CN103501008B - 基于偏好决策理论的智能avc系统在线控制方法 - Google Patents

Abstract

本发明公开了一种基于偏好决策理论的智能AVC系统在线控制方法，所述控制方法方法通过基于IEC61970标准的数据获取子系统、多目标建模及求解子系统、智能偏好决策子系统和智能在线自动控制子系统实现，通过对电网数据模型进行解析，建立多目标无功优化模型并通过偏好决策方法对多目标模型的pareto解集进行筛选求出满足运行人员偏好的多目标最优解，采用智能在线控制子系统将最优控制方案下发到各个控制设备上，实现了对当前电网多目标情况下的最优多目标无功优化控制，本发明解决了长期以来人们对复杂电网情况下如何在多目标解集中实现快速最优决策并在线控制的问题，实现了电网无功优化的智能决策和控制保证了电网的经济安全和稳定运行。

Description

基于偏好决策理论的智能AVC系统在线控制方法

技术领域

本发明涉及一种基于偏好决策理论的智能AVC系统在线控制方法，属于电力系统自动控制领域。

背景技术

近年来，人们对无功电压(AVC)控制的方法进行了大量的研究，并取得了很多成果。传统无功电压(AVC)控制是以系统有功网损最小为目标，实现了无功分层分区就地平衡，电压合格率和功率因数得到了显著的提高，同时还提高了电网调度自动化水平，对电网安全稳定经济运行做出了重要的贡献。但是随着电网的不断发展，传统的无功电压控制已经无法适应现代电网的复杂需求，特别是调度运行人员对电网无功电压优化控制提出了更高的要求，已经不单单是以全网网损为目标，而且对抵御电压崩溃风险能力，电能质量等方面都提出了新的要求，随着智能电网的深入发展，无功优化控制也趋向于智能决策。针对这种情况本发明从系统建模入手，建立无功优化多目标模型并通过多目标优化算法求出多目标的最优Pareto解集，为了能使最终的决策方案具有智能化和较强的适应性，本发明考虑了在不同负荷下的决策方案，以及在融入运行人员的偏好情况下的决策方案，力求能较大限度的实现电网复杂情况下的智能决策。

本发明在前人提出和使用的各种方法的基上加以改进，提出了一种基于偏好决策理论的智能AVC系统及在线控制方法，并将这种方法应用到实际在线控制中去，以解决复杂电网下的无功电压优化智能决策的在线决策和控制的问题。

发明内容

本发明所要解决的技术问题是提供一种基于偏好决策理论的智能AVC系统在线控制方法。

为了解决上述技术问题，本发明设计了一种基于偏好决策理论的智能AVC系统在线控制方法，所述控制方法通过基于IEC61970标准的数据获取子系统、多目标建模及求解子系统、智能偏好决策子系统和智能在线自动控制子系统实现，包括如下具体步骤：

步骤（1）：通过基于标准IEC61970模型的CIS接口获取数据；

步骤（2）：将步骤（1）中获取的数据整合为智能AVC计算数据；

步骤（3）：对计算数据进行智能校验，如果通过校验则转入步骤（4），否则系统先进行告警然后转入步骤（7）；

步骤（4）：利用上述智能AVC计算数据建立多目标优化模型并利用求解子系统进行求解，获得最优Pareto解集；

步骤（5）：对步骤（4）中的最优Pareto解集采用智能偏好决策子系统获得满足运行人员偏好的最优控制方案；

步骤（6）：将上述最优决策方案由智能在线自动控制子系统下发到控制设备上，实现闭环控制。

作为本发明的一种优化方法：所述步骤（1）中具体包括CIS数据接口服务。

作为本发明的一种优化方法：所述步骤（2）中包括基于GDA和CORBA组件的系统模型数据读取和解析及基于HSDA和CORBA组件的系统实时数据读取和解析。

作为本发明的一种优化方法：所述智能校验操作具体包括智能遥测数据校验、智能遥信状态校验、智能参数逻辑校验、智能约束校验和潮流精度校验。

作为本发明的一种优化方法：所述步骤（4）中多目标优化模型中的多目标包括网损最小目标和电压稳定最大目标，所述多目标优化模型求解采用多目标NSGA-II进化方法获得非劣最优解集。

作为本发明的一种优化方法：所述步骤（5）包括Pareto最优解集的聚类分析、智能匹配分析和偏好决策分析。

作为本发明的一种优化方法：所述步骤（6）包括最优决策方案的转换、控制命令的反校和控制命令的执行。

本发明与现有技术相比具有如下优点：

1.本发明从当前及今后电网发展的实际需求出发，综合考虑包含网损，电压稳定欲度以及电压质量等因素，构建多目标优化模型并通过多目标算法进行Pareto最优解集的求解，考虑到电网负荷变化和调度运行人员的偏好对决策的方案的影响，以偏好决策理论为基础，实现了包括电网运行人员偏好在内的不同情下的无功优化偏好决策和在线控制；

