CN112734274B - 一种低碳电网运营主导影响因素挖掘及综合评估方法 - Google Patents
一种低碳电网运营主导影响因素挖掘及综合评估方法 Download PDFInfo
- Publication number
- CN112734274B CN112734274B CN202110072474.7A CN202110072474A CN112734274B CN 112734274 B CN112734274 B CN 112734274B CN 202110072474 A CN202110072474 A CN 202110072474A CN 112734274 B CN112734274 B CN 112734274B
- Authority
- CN
- China
- Prior art keywords
- power grid
- index
- rate
- data
- indexes
- 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 54
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 35
- 238000005065 mining Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 36
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000012797 qualification Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000002699 waste material Substances 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 4
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003763 carbonization Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000029087 digestion Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种低碳电网运营主导影响因素挖掘及综合评估方法,该方法先根据电网不同月份的历史运营数据构建样本集,再构建基于随机森林算法的电网运营主导影响因素挖掘模型,并输入样本集数据,求得各因素对应的袋外误差变化量,据此计算该因素对电网运营水平的影响程度,并从中筛选出主导因素,然后分别采用层次分析法、熵权法以及标准差和平均差赋权法等方法确定各指标的权重,并基于矩估计理论求得各指标的组合权重,最后构建基于灰色关联分析法的未来低碳电网运营综合评估模型,对该电网历史或未来运营水平进行评估。本设计可客观合理的挖掘出电网运营主导影响因素,有助于未来低碳电网运营水平的改善提升以及规划。
Description
技术领域
本发明属于电力***安全规划与运行领域,具体涉及一种低碳电网运营主导影响因素挖掘及综合评估方法。
背景技术
电力是国民经济发展的重要基础,关乎着国民的生活质量,影响着国家的能源发展布局。电力***承担着为全社会各行各业生产、输送、分配电能的重要任务,保障着社会与经济持续、稳定、有序、高效地运转。电网作为电力***的主体,它的运营效率和效益体现了其对社会与经济等各方面的支撑作用,同时电网运营的影响因素涉及多个方面,较为繁杂。因此有必要从大量影响因素中挖掘电网运营的主导影响因素,并依据这些主导影响因素进行电网运营综合评估,从而评价电网企业在经济、政治、社会责任等方面的贡献程度,同时保障电网安全高效运营。
传统的电网运营评估没有考虑大规模可再生能源接入电网、负荷结构和负荷特性的变革以及供给侧改革的市场化影响,因此不能适应未来低碳化运营的发展趋势。目前的电网运营评价更多的集中在电网运行安全及效率方面,而随着我国能源低碳化发展进程,电力能源结构正在发生重大变化。对于电源侧,大规模可再生能源并网并逐步替代煤电等传统能源,引入了较强的波动性,电源结构和电源特性正在发生变化;对于负荷侧,各类分布式电源、再电气化设备、电动汽车保有量持续增长,影响了电网负荷结构和负荷特性;在政策方面,供给侧改革的电力市场化影响也在改变用户用电习惯与特性。以上变化对电网的运营产生较大影响,因此亟需一种针对低碳电网运营的主导影响因素挖掘及综合评估方法。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种客观合理、且能够适应电网低碳化发展趋势的低碳电网运营主导影响因素挖掘及综合评估方法。
为实现以上目的,本发明的技术方案如下:
一种低碳电网运营主导影响因素挖掘方法,依次包括以下步骤:
步骤A、收集电网N个月份的历史运营数据并构建样本集,其中,所述电网运营数据包括安全可靠性指标、经济性指标、灵活性指标、适应性指标数据;
步骤B、构建基于随机森林算法的电网运营主导影响因素挖掘模型,输入样本集数据,求得各指标所对应的袋外误差变化量;
步骤C、先根据各指标的袋外误差变化量计算其对电网运营水平的影响程度,然后选取影响程度靠前的若干指标作为主导影响因素。
所述步骤B依次包括以下步骤:
B1、采用自助重抽样方法,从样本集中有放回地抽取多个样本作为训练集,未抽中的样本作为袋外数据;
B2、循环重复步骤B1,形成Z个训练集,再对每个训练集构造一棵分类决策树,形成由Z棵分类决策树构成的随机森林,然后从各指标中随机选取a个指标,并从a个指标中依次选取基尼系数最小的指标进行节点***;
B3、通过随机森林中的每棵树对袋外数据进行分类,对于任一样本,统计每棵树对其的分类结果,将结果中数量最多的类别作为该样本的类别;
B4、先计算每棵分类决策树的袋外误差率Ei,并在各样本之间打乱第j个指标数据的顺序,统计发生变化后的袋外误差率Eij,Eij与Ei的差值即为第j个指标所对应的袋外误差变化量。
所述步骤C中,各指标对电网运营水平的影响程度采用以下公式计算得到:
上式中,Inj为第j个指标对电网运营水平的影响程度,ΔEij为第i棵分类决策树中第j个指标的袋外误差变化率。
所述步骤C中,在选取主导影响因素之前,将各指标对电网运营水平的影响程度进行如下归一化处理:
