CN110689248A - 一种基于云模型和可能度分析的一流城市配电网评估方法 - Google Patents
一种基于云模型和可能度分析的一流城市配电网评估方法 Download PDFInfo
- Publication number
- CN110689248A CN110689248A CN201910882985.8A CN201910882985A CN110689248A CN 110689248 A CN110689248 A CN 110689248A CN 201910882985 A CN201910882985 A CN 201910882985A CN 110689248 A CN110689248 A CN 110689248A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- evaluation
- power distribution
- index
- cloud model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 108
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 39
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 10
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000011157 data evaluation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 12
- 238000010276 construction Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 10
- 241000152447 Hades Species 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000005807 Nelumbo Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出的基于云模型和可能度分析的一流城市配电网评估方法，从可靠性、经济性、低碳性和智能性四个维度出发，构成了一套全面合理的一流城市配电网评估指标体系；在指标体系建立的基础上，利用云模型对专家语意描述信息进行转换，准确反映定性信息的随机性与模糊性；在云模型的基础上，将数据指标与语意指标各自生成的云模型进行融合，得到综合云模型，实现定性向电量的转换；利用可能度分析方法，对综合云模型得到的定量区间值进行分析、排序，获取最终的评估结果。本发明能够很好的对各区域进行一流城市配电网评估，对比实际情况证明本发明提出的评估方法具备很高的可行性，且评估值具备较强的区分度。
Description
技术领域
本发明属于配电网技术领域，设计一种配电网评估方法，尤其涉及一流城市配电网和泛在电力物联网的配电网状态评估。
背景技术
随着国家电网对“一流城市配电网”工作的不断开展，以及今年两会中对“泛在电力物联网”建设的提出，我国配电网迎来了新一轮的发展机遇。为进一步响应电网公司建设“泛在电力物联网”战略目标愿景，电力企业需对其管辖范围配电网进行评估。传统的一流城市配电网评估体系通过提取相关运行数据对配电网进行简要评估，缺乏对配电网发展过程中经济性、低碳性以及智能性的考虑，故一流城市配电网评估体系不够完全，此外，由于传统评估手段难以适应配电网的高速发展，因此制定相应的一流城市配电网评估策略已经成为当前研究的热点问题之一。
当前，对于一流城市配电网的研究已经有了许多成果，归纳起来主要有以下几个方面：提出建设一流城市配电网的主要思路，通过提升网架结构、控制技术、精益运维和智能互动服务水平来实现对配电网供电可靠性的提升；通过对标一流城市配电网建设，深入挖掘公司一流城市电网建设难题，并对今后一流城市配电网建设进行了探索；从实施过程、电网性能、环境与社会影响、投资效益四个方面构建配电网年度整体评价与单体项目评价的子体系。以上内容大部分都是对一流城市配电网建设方面的探索，对于一流城市配电网的评估则很少涉及。部分成果虽涉及配电网评价，但是没有很好的处理定性指标中的模糊性和随机性。此外，当前关于评估的研究在处理不同信息形式转换过程中会对信息造成一定程度的丢失，对准确的决策造成了影响。特别是对于一流城市配电网的评估中，由于涉及指标较多，指标种类比较繁琐，因此如何选择最佳方法实现对一流城市配电网的评估则是当下研究的难点。
发明内容
为响应国家电网公司建设一流城市配电网和泛在电力物联网战略目标愿景，构建一流城市配电网评估指标体系，本发明提出一种适用于电力企业对其管辖范围内配电网进行评估的方法，包括一套全面完整的评估指标体系以及评估决策方法。本发明采用结合云模型和可能度的方法来对一流城市配电网进行评估，其中，利用云模型可以实现定性与定量相互转换的特性，结合可能度方法能够实现对不同配电网的评估。
