一流城市配电网综合评估方法研究

2020-06-04孙强李向东刘翔吕方吕京杜璞良

广东电力 2020年5期

孙强，李向东，刘翔，吕方，吕京，杜璞良

(1.国网陕西省电力公司西安供电公司，陕西西安 710000;2.东南大学电气工程学院，江苏南京 210096)

随着我国“十三五”规划的进一步开展，城市配电网已经进入高速发展、全面提升的重要阶段，建设世界一流的城市配电网是国家、城市、电网的共同战略需求。电力企业为进一步确保一流城市配电网的高效建设，需对其管辖范围内的配电网进行综合有效评估。传统城市配电网评估体系通过提取相关运行数据对配电网进行简要评估，缺乏对城市配电网发展过程中经济性、低碳性以及智能性的考虑，导致城市配电网评估体系不够健全，无法适应一流城市配电网的综合评估工作，此外，传统评估技术已经难以适应配电网的高速发展；因此，制订相应的一流城市配电网综合评估策略成为当前研究的热点问题之一。

当前对于一流城市配电网的研究已经有了许多成果。文献[1]提出建设一流城市配电网的主要思路，通过提升网架结构、控制技术、精益运维和智能互动服务水平来实现对配电网供电可靠性的提升。文献[2]综合运用专家打分法、模糊层次分析法和鱼骨分析法等建立了一流配电网运行状态健康评估体系模型，实现对配电网规划、建设和运行提供指导。文献[3]考虑一流配电网抵御灾害的能力，提出一种含分布式电源的配电网的抗灾害特性评估方法，为评估配电网抵御灾害能力奠定一定的基础。文献[4]对铜山供电公司开展一流城市配电网建设进行了阐述。文献[5]以上海浦东配电网建设为例，提出世界一流城市配电网的初步构想。文献[6]通过对标一流城市配电网建设，深入挖掘公司一流城市电网建设难题，并对今后一流城市配电网建设进行探索。文献[7]从实施过程、电网性能、环境与社会影响、投资效益4个方面构建配电网年度整体评价与单体项目评价的子体系。上述研究中，大部分都是关于一流城市配电网建设方面的探索，对于一流城市配电网的评估则很少涉及。文献[7]虽涉及配电网评价，但是没有很好地处理定性指标的模糊性和随机性。此外，当前评估研究中，在处理不同形式信息的转换过程中往往在一定程度上造成原始信息丢失，影响决策结果的准确性。特别是对一流城市配电网的评估，由于涉及指标较多，指标种类比较繁琐，如何采用合理并有效的方法实现一流城市配电网的评估是当下研究的重点和难点[8]。

随着学者对评估研究的不断深入，现有的层次分析法、故障树分析法、模糊综合评判法、灰色模糊理论法等评估方法日渐成熟[9-13]，但上述方法不能很好地解决一流城市配电网评估过程中的模糊性和随机性问题，也缺少有效的方法处理定性与定量之间相互转化[14-16]。云模型以概率论和模糊数学理论为基础，重点突出数据分布的特点，可同时完美实现定性与定量之间的相互转换，有效处理评估信息的随机性、模糊性以及关联性。

基于上述分析，本文首先构建一流城市配电网评估指标体系，提出一种基于云模型和可能度的分析方法，并将该方法用于一流城市配电网的评估。该方法采用云模型表达和处理不确定性评估信息，采用可能度方法对配电网进行排序，最后以西安各区域配电网评估为例，验证所提方法的有效性。

1 一流城市配电网综合评估指标体系

1.1 评估指标体系的构建

一流城市配电网综合评估指标体系的构建对合理有效地评估区域配电网的先进水平起着至关重要的作用。通过对已有文献的研究可以看出，国内外学者建立的有关配电网综合评估指标体系多围绕可靠性、设备的安全性以及电网风险等角度[16-20]。对于一流城市配电网的评估，国内鲜有涉及，而电力企业则会考虑实际情况，通过划定具体指标完成评定工作；但是，在一流城市配电网的具体评价过程中，由于评估信息固有的模糊性和环境的不确定性，导致评价体系不健全，难以全面合理地对一流城市配电网进行评估。本文基于当前一流城市配电网评价指标，加入专家语义评估信息，构建一套全面合理的一流城市配电网综合评估指标体系。

