CN114282746A - 一种配网形态支撑度指标评估方法 - Google Patents
一种配网形态支撑度指标评估方法 Download PDFInfo
- Publication number
- CN114282746A CN114282746A CN202111306374.2A CN202111306374A CN114282746A CN 114282746 A CN114282746 A CN 114282746A CN 202111306374 A CN202111306374 A CN 202111306374A CN 114282746 A CN114282746 A CN 114282746A
- Authority
- CN
- China
- Prior art keywords
- index
- distribution network
- evaluation
- data
- power
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配网形态支撑度指标评估方法。为了针对配电网高比例可再生能源就地消纳需求,构建一种面向可再生能源消纳的配网形态支撑度指标体系。本发明采用数字孪生技术建立智能配电网的数字化模型;***结合虚拟配电网指标和现实配电网指标综合建立配网形态支撑度指标评估体系;确定配网形态支撑度指标评估的指标权重,并根据设定的指标等级及其对应的指标权重进行配网形态支撑度指标评估,得到评估结果。优点是采用了数字孪生技术建立智能配电网的数字化模型,可以对原配电网进行预测,能提前分析出配电网的综合情况,使评估结果更加准确。
Description
技术领域
本发明涉及一种配电网评估技术领域,尤其涉及一种配网形态支撑度指标评估方法。
背景技术
随着能源危机与环境保护意识的日益提高,分布式电源快速发展,规模化接入配电网趋势明显。具有间歇性和波动性等典型特点的分布式电源可能会对配电网的安全经济运行带来一定负面影响,如分布式电源出力难以就地消纳、节点电压越限、潮流分布改变、***网损增加等。加之电动汽车、电采暖等再电气化设备接入配电网,导致配电网峰谷差增大,调峰及备用需求增加。
未来随着以新能源为主体的新型电力***的加快建设,清洁能源占比持续提升,分布式电源大规模发展带来的电网接入能力不足、分布式电源间歇性和波动性带来的电网安全稳定性问题以及海量灵活资源接入后源网荷储协调控制复杂等问题将更加突出,对于配电网高比例可再生能源的消纳需求不能充分分析。所以,有必要构建一套分析评价体系,以对配电网的综合性能和整体发展水平作出合理评估。
例如,一种在中国专利文献上公开的“一种一流城市配电网灵活适应性评价指标计算方法”,其公告号CN110826854A,公开日为2020年2月21日,包括:建立一流城市配电网灵活适应性评价指标体系,指标体系包括配电网侧灵活适应性指标、负荷侧灵活适应性指标、面向新能源发电的灵活适应性指标;对各类指标进行计算,该发明面向配网侧、负荷侧和新能源发电,***地提出了一流城市配电网的灵活适应性评价指标计算方法,通过修正的IEEE33节点算例***进行了验证,计算不同场景(配网侧、负荷侧和新能源发电维度)设定下的部分指标值,定量评估该配电网的灵活适应性,充分证明了本发明方法的有效性,为当前一流城市配电网的推广建设提供一定的参考价值。该发明对配电网的配网侧、负荷侧和新能源发电这些方面提出了一种灵活适应性评价指标计算方,但是该方法并不能解决分布式电源间歇性和波动性问题,对于配电网高比例可再生能源的消纳需求不能充分分析。
发明内容
本发明主要针对配电网高比例可再生能源就地消纳需求,构建一种面向可再生能源消纳的配网形态支撑度指标体系;提供一种配网形态支撑度指标评估方法,设计一种未来配网结构形态综合评价方法,实现未来配网可能结构的多维度量化评价,助推构建以新能源为主体的新型配电网。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
本发明包括以下步骤:
S1:实时获取分布式配电网的各项数据;
S2:基于实时数据信息和历史数据信息,通过数字孪生技术建立智能配电网的数字化模型;
S3:虚拟服务器基于智能配电网的数字化模型的预测确定初步方案;
S4:虚拟配电网根据初步方案进行运行操作;
S5:根据虚拟配电网的指标和原配电网的指标进行分析,综合建立配网形态支撑度指标评估体系;
