CN116415742B - 风光水电系统两阶段随机多属性决策方法及系统 - Google Patents

Abstract

本发明公开了一种风光水电系统两阶段随机多属性决策方法及系统，该方法包括如下步骤：构建多目标优化模型，并采集预定区域的研究数据作为输入数据，获得Pareto前沿；构建指标权重信息完全未知的指标集合；构建SMAA‑AHP模型，并基于所述Pareto前沿对指标集合进行反权重空间分析，获得至少包括中心权重向量在内的输出结果；构建IFAHP分析模型，基于中心权重向量和预采集的决策群体偏好信息确定可行权重空间；基于所述可行权重空间和Pareto前沿，调用所述SMAA‑AHP模型进行决策，获得风光水电系统调度方案。通过综合全面地考虑相关因素，给出更加理想的调度方案，解决了现有技术权重设定主观性强的问题。

Description

风光水电系统两阶段随机多属性决策方法及系统

技术领域

本发明涉及风光水电决策方法，尤其是一种风光水电系统两阶段随机多属性决策方法。

背景技术

风光水电系统调度计划科学制定是保障系统效益、电力系统安全、下游河道健康、水库安全等目标的关键基础，且调度计划在制定过程中受决策者主观偏好性和指标自身的重要性程度等诸多不确定因素影响。在群决策制定风光水电系统调度计划方案时，由于它包含了风能、光能、水能、生态和群体决策等多个学科的知识，对于决策者制定科学合理的方案要求较高。

决策者在决策初期受自身知识水平影响，对于各个指标权重认识不清楚，可能不能够直接给定相应的权重信息，甚至指标权重信息完全未知；随着决策的进行，决策者对于各个方案和指标权重认识逐渐清晰，可以给出指标权重部分信息或模糊的信息。

因此，需要给出一种新的解决方案。

发明内容

发明目的：提供一种风光水电系统两阶段随机多属性决策方法，以解决现有技术存在的上述问题。并进一步提供一种实现上述方法的系统。

技术方案：风光水电系统两阶段随机多属性决策方法，包括如下步骤：

步骤S1、构建多目标优化模型，并采集预定区域的研究数据作为输入数据，获得Pareto前沿；构建指标权重信息完全未知的指标集合；

步骤S2、构建SMAA-AHP模型，并基于所述Pareto前沿对指标集合进行反权重空间分析，获得至少包括中心权重向量在内的输出结果；

步骤S3、构建IFAHP分析模型，基于中心权重向量和预采集的决策群体偏好信息确定可行权重空间；

步骤S4、基于所述可行权重空间和Pareto前沿，调用所述SMAA-AHP模型进行决策，获得风光水电系统调度方案。

根据本申请的一个方面，所述步骤S1进一步为：

步骤S11、划定研究区域，并采集研究数据，构建多目标优化模型，多目标优化模型包括目标函数和约束条件；

步骤S12、采用多目标优化算法NSGA-II求解所述多目标优化模型，获得Pareto前沿；

步骤S13、针对多目标优化模型，获取解决方案及属性，构建指标评价矩阵，分别采用服从概率密度函数的随机变量描述指标评价值和指标权重信息，并选择指标权重信息完全未知作为概率密度函数的分布。

根据本申请的一个方面，所述步骤S2进一步为：

步骤S21、对备选方案的决策矩阵进行标准化得到标准化决策矩阵；

步骤S22、构建SMAA模型并确定可行权重空间的分布，基于其概率密度函数进行拉丁超立方抽样，随机生成可行权重；

步骤S23、构建并调用AHP模型，计算得到各个备选方案的相应排名；

步骤S24、判断是否满足迭代次数；若满足，则下一步；若否，返回到步骤S22；

步骤S25、基于循环过程中得到备选方案的排名计算排序可接受性指标和全局可接受性指标和中心权重向量指标，获得最终的可行权重空间。

根据本申请的一个方面，所述步骤S22进一步为：

步骤S22a、读取指标评价值的概率密度函数和指标权重的概率密度函数；

步骤S22b、通过线性效用函数对属性的效用值进行加权，得到每个解决方案的综合效用值；

步骤S22c、通过所述综合效用值计算各个解决方案的优劣并排序，选出满足决策要求的均衡解决方案。

根据本申请的一个方面，所述步骤S23进一步为：

步骤S23a、构建递阶层次结构，所述递阶层次结构包括目标层、准则层、指标层和方案层；

步骤S23b、对递阶层次结构中的每层元素进行两两相对重要性比较，针对比较结果，采用比率标度对比较结果进行赋值，构建层次判断矩阵；

步骤S23c、基于层次判断矩阵计算层次单排序权重并对层次判断矩阵进行逻辑一致性检验；其中，层次单排序权重是指同一层次各个因素相对于上一层次某个与它们有箭线联系的因素的权重；引入一致性指标CI和矩阵的平均随机一致性指标RI，计算二者之比称为随机一致性比率CR，若随机一致性比率CR 小于等于 0.01，则认为矩阵一致性较好，否则需要对判断做进一步调整；

