CN102035256A - 电力系统恢复群体多属性辅助决策方法 - Google Patents

Abstract

本发明公开了一种电力系统恢复群体多属性辅助决策方法。本发明可生成黑启动、网架恢复和负荷恢复阶段的恢复方案，并对多个候选恢复方案进行排序；将恢复方案的生成过程分为三步进行，保证当以恢复时间为优化目标的恢复方案不可行时，方法自适应地变换为以系统安全为优化目标的方案再生成；提出的群体聚合函数可考虑决策者的不同重要程度，且对方案个数和属性间的独立性没有严格要求，根据当前电网的恢复状况，在线确定恢复目标及其恢复方案，提高系统恢复辅助决策的灵活性和可行性；适用于辅助省调调度员在系统恢复初期的分区独立并行恢复阶段，各子系统内“串行”恢复时的辅助决策，可为离线预案提供有效补充。

Description

电力系统恢复群体多属性辅助决策方法

技术领域

本发明属于电力系统运行与控制技术领域，具体涉及一种电力系统恢复群体多属性决策方法。

背景技术

电力系统恢复的主要目标是系统内的发电机组、变电站、输电线路和负荷的安全快速恢复。由于电力系统自身的复杂特性和规模的日益增大，在系统恢复过程中需要考虑系统运行状态、设备操作、恢复时间和安全运行约束等众多因素，其中既包括大量的分析校验，又需要调度人员的判断决策，因此，系统恢复问题属于非线性优化范畴，是典型的半结构化问题，难以建立数学模型进行精确求解，具有系统复杂、多目标、多变量、多约束、连续和整型变量混杂以及不确定性等特点。

近年来，在系统恢复优化决策方面国内外已经开展了大量的研究工作。针对机组恢复顺序问题，主要采用层次分析法来确定机组恢复顺序，但当候选方案或评价属性较多时，层次分析法较难保证判断矩阵的一致性和评价结果的客观性；针对网架恢复顺序问题，主要利用人工智能或图论算法来确定目标骨架网络和恢复路径序列，但其在求解过程中主要关注线路充电电容和负荷恢复量，缺乏对恢复时间、支路潮流、操作过电压、工频过电压、自励磁、设备操作成功率、系统的安全和稳定等的综合考虑。事实上，这些因素极可能影响恢复速度，甚至导致恢复方案不可行；针对负荷恢复问题，主要研究在系统安全和稳定约束下的负荷恢复能力，而缺乏对恢复时间、负荷重要性、系统安全和稳定的综合协调。

另外，由于目前还没有能够根据系统恢复进度动态对机组特性及其重要程度、负荷特性及其重要程度、恢复时间和设备操作成功率进行分析评估并给出决策值的适用算法，也没有能够根据安全校验结果和各种评估决策值给出最终恢复目标决策的理论方法，因此，对于这些方面电力部门只能在安全校验可行的基础上，根据经验给出最终决策。显然，这样得出的方案很难保证系统恢复的快速性，可能会因为经验不足或对机组、负荷特性考虑不周而延误恢复，甚至导致恢复失败。

为辅助大停电事故后的应急指挥，目前多数网省公司都制定了恢复预案或利用案例推理方法指导恢复过程，但由于制定预案或案例时采用的设备模型、参数和积分步长等因素可能会给恢复仿真带来误差，且恢复过程中系统处于非正常运行工况，频繁的设备操作、负荷变化和大量的不确定因素给系统带来大扰动的机率明显增加，加之恢复初期小系统的抗扰动能力较弱，在实际的恢复过程中可能会发生状态越限，乃至系统崩溃，很难保证实际恢复过程按照预案或案例进行，且由于国内电网结构发展较快，使得系统恢复预案或案例的制定与维护工作量大大增加。

本发明的发明人之一在中国博士学位论文全文数据库，2010的《电力系统恢复辅助决策方法研究与系统开发》的博士论文，第二章里提出采用多属性效用方法优化网架恢复方案，该方法能综合考虑影响系统安全和恢复速度的多个因素获取方案排序，但多属性效用方法要求属性间严格独立，认为属性间的替代率相等，可能会使某些具有较差属性的方案成为最优，且在恢复策略、方案生成和辅助决策方面，没有考虑黑启动和负荷恢复阶段系统如何恢复；第三章利用理想解法优化决策的过程中，没有考虑多个决策者共同决策时，决策者间重要程度的不同，不够贴近实际情况；第四章中提出的路径搜索算法没有考虑以恢复时间最短为目标的候选方案不可行时该如何处理，也没有考虑以恢复时间最短为目标的次优方案如何使用。

