源消费比率；
所述运营数据包括线损率、设备利用率、内部收益率、单位资产的供电能力、单位新增资产负荷增量。
进一步地，采用不同的赋权方法确定所述指标评价体系中各个指标的权重，包括：
分别采用指标权重主观赋权法和指标权重数据赋权法确定所述指标评价体系中各个指标的权重。
进一步地，采用指标权重主观赋权法确定所述指标评价体系中各个指标的权重，包括：
将所述指标评价体系中的各个指标分成目标层、一级指标层和二级指标层；
赋予各层中的指标相对于其他层指标的主观重要程度值；
根据所述主观重要程度值建立关于各个指标的判断矩阵；
根据所述判断矩阵，求解矩阵最大特征值对应的特征向量；
对所述特征向量进行归一化，求取对应的指标权重。
进一步地，采用指标权重数据赋权法确定所述指标评价体系中各个指标权重，包括：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层以及输出层；
采集评价实例，根据评价实例中的各个指标建立初始信息矩阵；
对所述初始信息矩阵进行无量纲化处理，获得无量纲化初始信息；
将所述无量纲化初始信息输入至所述BP神经网络模型进行训练，并对输入层和隐含层之间的连接权矩阵、隐含层到输出层之间的连接权向量赋初值；
训练过程中，计算输出层的输出与期望值的输出误差，并根据所述输出误差，调整所述连接权矩阵和连接权向量，直到所述BP神经网络模型收敛；
根据收敛后的BP神经网络模型的连接权矩阵，计算所述指标评价体系中各个指标的权重。
进一步地，采用指标权重数据赋权法的权重根据以下公式进行计算：
其中，ωj表示第j个指标的权重，m表示指标的数量，k表示隐含层的维度，vil表示输入层第i个节点与隐含层第l个节点之间的连接权矩阵，vjl表示输入层第j个节点与隐含层第l个节点之间的连接权矩阵。
进一步地，对不同赋权方法获得的指标的权重进行修正，得到最优权重，包括：
计算不同赋权方法获得的指标的权重的一致性相关系数；
根据所述一致性相关系数计算组合权重；
对所述组合权重进行归一化处理，获得最优权重。
进一步地，基于各个指标的最优权重，对中压配电网网格化方案进行评价，包括：
根据中压配电网网格化方案，构建多属性原始矩阵；
根据所述多属性原始矩阵，构建规范化决策矩阵；
根据所述最优权重和规范化决策矩阵，计算获得加权规范化决策矩阵；
根据所述加权规范化决策矩阵，计算正理想解向量和负理想解向量；
分别求取所述加权规范化决策矩阵中各个对象与正理想解向量和负理想解向量的距离；
根据各个对象与正理想解向量和负理想解向量的距离，计算评价对象与理想值的贴近程度；
根据所述贴近程度，获得评价结果。
进一步地，所述贴近程度根据以下公式进行计算：
Ci＝di -/(di -+di +)'，i＝1,2,......,m；
其中，Ci表示贴近程度，
表示负理想解向量，
表示正理想解向量，m表示指标的数量。
一种中压配电网网格化规划评价系统，包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行上述方法。
本发明提供的中压配电网网格化规划评价方法及系统，至少包括如下有益效果：
(1)采集全面的中压配电网数据构建评价体系，并采用多种不同的赋权方法计算评价体系中的指标权重，并对指标权重进行优化，有效减小得到的最优组合权重的误差，提高了方案评价的准确性。
(2)采用指标权重数据赋权法计算指标权重时采用神经网络模型，将已有的评价实例作为输入对BP神经网络模型进行训练，并根据输出结果的误差对模型参数进行调整，根据该模型计算得到的权重准确度较高。
(3)通过计算不同方法得到的指标权重之间的一致性相关系数，从而计算组合权重并归一化，对不同赋权方法获得的指标的权重进行修正，得到最优权重。
附图说明
图1为本发明提供的中压配电网网格化规划评价方法一种实施例的流程图。
图2为本发明提供的中压配电网网格化规划评价装置一种实施例的结构示意图。
图3为本发明提供的中压配电网网格化规划评价系统一种实施例的结构示意图。
附图标记：1-处理器，101-采集模块，102-评价体系建立模块，103-计算模块，104-优化模块，105-评价模块，2-存储装置。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，在一些实施例中，提供一种中压配电网网格化规划评价方法，包括：
S1、采集中压配电网网格区域的网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据；
S2、根据所述网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据，建立指标评价体系；
S3、采用不同的赋权方法确定所述指标评价体系中各个指标的权重；
S4、对不同赋权方法获得的指标的权重进行修正，得到最优权重；
S5、基于各个指标的最优权重，对中压配电网网格化方案进行评价。
