CN115577978A - 一种配电网目标投资决策要素权重系数测算方法 - Google Patents

Abstract

本发明属于配电网规划设计方法技术领域，尤其涉及一种配电网目标投资决策要素权重系数测算方法。包括如下步骤：通过电网数据采集系统获取各类决策要素的原始样本，对样本数据中的异常数据进行修正，构建样本分析阵列，考虑居民用电特点和用电成本，按需决定配电建设方式，基于数据熵值以及所有决策要素的总的指标数量确定决策要素的影响系数；本申请的配电网目标投资决策要素权重系数测算方法，用于在配电网目标投资决策过程中，用于根据待规划配电区确定和优选决策要素及其权重系数，在考虑要素关联性的同时利用历史数据对权重系数进行测算修正。以提高配电网建设目标投资决策的科学性，为实现多因素的综合规划设计提供基础数据。

Description

一种配电网目标投资决策要素权重系数测算方法

技术领域

本发明属于配电网规划设计方法技术领域，尤其涉及一种配电网目标投资决策要素权重系数测算方法。

背景技术

随着城镇化推进，集中式住宅区不断出现，集中化的住宅形式提高了区域经济规划，治安管理等方面的效率，同时对于区域的基础服务能力也有了更高的要求，保证居民生产生活必要的电力分配始终是配电设计规划的一项重要任务，因此在新建住宅区的建设过程中，有必要对配电设施的建设和使用进行规划设计，此前主要依赖于《小区配电设施典型设计手册》等设计要求规范来展开，但由于不同区域、不同发展等级的区域在用电特点以及对于供电质量的要求各不相同，基于前述设计规范容易导致社区结构模板化僵硬化，虽然有利于标准化快速布局，但严重限制了对配电网各项要素的优化提升能力，影响供电质量，使得实际配电设施的总体建设与实现的效能获取不匹配等问题，降低了电网规划建设的合理性和稳定性。

发明内容

本发明的目的在于，为解决现有配电网规划设计的投资决策主要依赖于固定式设计规范，灵活性差的问题，提供一种可以对待规划区域实际配电要素进行筛选提取，基于区域历史配电数据来提取配电网目标投资决策要素权重系数的方法，为实现更合理的配电网投资决策，提高规划设计的有效性提供基础。

为实现上述目的，本发明采用如下技术方案。

一种配电网目标投资决策要素权重系数测算方法，包括如下步骤：

步骤1.原始数据的异常处理

对于某类样本数据，选取数据采集周期内处于同一个采集周期的监测数据，通过求取样本数据均值E(a_n)、标准差σ(a_n)以及偏差率ρ(a_n)；

其中a_ns为决策要素a_n的第s个数据采集周期内的指标值；

计算得到各样本值数据的偏差率后，根据配电网历史用电负荷波动范围大小，指定阈值C，波动范围越大，则阈值取值越大，对于超过阈值样本值认定为异常数据；

对于决策要素a_n位于第t个数据采集周期内某个异常样本值a_n(t)，需要进行修复更正，修正后的数据a′_n(t)，其中

a_n(t-1)是指该样本值上一次的采样值，

是指样本的平均变化率；

步骤2.构建样本分析阵列

首先基于配电区修正后的样本数据建立前述决策要素的指标阵列

b_s为第s个数据采集周期内的配电负荷指标值；

为便于计算，对前述指标阵列T₁进行无量纲处理得到：

其中

则在第s个数据采集周期内决策要素a_n对于配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的权重影响系数为

基于排序结果，指定阈值后从需要考虑的决策要素集A＝{a₁、a₂...a_n...a_N}中选取关联度系数不低于指定阈值的P个决策要素C＝{c₁、c₂...c_p...c_P}，对相应的指标数据进行无量纲化，得到修正后的无量纲指标阵列T″；

