CN115511230A - 一种电能替代潜力分析预测方法 - Google Patents
一种电能替代潜力分析预测方法 Download PDFInfo
- Publication number
- CN115511230A CN115511230A CN202211470458.4A CN202211470458A CN115511230A CN 115511230 A CN115511230 A CN 115511230A CN 202211470458 A CN202211470458 A CN 202211470458A CN 115511230 A CN115511230 A CN 115511230A
- Authority
- CN
- China
- Prior art keywords
- substitution
- factors
- weight
- fitting
- electric 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.)
- Granted
Links
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 56
- 210000002569 neuron Anatomy 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000010742 number 1 fuel oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000033772 system development 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供一种电能替代潜力分析预测方法,涉及电力研究技术领域,方法包括:获取电能替代量的影响因素并进行量化,获得多个替代因子;获取每个替代因子与电能替代量的关联度,并进而获取主、客观权重集合;对主、客观权重集合进行融合,获得融合权重;结合融合权重对多个替代因子进行修正拟合,获得基于多个替代因子的修正拟合值;通过检验函数对多个替代因子进行计算,获得检验数据值;根据基于多个替代因子的修正拟合值和检验数据值构建预测模型,获得预测估计值。本方法的预测估计值经过修正拟合和检验的双重处理获得,因此通过本发明预测方法获得的预测估计值更加可靠,可信度更高,对主、客观评价耦合更有效。
Description
技术领域
本发明涉及电力研究技术领域,具体而言,涉及一种电能替代潜力分析预测方法。
背景技术
随着我国工业技术的发展,能源需求与环境压力的矛盾不断凸显。在全球应对气候变化的低碳能源发展趋势下,以清洁替代和能源替代为主要内容的“两个替代”已成为能源变革的重要方向。能源消费在终端以电能替代煤炭和燃油能够有效减少污染物排放,提高能源利用效率,是缓解大气污染的重要手段。电能替代作为一种新的能源消费理念,可以借助不同地区的差异性环境容量,对污染物进行跨区域再分配。我国电能替代空间巨大,准确掌握电能替代项目市场发展潜力,是有效指导电能替代未来重点落实的重要前提。
目前电能占终端能源消费比重较低,而能源终端利用环节的节能环保成效具有倍数放大效应,故电能替代亟待有序推进。为了给后续电源、电网、产能的规划工作提供理论指导,因此有必要对各区域的电能替代潜力进行评估,同时制定相应的电能替代推进策略。
现有的常用预测方法包括单一预测建模和组合预测模型,或者通过主观判断的方式,但通过现有技术获得的预测结果说服力不强,可行性与有效性不高,并且对于单一预测建模和组合预测模型的方式需要处理的数据量过于庞大,容易出现数据错误的问题,而仅通过主观判断又会失去数据支撑,且出现定性指标不易量化的问题。
发明内容
本发明解决的问题是如何对电能替代潜力进行分析预测并获得可靠预测评估值。
为解决上述问题,本发明提供一种电能替代潜力分析预测方法,包括如下步骤:
获取电能替代量的影响因素,对所述影响因素进行量化,获得多个替代因子;
获取每个所述替代因子与所述电能替代量的关联度,根据所述关联度获取主观权重集合和客观权重集合;
对所述主观权重集合和所述客观权重集合,进行融合获得融合权重;
结合所述融合权重对多个所述替代因子进行修正拟合,获得基于多个替代因子的修正拟合值;
通过检验函数对多个所述替代因子进行计算,获得检验数据值;
根据所述基于多个替代因子的修正拟合值和所述检验数据值构建预测模型,根据所述预测模型,获得预测估计值。
较佳地,所述获取电能替代量的影响因素,对所述影响因素进行量化,获得多个替代因子,具体包括:
获取所述影响因素,通过量化函数对所述影响因素进行量化,根据量化结果获得多个所述替代因子;
