CN106655162A - 一种适合于电力系统多目标优化调度决策的评估方法 - Google Patents

Abstract

本发明实施例公开了一种适合于电力系统多目标优化调度决策的评估方法，解决了目前在机组群联合优化调度的应用中，该类科学决策方法还没有任何研究的技术问题。本发明实施例方法包括：对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解；对包括有候选解的候选解集合的属性进行置信度评价计算；根据置信度评价通过多层次结构及证据推理算法获取到候选解的总置信度；对总置信度进行效用分析确定最终调度解。

Description

一种适合于电力系统多目标优化调度决策的评估方法

技术领域

本发明涉及电力系统优化调度领域，尤其涉及一种适合于电力系统多目标优化调度决策的评估方法。

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。而且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，称为帕累托调度解集，且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调度解集中挑选唯一的而且合适的解作为最终调度方案。

目前为止，常规多目标优化方法是通过加权方法将多目标转化为单一目标，电力系统科研人员多用这种方法，如何选择权系数是长期以来带有疑惑和争议的问题。然而，在可行解域中如何选择一个面对用户需求判断的最优解是一个复杂系统科学决策问题。

由多目标随机优化产生的最优可行解需要科学的决策系统以决定最终的优化方案。传统的电力系统科研工作者常采用专家系统和基于规则的决策方法，然而这种方法需要完整的先验知识，不具有数学计算的功能，仅依据先验知识作判断，难以做出基于科学计算的决策。这种决策评估系统应考虑对实际问题的概念、属性和特征等数字和非数字量进行综合的科学计算，以做出科学的决策。在科学决策的应用过程中，需要考虑机组群联合优化调度过程中的先验知识，如政策、规章制度、条例和运行限制等信息，并对这些信息进行科学分析计算，以最终得出科学的决策。

目前，在证据推理决策理论前沿科学家的参与下，将对多属性的证据推理方法进行研究，将不同类型决策信息的等价转换、基于效用和规则等价的信息转换等理论用于多目标高维随机优化可行解域中最优解确定的决策方法在小系统上得到了成功的应用。在证据推理的应用过程中，根据先验知识，并对这些信息进行科学计算，以做出科学决策，最终得出科学的结论。这种决策具有透明性、反推性、可量化性和非数据量处理的便利性。然而，在机组群联合优化调度的应用中，该类科学决策方法还没有任何研究。

发明内容

本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法，解决了目前在机组群联合优化调度的应用中，该类科学决策方法还没有任何研究的技术问题。

本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法，包括：

对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解；

对包括有所述候选解的候选解集合的属性进行置信度评价计算；

根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度；

对所述总置信度进行效用分析确定最终调度解。

可选地，对包括有所述候选解的候选解集合的属性进行置信度评价计算具体包括：

根据预置评价指标集合和预置评价等级集合，及通过多目标优化求得的所述候选解集合获取到置信度向量。

可选地，所述预置评价指标集合为E＝{e₁,e₂,…,e_i,…,e_L}。

可选地，所述预置评价等级集合为H＝{H₁,H₂,…,H_n,…,H_N}。

可选地，所述候选解集合为A＝{a₁,a₂,…,a_j,…,a_M}。

可选地，所述置信度向量为S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,…,N；i＝1,…,L；j＝1,…,M}。

可选地，根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度具体包括：

根据所述置信度向量的所述置信度得到基本可信度m_n,i＝ω_iβ_n,i和不确定的基本可信度

通过所述证据推理算法得到的总的基本可信度为

根据所述总的基本可信度得到候选方案在评价等级集合上的所述置信度向量为

根据所述置信度向量计算出所述总置信度{H_n}:和{H}:其中，β_n(y)表示方案y在第n个评价等级上的总置信度，而β_H(y)为决策者无法评定方案y的总不确定性置信度。

可选地，对所述总置信度进行效用分析确定最终调度解具体包括：

利用效用分析将所述总置信度的向量映射为效用值

根据所述效用值计算最大效用值最小效用值和平均效用值

根据所述平均效用值确定最终调度解。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法，包括：对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解；对包括有候选解的候选解集合的属性进行置信度评价计算；根据置信度评价通过多层次结构及证据推理算法获取到候选解的总置信度；对总置信度进行效用分析确定最终调度解。本实施例中，通过电力系统优化调度决策相关联的多个目标函数，通过评估框架主要分为两大部分即多目标优化和证据决策。多目标优化主要是根据多个调度目标，首先进行优先度分析选出相对“重要”的指标，进而对其进行多目标优化得到帕累托解集，以作为候选解供调度员决策。证据决策主要是采用证据推理来融合决策者(调度员)针对候选解在各个调度目标(属性)上的置信度(确定性证据)。与此同时推理过程也考虑了调度员认知的不确定性(不确定性证据)，实现了确定和不确定的证据的有效融合，为决策提供科学依据从而选择合理的调度方案。证据决策这一过程主要包括三个步骤，即多属性分析，多证据推理和效用评估。多属性分析是指针对每个候选解，在不同的目标中进行多评价等级的置信度分析，这些置信度即作为确定性证据，同时考虑调度员认知的不确定性，即不完整的置信度作为不确定性证据；多证据推理是将这些不同的证据进行融合推理，以进行综合评估，得到每个候选解在不同评价等级上的置信度分布；效用评估利用效用函数将置信度分布转化为相应的单个效用值以直观选择出最优的调度方案，解决了目前在机组群联合优化调度的应用中，该类科学决策方法还没有任何研究的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法的一个实施例的流程示意图；