发明内容

本发明的目的是克服现有方法的上述不足，给出一种电力系统恢复的群体多属性辅助决策方法。本发明的决策方法，可用于电力系统分区分阶段的独立并行恢复，可生成黑启动、网架恢复和负荷恢复阶段的恢复方案，并对多个候选恢复方案进行排序，可使得决策过程对方案个数和属性的独立性没有严格要求，支持考虑不同决策者权重的群体决策，能够综合协调影响系统安全和恢复速度的多个因素，可用于电力系统恢复过程中的在线辅助决策，可进一步增强系统恢复辅助决策的可行性和灵活性，为离线预案提供有效补充。

为实现上述目的，本发明采用如下技术方案：

电力系统恢复群体多属性辅助决策方法，它包括如下步骤：

Step1：根据黑启动电源和被启动机组情况，以及停电区域内供电公司的管辖范围，将整个电力系统划分成多个子系统，各子系统至少包含一个黑启动电源，一台被启动机组和一条可行的黑启动路径；

Step2：当大停电发生后，调度主站根据监测到的各子系统的恢复进度，动态确定候选恢复目标；

Step3：生成各个候选恢复目标的恢复方案，且对各个候选恢复方案进行安全校验；

Step4：判断安全校验是否合格，如合格则转入step5继续执行，如不合格则判断是否已优化调整，如已优化调整则剔除不合格的方案，反之则进行优化调整并返回step3对候选恢复方案进行安全校验；

Step5：对所有合格的方案，确定方案的评价属性，即方案的操作过电压，工频过电压，辅机启动引起的暂态电压跌落，恢复时间，机组容量以及机组重要程度；

Step6：利用属性评价值建立决策矩阵，对恢复方案进行评价；

Step7：对恢复方案的评价结果进行群体聚合，确定最优的恢复方案。

所述step2中，候选恢复目标分别为：

根据各子系统的恢复进度，将恢复过程分为黑启动、网架恢复和负荷恢复三个阶段，每阶段的候选恢复目标如下：

在黑启动阶段，优先选择容量为300MW、200MW或100MW的机组为候选恢复目标；

在网架恢复阶段，候选恢复目标的确定顺序为：子系统内的主力机组、重要变电站、区间并网和功率支援；

在负荷恢复阶段，以负荷的大规模快速恢复为候选恢复目标。

所述step3中，候选目标恢复方案的生成过程分三步进行：

A、首先，在每个发电厂或变电站内部开展内层路径搜索，内层由发电厂或变电站内部的设备组成，将厂/站内的机组、开关、刀闸和变压器设备的端点作为图的顶点，设备作为边，边的权重取设备的操作时间，由Dijkstra算法生成各个厂/站内任意两线路间和机组到任意出线间的最短路；

B、然后，结合内层的搜索结果，进行外层路径搜索；外层由输电线路、发电厂出线节点和变电站出线节点组成；将输电线路端点作为外层图的顶点，输电线路和变电站作为边，边的权重取线路的恢复时间或充电电容；

C、在利用Dijkstra算法生成恢复路径的过程中先将恢复时间作为内、外层边的权重，进行外层路径搜索时，变电站的权重根据外部通路的不同，取值为内层相应出线间的最短距离；

D、最后，根据系统恢复进度，将已恢复的节点作为可选的电源点，利用Dijkstra算法动态生成细化到设备级的目标恢复操作方案；获取加权和最小的恢复路径之后，将最短路中的某一输电线路、开关、刀闸或变压器设备置为检修状态，重新搜索最短路径，即可获得次优的恢复方案，以备选择；若以恢复时间为权重获取的最优方案和次优方案均不能通过安全校验，则将边的权重取为线路的充电电容，此时，站内路径的权重取为0，以线路充电电容之和最小为目标，利用Dijkstra算法寻求安全可行的候选恢复方案。

