一种基于优化反熵权法的电力系统发展评价方法及系统与流程

本发明属于电力系统，具体涉及一种基于优化反熵权法的电力系统发展评价方法及系统。

背景技术：

1、新型电力系统作为重要载体已经步入快速发展阶段，目前，传统的新型电力系统发展评价方法主要基于“源-网-荷”、“发-供-用”等传统电力系统要素及生产环节，不适应电力系统新形态、电力消费新生态、电源发展新业态。需要适应性完善评价方法，全面、准确、客观、真实地反映新型电力系统建设进程，认识其发展规律，促进新型电力系统建设水平进一步提升。

2、当前新型电力系统的指标体系大多基于新型电力系统五大特征，公开号为cn116070970a的专利，从五大特征的角度出发，建立了新型电力系统的建设评价指标体系，但是仍然存在指标覆盖不够系统全面的问题，难以从系统性、发展性、经济性等角度对新型电力系统建设情况进行综合统计监测。此外，还存在着新型电力系统发展评价方法不够科学、合理、客观的问题。

3、本技术发明人在实施本发明的过程中，发现目前的新型电力系统发展评价方法存在着以下挑战：

4、1)评价的单一性。传统的电力系统发展评价方法往往只考虑了部分发电、输配电方面的指标或特定生产运营环节的评价，在诸如环境影响或智能化发展程度方面的考虑则略显不足，无法全面反映电力系统的综合发展情况。而由于新型电力系统是一个复杂的系统，评价方法应该涵盖更多的方面，如可靠性、效率、环境友好性、智能化发展程度等，以更好地满足新型电力系统的发展需求和社会的可持续发展目标。

5、2)评价的主观性。传统的电力系统发展评价方法往往依赖于专家主观意见或经验，专家根据个人认知和经验对各项指标进行打分和权重赋值。评价结果可能受到个人主观偏好的影响，缺乏客观性和一致性，并且在不同专家之间也可能存在着评价差异。因此需要更加科学和客观的新型电力系统发展评价方法，从而尽可能减少主观因素的干扰。

6、3)评价指标数据的缺乏和不完善。新型电力系统发展状况评价往往需要大量的数据支撑，其中包括新型电力系统中绿色、供电、经济、安全、智能五方面相关数据。传统的电力系统发展评价往往只包括供电、经济、安全三方面的相关数据，无法全面的反应新型电力系统的发展情况。

7、4)缺乏标准化和一致性。在传统电力系统发展评价领域中，目前存在着多种不同的发展评价方法和标准，不同的评价方法可能采用不同的评价指标、评价方法和权重赋值方式，导致评价结果不一致且可比性较差。缺乏统一标准使得不同评价结果之间难以进行比较和综合分析。因此需要制定统一的评价标准和指标体系，明确评价方法的基本原理和评价指标的定义与计算方法。建立标准化的评价体系，确保不同评价结果具有可比性和一致性。

8、5)缺乏对新技术和新趋势的考虑。传统电力系统评价方法往往建立在传统的能源供应模式和技术基础上，忽视了新兴技术的发展和应用。此外电力系统领域中还存在着不断变化的新趋势，如能源转型、碳排放减少、电力市场改革等。传统评价方法常常无法及时反映这些新趋势的影响，难以准确评估电力系统在新趋势下的综合表现。因此新型电力系统发展评价方法需要及时更新和改进，以适应新技术和新趋势的快速发展。

技术实现思路

1、有鉴于此，本发明提供的一种基于优化反熵权法的电力系统发展评价方法及系统，用以解决或者至少部分解决现有的新型电力系统发展评价难点。

2、基于上述技术问题，本发明采用如下技术方案：

3、一种基于优化反熵权法的电力系统发展评价方法，包括：

4、步骤s1：构建以绿色、供电、经济、安全、智能五大一级指标的新型电力系统评价指标体系；

5、步骤s2：收集各地区新型电力系统二级评价指标相关数据，并归一化处理；

6、步骤s3：通过反熵权法计算二级评价指标的客观权重，建立基准评价模型；

7、步骤s4：将收集到数据输入基准评价模型，得到各地区初步发展评价结果；

8、步骤s5：通过机器学习方法优化基准模型，得到优化评价模型；

9、步骤s6：将各地区二级评价指标数据输入优化评价模型，计算得到各地区新的新型电力系统发展评价结果；

10、步骤s7：横向对比各地区新型电力系统发展评价结果，优化评分薄弱子项。

11、进一步地，所述新型电力系统评价指标体系一级评价指标中的绿色指标包括多个二级评价指标，分别为：清洁能源装机容量占比、清洁能源开发率、线损碳排量、电能替代负荷占比、电能占终端能源消费比重、单位gdp电耗；