一流城市配电网的历史评价体系中，主要涉及配电网的可靠性、经济性以及低碳性。随着2019年国家电网有限公司在“两会”中提出“泛在电力物联网”，使得电网的智能性被重点提出，要实现电网的泛在互联，深度挖掘电网数据背后的价值，电网的智能性将是发展的重点方向。鉴于此，本文从可靠性、经济性、清洁性以及智能性4个角度构建一流城市配电网综合评估指标，具体指标体系见表1。

表1 一流城市配电网综合评估指标体系

1.2 综合评估指标体系分析

1.2.1 可靠性指标

可靠性是一流城市配电网综合评估的基础指标，也是最重要的指标，考虑当前电力公司对于配电网的可靠性一般从负荷、停电、电压以及设备角度进行管控[21-22]，本文选取具有代表性的指标来对电网的可靠性进行评估，如下：

a)供电可靠率——具体指电网实际运行电压在允许电压偏差范围内，累计运行时间与电网实际运行总时长的比值。

b)系统平均停电次数——主要反映每次停电事故中停电用户总数与用户总数的比值，是反映电网停电信息的一个重要指标。

c)10(20)kV线路重载比例——主要反映配电网的线路情况，该指标的高低直接决定配电网线路的可靠系数，较低的重载比例，可以为电网调度留有足够的裕度，确保电网的安全运行。

d)网架坚强程度——由于配电网网架的坚强程度难以用具体数字进行描述，本文根据调度专家对该指标进行的评价来获取最终评价结果。

1.2.2 经济性指标

经济性是配电网发展的依靠，本文从配电网设备、投资以及收益增幅角度来提取配电网经济性指标。

a)高损配电变压器比例——考虑资产投资等因素，电网中依旧会保留许多老旧变压器，由于技术落后，老旧变压器的损耗会远大于当前运行的变压器，给配电网经济运行带来很大的难题。

b)单位资产售电量——表示电网投资与收益之间的关系，指标越高，表明当前电网投资保持较高的收益，是反映电网高效投资的一个重要指标。

c)单位投资增供负荷——可切实反映电网投资效率的高低，单位投资增供负荷越高，说明电力企业能够以最小的投资满足最大的供电需求，是评价电网本体高效的重要指标。

d)全年收益增幅——涉及电网具体盈利，在当前社会环境中属于商业机密，不便对外公布具体数额，但该指标又是评价一流城市配电网不可替代的指标；因此本文通过收集相关专家的语义评价来获取针对该指标的评估信息。

1.2.3 低碳性指标

低碳性是配电网发展的趋势，随着清洁能源不断接入配电网，一流城市配电网对清洁性的要求也在逐步提高。根据地方特色，本文从国家电网相关考核指标中提取配电网低碳性指标。

a)煤改电负荷占比——在北方，由于冬季取暖对环境造成了一定程度的污染，许多城市相继实施了煤改电工程，即在政府的补贴下，冬季统一采用电取暖，从而减少煤炭燃烧对空气造成的污染。煤改电负荷占比已经成为北方一流城市配电网综合评估的重要方面。

b)清洁能源消纳率——光伏、风机等清洁能源不断接入配电网，对配电网造成了一定的冲击。配电网在运行过程中会根据其自身的可靠性对清洁能源进行一定程度的弃风、弃光操作，清洁能源不能保障其满额度消纳，而高的清洁能源消纳率不但可以反映配电网自身运行的坚强性，还能够反映当前配电网的低碳程度；因此本文将清洁能源消纳率作为反映电网低碳性的一个重要指标。

1.2.4 智能性指标

配电网的智能性是指配电网的通信及自动化水平，特别是今年国家电网有限公司在“两会”中提出加强“三型两网”建设，而实现泛在电力物联网则需要配电网具备极高的智能性。本文从配电网的自动化水平和通信水平2个方面来提炼智能性指标。

a)配电自动化覆盖率——具体指区域内符合终端配置要求的中压线路条数与区域内中压线路总条数的比值，反映了区域配电自动化水平。

b)配电变压器信息采集覆盖率——表征调度部门可以观测变压器数据的程度，变压器数据可视化是配电网智能性的基础。

c)智能电网调度系统覆盖率——反映配电网智能调度程度，指标越高，表明该区域配电网具有较高的可操作性，能够应对一些突发的情况。

d)通信光缆覆盖率——智能配电网的实现与其高速通信密切相关，同时泛在电力物联网要求电网要实现万物互联；因此，通信光缆的覆盖程度直接决定着电网今后发展的潜力。

2 一流城市配电网综合评估模型

鉴于评价对象的特殊性，需要能区分各区域一流城市配电网程度的评估模型。本文所用的评估模型主要包括3个部分：第1部分使用云模型对专家语义信息进行转换，获取对应指标的云模型；第2部分采用文献[11]所述方法，将数据指标与语义指标所生成的云模型进行融合，生成综合云模型；第3部分采用可能度方法，评价各区域配电网的一流程度。

2.1 云模型

2.2 语言评价值转化为云模型

在一流城市配电网综合评估过程中，存在许多信息模糊、不确定的情况，这类信息无法进行定量描述，需要用语义来模糊表述；因此，如何将语义类定性概念转换为定量信息是一流城市配电网综合评估需解决的首要问题。云模型通过采用3个数值特征来表征语义属性，实现了定性概念与定量信息之间的相互转换，为一流城市配电网准确评估提供了可能。语义变量与云模型之间的相互转换也逐步被学者们所研究，并提出不同的转换方法。本文通过对相关研究进行分析，采用文献[20]所提方法，将专家语言评价在论域[0,1]上转化为5朵一维正态云。5个不确定性语言评价标度为{很低，低，一般，高，很高}，记作{VL，L，M，H，VH}；采用文献[23]所设定语言区间，并根据文献[18]的计算方法来获取各评价语言所对应的一维正态云的具体参数，见表2。

表2 语义评价变量及其对应的云模型

考虑到一流城市配电网综合评估的准确性，本文基于不同领域专家的评估来获取语义描述性信息，通过将生成的云进行合成，从而获取最终的评价结果。云的合成过程具体如下：

设C1=(Ex1,En1,He1)和C2=(Ex2,En2,He2)为2个云模型，d、e为2个常数，满足d+e=1。根据独立正态分布运算法则，云的合成结果为

C=dC1+eC2=d(Ex1,En1,He1)+

e(Ex2,En2,He2)=

(1)

式(1)即为合成的云模型，若对多个云模型进行合成，方法类似。

2.3 云模型与区间值的转换

在云模型的生成过程中，每个云滴对于定性概念都有着不同的贡献值，而贡献值高的云滴一般会聚集在区间[Ex-3En,Ex+3En]，该区间的云滴可详细表征所描述的信息；因此，云模型的上述特性也叫做正态云的3En准则，如图1所示。根据文献[19]所提方法，结合3En准则，对正态云模型进行区间数转化。考虑到云模型中超熵会对结果产生一定的影响，转化过程中将其考虑在内，具体转换公式如下：

(2)

式中Cleft、Cright分别表示指标i转换为区间数的左端点和右端点。

图1 正态云滴图

2.4 云模型与区间值转换

指标的表述内容不同，将会导致指标表述过程中出现有些指标数值越大越好，而有些指标数值则越小越好；因此本文首先采用式(3)对数值性指标进行标准化处理，使得所有指标数值越大，反映指标越优越：

(3)

由于不同评价指标的构成方式不同，导致各指标区间值差距较大，对最终一流城市配电网的评估造成一定的影响，通过规范化区间值可以很好地解决这个问题。本文借鉴文献[20]所提方法，采用极差变换法对区间值进行规范化。极差变换法通过式(4)的计算，可以将最优指标规范化为1，最差指标规范化为0，其余指标通过采用线性插值的方法得到规范化后的指标可能值，如下：

(4)

式中m为指标的总数。

通过区间值规范化，可以解决个别指标区间过大问题，确保一流城市配电网综合评估的准确性。

2.5 可能度方法区间排序

可能度区间排序方法是从区间数的模糊性入手，定义一种度量来描述一个区间数超出另外一个区间数的具体程度，并以此为判据，对区间数进行排序。该方法能够规避传统方法对区间数进行具体量化而导致信息丢失问题。可能度方法具体如下。

P(a≥b)=

(5)

通过式(5)可以对给定的1组区间数进行可能度计算，构建可能度矩阵P=(Pij)n×n，其中Pij=P(ai≥aj)，分别代表2个区间数。之后，利用式(6)获取每个区间数的具体评价值。

(6)

式中：n表示区间数的总数量；N表示区间数的集合。

3 模型求解

图2为模型求解的具体流程[24]，其中m=14，n为需评估配电网数量。

模型求解步骤如下：

步骤1，获取定性指标评价值和定量指标实际值。

步骤2，将定性语义评价值转化为正态云，并将同一指标的不同语言评价值所生成的正态云模型相加，获取不同指标的综合正态云模型；同时将数据评价值进行标准化。

步骤3，利用3En准则将标准化后的数值指标与综合正态云模型进行区间化，记录第p个配电网关于第q个指标的区间值[Apq,Bpq] ，则区间评价矩阵

(7)

步骤4，将矩阵C中的各元素依据式(3)进行规范化。

步骤5，利用式(2)将区间评价矩阵生成对应的云模型，根据文献[14]所述取He=0.005。

步骤6，将同一配电网在不同指标下的云模型进行合成，获取不同配电网的综合云模型。

步骤7，将步骤6中的综合云模型区间化，利用可能度方法对不同配电网进行排序，获取最终决策结果。

4 实例分析

4.1 西安实例分析

以西安市各区域配电网为例，对各区配电网进行综合评估。为了保障语义评价性指标的准确性，分别从调度、营销、运监部门邀请相关专家对指标进行评估。将语言评价值转化为云模型，并合成3个部门专家的云模型，获取4个指标所对应的综合云模型，结果见表3。

图2 模型求解流程

表3 语义评价转化为综合云模型

为了统一指标表述，利用式(3)和(4)对指标进行标准化处理。由实际情况可知，指标A1、A4、B2、B3、B4、C2、D1、D2、D3、D4越高，表示配电网一流城市程度越高，而指标A2、A3、B1越低，则表示配电网一流城市程度越高；因此需对数据指标进行标准化处理，处理结果见表4。

利用式(2)对语义评价生成的综合云模型进行区间化，数据指标可转换为其数据对应的区间值，例如新城区的A1可写为[99.99,99.99]，因此根据式(5)将区间值规范化，结果见表5。

根据表5区间值对应生成云模型，再利用式(1)合成各指标的云模型，生成各区域综合云模型，结果见表6。

对上述结果进行区间化处理，并采用本文所提可能度方法对各个区域一流城市配电网进行评估，获取最终区间值，根据式(6)获取可能度矩阵，结果见表7。利用式(7)获取最终一流城市配电网综合评估结果，见表8。

表4 数据指标标准化处理结果

因此获取最终一流城市配电网综合评估结果，从高到低依次为：新城区、碑林区、雁塔区、莲湖区、灞桥区、蓝田、临潼区、未央区、长安区、鄠邑区、阎良区。

表5 综合云模型区间化结果

表6 各区域综合云模型

表7 各区域最终区间数

表8 各区域一流城市配电网综合评估结果

4.2 评价结果分析

新城区建设较晚，该区域配电网建设时期投入较大，其配电网一流程度最高；碑林区、雁塔区配电网建设时期较早，其配电网一流程度次之，符合电网目前发展态势。此外，灞桥区处于正在建设阶段，该区域配电网的一流程度还在提升中，但从评估结果可知，其与前几个区域相差较小。排名偏后的几个区域配电网，由于城市建设与当地电力发展水平不协调，各区域均存在一定的拆迁工作，因此配电网的一流城市程度与新城区差距较大。鄠邑区与阎良区老城区由于其村镇较多，电网急需升级改造，因此排名偏后。通过对比实际情况，证明本文所提评估方法具备很高的可行性。

此外，本文采用文献[25]所提方法，对一流城市配电网进行评估分析，结果与本文所提方法一致，但是在多专家语义处理方面，该文献未涉及，缺乏评估的广泛性。文献[25]通过构造评估矩阵进行评价，没有很好地考虑定性指标的随机性和模糊性，因此获取的结果评价值很接近。由表7可知，本文所提方法能够很好地对各区域进行一流城市配电网综合评估，且评估值具备较强的区分度。