行之知识产权综合服务平台

1.一种智能配用电动态评价方法，其特征在于包括以下步骤： 步骤1、建立配用电指标模型； 步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数 据形式； 步骤3、采用熵权法对指标进行评价； 步骤4、采用SVM法对指标进行动态预测分析。

2.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于：所述步骤1的配用电指标模型包括以下三个指标模型： (1)分布式电源接入量； (2)电动汽车减排量； (3)智能电表普及率。

3.根据权利要求2所述的一种智能配用电动态评价方法，其特征 在于所述分布式电源接入量指标模型包括：风机接入量指标模型和光 伏接入量指标模型。

4.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于所述步骤2的具体步骤包括： (1)通过一致化处理统一各指标的优化取值方向； (2)通过无量纲化处理消除各指标单位和数量级的差异。

5.根据权利要求4所述的一种智能配用电动态评价方法，其特征 在于：所述步骤2是通过求差法或求倒数法统一各指标的优化取值方 向并通过标准化方法或归一法消除各指标单位和数量级的差异来实 现的。

6.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于:所述步骤3的具体步骤包括： (1)形成标准化矩阵； (2)求影响因子出现的概率； (3)求各个影响因子输出的熵； (4)求出各个影响因子的熵权。

7.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于所述步骤4的具体步骤包括： (1)构造SVM估计函数； (2)求解参数因子； (3)输出指标预测结果。

8.根据权利要求3所述的一种智能配用电动态评价方法，其特征 在于：所述分布式电源接入量S₁＝P_m+P_DC； 其中，风机接入量 光伏接入量 P DC = P STC · G A G STC · [ 1 + ( T c - T STC ) C T ] , ]]> 上述表达式中，ρ为空气密度，S为扫掠面积；C_p为功率因数，V 为风速； P_DC为太阳能发电单元实际输出的直流功率、P_STC为太阳能发电单元 在标准测试条件下输出的直流功率、G_STC为在标准的测试条件下太阳 光辐射度、G_A为实际条件下的太阳光辐射度、T_STC为在标准的测试条件 下太阳能发电单元的温度、T_c为电池板的实际温度、C_T为功率温度系 数、NOCT为太阳能发电单元在正常运行条件下的温度、T_a为外界环境 温度； 所述电动汽车减排量S₂＝N_c·E_c·b_c； 上述表达式中，N_c为电动汽车保有量、E_c为平均每辆电动汽车年 用电量、bc为电动汽车单位用电量的污染气体减排量； 所述智能电表普及率 上述表达式中，I_m为智能电表投资成本、r_m为智能电表单位成本、 N_m为供电户数。

9.根据权利要求6所述的一种智能配用电动态评价方法，其特 征在于所述步骤3的具体步骤包括： (1)形成标准化矩阵S： S = ( s i j ) m × 3 = s 11 s 12 s 13 · · · · · · · · · s m 1 s m 2 s m 3 ]]> 上述表达式中，矩阵元素s表示指标S归一化的数值；s_ij表示在第 i年第j个指标的值，下标m表示第m年，j的取值为1、2、3； (2)求影响因子出现的概率P_ij： P i j = s i j Σ i = 1 m s i j , i = 1 , 2 , ... , m ; j = 1 , 2 , 3 ; ]]> (3)求第j个影响因子输出的熵E_j： E j = - 1 ln m Σ i = 1 m P i j lnP i j , j = 1 , 2 , 3 ; ]]> (4)求出第j个影响因子的熵权D_j： D j = 1 - E j n - Σ j = 1 n E j ]]> 在上述表达式中，n为标准化矩阵S的列数，由此可知：n＝3。

10.根据权利要求7所述的一种智能配用电动态评价方法，其特 征在于所述步骤4的具体步骤包括： 设待回归数据集为Z＝{x_iy_i}，i＝1,2,…，n； 上述表达式中，x_i∈Rⁿ，x_i为n维输入量，y_i为n维输出量，Rⁿ为n 维空间，n为某年输入指标的个数； (1)构造SVM估计函数 上述表达式中，w和b是系数、为输入空间到高维特征空间的 非线性映射； 其中，w的取值由计算式决定； 上述表达式中，R_SVM(c)为实际风险，c为正规化常数，需预先指 定，为经验风险，其中，为ε- 与ε相关的不敏感损失系数，为正则化部分，ε为期望最大误差； (2)求解参数因子w ①构造拉格朗日函数 f ( x , α i , α * i ) = Σ i = 1 n ( α i - α * i ) K ( x , x i ) + b ; ]]> 上述表达式中，K(x,x_i)为核函数，x为该拉格朗日函数的未知变量， α_i和α_i^*为拉格朗日因子，α_i和α_i^*满足条件α_i×α^*_i＝0，并且α_i≥0， α^*_i≥0； 即：原问题转为在约束条件和 0 ≤ α i ≤ c 0 ≤ α * i ≤ c ]]>下，求解最大 二次型函数 R ( α i , α i * ) = - ϵ Σ i = 1 n ( α i + α i * ) + Σ i = 1 n d i ( α i * - α i ) - 1 2 Σ i , j = 1 n ( α i * - α i ) ( α i * - α j ) K ( x i , x j ) ; ]]>其 中，ε为期望最大误差，d_i为核函数K(x_i,x_j)的内部参数； 其中，核函数x_i、x_j是不同的n维输入量，函数 表示输入空间到高维特征空间的非线性映射； 由此可计算出拉格朗日因子α_i和α_i^*； ②通过公式计算出参数w； (3)估计参数因子b 采用库恩-塔克条件，选择出使δ_i＝f(x_i,α_i,α_i^*)-y_i唯一被确定的拉 格朗日因子α_i和α_i^*，通过式求出b； 上式中δ_i为预测误差，x_i、x_j是不同的n维输入量，n为某年输入指 标的个数； (4)输出指标预测结果。

1.一种智能配用电动态评价方法，其特征在于包括以下步骤： 步骤1、建立配用电指标模型； 步骤2、对步骤1所建立的指标进行数据预处理，统一各指标的数 据形式； 步骤3、采用熵权法对指标进行评价； 步骤4、采用SVM法对指标进行动态预测分析。

2.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于：所述步骤1的配用电指标模型包括以下三个指标模型： (1)分布式电源接入量； (2)电动汽车减排量； (3)智能电表普及率。

3.根据权利要求2所述的一种智能配用电动态评价方法，其特征 在于所述分布式电源接入量指标模型包括：风机接入量指标模型和光 伏接入量指标模型。

4.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于所述步骤2的具体步骤包括： (1)通过一致化处理统一各指标的优化取值方向； (2)通过无量纲化处理消除各指标单位和数量级的差异。

5.根据权利要求4所述的一种智能配用电动态评价方法，其特征 在于：所述步骤2是通过求差法或求倒数法统一各指标的优化取值方 向并通过标准化方法或归一法消除各指标单位和数量级的差异来实 现的。

6.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于:所述步骤3的具体步骤包括： (1)形成标准化矩阵； (2)求影响因子出现的概率； (3)求各个影响因子输出的熵； (4)求出各个影响因子的熵权。

7.根据权利要求1所述的一种智能配用电动态评价方法，其特征 在于所述步骤4的具体步骤包括： (1)构造SVM估计函数； (2)求解参数因子； (3)输出指标预测结果。

8.根据权利要求3所述的一种智能配用电动态评价方法，其特征 在于：所述分布式电源接入量S₁＝P_m+P_DC； 其中，风机接入量 光伏接入量 P DC = P STC · G A G STC · [ 1 + ( T c - T STC ) C T ] , ]]> 上述表达式中，ρ为空气密度，S为扫掠面积；C_p为功率因数，V 为风速； P_DC为太阳能发电单元实际输出的直流功率、P_STC为太阳能发电单元 在标准测试条件下输出的直流功率、G_STC为在标准的测试条件下太阳 光辐射度、G_A为实际条件下的太阳光辐射度、T_STC为在标准的测试条件 下太阳能发电单元的温度、T_c为电池板的实际温度、C_T为功率温度系 数、NOCT为太阳能发电单元在正常运行条件下的温度、T_a为外界环境 温度； 所述电动汽车减排量S₂＝N_c·E_c·b_c； 上述表达式中，N_c为电动汽车保有量、E_c为平均每辆电动汽车年 用电量、bc为电动汽车单位用电量的污染气体减排量； 所述智能电表普及率 上述表达式中，I_m为智能电表投资成本、r_m为智能电表单位成本、 N_m为供电户数。

9.根据权利要求6所述的一种智能配用电动态评价方法，其特 征在于所述步骤3的具体步骤包括： (1)形成标准化矩阵S： S = ( s i j ) m × 3 = s 11 s 12 s 13 · · · · · · · · · s m 1 s m 2 s m 3 ]]> 上述表达式中，矩阵元素s表示指标S归一化的数值；s_ij表示在第 i年第j个指标的值，下标m表示第m年，j的取值为1、2、3； (2)求影响因子出现的概率P_ij： P i j = s i j Σ i = 1 m s i j , i = 1 , 2 , ... , m ; j = 1 , 2 , 3 ; ]]> (3)求第j个影响因子输出的熵E_j： E j = - 1 ln m Σ i = 1 m P i j lnP i j , j = 1 , 2 , 3 ; ]]> (4)求出第j个影响因子的熵权D_j： D j = 1 - E j n - Σ j = 1 n E j ]]> 在上述表达式中，n为标准化矩阵S的列数，由此可知：n＝3。

10.根据权利要求7所述的一种智能配用电动态评价方法，其特 征在于所述步骤4的具体步骤包括： 设待回归数据集为Z＝{x_iy_i}，i＝1,2,…，n； 上述表达式中，x_i∈Rⁿ，x_i为n维输入量，y_i为n维输出量，Rⁿ为n 维空间，n为某年输入指标的个数； (1)构造SVM估计函数 上述表达式中，w和b是系数、为输入空间到高维特征空间的 非线性映射； 其中，w的取值由计算式决定； 上述表达式中，R_SVM(c)为实际风险，c为正规化常数，需预先指 定，为经验风险，其中，为ε- 与ε相关的不敏感损失系数，为正则化部分，ε为期望最大误差； (2)求解参数因子w ①构造拉格朗日函数 f ( x , α i , α * i ) = Σ i = 1 n ( α i - α * i ) K ( x , x i ) + b ; ]]> 上述表达式中，K(x,x_i)为核函数，x为该拉格朗日函数的未知变量， α_i和α_i^*为拉格朗日因子，α_i和α_i^*满足条件α_i×α^*_i＝0，并且α_i≥0， α^*_i≥0； 即：原问题转为在约束条件和 0 ≤ α i ≤ c 0 ≤ α * i ≤ c ]]>下，求解最大 二次型函数 R ( α i , α i * ) = - ϵ Σ i = 1 n ( α i + α i * ) + Σ i = 1 n d i ( α i * - α i ) - 1 2 Σ i , j = 1 n ( α i * - α i ) ( α i * - α j ) K ( x i , x j ) ; ]]>其 中，ε为期望最大误差，d_i为核函数K(x_i,x_j)的内部参数； 其中，核函数x_i、x_j是不同的n维输入量，函数 表示输入空间到高维特征空间的非线性映射； 由此可计算出拉格朗日因子α_i和α_i^*； ②通过公式计算出参数w； (3)估计参数因子b 采用库恩-塔克条件，选择出使δ_i＝f(x_i,α_i,α_i^*)-y_i唯一被确定的拉 格朗日因子α_i和α_i^*，通过式求出b； 上式中δ_i为预测误差，x_i、x_j是不同的n维输入量，n为某年输入指 标的个数； (4)输出指标预测结果。