12、所述清洁能源装机容量占比为新型电力系统中清洁能源所占的比例；

13、所述清洁能源开发率为新型电力系统在能源领域中清洁能源的开发和利用程度；

14、所述线损碳排量为新型电力系统中由电力输电和配电过程中的电能损耗所导致的二氧化碳排放量；

15、所述电能替代负荷占比为新型电力系统中电能替代电量与全社会用电量的比值；

16、所述电能占终端能源消费比重为新型电力系统中电能消费总量与能源消费总量的比值；

17、所述单位gdp电耗为新型电力系统中全社会用电量与gdp总量的比值；

18、所述新型电力系统评价指标体系一级评价指标中的供电指标包括多个二级评价指标，分别为：供电可靠率、平均缺电小时、综合电压合格率、频率合格率、35千伏及以上主变平均负载率、35千伏及以上线路平均负载率；

19、所述供电可靠率为1减去新型电力系统中用户平均停电时间与统计期间时间的比值；

20、所述平均缺电小时为新型电力系统中不能满足负荷需求小时数的平均值；

21、所述综合电压合格率为新型电力系统中a类供电电压合格率乘以系数0.5加上b类、c类、d类供电电压合格率的平均值乘以系数0.5；

22、所述频率合格率为新型电力系统中供电频率合格小时数与统计期间小时数的比值；

23、所述35千伏及以上主变平均负载率为新型电力系统中35千伏及以上主变年最大负载率平均值；

24、所述35千伏及以上线路平均负载率为新型电力系统中35千伏及以上线路年最大负载率平均值；

25、所述新型电力系统评价指标体系一级评价指标中的安全指标包括多个二级评价指标，分别为：220千伏及以上主变n-1通过率、220千伏及以上线路n-1通过率、主要断面n-2通过率、发电机组计划停运系数、发电机组非计划停运系数、新能源多场站短路比；

26、所述220千伏及以上主变n-1通过率为新型电力系统中220千伏及以上主变满足n-1安全准则的台数之和与220千伏及以上主变台数总和的比值；

27、所述220千伏及以上线路n-1通过率为新型电力系统中220千伏及以上线路满足n-1安全准则的条数之和与220千伏及以上线路条数总和的比值；

28、所述主要断面n-2通过率为新型电力系统中满足n-2安全准则的主要断面数量之和与主要断面总数的比值；

29、所述发电机组计划停运系数为新型电力系统中发电机组计划停运小时数与统计期间小时数的比值；

30、所述发电机组非计划停运系数为新型电力系统中发电机组非计划停运小时数与统计期间小时数的比值；

31、所述新能源多场站短路比为新型电力系统中多个新能源场站并联后的总短路电流与总额定电流的比值；

32、所述新型电力系统评价指标体系一级评价指标中的经济指标包括多个二级评价指标，分别为：市场供需比、市场化电量占比、市场主体数量增长率、竞价机组占比、代理用户数量、电网代理购电电量占比；

33、所述市场供需比为新型电力系统中电力市场总需求与电力市场电量总供给的比值；

34、所述市场化电量占比为新型电力系统中直接交易电量与间接交易电量之和与全社会总用电量的比值；

35、所述市场主体数量增长率为新型电力系统中当年市场主体增长率与去年市场主体数量之差与过去市场主体数量的比值；

36、所述竞价机组占比为新型电力系统中以竞价方式参与市场交易的发电机组容量与总发电机组容量的比值；

37、所述代理用户数量为新型电力系统中统计区域内电网代理购电的用户总数量；

38、所述电网代理购电电量占比为新型电力系统中电网代理购电电量与全社会总用电量的比值；

39、所述新型电力系统评价指标体系一级评价指标中的智能指标包括多个二级指标，分别为：新能源发电出力功率预测准确率、新能源云平台接入率、智能巡检覆盖率、电网负荷智能化预测准确率、碳计量终端安装率、hplc电表覆盖率；

