CN115130924A - 一种源网荷储背景下微电网电力设备资产评估方法及系统 - Google Patents
一种源网荷储背景下微电网电力设备资产评估方法及系统 Download PDFInfo
- Publication number
- CN115130924A CN115130924A CN202210953800.XA CN202210953800A CN115130924A CN 115130924 A CN115130924 A CN 115130924A CN 202210953800 A CN202210953800 A CN 202210953800A CN 115130924 A CN115130924 A CN 115130924A
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- power equipment
- time
- acquiring
- 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 82
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000009193 crawling Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种源网荷储背景下微电网电力设备资产评估方法及系统。该方案包括通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;利用自然语言解析,保存为带有类型标号的财务数据,进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;进行时间的提取,对每个电力设备将提取的时间数据按照顺序存储为序列形式,获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数,并根据预设的分类等级,将被评估的微电网进行资产稳定性评估。该方案通过对于电力设备资产结合时序数据、历史数据、收益数据和成本数据的多维数据融合用统一变量,量化了微电网电力设备资产。
Description
技术领域
本发明涉及综合资产评估技术领域,更具体地,涉及一种源网荷储背景下微电网电力设备资产评估方法及系统。
背景技术
随着电力电子技术的不断发展和分布式可再生能源的装机容量的增加,世界范围内和全国范围都在推进微电网的建设,越来越多的电力设备和设备接入微电网。在此种情况下,源侧、网侧、荷侧、储侧的电力设备类型不断增加,由于对应的供货电力设备复杂、资产也具有分散性,因此,如何进行一个在源网荷储背景下的微电网电力设备的精确评估已经变的十分重要。
在本发明技术之前,现阶段的尚无针对于微电网的电力设备的资产评估方法,而类似大型电力设备的评估技术都相对落后或滞后,也有部分技术通过自适应的学习进行自动的评估。但是,这些评估都存在这无法全面的量化财产,仅能通过单一方向进行评估。尤其是,现有的资产评估方法主要以成本法、收益法和市场法三种方式中的一种进行资产评估。
因此,当前的源网荷储背景下对于提出一种微电网电力设备的整体资产量化评估方式十分有必要,此外,还需根据不同的行业和时间进行综合修正。使得综合评估能够在跟上市场发展的前提下量化资产。
发明内容
鉴于上述问题,本发明提出了一种源网荷储背景下微电网电力设备资产评估方法及系统,对于电力设备资产结合时序数据、历史数据、收益数据和成本数据的多维数据融合用统一变量,量化了微电网电力设备资产。具体的,本发明技术方案重点解决的是在微电网建成后,通过外部的调研和网络爬取能够获得历史数据、收益数据、成本数据对于微电网电力设备的资产稳定度进行量化分级,高级别认为微电网建设后相应电力设备未来投运为收益型,中级别认为微电网建成后属于保本型,低级别认为微电网建成后相应电力设备属于赔本型。
根据本发明实施例第一方面,提供一种源网荷储背景下微电网电力设备资产评估方法。
在一个或多个实施例中,优选地,所述一种源网荷储背景下微电网电力设备资产评估方法包括:
通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
在一个或多个实施例中,优选地,所述通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据,具体包括:
在网络进行间隔预设固定周期的自动爬取,获得全部的电力设备财务数据;
对所述电力设备财务数据进行按顺序存储,存储分为两类,第一类为电力设备财务数据,第二类为对应的公布时间;
将全部的有顺序的电力设备财务数据和公布时间按照存储的数据一并打包生成为所述初始电力设备财务生数据。
在一个或多个实施例中,优选地,所述获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据,具体包括:
获取所述初始电力设备财务生数据;
利用自然语言解析方法进行特征提取,提取公司名或电力设备名文字信息,进行分类存储;
将每个电力设备的财务数据进行类型提取,获得分类数据,所述分类数据包括成本、资产、负债、收益、现金、未来收益;
将各类数据按照分类数据形成的类型表,进行填表,并按照原始的生成顺序存储为带有类型标号的财务数据。
