基于机理和数据混合驱动的综合能源系统可靠性评估方法与流程

1.本发明属于综合能源系统技术领域，具体涉及一种基于机理和数据混合驱动的综合能源系统可靠性评估方法。


背景技术：

2.近年来，我国为促进能源生产，实现消费转型，构建低碳、安全、可靠、高效的现代能源结构，加快了对综合能源系统的开发利用，实现多能源系统之间的互补互济。电力系统与天然气系统的耦合将会越来越紧密，传统单一的系统可靠性评估已经不适用，合理的可靠性评估是确保综合能源系统可靠运行的关键，针对综合能源系统可靠性评估的研究已经起步，主要包括可靠性评估模型、故障状态分析、可靠性评估算法和可靠性评价指标等方面。
3.随着经济社会的发展，人们对能源供给的可靠性要求越来越高，确保电、气、热、冷等综合能源系统的供能可靠性显得尤为重要，开展其可靠性评估研究具有十分重要的意义。现有的综合能源系统中影响运行可靠性的因素极为复杂多样，未能挖掘系统数据的深层特征，评估准确度较低。因此，如何对综合能源系统的可靠性进行评估，以保证综合能源系统的安全和高效运行是本领域技术人员需要解决的问题。
4.基于上述技术问题，需要设计一种新的基于机理和数据混合驱动的综合能源系统可靠性评估方法。


技术实现要素：

5.本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，通过机理和数据混合驱动相结合的方法，采用深度学习算法和数学模型的设计，实现对综合能源系统的可靠性准确评估。
6.为了解决上述技术问题，本发明的技术方案是：
7.本发明提供了一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，它包括：
8.样本数据库构建：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入-输出运行数据构建运行可靠性样本数据库，至少包括系统实时运行数据、气象信息、设备运行状态信息、不同状态下的运行数据和影响系统可靠性的仿真运行数据；
9.设备运行可靠性建模：利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型；考虑可再生能源出力和负荷不确定性建立供需不确定性模型；根据元件状态模型和供需不确定性模型获得元件可靠性参数和各类负荷值；
10.可靠性评估指标：采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值；
11.离线训练：选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型；
12.在线评估：将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中，实时获得系统运行可靠性指标。
13.进一步，所述仿真生成的系统离线输入-输出运行数据的实现过程，包括：
14.通过对综合能源系统各组成部分的工作原理进行分析，建立综合能源系统仿真模型；
15.通过向综合能源系统仿真模型输入指令信号，在时域和频域下对比仿真模型和实际系统对给定信号的响应，判断所建立的仿真模型能否准确模拟实际系统的工作状态；
16.根据综合能源系统可靠性评估的影响因素进行场景设置，包括系统运行在正常状态、故障状态、临界风险状态、环境情况、能量耦合程度、负荷水平和添加扰动信息；
17.通过综合能源系统仿真模型仿真模拟场景设置，获得在不同影响因素下的系统离线输入-输出运行数据。
18.进一步，所述利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型，包括：
19.采用主成分分析法对运行可靠性样本数据库进行降维筛选处理，获得m个与影响元件状态关联度高的数据特征；
20.设置元件状态至少包括正常运行状态、故障状态和临界风险状态；
21.通过获取影响元件状态关联度高的数据特征历史运行数据和仿真运行数据，并进行归一化、标准化预处理后，获得用于dbn模型的训练数据集和测试数据集；
22.构建dbn模型框架，根据输入数据维度和输出元件状态类别数确定网络输入层和输出层的神经元个数，初始化模型学习率、激活函数和优化器；
23.利用训练数据集逐层训练每一层rbm模型，通过训练完的rbm模型参数初始化同层dbn神经元的权重与偏置，将上一层rbm输出作为下一层rbm输入，逐层无监督训练每一层rbm模型；