S6:确定配网形态支撑度指标评估的指标权重,并根据设定的指标等级及其对应的指标权重进行配网形态支撑度指标评估,得到评估结果。
采用此方案可以通过智能配电网的数字化模型得到配电网数据的预测指标,再结合实际的指标可以全方位的评估配电网,通过该方案也可以了解分布式电源间歇性和波动性的情况,可以了解到可再生能源的利用率。
作为优选,所述的步骤S1中,获取配电网负荷数据、设备运行状态数据、用电侧耗电数据和发电数据,并建立实时数据库和历史数据库,
所述配电网负荷数据,包括供需平衡数据、净负荷波动率数据、支路负荷裕度数据和支路负荷均衡度数据;
所述设备运行状态数据,包括变压器数据、高压柜数据、低压柜数据、母线桥数据、直流屏数据、模拟屏数据和高压电缆数据;
所述用电侧耗电数据,包括区域用电量数据、企业用电量数据、配电网的平均停电频率数据和平均停电持续时间数据;
所述发电数据,包括可再生能源利用率数据、可再生能源渗透率数据、可再生能源发电功率波动率数据。
采用此方案可以更好的存储数据、保护数据。
作为优选,所述的步骤S2中,根据实时数据库和历史数据库建立的智能配电网的数字化模型中的配电网与现实配电网保持1:1的比例。采用此方案可以让智能配电网的数字化模型的预测更好的符合实际,更加令人信服。
作为优选,所述的步骤S5中,所述的智能配电网的数字化模型的虚拟配电网指标和所述的原配电网的指标均包括包括负荷指标、设备运行状态指标、发电指标以及耗电指标;
所述负荷指标,包括供需平衡、净负荷波动率、支路负荷裕度和支路负荷均衡度;
所述设备运行状态指标,包括变压器缺陷等级、高压柜缺陷等级、低压柜缺陷等级、母线桥缺陷等级、直流屏缺陷等级、模拟屏缺陷等级和高压电缆缺陷等级;
所述耗电指标,包括区域用电量、企业用电量、配电网的平均停电频率和平均停电持续时间;
所述发电指标,包括可再生能源利用率、可再生能源渗透率、可再生能源发电功率波动率。
这是指标都是关键性指标,对于配网形态支撑度指标评估体系是很重要的。
作为优选,所述步骤S6中,具体包括以下步骤:
S61:确定配网形态支撑度指标评估的原配电网指标主观权重;
S62:基于原配电网指标主观权重,采用熵权法确定配网形态支撑度指标评估的虚拟配电网指标客观权重;
S63:将步骤S61中得到的原配电网指标主观权重和步骤S62中得到的虚拟配电网指标客观权重进行加权计算,得到指标综合权重;
S64:根据设定的指标等级及其对应的指标综合权重采用模糊评价方法进行配网形态支撑度指标评估,得到评估结果。
采用此方案可以完善配网形态支撑度指标评估体系,使得配网形态支撑度指标评估体系更加科学。
作为优选,所述步骤S61中确定配网形态支撑度指标评估的原配电网指标主观权重,具体包括以下步骤:
S611:针对配网形态支撑度指标评估体系的各部分,通过每两个评估指标之间的互相比较确定相对重要程度,构造判断矩阵A=(bij)n×n;其中:bij为评估指标i相对评估指标j的重要程度系数,i=1,2,3,…,n,j=1,2,3,…,n;n为判断矩阵A的阶数,与评估指标数量相等;
S612:依次对判断矩阵A的列、行进行归一化处理,得到初始的原配电网指标主观权重xi,计算公式为:
S613:计算判断矩阵A的最大特征根λmax,计算公式为:
进而对判断矩阵A进行一致性验证,计算公式为:
其中:RI为平均随机一致性指标,Ci为衡量不一致程度的数量指标,Cr为一致性指标;
对Cr<0.1进行判断,若满足,则通过一致性验证;若不满足,则返回步骤611调整判断矩阵A,直到满足一致性要求为止,得到最终的原配电网指标主观权重xi。
采用此方案可得到准确的观权重。
作为优选,步骤S62中所述基于原配电网指标客观权重,采用熵权法确定配网形态支撑度指标评估的虚拟配电网指标客观权重,具体包括以下步骤:
S621:构造评价矩阵X=(xij)n×m;其中:n为评估指标的个数;m为评估评估次数;xij为第j次评估对第i个评估指标的评价值,i=1,2,3,…,n,j=1,2,3,…,m;
S622:对评价矩阵X=(xij)n×m依次进行标准化和归一化处理,评价矩阵标准化后为P=(pij)n×n,计算各评估次数给出评估指标的原配电网指标主观权重的熵值,并计算熵权得到虚拟配电网指标客观权重,计算公式为:
其中:max(xj)、min(xj)分别为按行筛选所得的最大值和最小值;yij为第j次评估对第i个评估指标的原配电网指标主观权重;pij为第j次评估对第i个评估指标的原配电网指标主观权重的比重;Ej为第j次评估的熵值;cj为第j次评估的熵权,为虚拟指标客观权重。
作为优选,步骤S63中所述指标组合权重的计算公式为:
Wi=μxij+(1-μ)cj,i=1~n,
作为优选,步骤S64中所述设定的指标等级分为较好、中等和较差,所述模糊评价方法采用的隶属度函数模型包括极小型指标、极大型指标和中间型指标的隶属函数模型;所述极小型指标的值越小与所述较好的等级指标越接近,所述极大型指标的值越大与所述较好的等级指标越接近,所述中间型指标的值位于某个区间内与所述较好的等级指标越接近;所述评估结果的计算公式为:F(x)=f1(x)F1+f2(x)F2+f3(x)F3;
其中:F(x)为指标综合评分,f1、f2、f3分别为指标在所述隶属度函数模型中较好、中等、较差的隶属度,F1、F2、F3分别为较好、中等、较差对应的分数,分别取为100、50、0。
采用此方案可以使得评估结果更加的准确。
本发明的有益效果是:
1.采用了数字孪生技术建立智能配电网的数字化模型,可以对原配电网进行预测,能提前分析出配电网的综合情况,使评估结果更加准确;
2.兼顾虚拟配电网和原配电网,使得配网形态支撑度指标评估体系更加全面、综合、有效;
3.对于配电网高比例可再生能源就地消纳需求,提供一个科学的参考。
附图说明
图1是本发明的流程框图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的一种配网形态支撑度指标评估方法,如图1所示,包括以下步骤:
S1:实时获取分布式配电网的各项数据,建立实时数据库和历史数据库;
获取配电网负荷数据、设备运行状态数据、用电侧耗电数据和发电数据,并建立实时数据库和历史数据库,
配电网负荷数据,包括供需平衡数据、净负荷波动率数据、支路负荷裕度数据和支路负荷均衡度数据;
设备运行状态数据,包括变压器数据、高压柜数据、低压柜数据、母线桥数据、直流屏数据、模拟屏数据和高压电缆数据;
用电侧耗电数据,包括区域用电量数据、企业用电量数据、配电网的平均停电频率数据和平均停电持续时间数据;
发电数据,包括可再生能源利用率数据、可再生能源渗透率数据、可再生能源发电功率波动率数据。
S2:基于实时数据信息和历史数据信息,通过数字孪生技术建立智能配电网的数字化模型,根据实时数据库和历史数据库建立的智能配电网的数字化模型中的配电网与现实配电网保持1:1的比例;
S3:虚拟服务器基于智能配电网的数字化模型的预测确定初步方案,初步方案是考虑分布式电源出力与负荷之间的关系,通过控制可控负荷、储能***以保证供电的可靠性,其实现是结合预测的结果,当分布式电源出力大于负荷需求电量时,多余电量可以对蓄电池进行充电,考虑其上限和使用寿命,由可控负荷组成的虚拟储能***可以吸纳多余电能,当分布式电源出力不足以提供负荷用电时,当蓄电池的电量不低于下限可以使蓄电池放电,同时虚拟储能***在不影响正常使用的条件下可以减少电能消耗,使关键负荷供电得到保障,还可控制不可再生能源发电机的发电保证电能的可靠供给。
S4:虚拟配电网根据初步方案进行运行操作;
S5:根据虚拟配电网的指标和原配电网的指标进行分析,综合建立配网形态支撑度指标评估体系;
智能配电网的数字化模型的虚拟配电网指标和原配电网的指标均包括负荷指标、设备运行状态指标、发电指标以及耗电指标;
负荷指标,包括供需平衡、净负荷波动率、支路负荷裕度和支路负荷均衡度;
设备运行状态指标,包括变压器缺陷等级、高压柜缺陷等级、低压柜缺陷等级、母线桥缺陷等级、直流屏缺陷等级、模拟屏缺陷等级和高压电缆缺陷等级;
耗电指标,包括区域用电量、企业用电量、配电网的平均停电频率和平均停电持续时间;
所述发电指标,包括可再生能源利用率、可再生能源渗透率、可再生能源发电功率波动率。
S6:确定配网形态支撑度指标评估的指标权重,并根据设定的指标等级及其对应的指标权重进行配网形态支撑度指标评估,得到评估结果,
具体包括以下步骤:
S61:确定配网形态支撑度指标评估的原配电网指标主观权重,具体包括以下步骤:
S611:针对配网形态支撑度指标评估体系的各层,通过每两个评估指标之间的互相比较确定相对重要程度,构造判断矩阵A=(bij)n×n;其中:bij为评估指标i相对评估指标j的重要程度系数,i=1,2,3,…,n,j=1,2,3,…,n;n为判断矩阵A的阶数,与评估指标数量相等;