在一个或多个实施例中,优选地,所述对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据,具体包括:
获取所述带有类型标号的财务数据分解为不同电力设备的财务数据;
对每个电力设备的财务数据按照成本、资产、负债、收益、现金、未来收益分别生成数据表,并在其中标记设备分类编号;
按照成本、资产、负债、收益、现金、未来收益单独的数据表归一化处理,并存储为标准财一个综合的标准财务数据。
在一个或多个实施例中,优选地,所述将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数,具体包括:
对于所述标准财务数据中的公布时间,提取全部的时间数据;
将不存在所述时间数据的节点不全为0;
将存在的全部的时间数据按照最初的存储顺序,并将不存在时间数据的不全为0,此时形成与财务参数对应的序列形式的文件,进行存储,并同时存储与序列结构具有对应关系的财务参数。
在一个或多个实施例中,优选地,所述获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数,具体包括:
获取全部财务参数,并设置递归模型函数;
获取所述全部财务参数对应的时间序列,生成标准化的时间序列输入数据;
获取当前的设备分类编号,根据所述设备分类编号获得所述时间序列输入数据的特征划分节点和类型分类;
获取全部的类型分类,并根据第一计算公式获取成本数据;
获取全部的类型分类,根据第二计算公式获取预测收益数据;
利用所述递归模型函数进行分类提取,生成对应类型下的成本数据和预测收益数据;
利用第三计算公式获得成本均值;
利用第四计算公式获得预测收益均值;
利用第五计算公式进行特征提取,获得最优的节点划分方式;
根据所述最优的节点划分方式,利用所述递归模型函数进行评价值计算,并利用第七计算公式获得所述财务综合评价指数;
所述递归模型函数为:
y(t)=f[y(t-1),y(t-2),……,y(t-d)]
其中,y(t)为财务参数在第t时刻对应的时间序列输入数据,f[]为财务参数进行预测递归的函数,f[y(t-1),y(t-2),……,y(t-d)]为y(t-1),y(t-2),……,y(t-d)组成的多项式拟合函数通过第六计算公式获得,y(t-1)、y(t-2)、……、y(t-d)分别为财务参数在第t时刻之前的d组数据对应的时间序列输入数据,d为该分组的样本总数;
所述第一计算公式为:
P=Y*(1+L*U)
其中,P为所述成本数据,Y为历史成本数据,L为利润系数,U为调节系数,所述调节系数取值在1-1.5,由用户根据需求设定;
所述第二计算公式为:
Q=Z*Σ(C*S)
其中,Q为所述预测收益数据,C为成分率,Z为折现系数,S为未来业务收益,所述折现系数取值为0-1之间,所述折现系数由当前容易变现资产占全部资产比例表示,所述成分率为当前的成本与利润之间的比例,所述未来业务收益为预估值,由用户直接设定获得;
所述第三计算公式为:
A=ΣYiki/M1
其中,A为所述成本均值,M1为成本均值计算中的样本总数,Yi为第i个历史成本数据,ki为第i个样本数据对应的成本均值系数;
所述第四计算公式为:
B=ΣSigi/M2
其中,B为所述预测收益均值,M2为预测收益均值计算中的样本总数,Si为第i个未来业务收益,gi为第i个样本数据对应的预测收益均值系数;
所述第五计算公式为:
其中,n1为进行成本估算的样本总集合,n2位进行预测收益运算的样本总集合,j为用于成本估算的第j个样本,z为用于预测收益运算的第z个样本,Pj为第j个样本对应的成本数据,Aj为第j个样本对应的成本均值,Qz为第z个样本对应的预测收益数据,Bz为第z个样本对应的预测收益均值;
所述第六计算公式为:
f[y(t-1),y(t-2),……,y(t-d)]=k1y(t-1)+k2y(t-2)+……+kdy(t-d)
其中,k1、k2、……、kd分别为d组拟合系数,k1、k2、……、kd通过标准化的时间序列输入数据训练获得,训练过程中目标为y(t)的准确性;
所述第七计算公式为:
其中,为进行成本估算的样本总集合内全部第t时刻对应的时间序列输入数据的加和,为进行预测收益运算的样本总集合内全部第t时刻对应的时间序列输入数据的加和,N1为进行成本估算的样本总集合中的样本总数,N2为进行预测收益运算的样本总集合中的样本总数,D为所述财务综合评价指数。
在一个或多个实施例中,优选地,所述获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备,具体包括:
获取所述财务综合评价指数,并获取用户预设评价标准,其中所述用户预设评价标准包括第一指数裕度和第二指数裕度;
将所述财务综合评价指数超过所述第一指数裕度的电力设备判断为所述高财务稳定电力设备;
将所述财务综合评价指数低于所述第二指数裕度的电力设备判断为所述低财务稳定电力设备;
将所述财务综合评价指数位于所述第一指数裕度与所述第二指数裕度之间的电力设备判断为所述中财务稳定电力设备。
根据本发明实施例第二方面,提供一种源网荷储背景下微电网电力设备资产评估系统。
在一个或多个实施例中,优选地,所述一种源网荷储背景下微电网电力设备资产评估系统包括:
数据获取单元,用于通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
数据分类单元,用于获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