24.预训练完成后，通过带标签的训练数据集有监督地微调整个dbn模型，优化各神经元的权重和偏置；
25.微调结束后，通过dbn模型实现元件状态的识别。
26.进一步，所述考虑可再生能源出力和负荷不确定性建立供需不确定性模型，包括：
27.建立风力发电不确定性出力模型：
28.在不同时间尺度下，依据运行可靠性样本数据库中的历史数据选择对应的风速分布参数，获得各个时间段的风速，建立风速分布的概率分布模型，表示为：
[0029][0030]
其中，k为风速分布系数；c为尺度系数，表明平均风速；
[0031]
结合风力发电机组的出力特性建立出力模型，表示为：
[0032][0033]
其中，vr为风机的额定风速；pr为风机的额定输出功率；v为当前风速；v
ci
为切入风
速；v
co
为切出风速；
[0034]
建立光伏发电不确定性出力模型，表示为：
[0035][0036]
其中，p
stc
为标准条件下光伏电池板的输出功率；i
stc
为标准太阳辐射度；i
t
为光伏阵列所在地的最大太阳辐照度；η
tl
为太阳能电池板的光电转换效率；
[0037]
建立不确定电负荷模型、热负荷模型和气负荷模型，表示为：
[0038][0039][0040][0041]
其中，pe(t)、pg(t)、ph(t)分别为t时刻实际需求电量、气量和热量；p
be
(t)、p
bg
(t)、p
bh
(t)分别为t时刻电负荷、气负荷和热负荷需求均量；分别为电负荷、气负荷和热负荷均服从正态分布；σe、σg、σh分别为各时段电负荷、气负荷和热负荷需求量数值的均值。
[0042]
进一步，所述采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值，包括：
[0043]
对综合能源系统分别进行电力系统最优潮流、天然气系统最优潮流和热力系统最优潮流计算，并根据获得最优负荷削减量，并根据最优负荷削减量确定负荷调整方法；
[0044]
所述最优负荷削减量表示为：
[0045]
δp
σ
＝δpe δpg δph；
[0046][0047]
其中，δpe、δpg、δph分别为电负荷、气负荷和热负荷的削减量；分别为综合能源系统中电力系统、天然气系统和热力系统的初始负荷数据；p
e,i
、p
g,j
、p
h,k
是电力系统最优潮流、天然气系统最优潮流和热力系统最优潮流计算结果；ne、ng、nh分别为电力系统、天然气系统和热力系统的节点数量；
[0048]
负荷削减频率：flcj为第j种负荷的负荷削减频率；nlcj为第j种负荷在可靠性评估周期内负荷削减的次数；y为可靠性评估的总年数；
[0049]
负荷削减概率：plcj为第j种负荷的负荷削减概率；d
j,n
为第j种
负荷第n次负荷削减的持续时间；
[0050]
能量供应不足期望值：eensj为第j种负荷的能量供应不足期望值；lc
j,n,d
为第j种负荷第n次负荷削减中第d个时间段的负荷削减量。
[0051]
进一步，所述选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型，包括：
[0052]
将可靠性性样本数据库、元件状态和负荷削减量作为可靠性评估模型的输入数据，可靠性指标作为输出数据，对输入数据和输出数据进行预处理后，分为训练样本集和测试样本集；
[0053]
选取sdae堆栈降噪自动编码器模型进行逐层贪婪无监督预训练：将训练样本划分为多组小批量数据集，依次进行训练，获得网络初始化的权值与阈值；
[0054]
参数微调：对初始化网络的权重与阈值参数采用深度学习优化算法进行微调，直到迭代次数达到设定值为止；
[0055]
通过测试样本集测试训练之后的sdae堆栈降噪自动编码器模型，采用mape平均百分比误差、mae平均绝对误差作为衡量sdae评估性能的标准。
[0056]
进一步，所述选取sdae堆栈降噪自动编码器模型进行逐层贪婪无监督预训练：将训练样本划分为多组小批量数据集，依次进行训练，获得网络初始化的权值与阈值，包括：
[0057]
从第n层隐含层开始训练，将训练样本划分为m组小数据集，进行多次迭代训练；
[0058]
基于dae算法求解权重与阈值，进行参数初始化；
[0059]
对每组数据集进行多次迭代后，保存训练好的第n层权重和阈值，计算第n层特征向量并作为第n 1层的训练样本；
[0060]
若n小于隐含层设置的层数，则n＝n 1，返回重新训练；否则，预训练结束。
[0061]
