CN105335799A - 一种基于混合多属性评价的错峰用电预案编制方法 - Google Patents

Abstract

本发明涉及一种基于混合多属性评价的错峰用电预案编制方法，该方法是针对用户错峰用电预案编制时存在的不同数据信息形式问题所提出的；首先，建立对参与有序用电的企业用户进行排序的评价指标体系；然后，针对各项指标下的不同数据类型(实数、区间数、随机变量、模糊数)，计算参加预案编制的用户在不同属性指标下的混合占优度，确定各用户在这些属性指标下的综合贴近度；最后，在考虑主客观综合赋权的基础上，通过计算加权贴近度对用户进行排序，确定用户的优先用电顺序。本发明所提方法可对不同类型的属性数据进行处理，并能兼顾主观和客观两方面因素。

Description

一种基于混合多属性评价的错峰用电预案编制方法

技术领域

本发明属于电力系统运行领域，特别涉及一种基于混合多属性评价的错峰用电预案编制方法。

背景技术

错峰用电预案编制是有序用电的一项重要环节，也是电力需求侧管理的重要内容之一。科学合理编制错峰用电预案能够保障用电秩序，改善电能利用效率，促进电力资源优化配置，对于经济与社会发展具有重要意义。到目前为止，相关研究工作所讨论的决策信息类型单一。实际上，不同用户的用电特性不同，适于采用的数据描述方式也未必一致，这样就形成了混合多属性决策问题。基于上述情况，本发明采用一种基于混合多属性评价的错峰用电预案编制方法，其中考虑了多种类型的数据形式(实数、区间数、随机数、模糊数)，同时计及了决策时主观和客观两方面因素，用户可根据各项指标的评价结果对自身生产和经营情况进行调整，以争取保障优先用电。

发明内容

本发明的目的在于提供一种可对不同类型的属性数据进行处理，并能兼顾主观和客观两方面因素的基于混合多属性评价的错峰用电预案编制方法。

为实现上述目的，本发明的技术方案是：一种基于混合多属性评价的错峰用电预案编制方法，包括如下步骤，

步骤S1：从经济性、社会影响和环保三个方面建立对参与有序用电的企业用户进行排序的评价指标体系；

步骤S2：根据每个属性值的数据类型，进行指标归一化处理，确定累积分布函数，对各用户在不同属性指标下的累积分布函数进行混合占优判断，求取各用户的混合占优度矩阵；

步骤S3：分别计算决策者的主观赋权值和由混合占优度矩阵计算得到的客观权值，求取综合考虑了主观和客观权值的综合权重系数；

步骤S4：利用综合权重系数计算各个待排序用户的加权贴近度，并按从大到小排序，用户的加权贴近度越大，越优先安排其用电。

在本发明一实施例中，所述步骤S1建立的评价指标体系具体如下，

将所述经济性评价指标、社会影响评价指标及环保评价指标各分为多项二级指标，其各项指标的含义及计算公式如下：

1)所述经济性评价指标包括：

①错峰用电所节省电费及燃料费用C_E

$C_E={\mathrm{\Δp}}_e\×P_{shift}+{\mathrm{\Δf}}_c\×P_{shift}=({\mathrm{\Δp}}_e+{\mathrm{\Δf}}_c)\×P_{shift}---\left(1\right)$

式中：△p_e表示高峰时段同非高峰时段的电价差；△f_c表示高峰时段同非高峰时段的单位电量燃料成本之差；P_shift表示每日可错峰用电电量；

②企业单位电量产值O_E

$O_E=\frac{O_{total}}{P_{total}}---\left(2\right)$

式中：O_total表示企业年产值总额；P_total表示企业年用电量；

③削减高峰备用容量效益R_B

$R_B=L_{shift}\×u_c\×\mathrm{\γ}---\left(3\right)$

式中：L_shift表示用户可错峰负荷量；u_c表示机组单位投资成本；γ为可避免峰荷容量系数，该系数可在[1.32,1.63]之间取值；

2)所述社会影响评价指标包括：

④企业单位电量纳税额T_E

$T_E=\frac{T_{total}}{P_{total}}---\left(4\right)$

式中：T_total表示企业年纳税金额；

⑤产业增加值占区域比重△V_R

${\mathrm{\ΔV}}_R=\frac{{\mathrm{\ΔV}}_{add}}{{\mathrm{\ΔV}}_{total}}---\left(5\right)$

