CN117114429A - 一种数字化供电所运行效率评估及决策优化方法 - Google Patents

一种数字化供电所运行效率评估及决策优化方法 Download PDF

Info

Publication number
CN117114429A
CN117114429A CN202310874726.7A CN202310874726A CN117114429A CN 117114429 A CN117114429 A CN 117114429A CN 202310874726 A CN202310874726 A CN 202310874726A CN 117114429 A CN117114429 A CN 117114429A
Authority
CN
China
Prior art keywords
power supply
supply station
digital
efficiency
operation efficiency
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
Application number
CN202310874726.7A
Other languages
English (en)
Inventor
汪洋
李宏胜
张旭东
张欣
葛云龙
王兰涛
郭兴媛
柳长发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310874726.7A priority Critical patent/CN117114429A/zh
Publication of CN117114429A publication Critical patent/CN117114429A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)

Abstract

一种数字化供电所运行效率评估及决策优化方法，运用三阶段DEA方法剔除外部环境因素与随机扰动项的影响，对数字化供电所运行的技术效率、纯技术效率、规模效率进行测算，有效评估数字化供电所的投入产出情况；针对未能达到DEA有效的数字化供电所，构建运行效率改善、成本投入最少、用户满意度最高的多目标决策模型；通过改进多目标粒子群算法，对多目标决策模型进行求解，最终输出数字化供电所运行效率优化的最优规划方案，增强数字化供电所资源配置的合理性，进一步支撑其管理效益的大幅提升，助力电网数字化转型。