步骤S23d、基于层次单排序权重计算方案层各个方案的复合排序权重，并以此进行方案优选。

根据本申请的一个方面，所述步骤S3进一步为：

步骤S31、构建IFAHP分析模型，构建直觉模糊判断矩阵，并通过所述直觉模糊判断矩阵构建积型直觉偏好矩阵；

步骤S32、计算所述积型直觉偏好矩阵和直觉模糊判断矩阵的距离测度；

步骤S33、构建融合直觉偏好矩阵；

步骤S34、判断直接模糊判断矩阵是否满足一致性要求，若满足，计算指标权重，通过得分函数将直觉模糊数转为实数，并对得到的指标权重进行标准化处理和加权平均，确定指标的可行权重空间。

根据本申请的一个方面，所述步骤S3中，决策群体偏好信息的采集构建过程包括：

步骤S3a、采集多层次多视角的指标，并构建指标体系，基于指标体系构建偏好信息体系；

步骤S3b、基于所述偏好信息之间的影响关系数据构建直接影响矩阵并标准化，计算偏好信息的综合影响矩阵，并获得偏好信息之间的影响度和被影响度数据；

步骤S3c、基于偏好信息自身的数据构建单位矩阵，并与所述综合影响矩阵相加，获得整体影响矩阵，通过整体影响矩阵计算可达矩阵，并确定各个偏好信息的可达集合；根据可达集合构建多层次的偏好信息结构。

所述多目标优化模型中的目标函数为：

最大化风光水系统发电量：Maxf ₁ =∑^T _t=1（PPV _t +PW _t +PH _t ）×∆t；

f ₁ 为风光水电系统总发电量，T为调度期时段数；PPV _t 、PW _t 、PH _t 是分别是光伏电站、风力发电站和水电站第t时段出力；∆t为时段小时数；

最大化调度期内最小出力：Maxf ₂ =MinP _t ，1≤t≤T；P _t =PPV _t +PW _t +PH _t ；

水电站出库流量与天然流量偏差最小：；

O'_i,t为第i水库t时段的出库流量；Q_Ni,t为第i库t时段下游断面天然流量；I为水库数目；

风光水电系统总出力最平稳：min{CV(N)}=min{std（N）/N＇}；

CV（N）和std（N）分别为互补系统总出力过程变异系数和标准差；N＇为互补系统总出力过程平均值。

根据本申请的一个方面，所述多目标优化模型中的约束条件为：

水库水量平衡约束：S_i,t=S_i,t-1+（Q_i,t-O_i,t) ∆t；S_i,t、S_i,t-1为第i库第t时段末、初水库蓄水量；Q_i,t为第i库第t时段入库流量；O_i,t为第i库第t时段出库流量；

水库水位约束：Z_i,t ^min≤Z_i,t≤Z_i,t ^max；Z_i,t为第i库第t时段末计算水位；Z_i,t ^min为第i库第t时段末允许下限水位；Z_i,t ^max为第i库第t时段末允许上限水位；

出库流量约束：O_i,t ^min≤O_i,t≤O_i,t ^max；O_i,t=OP_i,t+ON_i,t；O_i,t ^min和O_i,t ^max分别为第i库第t时段下泄流量允许的最小、最大值，OP_i,t第i库第t时段发电流量，ON_i,t第i库第t时段弃水流量；

水库调度期末水位约束：Z_i,T=Z_i,end，i∈[1,I]；Z_i,end为第i库调度期的期末水位；Z_i,T为第i库第T时刻的水位，T为调度期末；

水电站出力约束：PH_t=∑^I _i=1（PH_i,t）；PH_i,t ^min≤PH_i,t≤PH_i,t ^max；

PH_t为水电站第t时段的出力；PH_i,t为第i水电站第t时段的出力；PH_i,t ^min和PH_i,t ^max分别为第i水电站第t时段的允许最小出力和最大出力；

风力发电站出力约束：PW_t=∑^K _k=1（PW_k,t）；PW_k,t ^min≤PW_k,t≤PW_k,t ^max；PW_k,t是第k风力发电站第t时段的出力；PW_k,t ^min是第k风力发电站第t时段的允许最小出力；PW_k,t ^max是第k风力发电站第t时段的装机容量，K为风力发电站的个数；