2.本发明降低了全网损耗，降低了电压崩溃风险，提高了电能质量，实现了基于负荷变化和决策人员偏好的最优电网无功优化调度方案，为电网安全经济稳定运行提供定量的决策方案；

3.本发明是在传统AVC在线控制研究基础上结合当前智能电网发展的实际情况，提出了一种新的基于偏好决策理论的智能AVC系统及在线控制方法，并将这种方法应用到实际在线控制中去，以解决复杂电网下的无功电压优化智能决策的在线控制的问题；

4.本发明能够实现改善电压质量、降低电压崩溃风险和减小电网网损的综合优化效果；

5.针对电网复杂多变和决策困难的实际情况，本发明基于偏好决策理论，考虑不同负荷情况下的决策方法并将运行调度人员的偏好融入在线决策，实现了考虑电网实际运行情况下的融入调度运行人员偏好的智能决策，为复杂电网多目标情况下的在线无功优化最优智能决策提供了新的思路。

附图说明

图1是本发明的方法总体流程图；

图2是系统获取数据流程图；

图3是智能校验方法流程图；

图4是智能在线控制子系统流程图；

图5是智能偏好决策子系统流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步详细的描述。

如图1所示，本发明设计了一种基于偏好决策理论的智能AVC系统在线控制方法，所述控制方法通过基于IEC61970标准的数据获取子系统、多目标建模及求解子系统、智能偏好决策子系统和智能在线自动控制子系统实现，包括如下具体步骤：

步骤（1）：通过基于标准IEC61970模型的CIS接口获取数据；

步骤（2）：将步骤（1）中获取的数据整合为智能AVC计算数据；

步骤（3）：对计算数据进行智能校验，如果通过校验则转入步骤（4），否则系统先进行告警然后转入步骤（7）；

步骤（4）：利用上述智能AVC计算数据建立多目标优化模型并利用求解子系统进行求解，获得最优Pareto解集；

步骤（5）：对步骤（4）中的最优Pareto解集采用智能偏好决策子系统获得满足运行人员偏好的最优控制方案；

步骤（6）：将上述最优决策方案由智能在线自动控制子系统下发到控制设备上，实现闭环控制。

为了更清楚的说明本发明，下面将对相关内容进行展开说明。

（一）基于标准IEC61970的数据接口

本系统的数据获取采用基于标准的IEC61970中的CIS部分来获取模型和数据而在接口实现方面采用CORBA组件技术来实现。

CIS接口：

IEC61970意在提供一套与模型无关的接口，为建立开放系统提供基础，CIS是其中的一个重要组成部分，CIS中最重要、发展较成熟的部分有1)通用数据访问（GDA），提供数据的插入、更新和删除等功能；2)高速数据访问（HSDA），提供对实时性要求极高的数据的查询访问功能，系统采用这两种功能作为主要的数据获取方式。

CORBA组件：

电力系统运行在一个典型的异构环境中，普遍采用中间件来解决这一问题。目前主流的中间件技术有COM/DCOM/COM+、CORBA、EJB等。COM/DCOM/COM+受限于Windows操作系统，对Unix的支持性差；EJB受限于Java语言。而对象管理组织（OMG）制定的公共对象请求代理构架（CORBA）规范在跨语言性能，跨平台能力、网络通信能力等方面都具有优点，是目前较多采用的方法。

具体步骤如图2所示：

步骤1启动CIS服务接口；

步骤2采用GDA（通用数据访问）方式获取实时模型，并用CORBA组件实现模型获取；

步骤3采用HSDA（高速数据访问）方式获取实时数据，并用CORBA组件实现实时数据的获取；

步骤4将获得的模型和实时数据进行数据整合，形成智能AVC的计算数据。

（二）智能校验方法

智能校验方法主要是对系统计算前的数据进行校验，以保证计算数据的可靠性，具体步骤如图3所示：

步骤1.对系统遥测数据进行校验，主要对有明显错误的遥测数据进行校验，例如：有功，无功遥测数据的突变，电压遥测值严重脱离电压等级范围等情况。当出现遥测数据有误时转入步骤7，否则转入步骤2；

步骤2.对遥信数据进行校验，主要对遥信误数据的检测，开关的遥信号通过对比其开关上的遥测值来对比校验，当检测到遥信数据与遥测值不一致的时（例如：某开关的遥信值为分，但是测量到流过该开关的电流和功率的遥测值大于某一阀值）则转入步骤7，否则转入步骤3；

步骤3.对关联数据进行校验，主要关联数据检测对象是线路两端的电压，有功，无功的遥测数据，以电压为例（其它遥测数据的校验方法类似），检验的方法是以某一母线为初始点，寻找通过线路与其相连的母线的电压值，若线路两端的母线电压值间的误差大于给定的阀值（阀值由运行人员给出），则认为线路两端的母线电压遥测值采集可能有误，需要排查。若出现关联数据有误则转入步骤7，否则转入步骤4；