Description

一种数字化供电所运行效率评估及决策优化方法
技术领域
本发明属于供电所运行规划技术领域，具体涉及一种数字化供电所运行效率评估及决策优化方法。
背景技术
国家能源局发布的《关于加快推进能源数字化智能化发展的若干意见》指出，到2030年，能源系统各环节数字化智能化创新应用体系初步构筑、数据要素潜能充分激活。作为电力企业的最基本单元，供电所是推进数字化转型的前沿阵地。当前，数字化供电所的有效建设运行愈发成为电力企业进一步发展综合业务、助力能源产业升级的战略手段，同时也为供电所自身的运营管理转型升级提供了重要支撑。
各省近年来积极推进数字化供电所建设，致力于打造智慧化作业、融合化业务及便捷化服务，掌握数字化供电所的建设运行情况对河北省的电网数字化转型具有重要意义。具体如公布号为CN113487203A的专利技术方案提出了一种涵盖数字化就绪度、应用度及贡献度三个维度的评价方法，为分析供电所的数字化发展质量给出有益参考，但其忽略了效率这一关键指标，未能较好体现数字化供电所资源配置的合理程度以及投入产出的优化空间，无法为数字化供电所的运行规划提供科学的改进方案。
基于此，本发明提出一种数字化供电所运行效率评估及决策优化方法。
发明内容
为解决现有技术中带有的缺陷，本发明提出一种数字化供电所运行效率评估及决策优化装置，运用三阶段DEA方法剔除外部环境因素与随机扰动项的影响，对数字化供电所运行的技术效率、纯技术效率、规模效率进行测算，有效评估数字化供电所的投入产出情况；针对未能达到DEA有效的数字化供电所，构建运行效率改善、成本投入最少、用户满意度最高的多目标决策模型；通过改进多目标粒子群算法，对多目标决策模型进行求解，最终输出数字化供电所运行效率优化的最优规划方案，增强数字化供电所资源配置的合理性，进一步支撑其管理效益的大幅提升，助力电网数字化转型。
本发明运用如下的技术方案。
一种数字化供电所运行效率评估及决策优化方法，包括：
S1：运用三阶段DEA方法评估运行效率；
S2：构建多目标决策模型改善运行效率；
S3：通过改进多目标粒子群算法求得最优规划方案。
优选地，S1具体包括：
S11：模型指标选取，选取的模型指标作为样本数据；模型指标包含投入指标、产出指标与环境指标三类；
S12：样本数据处理；
S13：三阶段DEA模型构建；
S14：测算结果输出与分析。
优选地，所选取的投入指标包括供电所的员工数量、员工平均薪资、数字基础设施建设费用、可应用的数据产品数量、数字技术研发费用与供电所资产净值；所选取的产出指标包括供电所售电量、供电客户数量、线损率、线上办电率；其中，供电所售电量Esales＝PaveΔT，Pave为平均负荷功率，ΔT为调度时段；所选取的环境指标包括政策因素与文化因素，其中，政策因素体现为相关政策数量占比，文化因素体现为数字化理念社会认可度。
优选地，S12具体包括：
对模型指标数据进行清洗，该清洗包括对模型指标数据进行数据去重、数据过滤、缺失值填充与异常值处理，并做数据存储。
优选地，S13具体包括：
S131:第一阶段构建DEA-BCC模型；
S132:由第一阶段分析得到的投入产出松弛变量受到外部环境因素或随机扰动项的影响，第二阶段构建SFA模型对投入变量进行调整；
S133:在第三阶段中，将第二阶段SFA模型调整后的投入值与原始产出值再次带入到DEA-BCC模型进行效率值的运算。
优选地，S131具体包括：
设有n个供电所，每个供电所有m个投入与s个产出；xik表示第k个供电所中第i个投入变量；yjk表示第k个供电所中第j个产出变量,k＝1,2,...,n，i＝1,2,...,m，j＝1,2,...,s，λk为给第k个供电所设定的系数，则有如下形式：
minθ
其中，θ为所考察的数字化供电所的总运行效率，Xk＝(x1k,x2k,...,xmk)，Yk＝(y1k,y2k,...,ymk)，s-、s+分别表示投入松弛变量的值和产出松弛变量的值，Xt与Yt都是设定的变量。
优选地，S132具体包括：
设第i个供电所中第n个投入值为Xni，相应的松弛变量为Sni，且Sni＝Xni-Xn，λ>0，n＝1,2,...,N，i＝1,2,...,I，λ为设定的系数，N与I都是正整数，外部环境因素与差额变量的关系如下：
Sni＝f(Zi,βn)+Vni+Uni
其中，Zi表示第i个供电所的外部环境因素，其包括相关政策数量占比和数字化理念社会认可度两个方面，f(Zi,βn)则表示外部环境因素对投入松弛变量Sni所产生的影响，Vni、Uni分别表示第i个供电所中第n个投入值的随机扰动项与管理无效率；
利用SFA模型的回归结果对投入值进行调整以消除外部环境因素与随机扰动项的影响，从而得到严格反映管理水平的运行效率值，调整过程如下：
其中，Xni、分别表示调整前后的投入值，/>表示将所有供电所置于相同的外部环境下，/>表示使得所有供电所面临的随机误差相同。
优选地，S14具体包括：
DEA-BCC模型将输出三类效率值，分别为技术效率TE、纯技术效率PTE与规模效率SE，三者关系符合等式：
TE＝PTE×SE
技术效率TE是对数字化供电所运行效率的综合评价；若TE＝1，则表示该数字化供电所的资源投入产出在技术与规模两方面同时有效，即DEA有效；纯技术效率PTE体现了供电所数字化管理水平和技术创新等因素所影响的运行效率水平；若PTE＝1，则表示在供电所当前数字技术应用水平下资源的投入使用是有效率的，在此情况下仍未实现综合有效则说明其规模无效，需作出相应决策以更好地发挥规模效益。
优选地，S2具体包括：
S21：构建运行效率改善的目标函数；
S22：构建成本投入最少的目标函数；