S612:依次对判断矩阵A的列、行进行归一化处理,得到初始的原配电网指标主观权重xi,计算公式为:
S613:计算判断矩阵A的最大特征根λmax,计算公式为:
进而对判断矩阵A进行一致性验证,计算公式为:
其中:RI为平均随机一致性指标,Ci为衡量不一致程度的数量指标,Cr为一致性指标;
对Cr<0.1进行判断,若满足,则通过一致性验证;若不满足,则返回步骤611调整判断矩阵A,直到满足一致性要求为止,得到最终的原配电网指标主观权重xi。
S62:基于原配电网指标主观权重,采用熵权法确定配网形态支撑度指标评估的虚拟配电网指标客观权重,具体包括以下步骤:
S621:构造评价矩阵X=(xij)n×m;其中:n为评估指标的个数;m为评估评估次数;xij为第j次评估对第i个评估指标的评价值,i=1,2,3,…,n,j=1,2,3,…,m;
S622:对评价矩阵X=(xij)n×m依次进行标准化和归一化处理,评价矩阵标准化后为P=(pij)n×n,计算各评估次数给出评估指标的原配电网指标主观权重的熵值,并计算熵权得到虚拟配电网指标客观权重,计算公式为:
其中:max(xj)、min(xj)分别为按行筛选所得的最大值和最小值;yij为第j次评估对第i个评估指标的原配电网指标主观权重;pij为第j次评估对第i个评估指标的原配电网指标主观权重的比重;Ej为第j次评估的熵值;cj为第j次评估的熵权,为虚拟指标客观权重。
S63:将步骤S61中得到的原配电网指标主观权重和步骤S62中得到的虚拟配电网指标客观权重进行加权计算,得到指标综合权重,指标组合权重的计算公式为:
S631:建立最优化模型;
S632:确定系数μ;
最优化模型在可行域Ω中存在唯一解为:
Wi=μxij+(1-μ)cj,i=1,2,…,n 0<Wi<1
运用优化权重组合理论,将主客观权重按照上式进行优化,解得μ=0.382,则上式可变为:
Wi=0.382×xij+(1-0.382)×cj,i=1,2,…,n;j=1,2,…,m
S64:根据设定的指标等级及其对应的指标综合权重采用模糊评价方法进行配网形态支撑度指标评估,得到评估结果,设定的指标等级分为较好、中等和较差,所述模糊评价方法采用的隶属度函数模型包括极小型指标、极大型指标和中间型指标的隶属函数模型;所述极小型指标的值越小与所述较好的等级指标越接近,所述极大型指标的值越大与所述较好的等级指标越接近,所述中间型指标的值位于某个区间内与所述较好的等级指标越接近;所述评估结果的计算公式为:F(x)=f1(x)F1+f2(x)F2+f3(x)F3;
其中:F(x)为指标综合评分,f1、f2、f3分别为指标在所述隶属度函数模型中较好、中等、较差的隶属度,F1、F2、F3分别为较好、中等、较差对应的分数,分别取为100、50、0,具体步骤如下:
a)建立因素层指标隶属函数模型。即在智能配电网中,获得指标实际运行数据后,根据经验确定每个指标对应的隶属函数模型,主要分为三种预设隶属函数模型:
第一种是适用于极小型指标,即指标值越小与模糊语言“较好”越接近,其中横坐标为指标具体数值,纵坐标为指标属于较好f1、中等f2、较差f3的隶属度,其隶属函数式如下:
第二种是适用于极大型指标,即指标值越大与模糊语言“较好”越接近,其中横坐标为指标具体数值,纵坐标为指标属于较好f1、中等f2、较差f3的隶属度,其隶属函数式如下:
第三种是适用于中间型指标,即指标值位于某个区间内时与模糊语言“较好”越接近,其中横坐标为指标具体数值,纵坐标为指标属于较好f1、中等f2、较差f3的隶属度,其隶属函数式如下:
b)计算因素层指标综合评分,得到评估结果;
根据指标的基础数据计算指标具体值,并根据其隶属函数模型确定其隶属度f1、f2、f3,采用下式对指标的综合评分进行计算:
F(x)=f1(x)F1+f2(x)F2+f3(x)F3;
其中:F(x)为指标综合评分,f1、f2、f3分别为指标在所述隶属度函数模型中较好、中等、较差的隶属度,F1、F2、F3分别为较好、中等、较差对应的分数,分别取为100、50、0。
上述过程为根据确定的因素层指标组合权重和确定的各因素评分,计算准则层中各指标的综合评分;同样的,根据确定的准则层指标组合权重和计算的准则层指标评分计算目标层的综合评分。
