基于云模型的配電網(wǎng)搶修質(zhì)量和效率評價方法

吳郅君，王曉峰，陳中，孟軍，施萱軒

(1.東南大學(xué) 電氣工程學(xué)院，江蘇 南京210096；2. 國網(wǎng)南京供電公司，江蘇 南京 210019)

近年來，配電網(wǎng)結(jié)構(gòu)日趨復(fù)雜，網(wǎng)絡(luò)規(guī)模迅速擴(kuò)大，使得配電網(wǎng)故障發(fā)生的概率大大提高。為保證電力用戶正常的生產(chǎn)、生活用電，滿足用戶對供電質(zhì)量和電力服務(wù)的高要求，高效率、高質(zhì)量地完成配電網(wǎng)故障搶修工作尤為重要。搶修隊作為配電網(wǎng)故障搶修的主要力量，是實現(xiàn)故障高效恢復(fù)的關(guān)鍵，客觀全面地評價搶修隊的故障搶修能力，可以為管理搶修隊、調(diào)整搶修調(diào)配方案提供參考依據(jù)，對提高配電網(wǎng)故障搶修水平具有重要意義。

目前，針對配電網(wǎng)故障搶修開展的研究主要集中于故障定位[1-3]、故障恢復(fù)[4-5]、搶修駐點(diǎn)優(yōu)化[6-7]、搶修路徑優(yōu)化[8-9]等方面，且在研究過程中大多將每個搶修隊的搶修水平設(shè)置為同等理想狀態(tài)，造成結(jié)果與實際情況有所不符。文獻(xiàn)[10]建立了一種基于二維空間地理位置坐標(biāo)的配電網(wǎng)故障搶修駐點(diǎn)選址與搶修任務(wù)分配模型，但是在進(jìn)行任務(wù)分配研究時，并未考慮到搶修隊自身的搶修水平差異，使得結(jié)果缺乏實際效果。文獻(xiàn)[11]建立了配電網(wǎng)突發(fā)多處故障情況下的多目標(biāo)優(yōu)化模型，將開關(guān)操作變量作為虛擬故障點(diǎn)處理，建立了一種多隊協(xié)同的搶修優(yōu)化模型；但該文獻(xiàn)將搶修隊人力和資源設(shè)置為理想狀態(tài)，與實際搶修過程中各搶修隊的實際情況可能不符。目前對于配電網(wǎng)故障搶修水平方面的研究極少，文獻(xiàn)[12]構(gòu)造了配電網(wǎng)故障搶修質(zhì)量與效率評價體系，采用層次分析法和熵權(quán)法進(jìn)行評價；該文獻(xiàn)雖然實現(xiàn)了對配電網(wǎng)故障搶修質(zhì)量與效率的評價，但是沒有考慮到評價系統(tǒng)的隨機(jī)性和模糊性，且在評價過程中沒有考慮到專家的差異，使得結(jié)果缺乏一定的客觀性。

本文針對配電網(wǎng)實際搶修調(diào)配中需要考慮的搶修隊水平差異，建立搶修隊故障搶修質(zhì)量和效率評價體系，采用被廣泛應(yīng)用于決策分析與數(shù)據(jù)挖掘領(lǐng)域的云模型[13-14]，充分利用其能將隨機(jī)性和模糊性有機(jī)結(jié)合起來的特性，提出一種基于云模型與專家置信度的綜合評價方法。該方法考慮了專家自身的認(rèn)知差異，以及在評價過程中所受到的內(nèi)外在因素影響，對指標(biāo)評分和權(quán)重進(jìn)行修正，從而得到更加真實可靠的評價結(jié)果；以南京市某區(qū)域搶修隊為例，將得到的最終評價結(jié)果生成云圖，通過與云標(biāo)尺對比，形象直觀地反映出搶修隊搶修質(zhì)量和效率的評價情況；最后與常用的評價方法進(jìn)行比較，驗證所提方法的可行性與優(yōu)越性，為搶修隊的管理以及配電網(wǎng)故障搶修實際調(diào)配提供參考。