S23：构建用户满意度最高的目标函数。
优选地，S21具体包括：
以S1中的三阶段DEA方法为基础展开分析，θ‘为优化后所考察的数字化供电所的总运行效率，则有：
f1＝minθ‘,θ<θ‘≤1
其中，f1为运行效率改善的目标函数，X'k＝(x'1k,x'2k,...,x'mk)、Y'k＝(y'1k,y'2k,...,y'mk)分别表示优化后的投入产出变量，λ'k为给第k个供电所设定的优化系数，x'jk表示优化后的第k个供电所中第j个投入变量；y'jk表示优化后的第k个供电所中第j个产出变量,，X’t与Y’t都是设定的变量，k＝1,2,...,n，j＝1,2,...,m。
优选地，S22具体包括：
成本投入最少的目标函数f2表达式如下：
f2＝min C＝Ch um+Ccon+Cinn
Ch um＝Csal+Ctra,Ccon＝Cinf+Cmai
其中，C为数字化供电所运营投入的总成本，Ch um为人力资本投入，包括员工薪资Csal、员工技能培训费用Ctra；Ccon为基础设施建设维护花费，包括数字基础设施建设费用Cinf、运维费用Cmai；Cinn为创新支出，即数字技术研发费用；N表示当天员工培训时间，Nmax表示维持供电所运作的前提下允许用在员工培训上的时间；M表示数字基础设施数量，Mmax表示现场允许铺设的数字基础设施数量。
优选地，S23具体包括：
从用户用电方式和线上办电意愿两个维度构建用户满意度最高的目标函数f3，表达式如下：
f3＝maxS＝S1+S2
其中，S、S1、S2分别表示用户满意度、用户用电满意度和用户办电满意度；T为调度时段数，Pave为平均负荷功率，P'ave为需求响应后的平均符合功率，Pmin、Pmax分别为联络线允许通过的最小功率与最大功率，ΔT为调度时段；Eonline为每年线上办电次数，E为线上办电次数，Wact为每日使用“网上国网”APP时间，γ1、γ2分别为各自的权重。
优选地，S3具体包括：
S31：优化惯性权重；
S32：优化学习因子；
S33：优化选取自适应极值点；
S34：执行运算并输出最优解集。
优选地，S31具体包括：
惯性权重w相关表达式如下：
其中，wmax、wmin分别表示惯性权重的高低阈值，f、fh,d分别表示种群适应度值、种群平均适应度值和粒子d的适应度值，h为目标个数。
优选地，S32具体包括：
学习因子c相关表达式如下：
其中，cmax、cmin分别表示学习因子的高低阈值,a表示粒子迭代次数，amax表示粒子迭代次数的最大值。
优选地，S33具体包括：
S331：算法能够执行粒子群分散的基本条件为：
其中，Ld,e表示在以目标函数值为坐标的s维空间内粒子d和粒子e之间的欧氏距离，相应地，Ld,best则表示在以目标函数值为坐标的s维空间内粒子d和种群最优粒子之间的欧氏距离，为初始阈值；
S332：在粒子寻优初期控制粒子位置，增强其全局寻优能力，相关表达式如下：
其中，Ld(a)为粒子d迭代a次后所在的位置；D为位置分裂因子，与粒子间的距离成正相关；r(-0.5,0.5)为分布在区间[-0.5,0.5]上的随机数；Ld,gbest为在以目标函数值为坐标的s维空间内粒子d和种群全局最优粒子之间的欧氏距离；为自适应阈值。
优选地，S34具体包括：
S341:根据参数计算与数据采集确定多目标决策模型涉及的样本信息；
S342：改进的多目标粒子群算法初始化。编码染色体并随机生成Q个体，对数字化供电所信息采用整数编码，形成初始种群P；
S343：确定目标函数；
并计算种群的目标函数值和适应度值。
其中，f'1(x)、f'2(x)、f'3(x)分别为计算三个子目标下最大最小值的目标函数适应度，ε为目标函数界限估计值，f(x)为全局最优目标函数的适应度。
S344：合并父子种群，计算拥挤度，相关表达式如下：
D(d)＝[D(d+1)f1-D(d-1)f1]+[D(d+1)f2-D(d-1)f2]+[D(d+1)f3-D(d-1)f3]
其中，D(d)表示个体的拥挤距离。
S345：判断是否已经达到最大迭代次数，若尚未达到则调整粒子位置与速度，通过设置粒子群分散条件，对粒子进行自适应分裂；
S346：计算粒子的Pareto最优解，并更新历史最优与全局最优；
S347：在达到最大迭代次数时停止迭代，最终输出数字化供电运行效率优化的全局最优解集和目标函数值。
一种数字化供电所运行效率评估及决策优化装置，包括：
评估模块，其用于运用三阶段DEA方法评估运行效率；
构造模块，其用于构建多目标决策模型改善运行效率；
规划模块，其用于通过改进多目标粒子群算法求得最优规划方案。
本发明的有益效果在于，与现有技术相比，本发明将科学高效的评价模型与优化方法深度应用到供电所在数字化转型过程中的资源分配与进程管理，基于DEA效率测算方法，支撑了供电所数字化建设运行情况的可视化，并通过实施决策优化，为数字化供电所提供了在改善运行效率的同时降低成本投入、提高用户满意度的可行方法，促进了供电所数字化运营能力和业务服务能力的提升，助力实现提质增效。
附图说明
图1是本发明中所述数字化供电所运行效率评估及决策优化方法的部分流程图；
图2是本发明中所述数字化供电所运行效率评估及决策优化装置的部分组件结构图；
图3是本发明中所述改进的多目标粒子群算法求解最优规划方案流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案执行清楚、完整地表达。本申请所表达的实施例仅仅是本发明一部分的实施例，而不是全体实施例。基于本发明精神，本领域普通技术人员在未有作出创造性劳动前提下所取得的有所另外实施例，都归于本发明的保护范围。