其中,所述量化函数为:
其中,t为年度,T表示第T年度,和均为替代因子,其中,表示t年度的每一个所述影响因素,表示t-1年度的每一个所述影响因素,1≤i≤N,N为所述电能替代量的影响因素的个数,为第i个所述影响因素对所述电能替代量在t年度消费的影响值,为技术进步参数,α为替代参数,β为投入项参数。
较佳地,所述获取多个所述替代因子与所述电能替代量的关联度,根据所述关联度获取主观权重集合和客观权重集合,具体包括:
较佳地,所述对所述主观权重集合和所述客观权重集合进行融合,获得融合权重,包括:
获取所述主观权重的信息熵和所述客观权重的信息熵;
对所述主观权重的信息熵和所述客观权重的信息熵的序列进行归一化处理,得到归一化信息熵;
根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数;
根据所述主观权重和所述主观权重的融合系数、以及所述客观权重和所述客观权重的融合系数,获取融合权重。
较佳地,所述根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数包括:
将所述归一化信息熵中的较大值作为第一信息熵,所述归一化信息熵中的较小值作为第二信息熵,其中,所述第二信息熵等于1与所述第一信息熵的差;
当所述主观权重的信息熵和所述客观权重的信息熵为定性指标时,将所述第一信息熵作为所述主观权重的融合系数,所述第二信息熵作为所述客观权重的融合系数;
当所述主观权重的信息熵和所述客观权重的信息熵为定量指标时,将所述第一信息熵作为所述客观权重的融合系数,所述第二信息熵作为所述主观权重的融合系数。
较佳地,所述结合所述融合权重对多个所述替代因子进行修正拟合,获得基于多个替代因子的修正拟合值,具体包括:
通过修正拟合模型对多个所述替代因子进行修正拟合,获得所述基于多个替代因子的修正拟合值;
其中,所述修正拟合模型为:
较佳地,所述通过检验函数对多个所述替代因子进行计算,获得检验数据值,具体包括:
将多个所述替代因子分组,得到多组替代因子数据;
建立修正拟合神经网络,并利用多组所述替代因子数据对所述修正拟合神经网络进行训练,得到多个神经网络;
建立检验函数,利用所述检验函数对多个所述神经网络的输出数据进行计算,得到检验数据值。
较佳地,所述建立修正拟合神经网络,包括:
建立修正拟合神经网络模型,得到所述修正拟合神经网络;
其中,所述修正拟合神经网络模型的输出层的函数为:
其中,为所述修正拟合神经网络模型的输出层的第i个神经元的输出数据;i=1,2,....,q,q为所述输出层的神经元个数,为第i个输入样本数据;为所述输出层第i个神经元和所述修正拟合神经网络模型的输入层第j个神经元的连接权值;为所述修正拟合神经网络模型的隐藏层中第i个神经元阈值;M为所述输入层的神经元个数。
较佳地,所述将多个所述替代因子分组,得到多组替代因子数据包括:
将多个所述替代因子分成两组,分别为第一组替代因子数据和第二组替代因子数据;
利用多组所述替代因子数据对所述修正拟合神经网络进行训练,得到多个神经网络,包括:
利用所述第一组替代因子数据对所述修正拟合神经网络进行训练,得到第一神经网络;
利用所述第二组替代因子数据对所述修正拟合神经网络进行训练,得到第二神经网络。
较佳地,所述利用所述检验函数对多个所述神经网络的输出数据进行计算,得到检验数据值包括:
利用所述检验函数对所述第一神经网络的输出数据和所述第二神经网络的输出数据进行计算,得到所述检验数据值;
其中,所述检验函数为:
其中,q为所述输出层的神经元个数,M为所述输入层的神经元个数,为所述第一神经网络的输出数据,为所述第二神经网络的输出数据,为所述输出层第i个神经元和所述修正拟合神经网络模型的输入层第j个神经元的连接权值,为所述修正拟合神经网络模型的隐藏层中第i个神经元阈值,为第j个输入样本数据。
较佳地,所述根据所述基于多个替代因子的修正拟合值和所述检验数据值构建预测模型,根据所述预测模型,获得预测估计值,具体包括:
根据所述基于多个替代因子的修正拟合值和所述检验数据值构建所述预测模型,所述预测模型为:
根据所述预测模型,获得所述预测估计值。
与现有技术相比,本发明的电能替代潜力分析预测方法,通过对影响电能替代量的因素进行量化,获得替代因子,通过获取替代因子与电能替代量的关联度,得到主、客观权重集合,根据主、客观权重集合将替代因子进行融合处理,本发明的预测方法不仅是对主、客观权重进行融合,还根据主、客观权重得出融合权重,并结合融合权重对替代因子进行修正拟合,获得基于多个替代因子的修正拟合值,另外,还通过检验函数对替代因子进行计算,获得检验数据值,最终的预测估计值是经过修正拟合和检验的双重处理得到的。通过本发明预测方法获得的预测估计值,对主、客观评价进行了有效耦合,解决了仅通过主观评价方法的结果说服力不强和仅通过客观评价的数据量过于庞大,定性指标不易量化的问题。通过采用主、客观结合的评价方法,既能减少评价过程中数据不易收集的问题,又能在一定程度上融入主观的判断,提高了分析过程的可行性和有效性,使得预测估计值更加可靠,说服力强,可行性和有效性更高。
