中國儲能網(wǎng)訊：劉江,郭云鵬,張波,等/基于云模型和改進證據(jù)理論的調(diào)峰型虛擬電廠聚合用戶優(yōu)選/2022,46(18):37-45.
01
研究背景
隨著“雙碳”目標以及構(gòu)建以新能源為主體的新型電力系統(tǒng)等能源轉(zhuǎn)型戰(zhàn)略的深化推進，虛擬電廠、負荷聚合商、需求側(cè)資源等新興事物不斷涌現(xiàn)。然而，獨立的需求側(cè)資源因其點多、量小、面廣、異質(zhì)等特點，難以滿足電力市場和電力系統(tǒng)調(diào)度的準入條件。虛擬電廠憑借其強大的聚合能力，可以將海量需求側(cè)資源聚合形成一個巨大的負荷集成商，代理用戶參與電力交易和電力調(diào)度。并且，作為需求側(cè)負荷型虛擬電廠，其主要用途之一是參與系統(tǒng)調(diào)峰輔助服務(wù)，而有些用戶本身并不適合調(diào)峰或者調(diào)峰能力相對較弱。因此，面對眾多參差不齊的待聚合負荷用戶，如何對其進行調(diào)峰性能評估和聚合優(yōu)選是當前亟須解決的重要現(xiàn)實問題之一。
02
研究內(nèi)容
虛擬電廠用戶優(yōu)選本質(zhì)上是一個典型的多屬性評價決策問題，其核心思想是計算出各指標在各評價標準等級中的隸屬度，并將各指標的隸屬度進行多源信息融合，形成綜合隸屬度以確定綜合評價結(jié)果。針對云模型和證據(jù)理論各自的優(yōu)缺點及模型適用性，提出了基于云模型和改進證據(jù)理論的虛擬電廠聚合用戶優(yōu)選方法。
2.1 優(yōu)選指標體系
從負荷管理、調(diào)峰潛力和歷史信用3個維度構(gòu)建了用戶優(yōu)選指標體系，如圖1所示。
2.2 用戶優(yōu)選流程
首先，根據(jù)指標等級范圍構(gòu)建基準云，并采用正向云發(fā)生器求解各指標值的隸屬度。然后，針對傳統(tǒng)證據(jù)理論中強沖突證據(jù)融合可能會產(chǎn)生悖論的問題，參考博弈思想將證據(jù)的靜動態(tài)權(quán)重進行博弈組合，根據(jù)組合權(quán)重識別沖突證據(jù)并進行沖突修正和隸屬證據(jù)信息融合。最后，參考逼近理想解排序解（TOPSIS）思想，比較各用戶基本概率分配與正負理想云的貼近度以確定用戶的聚合優(yōu)先級。研究技術(shù)路線如圖2所示。
圖2 用戶優(yōu)選流程
03
算例分析
3.1 改進證據(jù)理論有效性驗證
設(shè){α,β,γ}代表一個完整的辨識框架，m1，m2，…，m5代表證據(jù)，每條證據(jù)在不同焦元α、β、γ上的概率分配如表1所示。以表1中的基本概率分配及對應(yīng)的靜態(tài)權(quán)重為例，分別采用本文所提的改進方法與其他文獻中常見方法進行證據(jù)融合，對比結(jié)果以驗證本文改進方法的有效性和優(yōu)越性。記m1⊕m2⊕m3、m1⊕m2⊕m3⊕m4與m1⊕m2⊕m3⊕m4⊕m5分別為證據(jù)融合方式1、證據(jù)融合方式2、證據(jù)融合方式3。各方法證據(jù)融合結(jié)果如表2所示。
由表1可知，證據(jù)m3對焦元γ的概率分配最大，其余證據(jù)對焦元α的概率分配最大，證據(jù)融合結(jié)果理應(yīng)使得對焦元α的概率分配最大，且給予γ一定的概率分配。