具体地，步骤S1中，中压配电网网格区域为根据中压配电网网格化方案规划设计的区域，网格结构化数据包括配电网结构标准化率、线路联络率、供电半径合格率、架空线路大分支线比例。本实施例中对于评价需要的网格结构化数据选取考虑全面，有效提高了评价的准确性。
在一些实施例中，配电网结构标准化率为10(20)kV配电网结构标准化率，10(20)kV配电网结构标准化率通过如下公式计算：10(20)kV配电网结构标准化率＝(满足供电区域电网结构标准要求的线路条数/线路总条数)×100。新建10(20)kV配电网时，A+类区域以电缆双环式为主，A、B类区域以电缆单、双环网和架空三分段三联络为主，C、D类区域以三分段适度联络为主，特殊地，高可靠性需求地区采用花瓣型等电网结构；对于已有的配电网，电缆网A+、A类区域以双环、单环为主，B、C类区域以单环为主，架空网A+、A、B、C类区域以多分段适度联络为主，D类区域以多分段适度联络、辐射式为主。
在一些实施例中，线路联络率为10(20)kV线路联络率，指区域内存在有效联络的10kV线路条数占10kV线路总条数的比例，通过如下公式计算：10(20)kV线路联络率＝10(20)kV联络线路总条数/10(20)kV线路总条数×100。
在一些实施例中，供电半径合格率为10(20)kV供电半径合格率，指从变电站二次侧出线到其供电的最远负荷点之间的线路长度小于规定距离的线路条数占10kV线路总条数的比例，通过如下公式计算：10(20)kV供电半径合格率＝供电半径小于规定距离的10(20)kV线路条数/10(20)kV线路总条数×100。其中，A+、A、B类供电区域供电半径不超过3km，C类供电区域供电半径不超过5km，D类不超过15km，E类供电区域供电半径根据需要经计算确定。
在一些实施例中，架空线路大分支线比例为10(20)kV架空线路大分支线比例，通过如下公式计算：10(20)kV架空线路大分支线比例＝含有大分支线的10(20)kV架空线路条数/10(20)kV架空线路总条数×100。其中，10(20)kV架空线路大分支线是指装接容量大于4000kVA的分支线。
供电质量数据包括计划检修不停电作业率、变电站全停全转率、母线全停全转率、线路N-1通过率、线路重载比率、平均供电可靠率、系统平均预安排停电时间、系统平均预安排停电频率、线路故障停运率、供电质量投诉率、故障平均恢复时间以及故障报修率。
在一些实施例中，计划检修不停电作业率通过如下公式计算：计划检修不停电作业率＝采用不停电作业计划检修次数/计划检修次数。变电站全停全转率通过如下公式计算：变电站全停转供率＝满足全停全转的变电站数量/变电站总数×100，其中，全停全转是指变电站全站停役后，其10(20)kV公用线路所带负荷可以通过10(20)kV线路全部转移至其他变电站，在最大装接负荷条件下，通过母线N-1进行校核计算。母线全停全转率为10(20)kV母线全停全转率，通过如下公式计算：10(20)kV母线全停全转率＝满足全停全转的10(20)kV母线数量/10(20)kV母线总数量×100，其中，母线全停全转是指变电站一条母线故障或停役后，其公用线路所带负荷通过配电线路全部转移至其他母线所带线路，在最大装接负荷条件下，通过母线N-1进行校核计算。
在一些实施例中，线路N-1通过率为10(20)kV线路N-1通过率，通过如下公式计算：10(20)kV线路N-1通过率＝(满足N-1的公用10(20)kV配电线路条数/10(20)kV公用线路总条数)×100，其中，从馈线出口侧计算10(20)kV配电网N-1通过率。线路重载比率为10(20)kV线路重载比例，通过如下公式计算：10(20)kV线路重载比例＝重载线路条数/线路总条数×100，其中，线路重载是指最大负载率达到80％以上且持续2小时以上。平均供电可靠率不计系统电源不足限电，通过如下公式计算：ASAI-3＝(1-(系统平均停电时间-系统平均受外部影响停电时间)/统计期间时间)*100。系统平均预安排停电时间的单位为小时/户，通过如下公式计算：SAIDI-S＝(∑每次预安排停电时间*每次预安排停电用户数)/总用户数。
在一些实施例中，系统平均预安排停电频率的单位为次/户，通过如下公式计算：SAIFI-S＝(∑每次预安排停电用户数)/总用户数。线路故障停运率为10(20)kv线路故障停电率，单位为次/100km·年，通过如下公式计算：10(20)kv线路故障停电率＝线路故障停电次数/系统线路(100km·年)，其中，在统计期间内，线路故障停电次数为供电系统每100km线路(包括架空线路及电缆线路)故障停电次数。供电质量投诉率单位为件/万户，通过如下公式计算：供电质量投诉率＝供电企业责任的供电质量属实投诉总数/总用户数(万户)。故障平均恢复时间通过如下公式计算：配电网故障平均恢复时间＝(∑用户单次故障恢复供电时间)/∑故障次数。故障报修率单位为次/万户，通过如下公式计算：故障报修率＝系统下发报修工单总数/总用户数(万户)，且不考虑合并工单情况。