40、所述新能源发电出力功率预测准确率为新型电力系统中新能源预测出力与实际出力的比值；

41、所述新能源云平台接入率为新型电力系统中接入新能源云平台场站数与新能源场站总数的比值；

42、所述智能巡检覆盖率为新型电力系统中智能巡检线路长度与线路总长度的比值；

43、所述电网负荷智能化预测准确率为新型电力系统中电网负荷预测出力与电网实际负荷的比值；

44、所述碳计量终端安装率为新型电力系统中安装碳计量终端的工商用户数与工商用户总数的比值；

45、所述hplc电表覆盖率为新型电力系统中hplc电表安装数与智能电表数量的比值。

46、进一步地，步骤s2具体包括：

47、步骤s2.1：根据步骤s1构建的新型电力系统评价指标体系，收集各地区新型电力系统一级评价指标下的各二级评价指标相关数据；

48、步骤s2.2：对收集到的各二级评价指标相关数据进行分类，划分成效益型指标、成本型指标、区间型指标；效益型指标为指标原始数值越大则对整体越有益的指标，成本型指标为指标原始数值越小则对整体越有益的指标，区间型指标为是否类指标、上下限范围指标、完成情况类指标，广义的区间指标还包括固定在某个最佳值的固定性指标；

49、步骤s2.3：对收集到的效益型指标进行归一化处理，其中效益型指标包括：清洁能源装机容量占比、清洁能源开发率、电能替代负荷占比、电能占终端能源消费比重、供电可靠率、综合电压合格率、频率合格率、220千伏及以上主变n-1通过率、220千伏及以上线路n-1通过率、主要断面n-2通过率、市场供需比、市场化电量占比、市场主体数量增长率、竞价机组占比、代理用户数量、电网代理购电电量占比、新能源发电出力功率预测准确率、新能源云平台接入率、智能巡检覆盖率、电网负荷智能化预测准确率、碳计量终端安装率、hplc电表覆盖率；

50、步骤s2.4：对收集到的成本型指标进行归一化处理，确保收集数据的可比性和一致性，成本型指标包括：线损碳排量、单位gdp电耗、平均缺电小时、发电机组计划停运系数、发电机组非计划停运系数、新能源多场站短路比；

51、步骤s2.5：对收集到的区间型指标进行归一化处理，区间型指标包括：35千伏及以上主变平均负载率、35千伏及以上线路平均负载率。

52、进一步地，

53、效益型指标的归一化方法为：

54、

55、其中xi′j代表第i项指标的第j组数据的归一化值，xij代表第i项指标的第j组原始数值，ximax代表第i项指标的最大值；

56、成本型指标的归一化方法为：

57、

58、其中xi′j代表第i项指标的第j组数据的归一化值，xij代表第i项指标的第j组原始数值，ximax代表第i项指标的最大值；

59、区间型指标的归一化方法为：

60、

61、其中，xi′j代表第i项指标的第j组数据的归一化值，xij代表第i项指标的第j组原始数值，ximax代表第i项指标的最大值，ximin代表第i项指标的最小值，代表区间指标的最佳区间，其中35千伏及以上主变平均负载率、35千伏及以上线路平均负载率两项指标的最佳区间为[40％,60％]。