步骤4.对约束进行校验，为了防止变量的约束范围录入的人为错误，对变量的约束进行校验，主要对电压约束范围，机组无功约束范围进行校验，电压约束范围的校验根据电压所在的电压等级设定约束范围的校验（一般电压约束范围不应超过国家规定的各个电压等级的约束上下限的范围），而机组的无功约束范围则可根据机组的功率因数上下限来转换校验机组无功上下限的范围（功率因数：机组无功：若校验正确则转入步骤5，否则转入步骤7；

步骤5.对初始潮流精度进行校验，系统在进行优化计算前需要对获取数据的可靠性和完备性进行大致的校验，本发明提出一种采用对比潮流计算前后结果的方法来对初始潮流精度进行校验，该方法通过对比潮流计算前后的节点电压幅值和支路首末节点无功值来确定系统数据是否可用。定义精度变量T如下：

$T=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\right|U_i^f-U_i^l|/U_i^f)+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\{\left(\right|Q_j^{\mathrm{ff}}-Q_j^{\mathrm{fl}}|/Q_j^{\mathrm{ff}})+\left(\right|Q_j^{\mathrm{lf}}-Q_j^{\mathrm{ll}}|/Q_j^{\mathrm{lf}})\}---\left(2.1\right)$

n:表示电网的节点个数m:表示电网的支路个数

表示第i个节点潮流计算前的节点电压值，表示第i个节点潮流计算后的节点电压值。表示第j条支路首端潮流计算前无功值，表示第j条支路首端潮流计算后无功值，表示第j条支路末端潮流计算前无功值，表示第j条支路末段潮流计算后无功值当T≤α(α为运行人员给定的阀值)时系统通过潮流精度校验转入步骤6，否则转入步骤7。

步骤6.智能校验结束。

步骤7.退出系统并报警。

（三）多目标建模方法

本系统无功优化目标函数包括技术目标和经济目标。其中经济目标主要包括系统的有功网损最小；而技术目标则包括系统各负荷节点的电压水平最好(电压波动最小)，系统的电压稳定裕度(VoltageStabilityMargin)最大。因此目标函数可表达式为：

$f\left(x\right)=\left\{\begin{array}{c}\min \left(P_{\mathrm{Loss}}\right)\\ \max \left({\mathrm{\δ}}_{\min }\right)\\ \min \left(\mathrm{\ΔV}\right)\end{array}\right.---\left(3.1\right)$

1）系统有功网损目标

$P_{\mathrm{Loss}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{V}_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j{G}_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}---\left(3.2\right)$

P_Loss为传输系统的有功损耗；

V为电压的幅值（发电机端电压作为控制变量，可调节）；

i=1，2，L，n；

j为与节点i相联的节点。

2）系统电压稳定裕度目标

本文将收敛的雅可比矩阵的最小模特征值最大化作为系统无功潮流优化的目标之一，即：

max(δ_min)=max(min|eig(J)|)

式中：J为收敛潮流的雅可比矩阵，eig(J)表示雅可比矩阵的所有特征值的模，min|eig(J)|表示雅可比矩阵最小特征值的模。

3）电压偏差目标

电压偏移的目标函数就是将各节点的电压与理想电压值范围的偏移量总和最小化，即提高负荷节点的电压水平。理想电压值范围与状态变量中节点电压约束条件不同，前者电压标幺值的范围要比后者的范围小，例如前者为[0.95，1.05]，后者为[0.93，1.07]。电压偏移的目标函数主要是使系统运行在一个更为理想的状态条件下，函数可表达为：

$\min \left(\mathrm{\ΔV}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{V_i-V_i^{\mathrm{spec}}}{{\mathrm{\ΔV}}_i^{\max }}\right]}^2$

式中V_i表示：负荷节点i的实际电压，表示：负荷节点i的期望电压，表示负荷节点i的最大允许电压偏差

等式约束方程

无功潮流优化的等式约束主要是潮流方程的等式约束，控制变量的约束条件(变压器分接头的调节、无功补偿容量的确定，发电机端电压的调节)都必须满足系统的潮流方程： $\left\{\begin{array}{c}{\mathrm{\ΔP}}_i=P_{\mathrm{Gi}}-P_{\mathrm{Li}}-V_i\underset{j\∈i}{\mathrm{\Σ}}{V}_j(G_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}})=0\\ {\mathrm{\ΔQ}}_i=Q_{\mathrm{Gi}}+Q_{\mathrm{Ci}}-Q_{\mathrm{Li}}-V_i\underset{j\∈i}{\mathrm{\Σ}}\mathrm{Vj}(G_{\mathrm{ij}}\sin {\mathrm{\θ}}_{\mathrm{ij}}-B_{\mathrm{ij}}\cos {\mathrm{\θ}}_{\mathrm{ij}})=0\end{array}\right.$ （3.5）