自动化运行数据包括配电自动化覆盖率、配电自动化系统运行指标以及智能电表覆盖率。
在一些实施例中，配电自动化覆盖率通过如下公式计算：配电自动化覆盖率＝(区域内符合终端配置要求的中压线路条数/区域内中压线路总条数)×100％。配电自动化系统运行指标通过如下公式计算：配电自动化系统运行指标＝0.25*配电自动化终端平均在线率得分+0.25*遥控成功率得分+0.2*遥信动作正确率得分+0.3*馈线自动化成功率得分。智能电表覆盖率通过如下公式计算：智能电表覆盖率＝使用智能电表数/总电表数。
清洁能源数据包括本地清洁能源消纳率、清洁能源占终端能源消费比率。
在一些实施例中，本地清洁能源消纳率通过如下公式计算：本地清洁能源消纳率＝(((区外净受入电量+清洁能源上网电量)/(区外协议电量+清洁能源发电量(上网电量+限制上网电量)))×100。清洁能源占终端能源消费比率通过如下公式计算：清洁能源占终端能源消费比率＝(电能消费量折算值(标煤、油)/终端能源消费量折算值(标煤、油))×100％。
运营数据包括线损率、设备利用率、内部收益率、单位资产的供电能力、单位新增资产负荷增量。
在一些实施例中，线损率通过如下公式计算：线损率＝(供电量-售电量)/供电量×100％。设备利用率通过如下公式计算：设备利用率＝设备负载值/设备额定负载值×100％。内部收益率通过如下公式计算：
该指标是指当资金流入现值总额等于资金流出现值总额时的折现率，表征项目盈利情况。单位资产的供电能力通过如下公式计算：Su＝电网供电能力(MVA)/电网总资产(万元)。单位新增资产负荷增量通过如下公式计算：Pn＝负荷增量(MW)/投资增量(万元)。
步骤S3中，采用不同的赋权方法确定所述指标评价体系中各个指标的权重，包括：分别采用指标权重主观赋权法和指标权重数据赋权法确定所述指标评价体系中各个指标的权重。
采用指标权重主观赋权法确定所述指标评价体系中各个指标的权重，包括：
S311、将所述指标评价体系中的各个指标分成目标层、一级指标层和二级指标层；
S312、赋予各层中的指标相对于其他层指标的主观重要程度值；
S313、根据所述主观重要程度值建立关于各个指标的判断矩阵；
S314、根据所述判断矩阵，求解矩阵最大特征值对应的特征向量；
S315、对所述特征向量进行归一化，求取对应的指标权重。
具体地，步骤S312中，主观重要程度值是专家根据自身经验将指标的相对重要性转化为数值形式得到的数值。在一些实施例中，假定上一层元素Ak与下一层次元素B1B2,......Bn有关系，需要判断Ak下B1B2,......Bn的重要性，从而确定B1B2,......Bn的权重。专家一般采用1～9标度及其倒数来表示在Ak下Bi与Bj的相对重要程度，即如果Bi比Bj的重要程度为b，那么Bj比Bi的重要度为1/b，1-9标度具体含义参见表1。
表1
步骤S313中，关于各个指标的判断矩阵为：
步骤S314中，求解矩阵最大特征值对应的特征向量，通过如下公式计算：
Bv＝λmaxν；
其中，λmax为判断矩阵的最大特征值，ν为λmax对应的特征向量。
步骤S315中，对所述特征向量进行归一化，求取对应的指标权重，通过如下公式计算：
步骤S3中还包括：对建立的判断矩阵进行一致性检验。需要说明的是，1阶和2阶判断矩阵均满足完全一致性，对于3-9阶的判断矩阵，其完全一致性需要通过计算随机一致性比率进行检验，随机一致性比率通过如下公式计算：
其中，λmax为判断矩阵的最大特征值，n为判断矩阵阶数，CI为一致性指标，RI为平均随机一致性指标，RI的取值参考表2。
表2
当CR≤0.1时，则说明计算结果的一致性符合要求；当CR≥0.1时，则认为一致性不符合要求，需要对判断矩阵作相应调整。
采用指标权重数据赋权法确定所述指标评价体系中各个指标权重，包括：
S321、建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层以及输出层；
S322、采集评价实例，根据评价实例中的各个指标建立初始信息矩阵；
S323、对所述初始信息矩阵进行无量纲化处理，获得无量纲化初始信息；
S324、将所述无量纲化初始信息输入至所述BP神经网络模型进行训练，并对输入层和隐含层之间的连接权矩阵、隐含层到输出层之间的连接权向量赋初值；
S325、训练过程中，计算输出层的输出与期望值的输出误差，并根据所述输出误差，调整所述连接权矩阵和连接权向量，直到所述BP神经网络模型收敛；
S326、根据收敛后的BP神经网络模型的连接权矩阵，计算所述指标评价体系中各个指标的权重。
步骤S321中，BP神经网络模型包括输入层、隐含层以及输出层。其中，输入层包含m个节点，分别对应训练样本的m个评价指标，其输入向量为X＝(x1,x2,……,xj,……,xm)T；隐含层包含k个节点，其输出向量为Y＝(y1,y2,……,yj,……,yk)T；输出层只包含一个节点，其输出为O，期望输出为D＝(d1,d2,……,dj,……,dn)。输入层到隐含层之间的连接权(表示各节点联系的紧密程度)用矩阵V表示，V＝(vij)m×k，其中元素vij表示输入层第i个节点与隐含层第j个节点间的连接权；隐含层到输出层之间的连接权向量为Z＝(z1,z2,……,zj,……,zk)，其中zj表示输出层与隐含层第j个节点间的连接权。