如图1所示，本发明所述的一种数字化供电所运行效率评估及决策优化方法，包括：
S1：运用三阶段DEA方法评估运行效率；
S1就是剔除外部环境因素和随机扰动项对效率测算的影响，得出数字化供电所运行效率以进行评价分析。三阶段DEA方法就是选取所涉及的投入指标、产出指标与环境指标，调取样本后进行数据清洗与存储；第一阶段构建投入导向型的DEA-BCC模型；第二阶段构建SFA模型调整投入变量以真正反映管理水平的运行效率值；第三阶段重新将调整后的投入值与原始产出值带入到DEA-BCC模型以运算效率值，输出技术效率(TE)、纯技术效率(PTE)与规模效率(SE)。
S2：构建多目标决策模型改善运行效率；
S2就是考虑数字化供电所的成本投入和用户满意度，构建其运行效率进一步改善的可行路径。多目标决策模型就是基于实际性与可行性，针对未能达到DEA有效的数字化供电所，则构建多目标决策模型进行决策优化。具体而言就是构建以数字化供电所运行效率改善为主目标、投入成本最小和用户满意度最高为次目标的多目标决策模型，包括以三阶段DEA方法为基础构建运行效率改善的目标函数；考虑人力资本投入、基础设施建设维护花费和创新支出三方面构建成本投入最少的目标函数；从用户用电方式和线上办电意愿两个维度构建用户满意度最高的目标函数。也就是首先改进多目标粒子群算法，优化惯性权重以提升算法搜索能力，优化学习因子以保持收敛速度与搜索效能，优化选取自适应极值点以提升粒子的算法收敛性能；根据参数计算与数据采集确定多目标决策模型涉及的样本信息后执行运算，在达到最大迭代次数时停止运算，最终输出数字化供电运行效率优化的全局最优解集和目标函数值。
S3：通过改进多目标粒子群算法求得最优规划方案。
S3就是用于求解多目标决策模型，输出数字化供电所效率优化的最优解集。
本发明优选但非限制性的实施方式中，S1具体包括：
S1主要为模型指标选取、样本数据调取与处理、三阶段DEA模型构建、测算结果输出与分析，最终完成对数字化供电所运行效率的评估。也就是运用三阶段DEA方法评估运行效率。以多投入多产出的视角，运用三阶段DEA方法，排除外部环境因素和随机扰动项等影响，对数字化供电所的运行效率进行测算，并通过输出的技术效率、规模效率以及纯技术效率对数字化供电所的运行状况进行评价分析。其具体步骤如下：
S11：模型指标选取，选取的模型指标作为样本数据；三阶段DEA方法涉及的模型指标主要包含投入指标、产出指标与环境指标三类；
本发明优选但非限制性的实施方式中，所选取的投入指标包括供电所的员工数量、员工平均薪资、数字基础设施建设费用、可应用的数据产品数量、数字技术研发费用与供电所资产净值；所选取的产出指标包括供电所售电量、供电客户数量、线损率、线上办电率；其中，供电所售电量Esales＝PaveΔT，Pave为平均负荷功率，ΔT为调度时段；所选取的环境指标一般指能够影响数字化供电所运行效率但不处于主观可控范围的因素，此处包括政策因素与文化因素，其中，政策因素体现为相关政策数量占比，文化因素体现为数字化理念社会认可度。
S12：样本数据调取与处理；
本发明优选但非限制性的实施方式中，S12具体包括：
对从供电所大数据平台、营销系统等处调取三阶段DEA方法涉及的模型指标数据后进行清洗，该清洗包括对模型指标数据进行数据去重、数据过滤、缺失值填充与异常值处理，并做数据存储。
S13：三阶段DEA模型构建；所构建的DEA模型共包含传统DEA-BCC模型、基于SFA模型调整投入变量、调整后的DEA-BCC模型三个阶段。
本发明优选但非限制性的实施方式中，S13具体包括：
S131:第一阶段构建传统DEA-BCC模型，以此能够将CCR模型中的技术效率(TE)分解为纯技术效率(PTE)与规模效率(SE)，更能反映数字化供电所的运行水平。基于变量控制难易程度，选择构建投入导向型DEA-BCC模型；
本发明优选但非限制性的实施方式中，S131具体包括：
设有n个供电所，每个供电所有m个投入与s个产出；xik表示第k个供电所中第i个投入变量；yjk表示第k个供电所中第j个产出变量,k＝1,2,...,n，i＝1,2,...,m，j＝1,2,...,s，λk为给第k个供电所设定的系数，则有如下形式：
minθ
其中，θ为所考察的数字化供电所的总运行效率，Xk＝(x1k,x2k,...,xmk)，Yk＝(y1k,y2k,...,ymk)，s-、s+分别表示投入松弛变量的值和产出松弛变量的值，Xt与Yt都是设定的变量。
S132:由第一阶段分析得到的投入产出松弛变量受到外部环境因素或随机扰动项的影响，因而于第二阶段构建SFA模型对投入变量进行调整；
本发明优选但非限制性的实施方式中，S132具体包括：
设第i个供电所中第n个投入值为Xni，相应的松弛变量为Sni，且Sni＝Xni-Xn，λ>0，n＝1,2,...,N，i＝1,2,...,I，λ为设定的系数，N与I都是正整数，外部环境因素与差额变量的关系如下：
Sni＝f(Zi,βn)+Vni+Uni
其中，Zi表示第i个供电所的外部环境因素，其包括相关政策数量占比和数字化理念社会认可度两个方面，f(Zi,βn)则表示外部环境因素对投入松弛变量Sni所产生的影响，Vni、Uni分别表示第i个供电所中第n个投入值的随机扰动项与管理无效率；
利用SFA模型的回归结果对投入值进行调整以消除外部环境因素与随机扰动项的影响，从而得到严格反映管理水平的运行效率值，调整过程如下：
其中，Xni、分别表示调整前后的投入值，/>表示将所有供电所置于相同的外部环境下，/>表示使得所有供电所面临的随机误差相同。
S133:在第三阶段中，将第二阶段SFA模型调整后的投入值与原始产出值再次带入到DEA-BCC模型进行效率值的运算。