光伏电站出力约束：PPV_t=∑^D _d=1（PPV_d,t）； PPVd,t^min≤PPVd,t≤PPVd,t^max；

PPVd,t是第d光伏电站第t时段的出力；PPVd,t^min是第d光伏电站第t时段的允许最小出力；PPVd,t^max是第d光伏电站的装机容量；D为光伏电站的个数；

外送断面约束：P_t ^min≤P_t≤P_t ^max；P_t ^min和P_t ^max分别为第t时段断面功率约束值的最小值和最大值；P_t为第t时段风电站、光伏电站和水电站的出力之和。

根据本申请的另一个方面，一种风光水电系统两阶段随机多属性决策系统，其特征在于，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项实施例所述的风光水电系统两阶段随机多属性决策方法。

有益效果：通过综合全面地考虑相关因素，给出更加理想的调度方案，解决了现有技术权重设定主观性强的问题。一些技术优势将在具体实施例部分进行描述。

附图说明

图1是本发明的流程图。

图2是本发明步骤S1的流程图。

图3是本发明步骤S2的流程图。

图4是本发明步骤S3的流程图。

图5是本发明的模块数据流示意图。

实施方式

如图1所示，风光水电系统两阶段随机多属性决策方法，包括如下步骤：

步骤S1、构建多目标优化模型，并采集预定区域的研究数据作为输入数据，获得Pareto前沿；构建指标权重信息完全未知的指标集合；

步骤S2、构建SMAA-AHP模型，并基于所述Pareto前沿对指标集合进行反权重空间分析，获得至少包括中心权重向量在内的输出结果；

步骤S3、构建IFAHP分析模型，基于中心权重向量和预采集的决策群体偏好信息确定可行权重空间；基于所述可行权重空间和Pareto前沿，调用所述SMAA-AHP模型进行决策，获得风光水电系统调度方案。

本实施例具有多目标优化、反权重空间分析、可行权重空间确定和综合应用等技术优势，能够有效地解决风光水电系统调度问题。通过采用多目标优化模型、SMAA-AHP模型和IFAHP分析模型相结合的方法，可以综合考虑多个指标的影响，并确定可行权重空间，从而提高决策结果的可靠性和准确性。此外，该技术方案还能够处理指标权重信息完全未知的情况，提高了决策的灵活性和适应性。具有较强的实用价值和推广应用前景。

如图2所示，根据本申请的一个方面，所述步骤S1进一步为：

步骤S11、划定研究区域，并采集研究数据，构建多目标优化模型，包括目标函数和约束条件；

步骤S12、采用多目标优化算法NSGA-II求解所述多目标优化模型，获得Pareto前沿；

步骤S13、针对多目标优化模型，获取解决方案及属性，构建指标评价矩阵，分别采用服从概率密度函数的随机变量描述指标评价值和指标权重信息，并选择指标权重信息完全未知作为概率密度函数的分布。

本实施例能够综合考虑多个指标的影响，并处理指标权重信息不确定或未知的情况，具有较强的实用价值和推广应用前景。能够综合考虑不同指标之间的相互作用和权衡关系，从而得到更为全面和合理的决策结果。能够更加准确地反映不同指标之间的重要程度和影响因素，并提高决策结果的可靠性。可以提高决策的灵活性和适应性，使得决策结果更加符合实际情况。

如图3所示，根据本申请的一个方面，所述步骤S2进一步为：

步骤S21、对备选方案的决策矩阵进行标准化得到标准化决策矩阵；

步骤S22、构建SMAA模型并确定可行权重空间的分布，基于其概率密度函数进行拉丁超立方抽样，随机生成可行权重；

步骤S23、构建并调用AHP模型，计算得到各个备选方案的相应排名；

步骤S24、判断是否满足迭代次数；若满足，则下一步；若否，返回到步骤S22；

步骤S25、基于循环过程中得到备选方案的排名计算排序可接受性指标和全局可接受性指标和中心权重向量指标，获得最终的可行权重空间。

具体地，在本实施例中，由于风光水电系统中多目标问题具有不可公度性的特点，直接通过SMAA-2模型中的线性加和型效用函数进行决策可能不能得出较为公道的方案。而AHP模型通过计算各个备选方案的评价值与理想方案的接近程度，且避免了逆序问题的产生，具有较好的可操作性、便捷性和鲁棒性。因此在反权重空间分析的SMAA-2模型中引入AHP模型，即SMAA-AHP模型。