1 搶修隊故障搶修質(zhì)量和效率評價體系

為了客觀全面地反映搶修隊對配電網(wǎng)故障實施搶修的質(zhì)量和效率，并考慮數(shù)據(jù)收集的難易程度，在遵循指標(biāo)選取科學(xué)性、完備性、簡明性、客觀性以及系統(tǒng)性原則[15]的基礎(chǔ)上，從故障搶修實施的搶修質(zhì)量層面和搶修效率層面出發(fā)，分別選取用戶滿意度、重復(fù)報修工單比例、用戶等候時長、搶修工作準(zhǔn)備情況、故障處理時長作為搶修隊故障搶修質(zhì)量和效率的評估指標(biāo)，指標(biāo)體系如圖1所示。

設(shè)用戶等候時長、用戶滿意度、搶修工作準(zhǔn)備情況、重復(fù)報修工單比例、故障處理時長的評價得分分別為x1、x2、x3、x4、x5，具體評分方法如下：

a)用戶等候時長。采集處理時間與實際到達(dá)現(xiàn)場時間，二者相減得到用戶等候時長原始數(shù)據(jù)；再根據(jù)實際情況和專家經(jīng)驗設(shè)置“非常及時、及時、較及時、一般、誤時”5個評價等級，分別賦分“5分、4分、3分、2分、1分”。

圖1 搶修隊故障搶修質(zhì)量和效率評價體系Fig.1 Quality and efficiency evaluation system of emergency repair team

b)用戶滿意度。根據(jù)用戶滿意度的實際情況和專家經(jīng)驗設(shè)置“非常滿意、滿意、較滿意、一般、不滿意”5個評價等級，分別賦分“5分、4分、3分、2分、1分”。

c)搶修工作準(zhǔn)備情況。根據(jù)搶修工作準(zhǔn)備實際情況和專家經(jīng)驗設(shè)置“非常充分、充分、較充分、一般、不充分”5個評價等級，分別賦分“5分、4分、3分、2分、1分”。

d)重復(fù)報修工單比例。采集1個月內(nèi)相同地點(diǎn)相同故障重復(fù)報修超過3次的工單數(shù)量，除以1個月內(nèi)工單總量，得到重復(fù)報修工單比例原始數(shù)據(jù)；再根據(jù)實際情況和專家經(jīng)驗設(shè)置“不高、一般、較高、高、非常高”5個評價等級，分別賦分“5分、4分、3分、2分、1分”。

e)故障處理時長。采集實際到達(dá)現(xiàn)場時間與搶修實際完成時間，二者相減得到故障處理時長原始數(shù)據(jù)；考慮到相關(guān)設(shè)備的使用年限和類型的實際情況，設(shè)置修正系數(shù)σ，σ的值由專家確定，用修正系數(shù)乘以故障處理時長原始數(shù)據(jù)，得到故障處理時長最終的原始數(shù)據(jù)；再根據(jù)實際情況和專家經(jīng)驗設(shè)置“不長、一般、較長、長、非常長”5個評價等級，分別賦分“5分、4分、3分、2分、1分”。

2 搶修隊故障搶修質(zhì)量和效率評價方法

本文從解決信息隨機(jī)性和模糊性出發(fā)，綜合考慮專家的權(quán)威性與個體差異，提出一種基于云模型與專家置信度的評價方法。設(shè)專家組一共有m位專家。

2.1 云模型

2.1.1 云模型定義

云模型是由李德毅院士提出的一種定性、定量相互轉(zhuǎn)換的模型，在傳統(tǒng)概率論和模糊數(shù)學(xué)的基礎(chǔ)上，通過數(shù)字特征將隨機(jī)性和模糊性有機(jī)結(jié)合起來，實現(xiàn)定性概念和定量數(shù)值之間的自然轉(zhuǎn)換[16-17]。

設(shè)U為1個定量論域，C為論域U上的定性概念，任意元素x∈U是定性概念C上的1次隨機(jī)實現(xiàn)；x對C所表示的定性概念的隸屬度μc(x)∈[0,1]是具有穩(wěn)定傾向的隨機(jī)數(shù)，隸屬度在論域U上的分布稱為隸屬云，簡稱為云；每一個元素x代表1個云滴，即

μc(x):U→[0,1],?x∈U,x→μc(x) .

