CN116720662B - 基于集对分析的分布式能源系统适用性评估方法 - Google Patents
基于集对分析的分布式能源系统适用性评估方法 Download PDFInfo
- Publication number
- CN116720662B CN116720662B CN202310856818.2A CN202310856818A CN116720662B CN 116720662 B CN116720662 B CN 116720662B CN 202310856818 A CN202310856818 A CN 202310856818A CN 116720662 B CN116720662 B CN 116720662B
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- level
- energy
- analysis
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 153
- 238000004458 analytical method Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 8
- 239000002918 waste heat Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- 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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于能源管理技术领域,本发明公开了基于集对分析的分布式能源系统适用性评估方法,基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,并选取二级指标层内各二级指标的相对优化度;调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分。
Description
技术领域
本发明涉及能源管理技术领域,更具体地说,本发明涉及基于集对分析的分布式能源系统适用性评估方法。
背景技术
分布式能源系统的适用性需要针对使用对象考虑多方面因素,并结合定量准则进行综合性评估,但分布式能源系统的设备结构复杂,其能效、经济、环保等特性交互影响使得实现精确评估较为困难。因此,对分布式能源系统进行量化评估分析是当前研究的重要方向。
如申请公开号为CN113222375A的申请文件公开了一种综合能源系统的多目标评价方法,对综合能源系统进行量化评估并给出全面、系统的评价;一般都是对应性分析评估指标所在分布式能源系统的重要程度,而不是构建适用性评估体系,无法从多维度考虑多个评估指标间互相关性的影响,无法通过一个层次结构反映指标体系之间的相对重要性,所取得量化数据的准确性并不能保证,从而不能保证获取的评估值的准确性。
鉴于此,本发明提供基于集对分析的分布式能源系统适用性评估方法,可以帮助决策者在评估不同分布式能源系统方案时进行定量分析和比较。
发明内容
为了克服现有技术的上述缺陷,本发明提供基于集对分析的分布式能源系统适用性评估方法。
根据本发明的一个方面,提供了基于集对分析的分布式能源系统适用性评估方法,具体包括如下步骤:
步骤1:基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,并选取二级指标层内各二级指标的相对优化度;
步骤2:调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
步骤3:对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分。
优选地,所述能源评估指标体系包括以下指标体系中的一种或者多种:经济性指标体系、能效型指标体系、环境性指标体系、可靠性指标体系和能质性指标体系。
优选地,经济性指标体系包括但不限于以下二级指标:初期设备投资、投资回收期和项目资本金财务内部收益率;能效型指标体系包括但不限于以下二级指标:一次能源利用率、余热回收效率和相对节能率;环境性指标体系包括但不限于以下二级指标:CO2排放量和NOx排放量;可靠性指标体系包括但不限于以下二级指标:计划停运系数、非计划停运系数、等效降出力系数和等效可用系数;能质性指标体系包括但不限于以下二级指标:㶲效率和余热㶲利用率。
优选地,二级指标的相对优化度的选择逻辑为:
获取一级指标层中评估指标的检测值,以及所述评估指标对应预设的安全检测区间/>;将检测值/>与预设的安全检测区间/>比对分析,/>,其中为安全检测区间的最大值,/>为安全检测区间的最小值;
通过公式计算当前评估指标的相对优化度;
;
将评估指标的相对优化度代入二级指标阈值/>;
若,则对应的评估指标标记为二级指标;