附图说明
图1为本发明实施例所述的能替代潜力分析预测方法的流程图;
图2为本发明实施例所述的电能替代量影响因素的构成图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“一实施例”表示“至少一个实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置或单元进行区分,并非用于限定这些装置或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
电能作为一种高品位的能源消费形式,以其高效的转化效率,在终端能源消费中具有明显的技术比较优势,电能的替代将有利于推动终端能源消费的整体技术进步。
本发明可以通过分析现有石油、煤炭、天然气能源消费需求的转移,评估电能替代对于负荷的影响。例如,以电代煤对全网负荷的影响与工业负荷相类似,将以平稳的基荷的形式体现;以电代油,石油消费需求以交通运输为主,作为潜在电能替代中增长最为明显的负荷,因电动汽车替代传统燃油车而转移至电力系统的负荷在月度电量周期性叠加与短期内日负荷可控特性的影响最为显著;以电代气,终端天然气消费转移负荷主要由工业部门、居民及商业部门组成,工业负荷较为稳定且与传统电力负荷有一定的互补特性。
结合图1所示,本发明实施例提供一种电能替代潜力分析预测方法,包括如下步骤:
S110,获取电能替代量的影响因素,对影响因素进行量化,获得多个替代因子;
S120,获取每个替代因子与电能替代量的关联度,根据关联度获取主观权重集合和客观权重集合;
S130,对所述主观权重集合和所述客观权重集合进行融合,获得融合权重;
S140,结合所述融合权重对多个所述替代因子进行修正拟合,获得基于多个替代因子的修正拟合值;
S150,通过检验函数对多个所述替代因子进行计算,获得检验数据值;
S160,根据所述基于多个替代因子的修正拟合值和所述检验数据值构建预测模型,根据所述预测模型,获得预测估计值。
现有技术的预测方法仅为单一预测建模和组合预测模型或主观判断的方式,通过现有技术获得的预测结果说服力不强,可行性与有效性不高,并且对于单一预测建模和组合预测模型的方式需要处理的数据量过于庞大,容易出现数据错误的问题,而仅通过主观判断又会失去数据支撑,且出现定性指标不易量化的问题。
与现有技术相比,本发明的电能替代潜力分析预测方法是通过对影响电能替代量的因素进行量化,获得替代因子,通过获取替代因子与电能替代量的关联度,得到主、客观权重集合,根据主、客观权重集合将替代因子进行融合处理,通过构建预测模型,由预测模型处理后获得预测估计值。通过本发明的方法得出的预测估计值,说服力强,可行性和有效性高。本发明的预测方法不仅是单一对主、客观权重进行融合,根据主、客观权重得出的融合权重,并结合融合权重对替代因子进行修正拟合,获得基于多个替代因子的修正拟合值,另外还通过检验函数对替代因子进行计算,获得检验数据值,最终的预测估计值是经过修正拟合和检验的双重处理得到的,通过本发明预测方法获得的预测估计值对主、客观评价进行了有效耦合,使得预测估计值更加可靠,可信度更高。
较佳地,获取电能替代量的影响因素,对影响因素进行量化,获得多个替代因子,具体包括:
获取影响因素,通过量化函数对影响因素进行量化,根据量化结果获得多个替代因子,
其中,量化函数为:
其中,t为年度,T表示第T年度,和均为替代因子,其中,表示t年度的每一个所述影响因素,表示t-1年度的每一个所述影响因素,1≤i≤N,N为所述电能替代量的影响因素的个数,为第i个所述影响因素对所述电能替代量在t年度消费的影响值,为技术进步参数,α为替代参数,β为投入项参数。
具体地,如图2所示,本实施例中电能替代量的影响因素包括电能占终端能源比重、清洁能源供能比重、用电量增长率、有效替代电量、电能替代设备EB和HP等效年利用小时数,本实施例通过量化函数对影响因素进行处理,获得替代因子,通过将影响因素进行量化,从而为后续模型处理提供数据基础。
较佳地,获取每个替代因子与电能替代量的关联度,根据关联度获取主观权重集合和客观权重集合,具体包括:
通过灰色关联分析法获取多个替代因子与电能替代量的关联度,根据关联度获取主观权重集合和客观权重集合;
具体地,本实施例中通过灰色关联分析法获取多个替代因子与电能替代量的关联度,从而获得主客观权重集合。由于灰色关联分析法不需要大量的数据,一般情况下仅需要几个数据进行分析处理,因此解决了历史数据少、序列的完整性差及可靠性低的问题,又因为灰色关联分析法能进行无量纲化处理,即将量纲不同的原始数据进行处理,生成易于比较分析的数据,所以易于后续检验。