步骤3.配电网目标投资决策要素权重计算

首先分别计算各决策要素的数据熵值

其中，

是指决策要素n(n∈N)的第m个指标的数据量，M_n为决策要素n 的总指标数，C为所有决策要素的所有指标的总数据量；

然后基于数据熵值以及所有决策要素的总的指标数量

确定决策要素 n的影响系数

对前述配电网目标投资决策要素权重系数测算方法的进一步改进或者优选实施方式，所述步骤2还包括样本压缩处理的步骤，具体是指：

将修正后的居民数据的电无量纲指标阵列T″分割为T″₀+T″₁，其中T″₀为属于或者涵盖节假日或者极端天气时间段的数据采集周期内的特定样本数据阵列， T″₁是剩下的Q个普通用电状态数据采集周期内的日常样本数据阵列；

其中c′_pm是指选出的第p个要素的第q个数据采集周期内的指标值；d′_q是指第q个数据采集周期内的配电负荷指标值；

对于日常样本数据阵列T′₁中的各列数据，按照每两行的数据进行求和平均处理的方式进行聚合，若最后剩余一行，则将其与相邻的上一行数据进行求和平均，重复前述求和平均步骤，直至每一列中的数据的数量达到聚合后需要到达的数量，将最终样本值作为新的日常样本数据形成聚合后的日常样本数据阵列T″₂，最后将特定样本数据阵列T′₀和日常样本数据阵列T″₂进行组合后得到简化后的无量纲指标阵列T″₁＝T′₀+T″₂。

对前述配电网目标投资决策要素权重系数测算方法的进一步改进或者优选实施方式，所述配电网目标投资决策要素至少包括配电区用电密度、居民消费能力、平均用电负荷、用电成本。

对前述配电网目标投资决策要素权重系数测算方法的进一步改进或者优选实施方式，所述配电网目标投资决策要素至少包括配电区设施节点位置。

对前述配电网目标投资决策要素权重系数测算方法的进一步改进或者优选实施方式，还包括用于将配电区设施节点位置坐标与设施节点电气属性相关联并映射的步骤，具体是指，

基于多维向量表述方式，将设施的空间坐标与设施节点的若干电气属性联立后建立多维向量；在多维向量所在空间内定义映射面：

其中 w_l＝{w_ml}是指映射面的法向量，m为维度，s_l为偏移系数，x为映射面C_l上的点；

则高维空间内任一点到映射面的距离为

给定初始映射面

建立目标函数：

给定梯度阈值或者迭代次数；求解目标函数值和梯度，若梯度值小于梯度阈值或超过迭代次数则结束迭代，输出最后一次的结果数据，若梯度值超过梯度阈值则选取合适步长更新映射面参数进行下一次迭代；

迭代计算直至梯度值低于设定阈值或者执行全部迭代次数后，基于最终迭代结果解算目标超平面的参数：

l为迭代次数，α和β是迭代学习因子；

对于任意高维节点，将其在高维空间坐标内的的坐标向求得的标超平面进行投影，得到投影后坐标(x₁₂、x₂₂......x_M2)。

其有益效果在于：

本申请的配电网目标投资决策要素权重系数测算方法，用于在配电网目标投资决策过程中，用于根据待规划配电区确定和优选决策要素及其权重系数，在考虑要素关联性的同时利用历史数据对权重系数进行测算修正。以提高配电网建设目标投资决策的科学性，为实现多因素的综合规划设计提供基础数据。

具体实施方式

以下结合具体实施例对本发明作详细说明。

配电区域内目标投资决策要素主要是指在配电网设施节点建设过程中，为保证配电网能够实现完整功能需要考虑的若干要素，这些要素包括配电侧的设施节点的电气属性、建设规划要素以及用户侧的各向功能需求要素，在实际分析过程中，用户侧的需求要素是首先要考虑的基本前提，一切配电规划设计的最终目标是保证用户侧用电负荷的充分供应，是决定配电建设决策的核心要素，首先需要分别确定不同决策要素对于区域内负荷大小的影响程度，由于各决策要素除了自身会直接区域负荷的结果之外，相互之间也存在关联影响，例如居民消费能力与平均用电负荷、用电成本之间均存在关联性，在利用决策要素集中的各要素进行分析过程中，部分关联要素自身的强关联性，使其在实际建设决策中对于决策的影响效果重合，有必要进行分析剔除。