若,则对应的评估指标不标记为二级指标。
优选地,由多个二级指标集合构成一级指标数据集;所述二级指标集合包括多个二级指标以及所述二级指标对应的相对优化度。
优选地,所述能源评价等级划分为多个等级评价标准,将多个等级评价标准集成的集合标记为结果集合。
优选地,所述能源评价等级依次划分为I级、II级、III级、IV级和V级,其中,I级为特别适合;II级为比较适合;III级为适合;IV级为不太适合;V级为特别不适合。
优选地,所述集对分析模型的构建逻辑为:
分布式能源系统的历史训练数据包括构成能源评估指标体系的二级指标集合和构成能源评价等级的结果集合;
将70%的历史训练数据作为参数训练集,30%的历史训练数据作为参数测试集,构建集对分析模型;
将参数训练集输入所述集对分析模型进行训练,以得到指标集合与结果集合之间的关联度为输出,以实际关联度为预测目标,以最小化所有二级指标的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为二级指标的编号,为预测准确度,/>为第/>个二级指标对应的预测关联度,/>为第/>个二级指标对应的实际关联度;利用参数测试集对所述集对分析模型进行测试,直至预测准确度之和达到收敛时停止训练。
优选地,所述当前分布式能源系统的适用性评分的获取逻辑为:
通过集对分析模型分析后,可获得二级指标集合中二级指标对应的预测关联度,将二级指标对应的预测关联度分别乘以二级指标权重,可计算出各个二级指标变权值;
所述二级指标权重为固定权重值与波动权重值的乘积;所述固定权重值为二级指标对应的相对优化度;所述波动权重值根据相对优化度大小进行赋值;
将二级指标集合中所有的二级指标对应的预测关联度进行加权求平均可获得二级指标集合变权值;
将所有的二级指标集合变权值进行相加求平均值,获取当前分布式能源系统的适用性评分。
优选地,所述波动权重值的赋值逻辑为:
将二级指标对应的相对优化度与预设的二级指标波动梯度阈值/>比对分析,/>,其中/>为二级指标波动梯度阈值的最大值,/>为二级指标波动梯度阈值的最小值;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
其中。
根据本发明的另一个方面,提供了一种基于集对分析的分布式能源系统适用性评估系统,其基于上述基于集对分析的分布式能源系统适用性评估方法的实现,包括:
数据获取模块,基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,并选取二级指标层内各二级指标的相对优化度;
集对分析模块,调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
评分生成模块,对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分,根据适用性评分确定分布式能源系统适用性评估等级。
根据本发明的又一个方面,提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述基于集对分析的分布式能源系统适用性评估方法。
根据本发明的再一个方面,提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述基于集对分析的分布式能源系统适用性评估方法。
本发明基于集对分析的分布式能源系统适用性评估方法的技术效果和优点:
使用本发明的基于能源评估指标体系和集对分析的方法,能够提供全面、准确、可信的分布式能源系统适用性评估,为决策者提供有力的决策支持,并促进能源系统的优化和改进;
建立的能源评估指标体系和使用的集对分析模型可以在不同的分布式能源系统评估中重复使用。这样可以提高工作效率,减少重复劳动,并为未来的评估提供基础。
通过综合评估和定量分析,该方法提供了对分布式能源系统适用性的客观评价,为决策者提供了有价值的信息,帮助他们做出明智的决策,并制定相应的改进策略。
附图说明
图1为本发明的分布式能源系统适用性评估系统示意图;
图2为本发明的能源评估指标体系的体系结构示意图;
图3为本发明的分布式能源系统适用性评估方法流程图;
图4为本发明的一种电子设备的结构示意图。
具体实施方式
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,本领域普通技术人员在没有做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。
为便于理解本发明,做以下说明:
集对分析:
定义1:有一定联系的两个集合组成的基本单位称为集对。
集对分析是从同、异、反三个方面全面刻画两个不同事物之间的联系,其核心思想是把被研究的客观事物之确定性联系与不确定性联系作为一个确定不确定系统来分析处理。