根据本申请的一个方面，所述步骤S22进一步为：

步骤S22a、读取指标评价值的概率密度函数和指标权重的概率密度函数；

步骤S22b、通过线性效用函数对属性的效用值进行加权，得到每个解决方案的综合效用值；

步骤S22c、通过所述综合效用值计算各个解决方案的优劣并排序，选出满足决策要求的均衡解决方案。

具体地，在进一步的实施例中，所述步骤S22进一步为：

指标评价的概率密度函数f_X(ξ)和指标权重概率密度函数f_W(w)，进一步地，SMAA-2通过下式的线性效用函数对每个属性的效用值进行加权求和得到每个方案的综合效用u_m=u(x_m,w)，随后通过其加权值u_m计算各方案的优劣排序，并从中选出满足决策要求的均衡方案。

线性效用函数：u_m=u(x_m,w)=∑_n=1 ^N（w_n×x _mn）；采用随机变量ξ _mn 代替常量x _mn反应指标值的不确定性，则变为u_m=u(ξ_m,w)=∑_n=1 ^N（w_n×ξ_mn）。

定义方案排名函数rank(ξ_m,w)，具体如下式：

rank(ξ_m,w)=1+∑_kρ(u(ξ_k,w)>u(ξ_m,w))。

定义排名倾向权重W_m ^r(ξ)，对任意的w∈W_m ^r(ξ)，SMAA-2将方案A_m获得排序为r(r=1,2,…,M)的空间定义为排名倾向权重W_m ^r(ξ)，具体如下式所示：

W_m ^r(ξ)={w∈W:rank(ξ_m,w)=r}；

定义排名可接受度指标b_m ^r，它是排名倾向权重的期望值，且是在属性值空间和权重向量空间上的一个二重积分，表示备选方案x_m排名第r名的可接受度，也可以看作是备选方案x_m排名第r名的概率：

b_m ^r=∫_Xf(ξ)∫_Wm ^r _(ξ)（f_W(w)dwdξ））

定义全局可接受程度a_m ^v，它是对备选方案A_m获得所有排序b_m ^r的综合，从整体上描述了方案的总体可接受水平：

a_m ^h=∑_r（α^r b_m ^r）；

式中，指标a_m ^h的取值范围是[0,1]，α_r为二级权重，表示备选方案A_m的某个排序r对于指标a_m ^h的贡献度。

相比于倒数权重和重心权重，线性权重赋予排序居中的方案更大的权重。和重心权重相比，倒数权重在排序靠后的方案的权重分布更加的均匀。因此，相比于重心权重，倒数权重进行聚合时对于排序靠后的方案更不敏感。在多属性决策二级权重归一化时，相较于其他基于排序的权重形式，重心权重包含了其他形式权重和排序的有效信息，使用重心权重作为二级权重更为准确和有效。因此，本实施例选用重心权重作为二级权重。

所述步骤S23进一步为：

步骤S23a、构建递阶层次结构，所述递阶层次结构包括目标层、准则层、指标层和方案层；

步骤S23b、对递阶层次结构中的每层元素进行两两相对重要性比较，针对比较结果，采用比率标度对比较结果进行赋值，构建层次判断矩阵；

步骤S23c、基于层次判断矩阵计算层次单排序权重并对层次判断矩阵进行逻辑一致性检验；其中，层次单排序权重是指同一层次各个因素相对于上一层次某个与它们有箭线联系的因素的权重；引入一致性指标CI和矩阵的平均随机一致性指标RI，计算二者之比称为随机一致性比率CR，若随机一致性比率CR 小于等于 0.01，则认为矩阵一致性较好，否则需要对判断做进一步调整；

步骤S23d、基于层次单排序权重计算方案层各个方案的复合排序权重，并以此进行方案优选。

如图4所示，根据本申请的一个方面，所述步骤S3进一步为：

步骤S31、构建直觉模糊判断矩阵，并通过所述直觉模糊判断矩阵构建积型直觉偏好矩阵；

步骤S32、计算所述积型直觉偏好矩阵和直觉模糊判断矩阵的距离测度；

步骤S33、构建融合直觉偏好矩阵；

步骤S34、判断直接模糊判断矩阵是否满足一致性要求，若满足，计算指标权重，通过得分函数将直觉模糊数转为实数，并对得到的指标权重进行标准化处理和加权平均。

具体地，在进一步的实施例中，所述步骤S3进一步为：

构建直觉模糊判断矩阵：基于指标评价等级与直觉模糊数对应表，对各个指标的重要程度进行两两比较，建立直觉模糊判断矩阵R=（r_ij）_N×N，其中，r_ij=(x_i,x_j),μ(x_i,x_j),υ(x_i,x_j)>，i,j=1,2,…,N；简化为r_ij=(μ_ij,υ_ij)，简化后的直觉模糊判断矩阵R=（r_ij）_N×N满足如下条件：μ_ij,υ_ij∈[0,1],μ_ij+υ_ij≤1,μ_ij=υ_ji,μ_ji=υ_ij；μ_ii=υ_ii=0.5,π_ij=1-μ_ij-υ_ij,i,j=1,2,…,N；μ_ij为决策者在对指标i和j比较时对指i的偏好程度，υ_ij为决策者在对指标i和j比较时对指标j的偏好程度，π_ij为决策者在对指标i和j比较时犹豫的程度。