因此，在具体实施过程中，应当首先根据当前配电区内实际情况步选取需要考虑的决策要素集A＝{a₁、a₂...a_n...a_N}，收集S个数据采集周期内的原始样本，初将各决策要素与负荷分布的灰色关联分析，具体步骤为：

步骤1.原始数据的收集和异常处理

通过电网数据采集系统获取各类决策要素的原始样本，但原始监测数据由于供电故障导致的异常或极端天气变化等随机事件会导致样本数据量出现异常，上述异常数据在配电网设施建设过程中，一般通过特定的系统和设备进行应对，在进行一般规划设计过程中需要进行剔除或者修复，因此在进一步处理前，应当对样本数据中的上述数据进行修正，具体而言，包括如下步骤：

对于某类样本数据，选取数据采集周期内处于同一个采集周期的监测数据，通过求取样本数据均值E(a_n)、标准差σ(a_n)以及偏差率r(a_n)，

其中a_ns为决策要素a_n的第s个数据采集周期内的指标值；

计算得到各样本值数据的偏差率后，根据配电网历史用电负荷波动范围大小，指定阈值C，波动范围越大，则阈值取值越大，对于超过阈值样本值认定为异常数据；

对于决策要素a_n位于第t个数据采集周期内某个异常样本值a_n(t)，需要进行修复更正，修正后的数据a′_n(t)，其中

a_n(t-1)是指该样本值上一次的采样值，

是指样本的平均变化率；

步骤2.构建样本分析阵列

在前述基础上，首先基于配电区修正后的样本数据建立前述决策要素的指标阵列

b_s为第s个数据采集周期内的配电负荷指标值；

为便于计算，对前述指标阵列T₁进行无量纲处理得到：

其中

则在第s个数据采集周期内决策要素a_n对于配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的权重影响系数为

影响区域配电建设的核心目的在于保证配电区供电稳定性，因此需要保证区域供电负荷的供需稳定，在此基础上，进一步考虑居民用电特点和用电成本，按需决定配电建设方式，影响区域配电建设的主要影响因素包括配电区用电密度、居民消费能力、平均用电负荷、用电成本，为便于后续确定配电网目标投资决策要素的影响程度，本实施例以上述决策要素为例，以某地相应基础数据为基础，对本申请的配电网目标投资决策要素权重系数测算方法的具体实施方案进行说明。

基于前述基础，以某地相应基础数据进行统计得到如下数据：

表1某地配电负荷决策要素统计结果

基于前述步骤以及上述样本统计数据分别进行计算，求得各个影响因素的权重如表2所示。

决策要素	用电密度	消费能力	平均负荷	用电成本
					权重影响系数	0.953	0.921	0.840	0.350

由表2可知，在该配电区的配电负荷决策要素中，用电密度对配电负荷的影响程度较高，居民消费能力、平均用电负荷、用电成本的影响程度次之，其中用电成本对于配电区的配电负荷影响的程度极小，因此，通过省略用电成本这个决策要素，可以在保证数据准确性的同时，有效减少所需要处理和收集的原始数据量，实际上由于该配电区作为居民区，居民用电单价较低且变化不大，因此对于配电负荷的直接影响较低，数据结果符合实际情况。

基于排序结果，指定阈值后从需要考虑的决策要素集A＝{a₁、a₂...a_n...a_N}中选取关联度系数不低于指定阈值的P个决策要素C＝{c₁、c₂...c_p...c_P}，对相应的指标数据进行无量纲化，得到修正后的无量纲指标阵列T″；

步骤3.样本压缩处理

在前述基础上，对修复后的样本数据中进行比较分析，可以发现大量十分近似的样本数据，究其原因，在生活工作相对稳定且天气状态等因素相同或接近的情况下，居民的日常用电状况的变化量较小，一般只在部分节假日以及极端天气环境下会发生用电负荷的较大变化，因此在单独截取上述节假日以及特定时间段的样本数据之后，可以对剩下的日常用电的样本数据进行进一步聚类压缩，进而控制样本数据总量，进一步而言，将修正后的居民数据的电无量纲指标阵列T″分割为T″₀+T″₁，其中T″₀为属于或者涵盖节假日或者极端天气时间段的数据采集周期内的特定样本数据阵列，T″₁是剩下的Q个普通用电状态数据采集周期内的日常样本数据阵列；