式中：P_Gi，Q_Gi分别为节点i上发电机的有功和无功出力；P_Li，Q_Li分别节点i上负荷的有功和无功功率；G_ij，B_ij和θ_ij分别为节点i和j之间的电导、电纳和电压相角差；n为节点总数。

不等式约束

无功潮流优化的变量约束可分为状态变量约束和控制变量约束，其中控制变量为：可调变压器的变比，无功补偿容量以及发电机端电压；状态变量分为各负荷节点的电压和各发电机的无功出力和有功出力的限制，那么无功潮流优化变量约束条件的不等式可表示为

控制变量约束条件：

$\left\{\begin{array}{cc}{\underset{\&OverBar;}{V}}_i<V_i<{\stackrel{\&OverBar;}{V}}_i& i\&Element;S_G\\ {\underset{\&OverBar;}{T}}_i<T_i<{\stackrel{\&OverBar;}{T}}_i& i\&Element;S_T\\ {\underset{\&OverBar;}{Q}}_i<Q_i<{\stackrel{\&OverBar;}{Q}}_i& i\&Element;S_C\end{array}\right.---\left(3.6\right)$

式中：V_i，T_i，Q_i分别表示发电机机端电压，变压器变比，补偿设备容量。分别表示各控制变量对应的上下限。S_G为所有机端拓扑点的集合；S_C为并联补偿设备的集合；S_T为变压器有载调压抽头的集合。

状态变量约束条件：

$\left\{\begin{array}{cc}{\underset{\&OverBar;}{Q}}_g<Q_g<{\stackrel{\&OverBar;}{Q}}_g& g\&Element;S_G\\ {\underset{\&OverBar;}{Q}}_d<Q_d<{\stackrel{\&OverBar;}{Q}}_d& d\&Element;S_l\\ {\underset{\&OverBar;}{V}}_l<V_l<{\stackrel{\&OverBar;}{V}}_l& 1\&Element;S_l\end{array}\right.---\left(3.7\right)$

式中：Q_g，Q_d，V_l，分别表示发电机无功出力，各负荷节点无功值和运行电压值，分别对应的各自状态变量的最小、最大值。

（四）多目标优化问题的求解方法

本系统中的目标函数为多目标，对多目标的求解一般采用加权的方法将多目标转化为单目标，但是权重的选择十分的困难，本系统采用Pareto最优解集的思想来求解多目标优化问题，通过获得Pareto最优曲面来获得最优解集。

本系统采用一种基于精英策略的非劣分类遗传算法（NSGA-II）。在NSGA-II中，首先用种群规模大小为N的父代种群P₀产生种群规模大小为N的子代种群Q₀，并将两个种群合并在一起形成大小为2N的种群R_t=P₀UQ₀。然后使用非劣分类排序将整个种群R_t分等级。尽管与只对Q₀进行非劣分类相比，它需要做更多的工作，但是它允许在整个子代和父代进行全局的非劣检验。一旦结束非劣分类，新种群P_t+1由N个不同的非劣等级的个体填充。填充过程从最高非劣等级开始，接着是第二非劣等级，依此类推。NSGA-II算法的具体步骤如下：

步骤1.随机产生规模为N的初始种群P₀，对其进行快速非支配排序，并给每个个体指定适应度值(适应度值等于个体的排序序值)，设进化代数t=0；

步骤2.对父代种群P₀进行选择、交叉和变异操作，产生子代种群Q₀；

步骤3.将父代种群P₀和子代种群Q₀合并组成规模为2N的合成种群P_t；进行快速非支配排序，将P_t中的全部2N个个体按非支配序号（等级）重新分类，得到等级F₁，F₂，F₃…；计算每一非支配层的个体局部拥挤距离并排序；

步骤4.对P_t种群进行非劣分类操作。按照非劣等级从低到高排序，并在排序的结果中选取N个个体作为新的父代种群P_t+1；

步骤5.通过选择，交叉，变异产生新的子代种群Q_t+1；

步骤6.重复步骤2至步骤4，直到达到算法设置的最大迭代次数，计算结束。

（五）模糊C均值（FCM）聚类方法

本系统主要采用模糊C均值对Pareto最优解集进行聚类，令Pareto最优集为样本集合，c为预定的类别数目，满足2≤c≤n，m_j(j=1，2，...，c)为每个聚类的中心，是第i个样本对于第j类的隶属度函数。用隶属度函数定义的聚类损失函数可表示为

$J_f=\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[u_j\left(x_i^{*}\right)\right]}^b{\left|\right|x_i^{*}-m_j\left|\right|}^2---\left(5.1\right)$

式中，b为控制聚类结果的模糊程度的常数，一般取b=2

在不同的隶属度定义下最小化（5.1）损失函数，得到不同的模糊聚类方法。FCM算法要求一个样本对各个聚类的隶属度之和为1，既

$\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_j\left(x_i^{*}\right)=1,i=\mathrm{1,2},...n---\left(5.2\right)$

