基于数据仓库的网架恢复群体智能决策支持系统
基于数据仓库的网架恢复群体智能决策支持系统
刘玉田 , 王春义
(山东大学电气工程学院 , 山东省济南市 250061)
摘要 : 电力系统网架恢复问题具有多目标、多约束、连续和整型变量混杂以及不确定性等特点 ,难
以建立精确的数学模型进行求解。综合考虑暂态过电压、工频过电压、自励磁、负荷恢复引起的频
率波动、机组/ 负荷特性及其重要程度、恢复时间、线路可用传输容量、设备故障概率等约束条件和
影响因素 ,建立了基于数据仓库的输电网架恢复群体智能决策支持系统模型 ,提出三段式的输电网
架恢复策略 ,利用多属性效用理论综合考虑各属性评价值并做出最终恢复决策。该系统既可为案
例推理生成可行的案例库 ,又可在实际恢复过程中为决策者提供在线支持。
关键词 : 电力系统恢复 ; 数据仓库 ; 群体智能决策 ; 决策支持系统 ; 多属性效用理论
中图分类号 : TM73
收稿日期 : 2008207221 ; 修回日期 : 2008209204。
国家自然科学基金资助项目(50877044) 。
0 引言
大停电后 ,恢复过程所涉及的电力系统现象的
时间常数差别很大。因此 ,通常根据恢复过程在不
同时段的特点和主要矛盾将其分为黑启动、网架恢
复和负荷恢复 3 个阶段。针对大停电后的系统恢复
问题 ,国内外专家学者进行了大量研究[127 ] ,对大停
电后系统的安全快速恢复起到了积极的推动作用。
但是 ,这些成果以针对恢复策略和黑启动阶段的研
究居多[223 ] ,有关网架恢复的研究相对较少[526 ] 。
以往针对网架恢复问题的研究大多采用图论的
搜索方法生成骨架网络[5 ] 或恢复顺序[6 ] 。在生成网
架恢复顺序的过程中 ,边的权重主要关注投入空载
线路时的充电无功和电源节点的发电量[8 ] ,而缺乏
对暂态过电压、工频过电压、自励磁、负荷恢复引起
的频率波动、机组/ 负荷特性及其重要程度、恢复时
间、线路可用传输容量、设备故障概率等约束条件和
影响因素的综合考虑。事实上 ,这些因素极可能会
影响恢复速度 ,甚至导致恢复方案不可行。为了预
防紧急状态下方案制定过程中可能带来的错误 ,文
献[7 ]提出了基于案例推理 (CBR) 技术的大停电恢
复系统设计思路 ,该系统可以方便、快捷地找到求解
问题的方法或提示。但是 ,由于大停电事故发生概
率很小 ,加上中国电网规模较大且结构发展变化较
快 ,使恢复案例库的建立和维护工作难度急剧增大 ,
成为 CBR 应用的瓶颈。
本文在网架恢复过程中综合考虑系统安全和恢
复时间等因素 ,建立基于数据仓库的输电网架恢复
群体智能决策支持系统模型 ,提出三段式输电网架
恢复策略 ,采用多属性效用理论综合考虑各属性评
价值并做出最终恢复决策。该系统既可为案例推理
生成可行的案例库 ,又可在实际恢复过程中为决策
者提供在线支持。
1 网架恢复群体智能决策支持系统模型
网架恢复是以恢复系统骨架网络供电为目标的
非线性优化问题 ,具有多目标、多约束、连续和整型
变量混杂以及不确定性等特点。
由于电力系统自身的复杂特性和规模的日益增
大 ,在网架恢复过程中除需要考虑系统安全、恢复时
间、当前运行状态和设备操作等众多因素外 ,还需要
调度人员的判断决策 ,因此 ,网架恢复是典型的半结
构化问题 ,难以建立精确的数学模型进行求解。而
决策支持系统能将数值计算和人工智能技术相结
合 ,进行综合决策 ,可以有效地解决半结构化问题。
网架恢复决策支持系统包含以下内容 : ①统一
的综合数据平台 ,负责给各安全校验和分析评估算
法提供一致的模型和基础数据 ; ②智能控制子系统 ,
负责协调动态分区 ,控制恢复进程 ,协调各安全校验
和分析评估模块快速工作 ,满足在线生成方案的需
要 ; ③群体决策支持子系统 ,负责计算各安全校验和
分析评估决策值 ,动态生成恢复目标的最终决策。
1. 1 综合数据平台
在恢复方案的制定过程中 ,需对暂态过电压、工
频过电压、自励磁、负荷恢复引起的频率波动、机组/
负荷特性及其重要程度、恢复时间、线路可用传输容