上式中,In′j为归一化后第j个指标对电网运营水平的影响程度,M为指标的数量。
步骤B2中,所述基尼系数采用以下公式计算得到:
上式中,k为某节点下样本中包含的类别数,pi为类别i出现的概率。
步骤A中,所述安全可靠性指标包括短路容量、N-1通过率、新能源有功恢复速度、强迫停运率、平均停电时间、平均停电频率、停电损失变化率、电量不足变化率、母线电压合格率、负荷节点电压合格率、节点电压偏移率、总谐波畸变率、频率合格率、母线电压稳定裕度变化率,所述经济性指标包括平均负载率、最大负载率、线路可利用系数、线损率、线损改善率、新能源弃电损失、全员劳动生产率、资产负债率、单位电网投资增售电量,所述灵活性指标包括新能源装机比例、新能源上网电量占比、新能源并网消纳能力、新能源弃电率、净负荷最大峰谷差占比、年最大负荷率、容载比、母线负载裕度、母线负载均衡度、线路容量裕度变化率,所述适应性指标数据包括电能终端消耗比例、电动汽车保有量、需求侧管理节点比率、跨区交易电量、智能变电站比例、电气化铁路供电公里数、用户满意度、CO2减排量、SO2减排量、标煤节约量。
一种低碳电网运营综合评估方法,依次包括以下步骤:
步骤D、以权利要求1选取的主导影响因素作为电网运营评估指标,并通过主客观组合赋权方法计算各评估指标的组合权重;
步骤E、先基于灰色关联分析法构建低碳电网运营综合评估模型,然后采用该模型对电网历史或未来运营水平进行评估。
步骤D中,所述通过主客观组合赋权方法计算各评估指标的组合权重依次包括以下步骤:
步骤D1、分别采用层次分析法、熵权法、标准差和平均差赋权法计算各评估指标的权重;
步骤D2、基于矩估计理论确定各评估指标的组合权重W:
W=[w1 w2 ... wj ... wm]
上式中,wj为第j个指标的组合权重,λ、μ分别为主观权重和客观权重在组合权重中的重要程度占比,m为电网运营评估指标的数量,wpj为第j个指标的主观权重,s1为主观赋权方法的种数,wqj为第j个指标采用第q-s1种客观赋权方法计算得到的客观权重,s为主、客观赋权方法的种数之和。
所述步骤E依次包括以下步骤:
步骤E1、对于电网N个月份的历史运营数据或仿真得到的电网未来N个月份的运营数据进行以下标准化处理:
上式中,rij为标准化处理后第j个指标在第i个月份的数据,ωij为第j个指标在第i个月份的数据,分别为第j个指标在各月份数据中的最大值和最小值,m为电网运营评估指标的数量;
步骤E2、先确定各指标的最优值,再将这些最优值形成的序列作为参考序列,与标准化处理后的运营数据一起构建标准化决策矩阵R:
上式中,为第j个指标的最优值;
步骤E3、采用以下公式计算各月份样本中各指标与参考序列间的灰色关联系数eij:
上式中,ρ为分辨系数;
步骤E4、计算各月份样本与最优参考序列之间的灰色关联系数Gi,并根据灰色关联系数的大小对电网各月份的运营水平进行排序:
与现有技术相比,本发明的有益效果为:
1、本发明一种低碳电网运营主导影响因素挖掘方法先收集电网N个月份的历史运营数据并构建样本集,再构建基于随机森林算法的电网运营主导影响因素挖掘模型,输入样本集数据,求得各指标所对应的袋外误差变化量,然后根据各指标的袋外误差变化量计算其对电网运营水平的影响程度,然后选取影响程度靠前的若干指标作为主导影响因素,该方法采用随机森林算法对低碳电网运营主导影响因素进行挖掘,克服了电网运营评估过程中影响因素过于繁多、计算复杂等问题,且与常规的主成分分析法等主导因素辨识方法相比,本方法更加客观合理。因此,本发明实现了电网运营主导影响因素客观合理的挖掘。
2、本发明一种低碳电网运营主导影响因素挖掘方法所选用的指标中,新能源有功恢复速度、新能源弃电损失、新能源装机比例、新能源上网电量占比、新能源并网消纳能力和新能源弃电率体现了未来低碳电网中电源侧高比例新能源特征;电能终端消耗比例、电动汽车保有量、需求侧管理节点比率、电气化铁路供电公里数体现了未来低碳电网负荷侧的电动汽车增长、再电气化设备接入等特征;跨区交易电量、智能变电站比例和用户满意度体现了未来低碳电网的智能化、电力市场化等政策实施效果;停电损失变化率和电量不足变化率、线损改善率、线路容量裕度变化率、CO2减排量、SO2减排量和标煤节约量体现了低碳化规划建设对未来电网运营带来的变化与影响,通过全面考虑未来低碳电网下的大规模可再生能源接入电网、负荷结构和负荷特性的变革以及供给侧改革的市场化等特征所带来的影响,克服了传统电网运营评估未能充分考虑以上变化、难以适应低碳化发展趋势的不足。因此,本发明能够适应电网低碳化发展趋势。
3、本发明一种低碳电网运营综合评估方法以选取的主导影响因素作为电网运营评估指标,通过主客观组合赋权方法计算各评估指标的组合权重,然后采用基于灰色关联分析法构建的低碳电网运营综合评估模型对电网运营水平进行评估,一方面,该方法既可对电网不同时间的历史运营水平进行评估,也能对某地区电网未来的各个低碳化规划建设方案实施后的运营水平进行预评估,有助于未来低碳电网运营水平的改善提升以及规划;另一方面,该方法根据矩估计理论确定主、客观权重的最优组合权重,在赋权时兼顾了评价中的主、客观因素,使得权重确定更为合理。因此,本发明不仅可同时实现后评估以及预评估,有助于未来低碳电网运营水平的改善提升以及规划,而且组合权重的确定合理。
附图说明
图1为本发明所述主导影响因素挖掘方法的流程图。
图2为本发明所述综合评估方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
参见图1,一种低碳电网运营主导影响因素挖掘方法,依次包括以下步骤:
步骤A、收集电网N个月份的历史运营数据并构建样本集,其中,所述电网运营数据包括安全可靠性指标、经济性指标、灵活性指标、适应性指标数据;
步骤B、构建基于随机森林算法的电网运营主导影响因素挖掘模型,输入样本集数据,求得各指标所对应的袋外误差变化量;
步骤C、先根据各指标的袋外误差变化量计算其对电网运营水平的影响程度,然后选取影响程度靠前的若干指标作为主导影响因素。
所述步骤B依次包括以下步骤:
B1、采用自助重抽样方法,从样本集中有放回地抽取多个样本作为训练集,未抽中的样本作为袋外数据;
B2、循环重复步骤B1,形成Z个训练集,再对每个训练集构造一棵分类决策树,形成由Z棵分类决策树构成的随机森林,然后从各指标中随机选取a个指标,并从a个指标中依次选取基尼系数最小的指标进行节点***;
