CN110956372A - 一种电网投入产出边际效益分析方法及*** - Google Patents
一种电网投入产出边际效益分析方法及*** Download PDFInfo
- Publication number
- CN110956372A CN110956372A CN201911131744.6A CN201911131744A CN110956372A CN 110956372 A CN110956372 A CN 110956372A CN 201911131744 A CN201911131744 A CN 201911131744A CN 110956372 A CN110956372 A CN 110956372A
- Authority
- CN
- China
- Prior art keywords
- power grid
- grid project
- evaluation index
- input
- comprehensive
- 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
Links
- 230000008901 benefit Effects 0.000 title claims abstract description 126
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims description 123
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 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
- 230000001737 promoting effect 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
- G06Q10/06—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
- 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
- G06Q10/0637—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
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电网投入产出边际效益分析方法及***,其特征在于,包括以下内容:1)确定各层级各电网项目的投入需求预测结果;2)确定各层级各电网项目的综合贡献度;3)确定各层级各电网项目的投入需求;4)基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,选出边际效益最大的电网项目集合;5)根据预先构建的综合效益量化评价指标体系,判断选出的电网项目集合是否满足要求,若满足,则该电网项目集合即为边际效益最大的电网项目集合;若不满足,则进入步骤4)直至得到满足要求的电网项目集合,完成电网投入产出边际效益的分析,本发明可以广泛应用于电力***电网投资量化评估、决策领域中。
Description
技术领域
本发明是关于一种电网投入产出边际效益分析方法及***,属于电力***电网投资量化评估、决策领域。
背景技术
现今各国各地区对于电网发展的投入需求均较为旺盛、需求规模均较大,电网发展需求的持续增长导致投入需求增加与能力受限的矛盾日益凸显,需要在尽可能有限的投入规模的基础上保障产出效益的最大化,这对电网提升投入产出边际效益提出更高要求。***地开展电网投入产出边际效益分析,使有限的资金发挥最大的效益,对促进电网领域的科学发展具有深远影响。但是,当前尚无科学、合理、有效且客观的电网项目集合投入产出边际效益分析方法,缺少对电网投入产出效益的分析。
发明内容
针对上述问题,本发明的目的是提供一种科学、合理、有效且客观的电网投入产出边际效益分析方法及***。
为实现上述目的,本发明采取以下技术方案:一种电网投入产出边际效益分析方法,包括以下内容:1)根据预先构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果;2)根据预先构建的综合效益量化评价指标体系,确定各层级各电网项目的综合贡献度;3)根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求;4)基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,选出边际效益最大的电网项目集合;5)根据预先构建的综合效益量化评价指标体系,判断选出的电网项目集合是否满足要求,若满足,则该电网项目集合即为边际效益最大的电网项目集合;若不满足,则进入步骤4)直至得到满足要求的电网项目集合,完成电网投入产出边际效益的分析。
