基于向量评估遗传算法的智能电网大数据交易模型研究

王伟，蒋菱，王峥，宋杰，田娜，蒋玮

（1.国家电网公司，北京 100031；2.国网天津市电力公司，天津 300010；3.国电南瑞科技股份有限公司，江苏南京 210061；4.东南大学，江苏南京 210096）

基于向量评估遗传算法的智能电网大数据交易模型研究

王伟1，蒋菱2，王峥2，宋杰3，田娜2，蒋玮4

（1.国家电网公司，北京 100031；2.国网天津市电力公司，天津 300010；3.国电南瑞科技股份有限公司，江苏南京 210061；4.东南大学，江苏南京 210096）

以中新天津生态城智能电网建设为背景，研究了电力系统与其他行业之间进行大数据交易的模型。通过分析中新天津生态城中多元能源大数据的来源与特征，提出将大数据交易问题建模成为多属性协商问题，并给出了体现不同属性之间关联度的多属性协商效用函数。研究了电力系统与其他行业之间进行大数据交易的模型。通过分析中新天津生态城中多元能源大数据的来源与特征，提出将大数据交易问题建模成为多属性协商问题，并给出了体现不同属性之间关联度的多属性协商效用函数。用Matlab实现了基于VEGA的多目标优化算法设计，并进行了多组算例分析。实验结果表明，利用交易双方效用函数以及多目标优化算法，可以获得使买卖双方双赢的大数据属性值，从而让双方能够确认数据交易的价格。

大数据；交易模型；向量评估遗传算法；协商议价

智能电网创新示范区总体目标是实现能源互联和信息互联的融合，提升城市综合能源利用效率，创新电网运营服务模式，支撑智慧城市建设，建成具备国际影响力的智能电网创新工程的示范基地、体验基地、创新基地[1-2]。国网天津市电力公司于2010年1月启动智能电网综合示范工程“中新天津生态城智能电网创新示范区”建设。工程于2011年9月建成投运，建设内容包括分布式发电、微电网、配电自动化等12个子项，集中示范智能配电、智能发电、智能用电和信息通信领域的先进技术。在发电侧、电网侧、用户侧的信息通信方面、技术储备方面以及政策支持方面均已取得显著进展[3-5]。但在社会参与度、建设模式、用户感知等方面还有待提升，因此2014年国网公司决定在中新天津生态城和北京延庆地区建设智能电网创新示范工程，以探索智能电网创新示范区建设模式，引导社会力量和技术联盟共同投资、建设和运行创新示范区，提升示范区管理模式创新水平，提升智能电网建设的价值成为模式创新的重要内容。

目前，生态城内已建成面向能源互联网的多元能源项目，包括40 MW光伏发电系统，10 MW生物质能发电系统，125 MW风能发电系统，1.489 MW燃气三联供发电系统。这些新能源发电系统的运行数据及负荷监测数据通过测控终端接入微网运行控制与分析系统；终端用户的用电数据通过双向互动电表接入用电信息采集系统；电网设备在线监控、电能质量监测和控制、生产管理等数据通过传感设备、无线网络技术等接入监控系统[6-9]；电动汽车充电数据通过充电桩和车域网接入电动汽车监控系统。这些业务系统内部数据库中日积月累形成了海量数据。

通过传感器、智能化设备、视频监控设备、音频通信设备和移动终端等各种数据采集渠道收集到的结构化、半结构化和非结构化的海量业务数据的集合构成电力大数据[10-12]。电力大数据拥有大数据的所有特征，即数量庞大、数据类型众多、处理速度快、数据准确性高、数据价值高的特点[13]。电力大数据与市政、交通、气象、经济等其他行业大数据一起，应用数据挖掘、机器学习、并行计算、流计算等“大数据”技术，可以在体量巨大、类型繁多、低价值密度的数据中挖掘出高附加值的信息，为电力资源优化配置、能源效率水平提升、优质服务和辅助社会管理提供坚实的数据基础和提升空间[14-16]。