式中：△V_add表示企业产业年增加值；△V_total表示企业所属区域产业年总增加值；

⑥对地区形象的贡献S

S可采用模糊数来量化描述，具体可采用三角模糊数；

3)所述环保评价指标包括：

⑦单位电量污染物排放量Q_E

$Q_E=\frac{Q_{total}}{P_{total}}---\left(6\right)$

式中：Q_total表示企业年度污染物总排放量；

⑧治理污染物费用C_P

C_P＝P_shift×Q_E×p_ctrl(7)

式中：p_ctrl表示单位污染物的治理成本。

在本发明一实施例中，所述步骤S2的具体实现方式如下：

假定共有m个待选用户，n个评价指标；给定a_ij为第i个用户在第j个评价指标下的属性值，且a_ij包括四种类型，即确定的实数、区间数、随机变量、模糊数；按照改变用电方式给用户和社会所带来的效益情况来确定各个属性值为效益型还是成本型，将错峰用电所节省电费及燃料费用、削减高峰备用容量效益、单位电量污染物排放量以及治理污染物费用归为效益型指标；企业单位电量产值、企业单位电量纳税额、产业增加值占区域比重以及对地区形象的贡献归为成本型指标；则不同数据类型的累积分布函数及其指标归一化方法如下所示：

1)a_ij为实数

对于第j项属性，令 $m_j^U=\underset{1\≤i\≤m}{\max }{a}_{ij},m_j^L=\underset{1\≤i\≤m}{\min }{a}_{ij};$ 若第j项属性为效益型，令 $a_{ij}^{\′}=\frac{a_{ij}-m_j^L}{m_j^U-m_j^L};$ 若第j项属性为成本型，则令则经过指标归一化变换后的累积分布函数为：

$F_{ij}^{\&prime;}\left(x^{\&prime;}\right)=\left\{\begin{array}{cc}0,& x^{\&prime;}<a_{ij}^{\&prime;}\\ 1,& x^{\&prime;}\&GreaterEqual;a_{ij}^{\&prime;}\end{array}\right.---\left(8\right)$

2)a_ij为区间数

设a_ij＝[a_ij ^L,a_ij ^U]，假设a_ij在该区间内随机取值并设其概率密度函数为f_ij(x)；则其累积分布函数可以表示为：

$F_{ij}\left(x\right)=\underset{a_{ij}^L}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx,x\&Element;\&lsqb;a_{ij}^L,a_{ij}^U\&rsqb;---\left(9\right)$

对属性指标进行归一化变换，对于第j项属性，令若第j项属性为效益型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})---\left(10\right)$

若第j项属性为成本型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^U-(m_j^U-m_j^L)x^{\&prime;})---\left(11\right)$

对于经过归一化变换后的属性指标x'，其概率密度函数满足：基于f′_ij(x')，可求出x'的累积分布函数F′_ij(x')；

3)a_ij为随机变量

设a_ij为一连续型随机变量，其概率密度函数为f_ij(x)，则有令a_ij的取值范围为则其累积分布函数为：

$F_{ij}\left(x\right)=\underset{a_{ij}^L}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx,x\&Element;\&lsqb;a_{ij}^L,a_{ij}^U\&rsqb;---\left(12\right)$

可以看出，a_ij为连续型随机变量时的累积分布函数表达形式同区间数类型的相同，故其经过归一化变换后的概率密度函数如式(10)和式(11)所示，由此可求得归一化变换后的累积分布函数；

4)a_ij为模糊数

模糊数可分为定量模糊数和定性模糊数；

假定定量模糊数a_ij的论域为 和分别表示对第i个用户而言，该项指标的最小可能取值和最大可能取值；采用指派方法或其他方法确定a_ij的隶属函数为u_ij(x)；

定性模糊数可用语言形式描述；借鉴相关语言值标度，可将语言值转换为相应的三角模糊数，并确定相应的隶属函数u_ij(x)；

对u_ij(x)作线性变换，令f_ij(x)＝c·u_ij(x)，c为确保成立的常数，从而将模糊隶属函数转化为相应的概率密度函数；由此可得其累积分布函数为：

$F_{ij}\left(x\right)=\underset{-\mathrm{\&infin;}}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx=\underset{-\mathrm{\&infin;}}{\overset{x}{\&Integral;}}c\&CenterDot;u_{ij}\left(x\right)dx---\left(13\right)$

对属性指标进行归一化变换，对于第j项属性，令若第j项属性为效益型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})=c\&CenterDot;(m_j^U-m_j^L)u_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})---\left(14\right)$

若第j项属性为成本型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=\left(m_j^U-m_j^L\right)f_{ij}\left(m_j^U-\left(m_j^U-m_j^L\right)x^{\&prime;}\right)=c\&CenterDot;\left(m_j^U-m_j^L\right)u_{ij}\left(m_j^U-\left(m_j^U-m_j^L\right)x^{\&prime;}\right)---\left(15\right)$

由此可求得相应的累积分布函数F′_ij(x')；

为便于描述，将指标归一化后所得的累积分布函数F′_ij(x')统一记为F_ij(x)；如此，采用上述方法即可得到确定的实数、区间数、随机变量、模糊数这四种不同类型属性值经过归一化后的累积分布函数；

对于同一属性j下用户i和用户k的累积分布函数F_ij(x)和F_kj(x)，当F_ij(x)≠F_kj(x)时，Ω＝{x|x∈[a,b]}，采用一阶、二阶及三阶混合占优准则进行判断；用MD统一表示混合占优关系，MD可为上述三种混合占优关系的任意一种；在判定混合占优关系后，即可得到两两比较的混合占优度矩阵表示在同一属性j下，用户i同用户k相比较的混合优势度，其计算公式为：

在本发明一实施例中，所述步骤S3的具体实现方式如下：

采用基于改进AHP法的主观权重计算方法，通过求取判断矩阵最大特征值所对应的特征向量，求得主观权重向量W′＝[w1′,w2′,w3′,…,wn′]；

在求得两两比较的混合占优度矩阵后，计算用户i关于属性j优于其他用户的累积优势度和累积劣势度

$d_i^{j+}=\underset{k=1}{\overset{m}{\&Sigma;}}{d}_{ik}^j,j=1,2,...,n---\left(17\right)$

$d_i^{j-}=\underset{k=1}{\overset{m}{\&Sigma;}}{d}_{ki}^j,j=1,2,...,n---\left(18\right)$

令 $d_{\max }^{j+}=max\left\{d_1^{j+},d_2^{j+},\mathrm{...},d_m^{j+}\right\},d_{\max }^{j-}=max\left\{d_1^{j-},d_2^{j-},\mathrm{...},d_m^{j-}\right\};$ 和分别表示用户i关于属性j优于其他用户的最优累积优势度和最劣累积劣势度；给定分别为用户i同最优累积优势度/最劣累积优势度的贴近度，计算公式为：

$c_i^{j+}=d_{\max }^{j+}-d_i^{j+}---\left(19\right)$

$c_i^{j-}=d_{\max }^{j-}-d_i^{j-}---\left(20\right)$

定义综合贴近度指标

${\mathrm{\&theta;}}_i^j=\frac{c_i^{j-}}{c_i^{j-}+c_i^{j+}}---\left(21\right)$

设各项指标的客观赋权为W″＝[w1″,w2″,w3″,…,wn″]；建立如下的客观权重优化求解模型求解相应的客观权重：

$\max f\left(w_j^{\&prime;\&prime;}\right)=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}{w}_j^{\&prime;\&prime;}{\mathrm{\&theta;}}_i^j$

$\begin{array}{cc}s.t.& \underset{j=1}{\overset{n}{\&Sigma;}}{w_j^{\&prime;\&prime;}}^2=1\end{array}---\left(22\right)$

w″_j≥0,j＝1,2,…,n

在求解该模型后，通过归一化处理求得客观权重；通过综合集成赋权可求取计及主客观权重的综合权重系数W＝[w1,w2,w3,…,wn]，其中(j＝1,2,3,...,n)。

在本发明一实施例中，所述步骤S4的具体实现方式如下：

在求得综合权重系数W后，计算各用户的加权贴近度

${\mathrm{\&theta;}}_i=1-\underset{j=1}{\overset{n}{\&Sigma;}}{w}_j{\mathrm{\&theta;}}_i^j---\left(23\right)$

按照加权贴近度从大到小的顺序对用户进行排序；用户的加权贴近度越大，越优先保障该用户用电。

相较于现有技术，本发明具有以下有益效果：本发明可以处理用户错峰用电预案编制时存在的不同数据信息形式问题，兼顾决策时主观和客观两方面因素，便于用户根据各项指标的评价结果对自身生产和经营情况进行调整，以争取保障优先用电。

附图说明

图1为本发明建立的用户有序用电排序评价体系示意图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明一种基于混合多属性评价的错峰用电预案编制方法，包括如下步骤，

步骤一：建立如图1所示的用户有序用电排序评价体系，从经济性、社会影响和环保三个方面对用户进行测评。在图1所示的评价体系中，用于有序用电排序评价的一级指标包括“经济性评价”、“社会影响评价”和“环保性评价”；每个一级指标下包含如图1所示的若干个二级指标，各项指标的含义及其计算公式如下所示。

1)所述经济性评价指标包括：

①错峰用电所节省电费及燃料费用C_E

C_E＝△p_e×P_shift+△f_c×P_shift＝(△p_e+△f_c)×P_shift(1)

式中：△p_e表示高峰时段同非高峰时段的电价差；△f_c表示高峰时段同非高峰时段的单位电量燃料成本之差；P_shift表示每日可错峰用电电量；

②企业单位电量产值O_E

$O_E=\frac{O_{total}}{P_{total}}---\left(2\right)$

式中：O_total表示企业年产值总额；P_total表示企业年用电量；

③削减高峰备用容量效益R_B

R_B＝L_shift×u_c×γ(3)

式中：L_shift表示用户可错峰负荷量；u_c表示机组单位投资成本；γ为可避免峰荷容量系数，该系数可在[1.32,1.63]之间取值；

2)所述社会影响评价指标包括：

④企业单位电量纳税额T_E

$T_E=\frac{T_{total}}{P_{total}}---\left(4\right)$

式中：T_total表示企业年纳税金额；

⑤产业增加值占区域比重△V_R

${\mathrm{\&Delta;V}}_R=\frac{{\mathrm{\&Delta;V}}_{add}}{{\mathrm{\&Delta;V}}_{total}}---\left(5\right)$

式中：△V_add表示企业产业年增加值；△V_total表示企业所属区域产业年总增加值；

⑥对地区形象的贡献S

S可采用模糊数如三角模糊数来量化描述，语言评价值“极低”、“很低”、“低”、“较低”、“稍低”、“一般”、“稍高”、“较高”、“高”、“很高”、“极高”所对应的三角模糊数分别为[0,0,0.1]、[0,0.1,0.2]、[0.1,0.2,0.3]、[0.2,0.3,0.4]、[0.3,0.4,0.5]、[0.4,0.5,0.6]、[0.5,0.6,0.7]、[0.6,0.7,0.8]、[0.7,0.8,0.9]、[0.8,0.9,1.0]、[0.9,1.0,1.0]；

3)所述环保评价指标包括：

⑦单位电量污染物排放量Q_E

$Q_E=\frac{Q_{total}}{P_{total}}---\left(6\right)$

式中：Q_total表示企业年度污染物总排放量；

⑧治理污染物费用C_P

C_P＝P_shift×Q_E×p_ctrl(7)

式中：p_ctrl表示单位污染物的治理成本。

步骤二：根据每个属性值的数据类型，进行指标归一化处理，确定累积分布函数，对各用户在不同属性指标下的累积分布函数进行混合占优判断，求取各用户的混合占优度矩阵。对于所研究的预案编制/排序评价问题，假定共有m个待选用户，n个评价指标；给定a_ij为第i个用户在第j个评价指标下的属性值，且a_ij包括四种类型，即确定的实数、区间数、随机变量、模糊数；按照改变用电方式给用户和社会所带来的效益情况来确定各个属性值为效益型还是成本型，将错峰用电所节省电费及燃料费用、削减高峰备用容量效益、单位电量污染物排放量以及治理污染物费用归为效益型指标；企业单位电量产值、企业单位电量纳税额、产业增加值占区域比重以及对地区形象的贡献归为成本型指标；则不同数据类型的累积分布函数及其指标归一化方法如下所示：

1)a_ij为实数

对于第j项属性，令 $m_j^U=\underset{1\&le;i\&le;m}{\max }{a}_{ij},m_j^L=\underset{1\&le;i\&le;m}{\min }{a}_{ij};$ 若第j项属性为效益型，令 $a_{ij}^{\&prime;}=\frac{a_{ij}-m_j^L}{m_j^U-m_j^L};$ 若第j项属性为成本型，则令则经过指标归一化变换后的累积分布函数为：

$F_{ij}^{\&prime;}\left(x^{\&prime;}\right)=\left\{\begin{array}{cc}0,& x^{\&prime;}<a_{ij}^{\&prime;}\\ 1,& x^{\&prime;}\&GreaterEqual;a_{ij}^{\&prime;}\end{array}\right.---\left(8\right)$

2)a_ij为区间数

设a_ij＝[a_ij ^L,a_ij ^U]，假设a_ij在该区间内随机取值并设其概率密度函数为f_ij(x)；则其累积分布函数可以表示为：

$F_{ij}\left(x\right)=\underset{a_{ij}^L}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx,x\&Element;\&lsqb;a_{ij}^L,a_{ij}^U\&rsqb;---\left(9\right)$

对属性指标进行归一化变换，对于第j项属性，令若第j项属性为效益型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})---\left(10\right)$

若第j项属性为成本型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^U-(m_j^U-m_j^L)x^{\&prime;})---\left(11\right)$

对于经过归一化变换后的属性指标x'，其概率密度函数满足：基于f′_ij(x')，可求出x'的累积分布函数F′_ij(x')；

3)a_ij为随机变量

设a_ij为一连续型随机变量，其概率密度函数为f_ij(x)，则有令a_ij的取值范围为则其累积分布函数为：

$F_{ij}\left(x\right)=\underset{a_{ij}^L}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx,x\&Element;\&lsqb;a_{ij}^L,a_{ij}^U\&rsqb;---\left(12\right)$

可以看出，a_ij为连续型随机变量时的累积分布函数表达形式同区间数类型的相同，故其经过归一化变换后的概率密度函数如式(10)和式(11)所示，由此可求得归一化变换后的累积分布函数；

4)a_ij为模糊数

模糊数可分为定量模糊数和定性模糊数；

假定定量模糊数a_ij的论域为 和分别表示对第i个用户而言，该项指标的最小可能取值和最大可能取值；采用指派方法或其他方法确定a_ij的隶属函数为u_ij(x)；

定性模糊数可用语言形式描述；借鉴相关语言值标度，可将语言值转换为相应的三角模糊数，并确定相应的隶属函数u_ij(x)；

对u_ij(x)作线性变换，令f_ij(x)＝c·u_ij(x)，c为确保成立的常数，从而将模糊隶属函数转化为相应的概率密度函数；由此可得其累积分布函数为：

$F_{ij}\left(x\right)=\underset{-\mathrm{\&infin;}}{\overset{x}{\&Integral;}}{f}_{ij}\left(x\right)dx=\underset{-\mathrm{\&infin;}}{\overset{x}{\&Integral;}}c\&CenterDot;u_{ij}\left(x\right)dx---\left(13\right)$

对属性指标进行归一化变换，对于第j项属性，令若第j项属性为效益型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})=c\&CenterDot;(m_j^U-m_j^L)u_{ij}(m_j^L+(m_j^U-m_j^L)x^{\&prime;})---\left(14\right)$

若第j项属性为成本型，令则线性变换后的概率密度函数为：

$f_{ij}^{\&prime;}\left(x^{\&prime;}\right)=(m_j^U-m_j^L)f_{ij}(m_j^U-(m_j^U-m_j^L)x^{\&prime;})=c\&CenterDot;(m_j^U-m_j^L)u_{ij}(m_j^U-(m_j^U-m_j^L)x^{\&prime;})---\left(15\right)$

由此可求得相应的累积分布函数F′_ij(x')；

为便于描述，将指标归一化后所得的累积分布函数F′_ij(x')统一记为F_ij(x)；如此，采用上述方法即可得到确定的实数、区间数、随机变量、模糊数这四种不同类型属性值经过归一化后的累积分布函数；

对于同一属性j下用户i和用户k的累积分布函数F_ij(x)和F_kj(x)，当F_ij(x)≠F_kj(x)时，Ω＝{x|x∈[a,b]}，采用一阶、二阶及三阶混合占优准则进行判断；用MD统一表示混合占优关系，MD可为上述三种混合占优关系的任意一种；在判定混合占优关系后，即可得到两两比较的混合占优度矩阵表示在同一属性j下，用户i同用户k相比较的混合优势度，其计算公式为：

步骤三：分别计算决策者的主观赋权值和由混合占优度矩阵计算得到的客观权值，求取综合考虑了主观和客观权值的综合权重系数。

采用基于改进AHP法的主观权重计算方法，通过求取判断矩阵最大特征值所对应的特征向量，求得主观权重向量W′＝[w1′,w2′,w3′,…,wn′]；

在求得两两比较的混合占优度矩阵后，计算用户i关于属性j优于其他用户的累积优势度和累积劣势度

$d_i^{j+}=\underset{k=1}{\overset{m}{\&Sigma;}}{d}_{ik}^j,j=1,2,...,n---\left(17\right)$

$d_i^{j-}=\underset{k=1}{\overset{m}{\&Sigma;}}{d}_{ki}^j,j=1,2,...,n---\left(18\right)$

令 $d_{\max }^{j+}=max\left\{d_1^{j+},d_2^{j+},\mathrm{...},d_m^{j+}\right\},d_{\max }^{j-}=max\left\{d_1^{j-},d_2^{j-},\mathrm{...},d_m^{j-}\right\};$ 和分别表示用户i关于属性j优于其他用户的最优累积优势度和最劣累积劣势度；给定分别为用户i同最优累积优势度/最劣累积优势度的贴近度，计算公式为：

$c_i^{j+}=d_{\max }^{j+}-d_i^{j+}---\left(19\right)$

$c_i^{j-}=d_{\max }^{j-}-d_i^{j-}---\left(20\right)$

定义综合贴近度指标

${\mathrm{\&theta;}}_i^j=\frac{c_i^{j-}}{c_i^{j-}+c_i^{j+}}---\left(21\right)$

设各项指标的客观赋权为W″＝[w1″,w2″,w3″,…,wn″]；建立如下的客观权重优化求解模型求解相应的客观权重：

$\max f\left(w_j^{\&prime;\&prime;}\right)=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}{w}_j^{\&prime;\&prime;}{\mathrm{\&theta;}}_i^j$

$\begin{array}{cc}s.t.& \underset{j=1}{\overset{n}{\&Sigma;}}{w_j^{\&prime;\&prime;}}^2=1\end{array}---\left(22\right)$

w″_j≥0,j＝1,2,…,n

在求解该模型后，通过归一化处理求得客观权重；通过综合集成赋权可求取计及主客观权重的综合权重系数W＝[w1,w2,w3,…,wn]，其中(j＝1,2,3,...,n)。

步骤四：利用综合权重系数计算各个待排序用户的加权贴近度，并按从大到小排序，用户的加权贴近度越大，越优先安排其用电。在求得综合权重系数W后，计算各用户的加权贴近度

${\mathrm{\&theta;}}_i=1-\underset{j=1}{\overset{n}{\&Sigma;}}{w}_j{\mathrm{\&theta;}}_i^j---\left(23\right)$

按照加权贴近度从大到小的顺序对用户进行排序。用户的加权贴近度越大，越优先保障该用户用电。

以10kV工业专线用户的相关信息为例，对相关用户进行预案编制/排序，验证本发明所提方法的有效性。假设需对7个用户进行排序，这些用户在所提出的评价指标体系下的数据信息如表1所示。其中，错峰用电所节省电费及燃料费用和产业增加值占区域比重均用实数表示，企业单位电量产值用正态分布的随机变量描述，削减高峰备用容量效益、单位电量污染物排放量及治理污染物费用均采用均匀分布的区间数表示，企业单位电量纳税额采用数值型三角模糊数描述，对地区形象的贡献采用语言值进行评价并用三角模糊数量化。

采用综合集成赋权方法求得各项指标的综合权重。各指标的主观权重、客观权重及综合权重如表2所示。根据各指标综合权重计算得到的各用户加权贴近度如表3所示。从表2中可以看出，本发明所提方法既考虑了预案编制/排序中的主观因素，又计及了客观数据差异，最终计算得到的综合权重将决策者的主观意图和客观实际进行了结合。对7个用户的加权贴近度从大到小进行排序，可知他们优先用电的顺序依次为用户7，6，4，5，3，2，1。各用户可以根据各项指标的评价情况对生产经营情况进行改善，以争取在有序用电顺序表中排到前列，避免由此给生产和经营带来负面影响。例如，若某用户在经济性评价下的各项指标贴近度较小，说明该用户应积极改善生产效益，合理安排生产时间，在生产实际允许的情况下主动错峰或避峰用电。

表17个待排序用户的指标数据

表2各属性指标下的权重

表3七个用户的加权贴近度

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于混合多属性评价的错峰用电预案编制方法，其特征在于：包括如下步骤，

步骤S1：从经济性、社会影响和环保三个方面建立对参与有序用电的企业用户进行排序的评价指标体系；

步骤S2：根据每个属性值的数据类型，进行指标归一化处理，确定累积分布函数，对各用户在不同属性指标下的累积分布函数进行混合占优判断，求取各用户的混合占优度矩阵；

步骤S3：分别计算决策者的主观赋权值和由混合占优度矩阵计算得到的客观权值，求取综合考虑了主观和客观权值的综合权重系数；

步骤S4：利用综合权重系数计算各个待排序用户的加权贴近度，并按从大到小排序，用户的加权贴近度越大，越优先安排其用电。

2.根据权利要求1所述的一种基于混合多属性评价的错峰用电预案编制方法，其特征在于：所述步骤S1建立的评价指标体系具体如下，

将所述经济性评价指标、社会影响评价指标及环保评价指标各分为多项二级指标，其各项指标的含义及计算公式如下：

1）所述经济性评价指标包括：

①错峰用电所节省电费及燃料费用C _E

(1)

式中：表示高峰时段同非高峰时段的电价差；表示高峰时段同非高峰时段的单位电量燃料成本之差；表示每日可错峰用电电量；

②企业单位电量产值O _E

(2)

式中：表示企业年产值总额；表示企业年用电量；

③削减高峰备用容量效益

(3)

式中：表示用户可错峰负荷量；表示机组单位投资成本；为可避免峰荷容量系数，该系数可在[1.32,1.63]之间取值；

2）所述社会影响评价指标包括：

④企业单位电量纳税额

(4)

式中：表示企业年纳税金额；

⑤产业增加值占区域比重

(5)

式中：表示企业产业年增加值；表示企业所属区域产业年总增加值；

⑥对地区形象的贡献

S可采用模糊数来量化描述，具体可采用三角模糊数；

3）所述环保评价指标包括：

⑦单位电量污染物排放量

(6)

式中：表示企业年度污染物总排放量；

⑧治理污染物费用

(7)

式中：表示单位污染物的治理成本。

3.根据权利要求2所述的一种基于混合多属性评价的错峰用电预案编制方法，其特征在于：所述步骤S2的具体实现方式如下：

假定共有m个待选用户，n个评价指标；给定a _ij 为第i个用户在第j个评价指标下的属性值，且a _ij 包括四种类型，即确定的实数、区间数、随机变量、模糊数；按照改变用电方式给用户和社会所带来的效益情况来确定各个属性值为效益型还是成本型，将错峰用电所节省电费及燃料费用、削减高峰备用容量效益、单位电量污染物排放量以及治理污染物费用归为效益型指标；企业单位电量产值、企业单位电量纳税额、产业增加值占区域比重以及对地区形象的贡献归为成本型指标；则不同数据类型的累积分布函数及其指标归一化方法如下所示：

1）为实数

对于第j项属性，令；若第j项属性为效益型，令；若第j项属性为成本型，则令；则经过指标归一化变换后的累积分布函数为：

(8)

2）为区间数

设，假设在该区间内随机取值并设其概率密度函数为；则其累积分布函数可以表示为：

(9)

对属性指标进行归一化变换，对于第j项属性，令；若第j项属性为效益型，令，则线性变换后的概率密度函数为：

(10)

若第j项属性为成本型，令，则线性变换后的概率密度函数为：

(11)

对于经过归一化变换后的属性指标，其概率密度函数满足：；基于，可求出的累积分布函数；

3）为随机变量

设为一连续型随机变量，其概率密度函数为，则有；令的取值范围为，则其累积分布函数为：

(12)

可以看出，为连续型随机变量时的累积分布函数表达形式同区间数类型的相同，故其经过归一化变换后的概率密度函数如式(10)和式(11)所示，由此可求得归一化变换后的累积分布函数；

4）为模糊数

模糊数可分为定量模糊数和定性模糊数；

假定定量模糊数的论域为，和分别表示对第i个用户而言，该项指标的最小可能取值和最大可能取值；采用指派方法或其他方法确定的隶属函数为；

定性模糊数可用语言形式描述；借鉴相关语言值标度，可将语言值转换为相应的三角模糊数，并确定相应的隶属函数；

对作线性变换，令，c为确保成立的常数，从而将模糊隶属函数转化为相应的概率密度函数；由此可得其累积分布函数为：

(13)

对属性指标进行归一化变换，对于第j项属性，令；若第j项属性为效益型，令，则线性变换后的概率密度函数为：

(14)

若第j项属性为成本型，令，则线性变换后的概率密度函数为：

(15)

由此可求得相应的累积分布函数；

为便于描述，将指标归一化后所得的累积分布函数统一记为；如此，采用上述方法即可得到确定的实数、区间数、随机变量、模糊数这四种不同类型属性值经过归一化后的累积分布函数；

对于同一属性j下用户i和用户k的累积分布函数和，当时，，采用一阶、二阶及三阶混合占优准则进行判断；用MD统一表示混合占优关系，MD可为上述三种混合占优关系的任意一种；在判定混合占优关系后，即可得到两两比较的混合占优度矩阵表示在同一属性j下，用户i同用户k相比较的混合优势度，其计算公式为：

(16)。

4.根据权利要求3所述的一种基于混合多属性评价的错峰用电预案编制方法，其特征在于：所述步骤S3的具体实现方式如下：

采用基于改进AHP法的主观权重计算方法，通过求取判断矩阵最大特征值所对应的特征向量，求得主观权重向量W′=[w1′,w2′,w3′,…,wn′]；

在求得两两比较的混合占优度矩阵后，计算用户i关于属性j优于其他用户的累积优势度和累积劣势度：

(17)

(18)

令；分别表示用户i关于属性j优于其他用户的最优累积优势度和最劣累积劣势度；给定分别为用户i同最优累积优势度/最劣累积优势度的贴近度，计算公式为：

(19)

(20)

定义综合贴近度指标：

(21)

设各项指标的客观赋权为W′′=[w1′′,w2′′,w3′′,…,wn′′]；建立如下的客观权重优化求解模型求解相应的客观权重：

(22)

在求解该模型后，通过归一化处理求得客观权重；通过综合集成赋权可求取计及主客观权重的综合权重系数W=[w1,w2,w3,…,wn]，其中(j=1,2,3,...,n)。

5.根据权利要求4所述的一种基于混合多属性评价的错峰用电预案编制方法，其特征在于：所述步骤S4的具体实现方式如下：

在求得综合权重系数W后，计算各用户的加权贴近度

(23)

按照加权贴近度从大到小的顺序对用户进行排序；用户的加权贴近度越大，越优先保障该用户用电。