进一步，所述综合能源系统可靠性评估方法还包括建立状态维、程度维、层次维和时间维的评估指标体系，并采用主观赋权和客观赋权相结合的方法对四个维度的评价指标进行权重分配；
[0062]
其中，主观权重由区间二型模糊层次分析法获得，客观权重由熵权法获得；
[0063]
所述区间二型模糊层次分析法是将多个评价指标基于专家评价结果，构造判断矩阵，再进行一致性校验；通过去模糊化方法对判断矩阵中的区间二型模糊集元素进行去模糊化；基于区间二型模糊集的基本运算法则，计算各个评价指标的模糊几何平均值，通过归一化得到各个指标的主观权重；
[0064]
所述熵权法是依据原始数据建立评价矩阵，依据评价矩阵计算各个评价指标的信息熵，再基于信息熵计算获得各个评价指标的客观权重；
[0065]
将各个评价指标的主观权重和客观权重通过加权集成的方式进行计算获得各指标的综合权重数值。
[0066]
本发明的有益效果是：
[0067]
(1)本发明通过样本数据库构建：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入-输出运行数据构建运行可靠性样本数据库；设备运行可靠性建模：利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型；考虑可再生能源
出力和负荷不确定性建立供需不确定性模型；根据元件状态模型和供需不确定性模型获得元件可靠性参数和各类负荷值；可靠性评估指标：采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值；离线训练：选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型；在线评估：将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中，实时获得系统运行可靠性指标；通过机理和数据混合驱动相结合的方法，采用深度学习算法和数学模型的设计，实现对综合能源系统的可靠性准确评估；
[0068]
(2)本发明通过dbn模型将无监督预训练和有监督微调有机结合，实现了元件状态数据深层特征的自动提取和元件状态自动识别，相比于传统的状态识别方法，能够根据数据库中的大量数据，深度挖掘元件状态的数据特征进行元件状态识别模型的训练，提高了元件状态识别的准确率和效率；
[0069]
(3)本发明基于堆栈降噪自动编码器的综合能源系统可靠性评估方法通过构建含多隐含层的人工神经网络，将原始空间的样本特征映射到新的特征空间，逐层训练，进而挖掘出大量具有代表性的有效特征信息；另外，通过对训练样本的离线训练可建立堆栈降噪自动编码器深度学习网络，满足综合能源系统不同状态下的在线评估需求，极大的节省了计算时间开销，有利于大幅提高综合能源系统的决策效率；
[0070]
(4)本发明通过建立状态维、程度维、层次维和时间维的评估指标体系，并采用主观赋权和客观赋权相结合的方法对四个维度的评价指标进行权重分配，实现了综合能源系统可靠性评估的多维有效评价。
[0071]
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0072]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0073]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0074]
图1为本发明一种基于机理和数据混合驱动的综合能源系统可靠性评估方法流程图；
[0075]
图2为本发明建立元件状态模型方法流程图；
[0076]
图3为本发明sdae堆栈降噪自动编码器模型结构示意图；
[0077]
图4为本发明建立可靠性评估模型方法流程图。
具体实施方式
[0078]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明
的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0079]
实施例1
[0080]
图1是本发明所涉及的一种基于机理和数据混合驱动的综合能源系统可靠性评估方法流程图。
[0081]
图2是本发明所涉及的建立元件状态模型方法流程图。
[0082]
图3是本发明所涉及的sdae堆栈降噪自动编码器模型结构示意图。
[0083]
图4是本发明所涉及的建立可靠性评估模型方法流程图。
[0084]
如图1-4所示，本实施例1提供了一种基于机理和数据混合驱动的综合能源系统可靠性评估方法，它包括：
[0085]
样本数据库构建：依据综合能源系统采集的历史运行数据和仿真生成的系统离线输入-输出运行数据构建运行可靠性样本数据库，至少包括系统实时运行数据、气象信息、设备运行状态信息、不同状态下的运行数据和影响系统可靠性的仿真运行数据；
[0086]
设备运行可靠性建模：利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型；考虑可再生能源出力和负荷不确定性建立供需不确定性模型；根据元件状态模型和供需不确定性模型获得元件可靠性参数和各类负荷值；
[0087]
可靠性评估指标：采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值；
[0088]
离线训练：选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型；
[0089]
在线评估：将综合能源系统的实时运行数据输入至训练完成的可靠性评估模型中，实时获得系统运行可靠性指标。
[0090]
需要说明的是，现有的综合能源系统可靠性评估方法主要是将时序蒙特卡洛模拟法与考虑运行的最优负荷削减模型相结合，评估综合能源系统的可靠性，首先使用时序蒙特卡洛模拟法抽取系统各元件的状态持续时间，获得每个时段的系统状态；其次通过最优负荷削减模型计算获得每小时的最优负荷削减量和削减状态；最终累积计算出综合能源系统的可靠性指标。然而，这种方法不能准确刻画内外部多类型时变因素对元件可靠性参数的影响，以及系统不确定性对运行可靠性评估的影响。因此，采用机理和数据混合驱动的综合能源系统可靠性评估方法可以提高综合能源系统的可靠性评估精度；机理模型驱动的运行可靠性评估主要借助具体数学模型对系统运行状态进行评估计算；数据驱动的运行可靠性评估主要借助人工智能技术对系统运行状态进行评估。
[0091]
在本实施例中，所述仿真生成的系统离线输入-输出运行数据的实现过程，包括：
[0092]
通过对综合能源系统各组成部分的工作原理进行分析，建立综合能源系统仿真模型；
[0093]
通过向综合能源系统仿真模型输入指令信号，在时域和频域下对比仿真模型和实际系统对给定信号的响应，判断所建立的仿真模型能否准确模拟实际系统的工作状态；
[0094]
根据综合能源系统可靠性评估的影响因素进行场景设置，包括系统运行在正常状态、故障状态、临界风险状态、环境情况、能量耦合程度、负荷水平和添加扰动信息；
[0095]
通过综合能源系统仿真模型仿真模拟场景设置，获得在不同影响因素下的系统离线输入-输出运行数据。
[0096]
在本实施例中，所述利用数据驱动方法对设备元件运行的时变特性进行建模获得元件状态模型，包括：
[0097]
采用主成分分析法对运行可靠性样本数据库进行降维筛选处理，获得m个与影响元件状态关联度高的数据特征；
[0098]
设置元件状态至少包括正常运行状态、故障状态和临界风险状态；
[0099]
通过获取影响元件状态关联度高的数据特征历史运行数据和仿真运行数据，并进行归一化、标准化预处理后，获得用于dbn模型的训练数据集和测试数据集；
[0100]
构建dbn模型框架，根据输入数据维度和输出元件状态类别数确定网络输入层和输出层的神经元个数，初始化模型学习率、激活函数和优化器；
[0101]
利用训练数据集逐层训练每一层rbm模型，通过训练完的rbm模型参数初始化同层dbn神经元的权重与偏置，将上一层rbm输出作为下一层rbm输入，逐层无监督训练每一层rbm模型；
[0102]
预训练完成后，通过带标签的训练数据集有监督地微调整个dbn模型，优化各神经元的权重和偏置；
[0103]
微调结束后，通过dbn模型实现元件状态的识别。
[0104]
需要说明的是，通过主成分分析法进行数据降维筛选处理，获得与元件状态关联度高的数据特征，减少了数据维度；另外通过dbn模型将无监督预训练和有监督微调有机结合，实现了元件状态数据深层特征的自动提取和元件状态自动识别，相比于传统的状态识别方法，能够根据数据库中的大量数据，深度挖掘元件状态的数据特征进行元件状态识别模型的训练，提高了元件状态识别的准确率和效率。
[0105]
在本实施例中，所述考虑可再生能源出力和负荷不确定性建立供需不确定性模型，包括：
[0106]
建立风力发电不确定性出力模型：
[0107]
在不同时间尺度下，依据运行可靠性样本数据库中的历史数据选择对应的风速分布参数，获得各个时间段的风速，建立风速分布的概率分布模型，表示为：