步骤S322中，以成功的评价实例作为网络训练样本，有n个训练样本，每一训练样本有m个指标，初始信息矩阵为：X’＝(xij’)m×n，i＝1,2……,n，j＝1,2,……,m；其中，xij’为第i个训练成本的第j个指标的数值。
步骤S323中，对初始信息矩阵进行无量纲化处理，得到无量纲化矩阵X＝(xij)m×n，通过如下公式计算：
相应的，n个训练样本的初始期望输出D’＝(d1’,d2’,……,dj’,……,dn’)，经过无量纲化处理，得到期望输出D＝(d1,d2,……,dj,……,dn)。
步骤S324中，对输入层和隐含层之间的连接权矩阵、隐含层到输出层之间的连接权向量赋初值时，对连接权矩阵和连接权向量中的元素随机赋予一个较小的初始数值。
步骤S325中，输出层的输出通过如下公式计算：
其中，O为输出层的输出，yj为隐含层的输出，激活函数f(x)均选最常用的单极性Sig－moid函数，通过如下公式表示：
计算输出层的输出与期望值的输出误差时，采用经过无量纲化处理后的期望输出D＝(d1,d2,……,dj,……,dn)，输出误差通过如下公式计算：
其中，E为神经网络模型总误差，Ei为第i个训练样本的误差，oi为第i个训练样本的输出层输出。
根据所述输出误差，调整所述连接权矩阵和连接权向量，采用反向过程调节，根据输出层期望输出d与实际输出层的输出相比较得到的第一误差信号δO，对隐含层与输出层间的连接权矩阵的元素值进行调整；第一误差信号δO反向传至隐含层，得到隐含层的第二误差信号
根据第二误差信号对输入层与隐含层间的连接权向量进行调整，具体通过如下公式计算：
δo＝(d-o)o(1-o)；
zj(t)＝zj(t-1)+ηδoyj+μΔzj(t-1)；
其中，η为学习率，η∈(0,1)，μ为动量项，μ∈(0,1)。动量项反映了以前积累的调整经验，可以加速网络的收敛，即提高网络的训练速度。
BP神经网络模型的收敛条件为神经网络模型总误差小于预设的网络训练精度。
步骤S326中，采用指标权重数据赋权法的权重根据以下公式进行计算：
其中，ωj表示第j个指标的权重，m表示指标的数量，k表示隐含层的维度，vil表示输入层第i个节点与隐含层第l个节点之间的连接权矩阵，vjl表示输入层第j个节点与隐含层第l个节点之间的连接权矩阵。
采用上式进行权重的计算，连接权矩阵不限于n*n的矩阵，且具有绝对值约束，避免上一步归一化的负值误差，不同节点连接权不会相互抵消，提高计算的准确性。
在一种具体的应用场景中，以成功的评价实例作为网络训练样本，有n个训练样本，每一训练样本有m个指标，以此处理得到无量纲化初始信息。将处理后的n个训练样本依次输入神经网络模型中，以样本中各指标数据作为输入层各节点的数据，以此为根据计算网络模型的误差并进行权值调整。所有样本训练结束后，如果神经网络模型总误差小于预设的网络训练精度，则训练结束；反之将神经网络模型总误差置零，重新将n个训练样本依次输入神经网络模型中进行训练。
步骤S4中，由于步骤S3中采用了两种指标权重计算方法，两种权重方法各有优缺点，为了避免单一的权重方法造成指标权重误差偏大，将两种权重方法的计算结果进行修正，获得最优指标权重。将两种权重方法结成联盟，将联盟作为一个整体，对这个整体确定最优组合权重，尽量使组合权重的误差较低。具体地，对不同赋权方法获得的指标的权重进行修正，得到最优权重，包括：
S41、计算不同赋权方法获得的指标的权重的一致性相关系数；
S42、根据所述一致性相关系数计算组合权重；
S43、对所述组合权重进行归一化处理，获得最优权重。
步骤S41中，一致性相关系数通过如下公式计算：
其中，Li为Wi与W(m-i)的一致性相关系数，Wi为第i种权重方法计算的指标权重，W(m-i)为除第i种权重方法外，其余权重方法的组合权重，Wij为第i种权重方法计算的第j个指标的权重，W(m-i)j为组合权重W(m-i)确定的第j个指标的权重，
为权重Wi的平均值，
为组合权重W(m-i)的平均值。
步骤S42中，根据所述一致性相关系数计算组合权重，通过如下公式表示：
其中，W’为组合权重，Wi为第i种权重方法计算的指标权重，Li为Wi与W(m-i)的一致性相关系数。
步骤S5中，基于各个指标的最优权重，对中压配电网网格化方案进行评价，包括：
S51、根据中压配电网网格化方案，构建多属性原始矩阵；
S52、根据所述多属性原始矩阵，构建规范化决策矩阵；
S53、根据所述最优权重和规范化决策矩阵，计算获得加权规范化决策矩阵；
S54、根据所述加权规范化决策矩阵，计算正理想解向量和负理想解向量；
S55、分别求取所述加权规范化决策矩阵中各个对象与正理想解向量和负理想解向量的距离；
