[发明专利]基于属性数学的低压配电台区综合评价方法及装置

说明书

技术领域

本发明涉及智能配电网技术领域，尤其涉及一种基于属性数学的低压配电台区综合评价方法及装置。

背景技术

智能配电网作为智能电网的一部分，直接面向用户，也是保证供电质量、提高电网运行效率、创新用户服务的关键环节。2016年的政府工作报告中，“加强供给侧结构性改革，增强持续增长动力”成为国家电网公司本年改革的主要方向。针对低压配电网的需求侧管理和改革，基于电力用户的需求和体验则成为评价其改革的主要标准之一，且国务院发布的“电改9号文”提出稳步推进售电侧改革，有序向社会资本放开配售电业务。不同的电力公司加入到配售电业务，使得竞争加剧。但是由于没有对智能配电网进行评价的标准评价指标体系，容易造成不同供电公司所建设的智能配电网之间存在不兼容现象。

电力用户的不同需求决定了其对用电体验的评价存在明显的主观差异。如图1所示，现今的电力用户不仅仅是电力的使用者，还可以是发电端的参与者，他们也可以作为发电企业参与到低压配电网的运行中。故而，如今的电力用户不仅关注用电的可靠性、经济型，更加注重用电的优质性和用能服务。这就促使供电公司，不得不考虑电力用户对电能的不同需求，使其经营理念从“管理客户”向“服务客户”转变，并要求电力公司能够对供电服务品质进行评价，及时发现供电服务的薄弱环节，有针对性的对问题进行改进，不断提升电力公司的服务能力。

许多学者在智能配电网评价方面都做了大量工作。例如常用的综合评价方法中，模糊综合评判法和神经网络法具有较多的应用，但是他们存在各自的局限性：在模糊综合评判法的应用中，模糊数学中隶属函数的构造具有随意性(不满足可加性)，取大取小的运算中易损失大批中间值的信息，因此会出现分级不清、结果不合理的问题；并且最大隶属度原则又往往不适用于有序评价集的识别。对于神经网络模型而言，由于需要人为地设计网络参数，在设计过程中需要多次实验尝试才能确定网络层数及各层神经元数目；另外，学习参数也需要反复调试，甚至影响学习参数的因素发生变化时还需要重新训练。

发明内容

针对现有技术中的缺陷，本发明提供一种基于属性数学的低压配电台区综合评价方法及装置，可以较为全面和精确地得出单台区或是多台区的评价结果，无需电力用户拥有专业知识即可以实现，比较人性化。

第一方面，本发明提供了一种基于属性数学的低压配电台区综合评价方法，所述低压配电台区综合评价方法包括：

获取低压配电台区的全部评价指标；

获取所述全部评价指标的主观权重和客观权重；

根据主观权重和客观权重获取每项评价指标的实际权重；

利用所述全部评价指标结合属性数学对所述低压配电台区进行综合评价。

可选地，所述获取所述全部评价指标的主观权重和客观权重的步骤中通过G1专家赋权法获取主观权重；和/或通过熵权法获取客观权重。

可选地，所述G1专家赋值法包括以下步骤：

由多位专家对全部评价指标进行打分；按照每个评价指标的分类进行排序；

计算相邻评价指标之间权重比值的大小；

根据权重之和为1的原则获取每个评价指标的权重；

根据所述多位专家对每项评价指标的打分，计算每项评价指标权重的平均值，以得到该评价指标的主观权重。

可选地，所述熵权法包括以下步骤：

根据所述全部评价指标的数据确定评价矩阵；

对所述评价矩阵进行处理以获取标准化矩阵；

获取每项评价指标的熵以及差异系数；

根据所述熵与差异系数获取每项评价指标的熵权即每项评价指标的客观权重。

可选地，所述根据主观权重和客观权重获取每项评价指标的实际权重的步骤还包括：

利用距离函数获取每项评价指标的主观权重与客观权重的距离以获取主观权重与客观权重的分配系数；

根据主观权重及其分配系数、客观权重及其分配系数获取每项评价指标的实际权重。

可选地，所述利用所述全部评价指标结合属性数学对所述低压配电台区进行综合评价的步骤包括：

根据用户需求确定需求评价指标的语言评价等级以获取有序分割类；

根据所述有序分割类以及每项评价指标的优劣程度确定分类标准矩阵；

根据单项评价指标属性测度区间构成属性测度区间矩阵；

通过加权运算得到每项评价指标的综合属性测度区间；

设置置信度以获取评价指标属于有序分割类中的等级。

第二方面，本发明实施例还提供了一种基于属性数学的低压配电台区综合评价装置，所述低压配电台区综合评价装置包括：