B3、通过随机森林中的每棵树对袋外数据进行分类,对于任一样本,统计每棵树对其的分类结果,将结果中数量最多的类别作为该样本的类别;
B4、先计算每棵分类决策树的袋外误差率Ei,并在各样本之间打乱第j个指标数据的顺序,统计发生变化后的袋外误差率Eij,Eij与Ei的差值即为第j个指标所对应的袋外误差变化量。
所述步骤C中,各指标对电网运营水平的影响程度采用以下公式计算得到:
上式中,Inj为第j个指标对电网运营水平的影响程度,ΔEij为第i棵分类决策树中第j个指标的袋外误差变化率。
所述步骤C中,在选取主导影响因素之前,将各指标对电网运营水平的影响程度进行如下归一化处理:
上式中,In′j为归一化后第j个指标对电网运营水平的影响程度,M为指标的数量。
步骤B2中,所述基尼系数采用以下公式计算得到:
上式中,k为某节点下样本中包含的类别数,pi为类别i出现的概率。
步骤A中,所述安全可靠性指标包括短路容量、N-1通过率、新能源有功恢复速度、强迫停运率、平均停电时间、平均停电频率、停电损失变化率、电量不足变化率、母线电压合格率、负荷节点电压合格率、节点电压偏移率、总谐波畸变率、频率合格率、母线电压稳定裕度变化率,所述经济性指标包括平均负载率、最大负载率、线路可利用系数、线损率、线损改善率、新能源弃电损失、全员劳动生产率、资产负债率、单位电网投资增售电量,所述灵活性指标包括新能源装机比例、新能源上网电量占比、新能源并网消纳能力、新能源弃电率、净负荷最大峰谷差占比、年最大负荷率、容载比、母线负载裕度、母线负载均衡度、线路容量裕度变化率,所述适应性指标数据包括电能终端消耗比例、电动汽车保有量、需求侧管理节点比率、跨区交易电量、智能变电站比例、电气化铁路供电公里数、用户满意度、CO2减排量、SO2减排量、标煤节约量。
参见图2,一种低碳电网运营综合评估方法,依次包括以下步骤:
步骤D、以权利要求1选取的主导影响因素作为电网运营评估指标,并通过主客观组合赋权方法计算各评估指标的组合权重;
步骤E、先基于灰色关联分析法构建低碳电网运营综合评估模型,然后采用该模型对电网历史或未来运营水平进行评估。
步骤D中,所述通过主客观组合赋权方法计算各评估指标的组合权重依次包括以下步骤:
步骤D1、分别采用层次分析法、熵权法、标准差和平均差赋权法计算各评估指标的权重;
步骤D2、基于矩估计理论确定各评估指标的组合权重W:
W=[w1 w2 ... wj ... wm]
上式中,wj为第j个指标的组合权重,λ、μ分别为主观权重和客观权重在组合权重中的重要程度占比,m为电网运营评估指标的数量,wpj为第j个指标的主观权重,s1为主观赋权方法的种数,wqj为第j个指标采用第q-s1种客观赋权方法计算得到的客观权重,s为主、客观赋权方法的种数之和。
所述步骤E依次包括以下步骤:
步骤E1、对于电网N个月份的历史运营数据或仿真得到的电网未来N个月份的运营数据进行以下标准化处理:
上式中,rij为标准化处理后第j个指标在第i个月份的数据,ωij为第j个指标在第i个月份的数据,分别为第j个指标在各月份数据中的最大值和最小值,m为电网运营评估指标的数量;
步骤E2、先确定各指标的最优值,再将这些最优值形成的序列作为参考序列,与标准化处理后的运营数据一起构建标准化决策矩阵R:
上式中,为第j个指标的最优值;
步骤E3、采用以下公式计算各月份样本中各指标与参考序列间的灰色关联系数eij:
上式中,ρ为分辨系数;
步骤E4、计算各月份样本与最优参考序列之间的灰色关联系数Gi,并根据灰色关联系数的大小对电网各月份的运营水平进行排序:
本发明的原理说明如下:
目前,在主导因素辨识方面,常采用专家经验法和主成分分析法,专家经验法主观性强,过于依赖个人经验,所确定的主导因素不够合理,从而导致在此基础上的电网运营评估结果不够客观;主成分分析法是一种降维算法,能将多个指标转换为少数几个主成分,但该方法并不具备筛选变量的功能,因为最终得到的主成分为原始指标的线性组合,虽能反映原始数据的大部分信息,但其物理意义难以得到合理解释。而随机森林算法作为一种集成学习算法,属于机器学习中的有监督算法,它具有泛化能力强、不易发生过拟合的优点,可克服上述方法的缺点,更适用于低碳电网运营主导影响因素的挖掘,可实现主导影响因素的精准辨识,为未来低碳电网运营综合评估的关键指标选取提供参考。
传统的组合赋权方法主要包括乘法合成法和线性加权组合法。用乘法合成归一化进行计算的组合赋权方法虽然能够弥补单一赋权方法存在的缺陷,但也会出现赋权结果大者更大,小者更小的情况。而线性加权组合在对所得权重进行计算时,在加权系数的确定方面还缺乏理论依据。为解决上述赋权方法中存在的问题,本发明提出基于矩估计理论的最优组合赋权方法,使得最终得到的组合权重与各个主观、客观权重之间的综合偏差距离尽可能小。此方法在赋权时能兼顾评价中的主客观因素,既考虑到了指标数据之间的联系,又考虑到了专家经验,使得权重确定更为合理。
本发明中各指标数据的计算方法如下:
所述短路容量C111为关注点在三相短路故障下的视在功率,体现了该点的荷载能力以及电压稳定性,由下式计算得到:
上式中,U为正常运行时的线电压有效值,IL为短路电流值。
所述N-1通过率C112为电力***的N个元件中任一元件故障且被切除后都不会导致用户停电的概率,由下式计算得到:
上式中,N0为符合N-1条件的元件个数,N为元件总数。
所述新能源有功恢复速度C113为风电场、光伏发电站等新能源电站在故障清除后的有功功率恢复速度,表征了新能源电站的故障恢复能力,由下式计算得到:
上式中,PW2为故障前新能源发电站有功功率的0.9倍,PW1为故障清除时刻的有功功率,T1、T2分别为故障清除时刻和功率恢复至PW2的时刻。
所述强迫停运率C121表征了电力***的供电可靠性,由下式计算得到:
上式中,TS为变压器或线路的停运时长,TD为检测时长。
所述平均停电时间C122由下式计算得到:
上式中,NU为用户总数,Ti、Ni分别为第i次停电的时长和用户数。
所述平均停电频率C123由下式计算得到:
上式中,NS为停电总次数。
所述停电损失变化率C124表征了未来低碳化规划建设对于电网供电可靠性的影响,由下式计算得到:
上式中,PL1、PL2分别为电网低碳化规划建设前、后的停电损失负荷。
所述电量不足变化率C125由下式计算得到:
上式中,ΔP1、ΔP2分别为电网低碳化规划建设前、后的供电缺额。
所述母线电压合格率C131表征了网的电压质量,由下式计算得到:
上式中,TU为母线电压在合格范围内的时长,TD为检测时长。
所述负荷节点电压合格率C132由下式计算得到:
上式中,NQ、NL分别为电压合格的负荷节点数和总负荷节点数。
所述节点电压偏移率C133由下式计算得到:
上式中,Ui为第i个负荷节点的电压,UN为额定电压,NLO为电压越限的节点数。
所述总谐波畸变率C134反映了新能源并网后电力电子装置等造成的电流畸变严重程度,由下式计算得到:
上式中,I1、Ii分别为基波、i阶谐波的有效值,M为最大谐波阶数。
所述频率合格率C135由下式计算得到:
上式中,TF为频率处于合格范围内的时长。
所述母线电压稳定裕度变化率C136由下式计算得到:
上式中,D1、D2分别为电网低碳化规划建设前、后的母线电压稳定裕度。
所述平均负载率C211反映了电力设备的利用情况,由下式计算得到:
上式中,Save为变压器或线路的平均负载,SN为相应的额定功率。
所述最大负载率C212由下式计算得到:
上式中,Smax为变压器或线路的平均负载。
所述线路可利用系数C213为在一段时间内,线路输电量占极限输电量的比例,表征了线路容量的利用程度,由下式计算得到:
上式中,St为t时刻的输电功率,SR为线路的极限输电量,T为统计时长。
所述线损率C214反映了电网的电能利用效率,由下式计算得到:
上式中,S为上网电量总和,SU为总售电量。
所述线损改善率C215表征了未来低碳化规划建设对于电网电能利用效率的影响,由下式计算得到:
上式中,SL1、SL2分别为电网低碳化规划建设前、后的线损。
所述新能源弃电损失C216由下式计算得到:
上式中,k为新能源种类数,ci、Ei分别为第i种新能源的价格和弃电量。
所述全员劳动生产率C221由下式计算得到:
上式中,ΔF为工业增加值,Nm为职工总人数。
所述资产负债率C222由下式计算得到:
上式中,F为总资产,Z为总负债。
所述单位电网投资增售电量C223表征了电网企业的投资利用效率,由下式计算得到:
上式中,G为投资总额,ΔSU为新增售电量。
所述新能源装机比例C311反映了新能源在电网规划中的比重,由下式计算得到:
上式中,SC为新能源装机量,SA为电源总装机量。
所述新能源上网电量占比C312反映了新能源在电源侧的电量比重,由下式计算得到:
/>
上式中,S为上网电量总和,SCL为新能源上网电量。
所述新能源并网消纳能力C313反映了新能源并网的利用程度,由下式计算得到:
上式中,ΔM为***调峰裕度,RC为新能源带来的净负荷最大峰谷差增大量占新能源装机容量的比例。
所述新能源弃电率C314表征了电网对新能源的利用程度,由下式计算得到:
上式中,为各类新能源的弃电量总和。
所述净负荷最大峰谷差占比C321反映了净负荷的波动程度,由下式计算得到:
上式中,Lmax、Lmin分别为净负荷的最大值和最小值。
所述年最大负荷率C322反映了电网全年的用电均衡程度,由下式计算得到:
上式中,HL为年最大负荷利用小时数。
所述容载比C331表示供电能力,由下式计算得到:
上式中,SN为变电站额定容量,LA为该供电区域的最大负荷。
所述母线负载裕度C332由下式计算得到:
上式中,SB_Lim为母线极限传输容量,SB为母线实际传输功率。
所述母线负载均衡度C333为各母线负载情况的差异程度,反映了电网的功率均衡程度,由下式计算得到:
上式中,NB为母线总数,SBi为第i个母线的实际传输功率,为母线的平均传输功率。
所述线路容量裕度变化率C334表征了未来低碳化规划建设对于电网升级改造的延缓程度,由下式计算得到:
上式中,RL1、RL2分别为电网低碳化规划建设前、后的线路容量裕度。
所述电能终端消耗比例C411表征了负荷侧再电气化的推进程度,由下式计算得到:
上式中,EP、EA分别为终端的电能消耗量以及能源总消耗量。
所述电动汽车保有量C412由下式计算得到:
C412=NNC
上式中,NNC为该电网覆盖区域内的电动汽车总量。
所述需求侧管理节点比率C413由下式计算得到:
上式中,NDR、NL分别为参与需求侧管理的节点数和总负荷节点数。
所述指标跨区交易电量C414根据电网统计数据直接得到。
所述指标智能变电站比例C415由下式计算得到:
上式中,NS_SMART、Nsub分别为智能变电站数量和变电站总数。
所述新能源弃电率C416通过向铁路相关部门获取数据。
所述用户满意度C417通过调查问卷统计数据得到。
所述CO2减排量C421、SO2减排量C422和标煤节约量C423均通过电网统计数据直接得到。
实施例1:
参见图1,一种低碳电网运营主导影响因素挖掘方法,该方法针对容量超过了500万千瓦的某电网,依次按照以下步骤进行:
1、收集某地区电网N个月份的历史运营数据并构建样本集,其中,所述电网运营数据包括安全可靠性指标、经济性指标、灵活性指标、适应性指标数据,所述安全可靠性指标包括短路容量、N-1通过率、新能源有功恢复速度、强迫停运率、平均停电时间、平均停电频率、停电损失变化率、电量不足变化率、母线电压合格率、负荷节点电压合格率、节点电压偏移率、总谐波畸变率、频率合格率、母线电压稳定裕度变化率,所述经济性指标包括平均负载率、最大负载率、线路可利用系数、线损率、线损改善率、新能源弃电损失、全员劳动生产率、资产负债率、单位电网投资增售电量,所述灵活性指标包括新能源装机比例、新能源上网电量占比、新能源并网消纳能力、新能源弃电率、净负荷最大峰谷差占比、年最大负荷率、容载比、母线负载裕度、母线负载均衡度、线路容量裕度变化率,所述适应性指标数据包括电能终端消耗比例、电动汽车保有量、需求侧管理节点比率、跨区交易电量、智能变电站比例、电气化铁路供电公里数、用户满意度、CO2减排量、SO2减排量、标煤节约量,样本集中的样本总数为N,样本矩阵为Ω=[ωij]N×M:
上式中,ωij为第i个月份样本中第j个影响因素的数据值;
2、采用自助重抽样方法,从样本集中有放回地抽取样本总数2/3的样本作为训练集,未抽中的样本作为袋外数据;
3、循环重复步骤2,形成Z(Z>100)个训练集,再对每个训练集构造一棵分类决策树,形成由Z棵分类决策树构成的随机森林,随机森林中的每棵决策分类树由根节点、中间节点、叶节点构成,然后从各指标中随机选取a个指标,并从a个指标中依次选取基尼系数最小的指标进行节点***,其中,所述基尼系数采用以下公式计算得到:
上式中,k为某节点下样本中包含的类别数,pi为类别i出现的概率;
