CN103744850A - 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 - Google Patents

Abstract

一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法，调用数据库单元中的历史灾害数据；根据采集到的历史灾害数据，利用基于直觉模糊粗糙集的方法进行约简，得到电网的灾害等级评估规则；实时采集电网灾害数据，形成的历史灾害等级评估规则，确定当前电网的灾害等级；将经过实时评估后的数据更新到历史数据库中，用于对电网灾害知识库的增添和修改；实施电网灾害应急处置，即针对不同的灾害级别，启动相应的应急恢复措施，对电网进行调控。本发明考虑到电网灾害评估中的数据量具有模糊性、随机性、不确定性和冗余性等特点，利用直觉模糊粗糙集方法，成功克服了传统概率论等方法不能获取数据属性内在关系和隐含关系的缺点，提高了评估的准确性。

Description

一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法

技术领域

本发明属于电网灾害评估、灾害等级判定领域，特别涉及一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法。 

背景技术

电力系统作为国民经济的支柱产业，对于支持国民经济可持续发展和社会进步有着十分重要的作用。但是近年来国内外由于自然灾害引起了多次大面积停电事故，电力系统面临着各种自然灾害的严峻挑战。电力系统的瘫痪严重影响了社会正常生产生活，造成如此后果的主要原因之一在于没能快速有效的评价自然灾害对电网的危害程度，识别电网灾情的级别，导致处置方案选择出现偏差，从而延误了危机处置的最佳时机。所以，事故发生时快速准确评价事故危害程度、识别灾情级别是启动应急预案、进行危机处置的基础。 

在自然灾害袭击电网后，大量的报警信息涌入控制中心，尤其是电网发生复杂故障或自动装置动作不正常时，情况更加严重。而且，由于保护、断路器的误动、拒动以及因信道原因存在一些不确定的因素，其表现为模糊性、随机性和不确定性，这使得传统的基于概率论和数理统计理论的评估模型已不再适用。考虑到直觉模糊粗糙集是刻画不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等不完备信息，并且具有良好的知识约简能力和数据挖掘能力，故将其引入电网灾害评估体系，从一个新的角度对电网灾害数据进行处理。 

因此，一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法的提出，可为及时有效的应急决策提供科学依据，提高电网抵御自然灾害的能力，具有一定的现实意义。 

发明内容

针对现有技术存在的问题，本发明提供一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法。 

本发明的技术方案是这样实现的： 

一种基于直觉模糊粗糙集的电网灾害实时调控装置，包括数据采集单元、监控单元、数据库单元、数据处理单元和人机交互单元； 

所述的数据采集与监控单元单元：用于采集气象数据、电网数据、电网设备数据和电网调度数据；并根据采集到的数据对电网和气象的实时状态进行监测，当电网发生故障或气象异常则发出报警信息，并且做以记录，记录内容包括气象数据信息、继电保护装置及断路器的动作信息、电气量信息及故障诊断结果； 

所述数据库单元：(1)用于存储记录历史灾害的气象数据、电网数据、电网设备数据和电 网调度数据； 

(2)当与数据采集单元单元进行交互时，将获得数据采集单元采集的历史数据； 

所述数据处理单元： 

(1)当与数据采集单元进行交互时，将获得数据采集单元采集的实时数据； 

(2)当与数据库单元进行交互时，利用数据库单元中存储的灾害数据获得评估规则，再将实时数据与评估规则匹配，最终得到评估结果； 

(3)当与人机交互单元进行交互时，将电网实时评估结果展示给操作人员； 

其进一步包括： 

隶属度计算器：将数据采集单元采集到的气象数据、电网数据、电网设备数据和电网调度数据中连续的数据进行离散化，并计算各类数据的隶属度和非隶属度； 

条件属性输出器：输出气象数据的条件属性，包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的条件属性，包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设备数据的条件属性，包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的条件属性，包括继电保护动作情况、断路器位置状态和线路覆冰厚度； 

决策属性输出器：以灾害对电网的影响程度为输出目标，首先计算电网影响相对于输出目标的权重、用户影响对于输出目标的权重、应灾能力对于输出目标的权重，再计算支路过载程度对于电网影响的权重、母线电压越限程度对于电网影响的权重、线路负荷损失比例对于电网影响的权重、重要负荷损失程度对于电网影响的权重、停电人数比例对于用户影响的权重、用户停电损失比例对于用户影响的权重、日平均停电时间比例对于用户影响的权重、负荷转移能力对于应灾能力的权重，计算上述结果的组合权重，组合权重与各指标乘积后求和作为最终输出的决策属性； 

灾害规则库模块：利用电网属性约简模块和值约简模块的输出，生成灾害规则，其进一步包括属性约简模块和值约简模块，其中： 

属性约简模块：在保证决策属性和条件属性依赖关系不发生变化的前提下，输出去掉条件属性中的冗余属性； 

值约简模块：在属性约简基础上删除所有不影响规则表达的冗余的条件属性值，输出评估规则； 

数据匹配模块：利用数据采集单元得到的实时数据与灾害规则库进行匹配，将经过直觉模糊化的实时数据与评估规则库模块内的灾害规则进行匹配后输出电网灾害评估等级； 

电网灾害应急处置模块：对数据匹配模块输出的匹配成功的电网灾害进行应急处理； 

人机交互单元：是电网灾害评估系统与操作人员的交互接口，实现运行人员对系统的监视与控制； 

采用基于直觉模糊粗糙集的电网灾害实时调控装置对处于灾害状态的电网进行调控的方法，包括如下步骤： 

步骤1：调用数据库单元中的历史灾害数据，包括气象数据、电网数据、电网设备数据、电网调度数据； 

步骤2：根据步骤1采集到的历史灾害数据，利用基于直觉模糊粗糙集的方法进行约简，从而得到电网的灾害等级评估规则： 

所述的基于直觉模糊粗糙集的方法包括以下步骤： 

步骤2.1：确定气象数据、电网数据、电网设备数据、电网调度数据的隶属度和非隶属度，具体为： 

通过梯形隶属度函数将气象数据、电网数据、电网设备数据、电网调度数据中的连续数据进行直觉模糊化，得到每个数据的隶属度与非隶属度；其中，气象数据的属性包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的属性包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设备数据的属性包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的属性包括继电保护动作情况、断路器位置状态和线路覆冰厚度； 

气象数据、电网数据、电网设备数据、电网调度数据所对应属性统称为条件属性； 

步骤2.2：采用改进的层次分析法确定灾害对电网的影响程度，并将其作为决策属性，计算该决策属性的隶属度和非隶属度，具体包括以下步骤： 

步骤2.2.1：建立层次分析模型：a目标层：该层只有一个元素，即灾害对电网的影响程度；b准则层：包括电网影响、用户影响、应灾能力三个元素；c指标层：为准则层的元素所对应的评价准则，其中，电网影响因素中对应的评价准则包括：支路过载程度、母线电压越限程度、线路负荷损失比例和重要负荷损失程度；用户影响因素中对应的评价准则包括停电人数比例、用户停电损失比例和日平均停电时间比例；应灾能力因素中对应的评价准则包括负荷转移能力； 

步骤2.2.2：确定模糊判断矩阵，邀请专家采用梯形模糊数(a，b，c，d)对指标层两两指标间的相对重要程度进行打分，从而构成模糊判断矩阵，其中，a、d下界和上界，下界表示专家认为可能的最低评分，上界表示可能的最高评分；b、c是最有可能值，表示对两个指标相互关系的基本评价；则指标的相对权重公式如下： 

$e_{\mathrm{ij}}=\mathrm{int}\left\{\frac{1}{l}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{m}_k\right[\frac{a_{\mathrm{ij}}+2(b_{\mathrm{ij}}+c_{\mathrm{ij}})+d_{\mathrm{ij}}}{6}\left]\right\}---\left(1\right)$

e_ji＝1／e_ij                (2) 

e_ii＝1                    (3) 

式中，i为矩阵E的行数；j为矩阵E的列数；e_ij为矩阵E第i行第j列的元素；e_ji为矩阵E第j行第i列的元素；e_ii为矩阵E第i行第i列的元素；a_ij、b_ij、c_ij、d_ij分别为e_ij对应的a、b、c、d；l为专家个数；m_k为第k个专家打分数；其中k为专家人数；int为数学符号，表示四舍五入后取整； 

