CN105117852B - 高端制造企业优质电力增溢价值的量化方法 - Google Patents
高端制造企业优质电力增溢价值的量化方法 Download PDFInfo
- Publication number
- CN105117852B CN105117852B CN201510556028.8A CN201510556028A CN105117852B CN 105117852 B CN105117852 B CN 105117852B CN 201510556028 A CN201510556028 A CN 201510556028A CN 105117852 B CN105117852 B CN 105117852B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- quality power
- effectiveness
- value
- end manufacturing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013139 quantization Methods 0.000 title claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 230000008447 perception Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 16
- 230000036039 immunity Effects 0.000 claims description 8
- 206010063659 Aversion Diseases 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000000418 atomic force spectrum Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003467 diminishing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种高端制造企业优质电力增溢价值的量化方法，包括以下步骤：步骤S1：根据优质电力指标PPI和企业风险规避心理确定优质电力带来的效用PPU；步骤S2：确定企业用电效用的可测部分PU；步骤S3：根据企业支付意愿WTP确定优质电力增溢价值PPV模型。本发明基于效用理论和增溢价值理论对高端制造企业优质电力增溢价值进行量化，考虑企业损失规避心理，将用电效用分为可测部分和不可测部分，刻画高端制造企业对优质电力的感知效用，结合企业的支付意愿，量化高端制造企业优质电力增溢价值。
Description
技术领域
本发明涉及电力***优质供电和高端制造企业的用电领域，特别是一种高端制造企业优质电力增溢价值的量化方法。
背景技术
随着产业结构的转型升级，高端制造企业(本领域也常称这些企业为用户)已成为供电企业的重要用户，这些企业对电网正常运行中难以避免的电压暂降等短时电能质量扰动非常敏感，造成其巨大的扰动损失，因此，企业迫切希望获得优质电力。
电能质量不同于其他有形商品，其质量好坏不仅与其技术层面的质量指标相关，还与供电侧和用电侧有关。供电质量的好坏，不仅关系到供用电双方的满意度，还直接影响到地方投资吸引力，为了获得高端制造企业满意的优质电力，需供用电双方和地方政府共同努力，在科学认识优质电力价值与相关投资能带来的増溢价值的基础上，进行科学合理的决策。优质电力可定义为电能质量指标高于现有公用电网供电规程、限制性标准等规定的电能质量指标的电力，国际上称“premium power(优质电力)”，其中，“优质(premium)”是指能带来价值增溢，即优质电力(premium power)是指能给企业带来増溢价值的电力。
内外从设备敏感度、电压耐受能力、电压暂降抑制措施等方面开展了诸多研究，但对投资意愿和投资价值研究尚不足。为此，若能有高端制造企业优质电力增溢价值的量化方法，对优质电力增溢价值进行量化，则可使企业更直观地了解优质电力增溢价值。针对优质电力的研究主要集中于定制电力技术、优质电力园区、设备免疫力、工程示范和标准制定等方面，对优质电力价值，尤其是企业能感知的增溢价值的研究还处于起步阶段。因此，提供一种将优质电力增溢价值量化的方法就显得尤为重要。
发明内容
有鉴于此，本发明的目的是提供一种高端制造企业优质电力增溢价值的量化方法，对高端制造企业优质电力增溢价值进行量化，使企业更直观地了解优质电力增溢价值。
本发明采用以下方案实现：一种高端制造企业优质电力增溢价值的量化方法，包括以下步骤：
步骤S1：根据优质电力指标PPI和企业风险规避心理确定优质电力带来的效用PPU；
步骤S2：确定企业用电效用的可测部分PU；
步骤S3：根据企业支付意愿WTP确定优质电力增溢价值PPV模型。
进一步地，所述步骤S1具体包括以下步骤：