4、通过随机森林中的每棵树对袋外数据进行分类,对于任一样本,统计每棵树对其的分类结果,将结果中数量最多的类别作为该样本的类别;
5、先计算每棵分类决策树的袋外误差率Ei,并在各样本之间打乱第j个指标数据的顺序,统计发生变化后的袋外误差率Eij,Eij与Ei的差值即为第j个指标所对应的袋外误差变化量;
6、根据各指标的袋外误差变化量计算其对电网运营水平的影响程度:
上式中,Inj为第j个指标对电网运营水平的影响程度,ΔEij为第i棵分类决策树中第j个指标的袋外误差变化率;
7、将各指标对电网运营水平的影响程度进行如下归一化处理:
上式中,In′j为归一化后第j个指标对电网运营水平的影响程度,M为指标的数量;
8、选取影响程度靠前且影响程度之和占所有指标的影响程度总和的比例超过2/3的若干指标作为主导影响因素,本实施例筛选的m个主导影响因素如下表所示:
表1电网运营主导影响因素
/>
实施例2:
参见图2,一种低碳电网运营综合评估方法,依次按照下步骤进行:
1、以实施例1选取的主导影响因素作为电网运营评估指标,分别采用层次分析法、熵权法、标准差和平均差赋权法计算各评估指标的权重,其中,
所述层次分析法具体为:将评估指标体系中的一级、二级、三级指标分别作为层次分析法的目标层、准则层、次准则层,通过层次分析法确定各个三级指标的主观权重:
W1=[w11 w12 ... w1j ... w1m],其中,
层次分析法的具体实现步骤如下:
1)构建判断矩阵
针对指标体系中同一准则下的各个指标,两两之间进行重要程度比较,采用1-9标度法构建判断矩阵:
B=[bij]n×n(i,j=1,2,...,n)
其中n为同一准则下的指标数,bij为指标i相对于指标j的重要程度;
2)一致性检验
为保证不同指标间的相对重要性协调一致,需进行一致性检验;
定义随机一致性比率其中RI的值随着同一准则下的指标总数n变化,λmax为判断矩阵B的最大特征值;
若CR≤0.1,则判断矩阵符合一致性要求,反之,判断矩阵需要进行调整,直到符合一致性;
3)权重确定
求得与最大特征值λmax对应的特征向量V=[νi]n×1(i=1,2,...,n),则有BV=λmaxV成立。对特征向量V进行归一化,则得到同一准则下各指标的权重W=[wi]n×1(i=1,2,...,n):
由此可计算得到各个三级指标的权重;
所述熵权法的具体实现步骤如下:
1)构建标准化的决策矩阵
筛选得到的指标个数为m,每个指标的采样值数量为N,则可构建决策矩阵X′=[x′ij]m×n(i=1,2,...,N;j=1,2,...,m),其中,x′ij是第j个指标的第i个采样值;
对同一指标的各采样值进行归一化,得到标准化决策矩阵:
X=[xij]m×n(i=1,2,...,N;j=1,2,...,m),其中0≤xij≤1;
2)计算指标的熵值
首先计算同一指标各采样值的特征比重:
其中0≤pij≤1,为第j个指标中第i个采样值的特征比重;
则第j个指标的熵值ej为:
3)计算指标的权重
采用以下公式计算各指标的熵权权重W2=[w21 w22 ... w2j ... w2m]
/>
其中,
所述标准差和平均差赋权法具体为:
该方法得到的指标权重应使得各指标的标准差总和与平均差总和最大,应满足以下条件:
上式中,σj、τj分别为指标j下各月份样本数据的标准差与平均差,即:
其中/>为指标j下各月份样本数据均值;
α、β分别为标准差与平均差的偏好系数,α+β=1,α>0,β>0;
求解可得到目标函数极大值处所对应的权重为:
对权重进行归一化得到各指标的权重W3=[w31 w32 ... w3j ... w3m]:
2、基于矩估计理论确定各评估指标的组合权重W:
W=[w1 w2 ... wj ... wm]
上式中,wj为第j个指标的组合权重,λ、μ分别为主观权重和客观权重在组合权重中的重要程度占比,m为电网运营评估指标的数量,wpj为第j个指标的主观权重,s1为主观赋权方法的种数,wqj为第j个指标采用第q-s1种客观赋权方法计算得到的客观权重,s为主、客观赋权方法的种数之和;
3、对于某地区电网已有的N个月份的历史运营数据进行如下标准化处理,使其所在区间变为[0,1],消除不同指标之间的量纲差异:
上式中,rij为标准化处理后第j个指标在第i个月份的数据,ωij为第j个指标在第i个月份的数据,分别为第j个指标在各月份数据中的最大值和最小值,m为电网运营评估指标的数量;
4、先确定各指标的最优值,若指标为效益型指标,则选取各月份数据中的最大值作为最优值,若指标为成本型指标,则选取各月份数据中的最小值作为最优值,再将这些最优值形成的序列作为参考序列,与标准化处理后的运营数据一起构建标准化决策矩阵R:
上式中,为第j个指标的最优值;
5、采用以下公式计算各月份样本中各指标与参考序列间的灰色关联系数eij:
上式中,ρ为分辨系数,取0.5;
6、计算各月份样本与最优参考序列之间的灰色关联系数Gi,并根据灰色关联系数的大小对电网各月份的运营水平进行排序:
灰色关联系数Gi的范围为0-1,若数值越接近1,说明该样本的数据越接近最优参考值,则该样本对应月份电网运营水平越高,反之,若数值越接近0,说明该样本的数据越远离最优参考值,则该样本对应月份电网运营水平越低。
实施例3:
本实施例与实施例2的区别在于:
本实施例选取的是结合该地区电网的不同规划方案进行仿真得到的各三级指标数据,通过所构建的电网运营综合评估模型,对该电网不同规划方案下的运营水平进行预评估。
Claims (4)
1.一种低碳电网运营综合评估方法,其特征在于:
所述综合评估方法依次包括以下步骤:
步骤A、收集电网N个月份的历史运营数据并构建样本集,其中,所述电网运营数据包括安全可靠性指标、经济性指标、灵活性指标、适应性指标数据,所述安全可靠性指标包括短路容量、N-1通过率、新能源有功恢复速度、强迫停运率、平均停电时间、平均停电频率、停电损失变化率、电量不足变化率、母线电压合格率、负荷节点电压合格率、节点电压偏移率、总谐波畸变率、频率合格率、母线电压稳定裕度变化率,所述经济性指标包括平均负载率、最大负载率、线路可利用系数、线损率、线损改善率、新能源弃电损失、全员劳动生产率、资产负债率、单位电网投资增售电量,所述灵活性指标包括新能源装机比例、新能源上网电量占比、新能源并网消纳能力、新能源弃电率、净负荷最大峰谷差占比、年最大负荷率、容载比、母线负载裕度、母线负载均衡度、线路容量裕度变化率,所述适应性指标数据包括电能终端消耗比例、电动汽车保有量、需求侧管理节点比率、跨区交易电量、智能变电站比例、电气化铁路供电公里数、用户满意度、CO2减排量、SO2减排量、标煤节约量;