[0108][0109]
其中，k为风速分布系数；c为尺度系数，表明平均风速；
[0110]
结合风力发电机组的出力特性建立出力模型，表示为：
[0111][0112]
其中，vr为风机的额定风速；pr为风机的额定输出功率；v为当前风速；v
ci
为切入风速；v
co
为切出风速；
[0113]
建立光伏发电不确定性出力模型，表示为：
[0114][0115]
其中，p
stc
为标准条件下光伏电池板的输出功率；i
stc
为标准太阳辐射度；i
t
为光伏阵列所在地的最大太阳辐照度；η
tl
为太阳能电池板的光电转换效率；
[0116]
建立不确定电负荷模型、热负荷模型和气负荷模型，表示为：
[0117][0118][0119][0120]
其中，pe(t)、pg(t)、ph(t)分别为t时刻实际需求电量、气量和热量；p
be
(t)、p
bg
(t)、p
bh
(t)分别为t时刻电负荷、气负荷和热负荷需求均量；分别为电负荷、气负荷和热负荷均服从正态分布；σe、σg、σh分别为各时段电负荷、气负荷和热负荷需求量数值的均值。
[0121]
在本实施例中，所述采用机理模型驱动的可靠性评估方法计算最优负荷削减量和可靠性指标，包括负荷削减频率、负荷削减概率和能量供应不足期望值，包括：
[0122]
对综合能源系统分别进行电力系统最优潮流、天然气系统最优潮流和热力系统最优潮流计算，并根据获得最优负荷削减量，并根据最优负荷削减量确定负荷调整方法；
[0123]
所述最优负荷削减量表示为：
[0124]
δp
σ
＝δpe δpg δph；
[0125][0126]
其中，δpe、δpg、δph分别为电负荷、气负荷和热负荷的削减量；分别为综合能源系统中电力系统、天然气系统和热力系统的初始负荷数据；p
e,i
、p
g,j
、p
h,k
是电力系统最优潮流、天然气系统最优潮流和热力系统最优潮流计算结果；ne、ng、nh分别为电力系统、天然气系统和热力系统的节点数量；
[0127]
负荷削减频率：flcj为第j种负荷的负荷削减频率；nlcj为第j种负荷在可靠性评估周期内负荷削减的次数；y为可靠性评估的总年数；
[0128]
负荷削减概率：plcj为第j种负荷的负荷削减概率；d
j,n
为第j种负荷第n次负荷削减的持续时间；
[0129]
能量供应不足期望值：eensj为第j种负荷的能量供应不足期望值；lc
j,n,d
为第j种负荷第n次负荷削减中第d个时间段的负荷削减量。
[0130]
在本实施例中，所述选取适当的网络模型，将可靠性样本数据库中的数据集作为输入，可靠性指标作为输出，对网络参数进行训练获得可靠性评估模型，包括：
[0131]
将可靠性性样本数据库、元件状态和负荷削减量作为可靠性评估模型的输入数据，可靠性指标作为输出数据，对输入数据和输出数据进行预处理后，分为训练样本集和测试样本集；
[0132]
选取sdae堆栈降噪自动编码器模型进行逐层贪婪无监督预训练：将训练样本划分为多组小批量数据集，依次进行训练，获得网络初始化的权值与阈值；
[0133]
参数微调：对初始化网络的权重与阈值参数采用深度学习优化算法进行微调，直到迭代次数达到设定值为止；
[0134]
通过测试样本集测试训练之后的sdae堆栈降噪自动编码器模型，采用mape平均百分比误差、mae平均绝对误差作为衡量sdae评估性能的标准。
[0135]
需要说明的是，深度学习的核心思想是通过数据驱动的方式，从原始数据出发，通过多层神经网络对数据进行多重非线性变换，并将堆叠的多层神经网络结构的上一层的输出作为下一层的输入，以实现对输入信息的分级表达和学习。深度学习训练过程：首先通过自下而上的逐层无监督预训练得到网络初始化参数，然后通过自上而下的有监督学习对网络参数进行微调。无监督学习与有监督学习的区别在于，无监督学习的样本无需输出数据，是无标签的，而有监督学习的样本有输入数据和输出数据，是有标签的。利用“预训练-参数微调”的两阶段训练方法获取深层神经网络参数，有效地解决了传统神经网络参数随机初始化导致的一系列问题。
[0136]
sdae通过逐层贪婪无监督预训练可以有效提取数据的高阶特征，更好地逼近复杂函数，并缩小参数寻优空间，能够快速得到网络参数，提高神经网络的深层特征学习能力。
[0137]