所述step3或step4中，安全校验包括进行工频过电压、操作过电压和辅机启动引起的暂态电压跌落的安全校验。

所述step6中，评价步骤如下：

对于系统恢复问题，在某一恢复步骤，候选恢复目标共有m个恢复方案，m≥1，恢复方案具有n个属性，n≥2，则该多属性决策问题可用一个四元组{S，A，D，W}来表示；其中，S为有限方案集，S＝{s_i}，s_i表示第i个恢复方案，1≤i≤m；A为属性集，A＝{f_j}，f_j表示第j个属性，1≤j≤n；D为决策矩阵D＝{f_ij}，1≤i≤m，1≤j≤n，f_ij为方案s_i的属性f_j的值；W为权重集，W{w_i}，1≤j≤n，w_j为属性f_j的权重，满足0≤w_j≤1，

候选目标恢复方案的评价过程如下：

1)建立决策矩阵D；

2)将决策矩阵D中的成本型属性值转换为效益型属性值，然后再规范化，把具有不同量纲的属性值转换为无量纲的属性值，建立标准化决策矩阵R；

R中的元素r_ij的计算方法如下：

$r_{\mathrm{ij}}=f_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}$

其中，r_ij表示将属性值f_ij规范化后的值；

3)利用标准化决策矩阵R，建立带权重的标准化决策矩阵V；

V中的元素v_ij的计算方法如下

v_ij＝w_jr_ij

式中，w_j为属性f_j的权重，v_ij表示方案s_i的属性f_j的加权评价值；

4)确定理想解A⁺和负理想解A^-；

$A^{+}=\{v_1^{+},...,v_n^{+}\}=\left\{\underset{i}{\max }{v}_{\mathrm{ij}}\right|j=1,...,n\}$

$A^{-}=\{v_1^{-},...,v_n^{-}\}=\left\{\underset{i}{\min }{v}_{\mathrm{ij}}\right|j=1,...,n\}$

其中，理想解是由候选恢复方案各属性的优加权评价值组成的集合，负理想解是由候选恢复方案各属性的最劣加权评价值组成的集合；

分别表示方案s₁，....，s_n相对应的最优加权评价值，分别表示方案s₁，....，s_n相对应的最劣加权评价值；

5)计算方案s_i与理想解的欧氏距离D_i ⁺，即

$D_i^{+}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{+})}^2},i=1,...,m$

方案s_i与负理想解的欧氏距离D_i ^-，即

$D_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{-})}^2},i=1,...,m$

6)根据D_i ⁺和D_i ^-计算方案s_i与理想解的相对接近程度C_i ⁺；

$C_i^{+}=D_i^{-}/(D_i^{+}+D_i^{-}),0\≤C_i^{+}\≤1,i=1,...,m$

当s_i＝A⁺时，C_i ⁺＝1，当s_i＝A^-时，C_i ⁺＝0；对于所有的s_i，s_k∈S，i，k＝1，…，m，i≠k，满足如下偏好关系

$\left\{\begin{array}{cc}{s}_i>s_k,& C_i^{+}>C_k^{+}\\ s_i~s_k,& C_i^{+}=C_k^{+}\end{array}\right.$

即若评价值C_i ⁺大于C_k ⁺，则方案s_i，优于方案s_k；若评价值C_i ⁺等于C_k ⁺，则方案s_i的优先级等于方案s_k。

所述step7中评价结果的群体聚合为：

${\stackrel{\‾}{C}}_i^{+}=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k{C}_{i,\left(k\right)}^{+},\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k=1,i=1,...,m$

式中表示方案s_i的最终评价值，该值越大，方案越优；α_k表示第k个决策者的权重；C⁺ _i，(k)表示第k个决策者获取的方案s_i与理想解的相对接近程度。

所述step4中优化调整包括两部分：①通过改变机端电压、变压器分接头位置或无功补偿装置的投入量来调节系统母线电压；②当以恢复时间最短为目标的恢复方案不满足安全约束时，进行以线路充电电容之和最小为目标的方案再生成。

本发明采用的技术方案具体实现步骤如下：

步骤1：确定系统恢复策略。

本发明提出分区分阶段独立并行恢复的系统恢复策略。分区时，主要根据黑启动电源和被启动机组情况，以及停电区域内供电公司的管辖范围，将整个电力系统划分成多个子系统，各子系统至少包含一个黑启动电源，一台被启动机组和一条可行的黑启动路径，具有较好的调频调压手段，且子系统间具有明确可靠的同期并列点。根据EMS系统监测到的系统恢复进度，将恢复过程分为黑启动、网架恢复和负荷恢复三个阶段，每阶段的具体策略如下：