(1)

2.1.2 云模型數(shù)字特征

云模型的數(shù)字特征可以用期望值Ex、熵En、超熵He來表征，即(Ex,En,He)。圖2所示為云模型數(shù)字特征示意圖。其中，Ex是論域空間的中心值，最能代表定性概念；En反映了定性概念的不確定性和隨機(jī)性，熵越大，表示這個定性概念越模糊；He是熵的熵，反映云滴的離散程度，超熵越大，云越厚，云滴的離散程度越大。

2.1.3 云發(fā)生器

云發(fā)生器按照功能可分為正向云發(fā)生器和逆向云發(fā)生器。

a)正向云發(fā)生器。正向云發(fā)生器(如圖3所示)是在已知云數(shù)字特征的條件下生成云滴，可以將定性概念轉(zhuǎn)化為定量數(shù)值。圖3中CG表示正向云發(fā)生器，Drop(x,y)表示云滴。

圖3 正向云發(fā)生器Fig.3 Forward cloud generator

b)逆向云發(fā)生器。逆向云發(fā)生器(如圖4所示)是將已知的云滴作為樣本，求出云數(shù)字特征，可以將定量數(shù)值轉(zhuǎn)化為定性概念。圖4中，CG-1表示逆向云發(fā)生器。

圖4 逆向云發(fā)生器Fig.4 Backward cloud generator

c)云數(shù)字特征計算。利用逆向云發(fā)生器計算數(shù)字特征的算法[18]為：輸入為n個云滴xi(1≤i≤n)，輸出為云滴對應(yīng)的3個特征數(shù)值(Ex,En,He)，具體運(yùn)算步驟如下。

步驟1，根據(jù)云滴xi計算樣本均值

(2)

步驟2，計算樣本方差

(3)

步驟3，計算云滴的期望值Ex、熵En和超熵He如下：

(4)

(5)

(6)

2.2 基于權(quán)威性和協(xié)調(diào)性的專家置信度確定方法

由于專家在進(jìn)行指標(biāo)評價時的可靠度不同，為了使得最終的評價結(jié)果更加真實可靠，在對評價結(jié)果進(jìn)行處理時，需要考慮專家評價的置信度。本文從專家權(quán)威性和評價協(xié)調(diào)性出發(fā)，提出基于權(quán)威性和協(xié)調(diào)性的專家置信度確定方法。

2.2.1 專家權(quán)威性

為保證評價結(jié)果的可靠性，往往需要考慮專家對評價對象的權(quán)威程度。本文從專家的專業(yè)水平、對評價對象的熟悉程度[19]這2個方面出發(fā)分析專家權(quán)威性。

2.2.1.1 專業(yè)水平系數(shù)

一般情況下，對同一個評價對象，一個專家的專業(yè)水平越高，做出的判斷就越有參考價值。本文從工作領(lǐng)域、實踐經(jīng)驗、搶修參與度等方面對專家的專業(yè)水平進(jìn)行評價，并以百分制的形式給出定量描述，具體描述見表1。

表1 專家專業(yè)水平評價標(biāo)準(zhǔn)Tab.1 Evaluation criteria for expert professional level

設(shè)m位專家中第j位專家的工作領(lǐng)域評分為aj，實踐經(jīng)驗評分為bj，搶修參與度評分為cj，則專家j的專業(yè)水平評價值

Zj=ajbjcj，j=1,2,…,m.

