CN111222755A - 一种智能配电网的效能状态评价方法 - Google Patents

Abstract

本发明属于电网运行效能评价领域，尤其涉及一种智能配电网的效能状态评价方法，本发明从智能电网的效率、效果、效益角度出发，构建出一套评价智能配电网的效能状态的指标体系，首先由专家法从指标体系中主观筛选出三个角度下面的中心指标、非中心指标，在专家法得到的指标中利用改进的模糊聚类方法对中心指标分类修正，然后利用熵权法改进的群灰色关联度法对剩下的非中心指标修正消除冗余指标，运用层次分析法和熵权法的混合权重对最终的确定的评价体系进行评价。本发明所提出的评价体系和方法能够易于现实、全面、准确的反应智能电网效能状态，更全面准确的指导电网规划和改造，实现电力工业的节能减损。

Description

一种智能配电网的效能状态评价方法

技术领域

本发明涉及电网运行效能评价领域，尤其涉及对智能配电网的运行效率、效果和效益进行评价的效能评价方法。

背景技术

智能高效能运行是实现电力工业节能降损的重要保证，并对电网规划与改造起着重要的指导作用。电力体制改革使人们日益关注智能电网运行的效能评价，而智能电网高效能运行是实现电力工业节能降损的重要保证，并对电网规划与改造起着重要的指导作用电，因此应用合理高效的电网效能评价指标体系对能电网效能状态进行科学合理的评价是十分必要的。

现有技术相关文献记载了在主观确定配电网经济运行评价指标体系的情况下，建立基于关联规则和证据理论组合权重的配电网经济运行评价模型，而未对评体系的主观性做过对研究。还有相关文献对配电网的安全性、经济性、优质性以及清洁性角度出发，构造了一套评价电网运行状态的关键指标体系。采用模糊综合评判法与重心法相组合的算法计算各项指标值，分别从主、客观2个角度结合层次分析法和熵权法计算指标权重。其侧重于对效果和效益方面进行研究而未考虑电网的效率。还有文献提出电网安全与效益综合评价方法，构建目标层、类别层、指标层及子指标层4层指标体系，在权重分析及指标计算中，提出综合模糊评价新算子建立了多算子层次分析模糊评价评价模型及相应的求解方法，但是未对构建的4层指标进行筛选去掉冗余。

因此，亟待提出一种新的智能电网的效能评价体系，使之能够更现实、全面、准确的反应智能电网效能状态，更全面准确的指导电网规划和改造，实现电力工业的节能减损。

发明内容

本文提出了智能配电网的效能状态评价方法，利用模糊聚类方法对构建的电网效能评价指标的中心指标进行修正，利用熵权法改进的群灰色关联度分析法对非中心指标去冗余，并利用熵权法和层次分析法的混合权重对指标体系进行评价，从而能够易于现实、全面、准确的反应智能电网效能状态，指导电网规划和改造，实现电力工业的节能减损。

本发明提供一种智能配电网的效能状态评价方法，根据电网评价指标体系的构建原则，结合电网的特点建立了三大类别下的初始层次递进型的电网效能评价指标体系，对中心指标和非中心指标进行优化修正，并利用优化算法的混合比重对指标体系进行评价，所述方法包括如下步骤：

S1建立初始智能配电网效能评价指标体系：

建立效率、效果、效益三大类别下的初始层次递进型的电网效能评价指标体系，分为中心指标和非中心指标；

S2优化初始中心指标：

所述中心指标是专家通过经验可以进行分类判断的指标，其余指标为非中心指标，对初始中心指标进行修正；

S3优化初始非中心指标，消除冗余指标；

S4运用层次分析法和熵权法的计算混合比重对最终确定的评价体系进行评价计算。

进一步，所述步骤S2优化初始中心指标具体为：利用改进的模糊聚类法对初始中心指标进行修正，所述方法包括如下步骤：

P1确定聚类单元全集U、聚类中心和聚类因子：

聚类全集为三大类别下一层指标，聚类中心则为专家经验判断的中心指标，聚类因子为其余非中心指标，其中X_m×n为聚类因子的原始数据矩阵，m表示聚类因子的个数，n表示聚类因子的特征数目；Y_b×n为聚类中心的原始数据矩阵，b表聚类中心的个数，n表示聚类中心的特征数目；