定义2:给定两个集合和集合/>,并将集合/>和集合/>组合成集对/>,集对为:;在某个具体问题/>下,集对/>共有/>个特性,其中:集合/>和集合/>之间共同特征数、对立特征数以及既不共同也不对立的特征数分别表示为/>、/>和/>;/>表示集合/>和集合/>之间第/>个既不共同也不对立的特征数,/>;/>为正整数;
为集对在问题/>下的同一度,记为/>,同一度系数对应为1;
为集对在问题/>下的对立度,记为/>;/>为对立度系数为-1;
为集对在问题/>下的差异度,记为/>;/>为第/>个差异度系数;
依据公式计算集合和集合/>之间的关联度/>;
;
式中:;/>,一般/>和/>仅起标记的作用,这里可说明计算集合/>和集合/>之间有M+2种可能出现的结果。
实施例1
请参阅图1所示,本实施例所述基于集对分析的分布式能源系统适用性评估系统,包括数据获取模块、集对分析模块和评分生成模块,上述各个模块通过有线和/或无线连接的方式连接,实现各个模块间的数据传输。
数据获取模块,基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,具体如图2所示:
所述目标层用于获取分布式能源系统适用性评分;所述一级指标层包括以下一级指标中的一种或者多种:经济性指标、能效型指标、环境性指标、可靠性指标和能质性指标;每个一级指标中包括多个评估指标,计算评估指标的实际能源检测数据的相对优化度;根据相对优化度的大小选取二级指标;将一级指标中所有的二级指标构成二级指标集合;
这里需要说明的是:经济性指标体系是从资金流的角度体现分布式能源系统的投资信息,对应的二级指标包括但不限于以下指标:初期设备投资、投资回收期和项目资本金财务内部收益率;能效型指标体系是从能量流的角度体现系统热力学性能,反映了系统主要流程、相关设备的能源利用情况及能效水平,对应的二级指标包括但不限于以下指标:一次能源利用率、余热回收效率和相对节能率;环境性指标体系对应的二级指标包括但不限于以下指标:CO2排放量和NOx排放量;可靠性指标体系考查了系统能源供给的可靠性,对应的二级指标包括但不限于以下指标:计划停运系数、非计划停运系数、等效降出力系数和等效可用系数;能质性指标体系从热力学第二定律考查系统能量的可利用程度,对应的二级指标包括但不限于以下指标:㶲效率和余热㶲利用率。
二级指标的相对优化度的选择逻辑为:
获取一级指标层中评估指标的检测值,以及所述评估指标对应预设的安全检测区间/>;将检测值/>与预设的安全检测区间/>比对分析,/>,其中为安全检测区间的最大值,/>为安全检测区间的最小值;
通过公式计算当前评估指标的相对优化度;
;
将评估指标的相对优化度代入二级指标阈值/>;
若,则对应的评估指标标记为二级指标;并将二级指标对应的相对优化度按照大小进行排序,根据先后排序顺序生成二级指标集合;
若,则对应的评估指标不标记为二级指标。
这里需要说明的是:一级指标中含有多个评估指标,其本质上都会对分布式能源系统的评估具有一定的影响力,但是分布式能源系统的评估的范围太大,因此需要从现有的评估指标中,选择具有一定影响力的评估指标作为二级指标,因此,选择使用二级指标阈值,通过二级指标阈值/>的比对分析可以获取对分布式能源系统更具有影响力的二级指标。
集对分析模块,调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
二级指标集合c表示为第/>个一级指标对应的二级指标集合;/>,/>为正整数;/>为二级指标的相对优化度;/>表示为/>个二级指标集合组合而成的一级指标数据集,即分布式能源系统对应的指标数据集;
所述能源评价等级划分为个等级评价标准,标记为结果集合/>;/>,则二级指标集合/>与结果集合/>形成集对/>;
二级指标集合与结果集合/>构成集对/>,通过集对分析模型对集对进行公式分析,获得二级指标集合与能源评价等级之间的关联度/>;具体公式为:
。
这里需要说明的是:这里的关联度可以用来度量二级指标集合与结果集合/>之间的相似性,并根据相似性将它们分组在一起,从经济、能效、环境、可靠和能质等多个角度来提供分布式能源系统相关指标之间的关联性。
所述集对分析模型的构建逻辑为:
分布式能源系统的历史训练数据包括构成能源评估指标体系的二级指标集合和构成能源评价等级的结果集合;
将70%的历史训练数据作为参数训练集,30%的历史训练数据作为参数测试集,构建集对分析模型;
将参数训练集输入所述集对分析模型进行训练,以得到指标集合与结果集合之间的关联度为输出,以实际关联度为预测目标,以最小化所有二级指标的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为二级指标的编号,为预测准确度,/>为第/>个二级指标对应的预测关联度,/>为第/>个二级指标对应的实际关联度;利用参数测试集对所述集对分析模型进行测试,直至预测准确度之和达到收敛时停止训练。
这里需要说明的是:通过对集对分析模型进行训练和测试,确定训练迭代次数、学习率等参数,并进行模型评估和调优,从而确保输出的二级指标集合与能源评价等级之间的关联度的准确性。