S56、根据各个对象与正理想解向量和负理想解向量的距离，计算评价对象与理想值的贴近程度；
S57、根据所述贴近程度，获得评价结果。
步骤S51中，设多属性决策问题的方案集为E＝{E1,E2,L Em}，属性集为F＝{F1,F2,LFm}，即有m个待评价方案，n个评价指标，则第i个方案关于第j个指标的属性值xij(i＝1,2,L,m；j＝1,2,L,n)构成了多属性原始矩阵，表示如下：
步骤S52中，由于多属性原始矩阵中的各个指标具有不同的量级，因此用向量规范化法对多属性原始矩阵进行无量纲化处理，得到规范化决策矩阵，表示如下：
步骤S53中，根据所述最优权重和规范化决策矩阵，计算获得加权规范化决策矩阵，通过如下公式计算：
zij＝wj·yij，i＝1,2,……,m，j＝1,2,……,n；
其中，wj为最优权重向量中第i个元素的值，yij为规范化决策矩阵中的元素值。
步骤S54中，据所述加权规范化决策矩阵，计算正理想解向量和负理想解向量，通过如下公式计算：
步骤S55中，分别求取所述加权规范化决策矩阵中各个对象与正理想解向量和负理想解向量的距离，通过如下公式计算：
步骤S56中，所述贴近程度根据以下公式进行计算：
Ci＝di -/(di -+di +)'，i＝1,2,......,m；
其中，Ci表示贴近程度，
表示负理想解向量，
表示正理想解向量，m表示指标的数量。
步骤S57中，贴近程度值表示和理想方案的贴近程度，其值越小表示和理想方案相差较远，其值越大表示和理想方案比较一致。根据Ci值各个评价对象进行优劣排序，最后得到需要的评价结果。
需要说明的是，针对不同评价主体，中压配电网网格化规划评价可分为单项指标评价、层级指标评价和综合评价三类。每类评价均应给出评价结论，并结合电网发展现状、发展需求与建设目标给出规划建设优化建议。评价采取定量评价方法，通过对指标进行计算、量化评分实现。
具体地，单项指标评价是对电网规划建设方案中的单个具体指标在规划期内的提升成效进行的评价。单项指标评价流程包括：根据评价目的，选定对应单项评价指标；计算单项指标在规划期间的变化量；根据所评价指标类型，得出规划期内单项指标提升情况的评价结论。
指标评分根据指标类型不同，可采取不同的评分方法：对于已有明确区间规定的限制类评价指标，将其规划期末经计算得出的指标值与规定区间进行比较，根据指标计算值与规定区间的偏离程度进行评分。若指标计算值落入规定区间，则该项指标达标，可赋予较高的评分；若该指标数值未达到规定区间，则根据指标值偏离规定区间程度，可设置不同的评分段位来评价偏离程度的大小；对于规划中明确目标值的限制类评价指标，将其规划期末经计算得出的指标值与目标值进行比较，根据指标计算值与目标值的偏离程度进行评分。若该指标计算值达到目标值，则该项指标达标，可赋予较高的评分；若该指标数值未达到目标值，则根据指标值偏离目标值的程度，可设置不同的评分段位来评价偏离程度的大小；对于趋势类评价指标，将其在规划期内变化趋势与规划预期趋势进行比较，若趋势相同，则该项指标达标，按100分赋值；若趋势相反，则该项指标未达标，按0分赋值。
层级指标评价是对电网规划建设方案中的某个一级指标在规划期内的提升成效进行的评价。层级指标评价可根据评价目的选取其中若干个一级指标进行评价，评价应给出总体结论与评分，评分采取百分制，通过对各单项指标赋权、评分，经加权后计算得出层级指标得分，评价结论应根据评分结果给出。层级指标评价的主要流程如下：根据评价目的，选定某一级及对应的二级指标；对二级指标采用单项指标评分方法进行评分；对于单项指标，选取适用的指标赋权方法对单项指标进行赋权，将各指标得分进行加权计算，得出层级指标评价得分，并通过比较后给出规划方案对于选定层级指标提升的评价结论，参见表3。
表3
在一种具体应用场景中，对中压配电网网格化方案进行评价，选择优选的网格化规划方案，包括：根据单个指标评价体系与配电网评价指标体系的关系，确定单个项目评价指标；根据项目是否符合指标要求，逐个项目进行打分，分值即为权重中设置的数值，指标要求参见表4；利用德尔菲法，经过几轮调查，并进行一致性校验，使预测意见趋于集中，最后做出符合项目评价目的的权重设定结论，参见表5。
表4
表5
需要说明的是，单个项目对配电网的影响可能不只体现在一个方面，如某新建线路出线项目，可能同时缓解了已有线路重载的问题、已有变电站重载、线路不可转供电问题等，则该情况在所有影响指标处均可以得分。单个项目所有项目打分的合计，即为该项目对配电网的效益大小，此值将作为项目优选的主要依据之一。
评价过程中，一般的数学规划问题可描述为：
max f(x1,x2,...,xi,...,xn)；
s.t.g(x1,x2,...,xi,...,xn)＝0；
h(x1,x2,...,xi,...,xn)≦0；
其中，记X＝(x1,x2,...,xi,...,xn)T,则等式约束g(x)＝0和不等式约束h(X)≦0。均可包含多个表达式，可不同时存在，甚至都不存在。如式中所有函数都是xi的线性函数，则称之为线性规划；而当决策变量xi只能取0或1时，则称之为0/1规划。