量、设备故障概率等进行综合考虑。然而 ,由于目前
—54—
第 33 卷 第 1 期
2009 年 1 月 10 日
Vol. 33 No. 1
Jan. 10 , 2009
还没有具有统一的数据平台且能够满足各种安全校
验需要的适用软件 ,所以电力部门在制定网架恢复
方案时 ,大多根据专家经验 ,利用多种仿真软件分别
对各类安全问题进行分析和优化调整 ,由于每种仿
真软件都具有自己的数据库 (数据文件) 和设备模
型 ,使得制定网架恢复方案的工作量大大增加 ,甚至
会由于数据或模型不一致 ,导致恢复方案不可行。
因此 ,必须对各安全校验和分析评估程序进行
需求分析 ,为其建立统一的数据库和模型库平台。
其中 ,数据库主要保存电网的拓扑结构、设备参数和
系统恢复所需的特殊数据 ;模型库主要用于保存暂
态过电压、负荷恢复引起的频率波动和其他校验任
务所需的各种设备模型 (如励磁机、调速器、原动机
等) ,这些模型在不同任务间共享 ,各模块根据需要
分别从模型库、数据库动态读取模型信息和参数信
息 ,两者匹配连接后形成满足计算要求的电网模型。
另外 ,有些安全校验或分析评估程序需要的数
据 ,如各机组并网后的功率爬坡曲线、变电站出线的
冷负荷特性曲线、每个设备的故障概率等 ,无法直接
从能量管理系统 ( EMS) 或其他系统数据库中获取 ,
而这些数据对于保证恢复方案的可行性非常重要 ,
若对其进行估计或假设 ,则可能由于数据偏差 ,导致
方案不可行。近年来 , 数据仓库、联机分析处理
(OLAP) 和数据挖掘技术被引入电力系统[9210 ] ,为上
述数据的获取提供了理论和方法基础。可利用分布
在不 同 部 门 和 系 统 ( 如 EMS、广 域 测 量 系 统
(WAMS) 、管理信息系统 ( MIS) 、地理信息系统
( GIS) 、调度管理系统(DMS) 等) 的历史数据构建数
据仓库 ,采用数据挖掘技术挖掘网架恢复所需的信
息或规则 ,作为系统数据库的必备补充。适用于网
架恢复决策支持系统的数据仓库系统结构见图 1。
图 1 数据仓库系统结构
Fig. 1 Structure of data warehouse system
数据源包括以不同格式存储在各关系数据库
(如 SQL Server ,Oracle 等) 中的历史数据以及外部
文档数据。元数据是关于数据的数据 ,在数据处理
过程中 ,元数据作为数据源到数据仓库的映射 ,负责
描述从哪些数据源、用怎样的转换逻辑、转换成数据
仓库中的哪些数据等内容。在数据仓库和数据集市
中 ,元数据用于描述数据的结构、内容、键、索引等 ,
便于数据分析人员有效地使用数据。
数据仓库中的数据以分层的方式进行组织。当
前在线数据仓库数据可分为 3 部分 : ①当前基本数
据 ,来自于各数据源某个时段的详细运行数据 ; ②轻
度综合和高度综合数据 ,分别由当前基本数据和轻
度综合数据统计或压缩得来 ; ③历史基本数据 ,是存
在时间较长且访问频率很低的数据 ,这些数据来自
定期存储的当前基本数据。
数据集市面向分析和挖掘主题 ,与数据仓库相
比 ,它具有更高的灵活性和效率 ,目前主流的数据库
软件大多支持数据仓库和数据集市的设计和创建。
图 1 的右侧是对数据仓库的利用 ,可以采用各种数
据分析或挖掘工具获取想要的数据和信息 ,常用的
数据分析或挖掘工具主要有 SQL Server , OLAP
Services ,Oracle Darwin ,DB2 OLAP Server 等 ,它
们提供了决策树、聚类、神经网络等多种数据挖掘算
法。另外 ,用户还可以根据需要 ,利用其他数据挖掘
算法编写程序 ,对数据仓库进行操作。通过这些数
据挖掘算法 ,系统可以方便地获取所需信息。
1. 2 智能控制子系统
在制定恢复方案时 ,需要考虑很多规则性的知
识 ,有些规则属于启发式 ,利用它们可以大大缩小方
案寻优时考虑的范围 ,有些是约束性的 ,用于保证系
统恢复过程的安全性和稳定性。另外 ,对于每个恢
复步骤还需要进行大量安全校验和分析评估 ,为约