其中,关联度是对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,灰色关联分析方法,是根据因素之间发展趋势的相似或相异程度,即“灰色关联度”,作为衡量因素间关联程度的一种方法。本实施例中运用此方法来分析替代因子对于电能替代量的影响程度。
具体地,灰色关联分析法的步骤如下:
步骤1:确定反映系统行为特征的参考数列和影响系统行为的比较数列。反映系统行为特征的数据序列,称为参考数列,可以理解为因变量;影响系统行为的因素组成的数据序列,称比较数列,可以理解为自变量。
步骤2:对参考数列和比较数列进行无量纲化处理。由于系统中各因素的物理意义不同,导致数据的量纲也不一定相同,不便于比较,或在比较时难以得到正确的结论,因此在进行灰色关联度分析时,一般都要进行无量纲化的数据处理。
步骤3:获得参考数列与比较数列的灰色关联系数,即关联程度。
步骤4:计算关联度。因为关联系数是比较数列与参考数列在各个时刻的关联程度值,所以它的数不止一个,又因为信息过于分散不便于进行整体性比较,因此有必要将各个时刻的关联系数集中为一个值,即求其平均值,作为比较数列与参考数列间关联程度的数量表示。
步骤5:关联度排序。各因素间的关联程度主要是用关联度的大小次序描述,而不仅是关联度的大小。
因此通过本实施例的方法可以利用较少的数据就得出可靠性更高的数据,又通过量化函数将各指标量化为可处理的数据,解决了现有技术中仅通过客观评价造成的数据量过于庞大且定性指标不易量化的问题。
较佳地,对所述主观权重集合和所述客观权重集合进行融合,获得融合权重,包括:
获取主观权重的信息熵和客观权重的信息熵;
对所述主观权重的信息熵和所述客观权重的信息熵的序列进行归一化处理,得到归一化信息熵;
根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数;
根据所述主观权重和所述主观权重的融合系数、以及所述客观权重和所述客观权重的融合系数,获取融合权重。
较佳地,所述根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数包括:
将所述归一化信息熵中的较大值作为第一信息熵,所述归一化信息熵中的较小值作为第二信息熵,其中,所述第二信息熵等于1与所述第一信息熵的差;
当所述主观权重的信息熵和所述客观权重的信息熵为定性指标时,将所述第一信息熵作为所述主观权重的融合系数,所述第二信息熵作为所述客观权重的融合系数;
当所述主观权重的信息熵和所述客观权重的信息熵为定量指标时,将所述第一信息熵作为所述客观权重的融合系数,所述第二信息熵作为所述主观权重的融合系数。
通过信息熵权重融合将主、客观权重值的归一化信息熵作为权重融合的量度,使得定性指标主要依赖主观评价结果,定量指标主要依赖客观评价结果,从而实现了主客观权重的有效耦合,提高了评价结果的可靠性。
较佳地,结合所述融合权重对多个所述替代因子进行修正拟合,获得基于多个替代因子的修正拟合值,具体包括:
通过修正拟合模型多个对替代因子进行修正拟合,获得基于多个替代因子的修正拟合值;
其中,修正拟合模型为:
相较于只简单对替代因子进行融合的方式,本实施例结合融合权重对替代因子进行修正拟合,准确性更高,最终获得的基于多个替代因子的修正拟合值也更加合理、可靠,可信度更高,对于后续构建预测模型提供了可靠的数据基础。
较佳地,通过检验函数对多个所述替代因子进行计算,获得检验数据值,具体包括:
将替代因子分组,得到多组替代因子数据;
建立修正拟合神经网络,并利用多组替代因子数据对修正拟合神经网络进行训练,得到多个神经网络;
建立检验函数,利用检验函数对多个修正拟合神经网络的输出数据进行计算,得到检验数据值。
较佳地,建立修正拟合神经网络,包括:
建立修正拟合神经网络模型,得到修正拟合神经网络,其中,所述修正拟合神经网络模型的输出层的函数为:
其中,为所述修正拟合神经网络模型的输出层的第i个神经元的输出数据;i=1,2,....,q,q为所述输出层的神经元个数,为第i个输入样本数据;为所述输出层第i个神经元和所述修正拟合神经网络模型的输入层第j个神经元的连接权值;为所述修正拟合神经网络模型的隐藏层中第i个神经元阈值;M为所述输入层的神经元个数。
较佳地,将替代因子分组,得到多组替代因子数据包括:
将替代因子分成两组,分别为第一组替代因子数据和第二组替代因子数据;
利用多组替代因子数据对修正拟合神经网络进行训练,得到多个神经网络,包括:
利用第一组替代因子数据对修正拟合神经网络进行训练,得到第一神经网络;