进一步地,所述步骤1)的具体过程为:1.1)采用相关性分析方法,根据各层级各电网项目投入需求的历史数据,确定影响各层级各电网项目投入需求的关键影响因素;1.2)采用神经网络模型训练各层级各电网项目投入需求的历史数据,神经网络模型学习各电网项目投入需求与关键影响因素之间的关系,得到电网投入需求神经网络模型,并计算电网投入需求神经网络模型中每层神经元的输出值,该输出值为各层级各电网项目的投入需求预测结果;1.3)对计算的输出值分别进行误差校验,若每一输出值均满足预先设定的误差约束,则输出各层级各电网项目的投入需求预测结果;若任一输出值不满足预先设定的误差约束,则进入步骤1.2),直至每一输出值均满足预先设定的误差约束,输出各层级各电网项目的投入需求预测结果。
进一步地,所述步骤2)的具体过程为:2.1)根据构建的综合效益量化评价指标体系,将各层级各电网项目分别代入BPA仿真***中进行模拟测算,得到各层级各电网项目模拟投产后的各评价指标值;2.2)采用熵权法或均方差法,根据得到的各层级各电网项目模拟投产后的各评价指标值,确定综合效益量化评价指标体系中各评价指标的权重;2.3)根据构建的综合效益量化评价指标体系、各层级各电网项目模拟投产后的各评价指标值及各评价指标的权重,确定每一电网项目的综合贡献度。
进一步地,所述步骤2.3)的具体过程为:2.3.1)根据各层级各电网项目模拟投产后的各评价指标值,计算各电网项目各评价指标的提升度uki:
其中,rki,a、rki,b为第k个电网项目投产前、投产后第i个指标的评价指标值;uki为第k个电网项目第i个评价指标的提升度;2.3.2)根据各电网项目各评价指标的提升度uki,计算各电网项目各评价指标的贡献度ski:
其中,M为电网项目的总数,ski为第k个电网项目第i个评价指标的贡献度;2.3.3)根据各电网项目各评价指标的贡献度ski,计算各电网项目的综合贡献度Sk:
其中,Sk为第k个电网项目的综合贡献度值,N为综合效益量化评价指标体系中的评价指标总数,wi第i个评价指标贡献度的最优权重向量。
进一步地,所述步骤4)的具体过程为:4.1)分别对比各电网项目的投入需求预测结果和投入需求,若投入需求大于对应的投入需求预测结果,则进入步骤4.2);若投入需求不大于对应的投入需求预测结果,则进入步骤4.3);4.2)采用项目集合效益寻优决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合;4.3)采用边际效益优化决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合。
进一步地,所述步骤4.2)的具体过程为:根据每一电网项目的综合贡献度,以电网项目集合的综合贡献度最大为目标,采用混合整数规划模型进行寻优,根据预设的投资能力约束条件,得到综合贡献度最大的电网项目集合max z:
max z=x1p1+x2p2+...+xnpn
其中,n为电网项目的数量,xi为电网项目i的选择情况,取0或1,取0表示不选择电网项目i,取1表示选择取;pi为电网项目i的综合贡献度;投资能力约束条件为:
x1t1+x2t2+......+xntn≤Tmax,xi=0或1,i∈(1,n)
其中,Tmax为年度建设项目最大投资,ti为电网项目i的投资额,应在投资能力约束条件下综合贡献度最大的电网项目集合,该电网项目集合即为边际效益最大的电网项目集合。
进一步地,所述步骤4.3)的具体过程为:4.3.1)按照综合贡献度由高到低对各电网项目进行排序,逐步将电网项目纳入电网项目集合,并根据电网项目集合中各电网项目的总综合贡献度,数据拟合得到电网项目集合投资曲线,并确定该电网项目集合投资曲线的极值点或拐点;4.3.2)在极值点或拐点处截取电网项目,此时的电网项目集合即为初步选出的边际效益最大的电网项目集合。
进一步地,所述步骤5)的具体过程为:5.1)根据构建的综合效益量化评价指标体系,确定该初步选出的边际效益最大的电网项目集合中每一电网项目的综合评价指数;5.2)根据该电网项目集合中每一电网项目的综合评价指数和预先设定的综合评价指数阈值,判断该电网项目集合是否满足要求,若任一电网项目的综合评价指数小于预设的综合评价指数阈值,则不满足,进入步骤4)直至得到不小于综合评价指数阈值的电网项目集合;若每一电网项目的综合评价指数均不小于预设的综合评价指数阈值,则该电网项目集合即为边际效益最大的电网项目集合,完成电网投入产出边际效益的分析。
进一步地,所述步骤5.1)的具体过程为:5.1.1)根据构建的综合效益量化评价指标体系,建立指标矩阵体系:
其中,xij为第i(i=1,2,...,n)个电网项目的第j(j=1,2,...,m)个评价指标,n为电网项目的数量,m为评价指标的数量;
5.1.2)对指标矩阵体系进行无量纲化处理,得到处理后的指标矩阵体系yij:
其中,i∈n,j∈m;5.1.3)根据处理后的指标矩阵体系yij,计算第i个电网项目第j个评价指标所占的比重pij:
pij=yij/∑yij
5.1.4)根据第i个电网项目第j个评价指标所占的比重pij,计算第j个评价指标的熵值ej:
5.1.5)根据第j个评价指标的熵值ej,计算第j个评价指标的差异系数gj:
gj=1-ej,0<gj<1
5.1.6)根据第j个评价指标的熵值ej和差异系数gj,计算第j个评价指标的权重wj:
一种电网投入产出边际效益分析***,包括:投入需求预测模块,用于根据预先构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果;综合贡献度确定模块,用于根据预先构建的综合效益量化评价指标体系,确定各电网项目的综合贡献度;投入需求确定模块,用于根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求;电网项目集合初选模块,用于基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,选出边际效益最大的电网项目集合;电网项目集合确定模块,用于根据预先构建的综合效益量化评价指标体系,判断初步选出的电网项目集合是否满足要求,完成电网投入产出边际效益的分析。
本发明由于采取以上技术方案,其具有以下优点:本发明采用预先构建的电网投入需求神经网络模型,确定各层级各电网项目的投入需求预测结果,根据确定的各层级各电网项目的综合贡献度、投入需求预测结果以及投入需求,采用多环节投入决策方法,选出边际效益最大的电网项目集合,对满足电网精准决策要求、提升投入产出效益具有重要作用,对提升电网发展决策的科学性和合理性具有重要的指导意义,可以广泛应用于电力***电网投资量化评估、决策领域中。
附图说明
图1是本发明方法的流程图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供的电网投入产出边际效益分析方法,包括以下步骤:
1)根据电网的薄弱环节和存在的问题,确定各层级(例如省、地市、县)各电网项目的发展目标和项目优选策略,具体为:
1.1)从国民经济发展、电源装机情况、电力需求情况、企业经营现状和电网规模等方面,分析各电网项目的发展基本情况。
1.2)从电网发展速度协调性、电网发展规模协调性和电网结构等方面分析电网项目的发展速度与规模,确定各电网项目的新增负荷和接入需求。
1.3)从电网安全水平、电网可靠水平和电网设备水平等方面分析电网项目的发展安全与质量,确定各电网项目的现状安全问题和可靠性提升需求。
1.4)从电网利用效率和电网发展效益等方面分析电网项目的发展效率与效益,确定各电网项目的重过载问题和投资成效。
1.5)从电网公司财务指标和相关政策等方面分析电网项目的企业经营与政策情况,确定各电网项目的经营、融资、投资和电价等方面的水平。
1.6)根据确定的电网项目的发展基本情况、新增负荷和接入需求、现状安全问题和可靠性提升需求、重过载问题和投资成效,以及经营、融资、投资和电价等方面的水平,确定各电网项目的发展目标和项目优选策略。
2)预先构建电网投入需求神经网络模型,并根据构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果,具体为:
2.1)采用相关性分析方法,根据各层级各电网项目投入需求的历史数据,确定影响各层级各电网项目投入需求的关键影响因素,包括电源装机类型、容量、全社会用电量、GDP等。
2.2)采用神经网络模型训练各层级各电网项目投入需求的历史数据,神经网络模型学习各电网项目投入需求与关键影响因素之间的关系,得到电网投入需求神经网络模型,并计算电网投入需求神经网络模型中每层神经元的输出值,该输出值即为各层级各电网项目的投入需求预测结果。其中,采用神经网络模型训练电网投入需求的历史数据可以采用现有技术公开的神经网络算法,具体过程在此不多做赘述。
2.3)对计算的输出值分别进行误差校验,若每一输出值(历史数据预测结果)均满足预先设定的误差约束,则输出各层级各电网项目的投入需求预测结果;若任一输出值不满足预先设定的误差约束,则进入步骤2.2),直至每一输出值均满足预先设定的误差约束,输出各层级各电网项目的投入需求预测结果,其中,误差约束可以根据实际情况进行设定。
3)预先构建各层级各电网项目的综合效益量化评价指标体系,并确定综合效益量化评价指标体系中各评价指标的权重,具体为:
3.1)从电网安全水平、电网协调水平、电网运行水平、项目经济效益和项目社会效益五个方面,构建各层级各电网项目的综合效益量化评价指标体系,包括电网安全水平评价指标、电网协调水平评价指标、电网运行水平评价指标、储备项目经济效益评价指标、和储备项目社会效益评价指标,其中,电网安全水平评价指标包括输电网N-1通过率、配电网N-1通过率、停电风险、短路电流水平和配电网供电可靠性,电网协调水平评价指标包括电源送出线功率、供电能力、容载比和线路联络率,电网运行水平评价指标包括有功功率损耗和低电压节点数量,储备项目经济效益评价指标包括储备项目单位投资功率效益和储备项目最大负载率,储备项目社会效益评价指标包括新能源接入装机容量,如下表1所示:
表1:综合效益量化评价指标体系
3.2)根据构建的综合效益量化评价指标体系,将各层级各电网项目分别代入BPA(Business Process Analysis,业务流程分析)仿真***中进行模拟测算,得到各层级各电网项目模拟投产后的各评价指标值,其中,BPA仿真***为现有技术公开的***,具体结构在此不多做赘述。
3.3)采用熵权法或均方差法,根据得到的各层级各电网项目模拟投产后的各评价指标值,确定综合效益量化评价指标体系中各评价指标的权重。
4)根据构建的综合效益量化评价指标体系、各层级各电网项目模拟投产后的各评价指标值及各评价指标的权重,确定各电网项目的综合贡献度,具体为:
4.1)根据各层级各电网项目模拟投产后的各评价指标值,计算各电网项目各评价指标的提升度uki:
其中,rki,a、rki,b为第k个电网项目投产前、投产后第i个指标的评价指标值;uki为第k个电网项目第i个评价指标的提升度。当评价指标为输电网N-1通过率、配电网N-1通过率、配电网供电可靠性、电源送出线功率、供电能力、线路联络率、储备项目单位投资功率效益和新能源接入装机容量时,则评价指标值r越大越有利于电网发展,提升度取“+”;当评价指标为时停电风险、短路电流水平、有功功率损耗和低电压节点数量,则指标值r越小越有利于电网发展,提升度取“-”;当评价指标为容载比和最大负载率时,提升度选取的符号可以根据实际情况确定。
4.2)根据各电网项目各评价指标的提升度uki,计算各电网项目各评价指标的贡献度ski:
其中,M为电网项目的总数,ski为第k个电网项目第i个评价指标的贡献度。通过指标贡献度计算可以实现各评价指标的去量纲化和标幺化处理,使电网项目指标的贡献具有可比性。
4.3)根据各电网项目各评价指标的贡献度ski,计算各电网项目的综合贡献度Sk:
其中,Sk为第k个电网项目的综合贡献度值,N为综合效益量化评价指标体系中的评价指标总数,wi第i个评价指标贡献度的最优权重向量。
5)根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求。
6)基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,初步选出边际效益最大的电网项目集合,具体为:
6.1)分别对比各电网项目的投入需求预测结果和投入需求,若投入需求大于对应的投入需求预测结果,则进入步骤6.2);若投入需求不大于对应的投入需求预测结果,则进入步骤6.3)。
6.2)采用项目集合效益寻优决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合:
6.2.1)根据每一电网项目的综合贡献度,以电网项目集合的综合贡献度最大为目标,采用混合整数规划模型进行寻优,根据预设的投资能力约束条件,得到综合贡献度最大的电网项目集合max z:
max z=x1p1+x2p2+...+xnpn (4)
其中,n为电网项目的数量,xi为电网项目i的选择情况,取0或1,取0表示不选择电网项目i,取1表示选择取;pi为电网项目i的综合贡献度。
投资能力约束条件为:
x1t1+x2t2+......+xntn≤Tmax,xi=0或1,i∈(1,n) (5)
其中,Tmax为年度建设项目最大投资,ti为电网项目i的投资额,应在投资能力约束条件下综合贡献度最大的电网项目集合,该电网项目集合即为边际效益最大的电网项目集合。
6.2.2)将在投资能力约束条件下综合贡献度最大的电网项目集合中的电网项目按照综合贡献度由高到低进行排序。
6.3)采用边际效益优化决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合:
6.3.1)按照综合贡献度由高到低对各电网项目进行排序,逐步将电网项目纳入电网项目集合,使得电网项目集合的投资规模不断增加,并根据电网项目集合中各电网项目的综合贡献度,数据拟合得到电网项目集合投资曲线(其中,横坐标为电网项目集合的投资规模,纵坐标为电网项目集合的综合贡献度),并确定该电网项目集合投资曲线的极值点或拐点。
6.3.2)根据确定的极值点或拐点,选出边际效益最大的电网项目集合,极值点或拐点即为最大效益水平点,在最大效益水平点截取电网项目,此时的电网项目集合即为初步选出的边际效益最大的电网项目集合。
7)对边际效益最大的电网项目集合进行预投入产出分析,确定该电网项目集合投产后的电网情况。
8)将确定的电网情况与发展目标和项目优选策略进行对比分析,分析边际效益最大的电网项目集合是否解决电网现状问题以及是否满足发展需求。
9)根据构建的综合效益量化评价指标体系,判断初步选出的边际效益最大的电网项目集合是否满足要求,若满足,则该电网项目集合即为优选的电网项目集合;若不满足,则进入步骤6)直至得到满足要求的电网项目集合,完成电网投入产出边际效益的分析,具体为:
9.1)根据构建的综合效益量化评价指标体系,确定该初步选出的边际效益最大的电网项目集合中每一电网项目的综合评价指数:
9.1.1)根据构建的综合效益量化评价指标体系,建立指标矩阵体系:
其中,xij为第i(i=1,2,...,n)个电网项目的第j(j=1,2,...,m)个评价指标,n为电网项目的数量,m为评价指标的数量。
9.1.2)对指标矩阵体系进行无量纲化处理,得到处理后的指标矩阵体系yij:
其中,i∈n,j∈m。
9.1.3)根据处理后的指标矩阵体系yij,计算第i个电网项目第j个评价指标所占的比重pij:
pij=yij/∑yij (8)
9.1.4)根据第i个电网项目第j个评价指标所占的比重pij,计算第j个评价指标的熵值ej:
9.1.5)根据第j个评价指标的熵值ej,计算第j个评价指标的差异系数gj:
gj=1-ej,0<gj<1 (10)
9.1.6)根据第j个评价指标的熵值ej和差异系数gj,计算第j个评价指标的权重wj:
9.1.7)根据处理后的指标矩阵体系yij和第j个评价指标的权重wj,计算加权规范矩阵rij:
其中,为第i个电网项目与正理想解之间的距离,为第i个电网项目与负理想解之间的距离,正理想解为加权规范矩阵rij的最大值越大越好、加权规范矩阵rij的最小值越小越好,负理想解与正理想解相反,即加权规范矩阵rij的最大值越小越好、加权规范矩阵rij的最小值越大越好。