评分生成模块,对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分。
所述当前分布式能源系统的适用性评分的获取逻辑为:
通过集对分析模型分析后,可获得二级指标集合中二级指标对应的预测关联度,将二级指标对应的预测关联度分别乘以二级指标权重,可计算出各个二级指标变权值;
所述二级指标权重包括固定权重值与波动权重值,具体为固定权重值与波动权重值的乘积;所述固定权重值为二级指标对应的相对优化度;所述波动权重值根据相对优化度大小进行赋值;
将二级指标集合中所有的二级指标对应的预测关联度进行加权求平均可获得二级指标集合变权值;
将所有的二级指标集合变权值进行相加求平均值,可获取当前分布式能源系统的适用性评分。
这里需要说明的是:对二级指标对应的预测关联度以及当前二级指标权重的相乘获得对应二级指标变权值,这里的二级指标变权值为对应二级指标相对于分布式能源系统适用性的重要程度。二级指标对应的预测关联度表示该二级指标对分布式能源系统适用性的预计关联程度,具体通过集对分析模型获取;二级指标权重由固定权重值和波动权重值相乘得出;固定权重值表示二级指标的相对优化度,即指标值越大代表系统在该指标上的表现越差。波动权重值根据相对优化度的大小进行赋值,具体方法可以根据实际情况进行定义和确定。将当前二级指标集合中所有二级指标变权值进行加权求平均值。这个平均值反映了当前二级指标集合在所有评估指标上的表现,即对应一级指标在所有所有评估指标上的表现;
将所有二级指标集合变权值进行相加,并求平均值;即表示所有的一级指标在所有评估指标上的表现。因此这个平均值反映了当前分布式能源系统在所有评估指标上的表现,即为当前分布式能源系统的适用性评分。该评分可用于比较不同系统的适用性,评估其优劣或选择最合适的系统。
所述波动权重值的赋值逻辑为:
将二级指标对应的相对优化度与预设的二级指标波动梯度阈值/>比对分析,/>,其中/>为二级指标波动梯度阈值的最大值,/>为二级指标波动梯度阈值的最小值;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
其中。
这里需要说明的是:具体的波动梯度阈值的设定以及波动权重值赋值的调整需要根据具体情况进行确定和优化。
这种赋值逻辑主要是根据相对优化度大小确定波动权重值赋值,示例性的,,/>,/>;即当/>则增加二级指标对应的权重值,波动权重值赋值为2;当/>,则不调整二级指标对应的权重值,波动权重值赋值为1;当,则减少二级指标对应的权重值,波动权重值赋值为0.5。
本发明通过建立能源评估指标体系和能源评价等级,综合考虑多个方面的指标,并将其层次化组织,从而全面评估分布式能源系统的适用性;更方便地识别系统中的优势和改进空间,并提供更全面的决策支持。通过调用集对分析模型,可以对二级指标集合和结果集合之间的关联度进行量化分析;能够提供更准确的评估结果,并帮助决策者更好地理解各个指标之间的关系。通过对各个二级指标集合与能源评价等级之间的关联度进行变权处理,可以根据实际需求和重要性调整各个指标对最终评分的贡献程度;更准确地反映系统的实际情况,并使评估结果更具有权威性和可信度。
本发明使用这种基于能源评估指标体系和集对分析的方法,能够提供全面、准确、可信的分布式能源系统适用性评估,为决策者提供有力的决策支持,并促进能源系统的优化和改进;
建立的能源评估指标体系和使用的集对分析模型可以在不同的分布式能源系统评估中重复使用。这样可以提高工作效率,减少重复劳动,并为未来的评估提供基础。
通过综合评估和定量分析,该方法提供了对分布式能源系统适用性的客观评价,为决策者提供了有价值的信息,帮助他们做出明智的决策,并制定相应的改进策略。
实施例2
如图3所示:本实施例未详细叙述部分见实施例1描述内容,提供基于集对分析的分布式能源系统适用性评估方法,包括以下步骤:
步骤1:基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层;具体如图2所示:所述目标层用于获取分布式能源系统适用性评分;所述一级指标层包括以下一级指标中的一种或者多种:经济性指标、能效型指标、环境性指标、可靠性指标和能质性指标;每个一级指标中包括多个评估指标,计算评估指标的实际能源检测数据的相对优化度;根据相对优化度的大小选取二级指标;将一级指标中所有的二级指标构成二级指标集合;
这里需要说明的是:经济性指标是从资金流的角度体现分布式能源系统的投资信息,对应的二级指标包括但不限于以下指标:初期设备投资、投资回收期和项目资本金财务内部收益率;能效性指标是从能量流的角度体现系统热力学性能,反映了系统主要流程、相关设备的能源利用情况及能效水平,对应的二级指标包括但不限于以下指标:一次能源利用率、余热回收效率和相对节能率;环境性指标对应的二级指标包括但不限于以下指标:CO2排放量和NOx排放量;可靠性指标考查了系统能源供给的可靠性,对应的二级指标包括但不限于以下指标:计划停运系数、非计划停运系数、等效降出力系数和等效可用系数;能质性指标从热力学第二定律考查系统能量的可利用程度,对应的二级指标包括但不限于以下指标:㶲效率和余热㶲利用率。
