CN115713272A - 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统 - Google Patents

模糊粗糙环境下电力用户负荷响应潜力评估方法及系统 Download PDF

Info

Publication number
CN115713272A
CN115713272A CN202211516958.7A CN202211516958A CN115713272A CN 115713272 A CN115713272 A CN 115713272A CN 202211516958 A CN202211516958 A CN 202211516958A CN 115713272 A CN115713272 A CN 115713272A
Authority
CN
China
Prior art keywords
fuzzy
weight
rough
index
evaluation
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
Application number
CN202211516958.7A
Other languages
English (en)
Inventor
郭朝波
张溢波
张宏炯
赵树本
赵乐
马凯
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211516958.7A priority Critical patent/CN115713272A/zh
Publication of CN115713272A publication Critical patent/CN115713272A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电网用户负荷调控领域，公开了一种模糊粗糙环境下电力用户负荷响应潜力评估方法及系统。包括构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。经济性好，具备同时表征混合不确定性的优势。

Description

模糊粗糙环境下电力用户负荷响应潜力评估方法及系统
技术领域
本发明属于电网用户负荷调控领域，具体涉及一种模糊粗糙环境下电力用户负荷响应潜力评估方法及系统。
背景技术
随着全国经济结构的进一步调整，社会用电量持续攀升，急速增长的电力负荷所带来的季节性、局部性问题凸显，为电网的安全运行带来了严峻的挑战。同时，电网中海量可再生能源接入所带来的随机性和不确定性严重影响了电力系统的安全稳定运行。为有效应对电网运行过程中的供需不平衡问题，电力企业对客户侧互动和服务的逐渐重视，电力用户逐渐参与到电网公司的各项业务中来。由于传统发电调度潜力有限，电力用户负荷响应已经逐渐成为缓解用电紧张的重要手段之一。目前对于电力用户与源、网的互动调节也有了一定的成果。电解铝生产过程中的负荷特性以充分挖掘负荷侧和网络侧的调控潜力，并提出了考虑电解铝负荷响应的源网荷协同有功/频率控制。其中，以经济运行为目的，构建了电动汽车和冷负荷响应模型，并提出考虑楼间功率交互的多楼宇联合优化调度模型，在降低运行成本的同时提升楼宇内可再生能源的消纳水平。通过研究了负荷响应与风电出力的相关性，并以电网经济运行为目的构建了电网日前优化调度模型，由此提升电网运行的经济性。此外，为了更好的挖掘电力用户响应能力，目前对电力用户精细化建模的研究也在逐步开展。针对海量灵活资源参与系统运行调节问题，提出考虑用户响应度的电力用户互动潜力画像技术，对电力用户进行精细化建模。建立了可准确描述单个温控负荷工作原理的物理模型并进一步构建了居民校区温控负荷聚合模型，以有效感知典型居民温控负荷特性。
从上述分析可以看出，现有研究大多集中于电力用户用电行为建模以及考虑负荷响应的电网调度策略等方面，而针对参与负荷调控的用户选取及有效获取高响应潜电力用户等方面的研究相对有限。基于电网实际运行过程的分析，电力用户的负荷响应潜力评估需考虑经济性、用户负荷特性以及用户信息特性等方面的影响，是一个典型的多属性决策问题。模糊集和粗糙集分别被证明是处理因个体模糊导致的内不确定性和由群体决策导致的外部不确定性的有效方法，但这两个方法均不具备同时表征混合不确定性的优势。
发明内容
为了解决现有技术中的问题，本发明提供一种模糊粗糙环境下电力用户负荷响应潜力评估方法及系统，经济性好，具备同时表征混合不确定性的优势，能够满足模糊粗糙环境下电力用户负荷响应潜力的评估。
为了实现上述目的，本发明提供如下技术方案；
一种模糊粗糙环境下电力用户负荷响应潜力评估方法，包括；
构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
进一步地，所述电力用户响应潜力评价指标体系为，对用户经济层面、用户层面、负荷层面和信息层面的电力信息进行获取、统计和汇总。
进一步地，所述语义偏好评估信息为用户经济层面、用户层面、负荷层面和信息层面用电数据的大小。
进一步地，所建立的模糊粗糙决策矩阵为
Figure BDA0003970686720000021
其中，
Figure BDA0003970686720000022
为模糊粗糙决策矩阵，
Figure BDA0003970686720000023
表示模糊粗糙矩阵中针对第i个用户在第j个指标下的模糊粗糙元素，
Figure BDA0003970686720000031
表示所有专家提供的模糊评价信息的集合，α×n中的a表示待评估用户总数，n表示指标数。
进一步地，所述客观权重的获取方法为，
获取用户群体的三角模糊信息并转化；
计算转化后的用户群体中三角模糊信息的第j个指标的平均评估值；
确定第j个指标的熵测度Enj，从而得到客观权重的计算模型。
进一步地，所述客观权重的计算模型为，
Figure BDA0003970686720000032
其中，Enj为第j个指标的熵测度，woj为主观权重值。
进一步地，所述主观权重的获取方法为，
对语义指标的重要性进行评估并降序排序，对排序后的评估指标的相对系数和修正权重分别进行计算，获得清晰值；
根据所获得的清晰值，计算评价指标体系中的相对系数和修正权重值，得到主观权重的计算模型。
进一步地，主观权重的计算模型为，
Figure BDA0003970686720000033
其中，πj表示第j个指标的修正权重值。
进一步地，所述综合指标权重的模型为，wj＝ξwoj+(1-ξ)wsj，其中，ξ为参数变量，ξ的大小为，0≤ξ≤1；wsj为主观权重值，woj为客观权重值， wj为综合权重值。
一种模糊粗糙环境下电力用户负荷响应潜力评估系统，包括，
粗糙模糊决策矩阵建立模块，用于构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
综合指标权重建立模块，采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
评价模块，用于对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
相较于现有技术，本发明的优点在于：
本发明的一种模糊粗糙环境下电力用户负荷响应潜力评估系方法，通过构建了电力用户响应潜力评估指标体系；考虑到决策环境的模糊性、专家认知的有限性以及数据的私密性，指标信息难以以定量且精确的形式表示，能有效感知电力用户负荷响应潜力；并将熵方法和逐步加权评估分析比率法方法引入模糊粗糙环境并分别计算电力用户负荷响应潜力评估中指标的客观权重和主观权重，进一步识别指标的综合权重，更好地应对不确定性环境。采用模糊粗糙多属性边界逼近区域比较法对电力用户的负荷响应潜力进行综合评估和排序，并依据综合评估值有效感知电力用户负荷响应潜力，缓解电网需求侧响应工作由于用户响应情况参差不齐和行为特征严重差异化带来的挑战，经济性好，具备同时表征混合不确定性的优势，能够满足模糊粗糙环境下电力用户负荷响应潜力的评估。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明一种模糊粗糙环境下电力用户负荷响应潜力评估方法的流程示意图；
图2为本发明一种模糊粗糙环境下电力用户负荷响应潜力评估方法本发明电力用户负荷响应潜力评估框架图；
图3为本发明一种模糊粗糙环境下电力用户负荷响应潜力评估方法优选实施例中模糊粗糙模块对应的模糊粗糙数的示意图；
图4为本发明一种模糊粗糙环境下电力用户负荷响应潜力评估方法中主观权重，客观权重和综合权重的折现图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
指标权重的确定是电力用户负荷响应潜力评估中的一个重要阶段。当前，对指标权重确定的研究不断深入和丰富，常用方法有层次分析法、灰色关联分析、数据包络分析和逐步加权评估分析比率法)等。其中，逐步加权评估分析比率法是一种评估程序简单的主观权重确定方法，该方法充分考虑了决策者针对指标优先级的偏好，在此基础上估计每个指标的相对重要性比率。为更好地应对不确定性环境，各种模糊逐步加权评估分析比率法方法被相继提出并应用在不同的决策场景中，如可持续发展目标下指标优先级的确定、供应链管理、物联网重要障碍识别、供应商评估和选择和供应链韧性影响因素分析。然而，由逐步加权评估分析比率法得到的权重主观性强，这可能导致权重结果的偏差。熵权法是一种经典的权重确定法且得到广泛应用。熵权法和逐步加权评估分析比率法的结合是主观和客观的有效融合，由此确定的组合权重为决策结果的合理性提供了保障
此外，电力用户响应潜力评估还需要借助多属性决策技术集结所有指标的评估信息，进一步确定最终的评估结果。多属性边界逼近区域比较法是一种流行的决策方法，该方法不仅可以提供直接的计算过程和稳定的结果，而且具有很强的灵活性并综合考虑了潜在的损失和增益值。多属性边界逼近区域比较法通过定义每个备选方案的指标函数与边界逼近区域的距离来确定备选方案的优先排序。模糊粗糙数理论作为模糊集和粗糙集的有效融合，充分结合了粗糙集和模糊集的优势，是一种为高度不确定环境下的决策研究提供丰富和准确评估信息准确的可行方法。模糊粗糙数已被成功用于解决如负荷预测、变压器油纸绝缘状态评估和方案绿色优选等问题。
实施例1
一种模糊粗糙环境下电力用户负荷响应潜力评估方法，如图1所示，包括；
构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
具体地，电力用户响应潜力评价指标体系为，对用户经济层面、用户层面、负荷层面和信息层面的电力信息进行获取、统计和汇总。
具体地，语义偏好评估信息为用户经济层面、用户层面、负荷层面和信息层面用电数据的大小。
为有效感知电力用户负荷响应潜力，本文结合目前电力企业中用户响应情况，分别从经济层面、用户层面、负荷层面和信息层面构建相应的评估指标体系，如下所示，包括；
经济层面
用户响应经济损失(C11)：不同类型的电力用户在负荷响应过程中，由于其生产模式或者生产产品的不同，造成的损失也有所差异。例如，在响应同样负荷的情况下，精密制造业所造成的损失要远大于钢铁企业响应所造成的损失。
用户社会效益(C12)：该指标指电力用户在生产过程中对社会产生的效益。通常情况下，规模大的企业影响力相对较大，能够带动其周边一定范围内的就业问题。因此，该类电力用户负荷响应会造成一定的社会影响，从而间接影响该类用户的负荷响应潜力。
用户层面
错时潜力(C21)：该指标主要指电力用户错峰生产的能力，表征电力用户拥有错时负荷的大小。通常情况下，制造业、食品加工等产业拥有较高的错时潜力。
避峰潜力(C22)：避峰潜力主要是由用户的可中断负荷、负荷波动率和避峰成本组成。通常情况下，可中断负荷占比越高的电力用户其避峰潜力越大。
轮休潜力(C23)：该指标主要由电力用户通过轮休所降低的负荷量所决定，涉及用户轮休负荷、轮休负荷下降率和轮休成本三个方面。
用户响应意愿(C24)：用户响应意愿与用户响应潜力的高低有密切关联，具备高响应意愿的用户会通过调休、更换生产线以及有序用电等措施参与负荷响应，从而进一步提升了用户的负荷响应潜力。
负荷层面
用户负荷重要性(C31)：该指标反应用户负荷的重要性。大型医院，炼钢厂，石油提炼厂或矿井等用户的负荷通常被列为一级负荷，具备很高的负荷重要性，上述用户中断供电将造成重大损失。因此负荷重要性高的用户需尽可能保障其供电可靠性，减少该类用户的负荷响应。
用户响应容量(C32)：该指标表征用户在响应过程中可以响应的容量大小，通常由用户可中断荷和可转移负荷组成。通常，具有高响应用量的电力用户往往具备较为可观的负荷响应潜力。
信息层面
时效性(C41)：该指标指供电公司SCADA系统对用户负荷采集和用户收到响应指令的实时性。时效性较高的用户拥有充分的调整时间，具备更好的响应潜力。
响应准确性(C42)：该指标指用户在收到电力公司的响应需求后进行负荷响应的精准程度，用户在响应过程中，欠响应和过响应都会为电力公司的安全运行造成一定的影响。因此，在用户响应潜力评估过程中，本文将用户响应的准确性作为评价用户响应潜力的重要指标。信息完整性(C43)：由于网络等环境因素影响，电力用户负荷数据在传输时易造成信息缺失，导致无法完整获取初始信息，缺失的信息会对用户响应潜力造成严重的影响。通常，信息完整性高的用户，在响应过程中能够获取准确的信息，具备更为出色的响应潜力。
具体地，所建立的模糊粗糙决策矩阵为
Figure BDA0003970686720000081
其中，
Figure BDA0003970686720000082
为模糊粗糙决策矩阵，
Figure BDA0003970686720000083
表示模糊粗糙矩阵中针对第i个用户在第j个指标下的模糊粗糙元素，
Figure BDA0003970686720000084
表示所有专家提供的模糊评价信息的集合，α×n中的a表示待评估用户总数，n表示指标数。
具体地，客观权重的获取方法为，
获取用户群体的三角模糊信息并转化；
计算转化后的用户群体中三角模糊信息的第j个指标的平均评估值；
确定第j个指标的熵测度Enj，从而得到客观权重的计算模型。
进一步地，客观权重的计算模型为，
Figure BDA0003970686720000085
其中，Enj为第j 个指标的熵测度，woj为主观权重值。
进一步地，主观权重的获取方法为，
对语义指标的重要性进行评估并降序排序，对排序后的评估指标的相对系数和修正权重分别进行计算，获得清晰值；
根据所获得的清晰值，计算评价指标体系中的相对系数和修正权重值，得到主观权重的计算模型。
进一步地，主观权重的计算模型为，
Figure BDA0003970686720000086
其中，πj表示第j个指标的修正权重值。
进一步地，综合指标权重的模型为，wj＝ξwoj+(1-ξ)wsj，其中，ξ为参数变量，ξ的大小为，0≤ξ≤1；wsj为主观权重值，woj为客观权重值， wj为综合权重值。
具体地，在模糊粗糙数理论中，模糊粗糙集有效结合了模糊集在处理单一决策者模糊性中的优势以及粗糙集在处理群体决策者多样性中的优点，为同时处理内部和外部的不确定性提供了有效的方式。令LJ＝{LJk|k＝1,2,...,K}为所有决策者给出语义判断的集合，其中LJk为决策者Dk(k＝1,2,…,K)提供的语义判断。LJk可以转换为三角模糊数
Figure BDA0003970686720000091
具有以下隶属函数的：
Figure BDA0003970686720000092
由此，LJ＝{LJk|k＝1,2,...,K}被转化为
Figure BDA0003970686720000093
Figure BDA0003970686720000094
令
Figure BDA0003970686720000095
和
Figure BDA0003970686720000096
为
Figure BDA0003970686720000097
的下近似和上近似，
Figure BDA0003970686720000098
和
Figure BDA0003970686720000099
表示为：
Figure BDA00039706867200000910
Figure BDA00039706867200000911
令
Figure BDA00039706867200000912
和
Figure BDA00039706867200000913
为
Figure BDA00039706867200000914
的下限上限，
Figure BDA00039706867200000915
和
Figure BDA00039706867200000916
表示为：
Figure BDA00039706867200000917
Figure BDA0003970686720000101
其中，
Figure BDA0003970686720000102
和
Figure BDA0003970686720000103
表示
Figure BDA0003970686720000104
的下边界、中边界和上边界中的元素；
Figure BDA0003970686720000105
Figure BDA0003970686720000106
和
Figure BDA0003970686720000107
表示
Figure BDA0003970686720000108
的下边界、中边界和上边界中的元素；
Figure BDA0003970686720000109
和
Figure BDA00039706867200001010
表示
Figure BDA00039706867200001011
和
Figure BDA00039706867200001012
中元素的数量。
继而，
Figure BDA00039706867200001013
被转化为对应的模糊粗糙数
Figure BDA00039706867200001014
如下所示：
Figure BDA00039706867200001015
其中，
Figure BDA00039706867200001016
和
Figure BDA00039706867200001017
为
Figure BDA00039706867200001018
的下、中和上边界的粗糙数；
Figure BDA00039706867200001019
和
Figure BDA00039706867200001020
为
Figure BDA00039706867200001021
的上下限；
Figure BDA00039706867200001022
和
Figure BDA00039706867200001023
为
Figure BDA00039706867200001024
的上下限；
Figure BDA00039706867200001025
和
Figure BDA00039706867200001026
为
Figure BDA00039706867200001027
的上下限。
通过集结
Figure BDA00039706867200001028
被转化为模糊粗糙数
Figure BDA00039706867200001029
Figure BDA00039706867200001030
其中：
Figure BDA00039706867200001031
Figure BDA00039706867200001032
Figure BDA00039706867200001033
其中，
Figure BDA0003970686720000111
和
Figure BDA0003970686720000112
分别表示群体三角模糊集
Figure BDA0003970686720000113
的下、中和上边界的粗糙数；
Figure BDA0003970686720000114
和
Figure BDA0003970686720000115
为
Figure BDA0003970686720000116
的下限和上限；
Figure BDA0003970686720000117
和
Figure BDA0003970686720000118
为
Figure BDA0003970686720000119
的下限和上限；
Figure BDA00039706867200001110
和
Figure BDA00039706867200001111
为
Figure BDA00039706867200001112
的下限和上限。
令
Figure BDA00039706867200001113
和
Figure BDA00039706867200001114
为任意两个模糊粗糙数，λ为实数且λ≥0，
Figure BDA00039706867200001115
和
Figure BDA00039706867200001116
的基本运算如下：
Figure BDA00039706867200001117
Figure BDA00039706867200001118
Figure BDA00039706867200001119
Figure BDA00039706867200001120
Figure BDA00039706867200001121
Figure BDA00039706867200001122
和
Figure BDA00039706867200001123
之间的距离表示为：
Figure BDA0003970686720000121
具体地，模糊粗糙数的清晰化方法如下；
令
Figure BDA0003970686720000122
为一组模糊粗糙数，且
Figure BDA0003970686720000123
Figure BDA0003970686720000124
Figure BDA0003970686720000125
Figure BDA0003970686720000126
的清晰化涉及去粗糙化和去模糊化两个过程。
首先为
Figure BDA0003970686720000127
和
Figure BDA0003970686720000128
的去粗糙化。以
Figure BDA0003970686720000129
为例，去粗糙化过程如下：
步骤①.归一化
Figure BDA00039706867200001210
和
Figure BDA00039706867200001211
Figure BDA00039706867200001212
Figure BDA00039706867200001213
步骤②.计算总归一化清晰值χj：
Figure BDA00039706867200001214
步骤③.计算
Figure BDA00039706867200001215
的去粗糙化结果
Figure BDA00039706867200001216
Figure BDA00039706867200001217
同理，根据式(1)～(4)可以确定
Figure BDA00039706867200001218
和
Figure BDA00039706867200001219
的去粗糙化结果
Figure BDA00039706867200001220
和
Figure BDA00039706867200001221
基于此，
Figure BDA00039706867200001222
被转化为
Figure BDA00039706867200001223
接着为
Figure BDA0003970686720000131
的去模糊化，该过程如下：
步骤①.归一化
Figure BDA0003970686720000132
和
Figure BDA0003970686720000133
Figure BDA0003970686720000134
Figure BDA0003970686720000135
Figure BDA0003970686720000136
步骤②.计算归一化的左右端点值
Figure BDA0003970686720000137
和
Figure BDA0003970686720000138
Figure BDA0003970686720000139
Figure BDA00039706867200001310
步骤③.计算总归一化清晰值ηj：
Figure BDA00039706867200001311
步骤④.计算模糊粗糙数
Figure BDA00039706867200001312
的清晰值
Figure BDA00039706867200001313
Figure BDA00039706867200001314
具体地，所提电力用户负荷响应评估方法如下；
如图2所示，设电力用户负荷响应潜力评估问题中，待评估用户(即方案) 为Ai(1≤i≤α)；评估指标为Cj(1≤j≤n)；由E个专家De(1≤e≤E) 组成决策群体采用表1提供的语义术语对各电力用户进行评估。根据表1中的对应关系，这些语义评估信息被转化为模糊变量，其中
Figure BDA00039706867200001315
表示专家De针对电力用户Ai在指标Cj中的模糊评价信息。将熵测度、逐步加权评估分析比率法方法和多属性边界逼近区域比较法方法融入模糊粗糙环境，构建一个新的混合决策框架对电力用户负荷响应潜力进行评估，并充分考虑决策中内部和外部的不确定性。所提方法的流程如图1所示。
表1评估方案的语义变量及对应模糊标度
Figure BDA0003970686720000141
具体地，指标权重测度采用基于模糊粗糙熵权法与模糊粗糙逐步加权评估分析比率法方法的主客观组合权重确定用户负荷响应潜力评估中的指标权重。具体步骤如下：
(1)基于模糊粗糙熵的客观权重
步骤①.根据式(1)～(10)，将群体三角模糊信息
Figure BDA0003970686720000142
转化为
Figure BDA0003970686720000143
由此，构建模糊粗糙决策矩阵
Figure BDA0003970686720000144
步骤②.计算第j个指标的平均评估值
Figure BDA0003970686720000145
Figure BDA0003970686720000146
步骤③.确定第j个指标的熵测度Enj：
Figure BDA0003970686720000147
其中，dij表示由式(16)得到的
Figure BDA0003970686720000148
和
Figure BDA0003970686720000149
间的距离。
步骤④.确定第j个指标的客观权重woj：
Figure BDA0003970686720000151
(2)基于模糊粗糙逐步加权评估分析比率法的主观权重
步骤①.专家根据表2的语义术语对指标的重要性进行评估，记对应的针对第j个指标的群体三角模糊评估信息为
Figure BDA0003970686720000152
表2评估指标重要性的语义变量及对应模糊标度
Figure BDA0003970686720000153
步骤②.根据式(1)～(10)，将
Figure BDA0003970686720000154
转化为模糊粗糙数
Figure BDA0003970686720000155
其中
Figure BDA0003970686720000156
由此得到：
Figure BDA0003970686720000157
步骤③.采用式(1)～(10)确定
Figure BDA0003970686720000158
的清晰值
Figure BDA0003970686720000159
并根据
Figure BDA00039706867200001510
对指标进行降序排序。
步骤④.从排序第二的指标开始计算指标j和前一个指标j-1间的差值sj，以确定每个指标得分的相对重要性。sj的计算如下所示：
Figure BDA00039706867200001511
步骤⑤.评估指标的相对系数φj：
Figure BDA00039706867200001512
步骤⑥.计算指标的修正权重值πj：
Figure BDA00039706867200001513
步骤⑦.计算指标的相对主观权重：
Figure BDA0003970686720000161
(3)指标综合权重
wj＝ξwoj+(1-ξ)wsj (36)
其中，参数ξ满足0≤ξ≤1。
具体地，模糊粗糙环境下的混合评估方法采用模糊粗糙多属性边界逼近区域比较法方法感知电力用户负荷响应潜力的综合评估结果。模糊粗糙多属性边界逼近区域比较法的具体步骤如下所示：
步骤①.归一化模糊粗糙决策矩阵
构建的模糊粗糙决策矩阵
Figure BDA0003970686720000162
其中
Figure BDA0003970686720000163
Figure BDA0003970686720000164
归一化的模糊粗糙决策矩阵表示为
Figure BDA0003970686720000165
Figure BDA0003970686720000166
其中B表示效益型指标，C表示成本型指标；此外，
Figure BDA0003970686720000167
且
Figure BDA0003970686720000168
步骤②.计算加权模糊粗糙决策矩阵
Figure BDA0003970686720000169
Figure BDA00039706867200001610
步骤③.构建模糊粗糙边界近似区域矩阵
Figure BDA00039706867200001611
Figure BDA0003970686720000171
步骤④.计算备选方案至边界近似区域的距离矩阵元素：
Figure BDA0003970686720000172
其中，
Figure BDA0003970686720000173
表示为
Figure BDA0003970686720000174
步骤⑤.确定方案Ai针对属性函数的最终评估值
Figure BDA0003970686720000175
Figure BDA0003970686720000176
最后，计算
Figure BDA0003970686720000177
的清晰值
Figure BDA0003970686720000178
并基于
Figure BDA0003970686720000179
对方案(电力用户)的符合响应潜力进行排序。
下面结合一个案例进行核算，从某地石化、学校、电子、冶金、交通和物流各个行业各选取一个电力用户(分别标记为方案A1～A6)，并采用所提的方法对各用户的负荷响应潜力进行评估。
首先，四名专家采用前述表1提供的语义术语对不同方案在11个指标中的性能进行评估，根据前述表1中的对应关系，这些语义变量被进一步量化为三角模糊数，并基于式(2)～(10)，模糊数在群决策环境下被转化为模糊粗糙变量。由此构建了模糊粗糙决策矩阵
Figure BDA00039706867200001710
如表3所示。
表3模糊粗糙决策矩阵
Figure BDA0003970686720000181
以A2-C43为例，专家语义模糊偏好{M,SL,SH,M}到模糊粗糙序列的转化如图3所示。图3(a)为4位专家提供的针对A2-C43的模糊偏好，图3(a)中的模糊序列在群体决策环境下被转换为模糊粗糙专家偏好序列，如图3(b)所示，图3(b)中的模糊粗糙序列被融合为唯一的模糊粗糙数，如图3(c)所示。因此，模糊粗糙数可以有效地刻画个体评语，并集结来自多个决策者的评估。这些模糊粗糙数是在原始评估信息上转换生成的，且转换过程不需要预定义参数。
根据表3的模糊粗糙决策矩阵和式(28)～(30)，得到针对每个指标的熵测度Enj和基于熵测度的指标客观权重woj，如表4所示。此外，SWARA方法通常被专家组用作决策工具，以在存在多个决策因素的复杂问题中达成一致。引入模糊粗糙环境下的SWARA方法以确定指标的主观权重。四名专家根据自身经验和专业判断对指标的重要性进行评估，根据前述表2中的对应关系，这些语义术语被量化为三角模糊数，并通过式(2)～(10)进一步转化为模糊粗糙数
Figure BDA0003970686720000182
采用模糊粗糙数的去粗糙化和去模糊化过程，得到
Figure BDA0003970686720000183
的清晰值
Figure BDA0003970686720000184
SWARA的使用需先根据
Figure BDA0003970686720000185
对指标进行降序排序，在此基础上，采用式(32)～(35)得到针对每个指标的相对重要性sj、系数值φj、修正权重πj和最终的主观重要性wsj，计算结果见表5。通过基于熵测度的客观权重和基于SWARA的主观权重的集结，得到每个指标的综合权重。在式(36)中，令参数ξ＝0.5，由此得到的指标综合权重如图4所示。
表4针对每个指标的熵测度和客观权重
Figure BDA0003970686720000191
表5基于SWARA方法的指标主观权重
Figure BDA0003970686720000192
获取评估信息和指标权重后，模糊粗糙MABAC对电力用户负荷响应潜力进行综合感知。首先，将表3中的模糊粗糙决策矩阵归一化。根据式(37)，模糊粗糙决策矩阵
Figure BDA0003970686720000193
被归一化为
Figure BDA0003970686720000194
接着，借助图4中的指标权重和式(38)，得到加权后的模糊粗糙决策矩阵
Figure BDA0003970686720000195
结果如表 6所示。
进一步地，采用式(39)计算边界近似区域矩阵G中的元素
Figure BDA0003970686720000196
如表 6所示。基于加权模糊粗糙决策矩阵和边界近似区域矩阵以及式(40)，确定评估方案(即电力用户)与边界近似区域的距离矩阵元素，并采用式(41)得到方案Ai针对指标函数的最终模糊粗糙评估值
Figure BDA0003970686720000197
对于表7中得到的一组模糊粗糙数
Figure BDA0003970686720000198
通过式(17)～(27) 对模糊粗糙数的去粗糙化和去模糊化过程，可以得到
Figure BDA0003970686720000199
的清晰值
Figure BDA00039706867200001910
最终基于
Figure BDA00039706867200001911
对各用户在负荷响应中的潜力进行排序和识别。
表6加权模糊粗糙决策矩阵和边界近似区域矩阵
Figure BDA0003970686720000201
表7各电力用户针对指标函数的最终评估值和负荷响应潜力排序结果
Figure BDA0003970686720000202
实施例2
一种模糊粗糙环境下电力用户负荷响应潜力评估系统，包括，
粗糙模糊决策矩阵建立模块，用于构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
综合指标权重建立模块，采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
评价模块，用于对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，包括；
构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
2.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述电力用户响应潜力评价指标体系为，对用户经济层面、用户层面、负荷层面和信息层面的电力信息进行获取、统计和汇总。
3.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述语义偏好评估信息为用户经济层面、用户层面、负荷层面和信息层面用电数据的大小。
4.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所建立的模糊粗糙决策矩阵为
Figure FDA0003970686710000011
其中，
Figure FDA0003970686710000012
为模糊粗糙决策矩阵，
Figure FDA0003970686710000013
表示模糊粗糙矩阵中针对第i个用户在第j个指标下的模糊粗糙元素，
Figure FDA0003970686710000014
表示所有专家提供的模糊评价信息的集合，α×n中的a表示待评估用户总数，n表示指标数。
5.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述客观权重的获取方法为，
获取用户群体的三角模糊信息并转化；
计算转化后的用户群体中三角模糊信息的第j个指标的平均评估值；
确定第j个指标的熵测度Enj，从而得到客观权重的计算模型。
6.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述客观权重的计算模型为，
Figure FDA0003970686710000021
其中，Enj为第j个指标的熵测度，woj为主观权重值。
7.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述主观权重的获取方法为，
对语义指标的重要性进行评估并降序排序，对排序后的评估指标的相对系数和修正权重分别进行计算，获得清晰值；
根据所获得的清晰值，计算评价指标体系中的相对系数和修正权重值，得到主观权重的计算模型。
8.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，主观权重的计算模型为，
Figure FDA0003970686710000022
其中，πj表示第j个指标的修正权重值。
9.根据权利要求1所述的一种模糊粗糙环境下电力用户负荷响应潜力评估方法，其特征在于，所述综合指标权重的模型为，wj＝woj+(1-)wsj，其中，ξ为参数变量，ξ的大小为，0≤ξ≤1；wsj为主观权重值，woj为客观权重值，wj为综合权重值。
10.一种模糊粗糙环境下电力用户负荷响应潜力评估系统，其特征在于，包括，
粗糙模糊决策矩阵建立模块，用于构建电力用户响应潜力评价指标体系，将语义偏好评估信息转换成对应的模糊粗糙数，根据模糊粗糙数建立粗糙模糊决策矩阵；
综合指标权重建立模块，采用熵权法和逐步加权评估分析比率法方法对所获得的模糊粗糙数的指标体系进行主观权重和客观权重的获取，得到综合指标权重；
评价模块，用于对所获得模糊矩阵进行归一化处理，结合所得到的综合指标权重，得到归一化处理后的模糊粗糙决策矩阵并加权计算；根据模糊粗糙多属性边界逼近区域比较法方法计算各电力用户针对属性函数的综合评估值，依据综合评估值评价电力用户负荷响应潜力。
CN202211516958.7A 2022-11-29 2022-11-29 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统 Pending CN115713272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211516958.7A CN115713272A (zh) 2022-11-29 2022-11-29 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211516958.7A CN115713272A (zh) 2022-11-29 2022-11-29 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统

Publications (1)

Publication Number Publication Date
CN115713272A true CN115713272A (zh) 2023-02-24

Family

ID=85235343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211516958.7A Pending CN115713272A (zh) 2022-11-29 2022-11-29 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统

Country Status (1)

Country Link
CN (1) CN115713272A (zh)

Similar Documents

Publication Publication Date Title
CN110795692A (zh) 一种主动配电网运行状态评估方法
Deng et al. Simulation-based evaluation of defuzzification-based approaches to fuzzy multiattribute decision making
CN111353656A (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN112241607B (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN111695793A (zh) 一种综合能源系统用能灵活性评价方法及系统
CN108876132B (zh) 基于云的工业企业能效服务推荐方法和系统
CN110232490A (zh) 一种配电网工程投资成效的评估方法及系统
CN104537432B (zh) 基于证据推理的电力系统多目标优化调度的决策方法
CN107358332A (zh) 一种电网调度运行精益化评价方法
Sarkar et al. A multi‐criteria decision making approach for strategy formulation using Pythagorean fuzzy logic
CN112766809A (zh) 综合能源系统的评价方法
CN107169655A (zh) 一种优选配电网方案适应性的方法及装置
CN116611610A (zh) 计及多属性群体决策的园区综合能源系统调度评价方法
CN112508306A (zh) 一种电力生产配置的自适应方法及系统
CN112149976B (zh) 一种基于人工智能的电网精准投资项目决策方法
CN109615262A (zh) 一种基于模糊层次分析的能源互联网发展指数评估方法
CN114693076A (zh) 一种面向综合能源系统运行状态的动态评价方法
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
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
CN115713272A (zh) 模糊粗糙环境下电力用户负荷响应潜力评估方法及系统
CN113780686A (zh) 一种面向分布式电源的虚拟电厂运行方案优化方法
Li et al. Extension of VIKOR method with interval-valued intuitionistic fuzzy sets
CN113011779A (zh) 一种基于模糊综合评价的能源消费价格补偿方法及装置
CN108364136B (zh) 一种基于证据推理的水资源短缺风险分析方法及系统
Kaabi et al. TOPSIS using a mixed subjective-objective criteria weights for ABC inventory classification

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