9.2)根据该电网项目集合中每一电网项目的综合评价指数和预先设定的综合评价指数阈值,判断该电网项目集合是否满足要求,若任一电网项目的综合评价指数小于预设的综合评价指数阈值,则不满足,进入步骤6)直至得到不小于综合评价指数阈值的电网项目集合;若每一电网项目的综合评价指数均不小于预设的综合评价指数阈值,则该电网项目集合即为边际效益最大的电网项目集合,完成电网投入产出边际效益的分析。
基于上述电网投入产出边际效益分析方法,本发明还提供一种电网投入产出边际效益分析***,包括:
投入需求预测模块,用于根据预先构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果;综合贡献度确定模块,用于根据预先构建的综合效益量化评价指标体系,确定各电网项目的综合贡献度;投入需求确定模块,用于根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求;电网项目集合初选模块,用于基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,初步选出边际效益最大的电网项目集合;电网项目集合确定模块,用于根据预先构建的综合效益量化评价指标体系,判断初步选出的电网项目集合是否满足要求,完成电网投入产出边际效益的分析。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电网投入产出边际效益分析方法,其特征在于,包括以下内容:
1)根据预先构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果;
2)根据预先构建的综合效益量化评价指标体系,确定各层级各电网项目的综合贡献度;
3)根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求;
4)基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,选出边际效益最大的电网项目集合;
5)根据预先构建的综合效益量化评价指标体系,判断选出的电网项目集合是否满足要求,若满足,则该电网项目集合即为边际效益最大的电网项目集合;若不满足,则进入步骤4)直至得到满足要求的电网项目集合,完成电网投入产出边际效益的分析。
2.如权利要求1所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤1)的具体过程为:
1.1)采用相关性分析方法,根据各层级各电网项目投入需求的历史数据,确定影响各层级各电网项目投入需求的关键影响因素;
1.2)采用神经网络模型训练各层级各电网项目投入需求的历史数据,神经网络模型学习各电网项目投入需求与关键影响因素之间的关系,得到电网投入需求神经网络模型,并计算电网投入需求神经网络模型中每层神经元的输出值,该输出值为各层级各电网项目的投入需求预测结果;
1.3)对计算的输出值分别进行误差校验,若每一输出值均满足预先设定的误差约束,则输出各层级各电网项目的投入需求预测结果;若任一输出值不满足预先设定的误差约束,则进入步骤1.2),直至每一输出值均满足预先设定的误差约束,输出各层级各电网项目的投入需求预测结果。
3.如权利要求1所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤2)的具体过程为:
2.1)根据构建的综合效益量化评价指标体系,将各层级各电网项目分别代入BPA仿真***中进行模拟测算,得到各层级各电网项目模拟投产后的各评价指标值;
2.2)采用熵权法或均方差法,根据得到的各层级各电网项目模拟投产后的各评价指标值,确定综合效益量化评价指标体系中各评价指标的权重;
2.3)根据构建的综合效益量化评价指标体系、各层级各电网项目模拟投产后的各评价指标值及各评价指标的权重,确定每一电网项目的综合贡献度。
4.如权利要求3所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤2.3)的具体过程为:
2.3.1)根据各层级各电网项目模拟投产后的各评价指标值,计算各电网项目各评价指标的提升度uki:
其中,rki,a、rki,b为第k个电网项目投产前、投产后第i个指标的评价指标值;uki为第k个电网项目第i个评价指标的提升度;
2.3.2)根据各电网项目各评价指标的提升度uki,计算各电网项目各评价指标的贡献度ski:
其中,M为电网项目的总数,ski为第k个电网项目第i个评价指标的贡献度;
2.3.3)根据各电网项目各评价指标的贡献度ski,计算各电网项目的综合贡献度Sk:
其中,Sk为第k个电网项目的综合贡献度值,N为综合效益量化评价指标体系中的评价指标总数,wi第i个评价指标贡献度的最优权重向量。
5.如权利要求1所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤4)的具体过程为:
4.1)分别对比各电网项目的投入需求预测结果和投入需求,若投入需求大于对应的投入需求预测结果,则进入步骤4.2);若投入需求不大于对应的投入需求预测结果,则进入步骤4.3);
4.2)采用项目集合效益寻优决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合;