步骤B、构建基于随机森林算法的电网运营主导影响因素挖掘模型,输入样本集数据,求得各指标所对应的袋外误差变化量,包括:
B1、采用自助重抽样方法,从样本集中有放回地抽取多个样本作为训练集,未抽中的样本作为袋外数据;
B2、循环重复步骤B1,形成Z个训练集,再对每个训练集构造一棵分类决策树,形成由Z棵分类决策树构成的随机森林,然后从各指标中随机选取a个指标,并从a个指标中依次选取基尼系数最小的指标进行节点***;
B3、通过随机森林中的每棵树对袋外数据进行分类,对于任一样本,统计每棵树对其的分类结果,将结果中数量最多的类别作为该样本的类别;
B4、先计算每棵分类决策树的袋外误差率Ei,并在各样本之间打乱第j个指标数据的顺序,统计发生变化后的袋外误差率Eij,Eij与Ei的差值即为第j个指标所对应的袋外误差变化量;
步骤C、先根据各指标的袋外误差变化量计算其对电网运营水平的影响程度,然后选取影响程度靠前的若干指标作为主导影响因素;
步骤D、以选取的主导影响因素作为电网运营评估指标,并通过主客观组合赋权方法计算各评估指标的组合权重,包括:
步骤D1、分别采用层次分析法、熵权法、标准差和平均差赋权法计算各评估指标的权重;
步骤D2、基于矩估计理论确定各评估指标的组合权重W:
W=[w1 w2 ... wj ... wm]
上式中,wj为第j个指标的组合权重,λ、μ分别为主观权重和客观权重在组合权重中的重要程度占比,m为电网运营评估指标的数量,wpj为第j个指标的主观权重,s1为主观赋权方法的种数,wqj为第j个指标采用第q-s1种客观赋权方法计算得到的客观权重,s为主、客观赋权方法的种数之和;
步骤E、先基于灰色关联分析法构建低碳电网运营综合评估模型,然后采用该模型对电网历史或未来运营水平进行评估,包括:
步骤E1、对于电网N个月份的历史运营数据或仿真得到的电网未来N个月份的运营数据进行以下标准化处理:
上式中,rij为标准化处理后第j个指标在第i个月份的数据,ωij为第j个指标在第i个月份的数据,分别为第j个指标在各月份数据中的最大值和最小值,m为电网运营评估指标的数量;
步骤E2、先确定各指标的最优值,再将这些最优值形成的序列作为参考序列,与标准化处理后的运营数据一起构建标准化决策矩阵R:
上式中,为第j个指标的最优值;
步骤E3、采用以下公式计算各月份样本中各指标与参考序列间的灰色关联系数eij:
上式中,ρ为分辨系数;
步骤E4、计算各月份样本与最优参考序列之间的灰色关联系数Gi,并根据灰色关联系数的大小对电网各月份的运营水平进行排序:
2.根据权利要求1所述的一种低碳电网运营综合评估方法,其特征在于:
所述步骤C中,各指标对电网运营水平的影响程度采用以下公式计算得到:
上式中,Inj为第j个指标对电网运营水平的影响程度,ΔEij为第i棵分类决策树中第j个指标的袋外误差变化率。
3.根据权利要求2所述的一种低碳电网运营综合评估方法,其特征在于:
所述步骤C中,在选取主导影响因素之前,将各指标对电网运营水平的影响程度进行如下归一化处理:
上式中,In′j为归一化后第j个指标对电网运营水平的影响程度,M为指标的数量。
4.根据权利要求1所述的一种低碳电网运营综合评估方法,其特征在于:
步骤B2中,所述基尼系数采用以下公式计算得到:
上式中,k为某节点下样本中包含的类别数,pi为类别i出现的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072474.7A CN112734274B (zh) | 2021-01-20 | 2021-01-20 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072474.7A CN112734274B (zh) | 2021-01-20 | 2021-01-20 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734274A CN112734274A (zh) | 2021-04-30 |
CN112734274B true CN112734274B (zh) | 2023-11-03 |
Family
ID=75592523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072474.7A Active CN112734274B (zh) | 2021-01-20 | 2021-01-20 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734274B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945852B (zh) * | 2021-10-20 | 2024-03-12 | 福州大学 | 一种蓄电池组不一致性评价方法 |
CN117236779B (zh) * | 2023-10-09 | 2024-06-28 | 速度科技股份有限公司 | 一种大型数据库的数据运输评估方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663515A (zh) * | 2012-03-23 | 2012-09-12 | 湖北省电力公司 | 一种特高压变电站落点的优选方法 |
CN103236023A (zh) * | 2013-03-25 | 2013-08-07 | 国家电网公司 | 一种交直流输电适用范围的获取方法 |
CN105354764A (zh) * | 2015-11-16 | 2016-02-24 | 国网天津市电力公司 | 一种评估电网检修方案的方法 |
CN106096765A (zh) * | 2016-06-06 | 2016-11-09 | 国家电网公司 | 分散式风电群输电规划方案的评价方法 |
CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
CN107742040A (zh) * | 2017-10-31 | 2018-02-27 | 广东电网有限责任公司惠州供电局 | 一种基于topsis和最优组合权重的输电线路综合风险评估方法 |
