陰艷超，吳仁杰，常斌磊

(昆明理工大學 機電工程學院，云南 昆明 650500)

0 引言

隨著電力負荷的不斷增長，特別是非線性、沖擊性負荷比例的不斷增大，電力系統(tǒng)電能質(zhì)量問題日趨嚴峻。同時，隨著電網(wǎng)規(guī)模的不斷擴大，部分電能質(zhì)量指標在滲透過程中的變化將更復(fù)雜，不僅顯現(xiàn)衰減的特性，還可能呈現(xiàn)疊加與放大的情況；此外，電壓暫態(tài)問題日益受到關(guān)注，引起電壓暫態(tài)的主要原因是系統(tǒng)故障，某一地區(qū)的電壓暫態(tài)事件往往不是由本地區(qū)造成的，而是由其他地區(qū)的傳播造成的后果。因此，電能質(zhì)量問題呈現(xiàn)明顯的時空動態(tài)特性[1]。在考慮電能質(zhì)量時空動態(tài)特性的基礎(chǔ)上進行電能質(zhì)量的評價、治理，具有重要的理論意義、應(yīng)用價值。

近年來，國內(nèi)外學者針對電能質(zhì)量綜合評價問題從電能質(zhì)量評價體系、指標權(quán)重計算、評價方法等方面進行了較多的探索，并取得了一定的研究成果，提出了較多的電能質(zhì)量評價方法，如基于模糊數(shù)學理論的方法[2-3]、基于概率統(tǒng)計學原理的方法[4]、基于人工智能算法的評價方法[5-6]、灰色關(guān)聯(lián)理論法[7]、基于物元分析的評價方法[8-9]等。上述研究方法各有側(cè)重點，但大多沒有從動態(tài)響應(yīng)時空分布的角度考慮評價對象的過程信息，難以解決電能質(zhì)量和污染責任評價中出現(xiàn)的誤判問題，進而無法提供客觀合理的評價結(jié)論。而且，現(xiàn)有的研究對于指標的選擇及影響權(quán)重的分配主要通過專家經(jīng)驗來確定，主觀性較強，并且對電能質(zhì)量指標等級劃分的邊界過硬，難以滿足復(fù)雜電力系統(tǒng)動態(tài)變化、柔性可調(diào)的需求，無法客觀反映各類負荷和離散分布式電網(wǎng)系統(tǒng)及設(shè)備的運行狀態(tài)。

本文針對電能質(zhì)量評價中存在的不確定性問題和評價對象的時空動態(tài)特性，搭建多維知識云協(xié)同評價服務(wù)框架，采用包括電能質(zhì)量評價指標、推理規(guī)則和評價方法的知識云對典型監(jiān)測環(huán)節(jié)進行評價服務(wù)調(diào)用，并引入云模型理論，采用逆向云對各評價指標進行云化處理，將定量指標信息轉(zhuǎn)化為定性概念，建立影響評價過程信息的多維多規(guī)則動態(tài)云發(fā)生器，通過時序約束進行評價指標動態(tài)加權(quán)，采用循環(huán)更新云模型的方法增強云發(fā)生器的動態(tài)評價能力，實現(xiàn)電能質(zhì)量評估定性與定量轉(zhuǎn)換，客觀反映了電能質(zhì)量評估過程的動態(tài)性、復(fù)雜性和耦合性。

1 跨時空分布多維知識云協(xié)同服務(wù)

1.1 電能質(zhì)量知識云組織與封裝

a. 電能質(zhì)量知識云跨時空分布特性。

隨著電力市場的建立，電能已轉(zhuǎn)化為由電力部門向電力用戶提供電力供應(yīng)及輔助服務(wù)的特殊商品，電能質(zhì)量作為電力商品的重要屬性，成為電網(wǎng)與用戶以及電網(wǎng)與售電公司之間共同關(guān)注的重要問題。電能質(zhì)量監(jiān)測點不僅分布在公共連接點(PCC)處、用戶與電力公司協(xié)商的指定節(jié)點，還會分散在電網(wǎng)公司與售電公司產(chǎn)權(quán)分界點以及干擾源用戶側(cè)，電能質(zhì)量監(jiān)測點為呈地域分布、時序排布的離散信息單元。因此，針對不同監(jiān)測點和不同監(jiān)測時間段對電能質(zhì)量指標進行實時監(jiān)測評估，使得電能質(zhì)量水平評估具有典型的時空特性。

b. 知識云組織與封裝。

針對任意時間段、任意監(jiān)測點的電能質(zhì)量水平評估的時空特性，建立每項電能質(zhì)量指標包括期望(Ex)、熵(En)、超熵(He)3個數(shù)字特征的知識云，通過隸屬云對電能質(zhì)量評價過程中的時空模糊性、隨機性進行統(tǒng)一量化描述。在此基礎(chǔ)上，建立電能質(zhì)量各項評價指標的逆向云模型，并通過評價指標動態(tài)加權(quán)組合不同的前件云、后件云，最后基于多維多規(guī)則的電能質(zhì)量云評價規(guī)則評估時空電能質(zhì)量水平。

電網(wǎng)電能質(zhì)量知識云組織與封裝如圖1所示。圍繞時空分布的電能質(zhì)量監(jiān)測單元，建立電壓偏差b1、頻率偏差b2、諧波電壓含有率b3、電壓波動性b4、電壓閃變b5、電壓暫態(tài)事件數(shù)b6、三相不平衡b7、供電可靠性b8、服務(wù)型指標b9等電能質(zhì)量評價指標[10]的知識云，并將電能質(zhì)量監(jiān)測數(shù)據(jù)、評價指標知識云、評估方法等進行封裝，構(gòu)成具有定向服務(wù)功能的知識云，如電壓偏差知識云、頻率偏差知識云，各指標知識云通過本體映射關(guān)系和語義關(guān)聯(lián)匹配，以形成電能質(zhì)量評價的知識體系。通過調(diào)用相關(guān)定向服務(wù)功能的知識云進行評價服務(wù)，提高復(fù)雜電網(wǎng)全域電能質(zhì)量的評價效率。

圖1 電網(wǎng)電能質(zhì)量知識云組織與封裝Fig.1 Knowledge cloud package and organization of power quality

1.2 跨時空分布知識云評價框架構(gòu)建

針對復(fù)雜電網(wǎng)電能質(zhì)量評價問題建立多維知識云協(xié)同評價服務(wù)框架，如圖2所示。首先，對電能質(zhì)量監(jiān)測平臺中的評價任務(wù)、監(jiān)測點特征信息、用戶需求等進行分析，針對典型監(jiān)測點及其評價環(huán)節(jié)，建立電能質(zhì)量評價服務(wù)流程庫，并將分散的電能質(zhì)量監(jiān)測點的指標知識云、推理規(guī)則云、評價方法云封裝為電能質(zhì)量監(jiān)測多維知識云，構(gòu)成多維知識資源庫；然后，針對典型監(jiān)測點及其評價環(huán)節(jié)，依據(jù)“多任務(wù)并行、少任務(wù)串行”的原則，建立包括評價活動執(zhí)行時間、序列和規(guī)則的評價流程庫；最后，依據(jù)知識云推理機制，建立電能質(zhì)量評價指標前件云和后件云模型，并設(shè)計推理規(guī)則，構(gòu)建推理器，進行定性與定量相結(jié)合的電能質(zhì)量綜合評價。

圖2 多維知識云協(xié)同評價服務(wù)框架Fig.2 Collaborative assessment service framework of multi-dimensional knowledge cloud

電能質(zhì)量評價服務(wù)過程采用多維多規(guī)則知識云推理的評價方法進行分析、計算。評價指標、推理規(guī)則、評價方法封裝于典型評價環(huán)節(jié)的知識云中，通過在評估任務(wù)中調(diào)用已封裝的多維知識云，完成電能質(zhì)量評價。因此，基于多維多規(guī)則云模型的電能質(zhì)量綜合評價模型、推理算法是該框架的運行核心。

2 云評價的不確定規(guī)則推理

2.1 電能質(zhì)量云推理的基本概念和數(shù)字特征

設(shè)U={x}為電能知識云中可參數(shù)化表示的知識資源的論域，T為U中定性概念的子集。U中的元素x對于T所表達的定性概念的隸屬度(或稱x與T的相容度)為CT(x)(CT(x)∈[0,1])，隸屬度在U中的分布稱為隸屬云[11]，t為從論域U到區(qū)間[0，1]的映射，即CT(x)：U→[0，1]，x→CT(x)。

云推理模型通過期望(Ex)、熵(En)和超熵(He)這3個數(shù)字特征，將電能質(zhì)量評價過程中定性概念的模糊性和隨機性進行統(tǒng)一量化描述，即對隸屬云的分布特性進行描述，以克服電能質(zhì)量評價過程中的不確定性。期望值Ex是模糊概念在論域中的中心值，它隸屬于該概念的程度為100%，是最能代表該定性概念的值；熵En是定性概念模糊度的度量，En的大小反映了在論域中可被模糊概念所接受的數(shù)值范圍，體現(xiàn)了定性概念的裕度，En越大，概念越模糊；超熵He是En的熵，He越大，則云滴越離散，云的厚度越大，隸屬度的隨機性也越大[11]。

2.2 評價指標的綜合加權(quán)

電能質(zhì)量知識云評價過程中，電能質(zhì)量指標的重要性受到電網(wǎng)系統(tǒng)地域分布、時序排布和用戶需求等多種因素的影響，不同指標在綜合評價中所占的比重不同，因此需要依據(jù)電力系統(tǒng)的特點賦予電能質(zhì)量客觀合理的權(quán)重屬性。在客觀賦權(quán)法[12]和云的相對貼近度法[13]的基礎(chǔ)上，通過任意2個云滴的距離反映該指標在評價過程中的相對重要程度和動態(tài)特性，并計算各評價指標的綜合權(quán)重值。

假設(shè)在任意時刻評價論域空間U中有2個評價指標知識云Ct1(Ext1，Ent1，Het1)、Ct2(Ext2，Ent2，Het2)，則2個評價指標知識云的相對貼近度表示為Rt1,t2=|Ext1-Ext2|，利用逆向云計算評價指標對應(yīng)的云數(shù)字特征值(Ext1i，Ent1i，Het1i)、(Ext2i，Ent2i，Het2i)(t=1，2，…，n；i=1，2，…，m)，則各評價指標的動態(tài)權(quán)重值為：

(1)

假設(shè)由熵權(quán)法求得的權(quán)重值為ωO1，由均方差法求得的權(quán)重值為ωO2，則結(jié)合幾何平均值法求得客觀權(quán)重值為：

(2)

利用加法集成法，由式(1)、(2)得出任意時刻的綜合權(quán)重ξt為：

ξt=aλt+bωO

(3)

b=1-a

其中，δi為對動態(tài)權(quán)重向量按升序排列后求得的對應(yīng)分量；r為評價指標個數(shù)。

2.3 云評價的不確定規(guī)則推理

云推理模型中，輸入一個值則輸出一個規(guī)律性結(jié)果，稱這種推理關(guān)系為一維云。一維云模型可以用期望Ex、熵En和超熵He這3個參數(shù)表征，利用 ifXthenY的常用推理方法實現(xiàn)數(shù)據(jù)從定量輸入到定性推理，再到定量輸出的轉(zhuǎn)換過程，其中，X為云評價規(guī)則前件，用一維云模型(Exx，Enx，Hex)表示；Y為推理規(guī)則后件，用一維云模型(Exy，Eny，Hey)表示。用規(guī)則前件云X和規(guī)則后件云Y發(fā)生器構(gòu)造規(guī)則生成器。多規(guī)則云推理由多個一維單規(guī)則云推理組成，因此復(fù)雜的不確定性規(guī)則可以表示為：“ifA&B&C&… thenD”，其中A、B、C、…用不同論域上的對象(即多維空間的電能質(zhì)量評價知識云)表示。通過構(gòu)造各類高維云發(fā)生器解決復(fù)雜不確定性推理問題[14]，即利用電能質(zhì)量綜合評價云映射的不確定規(guī)則推理方法，通過設(shè)置云的期望、熵和超熵為數(shù)字特征，描述更為復(fù)雜的定性與定量之間的轉(zhuǎn)換關(guān)系。

通過知識云化處理構(gòu)建電能質(zhì)量評價體系的多維度前件(X條件)云模型，然后通過對電能質(zhì)量的評價規(guī)則和結(jié)果的云化處理構(gòu)建電能質(zhì)量評價規(guī)則的多維度后件(Y條件)云模型，如式(4)—(7)所示。

n維X條件云模型為：

(Px1i,Px2i,…,Pxni)=Rn(Enx1i,Enx2i,…,Enxni,Hex1i,

Hex2i,…,Hexni)

(4)

(5)

n維Y條件云模型為：

(Py1i,Py2i,…,Pyni)=Rn(Eny1i,Eny2i,…,Enyni,Hey1i,

Hey2i,…,Heyni)

(6)

(7)

其中，ξi為綜合權(quán)重；Exxni、Enxni、Hexni為規(guī)則前件的n維評價云模型數(shù)字特征；Exyni、Enyni、Heyni為規(guī)則后件的n維評價云模型數(shù)字特征；μ為前件條件輸入值的激活強度。用n個一維X條件發(fā)生器和n個一維Y條件發(fā)生器可以構(gòu)成基于多維多規(guī)則電能質(zhì)量評價云模型發(fā)生器，實現(xiàn)推理結(jié)構(gòu)為：

圖3 電能質(zhì)量評價的多維多規(guī)則動態(tài)推理發(fā)生器Fig.3 Multi-dimensional and multi-rule dynamic reasoning generator of power quality evaluation

因此，通過將X條件云模型和Y條件云模型進行多元組合，可以實現(xiàn)不同結(jié)構(gòu)的電能質(zhì)量評價規(guī)則推理。電能質(zhì)量評價的多維多規(guī)則動態(tài)推理發(fā)生器如圖3所示。在多維多規(guī)則動態(tài)推理發(fā)生器中輸入xi刺激不同評估任務(wù)條件PCGx11、PCGx21、…、PCGxn1、PCGx12、PCGx22、…、PCGxn2、…、PCGx1m、PCGx2m、…、PCGxnm，產(chǎn)生不同的uij；再由知識規(guī)則處理CGU1、CGU2、…、CGUm產(chǎn)生多個云滴，通過加權(quán)平均處理后輸出對應(yīng)的輸出值Exc。

3 基于多維多規(guī)則云模型的電能質(zhì)量綜合評價

3.1 電能質(zhì)量評價前件云模型

根據(jù)前述分析，將選定的9個電能質(zhì)量的評價結(jié)果分為5個等級，分別為1級(優(yōu)秀)、2級(良好)、3級(中等)、4級(合格)、5級(不合格)。電能質(zhì)量各指標的等級界限值[15]如表1所示[9]。

表1 電能質(zhì)量各評價指標的等級界限Table 1 Grade limits of power quality evaluation indices

注：以上各等級的劃分建立在電壓為380 V的情況下。

由于評價指標的變化范圍[Cmin,Cmax]為雙邊約束空間，且其空間邊界具有隨機性和模糊性，依據(jù)云模型的3En原則[16]對表1的數(shù)據(jù)進行云化處理，通過式(8)確定各指標的3個數(shù)字特征：

(8)

其中，ke為常數(shù)，可根據(jù)評價模型的需求進行調(diào)整。

計算各評價指標的3個數(shù)字特征后，即可確定各指標的云模型，構(gòu)建評價指標前件云模型。以指標“電壓偏差b1”為例，其處于不同等級時的定性語言描述為“較小、小、一般、大、很大”，其對應(yīng)的定量云模型分別為b11=(0.6050，0.2017，0.0800)、b12=(2.1450，0.3193，0.0800)、b13=(3.7050，0.2683，0.0800)、b14=(5.7950，0.4350，0.0800)、b15=(8.5000，0.5333，0.0800)。其他評價指標的云模型描述依此類推，如表2所示。

3.2 電能質(zhì)量評價的后件云模型

如3.1節(jié)所述，將電能質(zhì)量的評定結(jié)果分為5個定性的等級，通過計算電能質(zhì)量等級的3個數(shù)字特征實現(xiàn)該定性等級描述到定量化的轉(zhuǎn)換。確定電能質(zhì)量等級的云模型，即建立電能質(zhì)量評價的后件云模型，其對應(yīng)的云模型如表3所示。

利用MATLAB繪制電能質(zhì)量等級云模型的離散圖能夠?qū)Ω鞯燃壴颇Ｐ吞卣鬟M行直觀表示，如圖4所示。由圖4可見，等級云模型離散圖近似正態(tài)分布；等級3、4的云模型的熵En相等且為最大值，則其云模型寬度相同且最大。

3.3 電能質(zhì)量云推理規(guī)則

由電能質(zhì)量評價結(jié)果的5個定量化等級劃分，利用定性語言描述對電能質(zhì)量綜合評價云推理規(guī)則定義如下。

表2 電能質(zhì)量評價指標前件云模型Table 2 Antecedent cloud model of power quality evaluation indices

表3 電能質(zhì)量評價等級后件云模型Table 3 Consequent cloud model of power quality evaluation grades

圖4 電能質(zhì)量等級云模型Fig.4 Grade cloud model of power quality

規(guī)則1：if電壓偏差較小&頻率偏差較小&諧波電壓總畸變率較小&電壓閃變較小&電壓暫態(tài)事件數(shù)較小&三相不平衡較小&供電可靠率很高 then電能質(zhì)量等級為優(yōu)良。

規(guī)則2：if電壓偏差小&頻率偏差小&諧波電壓總畸變率小&電壓閃變小&電壓暫態(tài)事件數(shù)小&三相不平衡小&供電可靠率高 then電能質(zhì)量等級為良好。

規(guī)則3：if電壓偏差一般&頻率偏差一般&諧波電壓總畸變率一般&電壓閃變一般&電壓暫態(tài)事件數(shù)一般&三相不平衡一般&供電可靠率一般 then電能質(zhì)量等級為中等。

規(guī)則4：if電壓偏差大&頻率偏差大&諧波電壓總畸變率大&電壓閃變大&電壓暫態(tài)事件數(shù)較大&三相不平衡大&供電可靠率低 then電能質(zhì)量等級為合格。

規(guī)則5：if電壓偏差很大&頻率偏差很大&諧波電壓總畸變率很大&電壓閃變很大&電壓暫態(tài)事件數(shù)大&三相不平衡很大&供電可靠率較低 then電能質(zhì)量等級為不合格。

3.4 電能質(zhì)量評價的多維多規(guī)則動態(tài)推理算法

根據(jù)由電能質(zhì)量評價指標建立的定性規(guī)則，依據(jù)圖3所示云模型定性推理機制，可以給定電能質(zhì)量評價等級來評價某個監(jiān)測點的電能質(zhì)量，基于多維多規(guī)則云模型定性推理過程如下。

輸入：電能質(zhì)量評價指標的數(shù)字特征值(Exx11，Enx11，Hex11)、…、(Exxn1，Enxn1，Hexn1)、…、(Exxij，Enxij，Hexij)、…、(Exxnm，Enxnm，Hexnm)以及電能質(zhì)量評價等級的數(shù)字特征值(ExU11，EnU11，HeU11)、…、(ExUn1，EnUn1，HeUn1)、…、(ExUij，EnUij，HeUij)、…、(ExUnm，EnUnm，HeUnm)，其中n為生成云滴的個數(shù)，m為論域個數(shù)，給定輸入xi(i∈N+)。

輸出：依據(jù)激活規(guī)則數(shù)，隨機輸出單個/多個值。

多維多規(guī)則云模型定性推理算法的步驟如下。

步驟1：判斷給定輸入xi激活規(guī)則的數(shù)量。

步驟2：若激活1條規(guī)則，則按照以下步驟進行。

步驟2.4：返回步驟2.1，循環(huán)若干次，最終計算所有云滴的期望值的平均值并輸出。

步驟3：若激活2條規(guī)則，則按照以下步驟進行。

步驟3.1：若對每一條單規(guī)則，產(chǎn)生以(Enx11,Enx21)為期望、以(Hex11,Hex21)為方差的符合二維正態(tài)分布的隨機值(Enx1i,Enx2i)，并根據(jù)給定輸入任務(wù)條件(μ1,μ2)，計算隸屬度，方法同步驟2.1。

步驟5：重復(fù)步驟1— 4，直到輸出值Exc的個數(shù)滿足電能質(zhì)量評價的要求，最終確定電能質(zhì)量等級。

4 實例應(yīng)用

提取文獻[5-6,8-9]中重慶市沙坪壩區(qū)某5個監(jiān)測點9個電能質(zhì)量指標實測數(shù)據(jù)做對比試驗，所評價監(jiān)測點的監(jiān)測環(huán)境、負荷類型、運行狀態(tài)、影響因素均一致，具有可比較性。在知識云評價模式下，5個監(jiān)測點相互連接構(gòu)成監(jiān)測網(wǎng)。利用Java、XML、JavaScript等語言及相關(guān)編程技術(shù)和軟硬件設(shè)備開發(fā)復(fù)雜電網(wǎng)知識云評價服務(wù)功能組件，實現(xiàn)電能質(zhì)量綜合評價從定量輸入到定性推理再到定量輸出的推理功能。

復(fù)雜電網(wǎng)知識云評價服務(wù)功能模塊見圖5。首先，用戶將5個監(jiān)測點的電能質(zhì)量實測數(shù)據(jù)(如表4所示)輸入服務(wù)系統(tǒng)；然后，系統(tǒng)自動激活相關(guān)評價推理規(guī)則，通過“激活規(guī)則”查看規(guī)則信息；其次，系統(tǒng)根據(jù)所激活規(guī)則推送指標計算相關(guān)參數(shù)，用戶可在“參數(shù)修正”中對不合理參數(shù)進行修正；確認評估參數(shù)設(shè)置無誤后計算各監(jiān)測點電能質(zhì)量評價輸出值，并匹配相應(yīng)的電能質(zhì)量評估結(jié)果描述信息；最后，輸出評價結(jié)果，并生成評價報表存儲于云服務(wù)器。

圖5 復(fù)雜電網(wǎng)知識云評價服務(wù)功能模塊Fig.5 Function module of knowledge cloud assessment service for complex grid

監(jiān)測點b1/%b2/Hzb3/%b4/%b5/%b6b7/%b8b913.2120.09221.721.330.4730.79630.830.8330.83226.6800.15624.281.530.8470.15891.360.7620.71334.3500.11802.671.950.6340.51531.350.7960.86445.3300.17873.361.370.8260.58561.740.7400.68454.2200.18924.571.580.8280.48631.830.7640.783

以監(jiān)測點3為例，評價指標權(quán)重計算結(jié)果見表5。計算并輸入該監(jiān)測點各指標綜合權(quán)重值，將其9個指標監(jiān)測值輸入多維多規(guī)則云模型定性推理發(fā)生器，得到云等級模型離散圖見圖6，則電能質(zhì)量綜合評價推理規(guī)則3和規(guī)則4被激活，隸屬度最大為μ1=0.6875和次大μ2=0.3080，對應(yīng)到后件云發(fā)生器中各生成2個云滴，在圖6所示云等級模型離散圖的A1、B1、C1、D1這4個云滴中，選取最外側(cè)的A1(2.8780，0.6875) 和D1(4.2319，0.3080)這2個云滴，按照上述電能質(zhì)量評價算法的步驟3.3進行計算，可得Ex=3.0063，則該條件下監(jiān)測點3的電能質(zhì)量等級為3級，對應(yīng)語言描述為“一般”。同理，對其他監(jiān)測點的電能質(zhì)量進行云評價并輸出評價結(jié)果。將云評價結(jié)果與文獻[5-6,8-9]的結(jié)果進行對比，見表6。

表5 監(jiān)測點3的評價指標權(quán)重Table 5 Weights of evaluation indices of monitoring point 3

圖6 監(jiān)測點3的電能質(zhì)量云評價結(jié)果Fig.6 Evaluation results of power quality cloud of monitoring point 3

監(jiān)測點Ex電能質(zhì)量等級云評價文獻[5]文獻[6]文獻[8]文獻[9]12.00082級2級2.0445級2級2級23.93884級4級4級4級4級33.00633級3級3級3級3級43.95204級4級3.4615級4級4級53.98244級4級4級4級4級

從表6可看出，云評價方法可得到電能質(zhì)量準確量化的評價結(jié)果，定性和定量評價相結(jié)合，綜合評價結(jié)果更精確，且克服了電能質(zhì)量分類等級劃分邊界過硬的缺陷，更貼近電能質(zhì)量評價的實際情況。此外，本文所提方法可根據(jù)實際評估要求，調(diào)整評估知識云的推理規(guī)則，調(diào)用已封裝的知識云，采用本體映射、語義關(guān)聯(lián)規(guī)則等相互配合執(zhí)行，實現(xiàn)時空電能質(zhì)量水平準確、快速地評估。

5 結(jié)論

本文將解決不確定性問題的云推理模型應(yīng)用到復(fù)雜電網(wǎng)電能質(zhì)量動態(tài)特性評價中，建立每項電能質(zhì)量指標的數(shù)字特征知識云，及包括典型監(jiān)測環(huán)節(jié)的評價流程庫，構(gòu)建多維知識云協(xié)同評價服務(wù)框架，用云模型的數(shù)字特征表征定性概念，對電能質(zhì)量指標定量與定性轉(zhuǎn)換中的模糊性、動態(tài)性、隨機性進行描述，克服了模糊集理論中隸屬函數(shù)的固有缺陷，同時本文引入評價云的相對貼近度，通過不同評價時刻任意兩個云滴的距離來反應(yīng)電能指標的動態(tài)特性，并采用動態(tài)加權(quán)的方式賦予各評價指標相應(yīng)的權(quán)重，最后開發(fā)了電能質(zhì)量云評價功能組件，為復(fù)雜電網(wǎng)不同監(jiān)測點和不同監(jiān)測時間段電能質(zhì)量指標實時性監(jiān)測評估的研究提供了新思路、方法和實現(xiàn)技術(shù)。

參考文獻：

[1] 張恒旭，劉玉田. 電力系統(tǒng)動態(tài)頻率響應(yīng)時空分布特征量化描述[J]. 中國電機工程學報，2009，29(7)：64-70.

ZHANG Hengxu，LIU Yutian. Quantitative description of space-time distribution features of dynamic frequency responses[J]. Procee-dings of the CSEE,2009，29(7)：64-70.

[2] REDDY M V，SODHI R. A rule-based S-transform and AdaBoost based approach for power quality assessment[J]. Electric Power Systems Research，2016，134(4)：66-79.

[3] MORSI W G，EL-HAWARY M E. Power quality evaluation in smart grids considering modern distortion in electric power systems[J]. Electric Power Systems Research，2011，81(5)：1117-1123.

[4] 王勇，劉金寧，曹曼,等. 基于概率論與證據(jù)理論的風電場電能質(zhì)量評估方法研究[J]. 華北電力大學學報(自然科學版)，2012，39(3)：65-70.

WANG Yong，LIU Jinning，CAO Man，et al. Research on the evalua-tion method with power quality of wind power based on probability theory and evidence theory[J]. Journal of North China Electric Power University(Natural Science Edition)，2012，39(3)：65-70.

[5] 黃靜，馬宏忠，紀卉. 密切值法在電能質(zhì)量綜合評價中的應(yīng)用[J]. 繼電器，2008，36(3)：60-63.

HUANG Jing，MA Hongzhong，JI Hui. Application of intimate data method in synthetical evaluation about power quality[J]. Relay，2008，36(3)：60-63.

[6] 周林，栗秋華，張鳳. 遺傳投影尋蹤插值模型在電能質(zhì)量綜合評估中的應(yīng)用[J]. 電網(wǎng)技術(shù)，2007，31(7)：32-35.

ZHOU Lin，LI Qiuhua，ZHANG Feng. Application of genetic projection pursuit interpolation model on power quality synthetic evaluation[J]. Power System Technology，2007，31(7)：32-35.

[7] 沈陽武，彭曉濤，施通勤，等. 基于最優(yōu)組合權(quán)重的電能質(zhì)量灰色綜合評價方法[J]. 電力系統(tǒng)自動化，2012，36(10)：67-73.

SHEN Yangwu，PENG Xiaotao，SHI Tongqin，et al. A grey comprehensive evaluation method of power quality based on optimal combination weight[J]. Automation of Electric Power Systems，2012，36(10)：67-73.

[8] 李如琦，蘇浩益. 基于可拓云理論的電能質(zhì)量綜合評估模型[J]. 電力系統(tǒng)自動化，2012，36(1)：66-70.

LI Ruqi，SU Haoyi. A synthetic power quality evaluation model based on extension cloud theory[J]. Automation of Electric Power Systems，2012，36(1)：66-70.

[9] 黃劍，周林，栗秋華，等. 基于物元分析理論的電能質(zhì)量綜合評估[J]. 重慶大學學報(自然科學版)，2007，30(6)：25-29.

HUANG Jian，ZHOU Lin，LI Qiuhua，et al. Evaluation of power quality based on the method of matter-element[J]. Journal of Chongqing University(Natural Science Edition)，2007，30(6)：25-29.

[10] 荊朝霞，胡仁. 基于二階段法的電能質(zhì)量評估及其靈敏度分析[J]. 電力自動化設(shè)備，2013，33(7)：57-62.

JING Zhaoxia，HU Ren. Power quality evaluation based on two-stage method and its sensitivity analysis[J]. Electric Power Automation Equipment，2013，33(7)：57-62.

[11] 杜鹢,李德毅. 基于云的概念劃分及其在關(guān)聯(lián)采掘上的應(yīng)用[J]. 軟件學報，2001,12(2)：196-203.

DU Yi，LI Deyi. Concept partition based on cloud and its application to mining association rules[J]. Journal of Software，2001，12(2)：196-203.

[12] 雷剛，顧偉，袁曉冬. 灰色理論在電能質(zhì)量綜合評價中的應(yīng)用[J]. 電力自動化設(shè)備，2009，29(11)：62-70.

LEI Gang，GU Wei，YUAN Xiaodong. Application of gray theory in

power quality comprehensive evaluation[J]. Electric Power Automation Equipment，2009，29(11)：62-70.

[13] 王洪利，馮玉強. 基于云模型具有語言評價信息的多屬性群決策研究[J]. 控制與決策，2005,20(6)：679-685.

WANG Hongli，F(xiàn)ENG Yuqiang. On multiple attribute group decision making with linguistic assessment information based on cloud model[J]. Control and Decision，2005,20(6)：679-685.

[14] 王威，馬東輝，蘇經(jīng)宇,等. 基于二維多規(guī)則云模性定性推理的場地分類方法[J]. 北京工業(yè)大學學報，2009，35(10)：1364-1372.

WANG Wei，MA Donghui，SU Jingyu，et al. Site classification method based on qualitative reasoning of 2-D & multi-rules cloud model[J]. Journal of Beijing University of Technology，2009,35(10)：1364-1372.

[15] 喬鵬程，吳正國，李輝. 基于改進雷達圖法的電能質(zhì)量綜合評價方法[J]. 電力自動化設(shè)備，2011，31(6)：88-92.

QIAO Pengcheng，WU Zhengguo，LI Hui. Power quality synthetic evaluation based on improved radar chart[J]. Electric Power Automation Equipment，2011，31(6)：88-92.

[16] 楊宏偉，岳勇，楊學強. 一種新的一維正態(tài)云概念隸屬度判定算法[J]. 計算機集成制造系統(tǒng)，2012，18(9)：2117-2123.

YANG Hongwei，YUE Yong，YANG Xueqiang. New determining algorithm for conception membership of one-dimensional normal cloud[J]. Computer Integrated Manufacturing Systems，2012，18(9)：2117-2123.