在确定项目决策问题中，可将0/1规划问题描述为:
其中，i＝l,2,...,n，n为待选项目数目，X为决策变量矢量，xi＝1表示保留第i个项目，xi＝O表示淘汰第i个项目，Z(X)为目标函数，在项目决策中代表被选择项目总的综合效益，C为n维价值矢量，Ci为第i个项目的价值，即综合效益评分，B为m维资源矢量，Bj为第j种资源的总量，一般项目决策问题中至少有一个资源约束，即总资金预算约束，A为m×n维约束系数矩阵，Aij为第j个不等式约束对第i个决策变量的约束系数，在项目决策中代表各项目的成本。
作为一种较优的实施方式，本实施例引入AHP项目综合效益评判结果对网格化规划方案进行评价。已知单个项目评价指标体系计算得到的各项目综合效益评分，再经过投资估算付到各项目的成本，得到一系列数据，参见表6。其中，Pi表示待选的项目，Ci数值越大，则表示Pi项目对电网的贡献越大；Ai数值越小，则表示Pi项目投资越省。
表6
得到每个项目的综合效益评分和成本后，为选择最优的项目组合，还需考虑预算约束及项目间逻辑关系，应用0/1规划进行项目优选，即按上述区间0/1规划模型求解。求解过程可表述为，找到在成本约束条件范围内，综合效益最大的项目组合。根据各待选项明决策变量如x1,x2,...,xi,...,xn的解，得到最优项目组合。即xi取1表示保留该项目，取0表示淘汰该项目。
需要特别指出的是，在项目决策过程中，经常会遇到一些互为前提或互相排斥的项目。如为满足新增负荷需求，需新増电源点，变电站A和变电站B只能建设其中一个；又如一些网架完善、线路配出项目是以变电站C的建设为前提的。遇到这类问题时，可以通过增加0/1规划模型的附加约束条件来实现，以上两个问题就可表述为P1与P2两个项目必须且只能建设一个，对应约束条件为：x1+x2＝l；P4、P5、P6项目的建设要以P3项目的建设为前提条件，对应约束条件为：若x3＝0，则x4＝x5＝x6＝0。在这些条件的限制下，求得使综合效益最大的决策向量X的解，即为所需结果。这使得此决策方法更易贴近工程实际，避免了单纯按综合效益排序得到的最优单个项目，不具有可行性的尴尬问题。
在一种具体应用场景中，应用0/1规划进行项目优选的示例参见表7。
表7
各项目的效益是由该项目在单个项目评价指标体系中的评分考虑权重后计算得到的，即综合考虑了项目对配电网安全可靠、经济高效、服务社会等方面的贡献，数值越大表明贡献越大。例如XX线网架完善工程，可提高配网线路联络率和可转供电率，通过更换设备解决了设备存在的一般缺陷，故该项目评分为这些指标的效益评分之和。各项目的投资根据实际工程量估算得到的。得到每个项目的综合效益评分和成本后，还需考虑总投资预算约束及项目间逻辑关系，假设给定总投资不超过3000万元。
首先建立数学模型，设决策变量为x1,x2,...,x12,其中xi只能为0或1，即淘汰或保留改项目。Z表示项目综合效益评分之和。则决策模型为:
max Z＝23x1+26x2+...+19x12；
s.t.370x1+845.9x2+...+644.6x12≦3000；
x1,x2,...,x12＝1或0；
通过求解0/1规划，最终得到的优化结果参见表8。总的综合效益评分Z为256；总成本为2893.21万元；决策变量X的解即为计算结果，即除P2外的项目组合为综合效益最大的组合。
表8
参考图2，在一些实施例中，提供一种中压配电网网格化规划评价装置，包括：
采集模块101，用于采集中压配电网网格区域的网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据；
评价体系建立模块102，用于根据所述网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据，建立指标评价体系；
计算模块103，用于采用不同的赋权方法确定所述指标评价体系中各个指标的权重；
优化模块104，用于对不同赋权方法获得的指标的权重进行修正，得到最优权重；
评价模块105，用于基于各个指标的最优权重，对中压配电网网格化方案进行评价。
参考图3，在一些实施例中，提供一种中压配电网网格化规划评价系统，包括处理器1和存储装置2，所述存储装置2存储有多条指令，所述处理器1用于读取所述指令并执行上述方法。
本实施例提供的中压配电网网格化规划评价方法及系统，采集全面的中压配电网数据构建评价体系，并采用多种不同的赋权方法计算评价体系中的指标权重，再基于联盟型合作博弈理论对不同方法进行优化，有效减小得到的最优组合权重的误差，提高了方案评价的准确性；采用指标权重数据赋权法计算指标权重时采用神经网络模型，将已有的评价实例作为输入对BP神经网络模型进行训练，并根据输出结果的误差对模型参数进行调整，根据该模型计算得到的权重准确度较高；通过计算不同方法得到的指标权重之间的一致性相关系数，从而计算组合权重并归一化，对不同赋权方法获得的指标的权重进行修正，得到最优权重。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种中压配电网网格化规划评价方法，其特征在于，包括：