而當m1⊕m2⊕m3融合時，傳統(tǒng)的證據(jù)理論的融合結(jié)果對于焦元γ的概率分配最大，這與直觀判斷相悖，原因在于其沒有考慮證據(jù)的沖突性，m1⊕m2⊕m3、m1⊕m2⊕m3⊕m4與m1⊕m2⊕m3⊕m4⊕m5的沖突程度分別為2 000、18 519、264 831，表明表2中隨著融合證據(jù)體數(shù)量的增多，證據(jù)的沖突性增強。Murphy算術(shù)平均證據(jù)法、加權(quán)證據(jù)法和單一權(quán)重系數(shù)修正法都考慮了證據(jù)的沖突性，但隨著證據(jù)沖突性的增強，其在處理沖突證據(jù)時均表現(xiàn)出不足之處。
Murphy算術(shù)平均證據(jù)法通過將所有證據(jù)取算術(shù)平均值代替全部原始證據(jù)來減弱證據(jù)沖突性，該方法認為所有證據(jù)的重要性相同，即賦予相同的權(quán)重進行計算，而實際上證據(jù)間的重要性本身存在一定的差異。
加權(quán)證據(jù)法考慮到了證據(jù)間的重要性差異，對不同的證據(jù)賦予了不同的權(quán)重，一定程度上彌補了前者的不足，但該方法丟棄了所有原始證據(jù)，從而其合理性也受到了質(zhì)疑。
單一權(quán)重系數(shù)修正法則通過動態(tài)權(quán)重系數(shù)識別沖突證據(jù)，并僅對沖突證據(jù)進行修正。該方法不僅考慮到了證據(jù)間的重要性差異，而且保留了原始非沖突證據(jù)的信息，從而使得融合結(jié)果較為理想。然而，單一權(quán)重系數(shù)修正法尚未考慮指標本身的重要程度，即忽略了對于靜態(tài)權(quán)重的考慮。
對此，本文將靜態(tài)權(quán)重、動態(tài)權(quán)重進行博弈組合，得到的組合權(quán)重能夠更科學(xué)精準地識別沖突證據(jù)，同時保留了原始非沖突信息。由表2可知，本文方法對于強沖突性的證據(jù)體m1⊕m2⊕m3⊕m4⊕m5融合結(jié)果為mass(γ)=0.000 3，表明對于焦元γ也分配了相應(yīng)的概率，而前3種方法由于在處理強沖突性上的缺陷，使得焦元γ的概率分配為0，與直觀判斷不一致。單一權(quán)重系數(shù)修正法對于焦元γ也分配了一定的概率，表明其在處理強沖突證據(jù)方面具有一定的優(yōu)勢，但本文方法的融合結(jié)果顯示mass(α)=0.999 7，相較于單一權(quán)重系數(shù)修正法，焦元α得到了更高的概率分配，從而使得修正結(jié)果更為理想，由此驗證了本文方法的有效性與優(yōu)越性。
3.2 實例驗證
選取某市6家不同類型的用戶實地調(diào)研數(shù)據(jù)進行實例驗證。各用戶的基本概率分配計算結(jié)果如表3所示，基準云如圖3所示。
計算各用戶基本概率分配與正負理想云基本概率分配的平均貼近度如表4所示。
根據(jù)平均貼近度差值越大、用戶越貼近最理想結(jié)果的原則，最終確定用戶聚合優(yōu)選順序分別為用戶B?用戶E?用戶C?用戶A?用戶F?用戶D，其中，?表示優(yōu)于的運算符號。
采用云模型和模糊綜合評價法的優(yōu)選順序為：用戶E?用戶B?用戶F?用戶C?用戶D?用戶A，這與案例虛擬電廠運營商的實際聚合情況不符，而本文所提方法與實際情況相符，進一步證明了本文所提方法的有效性和優(yōu)越性。
04
結(jié)論
在虛擬電廠聚合用戶評價優(yōu)選中通過云模型計算待測樣本與基準云間的隸屬度值，有效地實現(xiàn)了定量數(shù)值與定性概念之間的相互轉(zhuǎn)化，同時很好地克服了傳統(tǒng)隸屬度函數(shù)的模糊性和隨機性；相較于傳統(tǒng)的證據(jù)理論、Murphy算術(shù)平均證據(jù)法、加權(quán)證據(jù)法和單一權(quán)重系數(shù)修正法，本文所提改進證據(jù)理論方法能夠更加有效地解決證據(jù)沖突問題。