在黑启动阶段，优先选择水电机组、抽水蓄能机组、燃气机组、燃油机组、孤网运行的机组或可利用自备柴油机启动的火力发电机组为候选黑启动电源；优先选择容量为300MW、200MW或100MW的机组为候选目标机组；对候选黑启动方案进行评价时，重点关注恢复时间、操作过电压、工频过电压和厂用辅机启动时的暂态电压和频率跌落。

在网架恢复阶段，各子系统根据EMS系统监测到的恢复进度，动态确定内部的候选恢复目标，候选恢复目标的确定顺序为：子系统内的主力机组、重要变电站、区间并网和功率支援。在该阶段，不以负荷恢复为主要目标，负荷恢复仅作为保持系统安全稳定运行的一种手段。对候选网架恢复方案进行评价时，重点关注恢复时间、操作过电压、工频过电压和厂用辅机启动时的暂态电压跌落。

在负荷恢复阶段，以负荷的大规模快速恢复为主要目标，确定负荷恢复顺序时，考虑恢复时间、负荷重要程度、线路潮流、系统的最大负荷恢复量和变电站的单次最大负荷恢复量。

步骤2：生成候选目标的恢复方案。

结合黑启动、网架恢复和负荷恢复每个阶段方案生成时涉及的设备范围及重点关注的指标的不同，本发明将候选目标恢复方案的生成过程分三步进行：

首先，在每个发电厂或变电站内部开展内层路径搜索，内层由发电厂或变电站内部的设备组成，将厂/站内的机组、开关、刀闸、变压器等设备的端点作为图的顶点，设备作为边，边的权重取设备的操作时间，由Dijkstra算法生成各个厂/站内任意两线路间和机组到任意出线间的最短路。

然后，结合内层的搜索结果，进行外层路径搜索。外层由输电线路、发电厂出线节点和变电站出线节点组成。将输电线路端点作为外层图的顶点，输电线路和变电站作为边，边的权重可以取线路的恢复时间或充电电容。在利用Dijkstra算法生成恢复路径的过程中先将恢复时间作为内、外层边的权重，进行外层路径搜索时，变电站的权重根据外部通路的不同，取值为内层相应出线间的最短距离。

最后，根据系统恢复进度，将已恢复的节点作为可选的电源点，利用Dijkstra算法动态生成细化到设备级的目标恢复操作方案。获取加权和最小的恢复路径之后，有选择地将最短路中的某一输电线路、开关、刀闸或变压器设备置为检修状态，重新搜索最短路径，即可获得次优的恢复方案，以备选择。若以恢复时间为权重获取的最优方案和次优方案均不能通过安全校验，则将边的权重取为线路的充电电容，此时，站内路径的权重取为0，以线路充电电容之和最小为目标，利用Dijkstra算法寻求安全可行的候选恢复方案。

步骤3：对各候选目标的恢复方案进行评价。

对于系统恢复问题，假设在某一恢复步骤，候选恢复目标共有m个恢复方案(m≥1)，恢复方案具有n个属性(n≥2)，则该多属性决策问题可以用一个四元组{S，A，D，W}来表示。其中，S为有限方案集，S＝{s_i}，1≤i≤m，s_i为第i个候选方案；A为属性集，A＝{f_j}，f_j为方案的第j个属性，1≤j≤n；D为决策矩阵D＝{f_ij}，1≤i≤m，1≤j≤n，f_ij为方案s_i的属性f_j的值；W为权重集，W{w_j}，1≤j≤n，w_j为属性f_j的权重，满足0≤w_j≤1，

候选目标恢复方案的评价排序过程如下：

1)建立决策矩阵D。

2)建立标准化决策矩阵R。

为方便属性间的比较，先将决策矩阵D中的成本型属性值转换为效益型属性值，然后再规范化，把具有不同量纲的属性值转换为无量纲的属性值。决策矩阵D的转换方法为

D＝{f_ij＝f_ij|j∈J，f_ij＝1/f_ij|j∈J′}                (2)

式中，J为效益型属性集合，J′为成本型属性集合。

R中的元素r_ij的计算方法如下

$r_{\mathrm{ij}}=f_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}---\left(3\right)$

在规范化后的标准化矩阵R中，r_ij表示将属性值f_ij规范化后的值。r_ij越大，方案s_i在属性f_j上越优。

3)建立带权重的标准化决策矩阵V。

V中的元素v_ij的计算方法如下

v_ij＝w_jr_ij        (4)

