TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 10, Octobe r 20 14, pp. 7082  ~ 709 1   DOI: 10.115 9 1 /telkomni ka. v 12i8.533 4          7082     Re cei v ed  De cem ber 1 0 , 2013; Re vi sed  May 18, 20 14 ; Accepte d  Ju ne 6, 2014   Assessment of Intelligent Substation Based on an  Improved Fuzzy Sets Method      Yuancha o  Hu 1 , Lina Yao 2 , Jiangjun Ruan* 3 , Yunzh u  An 4 , Fan Chen 5   1,3, 4,5 School of Electrical E ngi neer ing, W u h a n  Univ ersit y  (W HU)   NO.8. South Road of Easter n Lake, 43 00 72, W uhan, Hu bei  Provinc e , P.R.Chin a   2   Z hengzho u U n iversit y  of Li g h t Industr y     No.5. Don g fen g  Roa d , 450 00 2, Z hengzh ou,  Hen an Provi n c e , P.R.China   *Corres p o ndi n g  author, e-ma i l : ruanj ian g j un1 968 @12 6 .com       A b st r a ct   In the co nstru c tion pr ocess  of smart grid,  an  ass e ss me nt on pr i m ary  equ ip me nts i n telli ge nt   transformatio n  is an urge nt content in the first  batch  of intelli gent  substation p i lot proj ect. Wid e   investi gatio n of intelli ge nt sub s tation pi lot pr ojects  w a s conducted ser i ous l y  in several re gio nal p o w e r grid s   in Ch ina. An  mathe m atic al  mode l w a s estab lishe d to  asses s  the substatio n  pri m ary e q u i pments inte lli g ent   transformatio n   firstly; then, the Va g ue s e ts mu lti-ob jectiv e  decisi on th eory  w a s appl ied t o  the ass e ss ment   mo de l an d the  consiste ncy ins pectio n  an d w e ight solv in g me thod of Vag ue  set theory w a s improve d  in th i s   pap er. F i nal ly,  a practic a l  exa m p l e w a s g i ve n to sh ow  the ration ality a nd  accuracy  of th e ab ove  i m pro v e d   meth od. T h e  meth od ca n  provid e pra c tical gu id anc e to assess  primary e q u i p m e n ts intel l i gen t   transformation.     Ke y w ords :   sm art grid, substation inte ll ige n t transfor m ati on, va gue   sets, fuz z y  set,  com p r e hensiv e   consiste ncy ins pectio n     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .        1. Introduc tion  Smart gri d  is  the mediu m -and-l ong -term devel opm e n t dire ction o f  powe r  gri d  i n  Chi na.  The  key for i t s evaluatio n  is p e rfo r man c e ta rget, p e r forma n ce  ch ara c teri stics,  key te chnol o g y  and fu nctio n  implem entat ion [1 -4]. Ma ny re sea r ch  institution s  a nd e n terp ri se s in  China  a r e  actively prom oting the co n s tru c tion of smart gr id a n d  have alrea d y made so me  achi evement s. In   2009,  a sta g ed g oal  wa s pro p o s ed  b y  Chin a Stat e Gri d  fo r constructin g   strong  sm art  grid:  makin g  maj o r brea kth r ou g h  and  wide sp read  use in t e rm s of key tech nolo g y an d equi pment s. In   this ca se, as the acqui sition sou r ce an d comma nd  executio n uni t for basic o peratin g data  of  power g r id, d i gitalize d  stat ions a nd sm art stat ion s  h a s be com e  the key di re ction for prese n t  sma r t grid  constructio n  to pro g ressiv ely ac compli sh the t r an sformation  an d upg rad e  from  traditional   su bstation. A ccordin g to  the  200 9-2020   sma r t g r id  d e velopme n t  plan s, the  smart  transformation of substat i on will enter a comp rehensive  const r uction period since 2012,  achi eving an  intelligent rate of 30-50  percent  and  10 percent  for new  sub s tation s and  old   sub s tation s resp ectively. State Grid h a s c ond ucte d a lot of rese arch  sin c e 2010 a n d  the  transfo rmatio n  and co nst r uction proj ect s   for sm art  substatio n  initi a ted succe ssively. The first  pilot p r oje c t  constructio n   h a s  almo st b e en fini she d  [5 -6] a nd th e  seco nd  pilot p r oject  ha s m a d e   great a c hi eve m ent as  well.  In this ca se,  it has  be co m e  the top p r io rity to assessment for p r e s en t  intelligent level of substati on. Acco rdin g to  the High Voltage Equipment Intell igent Techni cal  Guideli ne, attention s  sh oul d be firstly pa id to the  smart transformati on level in different area s. In   orde r to a c hi eve the sma r t transfo rmati on of su bstat i on it sho u ld  be mad e  cle a r the ne ed f o r   sma r t transf o rmatio n or  upgrade a n d  the standa rd  of intelligence. To coo perate  with the  se con dary pil o t proje c t, State Grid Co m pany will  arra nge so me experts  spe c iall y to investigate   and evaluate  the pilot pro j ect in a wid e  rang e.  