采集中压配电网网格区域的网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据；
根据所述网架结构化数据、供电质量数据、自动化运行数据、清洁能源数据以及运营数据，建立指标评价体系；
采用不同的赋权方法确定所述指标评价体系中各个指标的权重；
对不同赋权方法获得的指标的权重进行修正，得到最优权重；
基于各个指标的最优权重，对中压配电网网格化方案进行评价。
2.根据权利要求1所述的方法，其特征在于，所述网格结构化数据包括配电网结构标准化率、线路联络率、供电半径合格率、架空线路大分支线比例；
所述供电质量数据包括计划检修不停电作业率、变电站全停全转率、母线全停全转率、线路N-1通过率、线路重载比率、平均供电可靠率、系统平均预安排停电时间、系统平均预安排停电频率、线路故障停运率、供电质量投诉率、故障平均恢复时间以及故障报修率；
所述自动化运行数据包括配电自动化覆盖率、配电自动化系统运行指标以及智能电表覆盖率；
所述清洁能源数据包括本地清洁能源消纳率、清洁能源占终端能源消费比率；
所述运营数据包括线损率、设备利用率、内部收益率、单位资产的供电能力、单位新增资产负荷增量。
3.根据权利要求1所述的方法，其特征在于，采用不同的赋权方法确定所述指标评价体系中各个指标的权重，包括：
分别采用指标权重主观赋权法和指标权重数据赋权法确定所述指标评价体系中各个指标的权重。
4.根据权利要求3所述的方法，其特征在于，采用指标权重主观赋权法确定所述指标评价体系中各个指标的权重，包括：
将所述指标评价体系中的各个指标分成目标层、一级指标层和二级指标层；
赋予各层中的指标相对于其他层指标的主观重要程度值；
根据所述主观重要程度值建立关于各个指标的判断矩阵；
根据所述判断矩阵，求解矩阵最大特征值对应的特征向量；
对所述特征向量进行归一化，求取对应的指标权重。
5.根据权利要求3所述的方法，其特征在于，采用指标权重数据赋权法确定所述指标评价体系中各个指标权重，包括：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层以及输出层；
采集评价实例，根据评价实例中的各个指标建立初始信息矩阵；
对所述初始信息矩阵进行无量纲化处理，获得无量纲化初始信息；
将所述无量纲化初始信息输入至所述BP神经网络模型进行训练，并对输入层和隐含层之间的连接权矩阵、隐含层到输出层之间的连接权向量赋初值；
训练过程中，计算输出层的输出与期望值的输出误差，并根据所述输出误差，调整所述连接权矩阵和连接权向量，直到所述BP神经网络模型收敛；
根据收敛后的BP神经网络模型的连接权矩阵，计算所述指标评价体系中各个指标的权重。
6.根据权利要求5所述的方法，其特征在于，采用指标权重数据赋权法的权重根据以下公式进行计算：
其中，ωj表示第j个指标的权重，m表示指标的数量，k表示隐含层的维度，vil表示输入层第i个节点与隐含层第l个节点之间的连接权矩阵，vjl表示输入层第j个节点与隐含层第l个节点之间的连接权矩阵。
7.根据权利要求1所述的方法，其特征在于，对不同赋权方法获得的指标的权重进行修正，得到最优权重，包括：
计算不同赋权方法获得的指标的权重的一致性相关系数；
根据所述一致性相关系数计算组合权重；
对所述组合权重进行归一化处理，获得最优权重。
8.根据权利要求1所述的方法，其特征在于，基于各个指标的最优权重，对中压配电网网格化方案进行评价，包括：
根据中压配电网网格化方案，构建多属性原始矩阵；
根据所述多属性原始矩阵，构建规范化决策矩阵；
根据所述最优权重和规范化决策矩阵，计算获得加权规范化决策矩阵；
根据所述加权规范化决策矩阵，计算正理想解向量和负理想解向量；
分别求取所述加权规范化决策矩阵中各个对象与正理想解向量和负理想解向量的距离；
根据各个对象与正理想解向量和负理想解向量的距离，计算评价对象与理想值的贴近程度；
根据所述贴近程度，获得评价结果。
9.根据权利要求8所述的方法，其特征在于，所述贴近程度根据以下公式进行计算：
Ci＝di -/(di -+di +)'，i＝1,2,......,m；
其中，Ci表示贴近程度，
表示负理想解向量，
表示正理想解向量，m表示指标的数量。
10.一种中压配电网网格化规划评价系统，其特征在于，包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-9任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564916.4A CN114971272A (zh) | 2022-05-23 | 2022-05-23 | 一种中压配电网网格化规划评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564916.4A CN114971272A (zh) | 2022-05-23 | 2022-05-23 | 一种中压配电网网格化规划评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114971272A true CN114971272A (zh) | 2022-08-30 |
