1.本发明属于乡村电气化评价技术领域，具体涉及基于电力大数据的乡村电气化水平综合评价方法。
背景技术：
2.近年来，随着资源的大量投入，整体乡村电气化及数字化水平有了一定的提升，然而，存在电力基础服务需要进一步提升、电力服务需要进一步拓展等问题，主要体现在以下两个方面：
3.其一，电力基础服务需要进一步提升。农村人民生活水平改善，乡村产业持续发展壮大，用电需求日益增长，对乡村电气化实施和电力服务升级提出了多样化需求。农业生产、乡村产业、农村生活等领域具有使用能源种类多、设备种类多、使用形式多等特点，根据乡村具体条件、能源结构和生产特点，有针对性地推动电气化，建立以电力为中心的清洁、低碳、安全、高效的农村能源供应体系，实现农村供电服务提质增效，不增加农村配网投资完成乡村用能的转型升级，促进农户降本提质、社会节能环保，是乡村电气化发展的新需求。
4.其二，电力拓展服务需要进一步拓展。数字化新技术正发挥越来越重要的作用。农村生产生活电气化水平和用电情况能够直接反映当地的经济水平和发展程度。电力数据客观、及时，密切关联农业生产、产业发展、农民生活方方面面，利用电力数据涵盖范围广、与农民真实生活状态关联性强的特点，通过电力大数据分析可以为服务社会民生、辅助政府决策，助力数字经济发展，贡献电力大数据的力量。
5.当前国内外从农村电力供需能力、资金筹措能力、电气化建设基础等多方面对农村电气化模式开展了一定的研究；并围绕经济、环境、社会等多方面构建了乡村电气化评估指标体系，从国内外对乡村电气化模式和水平量化评估成效来看，一方面，较少结合当前我国背景构建乡村电气化发展模式和评估体系；另一方面，当前研究通常针对整个乡村进行电气化整体设计，未考虑乡村之间、乡村内部经济、环境等诸多现实差异构建差异化的乡村电气化的发展模式和评估体系。
6.目前，对电力大数据应用研究多集中于城市地区，较少将其应用于农村地区。
技术实现要素：
7.本发明的目的在于针对现有技术中存在的问题提供一种基于电力大数据的乡村电气化水平综合评价方法，该方法围绕政府决策、公司业务发展、企业应用、乡村治理等需求，分析乡村不同领域电力数据特点，建立适用于评估县域乡村电气化水平的指标体系；挖掘不同指标体系间的关联性和作用性，分析不同指标的类型差异性和分布波动性，建立基于模糊满意度理论乡村电气化水平综合评价方法。
8.本发明的技术方案是：
9.基于电力大数据的乡村电气化水平综合评价方法，包括如下步骤：
10.s1.建立乡村电气化水平评价指标体系；
11.s2.确定指标集和评价集，针对建立的乡村电气化水平评价指标体系基础上，设定指标集和评价集，即u＝{u1,u2,...,um}和v＝{v1,v2,...,vm}，指标集也就是乡村电气化水平各层级评价指标，以及基于9制度标度法，设计乡村电气化水平的评价集；
12.s3.构建模糊判断矩阵，邀请s个相关领域专家参与乡村电气化水平评价，根据上述评价集v＝{v1,v2,...,vm}对指标集u＝{u1,u2,...,um}进行等级划分，且统计指标集中各个评价指标ui属于评价集的频率fi，可以得到指标集u＝{u1,u2,...,um}的模糊评判矩阵，即f＝{f1,f2,...,fm}；
13.s4.一级模糊综合评价，针对乡村电气化水平评价各个一级评价指标集 u＝{u1,u2,...,um}，均有多个二级评价指标和三级评价指标组成，假设对应的模糊评判矩阵f＝{f1,f2,...,fm}，并结合层次分析法确定的权重集，可以得到一级模糊综合评价集，即
[0014][0015]
式中，“·”是模糊算子，
[0016]
s5.多级模糊综合评价，乡村电气化水平设计了三层指标体系，为了计算得到目标层的综合效益评价结果，一级模糊综合评价结果只得到了最高一层次的单因素评价，继续计算得到二级、三级、
…
、多级模糊综合评价模型，即
[0017][0018]
s6，计算综合评价值，根据上述不同层级计算得到的模糊评价结果，可以获得最终的综合值，即
[0019]
p＝v
·bꢀꢀꢀꢀꢀꢀꢀ
(3)。
[0020]
具体的，所述的建立乡村电气化水平评价指标体系综合考虑农村各地市政府决策、公司业务发展情况、企业应用、乡村治理影响因素，根据各类影响因素提供的结构化数据分析乡村领域电力数据特点，建立电气化指标体系。
[0021]
具体的，所述的建立乡村电气化水平评价指标体系中通过云进化算法不断的繁殖迭代以寻找最优指标。
[0022]
具体的，所述的步骤2中涉及的乡村电气化水平的评价集包括“优、较好、良好、一般、差”5个评语等级的模糊表达。
[0023]
随着发展，国家电网公司将全面落实公司乡村电网发展规划，农村电网基础设施持续改善，农村供电服务水平进一步提高，农村、农业各领域电气化水平大幅提升，在农产品种植、加工、乡村旅游等方面建成一批电气化试点示范工程，促进乡村能源生产和消费方式发生显著变革，助力农业生产、乡村产业、农村生活现代化取得积极成果。
[0024]
基于电力大数据应用，旨在研究未来农村多领域用电发展态势及变化特征，设计