归一化处理单元,用于对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
时标处理单元,用于将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
财务指数运算模块,用于获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
财务状态评估模块,用于获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施中,通过对应原始的电力设备资产评估,完成对于源网荷储背景下的微电网通过网络爬取的方式获得更加灵活的数据,实现对于电力设备资产评估方法的多数据训练;
2)本发明实施中,为了能够实现对于成本法、收益法和市场法的融合,在进行综合的指数计算过程中考虑了多个因素的影响,并结合了历史数据和预测收益的全面预测,完成了整体指标评价。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法的流程图。
图2是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据的流程图。
图3是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据的流程图。
图4是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据的流程图。
图5是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数的流程图。
图6是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数的流程图。
图7是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备的流程图。
图8是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着电力电子技术的不断发展和分布式可再生能源的装机容量的增加,世界范围内和全国范围都在推进微电网的建设,越来越多的电力设备和设备接入微电网。在此种情况下,源侧、网侧、荷侧、储侧的电力设备类型不断增加,由于对应的供货电力设备复杂、资产也具有分散性,因此,如何进行一个在源网荷储背景下的微电网电力设备的精确评估已经变的十分重要。
在本发明技术之前,现阶段的尚无针对于微电网的电力设备的资产评估方法,而类似银行等大型电力设备的评估技术都相对落后或滞后,也有部分技术通过自适应的学习进行自动的评估。但是,这些评估都存在这无法全面的量化财产,仅能通过单一方向进行评估。尤其是,现有的资产评估方法主要以成本法、收益法和市场法三种方式中的一种进行资产评估。
因此,当前的源网荷储背景下对于提出一种微电网电力设备的整体资产量化评估方式十分有必要,此外,还需根据不同的行业和时间进行综合修正。使得综合评估能够在跟上市场发展的前提下量化资产。
本发明实施例中,提供了一种源网荷储背景下微电网电力设备资产评估方法及系统。该方案对于电力设备资产结合时序数据、历史数据、收益数据和成本数据的多维数据融合用统一变量,量化了微电网电力设备资产
根据本发明实施例第一方面,提供一种源网荷储背景下微电网电力设备资产评估方法。
图1是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法的流程图。
如图1所示,在一个或多个实施例中,优选地,所述一种源网荷储背景下微电网电力设备资产评估方法包括:
S101、通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
S102、获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
S103、对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
S104、将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
S105、获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
S106、获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
在本发明实施例中,一方面对原始的资产评估方法相比,更加灵活,能够快速获得多个类型多个维度的数据,另一方面,实现了对于多维度数据的全面融合,提供了一种综合评价指标,完成对于电力设备资产稳定性的量化。
图2是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据的流程图。
如图2所示,在一个或多个实施例中,优选地,所述通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据,具体包括:
S201、在网络进行间隔预设固定周期的自动爬取,获得全部的电力设备财务数据;
S202、对所述电力设备财务数据进行按顺序存储,存储分为两类,第一类为电力设备财务数据,第二类为对应的公布时间;