步骤S11：以IT制造行业内强制执行的SEMI F47标准为基准，IEEE Std 1564-2014定义的暂降严重程度为指标，确定优质电力指标PPI的取值其中，x为PPI的取值，M为电压暂降幅值，D为持续时间，Mcurve(D)为SEMI F47标准曲线规定的基准电压幅值；
步骤S13：确定优质电力带来的效用PPU；统计企业经受的损失，用回归分析法求得企业感知效用在总效用中的贡献率b，确定优质电力带来的效用PPU＝bc(x)。
进一步地，所述步骤S11中，以一年或一个用户定义的评价时间段为周期，通过SEMI F47标准或企业设备的实际电压耐受能力统计实际电压暂降幅值，从而得到企业经受的评估周期内总的电压暂降及其分布。
进一步的，所述步骤S12中，企业设备的电压暂降免疫力曲线为实际电压暂降免疫力曲线或者满足SEMI F47标准的曲线。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：计算企业净收益期望；一企业k感知的电压暂降损失Csag(k)为Csag(k)＝Nk·Ck，其中，Ck为每次损失，Nk为导致损失的暂降次数；企业k的净收益期望值I(k)为：I(k)＝C(k)-Csag(k)-CBI(k)，其中，C(k)为总收益，Csag(k)为暂降损失，CBI(k)为投资成本；
步骤S22：确定所述企业k正常用电效用其中，I(k)为企业净收益期望，a为反映企业风险规避心理的风险规避系数；
进一步地，所述步骤S21中，企业的净收益期望为年度收益期望ENB。
较佳的，所述企业净收益期望为用户能感知的价值，包括正常投资、损失和收益。
进一步地，所述步骤S3采用量化用户投资意愿的方法，用Fθ表示随机变量θ的累积分布，得Pyes＝P(θ≤ΔPU)＝Fθ(ΔPU)，即两个威布尔分布随机变量之差服从Logi st i c分布，企业愿意投资的概率为Pyes＝Fθ(ΔPU)＝(1+e-ΔPU)-1。
与现有技术相比，本发明具有以下突出优点：
(1)基于效用理论和增溢价值理论对高端制造企业优质电力增溢价值进行量化；
(2)结合优质电力指标与支付意愿的关系对高端制造企业优质电力增溢价值进行量化；
(3)综合考虑企业用电效用和企业支付意愿，兼顾企业损失规避心理和风险规避心理，使企业更直观地了解优质电力增溢价值；
(4)增溢价值量化后，可为高端制造企业、供电部门和政府部门的投资决策提供依据。
附图说明
图1为本发明实施例中优质电力指标示意图。
图2为本发明实施例中用户感知效用的反S函数的示意图。
图3为本发明实施例中高端制造企业k的用电效用可测部分评估流程图。
图4为本发明实施例中优质电力指标与支付意愿的关系示意图。
图5为本发明实施例中园区配电网与用户接入图示意图。
图6为本发明实施例中L1～L5暂降次数统计示意图。
图7为本发明实施例中2007～2014年L510kV进线处实测暂降示意图。
图8为本发明实施例中L5用电效用可测部分计算结果示意图。
图9为本发明实施例中2007～2014年L1～L5增溢价值方法示意图。
图10为本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种高端制造企业优质电力增溢价值的量化方法，如图10所示，包括以下步骤：
步骤S1：根据基于优质电力指标PPI(premium power index)和企业风险规避心理确定优质电力带来的效用PPU(premium power utility)
所述步骤S1具体包括以下步骤：
步骤S11：以IT制造行业内强制执行的SEMI F47标准为基准，IEEE Std 1564-2014定义的暂降严重程度为指标，如图1所示，以优质电力指标x＝1为分界点，当电压暂降超过SEMI F47标准时，x>1，反之，x<1。则优质电力指标PPI的取值x如下式(1)所示：
其中，M、D分别为电压暂降幅值、持续时间，Mcurve(D)为SEMI F47曲线规定的基准电压幅值。通常，以SEM I F47为基准统计实测电压暂降，得到企业经受的电压暂降分布，以一年为周期进行统计。根据式(1)和IEEE Std 1564-2014确定企业所经受暂降的严重程度，得优质电力指标的值x。
步骤S12：构建企业感知效用模型；根据企业设备的电压暂降免疫力曲线，确定企业感知效用。其中效用是某商品或劳务满足企业欲望或需求的程度，与企业感知有关，是企业进行价值评判、决定购买或投资的依据。高端制造企业的电费成本在总成本中的占比很小，但供电扰动对其造成的损失巨大，因此，这类企业的用电需求不仅涉及到供电连续性和电价，还涉及到优质电力和电力扰动。实际中，不同企业的生产工艺、产品性质、市场占有率和用电设备特性等不同，对优质电力的具体需求差异很大，引入用电效用概念，统一刻画此类企业的用电需求。
企业感知效用c(x)受风险规避心理影响，可用反S函数表示，如图2所示，当企业设备的电压暂降免疫力满足SEMI F47标准时，企业对优质电力指标x＝[0，1]时可能造成的损失更关注，企业感知效用在图2中的取值为负，且在相同暂降幅值下，暂降持续时间越长，企业心理感知越强烈，c(x)下降越快。在实际工程评估中，SEMI F47曲线可用实际电压暂降免疫力曲线代替。考虑企业损失规避心理的企业感知效用可刻画为：