Ho wever, comp rehe nsive ev aluation of smart  transformation level is relat i vely deficient .    Since  Ca u a n d  Bueh re r a d v ance d  the V ague  Set  Th e o ry in  199 3, it ha s a c hieve d  ra pid  development  as  a pr omotion for m  of fuzzy s e ts  [8 -9]. Tr aditional multi- objec tive dec i s i on- m ak ing   theorie sa re l a cking i n  un certai n info rmation de scription [10-12] , such a s  A nalytic Hi era r chy  Process, entropy weig ht method,  grey i n cid e n c e the o ry and Te ch nique for  Ord e r Prefe r en ce  by  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Asse ssm ent of Intelligent Substation B a se d on  an I m prove d  Fuzzy Set s  Meth od (Yua ncha o Hu)  7083 Similarity to Ideal Solution .Compa re d with fu zzy sets, Vague Set Theo ry can  mathemati c al ly  rep r e s ent  an d process m o re a bun dant  uncertain   info rmation. T h e r efore, Va gue  Set Theo ry can  be  widely  ap plied i n  field s  as fuzzy  con t roller de sig n , MOMSF D M,  artificial  intell igen ce  and  son  on. Beside s, the po wer  se ctor is  ra rely in volved in this theory.  Due to th e in volvement of  much un ce rtain  informatio n in smart transfo rmatio n, Vague   Set Theory  was a pplied to  the com p reh ensive eval u a tion for  sma r t tran sform a tion of su bstat i on  and th e  con s i s ten c y che c k  and  wei ght  solving of Va g ue Set T heo ry wa s imp r ov ed in  this pa p e r .   And the tran sform a tion le vel of seve ral  pilot pr oje c ts wa s a s se ssed with  the a bove evalu a tion   model. La stly, a pra c tical  example  wa s given to  sta t e the cal c ul ation  process an d practi cal  appli c ability of this method  in detail.       2. Cons truc tion of Smart  Trans f orma tion Ev aluation Model for  Substa tions   Smart statio n  is comp osed  of pro c e s s l e vel (eq u ipm ent level),  co mpartme n t le vel and   station level.  The integ r ate d  intelligent e quipme n t  is u s ed to fulfill f unctio n s  su ch as  coll ectio n ,  measurement , control, protecti on, cal c ulatio n, monitor and re al-time onlin e analysi s  a nd  deci s io n, whi c h  assu re th e  coll abo rative  intera ct ive o peratio n of th e po we r g r id.  Intelligentialized   sub s tation i s  mainly featured  by digital mea s urem ent, control netwo rk,  state visuali z atio n,  function al int egratio n, an d  inform ation i n tera ction.   It basi c ally req u ire s   total di gital  informati on,  comm uni cati on network p l atform and i n formatio n s harin g sta n d a rdi z ation. In  accordan ce  with  techn o logi cal  feature s  a n d  req u ire m ent s, the di gital  measurement  and info rmati on inte ra ction  of  importa nt electri c  acce sso r y is the key to fulfill  intelligentialized  sub s tation. T herefo r e, in the  con s tru c tion   of the first  and  se co nd  sma r t  sub s tation, the i n tegrate d  le vel of intelli gent  comp one nts  and a d van c e d  appli c atio n  of monito ring  informatio n a r e the  con c en trated  refle c tion   of smart tra n sformation lev e l of pilot sub s tation proje c ts.      (a) T r an sfo r m e r  intelligent mo nitoring of  oil and ga s    (b) Potential t r an sform e r  intelligent co mpone nts  (c) GIS partia l  discharge  monitori ng de vices    (d) swit chin g  intelligent  assembly cab i net    Figure 1. The  Intelligent Transfo rmatio n Arra n gem ent of Substation  Primary Equi pments      Acco rdi ng to  the a c compl i shme nt of th e tr an sformat i on an d con s truction, Stat e Gri d   Comp any su ccessively arrange d som e  experts fo r  Hi -pot test an d equipm ent to investigate a n d   evaluate the f i rst an d se co nd pilot proje c ts of  eq uipm ent intelligent ializatio n. Layered  evaluati on  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  708 2  – 7091   7084 deci s io n pri n ciple  wa s uti lized from th e whol e  to the pa rt: sele cting  conve r ting station f o r  evaluation an d perfo rming  an integral evaluation fo r e quipme n t su ch as tran sfo r mer, GIS (HG I S)  combi nation  unit, brea ker  and lightnin g  arreste r   [13-1 4 ]. And acco rding to the re quire ment s for  intelligent co mpone nts of  each  ele c tri c  acce ssory  in  Intelligent  Su bstation Te ch nical Guid elin e   and  Intelligent Substation Desi gn Specifications , it refine s the monitori ng category of e a ch   equipm ent su ch a s  the oil tempe r ature, bra cki sh  wate r and pa rtial d i scharge, and  so on.   