乡村电气化典型实现场景，构建乡村电气化综合评价体系及电力指数体系，并开展示范应用。
[0025]
本发明的有益效果是：以农村电力大数据为技术支撑，结合政府决策、公司业务发展、企业应用、乡村治理等需求，分析乡村多领域电力数据特征，以目标一致性、灵活可行性、系统可操作性和定性与定量相结合的原则，建立适用于评估县域乡村电气化水平的综合指标体系，探究不同指标体系间的相关性、差异性以及波动性，基于模糊满意度理论与云进化算法相结合的方法，构建科学可靠的乡村电气化水平综合评价方法。
[0026]
调研农业生产、农民生活、农村产业等领域电气化水平现状，结合乡村电气化服务典型模式，分析河南乡村多领域电气化趋势；围绕政府决策、公司业务发展、企业应用、乡村治理等需求，分析乡村不同领域电力数据特点，建立适用于评估县域乡村电气化水平的指标体系；挖掘不同指标体系间的关联性和作用性，分析不同指标的类型差异性和分布波动性，建立基于模糊满意度理论和云进化算法的乡村电气化水平综合评价方法。
具体实施方式
[0027]
下面结合具体实施方式对本发明的技术方案进行详细的描述。
[0028]
基于电力大数据的乡村电气化水平综合评价方法，包括如下步骤：
[0029]
s1.建立乡村电气化水平评价指标体系；
[0030]
s2.确定指标集和评价集，针对建立的乡村电气化水平评价指标体系基础上，设定指标集和评价集，即u＝{u1,u2,...,um}和v＝{v1,v2,...,vm}，指标集也就是乡村电气化水平各层级评价指标，以及基于9制度标度法，设计乡村电气化水平的评价集涉及的乡村电气化水平的评价集包括“优、较好、良好、一般、差”5个评语等级的模糊表达；
[0031]
s3.构建模糊判断矩阵，邀请s个相关领域专家参与乡村电气化水平评价，根据上述评价集v＝{v1,v2,...,vm}对指标集u＝{u1,u2,...,um}进行等级划分，且统计指标集中各个评价指标ui属于评价集的频率fi，可以得到指标集u＝{u1,u2,...,um}的模糊评判矩阵，即f＝{f1,f2,...,fm}；
[0032]
s4.一级模糊综合评价，针对乡村电气化水平评价各个一级评价指标集 u＝{u1,u2,...,um}，均有多个二级评价指标和三级评价指标组成，假设对应的模糊评判矩阵f＝{f1,f2,...,fm}，并结合层次分析法确定的权重集，可以得到一级模糊综合评价集，即
[0033][0034]
式中，“·”是模糊算子，
[0035]
s5.多级模糊综合评价，乡村电气化水平设计了三层指标体系，为了计算得到目标层的综合效益评价结果，一级模糊综合评价结果只得到了最高一层次的单因素评价，继续计算得到二级、三级、
…
、多级模糊综合评价模型，即
[0036][0037]
s6，计算综合评价值，根据上述不同层级计算得到的模糊评价结果，可以获得最终的综合值，即
[0038]
p＝v
·bꢀꢀꢀꢀꢀꢀ
(3)。
[0039]
所述的建立乡村电气化水平评价指标体系综合考虑农村各地市政府决策、公司业务发展情况、企业应用、乡村治理影响因素，根据各类影响因素提供的结构化数据分析乡村领域电力数据特点，建立电气化指标体系。建立乡村电气化水平评价指标体系过程中通过云进化算法不断的繁殖迭代以寻找最优指标。聚类技术具有无监督学习、不依赖于数据先验信息的特点，数据分析成本较低，在电力大数据的背景下，数据挖掘技术其在电力系统的功率预测、元件特征值提取等方面有着很大的应用前景。
[0040]
k-means算法是一种简单的迭代型聚类算法，又称为k-均值算法，k代表类簇个数，means代表类簇内数据对象的均值，它是基于点与点距离的相似度来计算最佳类别归属。随机选取k个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件如下：
[0041]
没有(或最小数目)对象被重新分配给不同的聚类；
[0042]
没有(或最小数目)聚类中心再发生变化；
[0043]
误差平方和局部最小。
[0044]
k-means聚类步骤：
[0045]
选择k个初始聚类中心；
[0046]
计算每个对象与这k个中心各自的距离，按照最小距离原则分配到最邻近聚类；
[0047]
使用每个聚类中的样本均值作为新的聚类中心；
[0048]
重复步骤(2)和(3)直到聚类中心不再变化；
[0049]
结束，得到k个聚类。
[0050]
数据挖掘技术具有多类型的分析方法，作为数据挖掘的重要分支之一，聚类技术是目前应用较多且较为成熟的数据分析方法，它是基于对象数据集的若干聚类特征，按照一定的标准将该数据集分割成不同的类或簇，使得处于同一类(簇)中的各数据成员尽可能相似，而不同类(簇)间的各数据成员尽可能相异，聚类分析能够通过观察数据集的多个属性特征识别出数据集在整个数据空间的分布特征、各数据属性之间的相关性等。
[0051]
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。