二级指标的相对优化度的选择逻辑为:
获取一级指标层中评估指标的检测值,以及所述评估指标对应预设的安全检测区间/>;将检测值/>与预设的安全检测区间/>比对分析,/>,其中为安全检测区间的最大值,/>为安全检测区间的最小值;
通过公式计算当前评估指标的相对优化度;
;
将评估指标的相对优化度代入二级指标阈值/>;
若,则对应的评估指标标记为二级指标;
若,则对应的评估指标不标记为二级指标。
这里需要说明的是:二级指标阈值设定需要根据具体情况进行确定和优化,当前主要通过技术人员或专业人员通过实际应用中的大量数据实验可得,具有一定的可行性,在这里就不一一赘述,当然这个数值也可以通过机器学习进行优化。
步骤2:调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
二级指标集合表示为第/>个一级指标对应的二级指标集合;/>,/>为正整数;/>,其中/>为第/>个二级指标集合中第/>个二级指标的相对优化度;/>,/>为正整数;/>表示为/>个二级指标集合组合而成的一级指标数据集,即分布式能源系统对应的指标数据集;
所述能源评价等级划分为个等级评价标准,标记为结果集合/>;/>,则二级指标集合/>与结果集合/>形成集对/>;
优选地,所述能源评价等级依次划分为I级、II级、III级、IV级和V级;其中,I 级:特别适合,与传统供能方式相比节能减排效果、经济效益可观;II 级: 比较适合,与传统供能方式相比节能减排效果可观、经济效益可取; III 级: 适合,与传统供能方式相比节能减排效果、经济效益可取;IV 级: 不太适合,与传统供能方式相比节能减排效果、经济效益无明显优势,需要不断政策性补贴进行维持;V 级: 特别不适合,节能减排效果、经济效益远不如传统供能方式。
二级指标集合与结果集合/>构成集对/>,通过集对分析模型对集对进行公式分析,获得二级指标集合与能源评价等级之间的关联度/>;具体公式为:
。
这里需要说明的是:这里的关联度可以用来度量二级指标集合与结果集合/>之间的相似性,并根据相似性将它们分组在一起,从经济、能效、环境、可靠和能质等多个角度来提供分布式能源系统相关指标之间的关联性。
所述集对分析模型的构建逻辑为:
分布式能源系统的历史训练数据包括构成能源评估指标体系的二级指标集合和构成能源评价等级的结果集合;
将70%的历史训练数据作为参数训练集,30%的历史训练数据作为参数测试集,构建集对分析模型;
将参数训练集输入所述集对分析模型进行训练,以得到指标集合与结果集合之间的关联度为输出,以实际关联度为预测目标,以最小化所有二级指标的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为二级指标的编号,为预测准确度,/>为第/>个二级指标对应的预测关联度,/>为第/>个二级指标对应的实际关联度;利用参数测试集对所述集对分析模型进行测试,直至预测准确度之和达到收敛时停止训练。
这里需要说明的是:通过对集对分析模型进行训练和测试,确定训练迭代次数、学习率等参数,并进行模型评估和调优,从而确保输出的二级指标集合与能源评价等级之间的关联度的准确性。
步骤3:对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分。
所述当前分布式能源系统的适用性评分的获取逻辑为:
通过集对分析模型分析后,可获得二级指标集合中二级指标对应的预测关联度,将二级指标对应的预测关联度分别乘以二级指标权重,可计算出各个二级指标变权值;
所述二级指标权重包括固定权重值与波动权重值,具体为固定权重值与波动权重值的乘积;所述固定权重值为二级指标对应的相对优化度;所述波动权重值根据相对优化度大小进行赋值;
将二级指标集合中所有的二级指标对应的预测关联度进行加权求平均可获得二级指标集合变权值;
将所有的二级指标集合变权值进行相加求平均值,可获取当前分布式能源系统的适用性评分。
这里需要说明的是:对二级指标对应的预测关联度以及当前二级指标权重的相乘获得对应二级指标变权值,这里的二级指标变权值为对应二级指标相对于分布式能源系统适用性的重要程度。二级指标对应的预测关联度表示该二级指标对分布式能源系统适用性的预计关联程度,具体通过集对分析模型获取;二级指标权重由固定权重值和波动权重值相乘得出;固定权重值表示二级指标的相对优化度,即指标值越大代表系统在该指标上的表现越差。波动权重值根据相对优化度的大小进行赋值,具体方法可以根据实际情况进行定义和确定。将当前二级指标集合中所有二级指标变权值进行加权求平均值。这个平均值反映了当前二级指标集合在所有评估指标上的表现,即对应一级指标在所有所有评估指标上的表现;