在实际操作时,配电网服务器实时采集配电网的各项数据指标,并将数据指标存储于实时数据库中,然后根据实时数据信息和历史数据信息,通过数字孪生技术建立智能配电网的数字化模型,智能配电网的数字化模型中的虚拟服务器和配电网设备都是1:1还原显示配电网的。智能配电网的数字化模型的虚拟服务器对虚拟配电网的未来一段时间进行预测,定下初步方案,虚拟配电网对初步方案进行执行。虚拟服务器会记录并存储指标数据的变化,现实服务器也会进行同样处理,将虚拟配电网的指标和原配电网的指标综合分析,最终就可以建立配网形态支撑度指标评估体系,接下来就是确定配网形态支撑度指标评估的指标权重。
其中:
1.可再生能源利用率:指可再生能源每天可发电总量与实际发电量之比,反映了可再生能源发电的利用情况以及是否出现严重的弃风光现象;
2.可再生能源渗透率:指可再生能源的发电量与总的发电量之比,具有时间性特征,以天为单位,反映了配电网每天可再生能源发电占比;
3.可再生能源发电功率波动率:指所有可再生能源发电实时出力的波动率;
4.净负荷波动率:指虚拟电厂单位时间内净负荷的变化率,反映了净负荷波动的剧烈程度;
5.支路负荷裕度:指各支路的负载情况;
式中:Ik、Ink分别为第k条线路的实际电流和额定电流;l为配电网***支路数;
6.支路负荷均衡度:指各支路负荷的均匀程度;
式中:Lk为第k条支路的负荷率;为所有支路的平均负荷率。
本实施例采用了数字孪生技术建立智能配电网的数字化模型,可以对现实配电网进行预测,能提前分析出配电网的综合性能状况;兼顾虚拟配电网和原配电网,使得配网形态支撑度指标评估体系更加全面、综合、有效;对于配电网高比例可再生能源就地消纳需求,提供一个科学的参考。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (9)
1.一种配网形态支撑度指标评估方法,其特征在于,包括以下步骤:
S1:实时获取分布式配电网的相关数据;
S2:基于实时数据信息和历史数据信息,通过数字孪生技术建立智能配电网的数字化模型;
S3:虚拟服务器基于智能配电网的数字化模型的预测确定初步方案;
S4:虚拟配电网根据初步方案进行运行操作;
S5:根据虚拟配电网的指标和原配电网的指标进行分析,综合建立配网形态支撑度指标评估体系;
S6:确定配网形态支撑度指标评估的指标权重,并根据设定的指标等级及其对应的指标权重进行配网形态支撑度指标评估,得到评估结果。
2.根据权利要求1所述的一种配网形态支撑度指标评估方法,其特征在于,所述的步骤S1中,获取配电网负荷数据、设备运行状态数据、用电侧耗电数据和发电数据,并建立实时数据库和历史数据库,
所述配电网负荷数据,包括供需平衡数据、净负荷波动率数据、支路负荷裕度数据和支路负荷均衡度数据;
所述设备运行状态数据,包括变压器数据、高压柜数据、低压柜数据、母线桥数据、直流屏数据、模拟屏数据和高压电缆数据;
所述用电侧耗电数据,包括区域用电量数据、企业用电量数据、配电网的平均停电频率数据和平均停电持续时间数据;
所述发电数据,包括可再生能源利用率数据、可再生能源渗透率数据、可再生能源发电功率波动率数据。
3.根据权利要求1或2所述的一种配网形态支撑度指标评估方法,其特征在于,所述的步骤S2中,根据实时数据库和历史数据库建立的智能配电网的数字化模型中的配电网与现实配电网保持1:1的比例。
4.根据权利要求1或2所述的一种配网形态支撑度指标评估方法,其特征在于,所述的步骤S5中,所述的智能配电网的数字化模型的虚拟配电网指标和所述的原配电网的指标均包括负荷指标、设备运行状态指标、发电指标以及耗电指标;
所述负荷指标,包括供需平衡、净负荷波动率、支路负荷裕度和支路负荷均衡度;
所述设备运行状态指标,包括变压器缺陷等级、高压柜缺陷等级、低压柜缺陷等级、母线桥缺陷等级、直流屏缺陷等级、模拟屏缺陷等级和高压电缆缺陷等级;
所述耗电指标,包括区域用电量、企业用电量、配电网的平均停电频率和平均停电持续时间;
所述发电指标,包括可再生能源利用率、可再生能源渗透率、可再生能源发电功率波动率。
5.根据权利要求1所述的一种配网形态支撑度指标评估方法,其特征在于,所述步骤S6中,具体包括以下步骤:
S61:确定配网形态支撑度指标评估的原配电网指标主观权重;
S62:基于原配电网指标主观权重,采用熵权法确定配网形态支撑度指标评估的虚拟配电网指标客观权重;
S63:将步骤S61中得到的原配电网指标主观权重和步骤S62中得到的虚拟配电网指标客观权重进行加权计算,得到指标综合权重;
S64:根据设定的指标等级及其对应的指标综合权重采用模糊评价方法进行配网形态支撑度指标评估,得到评估结果。