62、进一步地，步骤s3具体包括：

63、步骤s3.1：对包含各项指标数值的每一组数据，计算第j组数据中第i个指标yij所占的比重，以下是比重计算方法：

64、

65、其中，n为指标个数，m为评价对象数量，yij为第j组数据中第i个指标数据，pij为第j组数据中第i个指标yij所占比重；

66、步骤s3.2：根据步骤s3.1得到的指标所占比重，计算第i个指标的反熵值，以下是反熵值计算方法：

67、

68、其中，ei为第i个指标的熵值；

69、步骤s3.3：根据步骤s3.2得到的反熵值，计算第i个指标的熵权，以下是熵权计算方法：

70、

71、其中，为第i个指标的熵权，反熵权法依赖于指标数值的分布特性，因此需要两组及以上数据，且利用该方法得到指标权重适用于每一组数据的各指标。

72、进一步地，步骤s4具体包括：

73、步骤s4.1：根据步骤s1构建的新型电力系统评价指标体系，收集各地区新型电力系统各二级评价指标相关数据；

74、步骤s4.2：对收集到的新型电力系统评价指标数据进行标准化和归一化处理，确保收集数据的可比性和一致性；

75、步骤s4.3：将收集到的新型电力系统评价指标数据代入步骤s3.3中建立的基准模型，对各个评价指标进行加权计算，得到各地区初步的新型电力系统发展评价得分。

76、进一步地，步骤s5具体包括：

77、步骤s5.1：对已采集相关评价指标的数据进行预处理，包括数据清洗、缺失值处理、异常值处理，确保数据的质量和完整性；

78、步骤s5.2：将综合评价的结果作为预期输出，根据已采集相关评价指标的数据信息构建数据集，并按照比例分别划分训练集，测试集，验证集；

79、步骤s5.3：应用机器学习中的多元线性回归模型，在训练集上进行预测模型的训练，以下是多元线性回归模型：

80、y＝β0+β1x1+β2x2+...+βpxp+ε

81、其中，y是目标变量，x1x1…xp是特征变量，β0β1β2…βp是回归系数，ε是误差项；

82、步骤s5.4：模型训练过程中，通过最小化损失函数来不断对模型参数进行更新，使其能够更好的拟合训练数据，以下是最小化损失函数：

83、

84、

85、其中，q(β)是损失函数，y是目标变量的真实值，是通过回归模型预测得到的值，x是特征变量矩阵，β是回归系数矩阵，为了最小化损失函数，我们需要找到使损失函数最小化的回归系数β；

86、步骤s5.5：在测试集中对步骤s5.3得到的预测模型进行测试，并根据测试结果对模型进行调整和优化；

87、步骤s5.6：在验证集中对步骤s5.4得到的预测模型进行校验，进一步调整模型，直至达到最佳性能，最终训练出预测效果最优的预测模型；

88、步骤s5.7：根据应用机器学习中的多元线性回归方法训练出的预测模型输出结果，得到优化后的新权重矩阵。

89、进一步地，步骤s6具体包括：

90、步骤s6.1：根据步骤s1构建的新型电力系统评价指标体系，收集新型电力系统各二级评价指标相关数据；

91、步骤s6.2：对收集到的新型电力系统评价指标数据进行标准化和归一化处理，确保收集数据的可比性和一致性；

92、步骤s6.3：将收集到的新型电力系统评价指标数据代入步骤s5.3中建立的优化模型，对各个评价指标进行加权计算，得到各地区优化后的新型电力系统发展评价得分。

93、进一步地，步骤s7具体包括：

94、步骤s7.1：对不同地区的新型电力系统发展评价结果进行横向对比，比较各地区的总分，找出总分较低的地区；

95、步骤s7.2：在总分较低的地区中，对比五大子项的得分，分析每个子项对总分的影响程度，找出差异明显的子项；

96、步骤s7.3：根据子项影响分析结果，针对评分薄弱子项进行优化调控，促进地区的新型电力系统的优化和发展。

97、另一方面，本发明还提供一种基于优化反熵权法的电力系统发展评价系统，包括：

98、评价指标体系构建模块：其用于构建新型电力系统评价指标体系，所述新型电力系统评价指标体系包括：绿色、供电、经济、安全、智能五大一级指标，其中绿色指标衡量新型电力系统的清洁低碳水平，智能指标考察新型电力系统的智能化程度；

99、归一化处理模块：其用于收集各地区新型电力系统二级评价指标相关数据，并进行归一化处理，确保收集数据的可比性和一致性；

100、基准评价模型构建模块：其用于通过反熵权法将计算各项二级评价指标的客观权重，建立综合指标评价体系即基准评价模型；

101、发展评价结果获取模块：其用于将收集到各地区新型电力系统各二级评价指标相关数据输入基准评价模型，得到各地区初步的新型电力系统发展评价结果；

102、评价指标体系改进模块：其用于引入新型电力系统行业特征，通过机器学习方法对基准模型进行优化，得到新的权重矩阵及改进后的评价指标体系；

103、发展评价结果优化模块：其用于将各地区新型电力系统二级评价指标数据输入优化评价模型，计算并得到各地区新的新型电力系统发展评价结果；

104、优化调控模块：其用于对不同地区的新型电力系统发展评价结果进行横向对比，比较各地区的总分并分析五大子项对总分的影响程度，针对评分薄弱子项进行优化调控。

105、与现有技术相比，本发明具有如下有益效果：

106、综上所述，借助于本发明的上述技术方案，通过引入绿色和智能指标，构建了更全面的评价指标体系。使用反熵权法计算指标的客观权重，不依赖主观判断。通过数据归一化处理，确保了各地区数据的可比性和一致性。引入机器学习方法对评价模型进行优化，使评价更准确，能够更好地反映实际情况。分析子项的影响程度并优化薄弱子项，并通过综合评价和优化，鼓励新型电力系统朝着更可持续、高效、智能的方向发展。解决了新型电力系统发展评价中存在着的评价结果单一、评价结果主观性太强、评价指标数据不完善、评价结果不具备可比性和评价方法缺乏对新技术和新趋势的考虑等问题，有助于推动电力行业的可持续发展。