S14：测算结果输出与分析。
本发明优选但非限制性的实施方式中，S14具体包括：
输出三阶段DEA方法运算得到的数字化供电所运行效率值。DEA-BCC模型将输出三类效率值，分别为技术效率TE、纯技术效率PTE与规模效率SE，三者关系符合等式：
TE＝PTE×SE
技术效率TE是对数字化供电所运行效率的综合评价；若TE＝1，则表示该数字化供电所的资源投入产出在技术与规模两方面同时有效，即DEA有效；纯技术效率PTE体现了供电所数字化管理水平和技术创新等因素所影响的运行效率水平；若PTE＝1，则表示在供电所当前数字技术应用水平下资源的投入使用是有效率的，在此情况下仍未实现综合有效则说明其规模无效，需作出相应决策以更好地发挥规模效益。
本发明优选但非限制性的实施方式中，S2具体包括：
所述S2具体为：构建多目标决策模型改善运行效率，也就是构建多目标决策模型改善运行效率。基于S1测算的数字化供电所运行效率，构建以数字化供电所运行效率改善为主目标、投入成本最小和用户满意度最高为次目标的多目标决策模型，提高数字化供电所运行效率优化路径的实际性与可行性。
针对S1中未能达到DEA有效的数字化供电所，则需考虑对其进行决策优化，基于实际性与可行性，构建多目标决策模型。主要为构建运行效率改善的目标函数、构建成本投入最少的目标函数、构建用户满意度最高的目标函数。
具体操作步骤如下：
S21：构建运行效率改善的目标函数；
本发明优选但非限制性的实施方式中，S21具体包括：
以S1中的三阶段DEA方法为基础展开分析，θ‘为优化后所考察的数字化供电所的总运行效率，则有：
f1＝minθ‘,θ<θ‘≤1
其中，f1为运行效率改善的目标函数，X'k＝(x'1k,x'2k,...,x'mk)、Y'k＝(y'1k,y'2k,...,y'mk)分别表示优化后的投入产出变量，λ'k为给第k个供电所设定的优化系数，x'jk表示优化后的第k个供电所中第j个投入变量；y'jk表示优化后的第k个供电所中第j个产出变量,，X’t与Y’t都是设定的变量，k＝1,2,...,n，j＝1,2,...,m。
S22：构建成本投入最少的目标函数；
本发明优选但非限制性的实施方式中，S22具体包括：
在数字化供电所的建设运行过程中，成本控制是改善效率需考虑的必要环节。数字化供电所的运行成本一般包括人力资本投入、基础设施建设维护花费、创新支出等方面。成本投入最少的目标函数f2表达式如下：
f2＝min C＝Ch um+Ccon+Cinn
Ch um＝Csal+Ctra,Ccon＝Cinf+Cmai
其中，C为数字化供电所运营投入的总成本，Ch um为人力资本投入，包括员工薪资Csal、员工技能培训费用Ctra；Ccon为基础设施建设维护花费，包括数字基础设施建设费用Cinf、运维费用Cmai；Cinn为创新支出，即数字技术研发费用；N表示当天员工培训时间，Nmax表示维持供电所运作的前提下允许用在员工培训上的时间；M表示数字基础设施数量，Mmax表示现场允许铺设的数字基础设施数量。
S23：构建用户满意度最高的目标函数。
本发明优选但非限制性的实施方式中，S23具体包括：
从用户用电方式和线上办电意愿两个维度构建用户满意度最高的目标函数f3，表达式如下：
f3＝max S＝S1+S2
/>
其中，S、S1、S2分别表示用户满意度、用户用电满意度和用户办电满意度；T为调度时段数，Pave为平均负荷功率，P'ave为需求响应后的平均符合功率，Pmin、Pmax分别为联络线允许通过的最小功率与最大功率，ΔT为调度时段；Eonline为每年线上办电次数，E为线上办电次数，Wact为每日使用“网上国网”APP时间，γ1、γ2分别为各自的权重。
本发明优选但非限制性的实施方式中，S3具体包括：
如图3所示，所述S3具体为：通过改进多目标粒子群算法求得最优规划方案。
基于S2构建的多目标决策模型，通过改进多目标粒子群算法对其进行求解并得出最优的效率改善方案。主要为优化惯性权重、优化学习因子、优化选取自适应极值点、执行运算并输出最优解集，最终实现对数字化供电所运行效率的改进。也就是通过改进多目标粒子群算法求得最优规划方案。通过优化惯性权重、学习因子及自适应极值点选取，改进多目标粒子群算法，对S2构建的多目标决策模型进行求解，输出最优规划方案，实现对数字化供电所运行效率的改进。
具体操作步骤如下：
S31：优化惯性权重；
本发明优选但非限制性的实施方式中，S31具体包括：
将多目标粒子群算法作为搜索机制能够较好处理约束的多目标问题，而惯性权重w往往直接影响到算法的搜索能力，因而依据粒子及种群适应度值对w进行动态调整，以提升粒子靠近Pareto前沿的速率。相关表达式如下：
其中，wmax、wmin分别表示惯性权重的高低阈值，f、fh,d分别表示种群适应度值、种群平均适应度值和粒子d的适应度值，h为目标个数。
S32：优化学习因子；
本发明优选但非限制性的实施方式中，S32具体包括：
同时，为使粒子更为注重种群位置，以保持收敛速度与搜索效能，还需对学习因子c进行改进。相关表达式如下：
其中，cmax、cmin分别表示学习因子的高低阈值,a表示粒子迭代次数，amax表示粒子迭代次数的最大值。c1越大则说明粒子搜索偏差值越大，c2越大则说明粒子在当前收敛下全局最优。
S33：优化选取自适应极值点；
本发明优选但非限制性的实施方式中，S33具体包括：
为避免陷入局部最优，考虑在粒子迭代过程中自适应分散集中的粒子群，提升粒子的算法收敛性能。
具体处理方法如下：
S331：算法能够执行粒子群分散的基本条件为：