6.根据权利要求5所述的一种配网形态支撑度指标评估方法,其特征在于,所述步骤S61中确定配网形态支撑度指标评估的原配电网指标主观权重,具体包括以下步骤:
S611:针对配网形态支撑度指标评估体系的各部分,通过每两个评估指标之间的互相比较确定相对重要程度,构造判断矩阵A=(bij)n×n;其中:bij为评估指标i相对评估指标j的重要程度系数,i=1,2,3,…,n,j=1,2,3,…,n;n为判断矩阵A的阶数,与评估指标数量相等;
S612:依次对判断矩阵A的列、行进行归一化处理,得到初始的原配电网指标主观权重xi,计算公式为:
S613:计算判断矩阵A的最大特征根λmax,计算公式为:
进而对判断矩阵A进行一致性验证,计算公式为:
其中:RI为平均随机一致性指标,Ci为衡量不一致程度的数量指标,Cr为一致性指标;
对Cr<0.1进行判断,若满足,则通过一致性验证;若不满足,则返回步骤611调整判断矩阵A,直到满足一致性要求为止,得到最终的原配电网指标主观权重xi。
7.根据权利要求5所述的一种配网形态支撑度指标评估方法,其特征在于,所述的步骤S62中基于原配电网指标客观权重,采用熵权法确定配网形态支撑度指标评估的虚拟配电网指标客观权重,具体包括以下步骤:
S621:构造评价矩阵X=(xij)n×m;其中:n为评估指标的个数;m为评估评估次数;xij为第j次评估对第i个评估指标的评价值,i=1,2,3,…,n,j=1,2,3,…,m;
S622:对评价矩阵X=(xij)n×m依次进行标准化和归一化处理,评价矩阵标准化后为P=(pij)n×n,计算各评估次数给出评估指标的原配电网指标主观权重的熵值,并计算熵权得到虚拟配电网指标客观权重,计算公式为:
其中:max(xj)、min(xj)分别为按行筛选所得的最大值和最小值;yij为第j次评估对第i个评估指标的原配电网指标主观权重;pij为第j次评估对第i个评估指标的原配电网指标主观权重的比重;Ej为第j次评估的熵值;cj为第j次评估的熵权,为虚拟指标客观权重。
9.根据权利要求5所述的一种配网形态支撑度指标评估方法,其特征在于,所述的步骤S64中设定的指标等级分为较好、中等和较差,所述模糊评价方法采用的隶属度函数模型包括极小型指标、极大型指标和中间型指标的隶属函数模型;所述极小型指标的值越小与所述较好的等级指标越接近,所述极大型指标的值越大与所述较好的等级指标越接近,所述中间型指标的值位于某个区间内与所述较好的等级指标越接近;所述评估结果的计算公式为:F(x)=f1(x)F1+f2(x)F2+f3(x)F3;
其中:F(x)为指标综合评分,f1、f2、f3分别为指标在所述隶属度函数模型中较好、中等、较差的隶属度,F1、F2、F3分别为较好、中等、较差对应的分数,分别取为100、50、0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306374.2A CN114282746A (zh) | 2021-11-05 | 2021-11-05 | 一种配网形态支撑度指标评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306374.2A CN114282746A (zh) | 2021-11-05 | 2021-11-05 | 一种配网形态支撑度指标评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282746A true CN114282746A (zh) | 2022-04-05 |
Family
ID=80868793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306374.2A Pending CN114282746A (zh) | 2021-11-05 | 2021-11-05 | 一种配网形态支撑度指标评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117374946A (zh) * | 2023-10-16 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种基于消纳能力评估的配电网调度管理方法及*** |
-
2021