(7)

專家j的專業(yè)水平系數(shù)

λj=Zj/maxZj,j=1,2,…,m.

(8)

2.2.1.2 熟悉程度系數(shù)

對評價對象的熟悉程度關(guān)系到專家做出判斷的正確性與可靠性，本文從對評價指標(biāo)的熟悉度、評價自信度等方面請專家進(jìn)行自我判斷，并以百分制的形式給出定量描述，具體描述見表2。

表2 專家熟悉程度判斷標(biāo)準(zhǔn)Tab.2 Judgment criteria for expert familiarity

設(shè)第j位專家對指標(biāo)熟悉度的自我評分為uj，對評價自信度的自我評分為vj，則專家j的熟悉程度評價值

Fj=ujvj，j=1,2,…,m.

(9)

專家j的熟悉程度系數(shù)

γj=Fj/maxFj,j=1,2,…,m.

(10)

2.2.1.3 專家權(quán)威性系數(shù)

基于專業(yè)水平和熟悉程度，計算專家權(quán)威性系數(shù)qj，計算公式如式(11)所示：

qj=(λj+γj)/2,j=1,2,…,m.

(11)

2.2.2 評價協(xié)調(diào)性

不同專家對同一指標(biāo)的評價各不相同，設(shè)置評價協(xié)調(diào)性系數(shù)來反映某位專家對各項指標(biāo)的評價結(jié)果在所有專家中的認(rèn)可程度，從側(cè)面反映出該專家的可靠度。

設(shè)第j位專家對第z個指標(biāo)的評價值為xjz，第k位專家對第z個指標(biāo)的評價值為xkz，故障搶修評價指標(biāo)個數(shù)為N，則專家j與所有專家評價差值的總和

(12)

專家j的評價協(xié)調(diào)性系數(shù)

(13)

2.2.3 專家置信度

綜合專家權(quán)威性和評價協(xié)調(diào)性，計算專家置信度Dj，計算公式如式(14)所示：

Dj=qjpj,j=1,2,…,m.

(14)

2.3 基于云模型與專家置信度的評價方法

2.3.1 評語集和云標(biāo)尺建立

本文采用黃金分割法生成評語概念，建立云標(biāo)尺，其核心思想[20]是：將給定的論域看作語言變量，并用云模型來表達(dá)每個語言變量，云的熵和超熵與論域中心的遠(yuǎn)近有關(guān)，離論域中心越近，熵和超熵越??；其中，相鄰云的熵和超熵以0.618倍依次減小，通常取3個或5個奇數(shù)個數(shù)的云。

為反映搶修隊的故障搶修質(zhì)量和效率，將搶修隊的總體評價分為5個等級，分別為“高”“較高”“一般”“較低”和“低”，構(gòu)建5層正態(tài)云[20]為評價標(biāo)準(zhǔn)，生成云標(biāo)尺見表3，獲得的云標(biāo)尺圖如圖5所示。

表3 云模型標(biāo)尺Tab.3 Cloud model scales

圖5 云標(biāo)尺Fig.5 Cloud scales

2.3.2 云權(quán)重確定

2.3.2.1 云權(quán)重云滴計算

2.3.2.2 基于專家置信度的云權(quán)重計算

由于專家權(quán)威性與認(rèn)知性存在個體差異，為使得權(quán)重分配更加可靠，為每個權(quán)重云滴乘上相應(yīng)專家的專家置信度，最終得到第z項指標(biāo)的m個權(quán)重云滴

(15)

采用第2.1.3節(jié)介紹的逆向云發(fā)生器計算得到各項指標(biāo)權(quán)重的云特征值，即云權(quán)重[23-24]，將權(quán)重矩陣記為β，則

(16)