S203、将全部的有顺序的电力设备财务数据和公布时间按照存储的数据一并打包生成为所述初始电力设备财务生数据。
在本发明实施例中,在实际执行过程中,需要反复的进行网络数据的爬取,因此采用固定的时间间隔的方式获取全部的电力设备财务数据。这些电力设备财务数据在生成后将会对于财务数据和对应的公布时间分开存储,这是为了后续处理数据的方便,但是确要保证具体的顺序,这是因为如果无法保证顺序,将会在后期处理过程中难以一一对应。最终,造成数据的混乱。
图3是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据的流程图。
如图3所示,在一个或多个实施例中,优选地,所述获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据,具体包括:
S301、获取所述初始电力设备财务生数据;
S302、利用自然语言解析方法进行特征提取,提取公司名或电力设备名文字信息,进行分类存储;
S303、将每个电力设备的财务数据进行类型提取,获得分类数据,所述分类数据包括成本、资产、负债、收益、现金、未来收益;
S304、将各类数据按照分类数据形成的类型表,进行填表,并按照原始的生成顺序存储为带有类型标号的财务数据。
在本发明实施例中,为了能够进行后续的在线的电力设备财务分析,进行了自然语言的解析,将全部的自然语言中的电力设备名和公司名都进行归类,并将归类后的数据进行按照成本、财产、负债、收益、未来收益、现金等分类进行存储。
图4是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据的流程图。
如图4所示,在一个或多个实施例中,优选地,所述对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据,具体包括:
S401、获取所述带有类型标号的财务数据分解为不同电力设备的财务数据;
S402、对每个电力设备的财务数据按照成本、资产、负债、收益、现金、未来收益分别生成数据表,并在其中标记设备分类编号;
S403、按照成本、资产、负债、收益、现金、未来收益单独的数据表归一化处理,并存储为标准财一个综合的标准财务数据。
在本发明实施例中,在进行数据处理前,由于不同的时期的波动幅度可能不同,但是对于整体而言,相对于最大幅度的波动的比例可能是相同的。因此,可以采用归一化处理方式进行二次的规划,实现生产一个综合的标准财务数据。
图5是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数的流程图。
如图5所示,在一个或多个实施例中,优选地,所述将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数,具体包括:
S501、对于所述标准财务数据中的公布时间,提取全部的时间数据;
S502、将不存在所述时间数据的节点不全为0;
S503、将存在的全部的时间数据按照最初的存储顺序,并将不存在时间数据的不全为0,此时形成与财务参数对应的序列形式的文件,进行存储,并同时存储与序列结构具有对应关系的财务参数。
在本发明实施例中,除去作为一个财务数据之外,在进行财务分析时,是哪一个时间段的信息也是十分重要的信息,为此对于全部的有时间的数据单独获取其顺序进而与原始的财务数据进行一一对应。最终,形成了财务参数,用于后续的综合评价指数分析。
图6是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数的流程图。
如图6所示,在一个或多个实施例中,优选地,所述获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数,具体包括:
S601、获取全部财务参数,并设置递归模型函数;
S602、获取所述全部财务参数对应的时间序列,生成标准化的时间序列输入数据;
S603、获取当前的设备分类编号,根据所述设备分类编号获得所述时间序列输入数据的特征划分节点和类型分类;
S604、获取全部的类型分类,并根据第一计算公式获取成本数据;
S605、获取全部的类型分类,根据第二计算公式获取预测收益数据;
S606、利用所述递归模型函数进行分类提取,生成对应类型下的成本数据和预测收益数据;
S607、利用第三计算公式获得成本均值;
S608、利用第四计算公式获得预测收益均值;
S609、利用第五计算公式进行特征提取,获得最优的节点划分方式;
S610、根据所述最优的节点划分方式,利用所述递归模型函数进行评价值计算,并利用第七计算公式获得所述财务综合评价指数;
所述递归模型函数为:
y(t)=f[y(t-1),y(t-2),……,y(t-d)]
其中,y(t)为财务参数在第t时刻对应的时间序列输入数据,f[]为财务参数进行预测递归的函数,f[y(t-1),y(t-2),……,y(t-d)]为y(t-1),y(t-2),……,y(t-d)组成的多项式拟合函数通过第六计算公式获得,y(t-1)、y(t-2)、……、y(t-d)分别为财务参数在第t时刻之前的d组数据对应的时间序列输入数据,d为该分组的样本总数;
所述第一计算公式为:
P=Y*(1+L*U)
其中,P为所述成本数据,Y为历史成本数据,L为利润系数,U为调节系数,所述调节系数取值在1-1.5,由用户根据需求设定;
所述第二计算公式为:
Q=Z*Σ(C*S)