通过式5.3，5.4迭代更新隶属度函数和各类的聚类中心，使得聚类损失函数J_f最小。当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而实现了模糊聚类划分。

$u_j\left(x_i^{*}\right)=\frac{{(1/{\left|\right|x_i^{*}-m_j\left|\right|}^2)}^{1/(b-1)}}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left({1/|{|x}_i^{*}-m_k||}^2\right)}^{1/(b-1)}},i=\mathrm{1,2},L,n;j=\mathrm{1,2},L,c---\left(5.3\right)$

$m_j=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[u_j\left(x_i^{*}\right)\right]}^b{x}_i^{*}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[u_j\left(x_i^{*}\right)\right]}^b},j=\mathrm{1,2},L,c---\left(5.4\right)$

（六）智能偏好决策流程

在获得多目标Pareto最优解集后要对解集进行处理，根据电网负荷情况和运行人员偏好情况来获得最终的决策和控制方案，智能偏好决策的具体步骤如图5所示：

步骤1.获得Pareto最优解集的个数，比较Pareto最优解集的个数和阀值K1之间的关系，如果解集的个数小于阀值则直接进入步骤2，否则分别用Pareto解集中三个目标函数的极值点作为聚类中心，进行FCM聚类，产生三个聚类再进入步骤2；

步骤2.判断当前电网电压稳定欲度，若小于K2指标，转入步骤3，否则转入步骤4.

步骤3.则采用极端决策，将多目标优化问题转为电压稳定欲度最大的单目标问题求解，求解后转入步骤9；

步骤4.判断是否有运行人员偏好设置，如果有运行人员偏好设置，则转入步骤5，否则转入步骤6；

步骤5.根据用户偏好设置采用偏好决策方法获得偏好决策方案，若已经产生聚类，则偏好决策在用户定义偏好的聚类解集中执行，既：如果用户定义偏好网损，则决策在以网损最小为聚类的解集中进行决策，若初始没有产生聚类，则在整个解集中执行偏好决策（详细内容见第七部分多属性偏好决策理论中偏好决策部分），得到偏好决策方案后转入步骤9；

步骤6.根据当前负荷和超短期负荷预测的结果判断后续负荷是属于平稳变化还是爬坡或下降。如果后期负荷属于平稳变化，则转入步骤7，否则转入步骤8；

步骤7.如果后续负荷是平稳变化，则对整个Pareto解集采用无偏决策，得到无偏方案（详细内容见第七部分多属性偏好决策理论中无偏决策部分），转入步骤9；

步骤8.如果后续负荷变化是爬坡，则后续电压可能会升高，且无功补偿设备可能会投入，导致的结果为系统网损可能会下降，此时可以考虑以网损为偏好，在网损最小的聚类解集中进行偏好决策（若无聚类，则对整个Pareto解集采用偏好决策），如后续负荷处于下降，此时因尽量保持电压的平稳过渡，因此选择电压质量为偏好，在电压质量最好的聚类解集中进行偏好决策（若无聚类，则对整个Pareto解集采用偏好决策）（详细内容见第七部分多属性偏好决策理论中偏好决策部分），转入步骤9；

步骤9.获得最终决策方案并将最终的决策方案转为系统的控制方案进行在线控制。

（七）多属性偏好决策理论和方法

多属性决策是现代决策科学的一个重要组成部分，它在工程、经济、管理和军事等诸多领域中有着广泛的理论与实际应用背景，多属性决策的实质是:利用己有的决策信息通过一定的方式对一组(有限个)备选方案进行排序并择优。在本系统中主要用到两类多属性决策方法，一类是属性权重完全未知的多属性决策方法，该方法主要用于对属性权重没有偏好的情况，用于本系统中方案的无偏决策。另一类是属性权重不确定由运行人员给出模糊的权重区间，并且运行人员对某些目标具有偏好，该方法主要用于权重不确定且对目标有偏好的情况，用于本系统中方案的偏好决策。

1.对属性权重无偏决策方法：

对属性权重无偏决策方法主要用于本系统在负荷平稳时候的对Pareto最优解集中的解进行无偏决策，在Pareto解集中，每一个解都是一个方案，每一个目标函数都可看成是一个属性，目标函数对应的值可看成是属性值，对于本系统可设X={x₁，x₂，...，x_n}为方案集，

U={u₁，u₂，...，u_n}为属性集，属性权重信息完全未知。具体的决策步骤如下：

步骤1.对于方案x_i，按属性u_j进行测度，得到x_i关于u_j的属性值a_ij，从而生成决策矩阵A=(a_ij)_n×m(a_ij>0)；

步骤2.利用规范化公式，对决策矩阵A进行规范化处理，得到规范化矩阵R。对于多属性决策问题，属性类型主要有效益型和成本型。本系统中有三个属性，需要判断每个属性是属于成本型还是效益型属性，所谓成本型属性是指属性值越小越好，所谓效益型属性是指属性值越大越好，因此网损和电压质量可看做是成本型指标，而电压稳定欲度可以看成是效益型指标；