式中：βN為第N個指標(biāo)的云權(quán)重；ExN、EnN、HeN分別為第N個指標(biāo)云權(quán)重的期望值、熵值和超熵值。

2.3.3 云評價值確定

2.3.3.1 云評價值云滴計算

按照圖1的評價體系，收集待評價搶修隊的各項指標(biāo)數(shù)據(jù)信息，并根據(jù)上文所述指標(biāo)評分方法，邀請專家組進(jìn)行評價賦分，得到各項指標(biāo)的原始評價分值為：{x11,x12,…,x1N}，{x21,x22,…,x2N}，{xk1,xk2,…,xkN}，…，{xm1,xm2,…,xmN}，其中{xk1,xk2,…,xkN}表示第k位專家對N項指標(biāo)的評價分值，由此組成各項指標(biāo)的m個評價值云滴。

2.3.3.2 基于專家置信度的云評價值計算

由于專家權(quán)威性與認(rèn)知性存在個體差異，為使得指標(biāo)評價分值更加客觀可靠，為每個評價值云滴乘上相應(yīng)專家的專家置信度，最終得到第z項指標(biāo)的m個評價值云滴為

{D1x1z,D2x2z,…,Dmxmz},z=1,2,…,N.

(17)

利用第2.1.3節(jié)介紹的逆向云發(fā)生器計算得到各項指標(biāo)評價分值的云特征值，即云評價值，將評價值矩陣記為y，則

(18)

式中：yN為第N個指標(biāo)的云評價值；ExyN、EnyN、HeyN分別為第N個指標(biāo)云評價值的期望值、熵值和超熵值。

2.3.4 基于云模型的綜合評價

綜合評價云特征值的具體計算公式[23]如式(19)、式(20)所示：

Y=(Ex,En,He).

(19)

(20)

將綜合評價云特征值利用MATLAB生成云圖，與第2.3.1節(jié)建立的云標(biāo)尺進(jìn)行對比，可得到所評價搶修隊的故障搶修質(zhì)量和效率評價結(jié)果。

3 實例分析

以搶修隊的故障搶修質(zhì)量和效率評價為背景，以江蘇南京市某區(qū)域搶修隊為例，對本文所提評價方法進(jìn)行實例分析，證明其可行性和實用性。邀請5位從事相關(guān)工作的專家成立專家組進(jìn)行評分，結(jié)合專家經(jīng)驗，將故障處理時長修正系數(shù)σ取值為0.91。

3.1 專家置信度計算

邀請專家組對自身專業(yè)水平、評價對象熟悉程度進(jìn)行打分，并收集指標(biāo)相關(guān)數(shù)據(jù)信息，請專家對各項指標(biāo)進(jìn)行評分，結(jié)果見表4、表5、表6。

表4 專家專業(yè)水平評價Tab.4 Evaluation of expert professional level

表5 專家熟悉程度判斷Tab.5 Expert familiarity judgment

表6 指標(biāo)原始評價分值Tab.6 Original evaluation scores of indicators

結(jié)合表4、表5、表6，利用式(7)—式(14)可以求得專家權(quán)威性系數(shù)、評價協(xié)調(diào)性系數(shù)和專家置信度，結(jié)果見表7。

表7 專家置信度及相關(guān)系數(shù)Tab.7 Expert confidence levels and correlation coefficients

3.2 計算指標(biāo)云權(quán)重

3.2.1 采用層次分析法計算指標(biāo)原始權(quán)重。

邀請專家組根據(jù)圖1的評價體系，對指標(biāo)的相對重要性進(jìn)行兩兩判斷，以專家1的判斷為例，構(gòu)造判斷矩陣A1如下：

(21)

表8 指標(biāo)原始權(quán)重Tab.8 Indicator original weights

3.2.2 計算基于專家置信度的云權(quán)重

利用式(15)和表7、表8，計算基于專家置信度的權(quán)重云滴，計算結(jié)果見表9。

表9 基于專家置信度的權(quán)重云滴Tab.9 Weighted cloud droplets based on expert confidence level

利用第2.1.3節(jié)介紹的逆向云發(fā)生器計算得到各項指標(biāo)權(quán)重的云特征值，即云權(quán)重，見表10。

表10 評價指標(biāo)云權(quán)重Tab.10 Cloud weights of evaluation indicator

得到權(quán)重矩陣

(22)