束检查和恢复决策提供量化依据。因此 ,系统的恢
复过程既需要规则的指导和约束 ,又需要数值计算
程序的校验和量化 ,二者相辅相成 ,缺一不可。
为保证网架恢复方案生成的快速性及恢复过程
的安全性和稳定性 ,根据网架恢复问题的需要 ,本文
采用专家系统技术将网架恢复策略和约束条件表示
成专家规则 ,由智能决策支持系统 ( IDSS) 将专家规
则与数值计算程序相结合[11 ] ,完成对各约束条件和
影响因素的分析计算以及对恢复过程的控制。
另外 ,在大规模电网恢复过程中 ,每个恢复步骤
都需进行各种安全校验和分析评估 ,计算量巨大。
因此 ,采用分布式计算技术将各任务交给不同节点
的计算机处理 ,由分层设计的专家系统协调各模块
运行 ,控制整个系统的恢复进程是解决该问题的方
向。提出的智能控制子系统的控制流程见图 2。
—64—
2009 , 33 (1)
图 2 智能控制子系统结构
Fig. 2 Structure of intelligent control sub2system
1. 3 群体决策支持子系统
一个组织的决策大多由领导做出 ,但对于受较
多因素影响的重大问题的决策 ,个人决策局限很大 ,
需要群体决策来解决 :共同讨论实质性问题 ,设计解
决问题的可能方案 ,评价这些方案的优劣 ,最后做出
决定。支持群体决策的系统称之为群体决策支持系
统( GDSS) 。它将计算机技术、通信技术和决策支
持技术等结合在一起 ,使群体决策问题得以解决。
结合网架恢复方案的制定问题 ,可将各安全校
验和分析评估程序作为决策者 ,所有程序共享综合
数据平台中的数据库和模型库进行群体决策 ,给出
各自的决策值 ,然后利用多属性决策技术[12] 作为最
高决策层 ,综合考虑各决策者给出的决策值 ,给出下
一个恢复目标的最终决策。这样 ,在网架恢复过程
中 ,每一步恢复目标的确定问题将迎刃而解。提出
的网架恢复群体决策支持子系统结构见图 3。
图 3 群体决策支持子系统结构
Fig. 3 Structure of group decision support sub2system
1. 4 系统框架
将综合数据平台、智能控制子系统、群体决策支
持子系统相结合 ,所提出的基于数据仓库的输电网
架恢复群体智能决策支持系统结构如图 4 所示。综
合智能控制子系统和 GDSS 处理器的功能 ,构成群
体智能决策支持系统处理器 ,各决策节点在该处理
器的协调下 ,利用数据库、模型库和知识/ 信息库中
的数据 ,完成各种校验和评估计算 ,然后将结果报告
给综合决策服务器 ,由其进行恢复目标的最终决策 ,
并将恢复步骤保存到恢复案例库 ,以备查阅使用。
图中的 OLAP 用于从多个维度对数据进行查询和
分析 ,例如可将机组爬坡功率曲线在机组已停运时
间、机组出力和机组已启动时间 3 个维度进行分析。
图 4 输电网架恢复群体智能决策支持系统框架结构
Fig. 4 Group intelligent decision support system structure
for power system skeleton restoration
2 网架恢复策略
网架恢复阶段以恢复系统骨架网络供电为目
标。由于该问题的复杂特性 ,网架恢复过程需要在
恢复策略的指导下进行。系统根据电网结构特点、
黑启动电源分布情况和停电区域内各级调度部门的
管辖范围对整个网络进行分区 ,各分区独立并行恢
复。在恢复进程中 ,若某个分区恢复失败 ,则在同级
和上级调度部门的协调配合下[4 ] ,根据相邻分区的
恢复状况和本分区内的机组特性动态选择功率支援
点 ,并与提供功率支援的相邻分区合并 ,作为一个分
区进行恢复。
在各分区内 ,主力发电机组、变电站、输电线路
和负荷的恢复过程交替进行 (由于机组启动后必须
爬坡至最小稳定运行功率 ;系统需恢复部分负荷以
避免过电压现象的发生) 。针对以上特点 ,本文提出
三段式的网架恢复策略 ,每阶段恢复的侧重点不同。
每个阶段中应用决策支持系统动态确定目标恢复顺
序 ,具体如下。
第 1 阶段 ,系统开始网架恢复 ,以所有可启动的
主力机组为候选恢复目标。用最短路径方法搜索恢
复路径。经校验决策节点验证各路径的可行性 ,并
—74—
·研制与开发 · 刘玉田 ,等 基于数据仓库的网架恢复群体智能决策支持系统
对存在越限问题的方案进行优化调整。根据安全校
验和分析评估决策值综合确定最终选择的恢复目标
及其恢复路径。
在为机组输送启动功率的过程中 ,为了避免暂
态过电压或工频过电压 ,若需恢复部分负荷 ,可优先
将恢复路径途经的变电站所带的负荷作为候选恢复
目标 ,根据变电站出线的负荷特性(若仅需恢复其下
级变电站某出线的负荷 ,则需考虑该出线的负荷特
性) 、系统承受能力和负荷重要程度 ,利用决策支持
系统综合确定最终恢复的负荷。
机组启动后 ,为了保证机组稳定运行(爬坡至最
小运行功率) ,需要恢复部分负荷 ,可综合考虑分区
内负荷的重要程度、恢复负荷所需的时间、负荷特
性、机组特性及系统承受能力 ,利用决策支持系统选
择最终恢复的负荷。
另外 ,对于某些特殊负荷以及具有最大临界时
间特性的主力机组 ,可利用专家规则进行特殊处理。
第 2 阶段 ,将重要变电站作为候选恢复目标。
利用最短路径方法搜索恢复路径 ,经校验决策节点
验证各路径的可行性 ,并对存在越限问题的方案进
行优化调整。根据安全校验和分析评估决策值综合
确定最终恢复的变电站及其恢复路径。
为了避免变电站恢复过程中的暂态过电压和工
频过电压 ,对恢复方案进行优化调整时 ,若需恢复部
分负荷 ,可优先将恢复路径包含的变电站所带的负
荷作为候选恢复目标 ,利用决策支持系统综合确定
最终恢复的负荷。
第 3 阶段 ,以区域间并网 (并网时 ,所需考虑的
主要因素为并网点两端的电压差、相角差、频率以及
功率交换能力等) 或支援相邻分区为主要候选恢复
目标 ,逐步恢复整个网架供电。
另外 ,在第 2 或第 3 阶段的恢复过程中 ,如果某
些由于最小临界时间限制或其他原因 ,在第 1 阶段
不能启动的机组已满足启动条件 ,则优先将这些机
组作为候选恢复目标 ;若某些机组已启动但未达到
最小稳定运行功率 ,则根据需要 ,适时利用决策支持
系统选择负荷进行恢复 ,保障机组稳定运行。
3 多属性决策
在网架恢复过程中 ,一般每一恢复步骤都存在
多个候选恢复目标 ,每个候选恢复目标都具有多个
安全校验和分析评估决策值 ,而各个决策值间没有
统一的量度标准 ,因而难以比较 ,此时的决策问题属
于典型的多属性决策问题。可将各决策值作为每个
候选恢复目标的属性评价值 ,利用权重敏感性分析
技术辅助确定各属性评价值的权重[12 ] ,尽量避免权
重设置的主观偏差 ,采用多属性效用理论综合考虑
各属性评价值并最终做出决策[13] 。
多属性效用理论以归一化后的效益型属性评价
值为基础 ,利用效用函数计算候选恢复目标的综合
评价值 ,并以此作为评价候选恢复目标优劣的依据 ,
可表示为 :
U ( i) = ∑
n
j = 1
w j X ij i ∈M (1)
式中 :U ( i) 为第 i 个候选恢复目标的效用函数; w j
为第 j 个效益型属性的评价值权重; X ij 为归一化后
的效益型属性评价值; M 为下一步候选恢复目标的
集合。
各效益型属性评价值可采用如下方法获取 :暂
态过电压评价值用最大允许过电压倍数和实际过电
压倍数之差与最大允许过电压倍数的比值来表示 ;
工频过电压评价值用最大允许工频过电压数值和实
际电压数值之差与最大允许工频过电压数值的比值
来表示 ;自励磁评价值用布尔值表示 ,仅给出候选方
案是否发生自励磁的定性结论 ,发生为 0 ,否则为 1 ;
负荷恢复引起的频率波动评价值利用实际频率和系
统允许的最低频率之差来表示 ;机组/ 负荷特性及其
重要程度可利用专家规则 (用于处理具有临界时间
特性的机组和特殊负荷) 与层次分析法[12] 相结合 ,
确定各自的评价值 ;对于恢复时间 ,采用最短路径搜
索算法生成恢复路径 ,并根据需要所采取的优化调
整措施 ,确定恢复目标所需的操作步骤 ,近似估计恢
复时间 ,取其倒数作为评价值 ;线路可用传输容量评
价值取各线路可用传输容量占线路传输容量限值百
分比的最小值 ;设备故障概率评价值用各方案涉及
设备的故障概率与整数 1 差值的绝对值之积表示。
4 实现和应用
综上所述 ,网架恢复群体智能决策支持系统框
架的实现和应用步骤如下 :
1) 确定各安全校验和分析评估算法的数据及模
型需求 ,按照 1. 1 节要求利用 SQL Server 或其他数
据库管理系统建立综合数据平台。
2) 根据动态分区方法、区域内的三段式恢复策
略和分布式计算协调策略 ,确定 1. 2 节智能控制子
系统所需的专家规则。
3) 结合 1. 3 节群体决策支持子系统的设计思路
及第 3 节的多属性效用理论 ,确定每一恢复步骤的
选优方法。
4) 按照图 2 所示的智能控制子系统设计基于专
家系统技术的群体智能决策支持系统处理器。
5) 根据图 4 所示的系统框架结构图 ,将数据库
—84—
2009 , 33 (1)
平台、各安全校验和分析评估模块及群体智能决策
支持系统处理器分别安装至不同的计算节点 ,由综
合决策服务器通过人机交互界面控制整个恢复方案
的生成 ,利用动态规划的思想 ,获得最终恢复方案。
在应用过程中 ,需重点关注如下 2 个问题 : ①由
于某些数据的不完善 ,将影响后续仿真分析 ,可对数
据挖掘所获得的知识/ 信息进行必要的处理 ; ②由式
(1) 可知 ,权重系数将影响决策结果 ,应当根据系统
实际适当选取。
5 实例仿真
按第 2 节所述策略对山东电网进行分区恢复 ,
以其中某区域电网恢复方案的一个恢复步骤为例 ,
说明方案制定过程中恢复步骤的寻优过程。该区域
电网的网架结构见图 5。根据山东电网黑启动预案
和大停电后系统恢复阶段的划分方法 ,假设网架恢
复开始时 ,石横乙电厂的 5 号机组已由泰山(抽水蓄
能) 电站提供启动功率 ,并成功启动和并网。下面主
要说明该机组并网后下一步恢复目标的确定过程。
图 5 电网结构
Fig. 5 Structure of the power grid
如 1. 1 节所述 ,对下一步的候选恢复目标进行
仿真时 ,必须已知已启动的机组在候选目标恢复时
刻的输出功率。石横乙电厂 5 号机组 (容量为
300 MW) 并网后 ,为了保证机组能够稳定运行 ,其
出力必须以某一速率爬坡至机组最小稳定运行功
率。为获取该数据 ,可利用关联规则挖掘方法对
1. 1 节的数据仓库进行数据挖掘 ,获得该机组的功
率爬坡曲线。
根据第 2 节提出的网架恢复策略 ,结合当前网
架的恢复状况 ,可确定下一步候选恢复目标。石横
乙电厂与泰山电站并网后 ,下一步的候选恢复目标
为该区域待启动的主力机组。按照图 2 所示的控
制过程 ,利用最短路径搜索方法可得到下一步主要
候选恢复目标的恢复方案如下 :方案 1 :泰山站 —邹
县电厂 3 号机组 ;方案 2 :泰山站 —济南站 —黄台电
厂 5 号机组 ;方案 3 :泰山站 —汶口站 —圣城热电厂
1 号机组 ;方案 4 :泰山站 —汶上站 —运河电厂 5 号
机组。
利用第 3 节的方法对上述各候选方案进行仿真
校验和分析评估 ,可得到归一化后的效益型属性评
价值如表 1 所示。经校验 ,各候选恢复方案均未发
生自励磁现象 ,其效益型属性评价值均为 1 ,不会影
响方案排序 ,因此未在表 1 中列出。在权重敏感性
分析方法[12 ] 的辅助下 ,选取各属性评价值权重见表
1 (可在恢复过程的不同阶段 ,配置不同的属性权重 ,
以描述各阶段的属性偏好关系) 。利用式(1) 可得方
案 1～方案 4 的综合评价值分别为 0. 256 ,0. 330 ,
0. 255 ,0. 159。
表 1 效益型属性评价值
Table 1 Evaluation value of benefit2oriented attributes
属性 方案 1 方案 2 方案 3 方案 4 权重
暂态过电压 0. 283 0. 105 0. 585 0. 027 0. 085
工频过电压 0. 286 0. 349 0. 222 0. 143 0. 086
负荷恢复引起的
频率波动 0. 228 0. 282 0. 269 0. 221 0. 086
机组特性及其
重要程度 0. 235 0. 470 0. 144 0. 151 0. 414
恢复时间 0. 285 0. 206 0. 337 0. 172 0. 243
线路可用传输容量 0. 240 0. 268 0. 254 0. 238 0. 043
设备故障概率 0. 250 09 0. 249 95 0. 249 90 0. 250 06 0. 043
由此可见 ,各方案按综合评价值排序为方案 2、
方案 1、方案 3 和方案 4。方案 2 的恢复目标为下一
步的最优恢复目标 ,即石横乙电厂 5 号机组并网后 ,
下一步的最优恢复目标为黄台电厂 5 号机组 ,可采
用方案 2 提供的供电路径恢复目标运行。
若在确定下一个待恢复机组的过程中 ,仅考虑
投入空载线路时的充电无功和机组容量[8 ] ,则方案
3 优于方案 2。其中 ,方案 3 为经 68. 9 km 220 kV
线路启动容量为 220 MW 的圣城热电厂 1 号机组 ,
方案 2 为经 97. 4 km 500 kV 线路启动容量为
100 MW的黄台电厂 5 号机组。但是 ,由于黄台电
厂主要负责为山东省会济南的供电 (黄台电厂 5 号
机组的重要程度大于圣城热电厂 1 号机组 ,如表 1
中方案 2 的机组特性及其重要程度属性值 0. 470 大
于方案 3 的 0. 144) ,黄台电厂机组恢复运行的社会
和政治意义远远大于圣城热电厂。因此 ,本文方法
得出的下一步最优恢复目标更加合理有效。
该恢复目标确定后 ,按照 1. 4 节的要求 ,将该恢
复步骤保存到恢复案例库。然后 ,根据图 2 所示的
控制过程继续下一个恢复目标的确定过程 ,直至完
成整个网架恢复 ,最终由这些恢复步骤组成整个网
架的恢复方案。
—94—
·研制与开发 · 刘玉田 ,等 基于数据仓库的网架恢复群体智能决策支持系统
6 结语
本文提出的系统能够解决各安全校验和分析评
估算法所需数据和模型不一致的问题 ,加快网架恢
复方案的生成速度 ,保障网架恢复过程的安全稳定
性与快速性。仿真结果表明 ,该系统可用于辅助省
级或地区级调度部门制定网架恢复方案和调度员培
训 ,以便应对大停电后的系统恢复。
参 考 文 献
[1] 王昊昊 ,薛禹胜 ,DON G Zhaoyang ,等. 互联电网恢复控制的自
适应优化. 电力系统自动化 ,2007 ,31 (25) :125.
WAN G Haohao , XU E Yusheng , DON G Zhaoyang , et al.
Adaptive optimal restoration control for interconnected grids.
Automation of Electric Power Systems , 2007 , 31(25) : 125.
[2] ADIBI M M , FIN K L H. Overcoming restoration challenges
associated with major power system disturbances2restoration
from cascading failures. IEEE Power and Energy Magazine ,
2006 , 4(5) : 68277.
[3] 王洪涛 ,刘玉田 ,邱夕兆. 基于分层案例推理的黑启动决策支持
系统. 电力系统自动化 ,2004 ,28(11) :49252.
WAN G Hongtao , L IU Yutian , QIU Xizhao. Hierarchical case2
based reasoning decision2making system for power system black
start. Automation of Electric Power Systems , 2004 , 28(11) :
49252.
[4] 王洪涛 ,刘玉田 ,邱夕兆 ,等. 基于多 agent 的电力系统主从递阶
恢复决策. 电力系统自动化 ,2006 ,30 (15) :529.
WAN G Hongtao , L IU Yutian , QIU Xizhao , et al. Multi2agent
based stackelberg decision for power system restoration.
Automation of Electric Power Systems , 2006 , 30(15) : 529.
[5] 刘艳 ,顾雪平. 基于节点重要度评价的骨架网络重构. 中国电机
工程学报 ,2007 ,27 (10) :20227.
L IU Yan , GU Xueping. Node importance assessment based
skeleton2network reconfiguration. Proceedings of the CSEE ,
2007 , 27 (10) : 20227.
[6] 周云海 ,闵勇. 恢复控制中的系统重构优化算法研究. 中国电机
工程学报 ,2003 ,23 (4) :67270.
ZHOU Yunhai , MIN Yong. Optimal algorithm for system
reconstruction. Proceedings of the CSEE , 2003 , 23 (4) : 67270.
[7] 周云海 ,胡翔勇 ,罗斌. 基于案例推理的大停电恢复系统设计. 电
力系统自动化 ,2007 ,31(25) :87290.
ZHOU Yunhai , HU Xiangyong , LUO Bin. Design of a case2
based reasoning system for power system restoration.
Automation of Electric Power Systems , 2007 , 31(25) : 87290.
[8] 刘艳. 电力系统黑启动恢复及其决策支持技术的研究[D]. 北京 :
华北电力大学 ,2007.
[9] 李秋丹 ,迟忠先 ,金妮 ,等. 基于数据仓库的地区电网调度决策支
持系统. 电力系统自动化 ,2004 ,28(12) :86290.
L I Qiudan , CHI Zhongxian , J IN Ni , et al. Regional power
dispatching decision support system based on data warehouse.
Automation of Electric Power Systems , 2004 , 28(12) : 86290.
[10] SHI D Y, L EE Y H , DUAN X Z , et al. Power system data
warehouses. IEEE Computer Applications in Power , 2001 ,
14 (3) : 49255.
[11] 陈曦 ,王执铨. 决策支持系统理论与方法研究综述. 控制与决
策 ,2006 ,21 (9) :9612968.
CHEN X , WAN G Z Q. Overview of theory and method of
decision support systems. Control and Decision , 2006 , 21(9) :
9612968.
[12] 蒋艳. 多属性决策中参数敏感性研究及应用[ D]. 武汉 :华中科
技大学 ,2002.
[13] 徐玖平 ,吴巍. 多属性决策的理论与方法. 北京 :清华大学出版
社 ,2006.
刘玉田 (1964 —) ,男 ,通信作者 ,教授 ,博士生导师 ,主要
研究方向 :电力系统运行与控制。E2mail : liuyt @sdu. edu.
cn
王春义 (1980 —) ,男 ,博士研究生 ,主要研究方向 :电力
系统恢复与控制。E2mail : dmswangchy @mail. sdu. edu. cn
A Group Intelligent Decision Support System for Power System Skeleton Restoration
Based on Data Warehouse
L IU Yutian , W A N G Chunyi
(Shandong University , Jinan 250061 , China)
Abstract : Power system skeleton restoration is of multi objectives , multi variables , multi constraints and uncertainties , difficult
to establish accurate mathematical models. It needs to comprehensively consider various constraints , such as transient
overvoltage , sustained power frequency overvoltage , self2excitation , frequency fluctuation , generating unit and load
characteristics , restoration duration , available transfer capability of transmission line , equipment failure probability , etc. Based
on the data warehouse technology , a group intelligent decision support system model is constructed. It consists of three parts ,
i. e. , data platform , intelligent control sub2system and group decision support sub2system. A three2stage skeleton restoration
strategy is proposed to control the restoration process. According to the evaluation value of each benefit2oriented attribute , the
multi2attribute utility theory is employed to dynamically determine the next restoration target. Simulation results on a real
power system demonstrate that this method can not only generate feasible cases for case2based reasoning , but also provide
online supports in actual process of restoration.
This work is supported by National Natural Science Foundation of China (No. 50877044) .
Key words : power system restoration ; data warehouse ; group intelligent decision ; decision support system ; multi2attribute
utility theory
—05—
2009 , 33 (1)
基于数据仓库的网架恢复群体智能决策支持系统.pdf