将所有二级指标集合变权值进行相加,并求平均值;即表示所有的一级指标在所有评估指标上的表现。因此这个平均值反映了当前分布式能源系统在所有评估指标上的表现,即为当前分布式能源系统的适用性评分。该评分可用于比较不同系统的适用性,评估其优劣或选择最合适的系统。
所述波动权重值的赋值逻辑为:
将二级指标对应的相对优化度与预设的二级指标波动梯度阈值/>比对分析,/>,其中/>为二级指标波动梯度阈值的最大值,/>为二级指标波动梯度阈值的最小值;
当,则波动权重值赋值为/>;/>
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
其中。
示例性的,,/>,/>;即当/>则增加二级指标对应的权重值,波动权重值赋值为2;当/>,则不调整二级指标对应的权重值,波动权重值赋值为1;当/>,则减少二级指标对应的权重值,波动权重值赋值为0.5。
这里需要说明的是:具体的波动梯度阈值的设定的调整需要根据具体情况进行确定和优化。
本发明使用这种基于能源评估指标体系和集对分析的方法,能够提供全面、准确、可信的分布式能源系统适用性评估,为决策者提供有力的决策支持,并促进能源系统的优化和改进;
建立的能源评估指标体系和使用的集对分析模型可以在不同的分布式能源系统评估中重复使用。这样可以提高工作效率,减少重复劳动,并为未来的评估提供基础。
通过综合评估和定量分析,该方法提供了对分布式能源系统适用性的客观评价,为决策者提供了有价值的信息,帮助他们做出明智的决策,并制定相应的改进策略。
实施例3
根据示例性实施例示出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的基于集对分析的分布式能源系统适用性评估方法。
图4是本申请实施例提供的一种电子设备的结构示意图,该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上处理器(Central ProcessingUnits,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该至少一条计算机程序由该处理器加载并执行以实现上述各个方法实施例提供的基于深度神经网络的股票算法交易方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有线或无线网络接口以及输入输出接口等部件,以便进行输入输出。本申请实施例在此不做赘述。
实施例4
根据示例性实施例示出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于集对分析的分布式能源系统适用性评估方法。
本发明通过建立能源评估指标体系和能源评价等级,综合考虑多个方面的指标,并将其层次化组织,从而全面评估分布式能源系统的适用性;更方便地识别系统中的优势和改进空间,并提供更全面的决策支持。通过调用集对分析模型,可以对二级指标集合和结果集合之间的关联度进行量化分析;能够提供更准确的评估结果,并帮助决策者更好地理解各个指标之间的关系。通过对各个二级指标集合与能源评价等级之间的关联度进行变权处理,可以根据实际需求和重要性调整各个指标对最终评分的贡献程度;更准确地反映系统的实际情况,并使评估结果更具有权威性和可信度。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一 种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于集对分析的分布式能源系统适用性评估方法,其特征在于,包括以下步骤:
步骤1:基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,并选取二级指标层内各二级指标的相对优化度;
步骤2:调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
步骤3:对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分;
所述集对分析模型的构建逻辑为:
分布式能源系统的历史训练数据包括构成能源评估指标体系的二级指标集合和构成能源评价等级的结果集合;
将70%的历史训练数据作为参数训练集,30%的历史训练数据作为参数测试集,构建集对分析模型;
将参数训练集输入所述集对分析模型进行训练,以得到指标集合与结果集合之间的关联度为输出,以实际关联度为预测目标,以最小化所有二级指标的预测准确度之和作为训练目标;其中,预测准确度的计算公式为:,其中,/>为二级指标的编号,/>为预测准确度,/>为第/>个二级指标对应的预测关联度,/>为第/>个二级指标对应的实际关联度;利用参数测试集对所述集对分析模型进行测试,直至预测准确度之和达到收敛时停止训练;
所述当前分布式能源系统的适用性评分的获取逻辑为:
通过集对分析模型分析后,可获得二级指标集合中二级指标对应的预测关联度,将二级指标对应的预测关联度分别乘以二级指标权重,可计算出各个二级指标变权值;
所述二级指标权重为固定权重值与波动权重值的乘积;所述固定权重值为二级指标对应的相对优化度;所述波动权重值根据相对优化度大小进行赋值;
将二级指标集合中所有的二级指标对应的预测关联度进行加权求平均可获得二级指标集合变权值;
将所有的二级指标集合变权值进行相加求平均值,获取当前分布式能源系统的适用性评分;
所述波动权重值的赋值逻辑为:
将二级指标对应的相对优化度与预设的二级指标波动梯度阈值/>比对分析,/>,其中/>为二级指标波动梯度阈值的最大值,/>为二级指标波动梯度阈值的最小值;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
当,则波动权重值赋值为/>;
其中。
2.根据权利要求1所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,所述能源评估指标体系包括以下指标体系中的一种或者多种:经济性指标体系、能效型指标体系、环境性指标体系、可靠性指标体系和能质性指标体系。
3.根据权利要求2所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,经济性指标体系包括但不限于以下二级指标:初期设备投资、投资回收期和项目资本金财务内部收益率;能效型指标体系包括但不限于以下二级指标:一次能源利用率、余热回收效率和相对节能率;环境性指标体系包括但不限于以下二级指标:CO2排放量和NOx排放量;可靠性指标体系包括但不限于以下二级指标:计划停运系数、非计划停运系数、等效降出力系数和等效可用系数;能质性指标体系包括但不限于以下二级指标:㶲效率和余热㶲利用率。
4.根据权利要求3所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,二级指标的相对优化度的选择逻辑为:
获取一级指标层中评估指标的检测值,以及所述评估指标对应预设的安全检测区间;将检测值/>与预设的安全检测区间/>比对分析,/>,其中/>为安全检测区间的最大值,/>为安全检测区间的最小值;
通过公式计算当前评估指标的相对优化度;
;
将评估指标的相对优化度代入二级指标阈值/>;
若,则对应的评估指标标记为二级指标;
若,则对应的评估指标不标记为二级指标。
5.根据权利要求4所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,由多个二级指标集合构成一级指标数据集;所述二级指标集合包括多个二级指标以及所述二级指标对应的相对优化度。
6.根据权利要求5所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,所述能源评价等级划分为多个等级评价标准,将多个等级评价标准集成的集合标记为结果集合。
7.根据权利要求6所述的基于集对分析的分布式能源系统适用性评估方法,其特征在于,所述能源评价等级依次划分为I级、II级、III级、IV级和V级,其中,I级为特别适合;II级为比较适合;III级为适合;IV级为不太适合;V级为特别不适合。
8.基于集对分析的分布式能源系统适用性评估系统,其基于权利要求1-7任意一项所述的基于集对分析的分布式能源系统适用性评估方法的实现,其特征在于:包括:
数据获取模块,基于分布式能源系统的适用性分析,建立能源评估指标体系和能源评价等级;所述能源评估指标体系包括目标层、一级指标层和二级指标层,并选取各二级指标层内二级指标的相对优化度;
集对分析模块,调用预先训练好的集对分析模型对二级指标集合和结果集合的集对进行关联度分析,获得二级指标集合与能源评价等级之间的关联度;
评分生成模块,对各个二级指标集合与能源评价等级之间的关联度进行变权处理,计算出各个二级指标集合变权值;将各个二级指标集合变权值的平均值作为当前分布式能源系统的适用性评分,根据适用性评分确定分布式能源系统适用性评估等级。
9.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1~7任一项所述的基于集对分析的分布式能源系统适用性评估方法。
10.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的基于集对分析的分布式能源系统适用性评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856818.2A CN116720662B (zh) | 2023-07-13 | 2023-07-13 | 基于集对分析的分布式能源系统适用性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856818.2A CN116720662B (zh) | 2023-07-13 | 2023-07-13 | 基于集对分析的分布式能源系统适用性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720662A CN116720662A (zh) | 2023-09-08 |