CN107782442A (zh) * | 2017-10-24 | 2018-03-09 | 华北电力大学(保定) | 基于大数据和随机森林的变压器多特征参量选择方法 |
WO2018121396A1 (zh) * | 2016-12-29 | 2018-07-05 | ***股份有限公司 | 商户价值评价方法 |
WO2018131174A1 (en) * | 2017-01-13 | 2018-07-19 | Nec Corporation | Microgrid power management system and method of managing |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN109117992A (zh) * | 2018-07-27 | 2019-01-01 | 华北电力大学 | 基于wd-la-wrf模型的超短期风功率预测方法 |
CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
WO2019205067A1 (en) * | 2018-04-27 | 2019-10-31 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining an arrhythmia type |
CN110502725A (zh) * | 2019-08-12 | 2019-11-26 | 华南农业大学 | 基于相关性分析与随机森林的耕地定级指标赋权方法 |
CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
CN111210363A (zh) * | 2020-01-17 | 2020-05-29 | 湖南大学 | 一种风电场无功电压控制能力综合评估方法 |
CN111292020A (zh) * | 2020-03-13 | 2020-06-16 | 贵州电网有限责任公司 | 一种基于随机森林的电网实时运行风险评估方法及*** |
CN111669375A (zh) * | 2020-05-26 | 2020-09-15 | 武汉大学 | 一种电力工控终端在线安全态势评估方法及*** |
CN111680452A (zh) * | 2020-05-29 | 2020-09-18 | 国网四川省电力公司经济技术研究院 | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
CN113240165A (zh) * | 2021-04-29 | 2021-08-10 | 国网能源研究院有限公司 | 一种电网企业经营投入的优化分配***及方法 |
-
2021
- 2021-01-20 CN CN202110072474.7A patent/CN112734274B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663515A (zh) * | 2012-03-23 | 2012-09-12 | 湖北省电力公司 | 一种特高压变电站落点的优选方法 |
CN103236023A (zh) * | 2013-03-25 | 2013-08-07 | 国家电网公司 | 一种交直流输电适用范围的获取方法 |
CN105354764A (zh) * | 2015-11-16 | 2016-02-24 | 国网天津市电力公司 | 一种评估电网检修方案的方法 |
CN106096765A (zh) * | 2016-06-06 | 2016-11-09 | 国家电网公司 | 分散式风电群输电规划方案的评价方法 |
CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
WO2018121396A1 (zh) * | 2016-12-29 | 2018-07-05 | ***股份有限公司 | 商户价值评价方法 |
WO2018131174A1 (en) * | 2017-01-13 | 2018-07-19 | Nec Corporation | Microgrid power management system and method of managing |
CN107782442A (zh) * | 2017-10-24 | 2018-03-09 | 华北电力大学(保定) | 基于大数据和随机森林的变压器多特征参量选择方法 |
CN107742040A (zh) * | 2017-10-31 | 2018-02-27 | 广东电网有限责任公司惠州供电局 | 一种基于topsis和最优组合权重的输电线路综合风险评估方法 |
WO2019205067A1 (en) * | 2018-04-27 | 2019-10-31 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining an arrhythmia type |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN109117992A (zh) * | 2018-07-27 | 2019-01-01 | 华北电力大学 | 基于wd-la-wrf模型的超短期风功率预测方法 |
CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
CN110502725A (zh) * | 2019-08-12 | 2019-11-26 | 华南农业大学 | 基于相关性分析与随机森林的耕地定级指标赋权方法 |
CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
CN111210363A (zh) * | 2020-01-17 | 2020-05-29 | 湖南大学 | 一种风电场无功电压控制能力综合评估方法 |
CN111292020A (zh) * | 2020-03-13 | 2020-06-16 | 贵州电网有限责任公司 | 一种基于随机森林的电网实时运行风险评估方法及*** |