式中，w_j为属性f_j的权重，v_ij表示方案s_i的属性f_j的加权评价值。

4)确定理想解(positive ideal solution，PIS)和负理想解(negative ideal solution，NIS)。

PIS是由候选恢复方案各属性的最大(优)加权评价值v_j ⁺(1≤j≤n)组成的集合，NIS是由候选恢复方案各属性的最小(劣)加权评价值v_j ^-(1≤j≤n)组成的集合。定义A⁺和A^-分别为PIS和NIS

$\begin{array}{c}{A}^{+}=\{v_1^{+},...,v_n^{+}\}=\left\{\underset{i}{\max }{v}_{\mathrm{ij}}\right|j=1,...,n\}\\ A^{-}=\{v_1^{-},...,v_n^{-}\}=\left\{\underset{i}{\min }{v}_{\mathrm{ij}}\right|j=1,...,n\}\end{array}---\left(5\right)$

5)计算距离。

方案s_i与PIS的距离D_i ⁺可用n维欧氏距离来度量，即

$D_i^{+}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{+})}^2},i=1,...,m---\left(6\right)$

同样，方案s_i与NIS的欧氏距离为

$D_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{-})}^2},i=1,...,m---\left(7\right)$

6)计算方案s_i与PIS的相对接近程度C_i ⁺。

$C_i^{+}=D_i^{-}/(D_i^{+}+D_i^{-}),0\≤C_i^{+}\≤1,i=1,...,m---\left(8\right)$

显然，当s_i＝A⁺时，C_i ⁺＝1，当s_i＝A^-时，C_i ⁺＝0。对于所有的s_i，s_k∈S，i，k 1，…，m，i≠k，满足如下偏好关系

$\left\{\begin{array}{cc}{s}_i>s_k,& C_i^{+}>C_k^{+}\\ s_i~s_k,& C_i^{+}=C_k^{+}\end{array}\right.---\left(9\right)$

即若评价值C_i ⁺大于C_k ⁺，则方案s_i，优于方案s_k，若评价值C_i ⁺等于C_k ⁺，则方案s_i，的优先级等于方案s_k。

7)群体聚合评价。

为获取多个具有不同重要程度的决策者的群体偏好，本发明定义群体聚合函数为l个决策者对方案s_i的群体偏好，即最终评价为

${\stackrel{\‾}{C}}_i^{+}=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k{C}_{i,\left(k\right)}^{+},\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k=1,i=1,...,m---\left(10\right)$

式中

表示方案s_i的最终评价值，该值越大，方案越优；α_k表示第k个决策者的权重；C⁺ _i，(k)表示第k个决策者获取的方案s_i与PIS的相对接近程度。

步骤4：对各候选目标的恢复方案进行排序。

根据式(10)的群体聚合评价结果，对各候选目标的恢复方案进行降序排列，排在最前面的方案为最优方案。

本发明在对电力系统恢复问题特点分析的基础上，提出了一种电力系统恢复的群体多属性辅助决策方法，与现有技术相比，本发明的具体优点如下：

1)该方法可用于电力系统分区分阶段的独立并行恢复，可生成黑启动、网架恢复和负荷恢复阶段的恢复方案，并对多个候选恢复方案进行排序；

2)将恢复方案的生成过程分为三步进行，可减小问题规模，提高方案的生成速度，保证当以恢复时间为优化目标的恢复方案不可行时，方法自适应地变换为以系统安全为优化目标的方案再生成；

3)提出的群体聚合函数可使算法支持群体决策，能够考虑决策者的不同重要程度，更能准确反映实际决策过程；

4)提出的群体多属性决策方法对方案个数和属性间的独立性没有严格要求；

5)能够综合考虑影响系统安全和恢复速度的多个属性，根据当前电网的恢复状况，在线确定恢复目标及其恢复方案，提高系统恢复辅助决策的灵活性和可行性；

6)适用于辅助省调调度员在系统恢复初期的分区独立并行恢复阶段，各子系统内“串行”恢复时的辅助决策，可为离线预案提供有效补充。

附图说明

图1电力系统恢复的群体多属性辅助决策流程；

图2山东电网中泰宁菏子系统的电网结构图；

图3候选恢复方案s₁的操作方案。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

在图1中，根据系统恢复进度，由前述的系统恢复策略动态确定候选恢复目标；利用前述的方案生成算法综合考虑已恢复的系统节点动态生成恢复方案；通过仿真分析和优化调整筛选可行方案，确定候选方案各属性的值，并形成决策矩阵；利用前述的方案评价方法进行方案评价和评价结果的群体聚合。其中，优化调整包括两部分内容：①通过改变机端电压、变压器分接头位置或无功补偿装置的投入量来调节系统母线电压；②当以恢复时间最短为目标的恢复方案不满足安全约束时，采用本发明内容中步骤2：生成候选目标的恢复方案中的方法，进行以线路充电电容之和最小为目标的方案再生成。