$r_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{i}{\max }\left\{a_{\mathrm{ij}}\right\}},i\&Element;N,j\&Element;I_1$ （7.1）

$r_{\mathrm{ij}}=\frac{\underset{i}{\min }\left\{a_{\mathrm{ij}}\right\}}{a_{\mathrm{ij}}},i\&Element;N,j\&Element;I_2$

其中I₁和I₂分别为效益型和成本型属性的下标集合。决策矩阵A经过规范化处理后，得到规范化矩阵R=(r_ij)_n×m；

步骤3.采用集结决策信息的有序加权几何平均(OWGA)算子，对属性进行集结，利用有序加权几何平均(OWGA)算子g对各方案x_i(i∈N)的属性值进行集结，求得其综合属性值z_i(i∈N)，z_i的求法如（7.2）所示，

其中，w=(w₁，w₁，...，w_m)^T是与g相关联的指数加权向量w_k≥0，k∈M，且b_ik是r_ij(j∈M)中第k个最大的元素。

$z_i=g(r_{l1},r_{l2},K,r_{\mathrm{lm}})=\underset{k=1}{\overset{m}{\mathrm{\&Pi;}}}{b}_{\mathrm{ik}}^{w_k}---\left(7.2\right)$

本系统采用的算子g称为S-OWGA算子，定义如下：

(1)若w₁=(1-λ)/n+λ，w_i=(1-λ)/n+λ，i≠1，且λ∈[0，1]，则:

λf^*(α₁，α₂，...，α_n)+(1-λ)f_Ave(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)

$\&GreaterEqual;({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)=g^{*\mathrm{\&lambda;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)g_{\mathrm{Ave}}^{1-\mathrm{\&lambda;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)---\left(7.3\right)$

特别地，当λ=0时，

f_Ave(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)≥g(α₁，α₂，...，α_n)=g_Ave(α₁，α₂，...，α_n)；

当λ=1时，

f^*(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)≥g(a₁，a₂，...，a_n)=g^*(α₁，α₂，...，α_n)。

(2)若w₁=(1-μ)/n，i≠n，w_n=(1-μ)/n+μ，且μ∈[0，1]，则

μf_*(α₁，α₂，...，α_n)+(1-μ)f_Ave(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)

$\&GreaterEqual;g({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)=g_{*}^{\mathrm{\&mu;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)g_{\mathrm{Ave}}^{1-\mathrm{\&lambda;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)---\left(7.4\right)$

特别地，当μ=0时，

f_Ave(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)≥g(α₁，α₂，...，α_n)=g_Ave(α₁，α₂，...，α_n)。

当μ=1时，

f_*(α₁，α₂，...，α_n)=f(α₁，α₂，...，α_n)≥g(a₁，a₂，...，a_n)=g_*(α₁，α₂，...，α_n)。

(3)若

w₁=[1-(λ+μ)]/n+λ，w_i=[1-(λ+μ)]/n，i=2，...，n-1，w_n=[1-(λ+μ)]/n+μ，λ，μ∈[0，1]，λ+μ≤1，则

λf^*(α₁，α₂，...，α_n)+μf_*(α₁，α₂，...，α_n)+[1-(λ+μ)]f_Ave(α1，α₂，...，α_n)=f(α₁，α₂，...，α_n)

$\&GreaterEqual;g({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)=g^{*\mathrm{\&lambda;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)g_{*}^{\mathrm{\&mu;}}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)g_{\mathrm{Ave}}^{[1-(\mathrm{\&lambda;}+\mathrm{\&mu;})]}({\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,...,{\mathrm{\&alpha;}}_n)$ (7.5)

特别地，当μ=0时，即为情形(1)；当λ=0时，即为情形(2)，本系统中取λ=0.2；

步骤4.按z_i(i∈N)的大小对方案进行排序，并选择z_i值最大的方案做为无偏决策方案；

步骤5.本次决策结束。

2.对属性权重有偏好决策方法：

在本系统中当负荷处于爬坡和下降以及用户有偏好设置的时候，系统将处于偏好决策阶段，相对于无偏决策，系统将人为的偏好加入到决策中去，但是人为偏好一般很难准确的用权重来表示，运行人员一般使用区间来模糊的表达对目标的偏好情况，运行人员在设置偏好的时候，可以设置对某一属性有偏好，偏好的程度可以用权重来模糊体现，例如：可以假设运行人员对网损有偏好，偏好的权重在[w₁，w₂]。

我们可以设：

$H=\{w={(w_1,w_2,L,w_m)}^T|0\&le;w_l^L\&le;w_l\&le;w_l^U,\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_j=1\}$ $w_l^L$ 和 $w_l^U$ 分别为w_l的下界和上界。

具体的决策步骤方法如下：

步骤1.对于方案x_i，按属性u_j进行测度，得到x_i关于u_j的属性值a_ij，从而生成决策矩阵A=(a_ij)_n×m(a_ij>0)；

步骤2.利用规范化公式，对决策矩阵A进行规范化处理，得到规范化矩阵R。对于多属性决策问题，属性类型主要有效益型和成本型。本系统中有三个属性，需要判断每个属性是属于成本型还是效益型属性，所谓成本型属性是指属性值越小越好，所谓效益型属性是指属性值越大越好，因此网损和电压质量可看做是成本型指标，而电压稳定欲度可以看成是效益型指标。利用下列公式将决策矩阵A规范化

$r_{\mathrm{ij}}=(a_{\mathrm{ij}}-\underset{j}{\min }{a}_{\mathrm{ij}})/(\underset{j}{\max }{a}_{\mathrm{ij}}-\underset{j}{\min }{a}_{\mathrm{ij}}),i\&Element;I_1,j\&Element;N---\left(7.6\right)$

$r_{\mathrm{ij}}=(\underset{j}{\min }{a}_{\mathrm{ij}}-a_{\mathrm{ij}})/(\underset{j}{\max }{a}_{\mathrm{ij}}-\underset{j}{\min }{a}_{\mathrm{ij}}),i\&Element;I_2,j\&Element;N---(7.7)$

其中I₁，I₂分别表示效益型、成本型下标的集合，得到规范化矩阵:R=(r_ij)_n×m；

步骤3.分别求方案x_i(i∈N)的综合理属性理想值和综合理属性负理想值求解方法如下：

若w=(w₁，w₂，L，w_m)^T是单目标优化模型如下式所示：

$\max z_i\left(w\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}}{w}_j,i\&Element;N$

s.tw=(w₁，w₂，L，w_m)^T∈H（7.8）

w_i≥0

的最优解，则称为方案x_i(i∈N)的综合属性理想值。

若w=(w₁，w₂，L，w_m)^T是单目标优化模型如下式所示：

$\min z_i\left(w\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}}{w}_j,i\&Element;N$

s.tw=(w₁，w₂，L，w_m)^T∈H（7.9）

w_i≥0

的最优解，则称为方案x_i(i∈N)的综合属性负理想值。根据上面的公式分别求出w_i的值，进而求出合理属性理想值和综合理属性负理想值

步骤4.求各个方案的满意度，称u(x_j)为方案x_j的满意度，满意度计算公式如下：

$u\left(x_j\right)=\frac{z\left(x_j\right)-z_j^{\min }}{z_j^{\max }-z_j^{\min }},j\&Element;N---\left(7.10\right)$

对系统每个方案而言，其满意度u(x_j)总是越大越好。但是，方案的优劣必须在统一的标准下才能区分出来，因此，各个方案的综合属性值必须是同一个属性权重向量w=(w₁，w₂，L，w_m)^T，为此，可建立如下单目标优化模型

$\max u==\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}u\left(x_j\right)$

s.tw=(w₁，w₂，L，w_m)^T∈H（7.11）

w_i≥0

$\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_i=1$

求解出最优权重向量 $w^{*}={(w_1^{*},w_2^{*},L,w_m^{*})}^T;$

步骤5.根据最优权重向量，计算各个方案的综合属性值，公式如下：

$z\left(x_j\right)=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}}{w}_j^{*},j\&Element;N---\left(7.12\right)$

步骤6.按z_i(i∈N)的大小对方案进行排序，并选择z_i值最大的方案做为最优偏好决策方案；

步骤5.本次决策结束。

（八）智能在线控制方法

获得最优决策方案后需要对决策方案进行闭环控制，具体步骤如图4所示：

步骤1.将决策方案转为在线控制方案，由于不同的控制接口有不同的控制命令格式，所以需要将决策方案转变为特定接口的控制命令格式进行控制，例如：决策方案中电厂无功出力的优化结果可转变为电厂无功出力的控制命令，对有SVC的动态补偿节点而言可将该节点的最优补偿计算容量作为调节命令下发到SVC控制设备，电容和电抗器的控制方案转为对设备的投切命令，主变档位的调节方案转换为档位的升或降命令。

步骤2.通过接口下发命令到控制设备进行控制，执行步骤3；

步骤3.控制接口对控制命令进行反校，若命令反校成功，则执行步骤4，否则执行步骤5；

步骤4.执行控制命令，转入步骤6；

步骤5.系统告警，转入步骤6；

步骤6.本次控制结束。

Claims (7)

1.一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于：所述控制方法通过基于IEC61970标准的数据获取子系统、多目标建模及求解子系统、智能偏好决策子系统和智能在线自动控制子系统实现，包括如下具体步骤：

步骤(1)：通过基于标准IEC61970模型的CIS接口获取数据；

步骤(2)：将步骤(1)中获取的数据整合为智能AVC计算数据；

步骤(3)：对计算数据进行智能校验，如果通过校验则转入步骤(4),否则系统先进行告警然后退出系统；

系统在进行优化计算前对获取数据的可靠性和完备性进行大致的校验，采用对比潮流计算前后结果的方法来对初始潮流精度进行校验，该方法通过对比潮流计算前后的节点电压幅值和支路首末节点无功值来确定系统数据是否可用，定义精度变量T如下：