4.3)采用边际效益优化决策方法,根据每一电网项目的综合贡献度,初步选出边际效益最大的电网项目集合。
6.如权利要求5所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤4.2)的具体过程为:
根据每一电网项目的综合贡献度,以电网项目集合的综合贡献度最大为目标,采用混合整数规划模型进行寻优,根据预设的投资能力约束条件,得到综合贡献度最大的电网项目集合maxz:
maxz=x1p1+x2p2+…+xnpn
其中,n为电网项目的数量,xi为电网项目i的选择情况,取0或1,取0表示不选择电网项目i,取1表示选择取;pi为电网项目i的综合贡献度;
投资能力约束条件为:
x1t1+x2t2+......+xntn≤Tmax,xi=0或1,i∈(1,n)
其中,Tmax为年度建设项目最大投资,ti为电网项目i的投资额,应在投资能力约束条件下综合贡献度最大的电网项目集合,该电网项目集合即为边际效益最大的电网项目集合。
7.如权利要求5所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤4.3)的具体过程为:
4.3.1)按照综合贡献度由高到低对各电网项目进行排序,逐步将电网项目纳入电网项目集合,并根据电网项目集合中各电网项目的总综合贡献度,数据拟合得到电网项目集合投资曲线,并确定该电网项目集合投资曲线的极值点或拐点;
4.3.2)在极值点或拐点处截取电网项目,此时的电网项目集合即为初步选出的边际效益最大的电网项目集合。
8.如权利要求1所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤5)的具体过程为:
5.1)根据构建的综合效益量化评价指标体系,确定该初步选出的边际效益最大的电网项目集合中每一电网项目的综合评价指数;
5.2)根据该电网项目集合中每一电网项目的综合评价指数和预先设定的综合评价指数阈值,判断该电网项目集合是否满足要求,若任一电网项目的综合评价指数小于预设的综合评价指数阈值,则不满足,进入步骤4)直至得到不小于综合评价指数阈值的电网项目集合;若每一电网项目的综合评价指数均不小于预设的综合评价指数阈值,则该电网项目集合即为边际效益最大的电网项目集合,完成电网投入产出边际效益的分析。
9.如权利要求8所述的一种电网投入产出边际效益分析方法,其特征在于,所述步骤5.1)的具体过程为:
5.1.1)根据构建的综合效益量化评价指标体系,建立指标矩阵体系:
其中,xij为第i(i=1,2,...,n)个电网项目的第j(j=1,2,...,m)个评价指标,n为电网项目的数量,m为评价指标的数量;
5.1.2)对指标矩阵体系进行无量纲化处理,得到处理后的指标矩阵体系yij:
其中,i∈n,j∈m;
5.1.3)根据处理后的指标矩阵体系yij,计算第i个电网项目第j个评价指标所占的比重pij:
pij=yij/∑yij
5.1.4)根据第i个电网项目第j个评价指标所占的比重pij,计算第j个评价指标的熵值ej:
5.1.5)根据第j个评价指标的熵值ej,计算第j个评价指标的差异系数gj:
gj=1-ej,0<gj<1
5.1.6)根据第j个评价指标的熵值ej和差异系数gj,计算第j个评价指标的权重wj:
5.1.7)根据处理后的指标矩阵体系yij和第j个评价指标的权重wj,计算加权规范矩阵rij:
10.一种电网投入产出边际效益分析***,其特征在于,包括:
投入需求预测模块,用于根据预先构建的电网投入需求神经网络模型和各层级各电网项目投入需求的历史数据,确定各层级各电网项目的投入需求预测结果;
综合贡献度确定模块,用于根据预先构建的综合效益量化评价指标体系,确定各电网项目的综合贡献度;
投入需求确定模块,用于根据各层级各电网项目的投资加和,确定各层级各电网项目的投入需求;
电网项目集合初选模块,用于基于各电网项目的综合贡献度,根据各电网项目的投入需求预测结果和对应的投入需求,选出边际效益最大的电网项目集合;
电网项目集合确定模块,用于根据预先构建的综合效益量化评价指标体系,判断初步选出的电网项目集合是否满足要求,完成电网投入产出边际效益的分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131744.6A CN110956372A (zh) | 2019-11-19 | 2019-11-19 | 一种电网投入产出边际效益分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131744.6A CN110956372A (zh) | 2019-11-19 | 2019-11-19 | 一种电网投入产出边际效益分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956372A true CN110956372A (zh) | 2020-04-03 |
Family