其中,Q为所述预测收益数据,C为成分率,Z为折现系数,S为未来业务收益,所述折现系数取值为0-1之间,所述折现系数由当前容易变现资产占全部资产比例表示,所述成分率为当前的成本与利润之间的比例,所述未来业务收益为预估值,由用户直接设定获得;
所述第三计算公式为:
A=ΣYiki/M1
其中,A为所述成本均值,M1为成本均值计算中的样本总数,Yi为第i个历史成本数据,ki为第i个样本数据对应的成本均值系数;
所述第四计算公式为:
B=ΣSigi/M2
其中,B为所述预测收益均值,M2为预测收益均值计算中的样本总数,Si为第i个未来业务收益,gi为第i个样本数据对应的预测收益均值系数;
所述第五计算公式为:
其中,n1为进行成本估算的样本总集合,n2位进行预测收益运算的样本总集合,j为用于成本估算的第j个样本,z为用于预测收益运算的第z个样本,Pj为第j个样本对应的成本数据,Aj为第j个样本对应的成本均值,Qz为第z个样本对应的预测收益数据,Bz为第z个样本对应的预测收益均值;
所述第六计算公式为:
f[y(t-1),y(t-2),……,y(t-d)]=k1y(t-1)+k2y(t-2)+……+kdy(t-d)
其中,k1、k2、……、kd分别为d组拟合系数,k1、k2、……、kd通过标准化的时间序列输入数据训练获得,训练过程中目标为y(t)的准确性;
所述第七计算公式为:
其中,为进行成本估算的样本总集合内全部第t时刻对应的时间序列输入数据的加和,为进行预测收益运算的样本总集合内全部第t时刻对应的时间序列输入数据的加和,N1为进行成本估算的样本总集合中的样本总数,N2为进行预测收益运算的样本总集合中的样本总数,D为所述财务综合评价指数。
在本发明实施例中,为了能够实现对于多源的数据的融合,在获取到带有时序的输入数据后,通过智能学习,获取了两个分组,一个分组是成本估算数据分组,另一个分组是预测收益数据分组。这两个分组,综合起来进行整体的数据预测,生成t时刻的所有的时序财务数据,而这些时序财务数据被分成两类,第一类是最优成本迭代指标,第二类是最优预测迭代指标。对于一个原始的财务数据,最终的财务综合评价指数表示为最优成本迭代指标和最优预测迭代指标的和开根号。
在本发明实施例中,在进行运算过程中,对于每个原始存在的财务数据类型均会产生一个新的预测。最终,这些原始的财务数据将会作为资产评估的数据基础。
图7是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估方法中的获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备的流程图。
如图7所示,在一个或多个实施例中,优选地,所述获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备,具体包括:
S701、获取所述财务综合评价指数,并获取用户预设评价标准,其中所述用户预设评价标准包括第一指数裕度和第二指数裕度;
S702、将所述财务综合评价指数超过所述第一指数裕度的电力设备判断为所述高财务稳定电力设备;
S703、将所述财务综合评价指数低于所述第二指数裕度的电力设备判断为所述低财务稳定电力设备;
S704、将所述财务综合评价指数位于所述第一指数裕度与所述第二指数裕度之间的电力设备判断为所述中财务稳定电力设备。
在本发明实施例中,通过在用户预设了具体的评价标准后,进行了根据财务综合评价指数的使用。具体的,根据不同的预设的裕度,分为了高稳定性、低稳定性和高稳定性。不同类型的电力设备,最终都包括了预测信息和包括了成本信息和收益信息,因此,此次评估是一次综合的对于电力设备的评估。
根据本发明实施例第二方面,提供一种源网荷储背景下微电网电力设备资产评估系统。
图8是本发明一个实施例的一种源网荷储背景下微电网电力设备资产评估系统的结构图。
如图8所示,在一个或多个实施例中,优选地,所述一种源网荷储背景下微电网电力设备资产评估系统包括:
数据获取单元801,用于通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
数据分类单元802,用于获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
归一化处理单元803,用于对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
时标处理单元804,用于将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
财务指数运算模块805,用于获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
财务状态评估模块806,用于获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
