中国储能网讯：刘江,郭云鹏,张波,等/基于云模型和改进证据理论的调峰型虚拟电厂聚合用户优选/2022,46(18):37-45.

01

研究背景

随着“双碳”目标以及构建以新能源为主体的新型电力系统等能源转型战略的深化推进，虚拟电厂、负荷聚合商、需求侧资源等新兴事物不断涌现。然而，独立的需求侧资源因其点多、量小、面广、异质等特点，难以满足电力市场和电力系统调度的准入条件。虚拟电厂凭借其强大的聚合能力，可以将海量需求侧资源聚合形成一个巨大的负荷集成商，代理用户参与电力交易和电力调度。并且，作为需求侧负荷型虚拟电厂，其主要用途之一是参与系统调峰辅助服务，而有些用户本身并不适合调峰或者调峰能力相对较弱。因此，面对众多参差不齐的待聚合负荷用户，如何对其进行调峰性能评估和聚合优选是当前亟须解决的重要现实问题之一。

02

研究内容

虚拟电厂用户优选本质上是一个典型的多属性评价决策问题，其核心思想是计算出各指标在各评价标准等级中的隶属度，并将各指标的隶属度进行多源信息融合，形成综合隶属度以确定综合评价结果。针对云模型和证据理论各自的优缺点及模型适用性，提出了基于云模型和改进证据理论的虚拟电厂聚合用户优选方法。

2.1 优选指标体系

从负荷管理、调峰潜力和历史信用3个维度构建了用户优选指标体系，如图1所示。

2.2 用户优选流程

首先，根据指标等级范围构建基准云，并采用正向云发生器求解各指标值的隶属度。然后，针对传统证据理论中强冲突证据融合可能会产生悖论的问题，参考博弈思想将证据的静动态权重进行博弈组合，根据组合权重识别冲突证据并进行冲突修正和隶属证据信息融合。最后，参考逼近理想解排序解（TOPSIS）思想，比较各用户基本概率分配与正负理想云的贴近度以确定用户的聚合优先级。研究技术路线如图2所示。

图2 用户优选流程

03

算例分析

3.1 改进证据理论有效性验证

设{α,β,γ}代表一个完整的辨识框架，m1，m2，…，m5代表证据，每条证据在不同焦元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对应的静态权重为例，分别采用本文所提的改进方法与其他文献中常见方法进行证据融合，对比结果以验证本文改进方法的有效性和优越性。记m1⊕m2⊕m3、m1⊕m2⊕m3⊕m4与m1⊕m2⊕m3⊕m4⊕m5分别为证据融合方式1、证据融合方式2、证据融合方式3。各方法证据融合结果如表2所示。

由表1可知，证据m3对焦元γ的概率分配最大，其余证据对焦元α的概率分配最大，证据融合结果理应使得对焦元α的概率分配最大，且给予γ一定的概率分配。

而当m1⊕m2⊕m3融合时，传统的证据理论的融合结果对于焦元γ的概率分配最大，这与直观判断相悖，原因在于其没有考虑证据的冲突性，m1⊕m2⊕m3、m1⊕m2⊕m3⊕m4与m1⊕m2⊕m3⊕m4⊕m5的冲突程度分别为2 000、18 519、264 831，表明表2中随着融合证据体数量的增多，证据的冲突性增强。Murphy算术平均证据法、加权证据法和单一权重系数修正法都考虑了证据的冲突性，但随着证据冲突性的增强，其在处理冲突证据时均表现出不足之处。

Murphy算术平均证据法通过将所有证据取算术平均值代替全部原始证据来减弱证据冲突性，该方法认为所有证据的重要性相同，即赋予相同的权重进行计算，而实际上证据间的重要性本身存在一定的差异。

加权证据法考虑到了证据间的重要性差异，对不同的证据赋予了不同的权重，一定程度上弥补了前者的不足，但该方法丢弃了所有原始证据，从而其合理性也受到了质疑。

单一权重系数修正法则通过动态权重系数识别冲突证据，并仅对冲突证据进行修正。该方法不仅考虑到了证据间的重要性差异，而且保留了原始非冲突证据的信息，从而使得融合结果较为理想。然而，单一权重系数修正法尚未考虑指标本身的重要程度，即忽略了对于静态权重的考虑。

对此，本文将静态权重、动态权重进行博弈组合，得到的组合权重能够更科学精准地识别冲突证据，同时保留了原始非冲突信息。由表2可知，本文方法对于强冲突性的证据体m1⊕m2⊕m3⊕m4⊕m5融合结果为mass(γ)=0.000 3，表明对于焦元γ也分配了相应的概率，而前3种方法由于在处理强冲突性上的缺陷，使得焦元γ的概率分配为0，与直观判断不一致。单一权重系数修正法对于焦元γ也分配了一定的概率，表明其在处理强冲突证据方面具有一定的优势，但本文方法的融合结果显示mass(α)=0.999 7，相较于单一权重系数修正法，焦元α得到了更高的概率分配，从而使得修正结果更为理想，由此验证了本文方法的有效性与优越性。

3.2 实例验证

选取某市6家不同类型的用户实地调研数据进行实例验证。各用户的基本概率分配计算结果如表3所示，基准云如图3所示。

计算各用户基本概率分配与正负理想云基本概率分配的平均贴近度如表4所示。

根据平均贴近度差值越大、用户越贴近最理想结果的原则，最终确定用户聚合优选顺序分别为用户B≻用户E≻用户C≻用户A≻用户F≻用户D，其中，≻表示优于的运算符号。

采用云模型和模糊综合评价法的优选顺序为：用户E≻用户B≻用户F≻用户C≻用户D≻用户A，这与案例虚拟电厂运营商的实际聚合情况不符，而本文所提方法与实际情况相符，进一步证明了本文所提方法的有效性和优越性。

04

结论

在虚拟电厂聚合用户评价优选中通过云模型计算待测样本与基准云间的隶属度值，有效地实现了定量数值与定性概念之间的相互转化，同时很好地克服了传统隶属度函数的模糊性和随机性；相较于传统的证据理论、Murphy算术平均证据法、加权证据法和单一权重系数修正法，本文所提改进证据理论方法能够更加有效地解决证据冲突问题。