Family
ID=82984944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210564916.4A Pending CN114971272A (zh) | 2022-05-23 | 2022-05-23 | 一种中压配电网网格化规划评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971272A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
-
2022
- 2022-05-23 CN CN202210564916.4A patent/CN114971272A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
| CN115471108B (zh) * | 2022-09-27 | 2023-09-01 | 中交西北投资发展有限公司 | 数据分析决策方法、系统及大数据资源中心 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| CN109308571B (zh) | 配电线路线变关系检测方法 | |
| CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
| CN110689240A (zh) | 一种配电网经济运行模糊综合评价方法 | |
| CN108985602B (zh) | 一种计及风险的电网分类项目的投入产出评价方法及系统 | |
| CN109165809B (zh) | 一种新电改环境下电网规划项目投资排序评估方法 | |
| CN116579590B (zh) | 一种虚拟电厂中的需求响应评估方法和系统 | |
| CN111222787A (zh) | 受端电网规模化储能商业模式决策方法及系统 | |
| CN110322121A (zh) | 一种供电企业客户满意度评估方法 | |
| CN111861089A (zh) | 一种电力现货市场的综合评价方法 | |
| CN112488565A (zh) | 一种基于物元可拓的海外工程项目风险评价方法 | |
| CN109345090A (zh) | 一种基于配电网可靠性提升的网架评价方法 | |
| CN115660170A (zh) | 多维指标权重协同优化的数据资产管理成效差异化评估方法和系统 | |
| CN114971272A (zh) | 一种中压配电网网格化规划评价方法及系统 | |
| CN111967684B (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
| CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
| CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
| CN111563652A (zh) | 一种评价电网企业综合计划执行情况的方法 | |
| CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
| CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
| Boumaiza et al. | Data Forecasting with Application to Blockchain-based Local Energy Markets | |
| Kalesar et al. | Multi-Objective Fuzzy Model for Optimal Siting and Sizing of DG Units to Reduce Losses Using Genetic Algorithm | |
| CN109377097A (zh) | 电网实物资产分析方法及装置 | |
| Sinitsyna et al. | Identification of Electric Power Consumption Patterns in Relation to Standard Load Profiles |
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 |