- 2021-11-05 CN CN202111306374.2A patent/CN114282746A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117374946A (zh) * | 2023-10-16 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种基于消纳能力评估的配电网调度管理方法及*** |
CN117374946B (zh) * | 2023-10-16 | 2024-06-11 | 国网江苏省电力有限公司南通供电分公司 | 一种基于消纳能力评估的配电网调度管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269371A (zh) | 一种智能配电网供电综合性能评估方法及*** | |
CN106505593A (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
CN113258561A (zh) | 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法 | |
CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
CN114282746A (zh) | 一种配网形态支撑度指标评估方法 | |
CN117400771A (zh) | 一种基于电动汽车的充电桩充电控制方法 | |
CN117353276A (zh) | 一种分布式能源协同控制方法及*** | |
Zhang et al. | Data-driven risk assessment early-warning model for power system transmission congestions | |
CN115313422B (zh) | 主动支撑主网频率的电-气综合能源***运行控制方法 | |
CN111652759A (zh) | 弹性负荷快速响应与调节示范工程的综合评价方法及装置 | |
CN110929968A (zh) | 一种智慧城市多能源联合供给综合调控方法及*** | |
CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
CN113191590A (zh) | 一种面向电网调控的负荷能力评价方法及装置 | |
CN113609768A (zh) | 基于双向lstm网络的台区线损率计算方法 | |
CN113011779A (zh) | 一种基于模糊综合评价的能源消费价格补偿方法及装置 | |
CN113516269A (zh) | 一种多能互补能源枢纽设备的管理方法 | |
CN116596279B (zh) | 一种智慧园区能源消耗调度*** | |
Zhou et al. | Regional operation and maintenance outage planning optimization model considering time sequence optimization | |
Mohamed et al. | Smart operation for AC distribution infrastructure involving hybrid renewable energy sources | |
CN112700069B (zh) | 一种含储能的区域配电网短期负荷预测方法 | |
CN118353042A (zh) | 一种光储充***的充放电调控方法及存储介质 | |
Liu | Research on the Application of Artificial Intelligence Technology in Power System Intelligent Dispatching Automation | |
Lin et al. | Application of generative adversarial network-based optimization approach to energy storage allocation in power systems |
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 |