CN116720662B true CN116720662B (zh) | 2023-10-20 |
Family
ID=87869816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856818.2A Active CN116720662B (zh) | 2023-07-13 | 2023-07-13 | 基于集对分析的分布式能源系统适用性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720662B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956779A (zh) * | 2016-05-09 | 2016-09-21 | 山东大学 | 电力变压器运行状态评估方法和装置 |
CN108537448A (zh) * | 2018-04-12 | 2018-09-14 | 西南交通大学 | 基于集对分析和证据理论的高铁接触网健康状态评估方法 |
WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
CN114372734A (zh) * | 2022-03-23 | 2022-04-19 | 广东电网有限责任公司佛山供电局 | 一种电缆中间接头绝缘状态实时评估方法及系统 |
-
2023
- 2023-07-13 CN CN202310856818.2A patent/CN116720662B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956779A (zh) * | 2016-05-09 | 2016-09-21 | 山东大学 | 电力变压器运行状态评估方法和装置 |
CN108537448A (zh) * | 2018-04-12 | 2018-09-14 | 西南交通大学 | 基于集对分析和证据理论的高铁接触网健康状态评估方法 |
WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
CN114372734A (zh) * | 2022-03-23 | 2022-04-19 | 广东电网有限责任公司佛山供电局 | 一种电缆中间接头绝缘状态实时评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116720662A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN106991506A (zh) | 智能终端及其基于lstm的股票趋势预测方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN113792754A (zh) | 一种先除异后修复的换流变dga在线监测数据处理方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
CN112801344A (zh) | 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质 | |
CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
Dong et al. | Research on academic early warning model based on improved SVM algorithm | |
CN114330818A (zh) | 一种基于主要驱动因子筛选和深度学习的动态需水预测方法 | |
CN113240161A (zh) | 净现值预测模型建立方法、装置、存储介质及电子设备 | |
TWI626550B (zh) | 用於預測系統障礙熱區之處理系統與方法 | |
CN110866694A (zh) | 一种电网建设项目财务评价系统及其方法 | |
Ali et al. | GIS-based multi-scale residential building energy modeling using a data-driven approach | |
Cheng et al. | Study of temperature change based on ARIMA forecasting and correlation analysis |
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 |