P2聚类中心与聚类因子的数据整理：

对于正向指标：

对于逆向指标：

其中：S_j(k)为将x_jk，标准化处理后的数据，x_max为第j个聚类因子的中特征数目中最大值，为第j个聚类因子的中特征数目中最小值；

P3建立模糊相似度矩阵A：

a_ji为矩阵A中的元素，d_ji表示中心指标j与非中心指标i的类间距离，建立聚类中心与聚类因子之间的模糊聚类矩阵；

c一般为常数，取c＝0.1

模糊相似度矩阵为

P4中心指标的修正：

依据“最小化类间相似性，最大化类内相似性”原则，对所述P3中求得的模糊相识度矩阵各列求和得到该非中心指标对于所有中心指标的总相似度；设立阈值当总相似度小于该值时确立该非中心指标为为其所属的上一级下的中心指标，完成对中心指标的修正。

进一步，所述步骤S3优化初始非中心指标具体为，用熵权法改进的群灰色关联度分析法分析非中心指标进行筛选，所述方法包括如下步骤：

Q1构建参考数据与目标指标群：

对各指标原始数据进行无纲量化得数据矩阵Y_b×n＝[y_j1,…,y_jn]；1≤j≤b，X_m×n＝[x_i1,…,x_in]；1≤i≤m。目标指标的群关联度

可由下式计算得

Q2熵权法计算指标权重，去除冗余非中心指标:

熵权法的改进，设指标数目为m，对非中心指标的原始数据标准化得到则X_m×n＝[x₁,x₂,…,x_n]，n为非中心指标的特征数目。

各指标的信息熵为

式中

如果ρ_ij＝0，则定义

各指标权重的确定，通过计算得到的信息熵计算得到的权重为：

改进后的群灰色关联度为:

设立阈值u,当

认定该非中心指标为冗余指标，完成对非中心指标的优化。

进一步，所述步骤S4中混合权重计算具体为：

R1熵权法计算权重，得到权重

R2层次分析法计算权重：建立判断矩阵，并对权重向量做一致性检验，从而确定指标权重

R3计算混合比重确定指标权重：结合层次分析法的主观性和熵权法客观性的特点，设置相应合适的系数构成相应的线性组合w⁽ⁱ⁾＝αw₁ ⁽ⁱ⁾+βw₂ ⁽ⁱ⁾，以两种算法所占混合权重，确定最终电网效能评价指标体系。

进一步，所述R2层次分析法计算权重具体为：

W1标度法建立判断矩阵；

W2计算权重向量并做一致性检验：利用下两式进行一致性检验，即

其中λ_max为最大特征值，n为判断矩阵的阶数；CI为平均随机一致性指标；RI为随机一致性指标，需要通过查表获得；当CI值越大，则判断矩阵的一致可靠性越差，当CR＜0.1时，判断矩阵一致性符合要求；

W3计算权重：上级指标的下的指标权重

为其对应的最大特征值的特征向量归一化得到的值。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述智能配电网的效能状态评价方法的流程示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

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他实施例，都属于本发明保护的范围。

下面结合图1所示，本发明提供一种智能配电网的效能状态评价方法。

根据电网评价指标体系的构建原则，结合电网的特点建立了三大类别下的初始层次递进型的电网效能评价指标体系,如表1所示。

表1

以某电网为例，根据所提到改进的模糊聚类方法对中心指标的修正。P1确定聚类单元全集U、聚类中心和聚类因子：

聚类全集为三大类别下一层指标，聚类中心则为专家经验判断的中心指标，聚类因子为其余非中心指标，其中X_m×n为聚类因子的原始数据矩阵，m表示聚类因子的个数，n表示聚类因子的特征数目；Y_b×n为聚类中心的原始数据矩阵，b表聚类中心的个数，n表示聚类中心的特征数目；

P2聚类中心与聚类因子的数据整理：

对于正向指标：

对于逆向指标：

其中：S_j(k)为将x_jk，标准化处理后的数据，x_max为第j个聚类因子的中特征数目中最大值，为第j个聚类因子的中特征数目中最小值；

P3建立模糊相似度矩阵A：

a_ji为矩阵A中的元素，d_ji表示中心指标j与非中心指标i的类间距离，建立聚类中心与聚类因子之间的的模糊聚类矩阵；

c一般为常数，取c＝0.1

模糊相似度矩阵为

P4中心指标的修正：

依据“最小化类间相似性，最大化类内相似性”原则，对所述P3中求得的模糊相识度矩阵各列求和得到该非中心指标对于所有中心指标的总相似度；设立阈值当总相似度小于该值时确立该非中心指标为为其所属的上一级下的中心指标，完成对中心指标的修正，得到的非中心指标关于中心指标群模糊相似度，如表2所示。

表2

对一个二级指标下的非中心指标选择对应的阈值，如对于企业管理效率指标下的非中心指标的群相似度选择阈值1.7000，则将投产计划完成率和物资计划变更率增添为该二级指标下的中心指标，同理老旧变压器比例、新增单位变电容量增供电量(MW·h/(kVA))都将增添为对应二级指标下的中心指标。

采用熵权法改进后的群灰色关联度对已修正中心指标的体系进行非中心指标筛选：

Q1构建参考数据与目标指标群：

对各指标原始数据进行无纲量化得数据矩阵Y_b×n＝[y_j1,…,y_jn]；1≤j≤b，X_m×n＝[x_i1,…,x_in]；1≤i≤m。目标指标的群关联度

可由下式计算得

Q2熵权法计算指标权重，去除冗余非中心指标:

熵权法的改进，设指标数目为m，对非中心指标的原始数据标准化得到则X_m×n＝[x₁,x₂,…,x_n]，n为非中心指标的特征数目。

各指标的信息熵为

式中

如果ρ_ij＝0，则定义

各指标权重的确定，通过计算得到的信息熵计算得到的权重为：

改进后的群灰色关联度为:

设立阈值u,当

认定该非中心指标为冗余指标，完成对非中心指标的优化，其灰色关联度为表3。

表3

设立对应每个二级指标相适应的阈值对改进后的群灰色关联度进行筛选，通过对比分析，电缆通道可扩展程度(0-1)、单位投资增供电量(kW·h/元)、投资回收期(年)为冗余指标需要删除。通过筛选后剩余49个三级指标，其中中心指标为29个，非中心指标为20个。

利用层次分析法和熵权法的为基础计算该效能评价体系的混合权重指标：

R1熵权法：具体方法如上文所示，可得到权重

R2层次分析法：

W1采用1-9标度法建立判断矩阵,如表4

表4

W2计算权重向量并做一致性检验:

由于指标的主观因素判断可能结果会受到以下影响：例如三个元素A、B、C可能存在A比B重要，B比C重要，但C又比A重要。使得主观判断出现矛盾，因此进行一致性检验判断判断矩阵中是否有自相矛盾的地方，如通过则该矩阵是可行的。利用下两式进行一致性检验，即

式中λ_max为最大特征值，n为判断矩阵的阶数；CI为平均随机一致性指标(随机一致性指标RI和判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现偏离的程度越大。随机一致性指标的值需要通过查表获得)。当CI值越大，则判断矩阵的一致可靠性越差。当CR＜0.1时，判断矩阵一致性符合要求。如果判断矩阵一致性没有通过检验则重新进行赋值。计算权重:该上级指标的下的指标权重

为其对应的最大特征值的特征向量归一化得到的值。

R3混合权重计算

本文通过层次分析法和熵权法的混合权重为最终的权重w，考虑到层次分析法的主观性和熵权法客观性的特点，设置相应合适的系数构成相应的线性组合，即：

w⁽ⁱ⁾＝αw₁ ⁽ⁱ⁾+βw₂ ⁽ⁱ⁾

一般α取0.3，β取0.7，三大一级指标的权重为平均权重。

计算得到三级指标的混合权重如表5。

表5

计算得到二级指标权重如表6。

表6

一级指标效率、效果、效益从三个角度对智能配电网的效能性描述，本实施例对三个角度的权重取平均值，通过上述方法计算完成了对该地区的效能评价体系的建立和权重的计算，通过对原始数据的标准化后的数据，线性组合各级的权重可得到最后评价分值，如表7。

表7

通过上表中我们知道该地区电网的效果角度的建设较好，而效率和效益相对欠缺，所以在未来的建设中应该更加注重效率和效益方面的建设来提高智能配电网的效能性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (5)

1.一种智能配电网的效能状态评价方法，其特征在于，根据电网评价指标体系的构建原则，结合电网的特点建立了三大类别下的初始层次递进型的电网效能评价指标体系，对中心指标和非中心指标进行优化修正，并利用优化算法的混合比重对指标体系进行评价，所述方法包括如下步骤：

S1建立初始智能配电网效能评价指标体系：

建立效率、效果、效益三大类别下的初始层次递进型的电网效能评价指标体系，分为中心指标和非中心指标；

S2优化初始中心指标：

所述中心指标是专家通过经验可以进行分类判断的指标，其余指标为非中心指标，对初始中心指标进行修正；

S3优化初始非中心指标，消除冗余指标；

S4运用层次分析法和熵权法计算混合权重对最终确定的评价体系进行评价计算。

2.如权利要求1所述的智能配电网的效能状态评价方法，所述步骤S2优化初始中心指标具体为：利用改进的模糊聚类法对初始中心指标进行修正，所述方法包括如下步骤：

P1确定聚类单元全集U、聚类中心和聚类因子：

聚类全集为三大类别下一层指标，聚类中心则为专家经验判断的中心指标，聚类因子为其余非中心指标，其中X_m×n为聚类因子的原始数据矩阵，m表示聚类因子的个数，n表示聚类因子的特征数目；Y_b×n为聚类中心的原始数据矩阵，b表聚类中心的个数，n表示聚类中心的特征数目；

P2聚类中心与聚类因子的数据整理：

对于正向指标：

对于逆向指标：

其中：S_j(k)为将x_jk，标准化处理后的数据，x_max为第j个聚类因子的中特征数目中最大值，为第j个聚类因子的中特征数目中最小值；

P3建立模糊相似度矩阵A：

a_ji为矩阵A中的元素，d_ji表示中心指标j与非中心指标i的类间距离，建立聚类中心与聚类因子之间的的模糊聚类矩阵；

c一般为常数，取c＝0.1

模糊相似度矩阵为

P4中心指标的修正：

依据“最小化类间相似性，最大化类内相似性”原则，对所述P3中求得的模糊相识度矩阵各列求和得到该非中心指标对于所有中心指标的总相似度；设立阈值当总相似度小于该值时确立该非中心指标为为其所属的上一级下的中心指标，完成对中心指标的修正。

3.如权利要求1所述的智能配电网的效能状态评价方法，所述步骤S3优化初始非中心指标具体为，用熵权法改进的群灰色关联度分析法分析非中心指标进行筛选，所述方法包括如下步骤：

Q1构建参考数据与目标指标群：

对各指标原始数据进行无纲量化得数据矩阵Y_b×n＝[y_j1,…,y_jn]；1≤j≤b，X_m×n＝[x_i1,…,x_in]；1≤i≤m。目标指标的群关联度

可由下式计算得

Q2熵权法计算指标权重，去除冗余非中心指标:

熵权法的改进，设指标数目为m，对非中心指标的原始数据标准化得到则X_m×n＝[x₁,x₂,…,x_n]，n为非中心指标的特征数目。

各指标的信息熵为

式中

如果ρ_ij＝0，则定义

各指标权重的确定，通过计算得到的信息熵计算得到的权重为：

改进后的群灰色关联度为:

设立阈值u,当

认定该非中心指标为冗余指标，完成对非中心指标的优化。

4.如权利要求1所述的智能配电网的效能状态评价方法，所述步骤S4中混合权重计算具体为：

R1熵权法计算权重，得到权重

R2层次分析法计算权重：建立判断矩阵，并对权重向量做一致性检验，从而确定指标权重

R3计算混合比重确定指标权重：结合层次分析法的主观性和熵权法客观性的特点，设置相应合适的系数构成相应的线性组合w⁽ⁱ⁾＝αw₁ ⁽ⁱ⁾+βw₂ ⁽ⁱ⁾，以两种算法所占混合权重，确定最终电网效能评价指标体系。

5.如权利要求4所述的智能配电网的效能状态评价方法，所述步骤R2层次分析法计算权重具体为：

W1标度法建立判断矩阵；

W2计算权重向量并做一致性检验：利用下两式进行一致性检验，即

其中λ_max为最大特征值，n为判断矩阵的阶数；CI为平均随机一致性指标；RI为随机一致性指标，需要通过查表获得；当CI值越大，则判断矩阵的一致可靠性越差，当CR＜0.1时，判断矩阵一致性符合要求；

W3计算权重：上级指标的下的指标权重

为其对应的最大特征值的特征向量归一化得到的值。

Images