其中，r为风险厌恶系数，取值0<r<1，λ为损失厌恶系数，取值λ>1，具体取值可调查统计或专家经验确定。
步骤S13：确定优质电力带来的效用PPU；
统计企业经受的损失，用回归分析法求得企业感知效用在总效用中的贡献率b，结合已经获得的企业感知效用，从而确定优质电力带来的效用，如式(3)。
PPU＝bc(x) (3)
其中，b为企业感知效用在总效用中的贡献率。
步骤S2：确定企业用电效用的可测部分PU(power utility)；所述步骤S2具体包括以下步骤：
步骤S21：计算企业净收益期望；通常为年度收益期望ENB(expected netbenefit)
企业感知效用主要是损失，企业k感知的电压暂降损失Csag(k)为：
Csag(k)＝Nk·Ck (4)
其中，Nk为导致损失的暂降次数，Ck为每次损失。
企业k的净收益期望值I(k)为：
I(k)＝C(k)-Csag(k)-CBI(k) (5)
其中，C(k)为总收益，Csag(k)为暂降损失，CBI(k)为投资成本。
步骤S22：考虑企业风险规避心理，确定所述企业k正常用电效用NPU(normalpower utility)
引入风险规避心理，结合企业净收益期望，确定企业k正常用电效用NPU，如式(6)。
其中，I(k)为企业净收益期望(通常为年度收益期望)，包括正常投资、损失和收益等。a是反映企业风险规避心理的风险规避系数。
步骤S23：根据前景理论和累积前景理论，结合已经获得的优质电力带来的效用，确定企业用电效用可测部分PU(power utility)
根据效用理论(utility theory)，企业的用电效用可定义为企业消耗的电力能满足其特定需求的程度，是企业对所得到满足的一种心理评价。不同企业对用电效用的主观心理感知不同，其差异表现为不同企业的支付意愿(willingness to pay，WTP)和补偿接受意愿(willingness to accept，WTA)的不同，而不同的WTP和WTA实际上反映了不同企业的损失规避心理。此外，企业感知用电效用还与企业产品的市场占有率、产品竞争力等不确定因素有关，因此，企业用电效用由可测与不可测两部分构成：
U＝PU+ε (7)
其中，U为总的用电效用，PU为用电效用的可测部分，ε为不可测部分，具有随机不确定性。根据学者Kahneman和Tversky提出的前景理论(prospect theory)和累积前景理论(cumulative prospect theory)，企业不仅关心正常用电成本和收益，更关心供电质量指标下能获得的用电效用。因此，式(7)中的PU可分解为正常效用和优质电力带来的效用两部分：
高端制造企业k的用电效用可测部分评估流程如图3所示。
步骤S3：根据企业支付意愿WTP(willingness to pay)确定优质电力增溢价值PPV模型；
企业的WTP是企业愿意用一定数量的可支配货币换取特定指标的优质电力并获得期望用电效用的意愿。显然，WTP是用电效用c(x)的函数，由图2可知，c(x)是取值为x的PPI的函数。由边际效用递减律，当企业投资能力和抗风险能力一定时，对优质电力的边际支付意愿也符合递减规律，用WTP表示的优质电力需求是一条向右下方倾斜的曲线，如图4所示。
可见，当式(7)中企业期望的总用电效用U不变时，若通过必要投资，提高企业设备的免疫力或降低供电点的暂降水平，当PPI从x0减小到x1时，AB为企业愿意为此支付的投资。当PPI变化时，还希望总用电效用U提高到U1，则CD为企业愿意为此支付的投资。当CD≥AB时，企业才有支付意愿。
当投资INV使PPI从x0变为x1时，企业能感知的投资效果是U由U0提升到U1，只有U1≥U0时，企业才有支付意愿，即：
PU(I-INV,x1)+ε1≥PU(I,x0)+ε0 (9)
其中，ε0和ε1为独立随机变量且服从威布尔分布。
企业投资概率Pyes为：
其中，ΔPU＝PU(I-INV,x1)-PU(I,x0)为可测用电效用的变化量，θ＝θ0-θ1为随机变量，若用Fθ表示随机变量θ的累积分布，可得：
Pyes＝P(θ≤ΔPU)＝Fθ(ΔPU) (11)
根据已有研究结论，两个威布尔分布随机变量之差服从Logi st ic分布，因此，企业愿意投资的概率为：
Pyes＝Fθ(ΔPU)＝(1+e-ΔPU)-1 (12)
当投资能提高用电效用时，企业愿意支付的投资金额取决于投资所得增溢价值的大小。结合式(8)对式(12)积分，可得企业k的增溢价值：
其中，INV(k)max为企业k的最大投资金额，取决于安装、运维成本等，PPV(k)为投资能带来的优质电力增溢价值。
本发明基于效用理论和增溢价值理论对高端制造企业优质电力增溢价值进行了量化，考虑企业损失规避心理，将用电效用划分为可测部分和不可测部分，合理地刻画了高端制造企业对优质电力的感知效用，结合企业的支付意愿，量化了高端制造企业优质电力增溢价值。