Practi cal re searche s  sho w ed that differen c e s  am o ng sm art tra n sformation  of different  voltage level s  are a bout th e refo rm difficulty and pr og ram s  of different manufa c t u re rs. In  spite  of  the installm ent of intelligent components, differ ent equipments of  the  sam e  converting  station   coul d all be  evaluated i n   terms  of mea s ureme n t, co ntrol an d co mmuni cation  according to  the  techni cal  gui de [15]. An  e v aluation m o del for smar t  tran sform a tion level  wa s pro p o s ed  in  this  pape r to tran sform a nd ev aluate the m a in high -p re ssure equi pm ents such as transfo rme r , GIS  combi nation  unit, mutual indu ctor, switch, lightning arreste r  an d ele c tri c  ca ble       T able 1.  Inte llectualiza t ion   Assessm ents of Substa tion Equ i pmen t Ob jects   First indicator  Second indicator  First indicator  Second indicator  Measurement  function  Digitized sample s  Protection  PDIF, PTR C  and   other standa rd  model  MMXU, MMXN standard  model  Net w ork contr o l  G M RP multicast  protocol d y na mically   allocated  Digitized sample s  D y namic, stead y-state  comprehensive  collection of data  Place installation  Power  Q uality   Monitoring   G M RP multicast  protocol  d y namicall y   allocated  Control  functions  CSWI, CILO stan dard  model  Metering  function  MMTR standa rd  model  Net w ork contr o l  Digitized sample s  G M RP multicast  protocol d y na mically   allocated  G M RP multicast  protocol  d y namicall y   allocated  Emergenc y  Ope r ation  Communication  function  Virtual LAN  (VLAN)   Contempo raneo us  function w i th th e  same  period the voltag e  selector    Pr ior i ty  tr ansmit  Condition  Monitoring   Monitoring data  digitization   IEC61588- precision netw o r k   time  Standardization of  the  measurement re sults  G M RP multicast  protocol  d y namicall y   allocated  Abnormal alarm  state  Wireless handheld  communication  devices      3. Promoting Vague Set T h eor y  as a M u lti-objec tiv e  Decision -making The or y     The big g e s t   prom otion o f  Vague  sets as fr om  f u zzy set s  is that the de gree  of  membe r ship,  non -mem be rshi p a nd  h e sitation  de g r ee s  (un c e r tainty) were  con s id ere d   more  flexible and ri che r  with Vag ue set s  thant hat with tradit i onal fuzzy se ts.           Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Asse ssm ent of Intelligent Substation B a se d on  an I m prove d  Fuzzy Set s  Meth od (Yua ncha o Hu)  7085 3.1. Vague Value Judgme n t Matrix   Acco rdi ng to  the definition of Vague sets, the dom ain  X  (any el ement of the  domain  r e pr es e n t ed  b y   x ) on th e Vague  set  V  use  real m e mbershi p  fun c tion  t v  and f a ke m e mbe r ship  function  f v  c h arac teriz a tion:    t v ： X   ， → [0,1]   f v ： X   → [0,1 ]            (1)    Assu ming  th at  t v ( x ) an d  f v ( x ) respe c tively  re pre s e n ts the  mem bership  de gree lo we r  boun d derive d  from the evidence of for and ag ain s t  x  ,and  t v ( x )+ f v ( x ) ≤ 1, the membe r ship  of  element  x   i n  Vague set  V   will be defined by the  subi nterval [ t v ( x ) ， 1- f  v ( x )]  on [0,  1]. Ac cording to   this definition ,  the nece ssi ty of supporti ng  x   ∈  x  is   c h ar ac te r i z ed w i th   t V  ( x ); the possi bility o f   sup portin g  x   ∈   x  (1 -   f v  ( x ))  is ch aract e rized with  (1- f v ( x ) ) ; And  (1 -  t v   ( x )  -   f v ( x ))  d e scri be  mathemati c al ly the uncerta inty of  x .   Setting  X  = { x 1 ,  x 2 ,... ,  x n } as a  set of  attributes, the  0.1 - 0.9  scale m e thod [16] i s  u s ed fo r  pairwise  com pari s on  of e a c h  attribute,t hus con s tituting the  jud g m ent matrix  V= [ v ij ] m × n  based on   Vague val u e s , where  v ij   =[ t ij ， 1 -f ij ] for Vague  value s ,   t ij  and  f ij   re spectively rep r ese n ts  de cisi on   make rs’ preferen ce  deg ree of  x i  a nd  x j , （ 1- t ij -f ij ） rep r e s ent s d e ci sion ma kers’  un certai nty.  Acco rdi ng to the nature of  the judgi ng  matrix stru ctu r e, it can get  t ij ∈ [0,1],  f ij ∈ [0 ,1] and  t ij + f ij ≤ 1,  diago nal ele m ents  t ii =f jj =0 .5,non di ago n a l elem ents  meet the  com p lementa r y :  t ij =f ji .  