CN111669375A (zh) * | 2020-05-26 | 2020-09-15 | 武汉大学 | 一种电力工控终端在线安全态势评估方法及*** |
CN111680452A (zh) * | 2020-05-29 | 2020-09-18 | 国网四川省电力公司经济技术研究院 | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN113240165A (zh) * | 2021-04-29 | 2021-08-10 | 国网能源研究院有限公司 | 一种电网企业经营投入的优化分配***及方法 |
Non-Patent Citations (7)
Title |
---|
Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting;Jianming Hu;Energy Conversion and Management;第173卷;197-209 * |
Short-term electricity price forecasting based on similarity day screening, two-layer decomposition technique and Bi-LSTM neural network;Keke Wang;Applied Soft Computing;第136卷;1-18 * |
低碳电网评价指标体系与方法;孙彦龙;《电力***自动化》;第38卷(第17期);157-162 * |
余肖生.《大数据处理》.武汉大学出版社,2020,129-130. * |
基于Spark SQL 的海量数据实时分类查询算法的研究;胡晶;黄河科技学院学报;第23卷(第5期);35-38 * |
电力数据融合:基本概念、抽象化结构、关键技术和应用场景;王红霞;供电网(第4期);24-32 * |
陶皖.《大数据导论》.西安电子科技大学出版社,2020,106-107. * |
Also Published As
Publication number | Publication date |
---|---|
CN112734274A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102385723B (zh) | 一种重要电力用户应急电源配置方法 | |
CN104951866B (zh) | 一种县级供电企业线损综合管理对标评价体系及评价方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN102609792B (zh) | 一种特高压交直流输电方式适用选择方法及其装置 | |
CN110689240A (zh) | 一种配电网经济运行模糊综合评价方法 | |
CN112734274B (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
CN108985602B (zh) | 一种计及风险的电网分类项目的投入产出评价方法及*** | |
CN111695718A (zh) | 一种考虑投资需求与规划目标的电网发展辅助决策方法 | |
CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
CN106600131A (zh) | 电网投资分析模型评价方法 | |
CN112785060A (zh) | 一种配电网精益化运维水平优化方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
CN113536205B (zh) | 低压台区用能优化潜力评价方法及用能优化台区筛选*** | |
Yang et al. | Optimal investment decision of distribution network with investment ability and project correlation constraints | |
CN117709638A (zh) | 一种送端大***可靠性提升措施优化方法和*** | |
CN111428938A (zh) | 一种基于功能差异与全寿命周期的输电网方案优选方法 | |
CN116029559B (zh) | 一种电力***基建项目组合方案决策方法 | |
Venkaiah et al. | Multi-objective JAYA algorithm based optimal location and sizing of distributed generation in a radial distribution system | |
CN112001551B (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
Li et al. | Construction and application of intelligent evaluation indicator system of line loss lean management based on knowledge graph | |
Gao et al. | Comprehensive Evaluation System for the Investment Benefits of Distribution Network Engineering Based on Analytic Hierarchy Process | |
CN111553525A (zh) | 一种考虑输配电价监管的电网投资策略优化方法 | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
Wu et al. | Application of an Ensemble Learning Method in the Risk Prediction of Electricity Tariff Recovery | |
Wang et al. | Static security risk assessment of power grid under planned maintenance |
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 |