其中c′_pm是指选出的第p个要素的第q个数据采集周期内的指标值；d′_q是指第q个数据采集周期内的配电负荷指标值；

在前述基础上，对于日常样本数据阵列T′₁中的各列数据，按照每两行的数据进行求和平均处理的方式进行聚合，若最后剩余一行，则将其与相邻的上一行数据进行求和平均，重复前述求和平均步骤，直至每一列中的数据的数量达到聚合后需要到达的数量，将最终样本值作为新的日常样本数据形成聚合后的日常样本数据阵列T″₂，最后将特定样本数据阵列T′₀和日常样本数据阵列T″₂进行组合后得到简化后的无量纲指标阵列T″₁＝T′₀+T″₂；

步骤4.配电网目标投资决策要素权重计算

首先分别计算各决策要素的数据熵值

其中，

是指决策要素n(n∈N)的第m个指标的数据量，M_n为决策要素n 的总指标数，C为所有决策要素的所有指标的总数据量；

然后基于数据熵值以及所有决策要素的总的指标数量

确定决策要素 n的影响系数

特别的，在进行配电网目标投资决策要素的选择过程中，对于部分区域，配电区设施节点的空间位置及其电气属性也是一个重要因素，设施节点之间的空间位置距离与节点之间线路建设的成本以及节点之间的阻抗特性相互关联，在进行决策要素的判定过程中，由于电网设施节点数量较大，再进一步考虑设施节点的电气属性要素后会使得原始数据量的维度快速递增，但在实际建设过程中，设施节点之间的空间位置距离，会直接影响节点之间线路的长度，进而影响节点之间线路的投资成本以及节点之间拓扑线路的阻抗属性等经济或电气属性，为便于更好地完善要素属性的选择和编制，本申请还提供还包括用于将配电区设施节点位置坐标与设施节点电气属性相关联并映射的步骤，具体是指，

基于多维向量表述方式，将设施的空间坐标与设施节点的若干电气属性联立后建立多维向量；在多维向量所在空间内定义映射面：

其中 w_l＝{w_ml}是指映射面的法向量，m为维度，s_l为偏移系数，x为映射面C_l上的点；

则高维空间内任一点到映射面的距离为

给定初始映射面

建立目标函数：

给定梯度阈值或者迭代次数；求解目标函数值和梯度，若梯度值小于梯度阈值或超过迭代次数则结束迭代，输出最后一次的结果数据，若梯度值超过梯度阈值则选取合适步长更新映射面参数进行下一次迭代；梯度计算式：

迭代计算直至梯度值低于设定阈值或者执行全部迭代次数后，基于最终迭代结果解算目标超平面C_L的参数：

其中T为母线节点总数，l为迭代次数，R_t为第t个母线节点与映射面的距离；k₁～k_l以及u_l是迭代时初值代入得到的常系数；α和β是迭代学习因子；

完成节点映射和坐标重建，具体而言：

对于任意高维节点，将其在高维空间坐标内的的坐标(x₁₁、x₂₁......x_M1)向求得的映射面C_L:(P_1L,P_2L,......P_ML)^Tx+S_L进行投影，得到投影后坐标(x₁₂、x₂₂......x_M2)。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种配电网目标投资决策要素权重系数测算方法，其特征在于，包括如下步骤：