为了达到上述目的，本发明提供如下技术方案：
一种基于云模型和可能度分析的一流城市配电网评估方法，包括如下步骤：
步骤1，采集一流城市配电网评估指标，所述评估指标包括若干语言评价性指标以及若干数值指标；
步骤2，将语言评价指标转化为正态云，并将同一指标的不同语言评价值所生成的正态云模型进行相加，获取不同指标的综合正态云模型；通过如下公式将数据评价值进行标准化：
其中，
C表示指标数值越小越好，ai为其对应的具体指标数值；
步骤3，通过以下公式将标准化后的数值指标与综合正态云模型进行区间化：
其中，为区间下限，C为区间上限，Ex为期望值、En为熵、He为超熵；
记录第p个配电网在第q个指标的区间值为[Apq,Bpq]，则区间评价矩阵为：
其中m＝14，n为需评估配电网数量；
步骤4，将矩阵C中的各元素依据以下公式进行规范化：
步骤5，将经过步骤4处理的区间评价矩阵生成对应的云模型；
步骤6，将同一配电网的不同指标下的云模型进行合成，获取不同配电网的综合云模型；
步骤7，利用区间化公式将步骤6中的综合云模型区间化，利用以下方式获取可能度和评价结果：
假设两个区间数a和b分别代表区间
令
则a≥b的可能度为：
其中0≤p(a≥b)≤1，当且仅当
时右侧等号成立，
时左侧等号成立；
构建可能度矩阵P＝(pij)n×n，其中pij＝p(ai≥aj)，ai和aj分别代表两个区间数；利用以下公式对区间进行排序，从而对不同配电网进行评估，获取最终结果：
进一步的，所述一流城市配电网评估指标体系包括：
可靠性指标：供电可靠率、系统平均停电次数、10/20kV线路重载比例、网架坚强程度；
经济性指标：高损配电变压器比例、单位资产售电量、单位投资增供负荷、全年收益增幅；
低碳性指标：煤改电负荷占比、清洁能源消纳率
智能性指标、配电自动化覆盖率、配电变压器信息采集覆盖率、智能电网调度系统覆盖率、通信光缆覆盖率。
进一步的，所述将语言评价指标转化为正态云的过程具体包括：在论域[0,1]上转化为5朵一维正态云，5个不确定性语言评价标度为{很低，低，一般，高，很高}，记作{VL，L，M，H，VH}。
进一步的，所述步骤5中He取0.005。
与现有技术相比，本发明具有如下优点和有益效果：
1.本发明构建的评估指标体系从可靠性、经济性、低碳性和智能性四个维度出发，全面合理。
2.采用云模型重点突出数据分布的特点，同时还可以实现定性与定量的互相转换，具体体现在云模型通过对配电网评估过程中定性指标和随机性指标进行转换，使其转换为定量的区间值，减少指标随机性对配电网评估结果的影响，有效解决评估过程中定性指标的随机性和模糊性。
3.对区间值进行规范化，解决个别指标区间过大问题，确保一流城市配电网评估的准确性。
4.从区间数的模糊性入手对区间数进行排序，规避传统方法对区间数进行具体量化而导致信息丢失问题。
5.本发明所提方法能够很好的对各区域进行一流城市配电网评估，对比实际情况证明本发明提出的评估方法具备很高的可行性，且评估值具备较强的区分度。
附图说明
图1为正态云滴图。
图2为评估决策模型求解具体流程。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出的基于云模型和可能度分析的一流城市配电网评估方法，从可靠性、经济性、低碳性和智能性四个维度出发，构成了一套全面合理的一流城市配电网评估指标体系；在指标体系建立的基础上，利用云模型对专家语意描述信息进行转换，准确反映定性信息的随机性与模糊性；在云模型的基础上，将数据指标与语意指标各自生成的云模型进行融合，得到综合云模型，实现定性向电量的转换；利用可能度分析方法，对综合云模型得到的定量区间值进行分析、排序，获取最终的评估结果。
要实现本发明提出的评估方法，首先需要建立一流城市配电网评估指标体系，再建立一流城市配电网评估决策模型，对该模型进行求解最终获得评估结果。
一、建立一流城市配电网评估指标体系
一流城市配电网评估指标体系的构建对合理有效评估区域配电网的先进水平起着至关重要的作用。国内外学者建立有关配电网评估指标体系多是围绕可靠性、设备的安全性以及电网风险等角度进行。对于一流城市配电网的评估，国内鲜有涉及，而电力企业则会考虑实际情况，通过划定具体指标实现对区域一流城市配电网的评定工作。但是，在一流城市配电网的具体评价过程中，由于一些方面数据不全，因此指标构成难度较大，导致评价体系不健全，难以全面合理的对一流城市配电网进行评估。本发明基于当前一流城市配电网评价指标，并加入一些专家语言评估信息，构建一套全面合理的一流城市配电网评估指标体系。
一流城市配电网的历史评价体系中，主要涉及配电网的可靠性、经济性以及低碳性。随着，2019年国家电网两会中“泛在电力物联网”的提出，使得电网的智能性被重点提出，要实现电网的泛在互联，深度挖掘电网数据背后价值，电网的智能性将是以后发展的重点方向。因此，本发明从可靠性、经济性、清洁性以及互通性四个角度构建一流城市配电网评估指标。具体指标体系如表1所示。
表1.一流城市配电网评估指标体系
可靠性是一流城市配电网评估的基础指标，也是最重要的指标，考虑当前电力公司对于配电网的可靠性一般从负荷、停电、电压以及设备角度进行管控。因此本发明分选取代表性指标来对电网进行评估。
1)供电可靠率。具体指电网实际运行电压在允许电压偏差范围内累计运行时间与电网实际运行总时长的比值。
2)系统平均停电次数。该指标主要反映每次停电事故中停电用户总数与用户总数的比值。是反映电网停电信息的一个重要指标。
3)10(20)kV线路重载比例。主要反映配电网线路情况，该指标的高低，直接决定配电网线路的可靠系数。较低的重载比例，可以为电网调度留有足够的裕度，确保电网的安全运行。
4)网架坚强程度。该指标较为宽泛，但是有时可靠性指标中重点关注的。由于配电网网架的坚强程度难以用具体数字进行描述，因此本发明这里采用相关调度专家对其进行评价，获取最终评价结果。
经济性是配电网发展的依靠，本发明从配电网设备、投资以及收益增幅角度提取配电网经济性指标。
1)高损配电变压器比例。随着配电网的发展，由于资产投资等因素，电网中依旧会保留许多老旧变压器，由于技术的落后，因此老旧变压器的损耗会远大于当前运行的变压器。给配电网经济运行带来了很大的难题。
2)单位资产售电量。该指标表示电网投资与收益之间的关系，指标越高，表明当前电网投资保持较高的收益，是反映电网高效投资的一个重要指标。
3)单位投资增供负荷。该指标可以切实反映电网投资效率的高低，单位投资增供负荷越高，说明电力企业能够以最小的投资满足最大的供电需求，是评价电网本体高效的重要指标。
4)全年收益增幅。指标涉及电网具体盈利，在当前社会环境中属于商业机密，不便对外公布具体数额，但是该指标又是评价一流城市配电网不可替代的指标。因此本发明通过对收集相关专家的语言评价来实现对该指标的获取。
低碳性是配电网发展的趋势，随着清洁能源的不断接入配电网，一流城市配电网对清洁性的要求也在逐步提高。根据地方特色，本发明从煤改电、电能替代以及电动汽车几个角度提取配电网清洁性指标。
1)煤改电负荷占比。在北方城市，由于冬季取暖而对环境造成了一定程度污染，因此许多城市都相继实施了煤改电工程。即在正负的补贴下，冬季统一采用电取暖，从而减少煤炭燃烧对空气造成的污染。煤改电负荷占比，已经成为北方一流城市配电网评估的重要方面。
2)清洁能源消纳率。光伏、风机等清洁能源不断接入配电网，对配电网造成了一定的冲击。配电网在运行过程中会根据其自身的可靠性对清洁能源进行一定程度的弃风、弃光操作。清洁能源不能保障其满额度消纳，而高的清洁能源消纳率不但可以反映配电网自身运行的坚强性，同时还能够反映当前配电网的低碳程度。因此本发明将清洁能源消纳率作为反映电网低碳性的一个重要指标。
配电网的智能性是指配电网的通信以及自动化水平。特别是今年国家电网“两会”中提出加强三型两网建设，而实现泛在电力物联网则需要配电网具备极高的智能性。本发明从配电网的自动化水平、通信水平提炼智能性指标。
1)配电自动化覆盖率。该指标具体指区域内符合终端配置要求的中压线路条数与区域内中压线路总条数的比值，反应区域配电自动化水平。
2)配电变压器信息采集覆盖率。指标表征调度部门可以观测变压器数据的程度，变压器数据可视化是配电网智能性的基础。
3)智能电网调度系统覆盖率。该指标反应配电网智能调度程度，指标越高则表明该区域配电网具有较高的可操作性，能够应对一些突发的情况。
4)通信光缆覆盖率。智能配电网的实现与其高速通信密切相关，同时泛在电力物联网要求电网要实现万物互联，因此通信光缆的覆盖程度直接决定着电网今后发展的潜力。
本步骤中，除专家指标以外的其他指标均可以从国家电网相关的运行监测系统中获取。
二、建立一流城市配电网评估决策模型
由于评价对象的特殊性，需要一个能区分各区域一流城市配电网程度的评估模型。评估决策模型主要包括三部分，第一部分使用云模型对专家语意描述信息进行转换，获取对应指标的云模型。第二部分将数据指标与语意指标所生成的云模型进行融合，生成综合云模型。第三部分采用可能度方法，评价各区域配电网的一流城市程度。
1.云模型
云模型是一种用来处理定性概念与定量概念的模型。该模型能够准确反映人类在决策过程中思维的模糊性和事物的不确定性。模型自1995年被中国工程院院士李德毅提出后，已经被广泛应用于预测、评估、分析以及决策等多个领域。云模型的数字特征可以用期望值Ex、熵En、超熵He三个参数表示，Ex用来表示云模型的中心值，En用来反映在量化的论域内能被语言值所接受的范围，同时En也反映了在量化论域内的点能代表该语言值的概率。超熵He反映了量化空间中代表所有点的不确定度的凝聚性，直接决定着云模型中云滴的厚度。
2.语言评价值转化为云模型
将专家语言评价在论域[0,1]上转化为5朵一维正态云。5个不确定性语言评价标度为{很低，低，一般，高，很高}，记作{VL，L，M，H，VH}，设定的语言区间及各评价语言所对应的以为正态云的具体参数如表2所示。
表2.语意评价变量及其对应的云模型
考虑到一流城市配电网评估的准确性，因此本模型对语言描述性指标会从不同领域专家进行获取，通过将生成的云进行合成，从而获取最终的评价结果。云的合成过程具体如下：
设C1＝(Ex1,En1,He1)，C2＝(Ex2,En2,He2)为两个云模型，a、b为两个常数，满足a+b＝1。根据独立正态分布运算法则，云的合成结果为：
式(1)即为合成的云模型，若对多个云模型进行合成，则方法类似，这里不再累述。
3.云模型与区间值的转换
在云模型的生成过程中，每个云滴对于定性概念都有着不同的贡献值，而贡献值高的云滴一般都会聚集在区间[Ex-3En,Ex+3En]，该区云滴可以对所描述信息进行详细表征，因此云模型的上述特性也叫做正态云的3En规则，如附图1所示。结合3En规则，对正态云模型进行区间数转化。考虑到云模型中超熵会对结果产生一定的影响，因此转化过程中将其考虑在内，具体转换公式如下：
4.区间值规范化
指标的表述内容不同，将会导致指标表述过程中出现有些指标数值越大越好，而有些指标数值则越小越好，因此本发明首先采用公式(3)对那些指标数值越小越好的数值性指标进行标准化处理，使得所有指标数值越大反应指标越优越。
其中，
K表示指标数值越小越好，ai为其对应的具体指标数值。
由于不同评价指标的构成方式不同，因此会导致各指标区间值差距较大，对最终一流城市配电网的评估造成一定的影响。而对区间值进行规范化则可以很好的解决这个问题。本发明采用极差变换法对区间值进行规范化。极差变换法通过公式(4)的计算，可以将最优指标规范化为1，最差指标规范化为0，其余指标通过采用线性插值的方法得到规范化后的指标可能值。
通过区间值规范化，可以解决个别指标区间过大问题，确保一流城市配电网评估的准确性。
5.可能度方法区间排序
可能度区间排序方法是从区间数的模糊性入手，定义一种度量以此来描述一个区间数超出另外一个区间数的具体程度，并以此为判据，对区间数进行排序。该方法能够规避传统方法对区间数进行具体量化而导致信息丢失问题。下面对可能度方法进行具体介绍。
假设两个区间数a和b分别代表区间
令
则a≥b的可能度为：
其中0≤p(a≥b)≤1，当且仅当
时右侧等号成立，
时左侧等号成立。
通过公式(5)可以对给定的一组区间数进行可能度计算，构建可能度矩阵P＝(pij)n×n，其中pij＝p(ai≥aj)，ai和aj分别代表两个区间数。之后，利用公式(6)对区间进行排序，获取最终评估结果。
三、模型求解
模型求解的具体流程见附图2，包括如下步骤：
Setp1：要对前述步骤1中构建的一流城市配电网评估指标进行收集，包括语言评价性指标以及具体的数值指标。
Step2：将语言评价指标转化为正态云，并将同一指标的不同语言评价值所生成的正态云模型进行相加，获取不同指标的综合正态云模型，同时将数据评价值进行标准化。
Step3：利用3En规则将标准化后的数值指标与综合正态云模型进行区间化，记录第p个配电网在第q个指标的区间值为[Apq,Bpq]，则区间评价矩阵为：
其中m＝14，n为需评估配电网数量。
Step4：将矩阵C中的各元素依据公式(4)进行规范化。
Step5：利用公式(2)将经过Step4处理的区间评价矩阵生成对应的云模型，本例中He取0.005。
Step6：将同一配电网的不同指标下的云模型进行合成，获取不同配电网的综合云模型。
Step7：利用公式(2)将step6中的综合云模型区间化，利用公式(5)获取可能度矩阵，利用公式(6)可能度方法区间排序对不同配电网进行评估，获取最终结果。
以西安市各区域配电网为例，对各区配电网进行一流城市配电网评估。为了保障语言评价性指标的准确性，分别从调度、营销、运监部门邀请相关专家对指标进行评价。具体指标收集结果如附表1-4所示：
附表1.数据指标
| A1 | A2 | A3 | B1 | B3 | C2 | D1 | D2 | D3 | D4 | |
| 新城区 | 99.99％ | 0.29 | 8％ | 1.6 | 68 | 90％ | 98.3％ | 95％ | 94.7％ | 95.4％ |
| 碑林区 | 99.98％ | 0.13 | 5％ | 0.1 | 84.26 | 70％ | 100％ | 94.6％ | 94.6％ | 94.9％ |
| 莲湖区 | 99.97％ | 0.28 | 10％ | 0.3 | 30.59 | 76％ | 96.7％ | 94.8％ | 92.1％ | 92.7％ |
| 雁塔区 | 99.98％ | 0.56 | 9％ | 2 | 178.81 | 82％ | 95.4％ | 92.1％ | 93.1％ | 93.4％ |
| 长安区 | 99.95％ | 0.58 | 13％ | 5.04 | 144.78 | 72％ | 92.3％ | 90.7％ | 91.7％ | 91.8％ |
| 灞桥区 | 99.99％ | 0.61 | 11％ | 0.2 | 33.77 | 84％ | 94.7％ | 93.7％ | 93.5％ | 93.7％ |
| 阎良区 | 99.83％ | 2.53 | 12.4％ | 2.45 | 25.82 | 69％ | 92.5％ | 90.5％ | 90.5％ | 90.8％ |
| 未央区 | 99.91％ | 0.73 | 10％ | 0.12 | 24.92 | 78％ | 94.3％ | 92.4％ | 92.0％ | 92.1％ |
| 鄠邑区 | 99.88％ | 2.35 | 12.8％ | 0.42 | 146.69 | 70％ | 91.7％ | 89.8％ | 92.3％ | 92.6％ |
| 临潼区 | 99.96％ | 1.14 | 12.5％ | 15.31 | 30.74 | 82％ | 93.1％ | 90.4％ | 91.2％ | 91.7％ |
| 蓝田 | 99.91％ | 1.03 | 11.3％ | 6.18 | 24.72 | 84％ | 94.2％ | 90.2％ | 92.1％ | 92.3％ |
附表2.专家1语意指标评价
附表3.专家2语意指标评价
| A4 | B2 | B4 | C1 | |
| 新城区 | 很高 | 很高 | 高 | 高 |
| 碑林区 | 很高 | 高 | 高 | 很高 |
| 莲湖区 | 高 | 很高 | 高 | 高 |
| 雁塔区 | 一般 | 一般 | 一般 | 高 |
| 长安区 | 低 | 很低 | 很低 | 低 |
| 灞桥区 | 高 | 一般 | 一般 | 一般 |
| 阎良区 | 低 | 低 | 很低 | 一般 |
| 未央区 | 一般 | 一般 | 一般 | 一般 |
| 鄠邑区 | 很低 | 很低 | 低 | 很低 |
| 临潼区 | 低 | 低 | 一般 | 一般 |
| 蓝田 | 很低 | 一般 | 低 | 一般 |
附表4.专家3语意指标评价
| A4 | B2 | B4 | C1 | |
| 新城区 | 很高 | 很高 | 高 | 高 |
| 碑林区 | 很高 | 高 | 很高 | 高 |
| 莲湖区 | 很高 | 高 | 高 | 很高 |
| 雁塔区 | 一般 | 高 | 一般 | 高 |
| 长安区 | 低 | 很低 | 低 | 很低 |
| 灞桥区 | 一般 | 低 | 低 | 一般 |
| 阎良区 | 低 | 很低 | 一般 | 一般 |
| 未央区 | 低 | 一般 | 很低 | 一般 |
| 鄠邑区 | 很低 | 很低 | 很低 | 低 |
| 临潼区 | 一般 | 低 | 一般 | 一般 |
| 蓝田 | 低 | 一般 | 低 | 低 |
将语言评价值转化为云模型，并将三个部门专家的云模型进行合成，获取四个指标所对应的综合云模型，如表3所示：
表3.语意评价转化为综合云模型
为了统一指标表述，利用公式(3)、(4)对指标进行标准化处理。由实际情况可知，指标A1、A4、B2、B3、B4、C2、D1、D2、D3、D4越高，则表示配电网一流城市程度越高，而指标A2、A3、B1越低，则表示配电网一流城市程度越高。因此需对数据指标进行标准化处理，处理结果如表4。
表4.数据指标标准化处理
利用公式(2)对语意评价生成的综合云模型进行区间化，结果如表5所示。
表5.综合云模型区间化
数据指标可转换为其数据对应的区间值，例如新城区的A1可写为[99.99,99.99]。因此根据式(4)将区间值规范化。最终结果如附表5所示。根据附表5区间值对应生成云模型。最后利用公式(1)将各指标的云模型进行合成，生成各区域综合云模型，如表6所示。
表6.各区域综合云模型
对上述结果进行区间化处理，并采用本发明所提可能度方法对各个区域一流城市配电网进行评估。获取最终区间值，根据公式(5)获取可能度矩阵，如表7所示，利用公式(6)求取最终一流城市配电网评估结果，如表8所示。
表7.各区域最终区间数
表8.各区域一流城市配电网评估结果
因此获取最终一流城市配电网评估结果为：新城区、碑林区、雁塔区、莲湖区、灞桥区、蓝田、临潼区、未央区、长安区、鄠邑区、阎良区。
由于新城区建设较晚，因此该区域配电网建设时期投入较大，碑林区、雁塔区为经济发达区域，因此该区域配电网一流城市程度次之，符合电网目前发展态势。此外，灞桥区由于处于正在建设阶段，因此该区域一流城市配电网程度还在提升中，但从评估结果可知，其与前几个区域相差较小。排名靠后的几个区域配电网，由于城市建设与当地电力发展水平不协调，各区域都存在一定的拆迁工作，因此配电网的一流城市程度与新城区差距较大。排名靠后的鄠邑区与阎良区老城区以及村镇较多，电网急需升级改造。通过对比实际情况，证明本发明提出的评估方法具备很高的可行性。通过表6结果可知，本发明所提方法能够很好的对各区域进行一流城市配电网评估，且评估值具备较强的区分度。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于云模型和可能度分析的一流城市配电网评估方法，其特征在于，包括如下步骤：
步骤1，构建一流城市配电网评估指标体系并采集一流城市配电网评估指标，所述评估指标包括若干语言评价性指标以及若干数值指标；
步骤2，将语言评价指标转化为正态云，并将同一指标的不同语言评价值所生成的正态云模型进行相加，获取不同指标的综合正态云模型；通过如下公式将数据评价值进行标准化：
其中，
C表示指标数值越小越好，ai为其对应的具体指标数值；
步骤3，通过以下公式将标准化后的数值指标与综合正态云模型进行区间化：
其中，
为区间下限，C为区间上限，Ex为期望值、En为熵、He为超熵；
记录第p个配电网在第q个指标的区间值为[Apq,Bpq]，则区间评价矩阵为：
其中m＝14，n为需评估配电网数量；
步骤4，将矩阵C中的各元素依据以下公式进行规范化：
步骤5，将经过步骤4处理的区间评价矩阵生成对应的云模型；
步骤6，将同一配电网的不同指标下的云模型进行合成，获取不同配电网的综合云模型；
步骤7，利用区间化公式将步骤6中的综合云模型区间化，利用以下方式获取可能度和评价结果：
假设两个区间数a和b分别代表区间
令
则a≥b的可能度为：
其中0≤p(a≥b)≤1，当且仅当
时右侧等号成立，时左侧等号成立；
构建可能度矩阵P＝(pij)n×n，其中pij＝p(ai≥aj)，ai和aj分别代表两个区间数；利用以下公式对区间进行排序，从而对不同配电网进行评估，获取最终结果：
2.根据权利要求1所述的基于云模型和可能度分析的一流城市配电网评估方法，其特征在于，所述一流城市配电网评估指标体系包括：
可靠性指标：供电可靠率、系统平均停电次数、10/20kV线路重载比例、网架坚强程度；
经济性指标：高损配电变压器比例、单位资产售电量、单位投资增供负荷、全年收益增幅；
低碳性指标：煤改电负荷占比、清洁能源消纳率
智能性指标、配电自动化覆盖率、配电变压器信息采集覆盖率、智能电网调度系统覆盖率、通信光缆覆盖率。
3.根据权利要求1所述的基于云模型和可能度分析的一流城市配电网评估方法，其特征在于，所述将语言评价指标转化为正态云的过程具体包括：在论域[0,1]上转化为5朵一维正态云，5个不确定性语言评价标度为{很低，低，一般，高，很高}，记作{VL，L，M，H，VH}。
4.根据权利要求1所述的基于云模型和可能度分析的一流城市配电网评估方法，其特征在于，所述步骤5中He取0.005。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882985.8A CN110689248A (zh) | 2019-09-18 | 2019-09-18 | 一种基于云模型和可能度分析的一流城市配电网评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882985.8A CN110689248A (zh) | 2019-09-18 | 2019-09-18 | 一种基于云模型和可能度分析的一流城市配电网评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689248A true CN110689248A (zh) | 2020-01-14 |
Family
ID=69109480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910882985.8A Pending CN110689248A (zh) | 2019-09-18 | 2019-09-18 | 一种基于云模型和可能度分析的一流城市配电网评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689248A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210166A (zh) * | 2020-02-17 | 2020-05-29 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
| CN116664017A (zh) * | 2023-07-28 | 2023-08-29 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
-
2019
- 2019-09-18 CN CN201910882985.8A patent/CN110689248A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210166A (zh) * | 2020-02-17 | 2020-05-29 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
| CN111210166B (zh) * | 2020-02-17 | 2023-06-20 | 电子科技大学 | 一种城市功能系统的鲁棒性评估方法 |
| CN116664017A (zh) * | 2023-07-28 | 2023-08-29 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
| CN116664017B (zh) * | 2023-07-28 | 2023-11-17 | 北京工业大学 | 一种轨道交通公共区域适老性评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | New developments in wind energy forecasting with artificial intelligence and big data: A scientometric insight | |
| Wu et al. | A DEMATEL-TODIM based decision framework for PV power generation project in expressway service area under an intuitionistic fuzzy environment | |
| CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
| Wu et al. | An investment decision framework for photovoltaic power coupling hydrogen storage project based on a mixed evaluation method under intuitionistic fuzzy environment | |
| CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| CN111339491A (zh) | 一种城市配电网改造方案的评估方法 | |
| CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
| CN110689248A (zh) | 一种基于云模型和可能度分析的一流城市配电网评估方法 | |
| CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
| Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
| CN111460378A (zh) | 一种考虑风险测度的配电网精准投资项目优选方法 | |
| Dong et al. | Intelligent decision-making of distribution network planning scheme with distributed wind power generations | |
| Nasab et al. | Charging management of electric vehicles with the presence of renewable resources | |
| CN116862068A (zh) | 一种计及激励型响应不确定性的变电站规划分布鲁棒优化方法及系统 | |
| Wang et al. | Optimal siting of shared energy storage projects from a sustainable development perspective: A two-stage framework | |
| CN111428938A (zh) | 一种基于功能差异与全寿命周期的输电网方案优选方法 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| Li et al. | Multi‐level refined power system operation mode analysis: A data‐driven approach | |
| Li et al. | A machine learning-based decision support framework for energy storage selection | |
| Zhang et al. | Medium—And Long-Term Load Forecasting Method for Group Objects Based on the Image Representation Learning | |
| Sun et al. | Research on evaluation method of first-class city distribution network | |
| Wu et al. | A review on multiple criteria performance analysis of renewable energy systems | |
| CN111753097A (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 | |
| Dutta et al. | Machine Learning‐Based Intelligent Power Systems | |
| Dou et al. | An overview of short-term load forecasting based on characteristic enterprises |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
| RJ01 | Rejection of invention patent application after publication |