本发明实施例中,在对于数据获取单元、数据分类单元、数据归一化处理单元、时标处理单元的全面的计算的基础上,获得了用于财务指标运算的数据源,在此基础上利用财务指标预算模块获得综合的指标,并通过财务状态评估模块最终给出当前电力设备的财务稳定性。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用资产评估装置,其包括通用的计算机硬件结构,其至少包括处理器901和存储器902。处理器901和存储器902通过总线903连接。存储器902适于存储处理器901可执行的指令或程序。处理器901可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器901通过执行存储器902所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线903将上述多个组件连接在一起,同时将上述组件连接到显示控制器904和显示装置以及输入/输出(I/O)装置905。输入/输出(I/O)装置905可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置905通过输入/输出(I/O)控制器906与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施中,通过对应原始的电力设备资产评估,完成对于源网荷储背景下的微电网通过网络爬取的方式获得更加灵活的数据,实现对于电力设备资产评估方法的多数据训练;
2)本发明实施中,为了能够实现对于成本法、收益法和市场法的融合,在进行综合的指数计算过程中考虑了多个因素的影响,并结合了历史数据和预测收益的全面预测,完成了整体指标评价。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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)
1.一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,该方法包括:
通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
2.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据,具体包括:
在网络进行间隔预设固定周期的自动爬取,获得全部的电力设备财务数据;
对所述电力设备财务数据进行按顺序存储,存储分为两类,第一类为电力设备财务数据,第二类为对应的公布时间;
将全部的有顺序的电力设备财务数据和公布时间按照存储的数据一并打包生成为所述初始电力设备财务生数据。
3.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据,具体包括:
获取所述初始电力设备财务生数据;
利用自然语言解析方法进行特征提取,提取公司名或电力设备名文字信息,进行分类存储;
将每个电力设备的财务数据进行类型提取,获得分类数据,所述分类数据包括成本、资产、负债、收益、现金、未来收益;
将各类数据按照分类数据形成的类型表,进行填表,并按照原始的生成顺序存储为带有类型标号的财务数据。
4.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据,具体包括:
获取所述带有类型标号的财务数据分解为不同电力设备的财务数据;
对每个电力设备的财务数据按照成本、资产、负债、收益、现金、未来收益分别生成数据表,并在其中标记设备分类编号;
按照成本、资产、负债、收益、现金、未来收益单独的数据表归一化处理,并存储为标准财一个综合的标准财务数据。
5.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数,具体包括:
对于所述标准财务数据中的公布时间,提取全部的时间数据;
将不存在所述时间数据的节点不全为0;
将存在的全部的时间数据按照最初的存储顺序,并将不存在时间数据的不全为0,此时形成与财务参数对应的序列形式的文件,进行存储,并同时存储与序列结构具有对应关系的财务参数。
6.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数,具体包括:
获取全部财务参数,并设置递归模型函数;
获取所述全部财务参数对应的时间序列,生成标准化的时间序列输入数据;
获取当前的设备分类编号,根据所述设备分类编号获得所述时间序列输入数据的特征划分节点和类型分类;
获取全部的类型分类,并根据第一计算公式获取成本数据;
获取全部的类型分类,根据第二计算公式获取预测收益数据;
利用所述递归模型函数进行分类提取,生成对应类型下的成本数据和预测收益数据;
利用第三计算公式获得成本均值;
利用第四计算公式获得预测收益均值;
利用第五计算公式进行特征提取,获得最优的节点划分方式;
根据所述最优的节点划分方式,利用所述递归模型函数进行评价值计算,并利用第七计算公式获得所述财务综合评价指数;
所述递归模型函数为:
y(t)=f[y(t-1),y(t-2),……,y(t-d)]
其中,y(t)为财务参数在第t时刻对应的时间序列输入数据,f[]为财务参数进行预测递归的函数,f[y(t-1),y(t-2),……,y(t-d)]为y(t-1),y(t-2),……,y(t-d)组成的多项式拟合函数通过第六计算公式获得,y(t-1)、y(t-2)、……、y(t-d)分别为财务参数在第t时刻之前的d组数据对应的时间序列输入数据,d为该分组的样本总数;
所述第一计算公式为:
P=Y*(1+L*U)
其中,P为所述成本数据,Y为历史成本数据,L为利润系数,U为调节系数,所述调节系数取值在1-1.5,由用户根据需求设定;
所述第二计算公式为:
Q=Z*Σ(C*S)
