CN104537432A - 基于证据推理的电力系统多目标优化调度的决策方法 - Google Patents

Abstract

本发明公开了一种基于证据推理的电力系统多目标优化调度的决策方法，包括步骤：将电力系统调度需考虑的多个调度目标进行优先度分析，选出对调度运行影响较大的重要目标集；对重要目标集进行多目标优化，得到帕累托解集，以此作为候选解集供调度员选择；将候选解集进行多属性分析，做出置信度评估，将产生的置信度评估结果作为决策证据；运用证据推理方法对决策证据进行融合，得到候选解在不同评价等级上的置信度分布；利用效用函数将置信度分布映射为效用值，并比较不同候选解的平均效用值，选择平均效用值最大的候选解作为最终的调度方案。本发明有效融合多目标运行证据，并考虑调度员评估的不确定性，具有显著的工程实用价值和广泛的应用前景。

Description

基于证据推理的电力系统多目标优化调度的决策方法

技术领域

本发明涉及电力系统多目标优化调度研究领域，特别涉及一种基于证据推理的电力系统多目标优化调度的决策方法，该方法考虑了决策者(调度员)认知的不确定性。

背景技术

电力系统优化调度，通常需要考虑多个目标，如发电成本、系统网损、电压稳定指数、电压偏差等指标，其实质是多目标优化问题。由于这些多目标通常相互冲突，如发电成本和电压稳定指数，因此不可能存在唯一的最优解使得这些目标同时达到最优。通过优化电力系统的多个目标得到的是一个集合，该集合称为帕累托解集，且该解集中每个解之间不能相互支配。但是在实际的电力运行调度中，只能实施唯一的调度解，这就要求运行人员从帕累托解集中挑选唯一的而且合适的解作为最终调度方案。虽然前人也在电力系统多目标优化调度方面做了大量的工作，但几乎都只是侧重于求解帕累托解集，而没有深入研究选择最终调度方案这一重要问题。

例如，大部分文献只是侧重于研究各类算法以求得质量更高的帕累托前沿，然后使用一种处理方式不够“细腻”的模糊决策方法来确定电力系统多目标调度的最终实施方案。这种方法完全没有考虑多目标指标之间的权重关系，只是把它们平等对待，这并不适合实际的电力系统的运行调度要求。于是，优劣解距离法引入了多目标权重来处理电力系统优化调度目标间的关系，它相对于模糊决策方法来讲，更具实际参考价值。然而，在使用优劣解距离法的过程中，决策矩阵需要规范化处理，计算量较大而且会“扭曲”相关信息，严重的时候会造成决策不合理。因此为了克服优劣解距离法的这个缺点，一些学者提出了顺序结构评估方法来处理多目标之间的关系，来选择最终的调度方案。该方法是基于目标之间两两比较的一种多属性决策方法，它既考虑了多目标之间的权重关系，而且避免了对目标评价值进行规范化处理，从而避开了信息处理偏差的问题。

但是，需要着重地指出，上述的几种决策方法并没有考虑决策者(调度员)认知的不确定性，这种不确定性是指决策者由于自身认知的局限性或者知识的欠完备性无法精确地做出相应的评价或者判断。它在决策管理领域起着至关重要的作用，甚至影响最终方案的制定。因此对于电力系统多目标优化调度来讲，为了得到合理的决策方案，必须充分考虑调度员评估的不确定性，同时融合多目标运行证据，为决策提供科学参考依据。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于证据推理的电力系统多目标优化调度的决策方法，该方法不仅能有效融合多目标运行证据，更可以考虑调度员评估的不确定性对决策的影响，适用于解决复杂电力系统调度决策问题。

本发明的目的通过以下的技术方案实现：基于证据推理的电力系统多目标优化调度的决策方法，包括步骤：

(1)将电力系统调度需考虑的多个调度目标进行优先度分析，选出对调度运行影响较大的重要目标集。调度目标可以为发电成本，网络损耗，电压偏差和，电压稳定指数，二氧化碳排放，污染气体排放等。

(2)对重要目标集进行多目标优化，得到帕累托解集，以此作为候选解集供调度员选择；

(3)将所述候选解集进行多属性分析，即根据候选解在不同调度目标的运行效果并结合调度员自身认知水平的不确定性，确定各目标的置信度评估系数，从而做出置信度评估，将产生的置信度评估结果作为决策证据；

(4)运用证据推理方法对所述决策证据进行融合，得到候选解在不同评价等级上的置信度分布；

(5)利用效用函数将置信度分布映射为效用值，并比较不同候选解的平均效用值，选择平均效用值最大的候选解作为最终的调度方案。

优选的，所述步骤(1)中，采用基于层次分析的特征向量方法得到各个调度目标的相对权重，权重值较大的目标即为对调度运行影响较大的重要目标。

更进一步的，所述基于层次分析的特征向量方法的步骤是：

(1-1)将电力系统调度需考虑的多个调度目标记为调度目标集合，表示为{A₁,A₂,...,A_L}，L表示调度目标的个数；

(1-2)对调度目标集合中的调度目标进行两两比较，得到评估矩阵：

$B=\left[\begin{array}{cccccc}{A}_{11}& A_{12}& .& .& .& A_{1L}\\ A_{21}& A_{22}& .& .& .& A_{2L}\\ .& .& & & & .\\ .& .& & & & .\\ .& .& & & & .\\ A_{L1}& A_{L2}& .& .& .& A_{\mathrm{LL}}\end{array}\right]$

其中，元素A_ij(i,j＝1,2,…L)为判断尺度，它表示目标A_i对于A_j的相对重要性的数量尺度，属于离散值；

(1-3)求评估矩阵B的特征根，最大的特征根对应的特征向量即为各调度目标的权重，依照权重值大小顺序，选取若干个调度目标作为重要目标。

优选的，所述步骤(2)中，对重要目标集采用基于多目标群体搜索算法进行多目标优化。这种算法详见期刊《Electric Power System Research》上名称为《Dynamic economic emission dispatch based on group search optimizer withmultiple producers》的内容，这里就不详细介绍了。

具体的，所述步骤(3)做出置信度评估的步骤是：

确定评价等级集H＝{H₁,H₂...,H_n,...,H_N}，N表示评价等级的级数，针对每一候选解，对候选解中每一个调度目标在不同评价等级上进行置信度评估，以得到置信度向量，其数学描述如下：

S(A_i(O_j))＝{(H_n,β_n,i(O_j)),n＝1,2,...,N,i＝1,2,...,L；j＝1,2,...,M}；

其中O_j为第j个候选解，β_n,i(O_j)为O_j在第i个调度目标以及第n个评价等级上的置信度评估系数，其中：

0≤β_n,i(O_j)≤1且 $0\≤\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}\left(O_j\right)\≤1,(n=\mathrm{1,2},...,N,i=\mathrm{1,2},...,L);$

如果说明调度员的评价是完整的，反之则表明其受认识水平的影响无法完整精确地实施评估。

优选的，所述步骤(4)中，运用证据推理方法对决策证据进行融合的步骤是：利用证据融合规则，对第j个候选解O_j在调度目标集合上进行置信度融合，即：

$\begin{array}{c}S\left(O_j\right)=\left\{S(A_1\left(O_j\right)\⊕S(A_2\left(O_j\right)\·\·\·\⊕S(A_i\left(O_j\right)\·\·\·\⊕S\left(A_L\left(O_j\right)\right)\right\}\\ =\{(H_n,{\mathrm{\β}}_n\left(O_j\right)),(H,{\mathrm{\β}}_H\left(O_j\right))\}\end{array}$

其中，i＝1,2,...,L，j＝1,2,...,M，S(O_j)为第j个候选解在评价等级集H上总的置信度分布，β_n(O_j)是第j个候选解针对不同调度目标进行证据融合后在第n个评价等级上的总的置信度评估系数，β_H(O_j)是反映不确定性评估的置信度，S(O_j)融合了步骤(3)中得到的第j个候选解在不同调度目标下的置信度向量。其融合规则的本质就是Dempster组合规则，它是一个反映证据的联合作用的法则。

得到不同候选解在评价等级集H上总的置信度分布S(O_j)，这并不能有效断定孰优孰劣。为此采用效用函数评估，对候选解进行效用排序，挑选最佳决策方案。具体的，所述步骤(5)中，利用效用函数将置信度分布映射为效用值的步骤是：

$u_{\max }\left(O_j\right)=\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\β}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\β}}_N\left(O_j\right)+{\mathrm{\β}}_H\left(O_j\right))u\left(H_N\right)$

$u_{\min }\left(O_j\right)=\underset{n=2}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\β}}_1\left(O_j\right)+{\mathrm{\β}}_H\left(O_j\right))u\left(H_1\right)$

$u_{\mathrm{avg}}\left(O_j\right)=\frac{u_{\max }\left(O_j\right)+u_{\min }\left(O_j\right)}{2};$

其中，u(·)表示效用函数，u_max(O_j),u_min(O_j)和u_avg(O_j)分别表示候选解O_j在证据决策体系中得出的最大效用值、最小效用值和平均效用值，平均效用值作为衡量候选解的标准，如果u_avg(O_i)<u_avg(O_j)，则表示O_j优于O_i。

本发明与现有技术相比，具有如下优点和有益效果：

1)本发明为一种科学而且易行的决策评估方法，不仅能有效融合多目标运行证据，更能很好地考虑调度员评估的不确定性，具有显著的工程实用价值，可以填补电力系统难以科学调度运行的空白，具备广泛的应用前景。

2)本发明首先采用基于层次分析的特征向量方法分析电力系统多目标运行的重要程度，符合调度“主次分明”的实际情况。

3)本发明采用证据推理的方法，不仅能有效融合多目标运行证据，更能很好地考虑调度员评估的不确定性。

附图说明

图1是本发明方法的流程图。

图2表示实施例1中优化发电成本和电压稳定指数得到的帕累托解集。

图3表示实施例1中融合多目标信息后的候选集置信度分布图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1所示，本实施例以IEEE-30节点电力系统作为仿真对象来具体说明本发明基于证据推理的电力系统多目标优化调度的决策方法。

步骤(1)：调度员确定多个调度目标，本实施例中确定优化调度的目标为发电成本、网络损耗、电压偏差和、压稳定指数、二氧化碳排放、污染气体排放。把调度目标集合记为{A₁,A₂,...,A₆}。

采用基于层次分析的特征向量方法选择出对调度运行影响较大的重要目标集。调度员对这些研究的调度目标进行两两比较，从而确定出评估矩阵：

$B=\left[\begin{array}{cccccc}1& 4& 3& 2& 4& 4\\ 1/4& 1& 3/4& 1/2& 1& 1\\ 1/3& 4/3& 1& 2/3& 4/3& 4/3\\ 1/2& 2& 3/2& 1& 2& 2\\ 1/4& 1& 3/4& 1/2& 1& 1\\ 1/4& 1& 3/4& 1/2& 1& 1\end{array}\right]---\left(1\right)$

其中，元素A_ij(i,j＝1,2,…L)为判断尺度，它表示目标A_i对于A_j的相对重要性的数量尺度，属于离散值，如表1所示。例如若A_i比A_j明显重要，则A_ij＝5；反之，如果A_j比A_i明显重要，则A_ij＝1/5。这个值是根据重要性程度不一样进行选择填写。

表1 层次分析比较的判断尺度

判断尺度(Aij)	定义
		1	Ai和Aj同样重要
3	Ai比Aj稍微重要
		5	Ai比Aj明显重要
7	Ai比Aj强烈重要
		9	Ai比Aj极端重要
2、4、6、8	介于上述两个相邻判断尺度中间值

求(1)式中评估矩阵的特征根，最大的特征根对应的特征向量即为各调度目标的权重，评估矩阵B的权重为：

[ω₁ ω₂ ω₃ ω₄ ω₅ ω₆]＝[0.3871 0.0968 0.1290 0.1935 0.0968 0.0968]

因此可见发电成本和电压稳定指数的权重值较大，本实施例选择这两个作为重要目标。

步骤(2)：采用多目标优化算法，如采用多目标群体搜索算法来优化步骤(1)中选择出的重要目标，得到帕累托解集O＝{O₁,O₂...,O_j,...,O_M}，作为候选解以供调度员选择。本实施例优化发电成本和电压稳定指数得到的帕累托解集如图2所示。

这些帕累托解对应的发电成本、网络损耗、电压偏差和、电压稳定指数、二氧化碳排放、污染气体排放如表2所示。

表2 帕累托解集对应的多目标函数值

调度员根据这些候选解的目标函数值，对其在评价等级上进行置信度评估。

步骤(3)：将所述候选解集进行多属性分析，即根据候选解在不同调度目标的运行效果并结合调度员自身认知水平的不确定性，确定各个目标的置信度评估系数，做出置信度评估，将产生的置信度评估结果作为决策证据。

首先确定评价等级集H＝{H₁,H₂...,H_n,...,H_N}，针对每一候选解，对其在调度目标集合{A₁,A₂,...,A₆}中的每一元素上在不同评价等级上进行置信度评估，以得到置信度向量，其数学描述如下：

S(A_i(O_j))＝{(H_n,β_n,i(O_j)),n＝1,2,...,N,i＝1,2,...,L；j＝1,2,...,M}.    (2)

O_j为第j个候选解。β_n,i(O_j)为O_j在第i个评价指标以及第n个评价等级上的置信度评估系数。其中：

$0\&le;{\mathrm{\&beta;}}_{n,i}\left(O_j\right)\&le;1\&0\&le;\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(O_j\right)\&le;1,(n=\mathrm{1,2},...,N,i=\mathrm{1,2},...,L).---\left(3\right)$

如果说明调度员的评价是完整的，反之则表明其受认识水平的影响无法完整精确地实施评估。

如针对本实施例第一个候选解，其置信度评估结果如图3所示。

表3 调度员对第一个候选解进行置信度评估

步骤(4)：利用证据融合规则，对O_j在评价指标集上进行置信度融合。

$\begin{array}{c}S\left(O_j\right)=\left\{S(A_1\left(O_j\right)\&CirclePlus;S(A_2\left(O_j\right)\&CenterDot;\&CenterDot;\&CenterDot;\&CirclePlus;S(A_i\left(O_j\right)\&CenterDot;\&CenterDot;\&CenterDot;\&CirclePlus;S\left(A_L\left(O_j\right)\right)i=\mathrm{1,2},...,L\right\}\\ =\{(H_n,{\mathrm{\&beta;}}_n\left(O_j\right)),(H,{\mathrm{\&beta;}}_H\left(O_j\right))\}(j=\mathrm{1,2},...,M).---\left(4\right)\end{array}$

β_n(O_j)是第j个候选解针对不同评价指标进行证据融合后在第n个评价等级上的总的置信度评估系数，β_H(O_j)是反映不确定性评估的置信度。S(O_j)为第j个候选解在评价等级集合H上总的置信度分布，它融合了步骤(2)中得到的第j个候选解在不同评价指标下的置信度向量。其融合规则的本质就是Dempster组合规则，它是一个反映证据的联合作用的法则。

对于本实施例，利用证据推理方法融合多目标信息，得到这些候选解在不同的评价等级中总的置信度分布，如图3所示。

步骤(5)：采用效用函数评估，对候选解进行效用排序，挑选最佳决策方案。

$\begin{array}{c}{u}_{\max }\left(O_j\right)=\underset{n=1}{\overset{N-1}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\&beta;}}_N\left(O_j\right)+{\mathrm{\&beta;}}_H\left(O_j\right))u\left(H_N\right)\\ u_{\min }\left(O_j\right)=\underset{n=2}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\&beta;}}_1\left(O_j\right)+{\mathrm{\&beta;}}_H\left(O_j\right))u\left(H_1\right)\\ u_{\mathrm{avg}}\left(O_j\right)=\frac{u_{\max }\left(O_j\right)+u_{\min }\left(O_j\right)}{2}\end{array}---\left(5\right)$

u(·)表示效用函数，u_max(O_j),u_min(O_j)和u_avg(O_j)分别表示候选解O_j在证据决策体系中得出的最大、最小和平均效用值。平均效用值作为衡量候选解的标准，如果u_avg(O_i)<u_avg(O_j)则有O_i＜O_j，即O_j优于O_i。

本实施例所得到的候选解集对应的平均、最小和最大的效用值如表4所示。通过比较平均效用值，可见第三个候选解是最佳的调度方案。

表4 候选解集对应的最小、最大和平均效用值

调度解	最小值	最大值	平均值
				O1	0.5983	0.6889	0.6436
O2	0.6588	0.7482	0.7035
				O3	0.6739	0.7605	0.7172
O4	0.6363	0.7203	0.6783
				O5	0.5401	0.6273	0.5837

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，包括步骤：

(1)将电力系统调度需考虑的多个调度目标进行优先度分析，选出对调度运行影响较大的重要目标集；

(2)对重要目标集进行多目标优化，得到帕累托解集，以此作为候选解集供调度员选择；

(3)将所述候选解集进行多属性分析，即根据候选解在不同调度目标的运行效果并结合调度员自身认知水平的不确定性，确定各目标的置信度评估系数，从而做出置信度评估，将产生的置信度评估结果作为决策证据；

(4)运用证据推理方法对所述决策证据进行融合，得到候选解在不同评价等级上的置信度分布；

(5)利用效用函数将置信度分布映射为效用值，并比较不同候选解的平均效用值，选择平均效用值最大的候选解作为最终的调度方案。

2.根据权利要求1所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，所述步骤(1)中，采用基于层次分析的特征向量方法得到各个调度目标的相对权重，权重值较大的目标即为对调度运行影响较大的重要目标。

3.根据权利要求2所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，所述基于层次分析的特征向量方法的步骤是：

(1-1)将电力系统调度需考虑的多个调度目标记为调度目标集合，表示为{A₁,A₂,...,A_L}，L表示调度目标的个数；

(1-2)对调度目标集合中的调度目标进行两两比较，得到评估矩阵：

$B=\left[\begin{array}{cccc}{A}_{11}& A_{12}& ...& A_{1L}\\ A_{21}& A_{22}& ...& A_{2L}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ A_{L1}& A_{L2}& ...& A_{\mathrm{LL}}\end{array}\right]$

其中，元素A_ij(i,j＝1,2,…L)为判断尺度，它表示目标A_i对于A_j的相对重要性的数量尺度，属于离散值；

(1-3)求评估矩阵B的特征根，最大的特征根对应的特征向量即为各调度目标的权重，依照权重值大小顺序，选取若干个调度目标作为重要目标。

4.根据权利要求1所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，所述步骤(2)中，对重要目标集采用基于多目标群体搜索算法进行多目标优化。

5.根据权利要求1所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，所述步骤(3)做出置信度评估的步骤是：

确定评价等级集H＝{H₁,H₂...,H_n,...,H_N}，N表示评价等级的级数，针对每一候选解，对候选解中每一个调度目标在不同评价等级上进行置信度评估，以得到置信度向量，其数学描述如下：

S(A_i(O_j))＝{(H_n,β_n,i(O_j)),n＝1,2,...,N,i＝1,2,...,L；j＝1,2,...,M}；

其中O_j为第j个候选解，β_n,i(O_j)为O_j在第i个调度目标以及第n个评价等级上的置信度评估系数，其中：

0≤β_n,i(O_j)≤1且(n＝1,2,...,N,i＝1,2,...,L)；

如果说明调度员的评价是完整的，反之则表明其受认识水平的影响无法完整精确地实施评估。

6.根据权利要求1所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，所述步骤(4)中，运用证据推理方法对决策证据进行融合的步骤是：利用证据融合规则，对第j个候选解O_j在调度目标集合上进行置信度融合，即：

S(O_j)＝{S(A₁(O_j)⊕S(A₂(O_j)…⊕S(A_i(O_j)…⊕S(A_L(O_j))}

＝{(H_n,β_n(O_j)),(H,β_H(O_j))}

其中，i＝1,2,...,L，j＝1,2,...,M，S(O_j)为第j个候选解在评价等级集H上总的置信度分布，β_n(O_j)是第j个候选解针对不同调度目标进行证据融合后在第n个评价等级上的总的置信度评估系数，β_H(O_j)是反映不确定性评估的置信度， ${\mathrm{\&beta;}}_H\left(O_j\right)=1-\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(O_j\right).$

7.根据权利要求1所述的基于证据推理的电力系统多目标优化调度的决策方法，其特征在于，

所述步骤(5)中，利用效用函数将置信度分布映射为效用值的步骤是：

$u_{\max }\left(O_j\right)=\underset{n=1}{\overset{N-1}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\&beta;}}_N\left(O_j\right)+{\mathrm{\&beta;}}_H\left(O_j\right))u\left(H_N\right)$

$u_{\min }\left(O_j\right)=\underset{n=2}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n\left(O_j\right)u\left(H_n\right)+({\mathrm{\&beta;}}_1\left(O_j\right)+{\mathrm{\&beta;}}_H\left(O_j\right))u\left(H_1\right)$

$u_{\mathrm{avg}}\left(O_j\right)=\frac{u_{\max }\left(O_j\right)+u_{\min }\left(O_j\right)}{2};$

其中，u(·)表示效用函数，u_max(O_j),u_min(O_j)和u_avg(O_j)分别表示候选解O_j在证据决策体系中得出的最大效用值、最小效用值和平均效用值，平均效用值作为衡量候选解的标准，如果u_avg(O_i)<u_avg(O_j)，则表示O_j优于O_i。