基于堆栈降噪自动编码器的综合能源系统可靠性评估方法通过构建含多隐含层的人工神经网络，将原始空间的样本特征映射到新的特征空间，逐层训练，进而挖掘出大量具有代表性的有效特征信息，深度学习网络能够有效表征复杂函数，具有极高的预测精度和良好的泛化能力。另外，通过对训练样本的离线训练可建立堆栈降噪自动编码器深度学习网络，可满足综合能源系统不同状态下的在线评估需求，极大的节省了计算时间开销，有利于大幅提高综合能源系统的决策效率。
[0138]
在实际的应用中，不限于sdae堆栈降噪自动编码器模型进行可靠性评估，还可以选取其他模型，例如选取xgboost模型进行训练，首先利用贝叶斯优化方法对xgboost模型中树的数目，正则化系数和学习率进行自动寻优；再利用训练样本训练xgboost预测模型，利用测试样本数据集对可靠性评估预测模型进行有效性评价，采用平均百分比误差、平均绝对误差作为衡量模型评估性能的标准。
[0139]
在本实施例中，所述选取sdae堆栈降噪自动编码器模型进行逐层贪婪无监督预训练：将训练样本划分为多组小批量数据集，依次进行训练，获得网络初始化的权值与阈值，包括：
[0140]
从第n层隐含层开始训练，将训练样本划分为m组小数据集，进行多次迭代训练；
[0141]
基于dae算法求解权重与阈值，进行参数初始化；
[0142]
对每组数据集进行多次迭代后，保存训练好的第n层权重和阈值，计算第n层特征向量并作为第n 1层的训练样本；
[0143]
若n小于隐含层设置的层数，则n＝n 1，返回重新训练；否则，预训练结束。
[0144]
在本实施例中，所述综合能源系统可靠性评估方法还包括建立状态维、程度维、层次维和时间维的评估指标体系，并采用主观赋权和客观赋权相结合的方法对四个维度的评价指标进行权重分配；
[0145]
其中，主观权重由区间二型模糊层次分析法获得，客观权重由熵权法获得；
[0146]
所述区间二型模糊层次分析法是将多个评价指标基于专家评价结果，构造判断矩阵，再进行一致性校验；通过去模糊化方法对判断矩阵中的区间二型模糊集元素进行去模糊化；基于区间二型模糊集的基本运算法则，计算各个评价指标的模糊几何平均值，通过归一化得到各个指标的主观权重；
[0147]
所述熵权法是依据原始数据建立评价矩阵，依据评价矩阵计算各个评价指标的信息熵，再基于信息熵计算获得各个评价指标的客观权重；
[0148]
将各个评价指标的主观权重和客观权重通过加权集成的方式进行计算获得各指标的综合权重数值。
[0149]
需要说明的是，状态维评价指标包括健康状态、临界状态和风险状态概率；程度维评价指标包括供能比例指标、供能不足期望、平均缺供能量、失负荷概率、系统平均停电频率；层次维评价指标包括薄弱节点评估指标、介数权重节点度、设备阀级指标、综合能源自给率和综合能源利用率；时间维评价指标包括系统平均停电持续时间和用户平均停电持续时间。
[0150]
在四个维度的评价指标体系中，评价指标数量众多，类型各异，不同的评价指标在整个综合能源系统评价体系中所占的比重有所不同。使用区间二型模糊集层次分析法求解各指标权重，对n个评价指标，基于专家评价结果，构造判断矩阵，判断矩阵中元素的值表明指标对于指标的相对重要性。
[0151][0152]
基于区间二型模糊集的基本运算法则，计算各个评价指标的模糊几何平均值，通过归一化获得各个评价指标的主观权重，表示为：
[0153][0154][0155]
其中，是指标j的模糊几何平均值；是采用区间二型模糊层次分析法计算获得的第j个指标的区间二型模糊主观权重。
[0156]
基于熵权法的客观权重获取包括：根据m个评价对象，n个评价指标，建立归一化后的原始数据评价矩阵p，表示为：
[0157][0158]
其中，p
ij
是第i个评价对象的第j个指标值；
[0159]
计算各个评价指标的信息熵：
[0160]
计算各个评价指标的客观权重：
[0161]
通过加权集成的方式获得各个评价指标的综合权重：α和β为指标集成权重，α β＝1。
[0162]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0163]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0164]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机
软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0165]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。