以某高新技术园区及园区内5家高端制造企业企业为例，对不同企业和同一企业在不同时期的优质电力增溢价值进行评估。该园区有220kV变电站3个，110kV变电站10个。5个企业L1～L5均经110kV专线接入公用电网，经企业内部由电缆构成的配电网降压到10kV为企业设备供电，接线图如图5所示。2007～2014年，5个企业10kV母线上实测电压暂降次数统计结果如图6所示。根据对这5个企业2007～2014年暂降损失的调查统计，用回归分析法得与用电效用函数中的相关参数为：a＝0.12，b＝10，r＝0.88，λ＝2.25。
1)企业用电效用与增溢价值分析
以L5为例，2007～2014年，企业侧10kV母线实测电压暂降，如图7所示，共测到电压暂降208次，其中，导致企业损失的暂降15次。
a.用电效用的可测部分
根据现有技术所得结果，并与企业L5的实际损失加权平均，估计得到L5平均损失为124.0364万元/次暂降。实际中，不同企业的平均损失很可能不同。基于实际调查，用本发明方法求得L5用电效用的可测部分，如图8所示。可见，企业感知效用明显大于正常用电效用，感知效用在用电效用的可测部分中的比重很大，因此，对优质电力的需要强烈，支付意愿较高。
b.优质电力的增溢价值
假设企业通过必要投资，使优质电力指标x由x0变为x1，且投资结果正好使企业设备的暂降免疫力满足SEMI F47要求，即x1＝0，根据图8的结果，由式(13)得2007～2014年L5的优质电力增溢价值，结果如表1所示。
表1为2007-2014年L5优质电力增溢价值：
| 年份 | 2007 | 2008 | 2009 | 2010 |
| PPV(L5)/万元 | 215.8888 | 195.9695 | 153.9847 | 176.0020 |
| 年份 | 2011 | 2012 | 2013 | 2014 |
| PPV(L5)/万元 | 223.4582 | 97.1733 | 157.7893 | 126.0446 |
2)不同情况的比较
a.不同企业增溢价值的比较
用与2)中b节相同的方法，求得5个企业的增溢价值，如图9所示。可见，同一时段不同企业的PPV不同，同一企业在不同时段的PPV也有差异。企业L1～L4的PPV变化明显，L5的PPV相对平稳，其中，L4在2012～2014年经历了多次严重暂降，损失较大。结果表明，本发明方法所得结果与实际相符。
b.同一企业不同时段增溢价值与收益比较
以L5为例，按式(14)比较増溢价值和净收益，结果如表2所示。
表2为2007-2014年L5增溢价值与净收益的比较：
| 年份 | 2007 | 2008 | 2009 | 2010 |
| I(L5)/万元 | 117.3368 | 199.6240 | 117.3368 | 32.7624 |
| PPV(L5)/万元 | 215.8888 | 195.9695 | 153.9847 | 176.0020 |
| η/％ | 45.6494 | -1.8648 | 23.7997 | 81.3852 |
| 年份 | 2011 | 2012 | 2013 | 2014 |
| I(L5)/万元 | 32.7624 | 32.7624 | 117.3368 | 32.7624 |
| PPV(L5)/万元 | 223.4582 | 97.1733 | 157.7893 | 126.0446 |
| η/％ | 85.3385 | 66.2846 | 25.6370 | 74.0073 |
可见，除2008年外，L5的增溢价值均大于净收益，净收益越小，差异越大，投资效果越明显。出现2008年情况的原因是，企业统计的该年总收益中含有其他收益。实际调查发现，近年来，L5已采取积极措施，例如在关键控制回路配置了UPS电源，改造了部分敏感设备，这些企业行为与本发明分析结果很吻合。
本发明基于效用理论和增溢价值理论对高端制造企业优质电力增溢价值进行了量化，综合考虑企业用电效用和企业支付意愿，兼顾企业损失规避心理和风险规避心理，所得结果与实际吻合。进一步的，优质电力增溢价值的量化结果对优质电力的投资决策也有一定的参考价值。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种高端制造企业优质电力增溢价值的量化方法，其特征在于，包括以下步骤：
步骤S1：根据优质电力指标PPI和企业风险规避心理确定优质电力带来的效用PPU；
步骤S2：确定企业用电效用的可测部分PU；
步骤S3：根据企业支付意愿WTP确定优质电力增溢价值PPV模型；所述步骤S1具体包括以下步骤：
步骤S11：以SEMI F47标准为基准，IEEE Std 1564-2014定义的暂降严重程度为指标，确定优质电力指标PPI的取值其中，x为PPI的取值，M为电压暂降幅值，D为持续时间，Mcurve(D)为SEMI F47标准曲线规定的基准电压幅值；
步骤S12：构建企业感知效用模型；根据企业设备的电压暂降免疫力曲线，确定企业感知效用其中，r为风险厌恶系数，取值0<r<1，λ为损失厌恶系数，取值λ>1；