步骤1.原始数据的异常处理

对于某类样本数据，选取数据采集周期内处于同一个采集周期的监测数据，通过求取样本数据均值E(a_n)、标准差σ(a_n)以及偏差率ρ(a_n)；

其中a_ns为决策要素a_n的第s个数据采集周期内的指标值；

计算得到各样本值数据的偏差率后，根据配电网历史用电负荷波动范围大小，指定阈值C，波动范围越大，则阈值取值越大，对于超过阈值样本值认定为异常数据；

对于决策要素a_n位于第t个数据采集周期内某个异常样本值a_n(t)，需要进行修复更正，修正后的数据a′_n(t)，其中

a_n(t-1)是指该样本值上一次的采样值，

是指样本的平均变化率；

步骤2.构建样本分析阵列

首先基于配电区修正后的样本数据建立前述决策要素的指标阵列

b_s为第s个数据采集周期内的配电负荷指标值；

为便于计算，对前述指标阵列T₁进行无量纲处理得到：

其中

则在第s个数据采集周期内决策要素a_n对于配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的关联影响系数为

则决策要素a_n对配电负荷指标的权重影响系数为

基于排序结果，指定阈值后从需要考虑的决策要素集A＝{a₁、a₂...a_n...a_N}中选取关联度系数不低于指定阈值的P个决策要素C＝{c₁、c₂...c_p...c_P}，对相应的指标数据进行无量纲化，得到修正后的无量纲指标阵列T″；

步骤3.配电网目标投资决策要素权重计算

首先分别计算各决策要素的数据熵值

其中，

是指决策要素n(n∈N)的第m个指标的数据量，M_n为决策要素n的总指标数，C为所有决策要素的所有指标的总数据量；

然后基于数据熵值以及所有决策要素的总的指标数量

确定决策要素n的影响系数

2.根据权利要求1所述的配电网目标投资决策要素权重系数测算方法，其特征在于，所述步骤2还包括样本压缩处理的步骤，具体是指：

将修正后的居民数据的电无量纲指标阵列T″分割为T₀″+T₁″，其中T₀″为属于或者涵盖节假日或者极端天气时间段的数据采集周期内的特定样本数据阵列，T₁″是剩下的Q个普通用电状态数据采集周期内的日常样本数据阵列；

其中c′_pm是指选出的第p个要素的第q个数据采集周期内的指标值；d′_q是指第q个数据采集周期内的配电负荷指标值；

对于日常样本数据阵列T₁′中的各列数据，按照每两行的数据进行求和平均处理的方式进行聚合，若最后剩余一行，则将其与相邻的上一行数据进行求和平均，重复前述求和平均步骤，直至每一列中的数据的数量达到聚合后需要到达的数量，将最终样本值作为新的日常样本数据形成聚合后的日常样本数据阵列T″₂，最后将特定样本数据阵列T′₀和日常样本数据阵列T″₂进行组合后得到简化后的无量纲指标阵列T″₁＝T′₀+T″₂。

3.根据权利要求1所述的配电网目标投资决策要素权重系数测算方法，其特征在于，所述配电网目标投资决策要素至少包括配电区用电密度、居民消费能力、平均用电负荷、用电成本。

4.根据权利要求1所述的配电网目标投资决策要素权重系数测算方法，其特征在于，所述配电网目标投资决策要素至少包括配电区设施节点位置。

5.根据权利要求4所述的配电网目标投资决策要素权重系数测算方法，其特征在于，还包括用于将配电区设施节点位置坐标与设施节点电气属性相关联并映射的步骤，具体是指，

基于多维向量表述方式，将设施的空间坐标与设施节点的若干电气属性联立后建立多维向量；在多维向量所在空间内定义映射面：

其中w_l＝{w_ml}是指映射面的法向量，m为维度，s_l为偏移系数，x为映射面C_l上的点；

则高维空间内任一点到映射面的距离为

给定初始映射面

建立目标函数：

给定梯度阈值或者迭代次数；求解目标函数值和梯度，若梯度值小于梯度阈值或超过迭代次数则结束迭代，输出最后一次的结果数据，若梯度值超过梯度阈值则选取合适步长更新映射面参数进行下一次迭代；

迭代计算直至梯度值低于设定阈值或者执行全部迭代次数后，基于最终迭代结果解算目标超平面的参数：

l为迭代次数，α和β是迭代学习因子；

对于任意高维节点，将其在高维空间坐标内的的坐标向求得的标超平面进行投影，得到投影后坐标(x₁₂、x₂₂......x_M2)。