通过所述直觉模糊判断矩阵构建积型直觉偏好矩阵：定义为积型一致性直觉模糊判断矩阵，即积型直觉偏好矩阵；

当j＞i+1时，需要满足：

当j<i时，有；当j=i或j=i+1时，有/>。

计算所述积型直觉偏好矩阵和直觉模糊判断矩阵的距离测度：定义为直觉模糊判断矩阵R=(r_ij)_N×N和其积型一致性直觉模糊判断矩阵的距离测度/>的距离测度。

；

构建融合直觉偏好矩阵：直觉模糊判断矩阵R=（r_ij）_N×N与其相对应的积型直觉偏好矩阵融合成一个新的直觉模糊偏好矩阵/>，

；

σ是矩阵R=(r_ij)_N×N和矩阵相似性控制参数，在某种程度上也代表了决策者的偏好信息。当σ取值越小时，矩阵/>和R=(r_ij)_N×N越相似。因此，新的直觉模糊偏好矩阵/>不仅包含了初始直觉模糊偏好矩阵R=(r_ij)_N×N的偏好信息，同时其也包含了与其相对应的积型直觉模糊偏好矩阵/>的偏好信息。

判断直接模糊判断矩阵是否满足一致性要求：当<τ，则认为直觉模糊判断矩阵R=(r_ij)_N×N通过一致性检验，τ为一致性检验的阈值，通常取0.1。当/>≥τ时，则认为直觉模糊判断矩阵/>无法代表决策者的初始偏好，不满足一致性的要求。此时，需要修改直觉模糊判断矩阵使其满足一致性的要求且尽可能保留决策者的偏好信息。

计算指标权重，通过得分函数将直觉模糊数转为实数，并对得到的指标权重进行标准化处理和加权平均。

当得到满足一致性的直觉模糊矩阵R=(r_ij)_N×N；计算权重W=[w₁,w₂,⋯,w_N]；

将得分函数ρ(w_i )将直觉模糊数转为实数，随后对得到的权重进行标准化。

；/>；

不同决策者在决策时的权重向量具有同等的重要性，因此，可以将多个决策者得到的权重进行加权平均：；Num是决策者的人数。

根据本申请的一个方面，还包括步骤S5：

步骤S51、针对每一研究区域，基于已采集的研究数据，进行情景生成和划分，形成情景集合，并提取关键情景集；

步骤S52、读取风光水电系统调度方案，针对每一关键情景集，采用多目标优化方案进行模拟，获取目标与情景之间的敏感性系数，并基于敏感性系数对获得每一关键情景集下的风光水电系统调度方案。

根据本申请的一个方面，所述步骤S3中，决策群体偏好信息的采集构建过程包括：

步骤S3a、采集多层次多视角的指标，并构建指标体系，基于指标体系构建偏好信息体系；

步骤S3b、基于所述偏好信息之间的影响关系数据构建直接影响矩阵并标准化，计算偏好信息的综合影响矩阵，并获得偏好信息之间的影响度和被影响度数据；

步骤S3c、基于偏好信息自身的数据构建单位矩阵，并与所述综合影响矩阵相加，获得整体影响矩阵，通过整体影响矩阵计算可达矩阵，并确定各个偏好信息的可达集合；根据可达集合，删除符合预定条件的偏好信息，并通过剩余的偏好信息构建多层次的偏好信息结构。

在本实施例中，通过对风光水电的各个影响因数进行分析，对因素进行系统地分析，对因素的相关关系进行分析，进行因素之间的相互影响程度，计算因素的中心度等要素，从而对因素的体系进行划分。通过筛选符合预定条件的指标，使得剩余的指标更加精简、准确和可靠。