对于海量并且瞬息万变的大数据来说，存储已不是最终目标，如何从数据中获得包括商业价值在内的红利，才是其真正的意义所在。全球各个行业的数据存储量，每年都在以50%多的速度暴增。由于缺乏规范的数据共享和交易渠道，不同行业间很难形成数据互利共享，数据交易平台乃至交易所也就成为了迫切需求。目前，国内外对于大数据交易机制的研究还处于起步阶段，文献[17]从新制度经济学视角研究了大数据交易机制，提出了影响数据交易费用的几个因素，但并未就数据交易的博弈过程开展研究。文献[18-20]研究了云计算服务市场的双边交易特性和定价机制，但由于参与交易的资源类型和实时性与大数据交易存在较大差异，因此并不能直接适用于大数据交易过程。文献[21]提出了大数据计算服务中刺激买方和卖方揭示其真实数据信息的交易机制，但是未实现交易过程的“双赢”结果。

本文以中新天津生态城智能电网创新示范区为背景，系统阐述了中新生态城内大数据的来源与特征，进而挖掘高附加值信息的大数据应用场景。并针对数据买方和卖方实施数据交易的过程，提出了大数据交易市场以及交易模型，以达到买方和卖方在数据交易中的“双赢”为目标，利用多属性效用函数和向量评估遗传多目标优化算法进行了数据交易过程的优化设计。

1 多元能源大数据来源、特征与应用场景

中新生态城电力大数据应用具备丰富的数据源，其下属12个子项为分布式电源接入、储能系统、智能电网设备综合状态监测系统、智能变电站、配电自动化、电能质量监测和控制、用电信息采集系统、智能用电小区/楼宇、电动汽车充电设施、通信信息网络、电网智能运行可视化平台和智能供电营业厅，相关业务场景数据通过信息交互总线接入配电自动化系统、智能电网设备综合状态监测系统、电能质量监测系统、用电信息采集系统、用户用能服务系统和电网智能运行可视化系统。

同时，由于分布式电源接入和电动汽车等业务的建设、运营需要，电力系统还通过数据交易以及政府、企业数据公开服务，获取市政、交通、气象、经济等行业的大数据，这些数据来源和特征如表1所示。这些数据源覆盖了调度、运检、营销等多个管理业务和电网运行监测信息，以及中心生态城中具有标杆性、且与电力系统生产运行相关的行业信息。数据包括结构化、半结构化和非结构化等不同类型，数据的更新频率从以秒为单位更新到以月为单位不等。

对这些数据进行不同时间尺度上的数据融合后，可以在并行计算、流计算或混合计算等计算框架内，利用数据挖掘、机器学习和聚类分析等算法，获得生态城多元能源大数据应用场景[22-23]。例如，充电设施的布局及车主的驾驶和充电行为会影响交通网络流量；反之，交通网络流量也会影响车主的驾驶和充电行为，进而影响电力系统运行。通过将电动汽车充电数据与交通流量、压力数据相结合，可以获得电动汽车充电设施优化设计方案，并进行交通流量和机动车保有量预测[24]。再例如，天然气网络的运行将直接影响电力系统的经济运行及可靠性，将燃气三联供系统的运行数据结合天然气管网压力、流量、供气可靠性和价格数据，可以分析出三联供系统的最优化运行策略。进一步集成供热网络等其他二次能源网络，以热电联产系统为纽带，可以将电力网络和供热网络相互集成和协调，通过利用燃气机组排出的余热，大大提高系统的整体能效[25]。此外，利用电力负荷数据还可以预测、评价国民经济发展情况，反之国民经济和机动车保有量增长等数据也可以作为电力系统网络和运营模型规划的依据[26]。中新生态城中典型的多元能源大数据应用场景如图1所示。

表1 中新生态城多元能源数据来源与特征Tab.1 Multi energy sources and characteristics of the Sino-Singapore Tianjin Eco-City