则构成的模糊判断矩阵如下： 

$E={\left(e_{\mathrm{ij}}\right)}_{n\×n}=\left[\begin{array}{cccc}{e}_{11}& e_{12}& ...& e_{1n}\\ e_{21}& e_{22}& ...& e_{2n}\\ ...& ...& ...& ...\\ e_{n1}& e_{n2}& ...& e_{\mathrm{nn}}\end{array}\right]---\left(4\right)$

步骤2.2.3：利用步骤2.2.2的模糊矩阵，计算单一准则下的相对权重，公式如下： 

$W_i=\frac{{\left(\underset{j=1}{\overset{n}{\mathrm{\Π}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{n}{\mathrm{\Π}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}},i=\mathrm{1,2},...,n---\left(5\right)$

式中，W_i为各评价指标的权重； 

步骤2.2.4：利用步骤2.2.3计算出的指标权重，对步骤2.2.2的模糊矩阵进行一致性检验，公式如下： 

$\mathrm{CI}=\frac{2({\mathrm{\λ}}_{\max }-n)}{n(n-1)}---\left(6\right)$

CR＝CI／RI                         (7) 

式中，λ_max为模糊判断矩阵的最大特征根；n为模糊判断矩阵阶数；CI为一致性指标；CR为一致性比率；RI为平均随机一致性指标，可由表查出； 

当CR<0.1时，认为判断矩阵的一致性被接受；当CR≥0.1时，需对判断矩阵进行修正， 重新执行步骤2.2.2，直到被接受为止； 

步骤2.2.5：确定决策属性，过程为：计算各层次因素组合权重，即各指标相对于总目标的权重；准则层各要素对目标层的单一准则下的相对权重分别为W₁，W₂，…，W_n，指标层各要素对准则层的单一准则下的相对权重分别为W₁′，W₂′，…，W_n′，则组合权重V为： 

$V=W^{\&prime;}W=\left[\begin{array}{cccc}{W}_1^{\&prime;}& W_1^{\&prime;}& ...& W_1^{\&prime;}\\ W_2^{\&prime;}& W_2^{\&prime;}& ...& W_2^{\&prime;}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ W_n^{\&prime;}& W_n^{\&prime;}& \text{...}& W_n^{\&prime;}\end{array}\right]\left[\begin{array}{c}{W}_1\\ W_2\\ .\\ .\\ .\\ W_n\end{array}\right]=\left[\begin{array}{c}{V}_1\\ V_2\\ .\\ .\\ .\\ V_n\end{array}\right]---\left(8\right)$

确定综合指标公式如下： 

$\mathrm{\&beta;}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i{\mathrm{\&beta;}}_i---\left(9\right)$

式中，V_i为指标权重；β_i为指标数值；n为指标个数，β为综合指标，即决策属性； 

步骤2.3：确定历史灾害等级评估规则，包括以下步骤： 

步骤2.3.1：利用步骤2.1和步骤2.2确定的条件属性和决策属性，构建决策表，具体为：以条件属性和决策属性作列，以历史灾害样本为行构建出决策表，其中，每个条件属性对应两个语义变量，并且利用隶属度和非隶属度来表示属性属于和不属于语义变量的程度； 

步骤2.3.2：采用直觉模糊粗糙集理论对决策表进行属性约简，属性约简是在保持决策表决策属性和条件属性之间的依赖关系不发生变化的前提下，用能区分所有对象的最小属性子集代替原来的属性集的方法，因此直觉模糊粗糙集的属性约简是以满足max{γ_P(Q)-κ_P(Q)}的为必要属性，得到约简结果，式中，γ_P(Q)、κ_P(Q)分别为决策属性Q对条件属性P的依赖度与非依赖度； 

采用直觉模糊粗糙集理论进行属性约简过程中，应用紧计算域概念对直觉模糊粗糙集的上下近似隶属函数进行修改，紧计算域定义为 

其中，D _A (F_ik)、

B _A (F_ik)、

分别为该直觉模糊粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；

分别为论域U中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U／R＝U／P＝{F_ik}；μ _A (x)为x对直觉模糊粗糙集A的下近似隶属度；ε和

均为弹性系数，且ε≥0，

当不满足可信阂值时修改弹性系数以调整约简精度，约简以依赖度与非依赖度关系作为判断条件，采用树形搜索方法确定约简结果； 

步骤2.3.3：基于直觉模糊粗糙集的方式对经过属性约简后的决策表进行值约简，包括以下步骤： 

步骤2.3.3.1：删除决策表中重复的记录； 

步骤2.3.3.2：将属性值进行二值化。设属性α∈Ω有n个属性值，那么可以用一个n维的二值相量来表示这个属性值。对于这个相量的第i位定义如下： 

$V_{\mathrm{ai}}\left(x\right)=\left\{\begin{array}{c}1,V_a\left(x\right)=i\\ 0,V_a\left(x\right)\&NotEqual;i\end{array}\right.---\left(12\right)$

式中，V_ai(x)为实例x的二值化属性值的弟i位；V_a(x)为非二值化属性值。 

步骤2.3.3.3：计算决策矩阵，并得到该记录的值核，其中值核的计算过程为： 

在具体介绍该算法之前，先介绍一个决策矩阵的概念。决策矩阵C＝(c_ij)_γ×ρ可被定义为：令S＝(U，A)是一个信息系统，U为论域且U＝{x₁，x₂，…，x_n}，A是条件属性集合，D是决策属性，a(x)是记录x在属性a上的值，c_ij表示决策矩阵中第i行第j列的元素。这样决策矩阵可定义为： 

$\left(c_{\mathrm{ij}}\right)=\left\{\begin{array}{cc}\{a\&Element;A:a\left(x_i\right)\&NotEqual;a\left(x_j\right)\}& D\left(x_i\right)\&NotEqual;D\left(x_j\right)\\ 0& D\left(x_i\right)=D\left(x_j\right)\\ -1& a\left(x_i\right)=a\left(x_j\right);D\left(x_i\right)\&NotEqual;D\left(x_j\right)\end{array}\right.---\left(13\right)$

其中，i，j＝1，2，3，…，n。 

决策矩阵中条件属性组合数为1的元素项即为值核； 

步骤2.3.3.4：将所有不包含核属性的条件属性组合表示为合取范式的形式，再将合取范式转换为析取范式的形式，析取范式中每一项由合取式表示的属性组合和核属性一起作为最终的值约简结果。将该记录中未被选择的属性值进行标注； 

步骤2.3.3.5：比较决策相同的记录，如果两条记录的条件属性值对应相等或对应的值均为标注，则删除标注记号少的记录。 

步骤3：实时采集电网灾害数据，利用步骤2形成的历史灾害等级评估规则，确定当前电网的灾害等级； 

将实时采集电网灾害数据进行直觉模糊化处理，然后与评估规则库进行匹配，匹配过程如下：利用匹配度来表征实时灾害信息数据和评估规则之间的匹配程度，匹配度的公式如下： 

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}{|1-\frac{x_i}{{\mathrm{\&omega;}}_i{\mathrm{\&delta;}}_i}|}^2\right)}^{\frac{1}{2}}---\left(14\right)$

式中，p为可靠度，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的数据信息；δ_i(i＝1，2...，w)为灾害评估规则库中数据信息；ω_i(i＝1，2...，w)为评估规则可信度； 

若匹配度小于设定阂值则实时灾害信息数据与灾害评估规则完全匹配，确定灾害对电网的影响程度，输出决策属性的评估值，给出电网灾害等级；否则增大设定阂值，重新计算匹配度，重新进行匹配，直至匹配过程成功； 

步骤4：将经过实时评估后的数据更新到历史数据库中，用于对电网灾害知识库的增添和修改； 

步骤5：实施电网灾害应急处置，即针对不同的灾害级别，启动相应的应急恢复措施，对电网进行调控。 

步骤2.2.1所述的支路过载程度，计算公式如下： 

${\mathrm{\&eta;}}_I=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_k{I}_k}{I_{k\max }}+\underset{l=m+1}{\overset{M}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_l{I}_l}{I_{l\max }}---\left(15\right)$

式中，η_I为系统的支路过载程度，且η_I总为非负值，值越大表示过载程度越大；m和M分别为不过载支路数和支路总数；ρ_k、ρ_l为相应支路的权重因子，反映支路重要程度差异；I_k、I_l为相应的各支路电流；I_kmax为I_k上限；I_lmax为I_l上限； 

所述的母线电压越限程度，计算公式如下： 

${\mathrm{\&eta;}}_U=\frac{1}{m^{\&prime;}}\underset{k=m^{\&prime;}}{\overset{m^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_k}^{\&prime;}|U_k-1.0|+\underset{l=m^{\&prime;}+1}{\overset{m^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_l}^{\&prime;}|U_l-U_{\mathrm{llim}}|---\left(16\right)$

式中，η_U为系统的母线电压越限程度；m′和M′分别为电压不越限母线数和母线总数；ρ_k′、ρ_l′为相应各母线的权重因子；U_k和U_l分别为相应母线的电压幅值；U_llim为对应母线电压限值(越上限时取上限值，越下限时取下限值)；η_U总为非负值，值越大表示电压越限程度越大，为0表示没有电压越限发生，且所有母线电压幅值均为1.0pu； 

所述的线路负荷损失比例，计算公式如下： 

η_l＝L_loss／L_max          (17) 

式中，η_l为线路负荷损失比例，是衡量电网灾害最直观最方便获取的指标；L_loss为灾害导致的损失负荷；L_max为预测该电网最大负荷； 

所述的重要负荷损失程度，计算公式如下： 

$E_p=[\left(\underset{j=1}{\overset{s}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{P}_j\right)/\left(\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{P}_i\right)]\&times;100\%---\left(18\right)$

式中，E_p为重要负荷损失程度；s为损失的重要负荷数；t为重要负荷总数；P_i、P_j分别为第i、j个重要负荷功率；ω_i、ω_j分别为第i、j个重要负荷的权重； 

所述的停电人数比例，公式如下： 

η_c＝C_los／C                 (19) 

式中，η_c为停电人数比例，有效衡量电网灾害波及的范围；C_loss为停电涉及总人数；C为该地区覆盖总人数； 

所述的用户停电损失比例，公式如下： 

${\mathrm{\&eta;}}_Q=\frac{1}{Q_{\mathrm{pre}}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_{\mathrm{CCDF}}\left(t\right)\&times;P_i\&times;t_i---\left(20\right)$

式中，η_Q是用户停电损失比例，Q_pre为该段时间预计供电量；f_CCDF(t)为综合停电损失函数，表示用户损失负荷与用户停电时间的函数关系；P_i为第i次停电损失的负荷；t_i为第i次停电时间；m为灾害时期的停电次数； 

所述的日平均停电时间比例，公式如下： 

$t_{\mathrm{loss}}=\frac{1}{86400}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(t_{i_{\mathrm{loss}}}{P}_i\right)/P_{\max }---\left(21\right)$

式中，t_loss为日平均停电时间比例，反应了电网对各电压等级用户持续供电的能力；P_i为第i次停电损失的负荷；

为该负荷的停电时间，单位为s；P_max为系统最大供电负荷，m为灾害时期的停电次数。 

所述的负荷转移能力，计算公式如下： 

式中，r_tr为负荷转移率；1.3为变压器短时允许的过载系数；

为功率因数；S_re为变压器的备用容量；L_tr为线路负荷转移量；L_loss为故障损失负荷。 

本发明的有益效果： 

电网遭受自然灾害的风险是客观存在的，因此构建一套完善的电网自然灾害调控系统具有迫切性和必要性。考虑到电网灾害评估中的数据量具有模糊性、随机性、不确定性和冗余性等特点，利用直觉模糊粗糙集的方法，成功克服了传统的概率论等方法不能获取数据属性的内在关系和隐含关系的缺点，提高了评估的准确性。直觉模糊粗糙集在电网灾害评估中的运用，主要利用改进的层次分析法得到综合的电网灾害评估指标，并以决策表作为工具，从历史灾害集中挖掘出评估规则，将实时数据与历史评估规则相匹配即可判断灾害对电网的影响程度。该发明对提高电力系统应对自然灾害的应急响应和抗风险能力具有重要意义。 

附图说明：

图1是本发明具体实施方式的基于直觉模糊粗糙集的电网灾害实时调控流程图； 

图2是本发明具体实施方式的电网灾害实时调控装置结构示意图； 

图3是本发明具体实施方式的数据处理单元结构框图； 

图4是本发明具体实施方式的基于直觉模糊粗糙集的属性约简流程图； 

图5是本发明具体实施方式的电网自然灾害等级评估层次结构体系； 

图6是本发明具体实施方式的改进的层次分析法流程图； 

图7是本发明具体实施方式的电力系统接线图。 

具体实施方式：

下面结合附图对本发明的实施方式做详细说明。 

一种基于直觉模糊粗糙集的电网灾害实时调控装置，如图2所示，包括数据采集单元、监控单元、数据库单元、数据处理单元和人机交互单元。 

所述的数据采集与监控单元：用于采集气象数据、电网数据、电网设备数据和电网调度数据； 

根据采集到的数据对电网和气象的实时状态进行监测，当电网发生故障(例如电网短路、断路)或气象异常(例如奇冷、奇热、严重干旱、特大暴雨、严重冰雹、特强台风等)则发出报警信息，并且做以记录，记录内容包括气象数据信息、继电保护装置及断路器的动作信息、电气量信息及故障诊断结果。 

本实施方式中，数据采集与监控通过SCADA(Supervisory Control and Data Acquisition，全称为数据采集与监视控制系统)系统实现。 

所述数据库单元：(1)用于存储记录历史灾害的气象数据、电网数据、电网设备数据和电网调度数据； 

(2)当与数据采集单元单元进行交互时，将获得数据采集单元采集的历史数据； 

所述数据处理单元： 

(1)当与数据采集单元单元进行交互时，将获得数据采集单元采集的实时数据； 

(2)当与数据库单元进行交互时，利用数据库单元中存储的灾害数据获得评估规则，再将实时数据与评估规则匹配，最终得到评估结果； 

(3)当与人机交互单元进行交互时，将电网实时评估结果展示给操作人员。 

本实施方式，数据库单元通过Oraclellg实现。 

数据处理单元结构框图如图3所示，其进一步包括： 

隶属度计算器：将数据采集单元采集到的气象数据、电网数据、电网设备数据和电网调度数据中连续的数据进行离散化，并计算各类数据的隶属度和非隶属度； 

条件属性输出器：输出气象数据的条件属性，包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的条件属性，包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设备数据的条件属性，包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的条件属性，包括继电保护动作情况、断路器位置状态和线路覆冰厚度； 

决策属性输出器：以灾害对电网的影响程度为输出目标，首先计算电网影响相对于输出目标的权重、用户影响对于输出目标的权重、应灾能力对于输出目标的权重，再计算支路过载程度对于电网影响的权重、母线电压越限程度对于电网影响的权重、线路负荷损失比例对于电网影响的权重、重要负荷损失程度对于电网影响的权重、停电人数比例对于用户影响的 权重、用户停电损失比例对于用户影响的权重、日平均停电时间比例对于用户影响的权重、负荷转移能力对于应灾能力的权重，计算上述结果的组合权重，组合权重与各指标乘积后求和作为最终输出的决策属性； 

灾害规则库模块：利用属性约简模块和值约简模块的输出，生成灾害规则，其进一步包括属性约简模块和值约简模块，其中： 

属性约简模块：在保证决策属性和条件属性依赖关系不发生变化的前提下，输出去掉条件属性中的冗余属性； 

值约简模块：在属性约简基础上删除所有不影响规则表达的冗余的条件属性值，输出评估规则。 

数据匹配模块：利用数据采集单元得到的实时数据与灾害规则库进行匹配，将经过直觉模糊化的实时数据与评估规则库模块内的灾害规则进行匹配后输出电网灾害评估等级。 

本实施方式中的数据处理通过DSP2833实现。 

电网灾害应急处置模块：对数据匹配模块输出的匹配成功的电网灾害进行应急处理。 

人机交互单元：是电网灾害评估系统与操作人员的交互接口，实现运行人员对系统的监视与控制。 

本实施方式中采用计算机输入输出设备(例如显示器、键盘、鼠标)实现。 

本实施方式中，对如图7所示的电网模型进行电网冰雪灾害评估。采用基于直觉模糊粗糙集的电网灾害实时调控装置对处于灾害状态的电网进行调控的方法如图1所示，具体包括如下步骤： 

步骤1：调用数据库单元中的历史灾害数据，包括气象数据、电网数据、电网设备数据、电网调度数据； 

步骤2：根据步骤1采集到的历史灾害数据，利用基于直觉模糊粗糙集的方法进行约简，从而得到电网的灾害等级评估规则： 

所述的基于直觉模糊粗糙集的方法包括以下步骤： 

步骤2.1：确定气象数据、电网数据、电网设备数据、电网调度数据各自属性的隶属度和非隶属度，具体为： 

通过梯形隶属度函数将气象数据、电网数据、电网设备数据、电网调度数据中的连续数据进行直觉模糊化，得到每个数据的隶属度，再利用式(1)计算得到非隶属度；其中，气象数据的属性包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的属性包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设 备数据的属性包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的属性包括继电保护动作情况、断路器位置状态和线路覆冰厚度；气象数据、电网数据、电网设备数据、电网调度数据所对应属性统称为条件属性； 

λ_i(x)＝1-μ_i(x)-π_i(x)           (1) 

其中，λ_i(x)为非隶属度；μ_i(x)为隶属度；π_i(x)为直觉指数。其中直觉指数π_i(x)服从于以μ_i(x)＝0.5为对称轴且过原点的抛物线函数，抛物线顶点纵坐标参数由专家给出。 

本实施方式中选取的条件属性为：温度、相对湿度、降雪量、风速、覆冰厚度、线路电压等级、导线半径。并选取除最近一次雪灾数据以外的其他历史数据作为历史数据库，最近一次雪灾数据作为实时数据进行评估。 

步骤2.2：采用改进的层次分析法确定灾害对电网的影响程度，并将其作为决策属性，计算该决策属性的隶属度和非隶属度，具体包括以下步骤，改进的层次分析法流程图如图6所示： 

步骤2.2.1：建立层次分析模型，如图5所示：a目标层：该层只有一个元素，即灾害对电网的影响程度；b准则层：包括电网影响、用户影响、应灾能力三个元素；c指标层：为准则层的元素所对应的评价准则，其中，电网影响因素中对应的评价准则包括：支路过载程度、母线电压越限程度、线路负荷损失比例和重要负荷损失程度；用户影响因素中对应的评价准则包括停电人数比例、用户停电损失比例和日平均停电时间比例；应灾能力因素中对应的评价准则包括负荷转移能力； 

步骤2.2.2：确定模糊判断矩阵，邀请专家采用梯形模糊数(a，b，c，d)对指标层两两指标间的相对重要程度进行打分，从而构成模糊判断矩阵，其中，a、b为下界和上界，下界表示专家认为可能的最低评分，上界表示可能的最高评分；b、c是最有可能值，表示对两个指标相互关系的基本评价；则指标的相对权重公式如下： 

$e_{\mathrm{ij}}=\mathrm{int}\left\{\frac{1}{l}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}{m}_k\right[\frac{a_{\mathrm{ij}}+2(b_{\mathrm{ij}}+c_{\mathrm{ij}})+d_{\mathrm{ij}}}{6}\left]\right\}---\left(2\right)$

e_ji＝1／e_ij                    (3) 

e_ii＝1                            (4) 

式中，i为矩阵E的行数；j为矩阵E的列数；e_ij为矩阵E第i行第j列的元素；e_ji为矩 阵E第j行第i列的元素；e_ii为矩阵E第i行第i列的元素；a_ij、b_ij、c_ij、d_ij分别为e_ij对应的a、b、c、d；l为专家个数；m_k为第k个专家打分数；其中k为专家人数；int为数学符号，表示四舍五入后取整； 

则构成的模糊判断矩阵如下： 

$E={\left(e_{\mathrm{ij}}\right)}_{n\&times;n}=\left[\begin{array}{cccc}{e}_{11}& e_{12}& ...& e_{1n}\\ e_{21}& e_{22}& ...& e_{2n}\\ ...& ...& ...& ...\\ e_{n1}& e_{n2}& ...& e_{\mathrm{nn}}\end{array}\right]---\left(5\right)$

步骤2.2.3：利用步骤2.2.2的模糊矩阵，计算单一准则下的相对权重，公式如下： 

$W_i=\frac{{\left(\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}},i=\mathrm{1,2},...,n---\left(6\right)$

式中，W_i为各评价指标的权重； 

步骤2.2.4：利用步骤2.2.3计算出的指标权重，对步骤2.2.2的模糊矩阵进行一致性检验，公式如下：在一致性指标检验中本发明提出了一种考虑判断误差的一致性指标： 

$\mathrm{CI}=\frac{2({\mathrm{\&lambda;}}_{\max }-n)}{n(n-1)}---\left(7\right)$

CR＝CI／RI                (8) 

式中，λ_max为模糊判断矩阵的最大特征根；n为模糊判断矩阵阶数；CI为一致性指标；CR为一致性比率；RI为平均随机一致性指标，可由表1查出； 

表1平均随机一致性指标 

当CR<0.1时，认为判断矩阵的一致性被接受；当CR≥0.1时，需对判断矩阵进行修正，重新执行步骤2.2.2，直到被接受为止； 

判断矩阵修正步骤为：设E＝(e_ij)_n×n为n阶非一致性判断矩阵；k为迭代次数；0<α≤1； 

步骤2.2.4.1：计算A^(k)＝(a_ij ^(k))，这里

ω＝(ω₁，ω₂，…，ω_n)为矩阵E的最小偏差法排序向量；设a_st ^(k)＝max{a_ij ^(k)}，构造

满足 

构造E^(k+1)＝(e_ij ^(k+1))，其中

步骤2.2.4.2：E^(k)即为修改后的矩阵，若E^(k)满足一致性，则执行步骤2.2.5，若不满足，则循环执行步骤2.2.4.1，直至满足一致性为。 

步骤2.2.5：确定决策属性，过程为：计算各层次因素组合权重，即各指标相对于总目标的权重；准则层各要素对目标层的单一准则下的相对权重分别为W₁，W₂，…，W_n，指标层各要素对准则层的单一准则下的相对权重分别为W₁′，W₂′，…，W_n′，则组合权重V为： 

$V=W^{\&prime;}W=\left[\begin{array}{cccc}{W}_1^{\&prime;}& W_1^{\&prime;}& ...& W_1^{\&prime;}\\ W_2^{\&prime;}& W_2^{\&prime;}& ...& W_2^{\&prime;}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ W_n^{\&prime;}& W_n^{\&prime;}& \text{...}& W_n^{\&prime;}\end{array}\right]\left[\begin{array}{c}{W}_1\\ W_2\\ .\\ .\\ .\\ W_n\end{array}\right]=\left[\begin{array}{c}{V}_1\\ V_2\\ .\\ .\\ .\\ V_n\end{array}\right]---\left(9\right)$

确定综合指标公式如下： 

$\mathrm{\&beta;}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i{\mathrm{\&beta;}}_i---\left(10\right)$

式中，V_i为指标权重；β_i为指标数值；n为指标个数，β为综合指标，即决策属性；本实施方式中取当0≤β≤0.2时，电网灾害等级为较轻；当0.2≤β≤0.4时，电网灾害等级为一股；当0.4≤β≤0.6时，电网灾害等级为较大；当0.6≤β≤0.8时，电网灾害等级为重大；当0.8≤β≤1.0时，电网灾害等级为特别重大。 

步骤2.3：确定历史灾害等级评估规则，包括以下步骤： 

步骤2.3.1：利用步骤2.1和步骤2.2确定的条件属性和决策属性，构建决策表，具体为：以条件属性和决策属性作列，以历史灾害样本为行构建出决策表，其中，每个条件属性对应两个语义变量，并且利用隶属度和非隶属度来表示属性属于和不属于语义变量的程度； 

决策表中的一个样本就代表一条基本决策规则，如果把这样的决策规则罗列出来，就可以得到决策规则集合。但是，这样的决策规则集合是没有用处的，因为基本的决策规则集合没有适应性，只是机械的记录了一个样本的情况，不能适应新的、其他的情况。为了从决策表中得到适应度大的规则，则需要对决策表进行属性约简和值约简。 

步骤2.3.2：采用直觉模糊粗糙集理论对决策表进行属性约简，属性约简是在保持决策表决策属性和条件属性之间的依赖关系不发生变化的前提下，用能区分所有对象的最小属性子集代替原来的属性集的方法，因此直觉模糊粗糙集的属性约简是以满足max{γ_P(Q)-κ_P(Q)}的为必要属性，得到约简结果，式中，γ_P(Q)、κ_P(Q)分别为决策属性Q对条件属性P的依赖度与非依赖度。属性约简流程图如图4所示； 

直觉模糊粗糙集是将直觉模糊集理论与模糊粗糙集理论结合，充分利用粗糙集和模糊集对不确定、不完备数据信息的处理能力，能有效提高诊断效率与可靠性。论域U＝{x_i|i＝1，…，n}是n个对象的有限非空集合，{p₁，P₂，…，P_p}是一组模糊条件属性，Q为决策属性，A(Q)＝{F_l，l＝1….，C_Q}，U／P＝{F_ik|i＝1，…，p；k＝1，…，C_i}是由U上的不确定相似关系R生成的U的一个直觉模糊划分，k代表一个直觉模糊条件属性是有由k个语义变量组成的。对于任意直觉模糊粗糙集合，其上、下近似的隶属函数和非隶属函数定义为： 

${\mathrm{\&mu;}}_{\underset{\&OverBar;}{A}}\left(F_{\mathrm{ik}}\right)=\inf \left\{\max \right[{\mathrm{\&mu;}}_A\left(x\right),1-{\mathrm{\&mu;}}_{F_{\mathrm{ik}}}\left(x\right)\left]\right|x\&Element;U\}---\left(11\right)$

${\mathrm{\&lambda;}}_{\underset{\&OverBar;}{A}}\left(F_{\mathrm{ik}}\right)=\sup \left\{\min \right[{\mathrm{\&lambda;}}_A\left(x\right),1-{\mathrm{\&lambda;}}_{F_{\mathrm{ik}}}\left(x\right)\left]\right|x\&Element;U\}---\left(12\right)$

${\mathrm{\&mu;}}_{\stackrel{\&OverBar;}{A}}\left(F_{\mathrm{ik}}\right)=\sup \left\{\min \right[{\mathrm{\&mu;}}_A\left(x\right),1-{\mathrm{\&mu;}}_{F_{\mathrm{ik}}}\left(x\right)\left]\right|x\&Element;U\}---\left(13\right)$

${\mathrm{\&lambda;}}_{\stackrel{\&OverBar;}{A}}\left(F_{\mathrm{ik}}\right)=\inf \left\{\max \right[{\mathrm{\&lambda;}}_A\left(x\right),1-{\mathrm{\&lambda;}}_{F_{\mathrm{ik}}}\left(x\right)\left]\right|x\&Element;U\}---\left(14\right)$

对于下近似隶属函数定义，其中“inf”的计算使区域

对隶属函数的计算没有任何影响，计算仅在区域

中进行。因此考虑到基于整个论域的大量计算，可以引入紧计算域的概念以缩小计算范围，紧计算域定义为： 

其中，D _A (F_ik)、

B _A (F_ik)、

分别为该直觉模糊粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；

分别为论域U中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U／R＝U／P＝{F_ik}；μ _A (x)为x对直觉模糊粗糙集A的下近似隶属度；ε和

均为弹性系数，且ε＞0

当不满足可信阂值时修改弹性系数以调整约简精度。因此，下近似和上近似的隶属函数与非隶属函数可改进为： 

其中，0≤α<β≤1为概率意义下的上下限阂值。 

鉴于基于紧计算域的直觉模糊粗糙集的定义，模糊语义项F_ik在直觉模糊正域下的隶属度与非隶属度定义为： 

${\mathrm{\&mu;}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)=\underset{F_l\&Element;A\left(Q\right)}{\sup }\left\{{\mathrm{\&mu;}}_{\underset{\&OverBar;}{F_l}}\left(F_{\mathrm{ik}}\right)\right\}---\left(21\right)$

${\mathrm{\&lambda;}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)=\underset{F_l\&Element;A\left(Q\right)}{\sup }\left\{{\mathrm{\&lambda;}}_{\underset{\&OverBar;}{F_l}}\left(F_{\mathrm{ik}}\right)\right\}---\left(22\right)$

x∈U对模糊正域的隶属度与非隶属度定义为： 

${\mathrm{\&mu;}}_{\mathrm{POS}}\left(x\right)=\underset{F_{\mathrm{ik}}\&Element;A\left(P_i\right)}{\sup }\min \{{\mathrm{\&mu;}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\&mu;}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)\}---\left(23\right)$

${\mathrm{\&lambda;}}_{\mathrm{POS}}\left(x\right)=\underset{F_{\mathrm{ik}}\&Element;A\left(P_i\right)}{\sup }\min \{{\mathrm{\&lambda;}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\&lambda;}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)\}---\left(24\right)$

由此得到决策属性Q对条件属性P的依赖度γ_P(Q)与非依赖度κ_P(Q)定义为： 

${\mathrm{\&gamma;}}_P\left(Q\right)=\frac{\underset{x\&Element;U}{\mathrm{\&Sigma;}}{\mathrm{\&mu;}}_{\mathrm{POS}}\left(x\right)}{\left|U\right|}---\left(25\right)$

${\mathrm{\&kappa;}}_P\left(Q\right)=\frac{\underset{x\&Element;U}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_{\mathrm{POS}}\left(x\right)}{\left|U\right|}---\left(26\right)$

对于条件属性集P来说，决策属性Q对于P中属性的依赖性越大，说明该属性的重要性就越强，即该属性的独立性就强，则它反过来对于Q的作用也就越大，那么它是该被保留的属性；反之，决策属性Q对于P中属性的非依赖性越大，说明该属性的非重要性就越强，即该属性的独立性就弱，则它反过来对于Q的作用也就越小，那么它就是该被去掉的属性。因此，采用基于直觉模糊粗糙集的隶属度与非隶属度定义，并通过改进的树形搜索方法来确定最佳约简结果。即首先初始化空集L为可能的约简结果，并增加γ_P(Q)-κ_P(Q)值最大的属性到L集。然后将带有max{γ_P(Q)-κ_P(Q)}的属性作为下层计算的起点，直到相邻两层的计算中获得相等的依赖度和非依赖度，即获得约简结果。 

本实施方式中，经知直觉模糊属性约简后的结果为L＝{温度，相对湿度，风速，覆冰厚度，导线半径}，约简率为Card(U-{P})／Card(U)＝0.29。 

步骤2.3.3：基于直觉模糊粗糙集的方式对经过属性约简后的决策表进行值约简，包括以下步骤： 

由于属性约简只是在一定程度上去掉了决策表中的冗余属性，日是还没有充分去掉决策 表中的冗余信息，即不能直接从该表中得到满意的决策规则，因此还需要进一步的处理。利用改进的值约简的方法，从而提取到相应的评估规则库。 

步骤2.3.3.1：删除决策表中重复的记录； 

步骤2.3.3.2：将属性值进行二值化。设属性α∈Ω有n个属性值，那么可以用一个n维的二值相量来表示这个属性值。对于这个相量的第i位定义如下： 

$V_{\mathrm{ai}}\left(x\right)=\left\{\begin{array}{c}1,V_a\left(x\right)=i\\ 0,V_a\left(x\right)\&NotEqual;i\end{array}\right.---\left(12\right)$

式中，V_ai(x)为实例x的二值化属性值的弟i位；V_a(x)为非二值化属性值。 

步骤2.3.3.3：计算决策矩阵，并得到该记录的值核，其中值核的计算过程为： 

在具体介绍该算法之前，先介绍一个决策矩阵的概念。决策矩阵C＝(c_ij)_γ×ρ可被定义为：令S＝(U，A)是一个信息系统，U为论域且U＝{x₁，x₂，…，x_n}，A是条件属性集合，D是决策属性，a(x)是记录x在属性a上的值，c_ij表示决策矩阵中第i行第j列的元素。这样决策矩阵可定义为： 

$\left(c_{\mathrm{ij}}\right)=\left\{\begin{array}{cc}\{a\&Element;A:a\left(x_i\right)\&NotEqual;a\left(x_j\right)\}& D\left(x_i\right)\&NotEqual;D\left(x_j\right)\\ 0& D\left(x_i\right)=D\left(x_j\right)\\ -1& a\left(x_i\right)=a\left(x_j\right);D\left(x_i\right)\&NotEqual;D\left(x_j\right)\end{array}\right.---\left(13\right)$

其中，i，j＝1，2，3，…，n。 

以上公式表明，可辨识矩阵由三组值组成。当两条记录之间条件属性值不完全相同而且决策也不同时，该元素值为属性值不同的属性组合；当两条记录之间决策相同时，该元素值为0；当两条记录之间属性值完全相同但决策不同时，说明这两条记录属于冲突记录，我们可将这种情况标记为-1。矩阵中条件属性组合数为1的元素项表明，除该属性外其余条件属性无法将决策不同的两条记录区分出来，即该属性必须保留，与决策表中核属性的概念一致。因此，矩阵中所有条件属性组合数为1的属性均为决策表的核属性(核属性可能为空)。 

如果可辨识矩阵中某些元素未包含核属性，说明该决策表中存在一些无法由核属性判断决策的记录，所有这些不包含核属性的属性组合当中必然每个组合都至少有一个元素应当成为约简后的一个条件属性，否则决策表中的某些记录将无法识别。由此，可以构造一个不含核属性的合取范式。 

步骤2.3.3.4：将所有不包含核属性的条件属性组合表示为合取范式的形式，再将合取范式转换为析取范式的形式，析取范式中每一项由合取式表示的属性组合和核属性一起作为最 终的值约简结果。将该记录中未被选择的属性值进行标注； 

步骤2.3.3.5：比较决策相同的记录，如果两条记录的条件属性值对应相等或对应的值均为标注，则删除标注记号少的记录。 

本实施方式中，经值约简后得到的决策规则如表2所示： 

表2决策规则表 

注：*表示可为任意值。 

步骤3：实时采集电网灾害数据，利用步骤2形成的历史灾害等级评估规则，确定当前电网的灾害等级； 

将实时采集电网灾害数据进行直觉模糊化处理，然后与评估规则库进行匹配，匹配过程如下：利用匹配度来表征实时灾害信息数据和评估规则之间的匹配程度，匹配度的公式如下： 

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}{|1-\frac{x_i}{{\mathrm{\&omega;}}_i{\mathrm{\&delta;}}_i}|}^2\right)}^{\frac{1}{2}}---\left(29\right)$

式中，p为可靠度，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的数据信息；δ_i(i＝1，2...，w)为灾害评估规则库中数据信息；ω_i(i＝1，2...，w)为评估规则可信度； 

若匹配度小于设定阂值则实时灾害信息数据与灾害评估规则完全匹配，确定灾害对电网的影响程度，输出决策属性的评估值，给出电网灾害等级；否则增大设定阂值，重新计算匹配度，重新进行匹配，直至匹配过程成功； 

本实施方式中，取阂值为0.20，经过匹配，得到电网雪灾综合评估指标数值为0.39，因此该电网灾害等级为一股。 

步骤4：将经过实时评估后的数据更新到历史数据库中，用于对电网灾害知识库的增添和修改，增强系统的维护功能； 

步骤5：实施电网灾害应急处置。根据2006年1月国务院出台的《国家突发公共事件总体应急预案》，针对不同的灾害级别，启动相应的应急恢复措施，对电网进行调控。 

步骤2.2.1所述的支路过载程度，计算公式如下： 

${\mathrm{\&eta;}}_I=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_k{I}_k}{I_{k\max }}+\underset{l=m+1}{\overset{M}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_l{I}_l}{I_{l\max }}---\left(30\right)$

式中，η_I为系统的支路过载程度，且η_I总为非负值，值越大表示过载程度越大；m和M分别为不过载支路数和支路总数；ρ_k、ρ_l为相应支路的权重因子，反映支路重要程度差异；I_k、I_l为相应的各支路电流；I_kmax为I_k上限；I_lmax为I_l上限； 

所述的母线电压越限程度，计算公式如下： 

${\mathrm{\&eta;}}_U=\frac{1}{m^{\&prime;}}\underset{k=m^{\&prime;}}{\overset{m^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_k}^{\&prime;}|U_k-1.0|+\underset{l=m^{\&prime;}+1}{\overset{M^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_l}^{\&prime;}|U_l-U_{\mathrm{llim}}|---\left(31\right)$

式中，η_U为系统的母线电压越限程度；m′和M′分别为电压不越限母线数和母线总数；ρ′_k、ρ′_l为相应各母线的权重因子；U_k和U_l分别为相应母线的电压幅值；U_llim为对应母线电压限值(越上限时取上限值，越下限时取下限值)；η_U总为非负值，值越大表示电压越限程度越大，为0表示没有电压越限发生，且所有母线电压幅值均为1.0pu； 

所述的线路负荷损失比例，计算公式如下： 

η_l＝L_loss/L_max        (32) 

式中，η_l为线路负荷损失比例，是衡量电网灾害最直观最方便获取的指标；L_loss为灾害导致的损失负荷；L_max为预测该电网最大负荷； 

所述的重要负荷损失程度，计算公式如下： 

$E_p=[\left(\underset{j=1}{\overset{s}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{P}_j\right)/\left(\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{P}_i\right)]\&times;100\%---\left(33\right)$

式中，E_p为重要负荷损失程度；s为损失的重要负荷数；t为重要负荷总数；P_i、P_j分别为第i、j个重要负荷功率；ω_i、ω_j分别为第i、j个重要负荷的权重； 

所述的停电人数比例，公式如下： 

η_c＝C_loss/C           (34) 

式中，η_c为停电人数比例，有效衡量电网灾害波及的范围；C_loss为停电涉及总人数；C为该地区覆盖总人数； 

所述的用户停电损失比例，公式如下： 

${\mathrm{\&eta;}}_Q=\frac{1}{Q_{\mathrm{pre}}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_{\mathrm{CCDF}}\left(t\right)\&times;P_i\&times;t_i---\left(35\right)$

式中，η_Q是用户停电损失比例，Q_pre为该段时间预计供电量；f_CCDF(t)为综合停电损失函数，表示用户损失负荷与用户停电时间的函数关系；P_i为第i次停电损失的负荷；t_i为第i次停电时间；m为灾害时期的停电次数； 

所述的日平均停电时间比例，公式如下： 

$t_{\mathrm{loss}}=\frac{1}{86400}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(t_{i_{\mathrm{loss}}}{P}_i\right)/P_{\max }---\left(36\right)$

式中，t_loss为日平均停电时间比例，反应了电网对各电压等级用户持续供电的能力；P_i为第i次停电损失的负荷；

为该负荷的停电时间，单位为s；P_max为系统最大供电负荷，m为灾害时期的停电次数。 

所述的负荷转移能力，计算公式如下： 

式中，r_tr为负荷转移率；1.3为变压器短时允许的过载系数；为功率因数；S_re为变压器的备用容量；L_tr为线路负荷转移量；L_loss为故障损失负荷。 

Claims (3)

1.一种基于直觉模糊粗糙集的电网灾害实时调控装置，其特征在于：包括数据采集单元、监控单元、数据库单元、数据处理单元和人机交互单元；

所述的数据采集与监控单元：用于采集气象数据、电网数据、电网设备数据和电网调度数据；根据采集到的数据对电网和气象的实时状态进行监测，当电网发生故障或气象异常则发出报警信息，并且做以记录，记录内容包括气象数据信息、继电保护装置及断路器的动作信息、电气量信息及故障诊断结果；

所述数据库单元：(1)用于存储记录历史灾害的气象数据、电网数据、电网设备数据和电网调度数据；

(2)当与数据采集单元单元进行交互时，将获得数据采集单元采集的历史数据；

所述数据处理单元：

(1)当与数据采集单元进行交互时，将获得数据采集单元采集的实时数据；

(2)当与数据库单元进行交互时，利用数据库单元中存储的灾害数据获得评估规则，再将实时数据与评估规则匹配，最终得到评估结果；

(3)当与人机交互单元进行交互时，将电网实时评估结果展示给操作人员；

其进一步包括：

隶属度计算器：将数据采集单元采集到的气象数据、电网数据、电网设备数据和电网调度数据中连续的数据进行离散化，并计算各类数据的隶属度和非隶属度；

条件属性输出器：输出气象数据的条件属性，包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的条件属性，包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设备数据的条件属性，包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的条件属性，包括继电保护动作情况、断路器位置状态和线路覆冰厚度；

决策属性输出器：以灾害对电网的影响程度为输出目标，首先计算电网影响相对于输出目标的权重、用户影响对于输出目标的权重、应灾能力对于输出目标的权重，再计算支路过载程度对于电网影响的权重、母线电压越限程度对于电网影响的权重、线路负荷损失比例对于电网影响的权重、重要负荷损失程度对于电网影响的权重、停电人数比例对于用户影响的权重、用户停电损失比例对于用户影响的权重、日平均停电时间比例对于用户影响的权重、负荷转移能力对于应灾能力的权重，计算上述结果的组合权重，组合权重与各指标乘积后求和作为最终输出的决策属性；

灾害规则库模块：利用电网属性约简模块和值约简模块的输出，生成灾害规则，其进一步包括属性约简模块和值约简模块，其中：

属性约简模块：在保证决策属性和条件属性依赖关系不发生变化的前提下，输出去掉条件属性中的冗余属性；

值约简模块：在属性约简基础上删除所有不影响规则表达的冗余的条件属性值，输出评估规则；

数据匹配模块：利用数据采集单元得到的实时数据与灾害规则库进行匹配，将经过直觉模糊化的实时数据与评估规则库模块内的灾害规则进行匹配后输出电网灾害评估等级；

电网灾害应急处置模块：对数据匹配模块输出的匹配成功的电网灾害进行应急处理；

人机交互单元：是电网灾害评估系统与操作人员的交互接口，实现运行人员对系统的监视与控制。

2.根据权利要求1所述的基于直觉模糊粗糙集的电网灾害实时调控装置对处于灾害状态的电网进行调控的方法，其特征在于：包括如下步骤：

步骤1：调用数据库单元中的历史灾害数据，包括气象数据、电网数据、电网设备数据、电网调度数据；

步骤2：根据步骤1采集到的历史灾害数据，利用基于直觉模糊粗糙集的方法进行约简，从而得到电网的灾害等级评估规则：

所述的基于直觉模糊粗糙集的方法包括以下步骤：

步骤2.1：确定气象数据、电网数据、电网设备数据、电网调度数据的隶属度和非隶属度，具体为：

通过梯形隶属度函数将气象数据、电网数据、电网设备数据、电网调度数据中的连续数据进行直觉模糊化，得到每个数据的隶属度与非隶属度；其中，气象数据的属性包括温度、相对湿度、灾害持续时间、风速、风向、空气质量、降水量和震级；电网数据的属性包括母线电压、节点电流、有功功率、无功功率、频率和功率因数；电网设备数据的属性包括负荷等级、线路半径、线路高程、线路走向、供电容量、拓扑结构和黑启动电源比例；电网调度数据的属性包括继电保护动作情况、断路器位置状态和线路覆冰厚度；

气象数据、电网数据、电网设备数据、电网调度数据所对应属性统称为条件属性；

步骤2.2：采用改进的层次分析法确定灾害对电网的影响程度，并将其作为决策属性，计算该决策属性的隶属度和非隶属度，具体包括以下步骤：

步骤2.2.1：建立层次分析模型：a目标层：该层只有一个元素，即灾害对电网的影响程度；b准则层：包括电网影响、用户影响、应灾能力三个元素；c指标层：为准则层的元素所对应的评价准则，其中，电网影响因素中对应的评价准则包括：支路过载程度、母线电压越限程度、线路负荷损失比例和重要负荷损失程度；用户影响因素中对应的评价准则包括停电人数比例、用户停电损失比例和日平均停电时间比例；应灾能力因素中对应的评价准则包括负荷转移能力；

步骤2.2.2：确定模糊判断矩阵，邀请专家采用梯形模糊数(a，b，c，d)对指标层两两指标间的相对重要程度进行打分，从而构成模糊判断矩阵，其中，a、d下界和上界，下界表示专家认为可能的最低评分，上界表示可能的最高评分；b、c是最有可能值，表示对两个指标相互关系的基本评价；则指标的相对权重公式如下：

$e_{\mathrm{ij}}=\mathrm{int}\left\{\frac{1}{l}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}{m}_k\right[\frac{a_{\mathrm{ij}}+2(b_{\mathrm{ij}}+c_{\mathrm{ij}})+d_{\mathrm{ij}}}{6}\left]\right\}---\left(1\right)$

e_ji＝1／e_ij                    (2)

e_ii＝1                       (3)

式中，i为矩阵E的行数；j为矩阵E的列数；e_ij为矩阵E第i行第j列的元素；e_ji为矩阵E第j行第i列的元素；e_ii为矩阵E第i行第i列的元素；a_ij、b_ij、c_ij、d_ij分别为e_ij对应的a、b、c、d；l为专家个数；m_k为第k个专家打分数；其中k为专家人数；int为数学符号，表示四舍五入后取整；

则构成的模糊判断矩阵如下：

$E={\left(e_{\mathrm{ij}}\right)}_{n\&times;n}=\left[\begin{array}{cccc}{e}_{11}& e_{12}& ...& e_{1n}\\ e_{21}& e_{22}& ...& e_{2n}\\ ...& ...& ...& ...\\ e_{n1}& e_{n2}& ...& e_{\mathrm{nn}}\end{array}\right]---\left(4\right)$

步骤2.2.3：利用步骤2.2.2的模糊矩阵，计算单一准则下的相对权重，公式如下：

$W_i=\frac{{\left(\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{n}}},i=\mathrm{1,2},...,n---\left(5\right)$

式中，W_i为各评价指标的权重；

步骤2.2.4：利用步骤2.2.3计算出的指标权重，对步骤2.2.2的模糊矩阵进行一致性检验，公式如下：

$\mathrm{CI}=\frac{2({\mathrm{\&lambda;}}_{\max }-n)}{n(n-1)}---\left(6\right)$

CR＝CI／RI                   (7)

式中，λ_max为模糊判断矩阵的最大特征根；n为模糊判断矩阵阶数；CI为一致性指标；CR为一致性比率；RI为平均随机一致性指标，可由表查出；

当CR<0.1时，认为判断矩阵的一致性被接受；当CR≥0.1时，需对判断矩阵进行修正，重新执行步骤2.2.2，直到被接受为止；

步骤2.2.5：确定决策属性，过程为：计算各层次因素组合权重，即各指标相对于总目标的权重；准则层各要素对目标层的单一准则下的相对权重分别为W₁，W₂，…，W_n，指标层各要素对准则层的单一准则下的相对权重分别为W₁′，W₂′，…，W_n′，则组合权重V为：

$V=W^{\&prime;}W=\left[\begin{array}{cccc}{W}_1^{\&prime;}& W_1^{\&prime;}& ...& W_1^{\&prime;}\\ W_2^{\&prime;}& W_2^{\&prime;}& ...& W_2^{\&prime;}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ W_n^{\&prime;}& W_n^{\&prime;}& \text{...}& W_n^{\&prime;}\end{array}\right]\left[\begin{array}{c}{W}_1\\ W_2\\ .\\ .\\ .\\ W_n\end{array}\right]=\left[\begin{array}{c}{V}_1\\ V_2\\ .\\ .\\ .\\ V_n\end{array}\right]---\left(8\right)$

确定综合指标公式如下：

$\mathrm{\&beta;}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_i{\mathrm{\&beta;}}_i---\left(9\right)$

式中，V_i为指标权重；β_i为指标数值；n为指标个数，β为综合指标，即决策属性；

步骤2.3：确定历史灾害等级评估规则，包括以下步骤：

步骤2.3.1：利用步骤2.1和步骤2.2确定的条件属性和决策属性，构建决策表，具体为：以条件属性和决策属性作列，以历史灾害样本为行构建出决策表，其中，每个条件属性对应两个语义变量，并且利用隶属度和非隶属度来表示属性属于和不属于语义变量的程度；

步骤2.3.2：采用直觉模糊粗糙集理论对决策表进行属性约简，属性约简是在保持决策表决策属性和条件属性之间的依赖关系不发生变化的前提下，用能区分所有对象的最小属性子集代替原来的属性集的方法，因此直觉模糊粗糙集的属性约简是以满足max{γ_P(Q)-κ_P(Q)}的为必要属性，得到约简结果，式中，γ_P(Q)、κ_P(Q)分别为决策属性Q对条件属性P的依赖度与非依赖度；

采用直觉模糊粗糙集理论进行属性约简过程中，应用紧计算域概念对直觉模糊粗糙集的上下近似隶属函数进行修改，紧计算域定义为

其中，D _A (F_ik)、

B _A （F_ik)、

分别为该直觉模糊粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；分别为论域U中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U／R＝U／P＝{F_ik}；μ _A (x)为x对直觉模糊粗糙集A的下近似隶属度；ε和均为弹性系数，且ε>0，

当不满足可信阂值时修改弹性系数以调整约简精度，约简以依赖度与非依赖度关系作为判断条件，采用树形搜索方法确定约简结果；

步骤2.3.3：基于直觉模糊粗糙集的方式对经过属性约简后的决策表进行值约简，包括以下步骤：

步骤2.3.3.1：删除决策表中重复的记录；

步骤2.3.3.2：将属性值进行二值化：设属性α∈Ω有n个属性值，用一个n维的二值相量来表示这个属性值，对于这个相量的第i位定义如下：

$V_{\mathrm{ai}}\left(x\right)=\left\{\begin{array}{c}1,V_a\left(x\right)=i\\ 0,V_a\left(x\right)\&NotEqual;i\end{array}\right.---\left(12\right)$

式中，V_ai(x)为实例x的二值化属性值的第i位；V_a(x)为非二值化属性值；

步骤2.3.3.3：计算决策矩阵，并得到该记录的值核，其中值核的计算过程为：

决策矩阵C＝(c_ij)_γ×ρ被定义为：令S＝(U，A)是一个信息系统，U为论域且U＝{x₁，x₂，…，x_n}，A是条件属性集合，D是决策属性，a(x)是记录x在属性a上的值，c_ij表示决策矩阵中第i行第j列的元素，这样决策矩阵被定义为：

$\left(c_{\mathrm{ij}}\right)=\left\{\begin{array}{cc}\{a\&Element;A:a\left(x_i\right)\&NotEqual;a\left(x_j\right)\}& D\left(x_i\right)\&NotEqual;D\left(x_j\right)\\ 0& D\left(x_i\right)=D\left(x_j\right)\\ -1& a\left(x_i\right)=a\left(x_j\right);D\left(x_i\right)\&NotEqual;D\left(x_j\right)\end{array}\right.---\left(13\right)$ 其中，i，j＝1，2，3，…，n；

决策矩阵中条件属性组合数为1的元素项即为值核；

步骤2.3.3.4：将所有不包含核属性的条件属性组合表示为合取范式的形式，再将合取范式转换为析取范式的形式，析取范式中每一项由合取式表示的属性组合和核属性一起作为最终的值约简结果，将该记录中未被选择的属性值进行标注；

步骤2.3.3.5：比较决策相同的记录，如果两条记录的条件属性值对应相等或对应的值均为标注，则删除标注记号少的记录；

步骤3：实时采集电网灾害数据，利用步骤2形成的历史灾害等级评估规则，确定当前电网的灾害等级；

将实时采集电网灾害数据进行直觉模糊化处理，然后与评估规则库进行匹配，匹配过程如下：利用匹配度来表征实时灾害信息数据和评估规则之间的匹配程度，匹配度的公式如下：

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}{|1-\frac{x_i}{{\mathrm{\&omega;}}_i{\mathrm{\&delta;}}_i}|}^2\right)}^{\frac{1}{2}}---\left(14\right)$

式中，p为可靠度，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的数据信息；δ_i(i＝1，2...，w)为灾害评估规则库中数据信息；ω_i(i＝1，2...，w)为评估规则可信度；

若匹配度小于设定阂值则实时灾害信息数据与灾害评估规则完全匹配，确定灾害对电网的影响程度，输出决策属性的评估值，给出电网灾害等级；否则增大设定阂值，重新计算匹配度，重新进行匹配，直至匹配过程成功；

步骤4：将经过实时评估后的数据更新到历史数据库中，用于对电网灾害知识库的增添和修改；

步骤5：实施电网灾害应急处置，即针对不同的灾害级别，启动相应的应急恢复措施，对电网进行调控。

3.根据权利要求2所述的基于直觉模糊粗糙集的电网灾害实时调控方法，其特征在于：步骤2.2.1所述的支路过载程度，计算公式如下：

${\mathrm{\&eta;}}_I=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_k{I}_k}{I_{k\max }}+\underset{l=m+1}{\overset{M}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&rho;}}_l{I}_l}{I_{l\max }}---\left(15\right)$

式中，η_I为系统的支路过载程度，且η_I总为非负值，值越大表示过载程度越大；m和M分别为不过载支路数和支路总数；ρ_k、ρ_l为相应支路的权重因子，反映支路重要程度差异；I_k、I_l为相应的各支路电流；I_Kmax为I_k上限；I_lmax为I_l上限；

所述的母线电压越限程度，计算公式如下：

${\mathrm{\&eta;}}_U=\frac{1}{m^{\&prime;}}\underset{k=m^{\&prime;}}{\overset{m^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_k}^{\&prime;}|U_k-1.0|+\underset{l=m^{\&prime;}+1}{\overset{m^{\&prime;}}{\mathrm{\&Sigma;}}}{{\mathrm{\&rho;}}_l}^{\&prime;}|U_l-U_{\mathrm{llim}}|---\left(16\right)$

式中，η_U为系统的母线电压越限程度；m′和M′分别为电压不越限母线数和母线总数；ρ′_k、ρ′_l为相应各母线的权重因子；U_k和U_l分别为相应母线的电压幅值；U_llim为对应母线电压限值(越上限时取上限值，越下限时取下限值)；η_U总为非负值，值越大表示电压越限程度越大，为0表示没有电压越限发生，且所有母线电压幅值均为1.0pu；

所述的线路负荷损失比例，计算公式如下：

η_l＝L_loss/L_max       (17)

式中，η_l为线路负荷损失比例，是衡量电网灾害最直观最方便获取的指标；L_loss为灾害导致的损失负荷；L_max为预测该电网最大负荷；

所述的重要负荷损失程度，计算公式如下：

$E_p=[\left(\underset{j=1}{\overset{s}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{P}_j\right)/\left(\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{P}_i\right)]\&times;100\%---\left(18\right)$

式中，E_p为重要负荷损失程度；s为损失的重要负荷数；t为重要负荷总数；P_i、P_j分别为第i、j个重要负荷功率；ω_i、ω_j分别为第i、j个重要负荷的权重；

所述的停电人数比例，公式如下：

η_c＝C_loss／C           (19)

式中，η_c为停电人数比例，有效衡量电网灾害波及的范围；C_loss为停电涉及总人数；C为该地区覆盖总人数；

所述的用户停电损失比例，公式如下：

${\mathrm{\&eta;}}_Q=\frac{1}{Q_{\mathrm{pre}}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_{\mathrm{CCDF}}\left(t\right)\&times;P_i\&times;t_i---\left(20\right)$

式中，η_Q是用户停电损失比例，Q_pre为该段时间预计供电量；f_CCDF(t)为综合停电损失函数，表示用户损失负荷与用户停电时间的函数关系；P_i为第i次停电损失的负荷；t_i为第i次停电时间；m为灾害时期的停电次数；

所述的日平均停电时间比例，公式如下：

$t_{\mathrm{loss}}=\frac{1}{86400}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(t_{i_{\mathrm{loss}}}{P}_i\right)/P_{\max }---\left(21\right)$

式中，t_loss为日平均停电时间比例，反应了电网对各电压等级用户持续供电的能力；P_i为第i次停电损失的负荷；

为该负荷的停电时间，单位为s；P_max为系统最大供电负荷，m为灾害时期的停电次数；

所述的负荷转移能力，计算公式如下：

式中，r_tr为负荷转移率；1.3为变压器短时允许的过载系数；cos为功率因数；S_re为变压器的备用容量；L_tr为线路负荷转移量；L_loss为故障损失负荷。

Images