ID=69977648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131744.6A Pending CN110956372A (zh) | 2019-11-19 | 2019-11-19 | 一种电网投入产出边际效益分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956372A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861010A (zh) * | 2020-07-23 | 2020-10-30 | 中国人民解放军军事科学院军事科学信息研究中心 | 一种人机协同的领域关键技术预测方法及预测*** |
-
2019
- 2019-11-19 CN CN201911131744.6A patent/CN110956372A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861010A (zh) * | 2020-07-23 | 2020-10-30 | 中国人民解放军军事科学院军事科学信息研究中心 | 一种人机协同的领域关键技术预测方法及预测*** |
CN111861010B (zh) * | 2020-07-23 | 2024-03-29 | 中国人民解放军军事科学院军事科学信息研究中心 | 一种人机协同的领域关键技术预测方法及预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956266B (zh) | 基于层次分析法的多电源电力***多目标优化调度方法 | |
Abiodun et al. | Pump scheduling optimization model for water supply system using AWGA | |
CN112348272A (zh) | 基于配电网综合评价的电网投资分配决策方法及*** | |
CN111047175A (zh) | 一种电网投资项目优选方法及*** | |
CN110796296A (zh) | 多目标投资优化模型的构建方法、装置和计算设备 | |
CN110956372A (zh) | 一种电网投入产出边际效益分析方法及*** | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
Yang et al. | Research on the application of GA improved neural network in the prediction of financial crisis | |
CN112085290A (zh) | 一种区域配电网设备资产绩效水平优化方法 | |
CN116388291A (zh) | 大电网新能源消纳能力计算方法、***、装置及介质 | |
CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
Pang et al. | A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、***、设备和存储介质 | |
CN115983421A (zh) | 水电富集环境下水电平衡电站交易计划分析方法及装置 | |
CN115102195A (zh) | 一种基于农村电网的三相负荷不平衡治理方法及装置 | |
Sun et al. | Forecasting and identification of stock market based on modified RBF neural network | |
CN112116233A (zh) | 一种基于电力需求和投资能力的电网投资优化方法及*** | |
Shao et al. | Optimization method based on load forecasting for three-phase imbalance mitigation in low-voltage distribution network | |
CN112598292A (zh) | 一种低电压治理方案综合评价方法及设备 | |
CN115829144B (zh) | 电网业务优化模型的建立方法及电子设备 | |
CN113689112B (zh) | 利用云计算改进层次分析法的智慧能源站能效评估方法及*** | |
CN118134344B (zh) | 水利水电工程施工节水及废水资源化利用水平的评估方法 | |
Chen et al. | A weighted combination forecasting model for power load based on forecasting model selection and fuzzy scale joint evaluation | |
Wang et al. | Dynamic neural network based genetic algorithm optimizing for short term load forecasting | |
Zhang et al. | A Multi-Objective Optimization Model for Simulation-based Acquisition |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |