針對(duì)智慧電網(wǎng)建設(shè)全面展開(kāi)、電力營(yíng)銷市場(chǎng)化改革新形勢(shì)下傳統(tǒng)電力營(yíng)銷模式呈現(xiàn)的復(fù)雜信息多維轉(zhuǎn)換損耗較大、評(píng)估等級(jí)區(qū)間界限的軟化度較低、狀態(tài)評(píng)估預(yù)警因子體系擬合度較差等問(wèn)題,提出了基于改進(jìn)層次分析法的電力營(yíng)銷狀態(tài)評(píng)估及預(yù)警模型。在層次分析法中引入模糊神經(jīng)網(wǎng)絡(luò),建立電力營(yíng)銷狀態(tài)評(píng)估及預(yù)警自適應(yīng)模型并融入多目標(biāo)決策機(jī)制建立面向電力營(yíng)銷的狀態(tài)動(dòng)態(tài)評(píng)估及預(yù)警模型,在Python 3.5.2環(huán)境下進(jìn)行模型效能仿真驗(yàn)證,較好解決了多維應(yīng)用背景下的電力營(yíng)銷的狀態(tài)動(dòng)態(tài)評(píng)估及預(yù)警問(wèn)題,具有狀態(tài)評(píng)估等級(jí)區(qū)間界限的軟化、評(píng)估因子定性、定量表示的低損耗轉(zhuǎn)換、狀態(tài)評(píng)估預(yù)警因子體系精確擬合等優(yōu)勢(shì)。以我國(guó)南方電網(wǎng)某電力公司為效能評(píng)價(jià)載體,基于VS2016平臺(tái)開(kāi)發(fā)了驗(yàn)證環(huán)境并對(duì)模型進(jìn)行了實(shí)證分析,分析結(jié)果表明,所提模型可以實(shí)現(xiàn)全方位的電力營(yíng)銷狀態(tài)動(dòng)態(tài)評(píng)估及預(yù)警,在狀態(tài)評(píng)估分區(qū)界限的軟化度、狀態(tài)評(píng)估預(yù)警因子擬合度、復(fù)雜信息多維轉(zhuǎn)換損耗等方面具有明顯優(yōu)勢(shì)。 

【文章來(lái)源】：國(guó)外電子測(cè)量技術(shù). 2020,39(01)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

融入決策分析體系機(jī)制

4.1 改進(jìn)模型仿真驗(yàn)證為了驗(yàn)證引入模糊神經(jīng)網(wǎng)絡(luò)機(jī)制、融入多目標(biāo)決策機(jī)制后的電力營(yíng)銷狀態(tài)評(píng)估及預(yù)警模型的實(shí)際工作效果，分析利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行決策評(píng)價(jià)并對(duì)模糊規(guī)則進(jìn)行自適應(yīng)性訓(xùn)練的實(shí)際效能。為了具有一般性和客觀性，采用GitHub開(kāi)源平臺(tái)提供的基于Python 3.5.2內(nèi)核的Sklearn庫(kù)，設(shè)定初始目標(biāo)函數(shù)，設(shè)定模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)epochs為1000，訓(xùn)練目標(biāo)goal為0.01，學(xué)習(xí)速率lr為0.1。從目標(biāo)函數(shù)的收斂曲線對(duì)比分析、Log回歸約束后的目標(biāo)函數(shù)收斂曲線對(duì)比分析、目標(biāo)函數(shù)分類誤差率對(duì)比分析、目標(biāo)函數(shù)自適應(yīng)流行度對(duì)比分析等多維度對(duì)算法進(jìn)行了仿真驗(yàn)證，基于Python 3.5.2內(nèi)核，在PyCharm3.5環(huán)境下進(jìn)行圖形化示意仿真，采用顯著差異標(biāo)識(shí)在仿真圖中給出對(duì)比曲線，最終仿真結(jié)果如圖7～10所示。為了使Sklearn庫(kù)提供的測(cè)試數(shù)據(jù)集更貼切電力營(yíng)銷狀態(tài)評(píng)估及預(yù)警模型，對(duì)用戶行為數(shù)據(jù)集和營(yíng)銷隱形客戶源數(shù)據(jù)集進(jìn)行了回歸映射處理，提高了數(shù)據(jù)集的純凈度，降低了數(shù)據(jù)集的冗余度，提高了仿真效率。

根據(jù)圖7～10可以從定性和定量?jī)煞矫孢M(jìn)行分析，引入模糊神經(jīng)網(wǎng)絡(luò)機(jī)制、融入多目標(biāo)決策機(jī)制后的電力營(yíng)銷狀態(tài)評(píng)估及預(yù)警模型的目標(biāo)函數(shù)的收斂曲線、Log回歸約束后的目標(biāo)函數(shù)收斂曲線、目標(biāo)函數(shù)分類誤差率、目標(biāo)函數(shù)自適應(yīng)流行度等有較大幅度改善；利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行決策評(píng)價(jià)并對(duì)模糊規(guī)則進(jìn)行自適應(yīng)性訓(xùn)練的實(shí)際效能良好，初步實(shí)現(xiàn)了線性核和非線性核的協(xié)同適應(yīng)與空間和時(shí)間效率的兼顧；實(shí)現(xiàn)根據(jù)不同的數(shù)據(jù)集自適應(yīng)調(diào)整核函數(shù)，大幅度降低了內(nèi)存的耗費(fèi)，提高了數(shù)據(jù)集迭代效率，在狀態(tài)評(píng)估等級(jí)區(qū)間界限的軟化、評(píng)估因子定性、定量表示的低損耗轉(zhuǎn)換、狀態(tài)評(píng)估預(yù)警因子體系精確擬合等層面具有明顯優(yōu)勢(shì)。圖8 Log回歸約束后的目標(biāo)函數(shù)收斂曲線對(duì)比分析仿真

【參考文獻(xiàn)】：
期刊論文
[1]云測(cè)度的電力營(yíng)銷狀態(tài)評(píng)估與預(yù)警模型分析[J]. 馬文,張雪堅(jiān).  微型電腦應(yīng)用. 2019(02)
[2]基于層次分析法的綜合能源系統(tǒng)能效評(píng)估方法研究及應(yīng)用[J]. 郭艷飛,任雪桂,鞠力,蔣詩(shī)謠.  電力科學(xué)與技術(shù)學(xué)報(bào). 2018(04)
[3]基于狀態(tài)空間模型的電力設(shè)備狀態(tài)預(yù)警準(zhǔn)確率評(píng)價(jià)方法研究[J]. 馬咸.  通信電源技術(shù). 2018(11)
[4]基于層次分析法的電力營(yíng)銷項(xiàng)目立項(xiàng)決策研究[J]. 杜文娟,謝勝祥.  電力與能源. 2018(05)
[5]基于縱橫交叉優(yōu)化灰色模型的電能計(jì)量裝置狀態(tài)評(píng)估方法[J]. 溫盛科,楊悅輝,蔡妙?yuàn)y,李慧,周志琴,殷豪,聶一雄.  電力科學(xué)與技術(shù)學(xué)報(bào). 2018(03)
[6]基于改進(jìn)熵權(quán)層次分析法的變壓器狀態(tài)評(píng)估[J]. 曾振達(dá),吳杰康,陶飛達(dá),梁浩浩,鄒志強(qiáng),張麗平,黃智鵬,楊夏.  吉林電力. 2018(04)
[7]電廠海生物預(yù)警系統(tǒng)分析及設(shè)計(jì)[J]. 崔楊杰.  國(guó)外電子測(cè)量技術(shù). 2018(07)
[8]基于層次分析法的輸電線路防山火預(yù)警評(píng)估模型[J]. 朱奇,郭江,曾兵,付杰.  電測(cè)與儀表. 2018(06)
[9]基于改進(jìn)層次分析法和PSS/E的電磁環(huán)網(wǎng)解環(huán)方案評(píng)估[J]. 徐瀟源,趙建偉,嚴(yán)正,馮楠,崔勇,李建華.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2017(12)
[10]電力市場(chǎng)用電量需求分析預(yù)測(cè)模型研究[J]. 丁業(yè)豪,麥琪.  電測(cè)與儀表. 2017(14)



本文編號(hào)：2991439