In the  actual  asse ssm ent,  different  exp e rts’  judg me nt on  a  parti cula r attribut e  can often be subj ective   and  variou s, so y ou ca n take the mea n  valu e of different  deci s io n ma kers’  asse ssm ent value a s  the   Vague value s  of the judgment matrix.    3.2.   Fuzz y  Approximatio n to Judgme n t Matrix of  Vague Value s    Vague  set s   gene rally o n l y  con s ide r s t he for an d a gain s t memb ership i n  the  multi- obje c tive eva l uation, la cki ng of  un ce rtain info rmati on. In fa ct, a s  a   kind  of  deci s io n ma kers’   attitude, un certain i n form ation  shoul d  be fully d e tailed mi ning.  In additio n , Vague  valu e a s   judgme n t ma trix element s increa se s t he computati onal  compl e xity. Conside r ing th ese  two  asp e ct s, tran sformi ng Va g ue into fu zzy sets is fe asi b le to de al  wi th the Vagu e  value jud g m ent  matrix.  Setting  Vagu e  set as   V ={[ t v ( x ),1 - f v ( x )] x ∈ X }, fuzz y  s e t as   F ={[ x, F ( x )] x ∈ X }, mappin g   R : V → F  meet,        v vv tx Fx tx + f x                                                                                        (2)    Thus F i s  the fuzzy ap proxi m ation to Vague set V.  In the same  way, prom otion to the fuzzy  approximati on of Vague  value judgm ent matrix,  it can get the fuzzy ap proxi m ati on to Vague value ju d g ment matrix  Q= [ q ij ] n × n ， wh ere:                       ij ij ij ij t q tf    ， i ,  j=1,2, …, n                                                                         (3)     3.3. Consis tent Check a nd Modifica tion of Fuzz y   Judgmen t M a trixe s   Literatu re (16 )   a nd (17 )  co nsid ere d   the  trans itivity of  judgme n t o r d e r i n  the  con s iste ncy   check of fuzzy judgment m a trix, avoiding the  appea rance of  sequent ial logic contradi ction such  as  x i ≺ x j ≺ x k ≺ x iin  in the at tributes  ci rcu l ation ch ain,   but this m e thod ign o re d the deviati on   accepta b ility [16, 17].Tho ugh literature  (18 )  set a  deviation thresh old, it co nsid ere r  little of  transitivity of judgment order. Actually, fuzzy j udge ment matrix sho u ld sati sfy both consi s tent   and l ogi cal transitivity at the  same  tim e . The r efo r e,   a comp re he nsive  i n spe c tion stand ard  and  corre c tion m e thod  wa s p r opo se d in  pre s ent  stud y to make t he con s iste n c y ch eck m o re  rea s on able.   (1) Verification of compatibility indicators  Fuzz y judgement matr ix  Q  meet s the  compl e me nta r y co ndition,  ∀ k   ∈ (1 ， n ) ， q ij =0. 5 + q ik - q jk   so mat r ix Q i s   completely cons i s te nt matrix. Fo r vari ou s d e cision  informat ion, compl e te ly  con s i s tent m a trix is ha rd  to exi s t in  practi cal evaluation. Thu s , corre c tion   is  ne eded  for  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  708 2  – 7091   7086 approximatio n. Gen e rally, co nsi s ten c y  index  C I  i s  used  to m easure  the   deviation  de gree  (gen erally take less than 0. 1).  Q * = ( q ij ) n×n  is  tak e n as  the c h arac teris t ic  matrix  of  Q,  whe r e:     nn ij ik jk k1 k1 q= 0 . 5 + q q n                                                                             (4)    Compatibility indicators  C I  are  expresse d by fu zzy ju dgment   matri x  and it s  ch aracteri sti c   matrix Q * de viations a s :    nn *2 * 2 Ii j i j i1j 1 CQ Q n q q n                                                        (5)    In general practice, whe n   C I  is  les s  than 0.15,  Q  can  be rega rd ed  as con s iste nt matrix.  (2) Ve rificatio n  of transitivity index   Rea c h able  matrix T in grap h theo ry is cited  to  verify the logic  trans i tivity of fuz z y   judgme n t ma trix  Q   [19]. Define matrix  Q T  as a c com pany re acha ble matrix of  fuzzy ju dgem ent  matrix  Q , wh en  q ij  > 0.5,  Q T  take s "tru e", and expressed a s  "1" .  Instead,  Q T  to "false", and  expre s sed  as "0”. Su ccessively solving  n-o r de r  of th e adj oint rea c ha ble m a trix , get reachab le   matrix  T  whi c h can ju dge t he co nsi s ten cy of  Q.       T  =  Q T  ||  Q T 2  || ⋯ ||  Q T n                                                                           (6)    Whe r e "| |" mean s "or" op e r ation in Bo olean  op eration .  If all the main diago nal el ements  of re achable  matrix T  a r e "zero"  valu e,  Q  i s   co nsi dere d  to  me et the te st of  logi c  con s i s tent  transitivity.  (3)  Comp re h ensive in sp ection and corre c tion   Whe n   Q  satisfies both compatibility and transitivity  at the  same time, its  consi s tency is  accepta b le; o t herwi se, th e  colum n s who s e  deviation  i s  too  large  ne ed to b e   co rrected.  Cal c ul ate  the sum of de viation value in each ro w:    n * ii j i j j1 h q q  ,  i = 1,2, …, n                                                                  (7)     Select the ele m ents of maximum deviation in  h -th ro w and take a k-th co rre ction,  where  α (0 ≤ α ≤ 1 )  is th e prop ortio n  of original m a trix informatio n,    q hj ( k +1) =  (1 - α ) q hj ( k ) + α q hj * ( k ) ， j=1,2,…,n                                                            (8)    Similarly, the element of the maximum d e viation in l-th colum n  is correcte d:    q il ( k +1) =(1 - α ) q il ( k ) + α q il * ( k ) ， i=1, 2,…,n                                                                (9)    Q  matrix has  a consi s tency  check after  each  correction, until it sati sfies the  compatibility  and tran sitivity at the same  time.    3.4. Solv e Evaluation Ind ex Weigh t s   The  Q  m a trix which m eets a  co n s iste nc y che ck have  a layering of  weig hts  solutio n .Ch a racteri s tic ve ct or meth od i s   use d   to calcu l ate the maxi mum charact e risti c  value  λ ma x   of  Q  matrix  and the ch aracteri stic ve ctor of char acteristic valu e. Characte rist ic vector  wa s  norm a lized toget  n  inde x weight ve ctors of k-th  layer as  w j (k) =( w 1 (k) , w 2 (k) ,… w n (k) ) ,  w her e   j = 1,2, …, n . Th en the  j -th we ight evaluatio n index for the combi natio n of total target is cal c ulate d .     w j = w j ( k ) · w j ( k -1) ·…· w j (1)                                                                            (10)      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Asse ssm ent of Intelligent Substation B a se d on  an I m prove d  Fuzzy Set s  Meth od (Yua ncha o Hu)  7087 3.5. Solv e th e Compre he nsiv e  Ev alua tion Re sults   For a n  evalu a tion with  m  obje c ts a nd  n  indexes,  con s tru c ted a  we ighted de ci sio n  matrix   Y= ( y ij ) m × n ， where   y ij  dete r mi ned  by expe rt s a s se ssed v a lue  or  a c tual  pa ramete r v a lue s  of va rio u s  indicators of  different a ssessm ent obj ects multiplie d  by  the  in d e x weig hts  (Pay attention  to   effective type paramete r s  and  co st  type pa ramete rs' normali zatio n   process). Each evaluat ion  index contra st betwee n  ob jects  ca n be  dire ctly rep r ese n ted by  Weig hted d e c isi on mat r ix. In   pra c tice, t a ke  Level  1 a s se ssment in dica tors  z j  a s  t h e   colum n  v e ct o r  of   de cisio n   mat r ix   Z= ( z ij ) m × n ,  whe r e:      n ij i j j i1 zy w                                                                                         (11)    Acco rdi ng to  the wei ghted  deci s io n mat r ix,  get ea ch  appraisal obj ect' s final ev aluatio n   value  η i     n ii j j1 z ， i = 1,2, …, m                                                                              (12)    3.6. Flo w   Ch art of Vag u e  Sets Ev aluation Method   Asse ssing  th e a c tual  obje c t with   Vagu e  set evalu a tion meth od  h a s  bee n  sho w n f r om   se ction 3.1 to  sectio n 3.5, and the spe c i f ic flow ch art  sho w n in Fig u re 2.           Figure 2. The  whole Flo w   Cha r t of Vague Sets Asse ssment Meth od       4. Analy s is o n  Practical E xample   4.1. Practical  Example  Main p r ima r y equip m ent  of the pilot  p r oje c t of the   initial co mple ted sub s tatio n s  wa s  taken a s  the  apprai sal ta rget. It mainly includi ng 1 10kV Intellig ent Substatio n  transfo rmat ion   inclu d ing tra n sformers i n  three  staton s an d  GIS  HV combin e d  ele c tri c al  equipm ent in  two   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  708 2  – 7091   7088 station s  fo r  evaluation  o b ject. T he in telligen ce  ref o rm l e vel of  each p r ima r y equi pment  wa s  asse ssed a c cording  to E v aluation  system in  Tab l e. Firstly, u s e Va gue  sets a s sessm ent  method s to solve the weig ht vector for  each le vel indicato r of the first and se cond indi cato rs.  