在进一步的实施例中，还包括对偏好信息结构进行整理：

判断当前偏好信息结构是否存在非相邻结构，若存在，查找该非相邻结构的相关因素，构建一个新因素，并重新进行计算，直至当前偏好信息结构不存在非相邻结构。

所述多目标优化模型中的目标函数为：

最大化风光水系统发电量：Maxf ₁ =∑^T _t=1（PPV _t +PW _t +PH _t ）×∆t；

f ₁ 为风光水电系统总发电量，T为调度期时段数；PPV _t 、PW _t 、PH _t 是分别是光伏电站、风力发电站和水电站第t时段出力；∆t为时段小时数；

最大化调度期内最小出力：Maxf ₂ =MinP _t ，1≤t≤T；P _t =PPV _t +PW _t +PH _t ；

水电站出库流量与天然流量偏差最小：；

O'_i,t为第i水库t时段的出库流量；Q_Ni,t为第i库t时段下游断面天然流量；I为水库数目；

风光水电系统总出力最平稳：min{CV(N)}=min{std（N）/N＇}；

CV（N）和std（N）分别为互补系统总出力过程变异系数和标准差；N＇为互补系统总出力过程平均值。

根据本申请的一个方面，所述多目标优化模型中的约束条件为：

水库水量平衡约束：S_i,t=S_i,t-1+（Q_i,t-O_i,t) ∆t；S_i,t、S_i,t-1为第i库第t时段末、初水库蓄水量；Q_i,t为第i库第t时段入库流量；O_i,t为第i库第t时段出库流量；

水库水位约束：Z_i,t ^min≤Z_i,t≤Z_i,t ^max；Z_i,t为第i库第t时段末计算水位；Z_i,t ^min为第i库第t时段末允许下限水位；Z_i,t ^max为第i库第t时段末允许上限水位；

出库流量约束：O_i,t ^min≤O_i,t≤O_i,t ^max；O_i,t=OP_i,t+ON_i,t；O_i,t ^min和O_i,t ^max分别为第i库第t时段下泄流量允许的最小、最大值，OP_i,t第i库第t时段发电流量，ON_i,t第i库第t时段弃水流量；

水库调度期末水位约束：Z_i,T=Z_i,end，i∈[1,I]；Z_i,end为第i库调度期的期末水位；Z_i,T为第i库第T时刻的水位，T为调度期末；

水电站出力约束：PH_t=∑^I _i=1（PH_i,t）；PH_i,t ^min≤PH_i,t≤PH_i,t ^max；

PH_t为水电站第t时段的出力；PH_i,t为第i水电站第t时段的出力；PH_i,t ^min和PH_i,t ^max分别为第i水电站第t时段的允许最小出力和最大出力；

风力发电站出力约束：PW_t=∑^K _k=1（PW_k,t）；PW_k,t ^min≤PW_k,t≤PW_k,t ^max；PW_k,t是第k风力发电站第t时段的出力；PW_k,t ^min是第k风力发电站第t时段的允许最小出力；PW_k,t ^max是第k风力发电站第t时段的装机容量，K为风力发电站的个数；

光伏电站出力约束：PPV_t=∑^D _d=1（PPV_d,t）； PPVd,t^min≤PPVd,t≤PPVd,t^max；

PPVd,t是第d光伏电站第t时段的出力；PPVd,t^min是第d光伏电站第t时段的允许最小出力；PPVd,t^max是第d光伏电站的装机容量；D为光伏电站的个数；

外送断面约束：P_t ^min≤P_t≤P_t ^max；P_t ^min和P_t ^max分别为第t时段断面功率约束值的最小值和最大值；P_t为为第t时段风电站、光伏电站和水电站的出力之和。

根据本申请的另一个方面，一种风光水电系统两阶段随机多属性决策系统，其特征在于，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项实施例所述的风光水电系统两阶段随机多属性决策方法。

总之，针对风光水电群决策过程中决策初期，决策者由于自身知识受限，不敢表达自己的偏好信息，引入随机多指标可接受性分析理论（Stochastic multi-criteriaacceptability analysis，SMAA-2）和AHP模型（VlseKriterijumska Optimizacija IKompromisno Resenje，AHP），提出SMAA-AHP模型来对各个完全未知的指标权重进行反权重空间分析，明晰指标权重空间；在决策后期，随着可获取信息不断增加，决策者对于各个方案和指标权重的认识逐渐清晰，但对于指标权重还存在相应的模糊性，依赖于决策群体的部分清楚部分模糊的主观意见，引入直觉模糊层次分析法（Intuitionistic FuzzyAnalytic Hierarchy Process，IFAHP）允许决策群体表达自己的模糊偏好信息，最终建立IFAHP-SMAA-AHP模型来科学制定风光水电系统长期的调度方案，并丰富和完善不确定性条件下的随机多属性决策方法。在其他实施例中，还可以构建SMAA-VIKOR模型，修改步骤S23的内容即可，具体如下：

根据本申请的一个方面，所述步骤S23进一步为：

步骤S23a、读取标准化决策矩阵，并确定正理想点和负理想点；

步骤S23b、计算各个备选方案的群体效益、个体遗憾度和综合效益并进行排序。

在进一步的实施例中，所述步骤S23进一步为：

使用向量标准化公式对决策矩阵X=(x_mn)_(M×N)进行标准化，得到标准化后的决策矩阵R=(r_mn)_(M×N)，；

确定正理想点R⁺=[r₁ ⁺,r₂ ⁺,...,r_N ⁺]和负理想点R^-=[r₁ ^-,r₂ ^-,...,r_N ^-]：

；

计算各个备选方案的群体效益S_m、个体遗憾度R _m 和综合效益Q _m 。

；

；

0≤v≤1，v是群体效益的权重，1-v是个体遗憾度的权重，v>0.5指的是根据大多数决策者意见制定决策，v<0.5指的是根据拒绝的情况进行制定决策，v=0.5表明群体效益和个体遗憾度一样重要。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (6)

1.风光水电系统两阶段随机多属性决策方法，其特征在于，包括如下步骤：

步骤S1、构建多目标优化模型，并采集预定区域的研究数据作为输入数据，获得Pareto前沿；构建指标权重信息完全未知的指标集合；

步骤S2、构建SMAA-AHP模型，并基于所述Pareto前沿对指标集合进行反权重空间分析，获得至少包括中心权重向量在内的输出结果；

步骤S3、构建IFAHP分析模型，基于中心权重向量和预采集的决策群体偏好信息确定可行权重空间；

步骤S4、基于所述可行权重空间和Pareto前沿，调用所述SMAA-AHP模型进行决策，获得风光水电系统调度方案；

所述步骤S1进一步为：

步骤S11、划定研究区域，并采集研究数据，构建多目标优化模型，多目标优化模型包括目标函数和约束条件；

步骤S12、采用多目标优化算法NSGA-II求解所述多目标优化模型，获得Pareto前沿；

步骤S13、针对多目标优化模型，获取解决方案及属性，构建指标评价矩阵，分别采用服从概率密度函数的随机变量描述指标评价值和指标权重信息，并选择指标权重信息完全未知作为概率密度函数的分布；

所述步骤S2进一步为：

步骤S21、对备选方案的决策矩阵进行标准化得到标准化决策矩阵；

步骤S22、构建SMAA模型并确定可行权重空间的分布，基于其概率密度函数进行拉丁超立方抽样，随机生成可行权重；

步骤S23、构建并调用AHP模型，计算得到各个备选方案的相应排名；

步骤S24、判断是否满足迭代次数；若满足，则下一步；若否，返回到步骤S22；

步骤S25、基于循环过程中得到备选方案的排名计算排序可接受性指标和全局可接受性指标和中心权重向量指标，获得最终的可行权重空间；

所述多目标优化模型中的目标函数为：

最大化风光水系统发电量：Max f ₁ =∑^T _t=1（PPV _t +PW _t +PH _t ）×Δt；

f ₁ 为风光水电系统总发电量，T为调度期时段数；PPV _t 、PW _t 、PH _t 是分别是光伏电站、风力发电站和水电站第t时段出力；Δt为时段小时数；

最大化调度期内最小出力：Max f ₂ =Min P _t ，1≤t≤T；P _t =PPV _t +PW _t +PH _t ；

水电站出库流量与天然流量偏差最小：

；

O'_i,t为第i水库t时段的出库流量；Q_Ni,t为第i库t时段下游断面天然流量；I为水库数目；

风光水电系统总出力最平稳：min{CV(N)}=min{std（N）/N＇}；

CV（N）和std（N）分别为互补系统总出力过程变异系数和标准差；N＇为互补系统总出力过程平均值；

所述多目标优化模型中的约束条件为：

水库水量平衡约束：S_i,t=S_i,t-1+（Q_i,t-O_i,t) Δt；S_i,t、S_i,t-1为第i库第t时段末、初水库蓄水量；Q_i,t为第i库第t时段入库流量；O_i,t为第i库第t时段出库流量；

水库水位约束：Z_i,t ^min≤Z_i,t≤Z_i,t ^max；Z_i,t为第i库第t时段末计算水位；Z_i,t ^min为第i库第t时段末允许下限水位；Z_i,t ^max为第i库第t时段末允许上限水位；

出库流量约束：O_i,t ^min≤O_i,t≤O_i,t ^max；O_i,t=OP_i,t+ON_i,t；O_i,t ^min和O_i,t ^max分别为第i库第t时段下泄流量允许的最小、最大值，OP_i,t第i库第t时段发电流量，ON_i,t第i库第t时段弃水流量；

水库调度期末水位约束：Z_i,T=Z_i,end，i∈[1,I]；Z_i,end为第i库调度期的期末水位；Z_i,T为第i库第T时刻的水位，T为调度期末；

水电站出力约束：PH_t=∑^I _i=1（PH_i,t）；PH_i,t ^min≤PH_i,t≤PH_i,t ^max；

PH_t为水电站第t时段的出力；PH_i,t为第i水电站第t时段的出力；PH_i,t ^min和PH_i,t ^max分别为第i水电站第t时段的允许最小出力和最大出力；

风力发电站出力约束：PW_t=∑^K _k=1（PW_k,t）；PW_k,t ^min≤PW_k,t≤PW_k,t ^max；PW_k,t是第k风力发电站第t时段的出力；PW_k,t ^min是第k风力发电站第t时段的允许最小出力；PW_k,t ^max是第k风力发电站第t时段的装机容量，K为风力发电站的个数；

光伏电站出力约束：PPV_t=∑^D _d=1（PPV_d,t）； PPVd,t^min≤PPVd,t≤PPVd,t^max；

PPVd,t是第d光伏电站第t时段的出力；PPVd,t^min是第d光伏电站第t时段的允许最小出力；PPVd,t^max是第d光伏电站的装机容量；D为光伏电站的个数；

外送断面约束：P_t ^min≤P_t≤P_t ^max；P_t ^min和P_t ^max分别为第t时段断面功率约束值的最小值和最大值；P_t为第t时段风电站、光伏电站和水电站的出力之和。

2.如权利要求1所述的风光水电系统两阶段随机多属性决策方法，其特征在于，所述步骤S22进一步为：

步骤S22a、读取指标评价值的概率密度函数和指标权重的概率密度函数；

步骤S22b、通过线性效用函数对属性的效用值进行加权，得到每个解决方案的综合效用值；

步骤S22c、通过所述综合效用值计算各个解决方案的优劣并排序，选出满足决策要求的均衡解决方案。

3.如权利要求2所述的风光水电系统两阶段随机多属性决策方法，其特征在于，

所述步骤S23进一步为：

步骤S23a、构建递阶层次结构，所述递阶层次结构包括目标层、准则层、指标层和方案层；

步骤S23b、对递阶层次结构中的每层元素进行两两相对重要性比较，针对比较结果，采用比率标度对比较结果进行赋值，构建层次判断矩阵；

步骤S23c、基于层次判断矩阵计算层次单排序权重并对层次判断矩阵进行逻辑一致性检验；其中，层次单排序权重是指同一层次各个因素相对于上一层次某个与它们有箭线联系的因素的权重；引入一致性指标CI和矩阵的平均随机一致性指标RI，计算二者之比称为随机一致性比率CR，若随机一致性比率CR 小于等于 0.01，则认为矩阵一致性较好，否则需要对判断做进一步调整；

步骤S23d、基于层次单排序权重计算方案层各个方案的复合排序权重，并以此进行方案优选。

4.如权利要求3所述的风光水电系统两阶段随机多属性决策方法，其特征在于，所述步骤S3进一步为：

步骤S31、构建IFAHP分析模型，构建直觉模糊判断矩阵，并通过所述直觉模糊判断矩阵构建积型直觉偏好矩阵；

步骤S32、计算所述积型直觉偏好矩阵和直觉模糊判断矩阵的距离测度；

步骤S33、构建融合直觉偏好矩阵；

步骤S34、判断直接模糊判断矩阵是否满足一致性要求，若满足，计算指标权重，通过得分函数将直觉模糊数转为实数，并对得到的指标权重进行标准化处理和加权平均，确定指标的可行权重空间。

5.如权利要求4所述的风光水电系统两阶段随机多属性决策方法，其特征在于，所述步骤S3中，决策群体偏好信息的采集构建过程包括：

步骤S3a、采集多层次多视角的指标，并构建指标体系，基于指标体系构建偏好信息体系；

步骤S3b、基于所述偏好信息之间的影响关系数据构建直接影响矩阵并标准化，计算偏好信息的综合影响矩阵，并获得偏好信息之间的影响度和被影响度数据；

步骤S3c、基于偏好信息自身的数据构建单位矩阵，并与所述综合影响矩阵相加，获得整体影响矩阵，通过整体影响矩阵计算可达矩阵，并确定各个偏好信息的可达集合；根据可达集合，删除符合预定条件的偏好信息，并通过剩余的偏好信息构建多层次的偏好信息结构。

6.一种风光水电系统两阶段随机多属性决策系统，其特征在于，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1~5任一项所述的风光水电系统两阶段随机多属性决策方法。