本发明以山东电网中泰宁菏子系统的恢复决策过程为优选实施例，说明本发明方法的决策过程。该分区的电网结构如图2所示。设大停电发生后，当前系统的恢复状况为，石横乙电厂的#5机组已由泰山(抽水蓄能)电站提供启动功率，经泰山、天平、桃园及高余站成功启动和并网。下面主要说明下一恢复目标及其恢复方案的确定过程。

根据当前系统的恢复状况，由系统恢复策略可知石横乙电厂与泰山电站并网后，下一步的候选恢复目标为该区域待启动的主力机组。利用前述的方案生成方法可得下一步主要候选恢复目标的恢复方案如表1所示。其中，生成操作方案s₁耗时430ms，具体操作序列如图3所示；若直接采用Dijkstra算法生成操作方案耗时516ms，可见本发明的方案生成算法可以提高方案的生成速度。

表1候选恢复方案

为简化计算，在该实例中，共选取6个属性，包括暂态过电压f₁，工频过电压f₂，辅机启动引起的暂态电压跌落f₃，恢复时间f₄，机组容量f₅以及机组重要程度f₆。各属性值可采用以下方法计算：暂态过电压的属性值用节点所在电压等级的最大允许过电压倍数和实际过电压倍数之差与最大允许过电压倍数的比值来表示；若某一恢复步骤的恢复方案包含多次空充输电线路或变压器的操作，则暂态过电压的属性值取多次操作中安全裕度最小的一个；工频过电压的属性值用节点所在电压等级的最大允许工频过电压数值和实际电压数值之差与最大允许工频过电压数值的比值来表示，该值取恢复方案执行时，系统中工频过电压最严重的节点进行计算；辅机启动引起的暂态电压跌落的属性值利用实际电压和系统允许的最低暂态电压之差与节点额定电压的比值来表示；恢复时间取机组启动时间与恢复路径的操作时间之和，其中，机组启动时间可根据获得启动功率时机组所处的状态，如极热态、热态、温态或冷态来确定，恢复路径的操作时间是通过统计恢复目标所需的各种操作的次数及各种操作的平均操作时间，近似估计获得；机组的重要程度根据机组所在电厂的总装机容量，该机组恢复对后续系统快速恢复的贡献度大小，由决策者给定。经仿真计算，候选恢复方案各属性的仿真结果如表2所示。

表2恢复方案各属性的仿真结果

由表2可见，虽然仿真结果表明以上方案都满足系统的安全约束，但方案s₁的辅机启动时的暂态电压跌落和方案s₃的工频过电压数值均接近其安全限值(国产辅机低压保护的设定值为(0.65p.u.，0.5s)；恢复过程中稳态电压的上限值为1.1p.u.)，在实际的系统恢复过程中可能会由于仿真误差或不确定性因素而发生状态越限。因此，需综合考虑系统安全与恢复速度，谨慎地进行决策。方案s₁充电泰山站至邹县厂的500kV线路时的暂态过电压数值较低，是由于充电时邹县厂投上了3组60Mvar的并联高抗。各方案规范化后的属性值如表3所示，表中数据皆已换算为效益型属性值，其中f₆的数值由决策者根据该机组的恢复对后续系统恢复的影响大小来确定。方案s₁的属性f₆之所以取值较大，是因为该机组所在的邹县电厂装机容量为4540MW，该机组的恢复有利于大电源的快速恢复。

表3规范化后的属性值

假设有2名决策者参与系统恢复的决策过程，他们根据各自的专业知识和运行经验，确定在当前工况下决策时需重点关注的属性，给出的属性权重分别为：w₍₁₎＝(0.06，0.12，0.12，0.35，0.15，0.20)，w₍₂₎＝(0.10，0.10，0.10，0.35，0.15，0.20)。

由式(4)～式(5)可得A⁺和A^-分别为

$A_{\left(1\right)}^{+}=(\mathrm{0.029,0}.\mathrm{045,0.048,0.088,0.033,0.070})$

$A_{\left(1\right)}^{-}=\left(\mathrm{0.003,0.004,0.001,0.055,0.021,0.020}\right)$