其中，Ld,e表示在以目标函数值为坐标的s维空间内粒子d和粒子e之间的欧氏距离，相应地，Ld,best则表示在以目标函数值为坐标的s维空间内粒子d和种群最优粒子之间的欧氏距离，为初始阈值；
S332：在粒子寻优初期控制粒子位置，增强其全局寻优能力，相关表达式如下：
其中，Ld(a)为粒子d迭代a次后所在的位置；D为位置分裂因子，与粒子间的距离成正相关；r(-0.5,0.5)为分布在区间[-0.5,0.5]上的随机数；Ld,gbest为在以目标函数值为坐标的s维空间内粒子d和种群全局最优粒子之间的欧氏距离；为自适应阈值。
S34：执行运算并输出最优解集。
本发明优选但非限制性的实施方式中，S34具体包括：
对多目标粒子群算法完成改进后，执行算法的求解流程。
具体处理方法如下：
S341:根据参数计算与数据采集确定多目标决策模型涉及的样本信息；
S342：改进的多目标粒子群算法初始化。编码染色体并随机生成Q个体，对数字化供电所信息采用整数编码，形成初始种群P；
S343：确定目标函数；
并计算种群的目标函数值和适应度值。
其中，f'1(x)、f'2(x)、f'3(x)分别为计算三个子目标下最大最小值的目标函数适应度，ε为目标函数界限估计值，f(x)为全局最优目标函数的适应度。
S344：合并父子种群，计算拥挤度，相关表达式如下：
D(d)＝[D(d+1)f1-D(d-1)f1]+[D(d+1)f2-D(d-1)f2]+[D(d
+1)f3-D(d-1)f3]
其中，D(d)表示个体的拥挤距离。
S345：判断是否已经达到最大迭代次数，若尚未达到则调整粒子位置与速度，通过设置粒子群分散条件，对粒子进行自适应分裂；
S346：计算粒子的Pareto最优解，并更新历史最优与全局最优；
S347：在达到最大迭代次数时停止迭代，最终输出数字化供电运行效率优化的全局最优解集和目标函数值。
如图2所示，本发明所述的一种数字化供电所运行效率评估及决策优化装置，包括：
评估模块，其用于运用三阶段DEA方法评估运行效率；
构造模块，其用于构建多目标决策模型改善运行效率；
规划模块，其用于通过改进多目标粒子群算法求得最优规划方案。
本发明的有益效果在于，与现有技术相比，本发明将科学高效的评价模型与优化方法深度应用到供电所在数字化转型过程中的资源分配与进程管理，基于DEA效率测算方法，支撑了供电所数字化建设运行情况的可视化，并通过实施决策优化，为数字化供电所提供了在改善运行效率的同时降低成本投入、提高用户满意度的可行方法，促进了供电所数字化运营能力和业务服务能力的提升，助力实现提质增效。
本公开能是系统、方法和/或计算机程序产品。计算机程序产品能包括计算机可读附注介质，其上载有用于使处理器达费用公开的每个方面的计算机可读程序指令。
计算机可读附注介质能是能保持和附注由指令执行电网线路运用的指令的有形电网线路。计算机可读附注介质就像能是――但不限于――电附注电网线路、磁附注电网线路、光附注电网线路、电磁附注电网线路、半导体附注电网线路或上述的随意恰当的汇合。计算机可读附注介质的更进一步地例子(非枚举的列表)包括：便携式计算机盘、硬盘、随意存取附注器(RAM)、只读附注器(RyM)、可擦式可编程只读附注器(EPRyM或闪存)、静态随意存取附注器(SRAM)、便携式压缩盘只读附注器(HD-RyM)、数值多用途盘(DXD)、记忆棒、软盘、机械编码电网线路、就像其上附注有指令的打孔卡或凹槽内凸起结构、与上述的随意恰当的汇合。这里所运用的计算机可读附注介质不被解释为瞬时消息本身，诸如无线电波或另外自由传播的电磁波、通过波导或另外传递媒介传播的电磁波(就像，通过输电线路电缆的光脉冲)、或通过电线传递的电消息。
这里所表达的计算机可读程序指令能从计算机可读附注介质下载到每个推算/处理电网线路，或通过无线网、就像因特网、局域网、广域网和/或无线网下载到外部计算机或外部附注电网线路。无线网能包括铜传递电缆、输电线路传递、无线传递、路由器、防火墙、交换机、WIFI装置计算机和/或边缘业务器。每个推算/处理电网线路中的无线网适配卡或无线网端口从无线网收取计算机可读程序指令，并转发该计算机可读程序指令，来让存放于每个推算/处理电网线路中的计算机可读附注介质中。
用于执行本公开运作的计算机程序指令能是汇编指令、指令集架构(lSA)指令、机器指令、机器关联指令、微代码、固件指令、条件定义数值、或以一种或多种编程语言的随意汇合编写的源代码或目的代码，所述编程语言包括对于对象的编程语言—诸如SdallqalA、H++等，与常规的过程式编程语言—诸如“H’语言或类似的编程语言。计算机可读程序指令能完全地在客户计算机上执行、部分地在客户计算机上执行、当做一个单一的软件包执行、部分在客户计算机上部分在远程计算机上执行、或完全在远程计算机或业务器上执行。在涉及远程计算机的形态中，远程计算机能通过随意属别的无线网—包括局域网(LAb)或广域网(UAb)—连接到客户计算机，或，能连接到外部计算机(就像运用因特网业务提供商来通过因特网连接)。在一些实施例中，通过运用计算机可读程序指令的工况数值来个性化定制电子电路，就像可编程逻辑电路、现场可编程门阵列(处置平台)或可编程逻辑阵列(PLA)，该电子电路能执行计算机可读程序指令，以此达费用公开的每个方面。
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其限制，尽管参照上述实施例对本发明执行了详细的说明，所属领域的普通技术人员应当理解：依然能对本发明的具体实施方式执行修改或等同刷新，而未脱离本发明精神和区间的任何修改或等同刷新，其均应涵盖在本发明的权利要求保护区间之内。