利用第二组替代因子数据对修正拟合神经网络进行训练,得到第二神经网络
较佳地,利用检验函数对多个神经网络的输出数据进行计算,得到检验数据值包括:
利用检验函数对第一神经网络的输出数据和第二神经网络的输出数据进行计算,得到检验数据值,
其中,检验函数为:
其中,q为所述输出层的神经元个数,M为所述输入层的神经元个数,为所述第一神经网络的输出数据,为所述第二神经网络的输出数据,为所述输出层第i个神经元和所述修正拟合神经网络模型的输入层第j个神经元的连接权值,为所述修正拟合神经网络模型的隐藏层中第i个神经元阈值,为第j个输入样本数据。
一实施例中,分别将替代因子通过修正拟合神经网络进行修正拟合,以及通过检验函数进行计算,最终获得检验数据值。其中,将替代因子划分为第一组替代因子数据和第二组替代因子数据,利用第一组替代因子数据对修正拟合神经网络进行训练,得到第一神经网络,利用第二组替代因子数据对修正拟合神经网络进行训练,得到第二神经网络。通过分组进行修正拟合获得的输出数据,相较于只进行单一处理获得的数据更加可靠,也可以减少由在处理过程中出现失误而导致结果错误的概率,最后将多组输出数据再经由检验函数进行计算,进一步提高输出数据的准确性,为后续构建预测模型提供准确的数据基础。
较佳地,根据基于多个替代因子的修正拟合值和检验数据值构建预测模型,根据预测模型,获得预测估计值,具体包括:
根据基于多个替代因子的修正拟合值和检验数据值构建预测模型,其中,预测模型为:
然后根据上述预测模型,即可获得预测估计值。
电能替代潜力分析预测体系作为一个宏观的预测体系,可以涵盖以电代煤、以电代油等多个子系统,每个子系统都可以设置对应的影响指标。本发明的电能替代潜力分析预测方法通过对影响电能替代量的因素进行量化,获得替代因子,通过获取替代因子与电能替代量的关联度,得到主、客观权重集合,根据主、客观权重集合将替代因子进行融合处理,通过修正拟合模型和修正拟合神经网络模型的处理,最终获得预测估计值,通过本发明的方法得出的预测估计值,说服力更强,可行性和有效性更高,解决了仅通过主观评价方法的结果说服力不强和仅通过客观评价的数据量过于庞大,定性指标不易量化的问题。通过采用主客观结合的评价方法,既能减少评价过程中数据不易收集的问题,又能在一定程度上融入主观的判断,提高了分析过程的可行性和有效性,且电能替代影响因素间具有不可避免的关联性,因此符合灰色关联分析法的系统特性,因此本实施例使用灰色关联分析法对影响因素进行量化的替代因子具有可靠性。
本实施例通过构建电能替代量的预测模型,兼顾了评价过程中信息量的扩展与电能替代特性,使得评价方法与电能替代紧密耦合。本发明提出的电能替代潜力分析预测方法可实现综合能源系统效益的量化评估工作,有利于评估建设方案的优良程度,并及时发现方案的薄弱环节和提升点,为系统未来的发展、建设、改造提供合理的参考;电能替代设备的投入和使用对工业园区的运营效益有着显著的优化和提升作用,对推动综合能源系统和电能替代战略的协同发展有促进作用。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (11)
1.一种电能替代潜力分析预测方法,其特征在于,包括如下步骤:
获取电能替代量的影响因素,对所述影响因素进行量化,获得多个替代因子;
获取每个所述替代因子与所述电能替代量的关联度,根据所述关联度获取主观权重集合和客观权重集合;
对所述主观权重集合和所述客观权重集合进行融合,获得融合权重;
结合所述融合权重对多个所述替代因子进行修正拟合,获得基于多个替代因子的修正拟合值;
通过检验函数对多个所述替代因子进行计算,获得检验数据值;
根据所述基于多个替代因子的修正拟合值和所述检验数据值构建预测模型,根据所述预测模型,获得预测估计值。
4.根据权利要求3所述电能替代潜力分析预测方法,其特征在于,所述对所述主观权重集合和所述客观权重集合进行融合,获得融合权重,包括:
获取所述主观权重的信息熵和所述客观权重的信息熵;
对所述主观权重的信息熵和所述客观权重的信息熵的序列进行归一化处理,得到归一化信息熵;
根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数;
根据所述主观权重和所述主观权重的融合系数、以及所述客观权重和所述客观权重的融合系数,获取融合权重。
5.根据权利要求4所述电能替代潜力分析预测方法,其特征在于,所述根据所述归一化信息熵获取所述主观权重的融合系数和所述客观权重的融合系数包括:
将所述归一化信息熵中的较大值作为第一信息熵,所述归一化信息熵中的较小值作为第二信息熵,其中,所述第二信息熵等于1与所述第一信息熵的差;
当所述主观权重的信息熵和所述客观权重的信息熵为定性指标时,将所述第一信息熵作为所述主观权重的融合系数,所述第二信息熵作为所述客观权重的融合系数;