其中,Q为所述预测收益数据,C为成分率,Z为折现系数,S为未来业务收益,所述折现系数取值为0-1之间,所述折现系数由当前容易变现资产占全部资产比例表示,所述成分率为当前的成本与利润之间的比例,所述未来业务收益为预估值,由用户直接设定获得;
所述第三计算公式为:
A=ΣYiki/M1
其中,A为所述成本均值,M1为成本均值计算中的样本总数,Yi为第i个历史成本数据,ki为第i个样本数据对应的成本均值系数;
所述第四计算公式为:
B=ΣSigi/M2
其中,B为所述预测收益均值,M2为预测收益均值计算中的样本总数,Si为第i个未来业务收益,gi为第i个样本数据对应的预测收益均值系数;
所述第五计算公式为:
其中,n1为进行成本估算的样本总集合,n2位进行预测收益运算的样本总集合,j为用于成本估算的第j个样本,z为用于预测收益运算的第z个样本,Pj为第j个样本对应的成本数据,Aj为第j个样本对应的成本均值,Qz为第z个样本对应的预测收益数据,Bz为第z个样本对应的预测收益均值;
所述第六计算公式为:
f[y(t-1),y(t-2),……,y(t-d)]=k1y(t-1)+k2y(t-2)+……+kdy(t-d)
其中,k1、k2、……、kd分别为d组拟合系数,k1、k2、……、kd通过标准化的时间序列输入数据训练获得,训练过程中目标为y(t)的准确性;
所述第七计算公式为:
7.如权利要求1所述的一种源网荷储背景下微电网电力设备资产评估方法,其特征在于,所述获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备,具体包括:
获取所述财务综合评价指数,并获取用户预设评价标准,其中所述用户预设评价标准包括第一指数裕度和第二指数裕度;
将所述财务综合评价指数超过所述第一指数裕度的电力设备判断为所述高财务稳定电力设备;
将所述财务综合评价指数低于所述第二指数裕度的电力设备判断为所述低财务稳定电力设备;
将所述财务综合评价指数位于所述第一指数裕度与所述第二指数裕度之间的电力设备判断为所述中财务稳定电力设备。
8.一种源网荷储背景下微电网电力设备资产评估系统,其特征在于,该系统包括:
数据获取单元,用于通过网络进行在线的数据爬取,获取电力设备财务数据和公布时间,生成初始电力设备财务生数据;
数据分类单元,用于获取所述初始电力设备财务生数据,利用自然语言解析,将所述初始电力设备财务生数据保存为带有类型标号的财务数据;
归一化处理单元,用于对所述带有类型标号的财务数据进行归一化处理,标记设备分类编号,获得一个综合的标准财务数据;
时标处理单元,用于将所述标准财务数据进行时间的提取,进而对每个电力设备将提取的时间数据按照顺序存储为序列形式,同时存储具有对应关系的财务参数;
财务指数运算模块,用于获取全部的财务参数,并将全部的财务参数生成为时间序列形式,通过递归运算和深度学习获得具体的财务综合评价指数;
财务状态评估模块,用于获取所述财务综合评价指数,并根据预设的分类等级,将被评估的电力设备划分为高财务稳定电力设备、中财务稳定电力设备和低财务稳定电力设备。
9.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953800.XA CN115130924A (zh) | 2022-08-10 | 2022-08-10 | 一种源网荷储背景下微电网电力设备资产评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953800.XA CN115130924A (zh) | 2022-08-10 | 2022-08-10 | 一种源网荷储背景下微电网电力设备资产评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130924A true CN115130924A (zh) | 2022-09-30 |
Family
ID=83386413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210953800.XA Pending CN115130924A (zh) | 2022-08-10 | 2022-08-10 | 一种源网荷储背景下微电网电力设备资产评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130924A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333307A (zh) * | 2023-11-10 | 2024-01-02 | 广州劲源科技发展股份有限公司 | 一种基于全寿命周期成本的电力资产评价方法 |
-
2022
- 2022-08-10 CN CN202210953800.XA patent/CN115130924A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333307A (zh) * | 2023-11-10 | 2024-01-02 | 广州劲源科技发展股份有限公司 | 一种基于全寿命周期成本的电力资产评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Reliability constraint stochastic UC by considering the correlation of random variables with Copula theory | |