2 大数据交易概念模型

由于大数据应用所能够带来的巨大价值，通过数据交易获得其他行业的海量数据，为本行业数据融合挖掘信息来源，这种应用方式奠定了数据交易的基础。大数据交易，具体而言指的是对数据所有权和使用权的交易，由于数据的价值难以衡量、其可用性需要在应用中评估以及对数据使用无法绝对排他等的特点，决定了大数据交易的复杂性，以及数据买卖双方在发现数据、制定价格和应用效果评价等方面需要付出高额成本。传统的商品交易及电子商务交易所使用的交易方式如定价交易、拍卖等市场机制并不能满足大数据交易的需要[27]。因此，如何形成大数据交易市场，并建立有效的模型和交易机制来支撑数据资源的买方和卖方之间进行交易过程，成为多元能源大数据应用模式中的一个重要问题。

本文定义了基于大数据交易市场的大数据交易模型，如图2所示。

图1 中新生态城典型多元能源大数据应用场景Fig.1 Typical multi energy data application scenarios of Sino-Singapore Tianjin Eco-City

1）数据描述。买卖双方将所需求数据和数据资源的关键属性进行抽象，确定属性类型和范围，并用结构化语言进行描述，成为数据交易的对象。

图2 大数据交易模型Fig.2 Transaction model of big data

2）确定交易方。卖方向数据市场进行数据资源注册，并形成数据目录，买方在目录中查询，以确定交易目标和交易候选对象，可能存在一个买方和多个潜在的买方。

3）协商议价。买卖双方基于自身对数据交易进行提议，即不同属性值的大数据交易对象，根据各自的效用函数计算提议效用值，作为评价数据价值的标准，议价过程中可以使用多目标优化算法，获得使买卖双方“双赢”的数据交易提议。

4）数据交付。即数据交付执行阶段，这个阶段除了按照服务合约在规定时间来交付数据，还包括数据服务提供者按照服务合约来配置将要交付的数据服务，数据使用者按照服务合约完成支付操作。

5）后续处理。此阶段完成数据交付的后续处理任务，包括数据使用者与数据提供者互相评价及数据交付后服务等。

由图2可知，协商议价是大数据交易的主要环节，也是本文研究的重点。协商是指双方或多方就某些共同感兴趣的议题进行交流、达成一致的过程，在大数据交易过程中，协商议价是在网络交易环境中，在互不相识的协商对手，即数据的买方和卖方中进行的，根据数据的质量确定价格的过程，要让这个过程适合全天候自动化的交易，这就需要大幅提高多元能源大数据协商议价的智能化水平。

作为大数据交易的主体，对于数据的质量进行描述是买卖双方确定交易意向和协商议价的基础。数据的质量可以抽象为数据的属性，在交易过程中，数据的属性包括其内生的独立属性（如精度、采样频率和时间跨度等），也包括属性之间的关联度（如同样精度的辐照量数据，若采样覆盖范围越广，则其价值越高）。对于以上的数据属性特征，大数据交易的对象可以抽象为：

式中：Di为一轮数据协商议价的对象，一次大数据议价过程包含k轮协商，双方进行协商的对象的n个属性表示为向量（A1，…，An），并且（a1，…，an）为一轮协商中的属性向量。n维向量（A1，…，An）的每一个元素Ai均有取值范围[Ai·min，Ai·max]。大数据的买卖双方每一轮的协商过程，就是双方在各自能够接受的取值范围内改变数据属性形成多属性协商议题，从而改变买卖双方对数据价值的“满意程度”的过程。经过k轮协商，买卖双方最终对数据价值达成一致，从而达成交易。在协商过程中，可以度量交易双方对包含多属性数据“满意程度”的称为效用值，效用值由将数据属性作为参数的效用函数计算获得。在效用函数中，一个属性可以为正属性或负属性2类。正属性的值越大，交易方越满意，负属性的值越小，交易方越满意。在买卖双方对于参与交易的大数据属性的双边协商中，买方和卖方对于同一个属性类型的判断正好相反。例如，对于买方而言，辐照量的精度越高越好，因此辐照量精度对买方而言是正属性；但是，对于卖方而言，数据精度越高意味着在采集数据过程中所需要付出的设备、人力、计算成本的增加，这就希望提供给买方的数据精度在能够接受的范围内越低越好，因此，辐照量精度对于卖方而言就是负属性。