当所述主观权重的信息熵和所述客观权重的信息熵为定量指标时,将所述第一信息熵作为所述客观权重的融合系数,所述第二信息熵作为所述主观权重的融合系数。
7.根据权利要求1所述电能替代潜力分析预测方法,其特征在于,所述通过检验函数对多个所述替代因子进行计算,获得检验数据值,具体包括:
将多个所述替代因子分组,得到多组替代因子数据;
建立修正拟合神经网络,并利用多组所述替代因子数据对所述修正拟合神经网络进行训练,得到多个神经网络;
建立检验函数,利用所述检验函数对多个所述神经网络的输出数据进行计算,得到检验数据值。
9.根据权利要求8所述电能替代潜力分析预测方法,其特征在于,所述将多个所述替代因子分组,得到多组替代因子数据包括:
将多个所述替代因子分成两组,分别为第一组替代因子数据和第二组替代因子数据;
利用多组所述替代因子数据对所述修正拟合神经网络进行训练,得到多个神经网络,包括:
利用所述第一组替代因子数据对所述修正拟合神经网络进行训练,得到第一神经网络,
利用所述第二组替代因子数据对所述修正拟合神经网络进行训练,得到第二神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470458.4A CN115511230B (zh) | 2022-11-23 | 2022-11-23 | 一种电能替代潜力分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470458.4A CN115511230B (zh) | 2022-11-23 | 2022-11-23 | 一种电能替代潜力分析预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511230A true CN115511230A (zh) | 2022-12-23 |
CN115511230B CN115511230B (zh) | 2023-04-07 |
Family
ID=84514559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211470458.4A Active CN115511230B (zh) | 2022-11-23 | 2022-11-23 | 一种电能替代潜力分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511230B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911911A (zh) * | 2023-09-12 | 2023-10-20 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04205163A (ja) * | 1990-11-30 | 1992-07-27 | Hitachi Ltd | ニューラルネットワーク、ニューラルネットワークの想起または学習方法、およびニューラルネットワークを用いたファジイ推論装置 |
JP2003263981A (ja) * | 2002-03-07 | 2003-09-19 | Toyota Motor Corp | 一部置換型リチウムイオン二次電池の容量回復率向上に対する置換元素の有効性の判別方法および容量回復率の予測方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106960288A (zh) * | 2017-04-11 | 2017-07-18 | 国网信息通信产业集团有限公司 | 一种电能替代评价方法和系统 |
CN110135745A (zh) * | 2019-05-21 | 2019-08-16 | 昆明理工大学 | 一种基于组合权重的地区电能替代综合潜力评价方法 |
CN110210642A (zh) * | 2019-04-17 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种城市电能替代量预测方法及装置 |
CN111080481A (zh) * | 2019-12-14 | 2020-04-28 | 广西电网有限责任公司电力科学研究院 | 一种基于马尔可夫链修正的电能替代潜力灰色分析方法 |
CN111325325A (zh) * | 2020-02-20 | 2020-06-23 | 贵州电网有限责任公司 | 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法 |
CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
