中國儲能網訊：劉江,郭云鵬,張波,等/基于云模型和改進證據理論的調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”目標以及構建以新能源為主體的新型電力系統(tǒng)等能源轉型戰(zhàn)略的深化推進，虛擬電廠、負荷聚合商、需求側資源等新興事物不斷涌現。然而，獨立的需求側資源因其點多、量小、面廣、異質等特點，難以滿足電力市場和電力系統(tǒng)調度的準入條件。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度。并且，作為需求側負荷型虛擬電廠，其主要用途之一是參與系統(tǒng)調峰輔助服務，而有些用戶本身并不適合調峰或者調峰能力相對較弱。因此，面對眾多參差不齊的待聚合負荷用戶，如何對其進行調峰性能評估和聚合優(yōu)選是當前亟須解決的重要現實問題之一。
02
研究內容
虛擬電廠用戶優(yōu)選本質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果。針對云模型和證據理論各自的優(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、調峰潛力和歷史信用3個維度構建了用戶優(yōu)選指標體系，如圖1所示。
2.2 用戶優(yōu)選流程
首先，根據指標等級范圍構建基準云，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)證據理論中強沖突證據融合可能會產生悖論的問題，參考博弈思想將證據的靜動態(tài)權重進行博弈組合，根據組合權重識別沖突證據并進行沖突修正和隸屬證據信息融合。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 改進證據理論有效性驗證
設{α,β,γ}代表一個完整的辨識框架，m1，m2，…，m5代表證據，每條證據在不同焦元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的靜態(tài)權重為例，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融合，對比結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分別為證據融合方式1、證據融合方式2、證據融合方式3。各方法證據融合結果如表2所示。
由表1可知，證據m3對焦元γ的概率分配最大，其余證據對焦元α的概率分配最大，證據融合結果理應使得對焦元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)的證據理論的融合結果對于焦元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中隨著融合證據體數量的增多，證據的沖突性增強。Murphy算術平均證據法、加權證據法和單一權重系數修正法都考慮了證據的沖突性，但隨著證據沖突性的增強，其在處理沖突證據時均表現出不足之處。
Murphy算術平均證據法通過將所有證據取算術平均值代替全部原始證據來減弱證據沖突性，該方法認為所有證據的重要性相同，即賦予相同的權重進行計算，而實際上證據間的重要性本身存在一定的差異。
加權證據法考慮到了證據間的重要性差異，對不同的證據賦予了不同的權重，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，從而其合理性也受到了質疑。
單一權重系數修正法則通過動態(tài)權重系數識別沖突證據，并僅對沖突證據進行修正。該方法不僅考慮到了證據間的重要性差異，而且保留了原始非沖突證據的信息，從而使得融合結果較為理想。然而，單一權重系數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)權重的考慮。
對此，本文將靜態(tài)權重、動態(tài)權重進行博弈組合，得到的組合權重能夠更科學精準地識別沖突證據，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體m1⊕m2⊕m3⊕m4⊕m5融合結果為mass(γ)=0.000 3，表明對于焦元γ也分配了相應的概率，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。單一權重系數修正法對于焦元γ也分配了一定的概率，表明其在處理強沖突證據方面具有一定的優(yōu)勢，但本文方法的融合結果顯示mass(α)=0.999 7，相較于單一權重系數修正法，焦元α得到了更高的概率分配，從而使得修正結果更為理想，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研數據進行實例驗證。各用戶的基本概率分配計算結果如表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。
根據平均貼近度差值越大、用戶越貼近最理想結果的原則，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，有效地實現了定量數值與定性概念之間的相互轉化，同時很好地克服了傳統(tǒng)隸屬度函數的模糊性和隨機性；相較于傳統(tǒng)的證據理論、Murphy算術平均證據法、加權證據法和單一權重系數修正法，本文所提改進證據理論方法能夠更加有效地解決證據沖突問題。