步骤S13：确定优质电力带来的效用PPU；统计企业经受的损失，用回归分析法求得企业感知效用在总效用中的贡献率b，确定优质电力带来的效用PPU＝bc(x)；
所述步骤S2具体包括以下步骤：
步骤S21：计算企业净收益期望；一企业k感知的电压暂降损失Csag(k)为Csag(k)＝Nk·Ck，其中，Ck为每次损失，Nk为导致损失的暂降次数；企业k的净收益期望值I(k)为：I(k)＝C(k)-Csag(k)-CBI(k)，其中，C(k)为总收益，Csag(k)为暂降损失，CBI(k)为投资成本；
步骤S22：确定所述企业k正常用电效用其中，I(k)为企业净收益期望，a为反映企业风险规避心理的风险规避系数；
步骤S23：根据前景理论和累积前景理论，得到企业用电效用的可测部分其中，0<a<1，b≥0；
所述步骤S3具体为：由边际效用递减律，当企业有支付意愿时，即PU(I-INV,x1)+ε1≥PU(I,x0)+ε0，ε0和ε1为独立随机变量且服从威布尔分布，则企业投资概率Pyes为：其中，ΔPU＝PU(I-INV，x1)-PU(I，x0)为可测用电效用的变化量，θ＝θ0-θ1为随机变量；最终得到企业k的增溢价值其中，INV(k)max为企业k的最大投资金额。
2.根据权利要求1所述的一种高端制造企业优质电力增溢价值的量化方法，其特征在于：所述步骤S11中，以一年或一个用户定义的评价时间段为周期，通过SEMI F47标准或企业设备的实际电压耐受能力统计实际电压暂降幅值，从而得到企业经受的评估周期内总的电压暂降及其分布。
3.根据权利要求1所述的一种高端制造企业优质电力增溢价值的量化方法，其特征在于：所述步骤S12中，企业设备的电压暂降免疫力曲线为实际电压暂降免疫力曲线或者满足SEMI F47标准的曲线。
4.根据权利要求1所述的一种高端制造企业优质电力增溢价值的量化方法，其特征在于：所述步骤S21中，企业的净收益期望为年度收益期望ENB。
5.根据权利要求1或4所述的一种高端制造企业优质电力增溢价值的量化方法，其特征在于：所述企业净收益期望为用户能感知的价值，包括正常投资、损失和收益。
6.根据权利要求1所述的一种高端制造企业优质电力增溢价值的量化方法，其特征在于：所述步骤S3采用量化用户投资意愿的方法，用Fθ表示随机变量θ的累积分布，得Pyes＝P(θ≤ΔPU)＝Fθ(ΔPU)，即两个威布尔分布随机变量之差服从Logistic分布，企业愿意投资的概率为Pyes＝Fθ(ΔPU)＝(1+e-ΔPU)-1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510556028.8A CN105117852B (zh) | 2015-09-02 | 2015-09-02 | 高端制造企业优质电力增溢价值的量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510556028.8A CN105117852B (zh) | 2015-09-02 | 2015-09-02 | 高端制造企业优质电力增溢价值的量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105117852A CN105117852A (zh) | 2015-12-02 |
| CN105117852B true CN105117852B (zh) | 2018-07-20 |
Family
ID=54665834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510556028.8A Active CN105117852B (zh) | 2015-09-02 | 2015-09-02 | 高端制造企业优质电力增溢价值的量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105117852B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886187B (zh) * | 2017-10-18 | 2021-07-20 | 中国南方电网有限责任公司电网技术研究中心 | 考虑负荷敏感性分级及其概率性损失的配电网规划方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399239A (zh) * | 2013-08-12 | 2013-11-20 | 四川大学 | 工业设备电压暂降免疫力的检测方法 |
| CN104103018A (zh) * | 2014-05-12 | 2014-10-15 | 浙江工业大学 | 分布式发电***和微电网的电能按质定价方法 |
-
2015
- 2015-09-02 CN CN201510556028.8A patent/CN105117852B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399239A (zh) * | 2013-08-12 | 2013-11-20 | 四川大学 | 工业设备电压暂降免疫力的检测方法 |