-
2022
- 2022-11-23 CN CN202211470458.4A patent/CN115511230B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04205163A (ja) * | 1990-11-30 | 1992-07-27 | Hitachi Ltd | ニューラルネットワーク、ニューラルネットワークの想起または学習方法、およびニューラルネットワークを用いたファジイ推論装置 |
JP2003263981A (ja) * | 2002-03-07 | 2003-09-19 | Toyota Motor Corp | 一部置換型リチウムイオン二次電池の容量回復率向上に対する置換元素の有効性の判別方法および容量回復率の予測方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106960288A (zh) * | 2017-04-11 | 2017-07-18 | 国网信息通信产业集团有限公司 | 一种电能替代评价方法和系统 |
CN110210642A (zh) * | 2019-04-17 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种城市电能替代量预测方法及装置 |
CN110135745A (zh) * | 2019-05-21 | 2019-08-16 | 昆明理工大学 | 一种基于组合权重的地区电能替代综合潜力评价方法 |
CN111080481A (zh) * | 2019-12-14 | 2020-04-28 | 广西电网有限责任公司电力科学研究院 | 一种基于马尔可夫链修正的电能替代潜力灰色分析方法 |
CN111325325A (zh) * | 2020-02-20 | 2020-06-23 | 贵州电网有限责任公司 | 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法 |
CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
Non-Patent Citations (1)
Title |
---|
孙毅等: "基于信息熵融合多层次灰色关联分析法的电能替代综合评估", 《电网与清洁能源》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911911A (zh) * | 2023-09-12 | 2023-10-20 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
CN116911911B (zh) * | 2023-09-12 | 2024-05-28 | 杭州慧泰数据科技有限公司 | 一种公共产品投放预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115511230B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN109063892A (zh) | 基于bp-lssvm组合优选模型的工业电量预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN105404932A (zh) | 基于智能电网创新示范区的能源互联网综合评估与优化配置方法 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN111126663A (zh) | 一种短期电力负荷预测方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN117709524A (zh) | 一种基于贝叶斯优化的钢铁行业碳排放预测方法及系统 | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
CN117078047A (zh) | 一种基于lstm的热负荷预测与分配优化方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN105931133A (zh) | 配电变压器更换优先级评定方法和装置 | |
CN116247658A (zh) | 一种基于dlrm深度学习模型的光伏发电量预测方法 | |
CN114004414A (zh) | 一种耦合Copula与LSTM的工企用能负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |