来源：《中国电力》2024年第10期
引文：于宗超, 文明, 李湘华, 等. 融合群体智慧的分布式智能电网高效发展管理策略[J]. 中国电力, 2024, 57(10): 57-68.
2022年4月，中央财经委员会第十一次会议明确指出要“发展分布式智能电网，建设一批新型绿色低碳能源基地”。分布式智能电网概念提出后，引发起学术界的热议，目前主流观点认为分布式智能电网是以实现分布式新能源规模化开发和就地消纳为目标的智能电网，基于分布式新能源的接入方式和消纳特性，其主要领域在配电网。《中国电力》2024年第10期刊发了于宗超等撰写的《融合群体智慧的分布式智能电网高效发展管理策略》一文。文章构建了一种融合群体智慧的分布式智能电网高效发展闭环管理策略。首先，依托海量分布式智能电网基础数据，利用离差平方和（Ward）凝层聚类法对所有发展规划相关指标进行聚类分析，确定分布式智能电网项目精准投资评估体系最优指标集。其次，拟合各指标的概率分布函数，确定各指标对应的阈值区间，结合打分函数实现指标的客观打分，克服现有方法的主观性与随意性。然后，提出了一种融合群体智慧的评估理论，利用指标横纵差异度实现群体智慧的客观赋权，实现分布式智能电网的精准投资评估。最后通过计算各发展规划策略的投入产出比，形成分布式智能电网发展管理体系的反馈环节，实现分布式智能电网建设投资的精准闭环管理。通过对某省10 000组分布式智能电网数据进行分析，验证了所建体系的合理性与有效性。
针对不同资源禀赋下分布式智能电网建设策略难以精准投资的问题，提出了一种融合群体智慧的分布式智能电网高效发展管理策略。首先，依托海量分布式智能电网发展规划数据，利用Ward凝层聚类，从运行、规划及发展3个方面构建分布式智能电网发展最优指标集；其次，结合指标类型拟合其概率分布函数，确定各指标阈值区间，实现指标的客观打分；然后，构建基于群体智慧的分布式智能电网发展精准投资评估体系，利用指标横纵差异度驱动群体智慧重新赋权，实现分布式智能电网建设策略的合理评估；最后，通过计算发展规划投入产出比形成闭环反馈，实现分布式智能电网高效发展管理。通过对某省10000组发展规划数据的分析评估，验证了所建体系的合理性。针对目前分布式智能电网建设投资时缺乏综合性的科学分析、项目迫切度及必要性主要根据专家的主观评审、海量配网数据未能合理利用等问题，本文构建了基于数据驱动的群体智慧分布式智能电网高效发展闭环管理策略，其体系构架如图1所示。
![]()
图1 融合群体智慧的分布式智能电网高效发展管理策略
Fig.1 Effective development and management strategy for distributed smart grids based on collective intelligence
1） 基于数据驱动的分布式智能电网发展指标体系构建。依托海量历史数据，从运行层、规划层及发展层3个层面构建基础指标集，实现基础指标全覆盖。其次利用Ward凝层聚类法筛选出分布式智能电网高效发展管理评估体系最优指标集。2） 利用数据统计分析确定指标阈值区间。结合海量分布式智能电网数据，利用最小二乘法拟合出各指标概率分布函数，并依次确定出建设投资指标阈值区间。然后利用不同的指标评分函数，计算各指标对应的百分制得分。3） 融合群体智慧的分布式智能电网发高效展管理评估理论。首先利用泰尔指数分解法，计算基于群体智慧的指标横纵信息矩阵差异度。其次利用指标横纵差异度实现群体智慧的合理赋权。最后对所有分布式智能电网发展管理评估结果进行对标分析，确定最终建设投资目标。4） 分布式智能电网高效发展闭环反馈校验。结合建设投资的投入经费以及前后评分，计算其投入产出比。针对产出比较低的项目，深入分析项目在运维层面是否存在问题，并反馈分析“指标体系”及“阈值区间”等环节是否存在不足，进而实现分布式智能电网高效发展的闭环管理。
分布式智能电网高效发展不仅受到现有设备运行状态的影响，还受到新型电力系统整体长期发展与社会需求等多方面的影响。但目前分布式智能电网发展投资仍主要依赖资深专家的主观经验进行人为判断，无法综合考虑各方面因素，难以实现精准高效管理。分布式智能电网发展指标体系的构建是实现高效管理的关键，评价指标的准确性与合理性直接影响到建设投资的精准度。本文结合分布式智能电网发展实际情况及管理要求，由资深专家按照各指标权重根据不同区域（A/B/C/D类区域以及其他特定区域）进行调整优化，优先保证分布式智能电网安全生产运行，确保各类问题权重的科学性、合理性、可操作性。首先，依托海量历史分布式智能电网数据，通过对项目关键信息抽取整理，确定出建设投资中存在的主要问题因素，进而构建完善的项目基础指标集。其次，考虑到部分指标之间具有一定的相关性以及冗余性，须对基础立项指标集进行精简优化，以构建分布式智能电网发展最优指标体系。首先通过系统在线、离线等方式全方面收集分布式智能电网数据，实现基础指标集B的构建。但在构建基础指标集时没有考虑指标之间的相关性，因此存在一定的冗余。为了剔除相似性较高的指标，本文利用基于Ward的凝聚层次聚类法对基础指标集进行合理的优化精简。鉴于聚类对象为指标类数据，故采用余弦夹角相似系数聚类代替常见的距离聚类。设基础指标集B中共有Ω个指标、Φ个样本数据，任何2个指标可以被理解为长度为Φ的2个向量，这2个向量的夹角为式中：cosθi,j为指标i与j之间的余弦夹角；xiϕ为第i个指标样本ϕ的数据。通过式（1）可以得出样本的余弦夹角相似系数矩阵cosθ(Ω×Φ)。依据指标选取的灵敏性、一致性以及全覆盖的原则，理想的指标体系应是指标与投资必要性之间具有强相关性，且指标之间具有高差异性。Ward凝层聚类法的核心思想正是将离差平方和小的指标进行聚类，并使得异类指标之间的离差平方和较大，故采用该方法对基础指标集进行合理的裁剪聚合，其中离差平方和S计算式为式中：K为聚类的总类别数；Sk为第k个类别中的离差平方和；![]()
为样本ϕ中第i个指标与第j个指标之间的余弦夹角数值cosθi,j；![]()
为该类别内所有样本指标i、j之间的余弦夹角均值。利用上述基于Ward的凝聚层次聚类法对基础指标集B进行合理优选，可以得到最优指标集，为分布式智能电网高效发展管理打下夯实基础。需要说明的是，进行指标优选主要目的是剔除冗余性指标，即2个指标反映的问题均为同一个，且无法提供额外信息，而部分具有相关性但能够提供额外信息的指标并不会被剔除掉。依托分布式智能电网发展建设中所涉及的主要问题类型，从问题源头将其分为线路与台区2大类，实现分布式智能电网发展建设设备单元级管理。进一步地，结合分布式智能电网高效发展管理全过程，将项目指标划分为运行层、规划层以及发展层3个方面，其中运行层侧重于分布式智能电网运行中存在的问题，规划层侧重于分布式智能电网规划架构中存在的问题，发展层侧重于分布式智能电网未来发展中存在的问题。最后，结合上述Ward凝层聚类法在3个层面分别筛选各自的最优指标集，实现最优指标体系的多层次立体全覆盖。表1给出了台区和线路项目对应的最优指标体系。
Table 1 Evaluation index system for development of distributed smart grids![]()
本文以某省2018年至今10 000组分布式智能电网建设投资项目基础数据为例，利用所提出的融合群体智慧的分布式智能电网发展管理评估体系对其进行对标分析，并进一步计算立项项目的投入产出比，校验分布式智能电网高效发展闭环管理体系的有效性与合理性。依托分布式智能电网中5 000组线路与5 000组台区基础数据，首先对基础数据中偏差较大的数据组进行剔除。然后利用Ward凝层聚类法，从初始的50项分布式智能电网基础指标中挑选出14项最优指标。其中台区类和线路类最优指标集见表1。结合处理后的数据，利用最小二乘法对最优指标集中的所有指标进行概率分布拟合，确定各指标的阈值区间，并结合各指标特征选择最优百分制打分函数。表2给出了线路与台区的指标阈值区间以及对应的打分函数。其中蓝色底纹的指标为0,1二项型指标，无须进行阈值区间的计算，0表示不存在该问题，打分为100分；1表示存在该问题，打分为0分。函数①②③分别表示类ReLU函数、类指数函数和类Tanh函数。
Table 2 Index threshold interval and scoring function for development of distributed smart grids![]()
以台区户均容量指标FZ3为例，图3给出了该指标的分布信息。因为户均容量为连续性变量，故使用Gamma分布对其进行拟合。其中蓝色柱状图表示户均容量的频次；蓝色曲线表示拟合所得的分布函数Γ(2.06,1.20)；橙色曲线表示户均容量的反向累积概率曲线，因为户均容量取值越大越好，故从后往前取累积概率。如图3所示，本文将户均容量的阈值百分比区间设定为![]()
[60%, 95%]，则对应的阈值区间为![]()
[0.6, 1.8]。意味着若某台区户均容量小于0.6 kV·A，则认为该台区此指标打分为0分；若大于1.8 kV·A，此指标打分则为100分；若在区间[0.6, 1.8]内，则按照类Tanh打分函数进行打分。
![]()
Fig.3 Data distribution of average capacity for a certain area of transformer5.2 指标差异性驱动的群体智慧赋权分析
基于5.1节所计算的指标百分制得分，利用群体智慧所融合的6种方法对10 000组分布式智能电网项目进行评估，进而得到每种方法每个项目所有指标的加权得分。结合6种方法求得所有指标加权得分，根据式（7）构造每个项目对应的群体智慧指标矩阵U和V，进一步从横向和纵向2个维度评价各个指标之间的群体智慧信息矩阵的差异度。以编号30的台区项目为例，根据6种评估方法所得的加权指标评分，结合式（10）可以算出各种方法每个指标对应的普通加权法权重占比，结果如图4所示。根据图4可知，针对同一个指标，不同方法会得到不同的加权评分，如指标YX1、YX2、YX3等9种指标（非橙色柱体），6种方法在这些指标上的加权评分占比较为接近，同一指标内各种方法差异度不大，即6种方法在这些指标上的认知相近。但在YX4、WJ1、FZ1、FZ2、FZ4这5个指标上（橙色柱体），6种方法的指标权重占比差异较大，也就意味着针对30号台区项目，6种方法在这些指标的认知存在分歧，因此需要进一步分析指标之间的横向差异度信息。
![]()
Fig.4 Histogram of index weight proportion in six methods
根据30号台区项目的指标信息矩阵U和V，结合式（9）可以求指标横纵差异度矩阵![]()
和![]()
。其中指标横向差异度为![]()
=[0.214 0.215 0.198 0.228 0.061 0.084]，指标纵向差异度为![]()
=[0.02 0.02 0.02 0.18 0.03 0.01 0.08 0.02 0.01 0.03 0.180.19 0.02 0.19]；可以看到![]()
的结果与图4中所示的差异结果一致，其中YX4、WJ1、FZ1、FZ2、FZ4这5个指标的纵向差异度（即同一指标内各种方法的差异度）较大。进一步结合指标横向差异度结果![]()
可知，在所利用的6种评估方法中，F1、F2、F3、F4内部的指标横向差异度较大（约0.20），能够更好地体现不同指标对总评分结果的影响。而F5、F6内部的指标横向差异度较小，相比之下难以区分不同指标在总评分中的占比差异，因此针对上述5组纵向差异较大的指标，需要进一步利用指标横向差异度进行重新赋权。针对上述6种方法认知差异较大的5组指标，基于本文所提出的指标差异性驱动的原则，结合指标横向差异度对这些指标进行重新赋权。根据赋权式（11），可以计算出重新赋权后的各种方法指标的权重占比，结果如图5所示。
![]()
Fig.5 Histogram of weight of collective intelligence driven by difference
对比图4可知，经过重新赋权后的指标权重占比图中，9种纵向差异度较小的指标（非橙色柱体）各个方法的占比并没有改变，仍然保留了原来的信息；而对于5种纵向差异度较小的指标（橙色柱体），重新赋权后这些指标各个方法的占比明显更加倾向于指标横向差异度较高的评估方法（F1、F2、F3、F4）。经过重新赋权后的指标权重占比整体比较均衡，对于评估方法之间认知差异较大的指标，重新赋权后的结果更加倾向于能够区分不同指标之间差异度的方法。基于指标横纵差异性驱动的群体智慧赋权方法相比一般赋权方法（平均法、人为加权法及式（10）中的常规加权法），不仅能够根据当前台区的具体信息具体赋权，还能体现指标之间的差异性，更好地反映不同方法之间特有的指标认知信息。图6给出了20个台区在不同评估方法下的百分制得分，其中F1~F6分别对应前面所述6种单一评估方法，F7代表利用平均赋权法对6种方法组合后的评分，F8代表利用本文所提的差异赋权方法得到的评分。![]()
Fig.6 Results of different evaluation methods
由图6可知，6种单一评估方法在同一台区上的评分不尽相同，利用单一的评估方法极易造成评估结果的偏颇。而本文的差异赋权法相比于平均赋权法，能够更好地利用6种方法的群体信息实现合理评分。以4号和6号台区为例，6种评估方法的评分分别为4号=[60,86, 46, 63, 60, 74]、6号=[59, 69, 57, 60, 58, 75]；F7和F8评估的结果分别为4号=[65, 64]、6号=[63, 65]；如果按照平均赋权则会得到4号优于6号的结果，而差异赋权则会得到6号优于4号的结果。对比6种方法的评分可以发现，2个台区在方法F2和F3上的评分差异较大，其中4号台区F2与F3的评分与其他评分差异明显，说明这两种方法在部分指标的评分上存在较大的歧义，但F7无法合理考虑该信息，仅对6种评分进行简单加权，容易造成评估偏差。本文所提的差异赋权法中，通过将F2与F3两种方法有差异的指标进行重新赋权，使得最终结果受这两种方法的影响较小，结果也更加合理。考虑到6号相比4号得分更均衡，故差异赋权结果认为6号优于4号，有效降低了4号中歧义较大的评分对评估结果的影响。利用本文所提出群体智慧法对5 000个台区项目进行评分，结果如图7所示，结果按照差异赋权评分从小到大排列的，其中评分区间表示6种方法的评分结果区间。由图7可知，在评分较低的台区项目上，6种方法的评分区间较大（阴影面积较宽），意味着6种评估方法结果差异较大，如果仅用一种评估方法，极易造成评估结果的偏颇，这一现象在线路评估结果（图8）中同样存在。但经过指标差异性驱动的群体智慧评分后，结果能够很好地组合多种方法在不同方面的认知，评估结果较为合理可信。
![]()
Fig.7 Collective intelligence evaluation results (transformer)![]()
Fig.8 Collective intelligence evaluation results (line)
由图7可知，5 000个台区项目评分大多数都高于60分，其中40分以下仅为一个，为最低评分24.17的4713
号台区项目。因为评分结果是百分制对标结果，故最高评分为2118
号台区项目的100分。其中40~50分段的项目总数为14，50~60分段的总数为160，60~70分段的总数为887，70~80分段的总数为1809，80~90分段的总数为1654
，90分以上的总数为475；5000
个台区项目的平均分为77.66，多数项目评分落在70~80分段，低于60分的项目数为175，占比仅为3.5%。结果说明5 000个台区项目中评分不合格的项目相对较少，但整体水平中等，针对评分较低台区项目须优先考虑立项。由图8可知，5000
条线路最低评分为4587号项目的36.69分，40分以下的项目总数为44，40~50的总数为226，50~60分段的总数为504，60~70分段的总数为1864
，70~80分段的总数为2124
，80~90分段的总数为208，90分以上的总数为40；5000
条线路项目的平均分为79.04，低于60分的项目总数为774，占比仅为15.48%。相比于台区项目评分结果，整体平均分较高，但不及格的线路项目总数也较多，说明这5000
条线路项目整体水平分布参差不齐，迫切需要对问题线路项目进行投资立项等合理规划。项目在投资立项之后，仍需要对其进行基于投入产出比的高效发展闭环管理分析。通过对分布式智能电网规划中5组已经投资建设的台区数据前后评分进行投入产出比的计算，可以得到表3结果。
Table 3 Analysis results of distributed smart grid projects based on output ratio![]()
分析表3可知，其中#1和#4号项目的初始评分比较接近，但#1项目的投入经费相比较少，且增加分数较高，故产出比也较大。对比#2和#4号项目，虽然#2的增加分数较小，但投入经费也相对较低，且最终分数较高，故产出比也较大；对比#3和#5号项目，#3投入经费较小而增加分数较大，故产出比最高，虽然#5投入经费最大，但其初始分数与增加分数都较大，故其产出比也相对较高。针对#2和#4号产出比较低的项目进行深入分析，发现#2项目投运后设备存在三相负荷不平衡等运维诸多问题，需要对其进行精准运维管控；而#4项目不存在运维问题，结合其具体指标数值对评估体系进行反馈分析，发现在台区停电投诉指标上得分较低，可能存在一起停电多处投诉问题，故对该指标权重进行微调，实现分布式智能电网高效发展全周期精益化闭环管理。
本文提出了一种融合群体智慧的分布式智能电网高效发展闭环管理策略，相比于现有分布式智能电网发展建设体系能够综合考虑项目各方面影响因素、合理对建设投资项目进行评分，有助于分布式智能电网规划管理的精益化提升。1）合理利用海量分布式智能电网数据，避免由主观经验而导致的建设投资精准度较低的现象。利用Ward凝层聚类优选规划体系筛选最优指标集，确定各指标的阈值区间，为分布式智能电网精准投资建设奠定基础。2）融合群体智慧的分布式智能电网高效发展评估方法，能够综合多种评估方法的多方面认知结果。结合指标差异性驱动的群体智慧赋权方法可以更好地反映不同方法之间特有的指标认知信息，实现投资项目的综合评估。3）通过计算各个建设投资项目的投入产出比，进而对分布式智能电网规划体系全方位反馈矫正，实现分布式智能电网高效发展闭环管理。
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