$A_{\left(2\right)}^{+}=\left(\mathrm{0.049,0.037,0.040,0.088,0.033,0.070}\right)$

$A_{\left(2\right)}^{-}=\left(\mathrm{0.004,0.003,0.001,0.055,0.021,0.020}\right)$

由式(6)～式(8)可得各个方案到A⁺和A^-的欧氏距离及其与理想解A⁺的相对接近程度如表4所示。

表4方案到A⁺和A^-的欧氏距离及其与A⁺的相对接近程度

设决策者1和决策者2的权重分别为0.4和0.6由式(10)可得各方案的最终评价为

${\stackrel{\‾}{C}}_{1~5}^{+}=\left(\mathrm{0.623,0.537,0.260,0.286,0.479}\right)$

显然，最优的方案排序为(1，2，5，4，3)，方案s₁为最优方案。若不考虑机组的重要程度属性f₆，则各方案的最终评价为

${\stackrel{\‾}{C}}_{1~5}^{+}=\left(\mathrm{0.548,0.743,0.279,0.314,0.449}\right)$

显然，最优的方案排序为(2，1，5，4，3)，方案s₂为最优方案。方案s₁之所以劣于s₂是因为方案s₂的恢复时间较短，且该方案的安全裕度较大，即该方案与系统安全相关的各属性值都没有接近其安全限值。

Claims (7)

1.电力系统恢复群体多属性辅助决策方法，其特征是：它包括如下步骤：

Step1：根据黑启动电源和被启动机组情况，以及停电区域内供电公司的管辖范围，将整个电力系统划分成多个子系统，各子系统至少包含一个黑启动电源，一台被启动机组和一条黑启动路径；

Step2：当大停电发生后，调度主站根据监测到的各子系统的恢复进度，动态确定候选恢复目标；

Step3：生成各个候选恢复目标的恢复方案，且对各个候选恢复方案进行安全校验；

Step4：判断安全校验是否合格，如合格则转入step5继续执行，如不合格则判断是否已优化调整，如已优化调整则剔除不合格的方案，反之则进行优化调整并返回step3对候选恢复方案进行安全校验；

Step5：对所有合格的方案，确定方案的评价属性及属性评价值；

Step6：利用属性评价值建立决策矩阵，对恢复方案进行评价；

Step7：对恢复方案的评价结果进行群体聚合，确定最优的恢复方案。

2.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step2中，候选恢复目标分别为：

根据各子系统的恢复进度，将恢复过程分为黑启动、网架恢复和负荷恢复三个阶段，每阶段的候选恢复目标如下：

在黑启动阶段，优先选择容量为300MW、200MW或100MW的机组为候选恢复目标；

在网架恢复阶段，候选恢复目标的确定顺序为：子系统内的主力机组、重要变电站、区间并网和功率支援；

在负荷恢复阶段，以负荷的大规模快速恢复为候选恢复目标。

3.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step3中，候选目标恢复方案的生成过程分三步进行：

A、首先，在每个发电厂或变电站内部开展内层路径搜索，内层由发电厂或变电站内部的设备组成，将厂/站内的机组、开关、刀闸和变压器设备的端点作为图的顶点，设备作为边，边的权重取设备的操作时间，由Dijkstra算法生成各个厂/站内任意两线路间和机组到任意出线间的最短路；

B、然后，结合内层的搜索结果，进行外层路径搜索；外层由输电线路、发电厂出线节点和变电站出线节点组成；将输电线路端点作为外层图的顶点，输电线路和变电站作为边，边的权重取线路的恢复时间或充电电容；

C、在利用Dijkstra算法生成恢复路径的过程中先将恢复时间作为内、外层边的权重，进行外层路径搜索时，变电站的权重根据外部通路的不同，取值为内层相应出线间的最短距离；

D、最后，根据系统恢复进度，将已恢复的节点作为可选的电源点，利用Dijkstra算法动态生成细化到设备级的目标恢复操作方案；获取加权和最小的恢复路径之后，将最短路中的某一输电线路、开关、刀闸或变压器设备置为检修状态，重新搜索最短路径，即可获得次优的恢复方案，以备选择；若以恢复时间为权重获取的最优方案和次优方案均不能通过安全校验，则将边的权重取为线路的充电电容，此时，站内路径的权重取为0，以线路充电电容之和最小为目标，利用Dijkstra算法寻求安全可行的候选恢复方案。