$T=\underset{i=1}{\overset{n}{\&Sigma;}}\left(\right|U_i^f-U_i^l|/U_i^f)+\underset{j=1}{\overset{m}{\&Sigma;}}\{\left(\right|Q_j^{ff}-Q_j^{fl}|/Q_j^{ff})+\left(\right|Q_j^{lf}-Q_j^{ll}|/Q_j^{lf})\}$

n:表示电网的节点个数，m:表示电网的支路个数，表示第i个节点潮流计算前的节点电压值，表示第i个节点潮流计算后的节点电压值，表示第j条支路首端潮流计算前无功值，表示第j条支路首端潮流计算后无功值，表示第j条支路末端潮流计算前无功值，表示第j条支路末端潮流计算后无功值，当T≤α时系统通过潮流精度校验，α为运行人员给定的阈值；

步骤(4)：利用上述智能AVC计算数据建立多目标优化模型并利用求解子系统进行求解，获得最优Pareto解集；

步骤(5)：对步骤(4)中的最优Pareto解集采用智能偏好决策子系统获得满足运行人员偏好的最优控制方案；包括如下具体内容：

步骤5.1.获得Pareto最优解集的个数，比较Pareto最优解集的个数和阈值K1之间的关系，如果解集的个数小于阈值则直接进入步骤5.2，否则分别用Pareto解集中三个目标函数的极值点作为聚类中心，进行FCM聚类，产生三个聚类再进入步骤5.2；其中，三个目标函数是：

$f\left(x\right)=\left\{\begin{array}{c}min\left(P_{Loss}\right)\\ max\left({\mathrm{\&delta;}}_{\min }\right)\\ min\left(\mathrm{\&Delta;}V\right)\end{array}\right.$

其中，P_Loss为传输系统的有功损耗，δ_min为收敛的雅可比矩阵的最小模特征值，ΔV为各节点的电压与理想电压值范围的偏移量总和；

步骤5.2.判断当前电网电压稳定裕度，若小于K2指标，转入步骤5.3，否则转入步骤5.4；

步骤5.3.则采用极端决策，将多目标优化问题转为电压稳定裕度最大的单目标问题求解，求解后转入步骤5.9；

步骤5.4.判断是否有运行人员偏好设置，如果有运行人员偏好设置，则转入步骤5.5，否则转入步骤5.6；

步骤5.5.根据用户偏好设置采用偏好决策方法获得偏好决策方案，若已经产生聚类，则偏好决策在用户定义偏好的聚类解集中执行，即：如果用户定义偏好网损，则决策在以网损最小为聚类的解集中进行决策，若初始没有产生聚类，则在整个解集中执行偏好决策，得到偏好决策方案后转入步骤5.9；

步骤5.6.根据当前负荷和超短期负荷预测的结果判断后期负荷是属于平稳变化还是爬坡或下降，如果后期负荷属于平稳变化，则转入步骤5.7，否则转入步骤5.8；

步骤5.7.如果后期负荷是平稳变化，则对整个Pareto解集采用无偏好决策，得到无偏好方案，转入步骤5.9；

步骤5.8.如果后期负荷变化是爬坡，则以网损为偏好，在网损最小的聚类解集中进行偏好决策，若无聚类，则对整个Pareto解集采用偏好决策，如后期负荷处于下降，此时选择电压质量为偏好，在电压质量最好的聚类解集中进行偏好决策，若无聚类，则对整个Pareto解集采用偏好决策，转入步骤5.9；

步骤5.9.获得最终决策方案并将最终的决策方案转为系统的控制方案进行在线控制；

步骤(6)：将上述最优决策方案由智能在线自动控制子系统下发到控制设备上,实现闭环控制。

2.根据权利要求1所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于，所述步骤(1)中具体包括CIS数据接口服务。

3.根据权利要求1或2所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于，所述步骤(2)中包括基于GDA和CORBA组件的系统模型数据读取和解析及基于HSDA和CORBA组件的系统实时数据读取和解析。

4.根据权利要求3所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于：所述智能校验操作具体包括智能遥测数据校验、智能遥信状态校验、智能参数逻辑校验、智能约束校验和潮流精度校验。

5.根据权利要求4所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于：所述步骤(4)中多目标优化模型中的多目标包括网损最小目标和电压稳定最大目标，所述多目标优化模型求解采用多目标NSGA-II进化方法获得非劣最优解集。

6.根据权利要求5所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于：所述步骤(5)包括Pareto最优解集的聚类分析、智能匹配分析和偏好决策分析。

7.根据权利要求6所述的一种基于偏好决策理论的智能AVC系统在线控制方法，其特征在于：所述步骤(6)包括最优决策方案的转换、控制命令的反校和控制命令的执行。