Zekić-Sušac et al. | Predicting energy cost of public buildings by artificial neural networks, CART, and random forest | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN109308571B (zh) | 配电线路线变关系检测方法 | |
Llorca et al. | Using the latent class approach to cluster firms in benchmarking: An application to the US electricity transmission industry | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN112614011A (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
Chen et al. | Short-term wind power forecasting using mixed input feature-based cascade-connected artificial neural networks | |
Shi et al. | Handling uncertainty in financial decision making: a clustering estimation of distribution algorithm with simplified simulation | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及系统 | |
CN113177366A (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
Zhang et al. | Economic dispatch considering volatile wind power generation with lower-semi-deviation risk measure | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
Puiu et al. | Principled data completion of network constraints for day ahead auctions in power markets | |
Huang et al. | Iterative estimation maximization for stochastic linear programs with conditional value-at-risk constraints | |
Cristea et al. | Renewable energy strategy analysis in relation to environmental pollution for BRICS, G7, and EU countries by using a machine learning framework and panel data analysis | |
Priesmann et al. | Artificial intelligence and design of experiments for resource adequacy assessment in power systems | |
Soczo | Estimation of future volatility | |
Wang et al. | Exploring the application of machine‐learning techniques in the next generation of long‐term hydropower‐thermal scheduling | |
Tang et al. | Considerations in Using XGBoost Models with SHAP Credit Assignment to Calculate Student Growth Percentiles | |
CN114048905A (zh) | 电力资源的价格预测方法、装置、设备及存储介质 | |
CN117611364A (zh) | 投入成本预估偏差测算方法及其系统 | |
Cristea et al. | Dragos Sebastian Cristea1, Cristina Gabriela Zamfir1, Ira Adeline Simionov2, 3, Costinela Fortea1, Romeo Victor Ionescu4, Monica Laura Zlati1, Valentin Marian Antohi1, 5, Dan Munteanu6 and SM Petrea1, 2 |
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 |