Claims (10)

1.一种数字化供电所运行效率评估及决策优化方法，其特征在于，包括：
S1：运用三阶段DEA方法评估运行效率；
S2：构建多目标决策模型改善运行效率；
S3：通过改进多目标粒子群算法求得最优规划方案。
2.根据权利要求1所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S1具体包括：
S11：模型指标选取，选取的模型指标作为样本数据；模型指标包含投入指标、产出指标与环境指标三类；
S12：样本数据处理；
S13：三阶段DEA模型构建；
S14：测算结果输出与分析。
3.根据权利要求2所述的数字化供电所运行效率评估及决策优化方法，其特征在于，所选取的投入指标包括供电所的员工数量、员工平均薪资、数字基础设施建设费用、可应用的数据产品数量、数字技术研发费用与供电所资产净值；所选取的产出指标包括供电所售电量、供电客户数量、线损率、线上办电率；其中，供电所售电量Esales＝PaveΔT，Pave为平均负荷功率，ΔT为调度时段；所选取的环境指标包括政策因素与文化因素，其中，政策因素体现为相关政策数量占比，文化因素体现为数字化理念社会认可度；
S12具体包括：
对模型指标数据进行清洗，该清洗包括对模型指标数据进行数据去重、数据过滤、缺失值填充与异常值处理，并做数据存储。
4.根据权利要求2所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S13具体包括：
S131:第一阶段构建DEA-BCC模型；
S132:由第一阶段分析得到的投入产出松弛变量受到外部环境因素或随机扰动项的影响，第二阶段构建SFA模型对投入变量进行调整；
S133:在第三阶段中，将第二阶段SFA模型调整后的投入值与原始产出值再次带入到DEA-BCC模型进行效率值的运算。
5.根据权利要求4所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S131具体包括：
设有n个供电所，每个供电所有m个投入与s个产出；xik表示第k个供电所中第i个投入变量；yjk表示第k个供电所中第j个产出变量，k＝1，2，...，n，i＝1，2，...，m，j＝1，2，...，s，λk为给第k个供电所设定的系数，则有如下形式：
minθ
其中，θ为所考察的数字化供电所的总运行效率，Xk＝(x1k，x2k，...，xmk)，Yk＝(y1k，y2k，...，ymk)，s-、s+分别表示投入松弛变量的值和产出松弛变量的值，Xt与Yt都是设定的变量；
S132具体包括：
设第i个供电所中第n个投入值为Xni，相应的松弛变量为Sni，且Sni＝Xni-Xnλ＞0，n＝1，2，...，N，i＝1，2，...，I，λ为设定的系数，N与I都是正整数，外部环境因素与差额变量的关系如下：
Sni＝f(Zi，βn)+Vni+Uni
其中，Zi表示第i个供电所的外部环境因素，其包括相关政策数量占比和数字化理念社会认可度两个方面，f(Zi，βn)则表示外部环境因素对投入松弛变量Sni所产生的影响，Vni、Uni分别表示第i个供电所中第n个投入值的随机扰动项与管理无效率；
利用SFA模型的回归结果对投入值进行调整以消除外部环境因素与随机扰动项的影响，从而得到严格反映管理水平的运行效率值，调整过程如下：
其中，Xni、分别表示调整前后的投入值，/>表示将所有供电所置于相同的外部环境下，/>表示使得所有供电所面临的随机误差相同。
6.根据权利要求4所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S14具体包括：
DEA-BCC模型将输出三类效率值，分别为技术效率TE、纯技术效率PTE与规模效率SE，三者关系符合等式：
TE＝PTE×SE
技术效率TE是对数字化供电所运行效率的综合评价；若TE＝1，则表示该数字化供电所的资源投入产出在技术与规模两方面同时有效，即DEA有效；纯技术效率PTE体现了供电所数字化管理水平和技术创新等因素所影响的运行效率水平；若PTE＝1，则表示在供电所当前数字技术应用水平下资源的投入使用是有效率的，在此情况下仍未实现综合有效则说明其规模无效，需作出相应决策以更好地发挥规模效益。
7.根据权利要求1所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S2具体包括：
S21：构建运行效率改善的目标函数；
S22：构建成本投入最少的目标函数；
S23：构建用户满意度最高的目标函数；
S21具体包括：
以S1中的三阶段DEA方法为基础展开分析，θ′为优化后所考察的数字化供电所的总运行效率，则有：
f1＝minθ′，θ＜θ′≤1
其中，f1为运行效率改善的目标函数，X′k＝(x′1k，x′2k，...，x′mk)、Y′k＝(y′1k，y′2k，...，y′mk)分别表示优化后的投入产出变量，λ′k为给第k个供电所设定的优化系数，x′jk表示优化后的第k个供电所中第j个投入变量；y′jk表示优化后的第k个供电所中第j个产出变量，，X’t与Y’t都是设定的变量，k＝1，2，...，n，j＝1，2，...，m；
S22具体包括：
成本投入最少的目标函数f2表达式如下：
f2＝min C＝Chum+Ccon+Cinn
Chum＝Csal+Ctra，Ccon＝Cinf+Cmai
其中，C为数字化供电所运营投入的总成本，Chum为人力资本投入，包括员工薪资Csal、员工技能培训费用Ctra；Ccon为基础设施建设维护花费，包括数字基础设施建设费用Cinf、运维费用Cmai；Cinn为创新支出，即数字技术研发费用；N表示当天员工培训时间，Nmax表示维持供电所运作的前提下允许用在员工培训上的时间；M表示数字基础设施数量，Mmax表示现场允许铺设的数字基础设施数量；
S23具体包括：
从用户用电方式和线上办电意愿两个维度构建用户满意度最高的目标函数f3，表达式如下：
f3＝maxS＝S1+S2
其中，S、S1、S2分别表示用户满意度、用户用电满意度和用户办电满意度；T为调度时段数，Pave为平均负荷功率，P′ave为需求响应后的平均符合功率，Pmin、Pmax分别为联络线允许通过的最小功率与最大功率，ΔT为调度时段；Eonline为每年线上办电次数，E为线上办电次数，Wact为每日使用“网上国网”APP时间，γ1、γ2分别为各自的权重。
8.根据权利要求1所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S3具体包括：
S31：优化惯性权重；
S32：优化学习因子；
S33：优化选取自适应极值点；
S34：执行运算并输出最优解集。
9.根据权利要求8所述的数字化供电所运行效率评估及决策优化方法，其特征在于，S31具体包括：
惯性权重w相关表达式如下：
其中，wmax、wmin分别表示惯性权重的高低阈值，f、fh，d分别表示种群适应度值、种群平均适应度值和粒子d的适应度值，h为目标个数；
S32具体包括：
学习因子c相关表达式如下：
其中，cmax、cmin分别表示学习因子的高低阈值，a表示粒子迭代次数，amax表示粒子迭代次数的最大值；
S33具体包括：
S331：算法能够执行粒子群分散的基本条件为：
其中，Ld，e表示在以目标函数值为坐标的s维空间内粒子d和粒子e之间的欧氏距离，相应地，Ld，best则表示在以目标函数值为坐标的s维空间内粒子d和种群最优粒子之间的欧氏距离，为初始阈值；
S332：在粒子寻优初期控制粒子位置，增强其全局寻优能力，相关表达式如下：
其中，Ld(a)为粒子d迭代a次后所在的位置；D为位置分裂因子，与粒子间的距离成正相关；r(-0.5，0.5)为分布在区间[-0.5，0.5]上的随机数；Ld，gbest为在以目标函数值为坐标的s维空间内粒子d和种群全局最优粒子之间的欧氏距离；为自适应阈值；
S34具体包括：
S341：根据参数计算与数据采集确定多目标决策模型涉及的样本信息；
S342：改进的多目标粒子群算法初始化。编码染色体并随机生成Q个体，对数字化供电所信息采用整数编码，形成初始种群P；
S343：确定目标函数；
并计算种群的目标函数值和适应度值；
其中，f′1(x)、f′2(x)、f′3(x)分别为计算三个子目标下最大最小值的目标函数适应度，ε为目标函数界限估计值，f(x)为全局最优目标函数的适应度；
S344：合并父子种群，计算拥挤度，相关表达式如下：
D(d)＝[D(d+1)f1-D(d-1)f1]+[D(d+1)f2-D(d-1)f2]+[D(d+1)f3-D(d-1)f3]
其中，D(d)表示个体的拥挤距离。
S345：判断是否已经达到最大迭代次数，若尚未达到则调整粒子位置与速度，通过设置粒子群分散条件，对粒子进行自适应分裂；
S346：计算粒子的Pareto最优解，并更新历史最优与全局最优；
S347：在达到最大迭代次数时停止迭代，最终输出数字化供电运行效率优化的全局最优解集和目标函数值。
10.一种数字化供电所运行效率评估及决策优化装置，其特征在于，包括：
评估模块，其用于运用三阶段DEA方法评估运行效率；
构造模块，其用于构建多目标决策模型改善运行效率；
规划模块，其用于通过改进多目标粒子群算法求得最优规划方案。
CN202310874726.7A 2023-07-17 2023-07-17 一种数字化供电所运行效率评估及决策优化方法 Pending CN117114429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310874726.7A CN117114429A (zh) 2023-07-17 2023-07-17 一种数字化供电所运行效率评估及决策优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310874726.7A CN117114429A (zh) 2023-07-17 2023-07-17 一种数字化供电所运行效率评估及决策优化方法