| CN104103018A (zh) * | 2014-05-12 | 2014-10-15 | 浙江工业大学 | 分布式发电***和微电网的电能按质定价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑用户定量需求的优质电力园区DVR优化配置;刘阳 等;《电网技术》;20150331;第39卷(第3期);第823-828页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105117852A (zh) | 2015-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arora et al. | Forecasting electricity smart meter data using conditional kernel density estimation | |
| CN104794206B (zh) | 一种变电站数据质量评价***及方法 | |
| DE112010004525B4 (de) | Verfahren, Einheit und System für ein reagierendes Lastmanagement unter Verwendung von Frequenzregelungsguthaben | |
| Wang et al. | Time-of-use based electricity cost of manufacturing systems: Modeling and monotonicity analysis | |
| Jindal et al. | Tackling energy theft in smart grids through data-driven analysis | |
| Zhao et al. | Modeling demand response under time-of-use pricing | |
| CN103995962A (zh) | 一种配用电线损实时在线计算分析方法 | |
| CN102663504A (zh) | 基于负荷概率分布函数的配电网线损评估方法 | |
| CN106557992A (zh) | 基于多因素影响的运行控制线损分析方法 | |
| CN113112136A (zh) | 一种配电网可靠性综合评估方法及*** | |
| CN105117852B (zh) | 高端制造企业优质电力增溢价值的量化方法 | |
| CN105488342B (zh) | 一种配电网升压运行项目碳减排量的核算方法 | |
| CN103606111A (zh) | 一种综合电压合格率的评估方法 | |
| Arimoro et al. | Analysis of electricity billing system in corporate buildings in Lagos, Nigeria | |
| Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
| Li et al. | Implementation of load profile test for electricity distribution networks | |
| CN110070256B (zh) | 基于critic方法的零电量用户排查优先度权重计算方法 | |
| CN110045196B (zh) | 高压供电线路管理线损排查方法 | |
| Grigoraş et al. | Use of data from smart meters in optimal operation of distribution systems | |
| CN114021460A (zh) | 电动汽车充电桩效益测算模型构建方法和装置 | |
| Keka et al. | Load profile analyses using R language | |
| Gerbec et al. | A methodology to classify distribution load profiles | |
| Goosen et al. | A method for accurate electricity budget cost calculations for a deep mine | |
| Yoshida et al. | Use of time series load data to size energy storage systems | |
| Peppanen et al. | Enhanced load modeling with expanded system monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |