一种基于Vague集的黑启动方案优选方法与流程

本发明涉及电力系统领域，特别是电力系统黑启动决策方法。

背景技术：

虽然电力系统的运行控制理论和技术一直在不断发展之中，大面积停电和系统崩溃仍无法完全避免。这样，就仍有必要研究系统恢复和黑启动策略，以便在发生停电甚至系统崩溃事故后尽快恢复向用户供电。

电力系统恢复一般分为3个阶段：黑启动阶段、网络重构阶段和负荷恢复阶段。就黑启动而言，评价其恢复方案优劣的指标总体上可分为定量和定性的。考虑到黑启动决策中某些指标的主观特征和电力系统有关数据的波动性，采用模糊数表示指标值和权重能较好描述黑启动决策信息的不确定性，更加符合实际。

现有基于vague值的黑启动决策方法虽然突破了精确数的限制，考虑了指标之间的关联性和专家主观评价之间的关联性对决策结果的影响。不过，需要依靠专家给出各指标间的主观权重模糊值，也需要确定决策专家之间的关联性，实际实现起来有些难度。另一方面，以vague值相似度为基础进行决策则可充分利用指标间的客观信息，通过比较候选方案和理想方案之间的相似性，快速得到各方案的优劣排序，能够为黑启动在线决策提供支持。

技术实现要素：

为解决上述问题，本发明提供一种基于vague集的黑启动方案优选方法，本发明采用以下的技术方案：

(1)综合考虑两个vague值间的区间边界、核距离以及模糊信息的影响，定义评价黑启动指标vague值间的相似度方法；

(2)根据黑启动的定量评价指标类型，分别定义收益型和成本型指标的vague值数据转化方法；

(3)根据vague值的基本运算方法和黑启动评价指标的vague值数据，构建理想方案的选取准则；

(4)根据vague值间的相似度计算方法和理想方案选取准则，构建基于vague相似度的黑启动决策的整体实现流程。

本发明提供的技术方案的有益效果：

本发明提供的基于vague集的黑启动方案优选方法，考虑了黑启动决策过程的很多不确定性因素，以vague值相似度为基础进行决策，突破了精确数的限制，对决策指标和权重的描述更加符合实际；与现有的黑启动模糊决策方法相比，该方法利用的主观信息少，且充分利用了指标间的客观信息，并通过比较侯选黑启动方案和理想方案的相似性快速得到各方案的优劣排序，从而可为在线黑启动决策提供支持。

附图说明

附图1为基于vague集的黑启动方案优选流程图。

具体实施方式

设黑启动决策的m个备选方案为a1,a2,…,am，n个评价指标为c1,c2,…,cn，基于vague集的黑启动方案优选的具体步骤如下：

步骤1、形成黑启动决策矩阵；

根据电力系统中设备所处状态和参数形成待评估的黑启动方案，选择合适的评价指标，并利用下面两个公式将单值数据转化为vague值数据：

收益型指标

成本型指标

式中：aij和zij分别为方案ai在评价指标cj下的vague值和单值数据；zjmax和zjmin为指标cj的理论最大最小值；上标p表示指标值的p次幂(可取2,3,4,…)。

最终得到vague值决策矩阵r：

式中m和n分别为候选方案和评价指标的数量。

步骤2、选取理想方案；

理想方案系综合现有方案的最优方案，由于决策矩阵r中的vague值表示方案的得分，可以采用vague值间的∨运算求得，则理想方案在指标cj下的vague值ij为：

ij＝[tj,1-fj]＝a1j∨a2j∨…∨amj

＝[t1j,1-f1j]∨[t2j,1-f2j]∨…∨[tmj,1-fmj]

＝[max{t1j,t2j,…,tmj},max{1-f1j,1-f2j,…,1-fmj}]

步骤3、计算每个黑启动备选方案与理想方案的相似度；

采用下式计算每个指标下各个方案相对于理想方案的相似度m(aij,ij)，只有[0,0]和[1,1]之间的相似度为0，否则：

m(a,b)＝e^-k

式中k的表达式为：

式中：s(x)＝tx–fx为vague值x的核，又叫计分函数，描述vague值x中支持证据和反对证据的差，s(x)>0表示支持程度大于反对程度，s(x)<0表示支持程度小于反对程度；πx＝1–tx–fx为vague值x的vague度，又叫踌躇度，描述vague值中未知信息的度量，πx越大，表示包含的未知信息越多。

步骤4、确定vague值权重；

对于有n个指标的黑启动决策问题，给定每个指标的权重分别为ω1,ω2,…,ωn，且每个权重都是一个vague值。

步骤5、求取最优权重；

利用下式所示的线性规划模型求取最优权重w1,w2,…,wn，其为使所有方案最终得分总和最大的精确数权重：

w1+w2+…+wn＝1

式中和分别为指标i的vague值权重ωi的区间左部和右部。

步骤6、方案排序。

按照下式计算得到的方案ai的最终得分w(ai)：

w(ai)＝m(ai1,i1)·w1+m(ai2,i2)·w2+…+m(ain,in)·wn

最终通过对w(ai)进行排序就可得方案的优劣顺序；w(ai)的值越大，说明方案ai越优。