3.3 計算指標(biāo)云評價值

3.3.1 計算原始評價分值

將表6中的指標(biāo)評分統(tǒng)一到[0,1]區(qū)間內(nèi)，結(jié)果見表11。

3.3.2 計算基于專家置信度的云評價值

利用式(17)和表7、表11，計算基于專家置信度的評價值云滴，計算結(jié)果見表12。

表11 原始指標(biāo)評分[0,1]轉(zhuǎn)化結(jié)果Tab.11 Transformation results of original indicator scores in [0,1]

表12 基于專家置信度的評價值云滴Tab.12 Cloud droplets based on expert confidence level

利用第2.1.3節(jié)介紹的逆向云發(fā)生器計算得到各項指標(biāo)評價分值的云特征值，即云評價值，結(jié)果見表13。

表13 評價指標(biāo)云評價值Tab.13 Cloud evaluation values of evaluation indicator

得到評價值矩陣

(23)

3.4 綜合評價云的計算與分析

利用式(19)和式(20)，結(jié)合式(22)、式(23)計算綜合評價云特征值，得

Y=(Ex,En,He)=(0.664,0.111,0.003).

(24)

將綜合評價云特征值利用MATLAB生成云圖，與第2.3.1節(jié)建立的云標(biāo)尺進(jìn)行對比，結(jié)果如圖6所示，圖中灰線表示云標(biāo)尺，黑線表示搶修隊最終評價云。

圖6 搶修隊最終評價云與云標(biāo)尺對比Fig.6 Comparison of final evaluation cloud of the emergency repair team and cloud scales

由圖6可以看出，評價結(jié)果處于“一般”與“較高”之間，距離“較高”較近，偏“較高”。由此可以判定搶修隊故障搶修質(zhì)量和效率的最終評價結(jié)果均為“較高”。

為了進(jìn)一步說明本文所提基于云模型與專家置信度的評價方法的有效性，采用目前較常用的模糊層次分析法[25]對上述算例進(jìn)行評價。利用模糊層次分析法計算指標(biāo)權(quán)重，結(jié)合各項指標(biāo)的原始評價分值，分別計算出5位專家的個人評價結(jié)果，再利用加權(quán)平均算子對各評價結(jié)果進(jìn)行綜合，得到最終評價結(jié)果見表14。

表14 基于模糊層次分析法的指標(biāo)評價結(jié)果Tab.14 Indicator evaluation results based on fuzzy analytic hierarchy process

由表14可知，應(yīng)用模糊層次分析法得到的最終評價結(jié)果為0.703，與本文所提基于云模型與專家置信度的評價方法所得出的最終評價云模型(0.664,0.111,0.003)的期望值0.664相近，在一定程度上證明了本文所提評價方法的有效性。在與文獻(xiàn)[11]的對比中也可以看出，本文所提方法得出的結(jié)果能夠生成形象直觀的對比圖，并且充分考慮評價系統(tǒng)中的隨機(jī)性和模糊性，具有一定優(yōu)越性。

4 結(jié)束語

為反映搶修隊的故障搶修質(zhì)量和效率，提升配電網(wǎng)故障搶修管理水平，本文提出一種基于云模型與專家置信度的評價方法。利用云模型，充分考慮評價的隨機(jī)性和模糊性，實現(xiàn)定性與定量的相互轉(zhuǎn)化；同時從專家權(quán)威性和評價協(xié)調(diào)性出發(fā)，對各云滴進(jìn)行專家置信度修正，從而得到更加真實可靠的評價結(jié)果。實例驗證表明，所提方法在具有較好的可行性和實用性的同時，具有一定的優(yōu)越性，可以形象直觀地反映出搶修隊故障搶修質(zhì)量和效率的高低，為搶修隊的可視化管理提供一種新的分析手段。