图2为多层次结构的证据推理的示意图；

图3为优化发电成本和电压稳定指数得到的帕累托解集示意图；

图4为融合多目标信息后的候选集置信度分布示意图；

图5为候选解集对应的平均、最小和最大的效用值示意图。

具体实施方式

本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法，解决了目前在机组群联合优化调度的应用中，该类科学决策方法还没有任何研究的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种适合于电力系统多目标优化调度决策的评估方法的一个实施例包括：

101、对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解；

当电力系统多目标优化调度决策的评估时，需要对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解。

102、对包括有所述候选解的候选解集合的属性进行置信度评价计算；

当对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解之后，需要对包括有所述候选解的候选解集合的属性进行置信度评价计算。

103、根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度；

当对包括有所述候选解的候选解集合的属性进行置信度评价计算之后，需要根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度。

104、对所述总置信度进行效用分析确定最终调度解。

当根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度之后，需要对所述总置信度进行效用分析确定最终调度解。

本实施例中，可选地，所述预置评价指标集合为E＝{e₁,e₂,…,e_i,…,e_L}。

可选地，所述预置评价等级集合为H＝{H₁,H₂,…,H_n,…,H_N}。

可选地，所述候选解集合为A＝{a₁,a₂,…,a_j,…,a_M}。

可选地，所述置信度向量为S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,…,N；i＝1,…,L；j＝1,…,M}。

可选地，根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度具体包括：

根据所述置信度向量的所述置信度得到基本可信度m_n,i＝ω_iβ_n,i和不确定的基本可信度

通过所述证据推理算法得到的总的基本可信度为

根据所述总的基本可信度得到候选方案在评价等级集合上的所述置信度向量为

根据所述置信度向量计算出所述总置信度{H_n}:和{H}:其中，β_n(y)表示方案y在第n个评价等级上的总置信度，而β_H(y)为决策者无法评定方案y的总不确定性置信度。

可选地，对所述总置信度进行效用分析确定最终调度解具体包括：

利用效用分析将所述总置信度的向量映射为效用值

根据所述效用值计算最大效用值最小效用值和平均效用值

根据所述平均效用值确定最终调度解。

下面以一具体应用场景进行详细的描述，如图2至5所示，应用例包括：

S11：多目标优化

对于电力系统优化调度决策涉及多个目标函数，首先，进行优先度分析，采用层次分析法(Analytic hierarchy process,AHP)确定目标的重要性；然后，利用多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解。

S12：多属性分析

多属性分析是进行证据推理的首要工作，需要确定出评价指标集合、候选解集合、评价等级集合。评价指标也即是目标，也可以称为属性，候选解是通过优化重要指标得到的帕累托解集，评价等级是指衡量候选解好坏的评定级别，如“好”、“一般”、“较差”等等。为叙述方便，用数学表达式描述这些集合。

评价指标集合可以表示为：

E＝{e₁,e₂,…,e_i,…,e_L}

其中e_i是第i个评价指标，可以依照上部分的层次分析法赋给它一个标准化的权重ω_i(0＜ω_i＜1)。ω_i表示指标e_i的相对重要程度，且有L为评价指标的总个数。

评价等级集合可以表示成：

H＝{H₁,H₂,…,H_n,…,H_N}

其中，N为评价等级的总个数。评价等级一般用自然语言进行描述，如{差，勉强，一般，好，极好}，注意评价等级集合中的元素一般是不相关的。

候选解集合通过多目标优化求得：

A＝{a₁,a₂,…,a_j,…,a_M}

其中，M为候选解的总个数。利用多目标优化算法，就可以得到候选解集合，以供调度员决策。

针对每一候选解，对其在评价指标集合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(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,…,N；i＝1,…,L；j＝1,…,M}

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

0≤β_n,i(a_j)≤1

如果则说明决策者对第i个评价指标的判断完全处于“无知”状态，即决策者完全无法认知这个指标，因而给出的置信度判定全部为0。反之，若那么表明决策者对第i个评价指标完全认知，因为他能很好地用置信度评价候选解a_j处于何种评价等级中。

S13：多证据推理

在得到候选解的置信度评价向量后，由于这个向量是针对某一个评价指标而定的，而总的指标数是L个，所以总共有L个置信度评估向量。为融合L个证据，本方案采用多层次结构的证据推理方法，见图2。

多属性集合{e₁,e₂,…,e_i,…,e_L}位于底层，这些属性相应的权重为{ω₁,ω₂,…,ω_i,…,ω_L}，它们表明了属性(等价于指标或者目标)之间的相对重要性，可以利用层次分析方法得到。评价等级集合{H₁,H₂,…,H_n,…,H_N}位于中层，决策者根据候选解的情况(如目标函数值)来利用置信度评估该候选解位于某一等级。(H_n,β_n,i(a_j))即为一个“证据”，显然这些证据构成了证据矩阵，决策者难以根据不同候选解对应的证据矩阵来直接判定最优的候选解。

需要融合这些证据，这就涉及到证据推理算法，算法如下：

首先，根据决策者评定的置信度β_n,i来得到基本可信度m_n,i＝ω_iβ_n,i。由于决策者认知的不确定性，往往评估不是完整的，因此存在不确定的基本可信度

为了证据融合的方便，证据推理算法将这个不确定的基本可信度分解为两个部分：

令假设将前i个属性在评价等级H_n上的置信度进行融合得到的总的基本可信度为m_n,I(i)，可以用下面的递推公式算出m_n,I(i+1)：

{H_n}:m_n,I(i+1)＝K_I(i+1)[m_n,I(i)m_n,i+1

+m_H,I(i)m_n,i+1+m_n,I(i)m_H,i+1]

其中m_H,I(i)表示为分配给前i个指标的总基本可信度，同样它可以被分解为两部分：

上式中的K_I(i+1)(i＝1,2,…,L-1)定义如下：

可以得到候选方案在评价等级集合上的置信度向量：

其中y表示候选方案，β_n(y)表示方案y在第n个评价等级上的总置信度，而β_H(y)为决策者无法评定方案y的总不确定性置信度。β_n(y)和β_H(y)的数学表达式如下：

这样就得到了S(y)这一评价候选解y在评价等级集合上总的置信度分布的N+1维向量。

S14：效用分析

S(y)可以大体反映候选解y的优劣程度。但无法直接准确地判断候选解孰优孰劣。因此，需要利用效用分析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，选择最终候选方案。

利用效用分析将置信度分布向量映射为效用值：

其中u(H_n)为评价等级H_n的效用值，并且评价等级级别越高，相应的效用值也就越大，即u(H_n+1)＞u(H_n)需要注意的是由于需要考虑决策者认知的不确定性，总不确定性置信度β_H(y)同样应该计入效用值中，使用最大、最小和平均效用值，计算公式如下所示：

其中平均效用值作为衡量候选解的标准，即对应于最大平均效用值的候选解作为最终的方案：

另外，为了验证本发明实施例提供的上述技术方案的合理性，以IEEE-30节点电力系统作为仿真对象，优化调度的目标为发电成本，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。

调度员根据客观情况进行主观判断，得到评估矩阵：

求得这些目标对应的权重：

[ω₁ω₂ω₃ω₄ω₅ω₆]＝[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，确定它们为重要目标，并对其进行多目标优化，得到的帕累托前沿见图3。

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1所示。

表1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判断，如针对第一个候选解，如表2所示：

表2调度员对第一个候选度进行置信度评估

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4所示。

利用效用函数评估，得到这些候选解的最大、平均和最小效用值，如图5所示。

因此，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。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种适合于电力系统多目标优化调度决策的评估方法，其特征在于，包括：

对电力系统优化调度决策相关联的多个目标函数，通过多目标优化算法求解多目标优化调度的帕累托解集，得到全部候选解；

对包括有所述候选解的候选解集合的属性进行置信度评价计算；

根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度；

对所述总置信度进行效用分析确定最终调度解。

2.根据权利要求1所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，对包括有所述候选解的候选解集合的属性进行置信度评价计算具体包括：

根据预置评价指标集合和预置评价等级集合，及通过多目标优化求得的所述候选解集合获取到置信度向量。

3.根据权利要求2所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，所述预置评价指标集合为E＝{e₁,e₂,…,e_i,…,e_L}。

4.根据权利要求3所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，所述预置评价等级集合为H＝{H₁,H₂,…,H_n,…,H_N}。

5.根据权利要求4所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，所述候选解集合为A＝{a₁,a₂,…,a_j,…,a_M}。

6.根据权利要求5所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，所述置信度向量为S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,…,N；i＝1,…,L；j＝1,…,M}。

7.根据权利要求6所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，根据所述置信度评价通过多层次结构及证据推理算法获取到所述候选解的总置信度具体包括：

根据所述置信度向量的所述置信度得到基本可信度m_n,i＝ω_iβ_n,i和不确定的基本可信度

通过所述证据推理算法得到的总的基本可信度为

根据所述总的基本可信度得到候选方案在评价等级集合上的所述置信度向量为

根据所述置信度向量计算出所述总置信度和其中，β_n(y)表示方案y在第n个评价等级上的总置信度，而β_H(y)为决策者无法评定方案y的总不确定性置信度。

8.根据权利要求7所述的适合于电力系统多目标优化调度决策的评估方法，其特征在于，对所述总置信度进行效用分析确定最终调度解具体包括：

利用效用分析将所述总置信度的向量映射为效用值

根据所述效用值计算最大效用值最小效用值和平均效用值根据所述平均效用值确定最终调度解。