4.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step3或step4中，安全校验包括进行工频过电压、操作过电压和辅机启动引起的暂态电压跌落的安全校验。

5.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step6中，评价步骤如下：

对于系统恢复问题，在某一恢复步骤，候选恢复目标共有m个恢复方案，m≥1，恢复方案具有n个属性，n≥2，则该多属性决策问题可用一个四元组{S，A，D，W}来表示；其中，S为有限方案集，S＝{s_i}，s_i表示第i个恢复方案，1≤i≤m；A为属性集，A＝{f_j}，f_j表示第j个属性，1≤j≤n；D为决策矩阵D＝{f_ij}，1≤i≥m，1≤j≤n，f_ij为方案s_i的属性f_j的值；W为权重集，W{w_j}，1≤j≤n，w_j为属性f_j的权重，满足0≤w_j≤1，候选目标恢复方案的评价过程如下：

1)建立决策矩阵D；

2)将决策矩阵D中的成本型属性值转换为效益型属性值，然后再规范化，把具有不同量纲的属性值转换为无量纲的属性值，建立标准化决策矩阵R；

R中的元素r_ij的计算方法如下：

$r_{\mathrm{ij}}=f_{\mathrm{ij}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}$

其中，r_ij表示将属性值f_ij规范化后的值；

3)利用标准化决策矩阵R，建立带权重的标准化决策矩阵V；

V中的元素v_ij的计算方法如下

v_ij＝w_jr_ij

式中，w_j为属性f_j的权重，v_ij表示方案s_i的属性f_j的加权评价值；

4)确定理想解A⁺和负理想解A^-；

$A^{+}=\{v_1^{+},...,v_n^{+}\}=\left\{\underset{i}{\max }{v}_{\mathrm{ij}}\right|j=1,...,n\}$

$A^{-}=\{v_1^{-},...,v_n^{-}\}=\left\{\underset{i}{\min }{v}_{\mathrm{ij}}\right|j=1,...,n\}$

其中，理想解是由候选恢复方案各属性的优加权评价值v_j ⁺(1≤j≤n)组成的集合，负理想解是由候选恢复方案各属性的最劣加权评价值v_j ^-(1≤j≤n)组成的集合；

分别表示方案s₁，....，s_n相对应的最优加权评价值，

分别表示方案s₁，....，s_n相对应的最劣加权评价值；

5)计算方案s_i与理想解的欧氏距离D_i ⁺，即

$D_i^{+}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{+})}^2},i=1,...,m$

方案s_i与负理想解的欧氏距离D_i ^-，即

$D_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_{\mathrm{ij}}-v_j^{-})}^2},i=1,...,m$

6)根据D_i ⁺和D_i ^-计算方案s_i与理想解的相对接近程度C_i ⁺；

$C_i^{+}=D_i^{-}/(D_i^{+}+D_i^{-}),0\≤C_i^{+}\≤1,i=1,...,m$

当s_i＝A⁺时，C_i ⁺＝1，当s_i＝A^-时，C_i ⁺＝0；对于所有的s_i，s_k∈S，i，k＝1，…，m，i≠k，满足如下偏好关系

$\left\{\begin{array}{cc}{s}_i>s_k& C_i^{+}>C_k^{+}\\ s_i~s_k& C_i^{+}=C_k^{+}\end{array}\right.$

即若评价值C_i ⁺大于C_k ⁺，则方案s_i，优于方案s_k；若评价值C_i ⁺等于C_k ⁺，则方案s_i的优先级等于方案s_k。

6.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step7中评价结果的群体聚合为：

${\stackrel{\‾}{C}}_i^{+}=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k{C}_{i,\left(k\right)}^{+},\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_k=1,i=1,...,m$

式中表示方案s_i的最终评价值，该值越大，方案越优；α_k表示第k个决策者的权重；C⁺ _i，(k)表示第k个决策者获取的方案si与理想解的相对接近程度。

7.如权利要求1所述的电力系统恢复群体多属性辅助决策方法，其特征是，所述step4中优化调整包括两部分：①通过改变机端电压、变压器分接头位置或无功补偿装置的投入量来调节系统母线电压；②当以恢复时间最短为目标的恢复方案不满足安全约束时，进行以线路充电电容之和最小为目标的方案再生成。

Images