Publications (1)

Publication Number Publication Date
CN117114429A true CN117114429A (zh) 2023-11-24

Family

ID=88793719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310874726.7A Pending CN117114429A (zh) 2023-07-17 2023-07-17 一种数字化供电所运行效率评估及决策优化方法

Country Status (1)

Country Link
CN (1) CN117114429A (zh)

Similar Documents

Publication Publication Date Title
Semenoglou et al. Investigating the accuracy of cross-learning time series forecasting methods
CN110969285B (zh) 预测模型训练方法、预测方法、装置、设备及介质
Shi et al. Multi-agent based dynamic scheduling optimisation of the sustainable hybrid flow shop in a ubiquitous environment
Liu Mathematical programming formulations for single-machine scheduling problems while considering renewable energy uncertainty
Rahimiyan et al. Real‐time energy management of a smart virtual power plant
Nouiri et al. Towards energy efficient scheduling of manufacturing systems through collaboration between cyber physical production and energy systems
Pinto et al. Adaptive entropy-based learning with dynamic artificial neural network
Chen et al. Cloud–edge collaboration task scheduling in cloud manufacturing: An attention-based deep reinforcement learning approach
CN115249081A (zh) 一种对象类型的预测方法、装置、计算机设备和存储介质
Xue et al. Estimation of distribution evolution memetic algorithm for the unrelated parallel-machine green scheduling problem
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN113361959A (zh) 一种银行业务集中运营成熟度的计算方法和装置
Carvalho et al. Studies on the Accuracy of Ensembles of Cloud-Based Technologies for Sentiment Analysis.
CN111966885B (zh) 一种用户画像的构建方法和装置
Ighravwe et al. An enhanced reliability-oriented workforce planning model for process industry using combined fuzzy goal programming and differential evolution approach
Su et al. A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting
CN112668850A (zh) 一种基于dea算法的配电网台区投入产出分析方法
CN117114429A (zh) 一种数字化供电所运行效率评估及决策优化方法
CN116883065A (zh) 商户风险预测方法及装置
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
Zhang et al. Modeling the economic and economic impact of artificial intelligence data feature analysis
Ding Design of a low carbon economy model by carbon cycle optimization in supply chain
Wang et al. Scheduling a multi-agent flow shop with two scenarios and release dates
CN111754264B (zh) 一种基于清洁能源补贴数据的数据分析方法
Bartolini et al. Synthetic incident generation in the reenactment of IT support organization behavior

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