Take  the  seconda ry indi ca tor a s   an  exa m ple, Va g ue value    j udgm ent  matrix wa s con s tituted by   the mean val ue of the se cond indi cato r from different  experts.               0. 50 , 0 .50 0 . 3 5 , 0. 50 0. 41 , 0 . 6 8 0 . 3 8 , 0. 73 0 . 4 8 , 0 .7 3 0 . 5 9 , 0 . 5 0 , 0 . 6 5 0 . 50, 0. 50 0. 53, 0. 68 0. 32 , 0 .59 0 . 3 2 , 0. 47 0. 50 , 0 . 5 0   0. 27 , 0 .62 0 . 2 7 , 0. 52 0. 32 , 0 . 6 2 0. 27 , 0 .52 0 . 2 2 , 0. 52 0. 32 , 0 . 5 2   0. 33 , 0 .41 0 .1 2 , 0. 32 0 . 5 5 , 0.6 5    V=             0. 6 7 0. 48 , 0 . 7 3 0 .4 8, 0 . 7 8 0. 68 , 0 . 8 8 0. 38 , 0 . 6 8 0 .4 8, 0 . 6 8 0. 35 , 0 . 4 5 0. 50 , 0 . 5 0 0 . 5 0 , 0. 67 0.6 5 , 0. 47 0. 33 , 0 . 5 0 0 . 5 0 , 0. 50 0. 54 , 0 . 7 6 0 . 5 3 , 0 .3 5 0 . 2 4 , 0. 46 0. 50 , 0 . 5 0     Usi ng Eq uati on (2),  se eki ng fu zzy  app roximation  m a trix  Q  of V a gue valu e ju dgment  matrix, According to Equation  (4) and  (5), verify  the compatibility indicato rs of the matrix,  and  C I  wa s equ aled  to 0.0458,  whi c h me et the co mpat ibi lity require m ents deviatio n s. Verifing t he  transfe r of  Q  acco rdin g to  Equation  (6 ), not all  elem ent s  of the m a in dia gon al  are  ze ro. T h us,  corre c t the most biased lin e 6, column 6  acco rdi ng to  α = 0 .4. After t w o times  of correc tion, it g o t  the final fuzzy  judgment ma trix:    0.50    0 . 41    0.56    0 . 58    0.64     0 . 65 0.58    0 . 50    0.62    0.64    0. 69    0.78 0.44    0 . 38    0.50    0.54    0. 60    0.52 Q= 0.42    0 . 36    0.4 6    0.50    0. 60    0.57 0.36    0 . 31    0.40    0 . 40    0.50    0.60 0.35    0 . 22    0.48    0.43    0.4 0    0.50              After c o rrec tion, trans i tivity i ndicato rs  meet the re q u irem ents,  C I  wa s equ aled  to 0.0228. T hus,  comp atibility bias  ha s al so  been  co rrect ed. Succe ssi vely solving t he two i ndi ca tors Va gue v a lue  judgme n t mat r ix and  cond u c ting fu zzy a pproxim at ion  and  co nsi s te ncy of j udgm ents. Th e  re sults   are sho w n in  Table 2        Table 2. Vag ue Sets Matri x  of Seconda ry  Indexes an d Con s i s ten cy Check Results  First indicator  Consistent  checks   Successi ve cor r e ction matr ix  Q  1st   2nd   3rd   Measure  indicators  C I 0.1125  0.0781   0.0566   －   T   N N  Y  －   Control   indicators  C I 0.0696  0.0475   －   －   T   N Y  －   －   Monitor   indicators  C I 0.1111   0.0815  0.0652  0.0489   T N N  N  Y  Protection  indicators  C I   0.1437  0.0991   －   －   T N Y  －   －   Estimate  indicators  C I 0.0531   －   －   －   T   Y  －   －   －   Communicate  indicators  C I 0.0926  0.0653   0.0495   －   T N N  Y  －       With the  co rrection fu zzy judgme n t mat r ix,using  the  eigenve c tor  method to  o b tain on e ind e x  weig ht vector  w (1) =(0.1 866 ,0.2133,0.16 6 1 ,0. 1614,0.1 4 16,0.131 0). Similarly, accordin g to fuzzy  judgme n t matrix of each two indicators  to solve corre s po ndin g  wei ght vector  w j (2) , acco rding  to   Equation (10) obtained two  overall index   weight vecto r  sho w n in T a ble 3.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Asse ssm ent of Intelligent Substation B a se d on  an I m prove d  Fuzzy Set s  Meth od (Yua ncha o Hu)  7089 Table 3. Co m p reh e n s ive Weight Vect o r s  Solution of Seco nda ry Indexes  First indicator  The t w o ove r all index  weights  w j   Measure indicators  (0.0466, 0. 0307,  0.0267, 0.04 29,  0.0397)   Control indicator s   (0.0510, 0. 0538,  0.0414, 0.02 92,  0.0378)   Monitor indicator s   (0.0648, 0. 0446,  0.0567)   Protection indicators  (0.0274, 0. 0333,  0.0285, 0.02 11,  0.0206)   Estimate indicato rs  (0.0545, 0. 0449,  0.0421)   Communicate indicators  (0.0303, 0. 0377,  0.0244, 0.01 34,  0.0251)       Select the pri m ary equi pm ent to be evaluated of  the substatio n ,the se con dary in dicato rs  to evaluate each equi pm ent intelligen t modificatio n  rating (T a b le 1). Amo ng them, for and   again s t a target to com p leted level score s were  t v ( x ) a nd  f v ( x )(Score  t v ( x ) +f v ( x ) ≦ 1), then this  index revie w   score s   con s ti tute a Vague  value ： [ t v ( x ), 1- f v ( x )], acc o rding to Equation (2) to tak e   the fuzzy ap p r oximation  F v   ( x ) as the in di cator’ s a c tual  sco re s.  Diffe rent de cisi on -make r s asse ss   the Vagu e value of  a p a rticul ar i nde x varies , ta ke the ave r a ge value  of  the two f u zzy  approximatio n of indicato rs that ma ke   up the equi pment revie w  sco r e s  vector  F i ( v ). As an  example, the  revie w   scores ve cto r   sol v ing in  t r an sforme r A, afte r the  a s sessment by  exp e rts  according to  Table 1, the review sco r e s  results of tran sform e r A sh own in Ta ble  4.       Table 4. Sco r e Re sults of  Tran sfo r mer  A Based on V ague Sets  First indicator  The t w o indicator s  mean score res u lts v F   Measure indicators  (0.8095, 0. 7857,  0.7021, 0.81 71,  0.6923)   Control indicator s   (0.7701, 0. 8816,  0.7021, 0.78 57,  0.7701 )   Monitor indicator s   (0.8252, 0. 7627,  0.8182)   Protection indicators  (0.8861, 0. 8736,  0.9239, 0.63 64,  0.8929)   Estimate indicato rs  (0.8667, 0. 9135,  0.8590)   Communicate indicators  (0.7609, 0. 8462,  0.9184, 0.89 47,  0.5769 )       Sequentially cal c ulate sco r e  result s  of other  p r ima r y equipm ent a nd co nstitud e  deci s ion  matrix  Z  accordin g to formula (11 ) . Th e weightin g value s  of each  intelligent pri m ary equip m ent  evaluation in dexare  sho w n in Table 5.       Table 5. Weighted Value s   of Evaluation  Index of Intelligent Prima r y Equipment              Inde x    O b jects  Measure  Control  Monitor  Prot ection Estimate  Communicate  Transform er  A  0.1431   0.1678   0.1339   0.1115   0.1244   0.1038   Transform er  B  0.1397   0.1665   0.1316   0.1141   0.1238   0.1133   Transform er  C  0.1307   0.1561   0.1217   0.1086   0.1167   0.1086   GIS equipment  A  0.1337   0.1586   0.1251   0.1098   0.1158   0.1076   GIS equipment  B  0.1135   0.1386   0.1055   0.0981   0.1107   0.0995       By the formula (1 2) the  prima r y eq uipment  intel ligent tran sfo r med  com p rehen sive  evaluation  re sults a r e  sh o w n i n  T able  6 .  At the  same  time, Ta ble  6 sho w s the   cal c ulate d  val ues  usin g AHP [10] and TO PSIS method [7]. Becaus e differe nt asse ssm ent method s use d  in   cal c ulatio n steps are different, the final asse ssm ent value wi ll be differe nt, but different  as se ssm ent ’s  sequ en ce re sult s a r e  con s ist e nt .        Table 6. Asse ssment Re sul t  of Intelligent Primary Equi pment         Assessment    O b jects  Vague sets Assessment Act   AHP Assessmen t Act  TOPSIS Assessment Act  η i   Sequence  η i   Sequence  η i   Sequence  Transform er  A  0.7845   2  0.6707   2  0.7061   2  Transform er  B  0.7890   1  0.6830   1  0.7180   1  Transform er  C  0.7424   4  0.6276   4  0.6682   4  GIS equipment  A  0.7506   3  0.6682   3  0.6830   3  GIS equipment  B  0.6659   5  0.5993   5  0.5993   5  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  708 2  – 7091   7090 4.2. Analy s is  on Asse ss ment Re sults  Asse ssme nt results  sho w  that, as the main po wer equipme n t in the sub s ta tion, the  intelligent tra n sformation o f  transformer  is pri o r  to the  other p r ima r y equipme n ts i n  the intellige n t  transfo rmatio n pro c e s s . Ne w sma r t intelligent sub s tati ons were co nstru c ted in  accordan ce  with  stand ard  co n s tru c tion,an d  the intellige n ce leve l  of the prima r y equipm ents  were hig her  than  other tran sformation  sub s t a tions.Th e  a p p rai s ed  va lue  of the GIS e quipme n t A is highe r tha n  the  transfo rme r   C in the  num erical exam pl e.   That's because  the sub s tation whi c h   GIS  (ele ctri cal  equipm ent A) located in  is a ne w  built intellige n t sub s tation , and the substatio n  wh ich   transfo rme r   C locate d in  is a transfo rmati on sub s tation.The asse ssm ent re sults me et the   pra c tical p r oj ect accu ratel y .  From th e re sults  of different a s se ssment  metho d s ,Vague  sets asse ssment  method   int r odu ce s u n ce rt aint y   t o  cha r a c t e ri ze f u zzy   d a t a  m a thematically, so it i s  mo re re asona ble  to   cha r a c teri ze  human fa cto r ,the discrimi n a tion is hi ghe r for the  asse ssment of obj ects  with  simi lar  levels, and th e method p r o posed in this  pape r is  mo re  con s iste nt wi th the actual  proje c t.      5. Conclusio n   In this pap er,  Vague sets t heory  wa s used to  solve a s sessme nt q uestio n s of  substatio n   prima r y equi p m ent intellige n t transfo rma t ion. First, a s se ssm ent mo del wa s b u ilt according to t he  relevant  stan dard s  a nd re sea r ch informati on,  and Vague sets evaluation  al gorithm has bee n   improve d , which  ma ke s the a s se ssment meth o d  mo re  rea s on able  and  accu rate.  The   asse ssm ent  method  wa s  applie d to  asse ss the i n te l ligen ce refo rm  level of  po rtion of  pri m a r y  equipm ents i n  the  su bstati on, an d was  verified  with  a given  exam ple. The  next  wo rk target i s  to   apply thi s  m e thod to  ev aluate th e o v erall intelli g ent tra n sfo r mation level  of the  intell igent  sub s tation  an d the  regi on al gri d . The   work  co ndu ct ed in thi s   pa per  provid es reality b a si s to   asse ss  sub s t a tion sma r t transfo rmatio n and  devel op  approp riate st anda rd s for the grid.       Referen ces   [1]  Haase P. Intelligrid:a Smart Net w ork of Po w e r.  EPRI Journal.  200 5(F a ll):  17-2 5 .  [2]  Amin M, Sche w e  P F . Preve n t ing bl acko uts: Buil din g  a Sma r ter Po w e r Grid .  Scientific America n . 200 8;  (8): 60-67.   [3]  YX  YU, WP LUAN.  Smart Grid  and Its Imple m e n tatio n s . Proceedings of the C SEE. 2009; 29(34): 1-8.   [4]  C XUE, CB L I, XQ HUANG , SW   T A NG,  Y LIU. A pplic ation  of Intelli gent Su bstatio n  Informatio n   Integratio n.  Electric Power Auto ma ti on  Eq ui pm en t.  2011; 3 1 ( 7):110- 114.   [5]  Smart Grid D e partment  of C h ina  State Gri d   Comp an y. Inte l lige n t T e chnic a l Co nd itions  of  High  Vo ltag e  S w itc h gear/GIS Equipm ents. Bei Jing: Smart Grid  Departm ent of China Stat e Grid Company .  2009  [6]  Smart Grid D e partment  of Ch ina St ate Grid  Comp an y. Intel lige n t T e chnica l Ana l ysis  Rep o rt on  Hi g h   Voltag e Equ i p m ents[R]. Bei Jing: Smart Grid  D epartme n t of Chin a State Grid Comp an y. 2 009.   [7]  YC HU, JJ RU AN, ZY DU, L RUAN, BH Y A NG, ZH  PU,  QJ XIE. Evalu a tion  of Subst a tion Prim a r y  Equi pment  Inte llectu a liz ation  Based on  T O PSIS.  Electric Pow e r Auto mati on Eq ui pment . 201 2;  32( 12):   22-2 7 .  [8]  F. LI, A. LU, L.J. CAI. Multicriteri a Decis i o n  Makin g   Bas ed on  V agu e  Sets .  J. H u a z hong   U n i v . o f  Sci   .  & Tech. , 2001, 29(7): 1-3   [9] LB  ZHU.  T h e o r y and  App lic ation  Res earch  on R o u gh S e ts and  Va gue  S e ts.  Che ngd ou : South W e s t   Jiao T ong Univ ersit y . 2 006; 1 0 -19.   [10]  YF  Z H AO, JF  CHEN. An al yti c  hier arch y  pro c ess  a nd  its a pplic atio n i n   p o w e r s y st em. Electric P o w e r   Automatio n  Eq uipm ent. 200 4; 24(9): 85-8 7 .  [11]  HZ NIE, P Lv , Y QIAO, X P  YAO. Com p reh ensiv e F u zz y  Eval uati o n  for  T r ansmission N e t w o r k   Plan nin g  Sche me Based o n   Entrop y W e ig h t  Method.  Pow e r System T e c hno logy . 2 009;  33(11): 60- 64.   [12]  W Z  YAN, LS GU. Applic atio n  of the metho d   of Entrop y Pro portio n  in th e E ngi neer in g Mar k .  Journa l of  Xi ’ a n Univ ersit y  of Architecture &techno lo gy . 2004; 3 6 (1): 9 8 -10 0 .  [13]  Smart Grid D epartme n t of  Chin a State   Grid Com p a n y .  Report on printi ng  Inte lli g ent  tech nica l   cond itions of  transfor m er s a n d  Hig h Volta g e  Sw itchgear . BeiJin g: Chi na S t ate Grid Comp an y. 201 0.   [14] Chin a  State  Grid Com pan y.  T e chnic a l sp e c ificatio ns for smartn ess up g r ade of su bsta tion . BeiJi ng:   Chin a State Grid Com pan y. 2 010.   [15]  Z H AO Chenp eng. T he sele cti on an d Ap plicati on Inves t igatio n  of Primar y  Eq ui pment in Smar t   Substatio n . Bei jing: N o rth Chi na Electric Po w e r Univ ersit y .  2010.   [16]  ZS XU. Resea r ch on Comp atibil it y  a nd Co n s is tenc y   of F u zz y  Com p lem e ntar y  Ju dg eme n t Matrices.   Journ a l of PLA  University of S c ienc e an d T e chno logy . 2 002;  3(2): 94-96.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Asse ssm ent of Intelligent Substation B a se d on  an I m prove d  Fuzzy Set s  Meth od (Yua ncha o Hu)  7091 [17]  CY Z H ANG, HY Z H OU. T r ansformati on  and E n trop y f o r Vag ue S e ts. Computer  E ngi neer in g an d   Appl icatio ns. 2 003; 33( 4): 20- 23.   [18]  GX  SONG, DL YANG. Methods fo r  Ide n tifyi n g  an d Impr ovin g th e C o n s istenc y  of F u zz y  J u d g me n t   Matrix .  Syste m s Engin eeri ng.   200 3; 21(1): 11 0-11 6.  [19]  SH  X I AO, ZP FAN, MG WANG. Study  on  Co nsiste nc y of F u zz y Ju d geme n t Matri x .  Journ a l of  Systems En gin eeri n g . 20 01; 1 6 (2): 142- 14 5.    Evaluation Warning : The document was created with Spire.PDF for Python.