多属性效用函数由多属性变量构造而成，用于评估计算用户在各个提议上的效用值的函数[16]。为了刻画大数据交易多属性协商过程中每个议题的单独效用和多个属性的综合效用，提出了一种体现属性关联性的效用函数：

式中：vi为第i轮协商中买方或卖方对多属性议题计算出的效用值；uj为买方或卖方对n维属性中第j个属性归一化后的取值；wj为买方或卖方对第j个属性的权重评价；εj，k为第j个属性与第k个属性的关联度；uk为第k个属性的归一化后的取值。对uj和uk的归一化：

对于同一个属性j，由于其对于买方和卖方的属性类型不同，买方能够接受的取值范围和卖方能够提供的取值范围不同，以及买卖双方对其评价权重不同，因此对于效用值的最终影响不同。正因为买卖双方对于数据效用值评价差异，才需要使用优化算法自动化地通过多属性协商实现交易。

3 基于向量评估遗传算法的公平协商议价

在针对大数据多属性协商交易中，存在数据交易双方“双赢”的情况，即协商的结果是一个Pareto最优解，在这种情况下，双方均不能做到在不使对方利益受损的前提下提高自身的收益。多目标遗传算法（multi-objective genetic algorithm，MOGA）是近年来发展起来的利用遗传算法处理多目标优化问题的算法[28-29]。传统的方法很难处理大规模问题，MOGA不但能处理大规模问题，而且不受问题性质（线性、连续性、可微性、多峰性等）的限制，能够搜索出问题的全局最优解。与常规优化方法相比，还与Pareto最优前沿的形态无关。向量评估遗传算法（vector evaluate genetic algorithm，VEGA）是由Schaffer于1984年提出的一个用于寻找一组非劣解的多目标进化算法。VEGA具有结构简单、易于实现，只须对简单遗传算法作一个较小的改变就能将它转换成多目标进化算法并且不会产生任何附加的计算复杂性的优点，适合用于求解本文所提出的大数据交易中的双边多属性优化问题[30-32]。

VEGA采用成比例选择机制，针对每个子目标函数产生对应的一个子种群，如果多目标问题的子目标数量为k，则需要产生k个子种群，每个子群体的规模为N/k，其中N为整个种群的大小。各子目标函数在其相应的子种群中独立完成选择操作，选择的结果进入交叉池之后进行交叉和变异操作，最终求出问题的非劣解。在大数据多属性协商交易中，子种群即为参与协商的买方和卖方，即种群数量为2，每一个多属性协商议题都由将属性编码形成的一条染色体表示，每条染色体上的基因表示数据的一个属性。VEGA算法进化过程中所涉及的遗传操作，如选择、交叉和变异，都作用在这些基因上面。每一代种群都是由N条这样的染色体组成的。通过若干代的遗传操作，最终获得的属性染色体将趋向于Pareto最优解，即对于买卖双方而言，均不能通过不降低对方效用值的情况下，将议题中数据的属性修改为让自己更满意的值。由此可以达到公平协商议价的结果。基于VEGA的公平协商议价流程如图3所示。

图3 基于VEGA的大数据交易公平协商议价算法Fig.3 A fair bargaining Algorithm of big data transaction based on VEGA

根据所构造的效用函数，VEGA的优化目标是：

式中：vb和vs分别为买方和卖方的效用值；x→b和x→s分别是每次协商议价过程中买方和卖方对数据属性值的提议。利用VEGA算法对式（4）进行多目标优化，获得的将是一组Pareto最优解集，买方和卖方在这一解集基础上确定所交易数据的价格，将可以达到双方“双赢”的目标。

4 算例分析

为了验证本文所提出交易模型和公平协商议价算法的有效性，利用Matlab模拟了生态城数据交易市场中买方和卖方针对光伏发电数据进行交易所获得的双赢提议集合的结果。在这一交易过程中，数据的买方可能为需要利用生态城中某一时间跨度光伏发电数据进行新能源产业发展预测的咨询公司或售电公司，数据的卖方为拥有生态城内光伏发电调度数据的国家电网公司。可供协商的属性包括交流模拟量采样数据的精度、发电数据的时间跨度和光伏发电设施数量，其中精度与时间跨度这两项属性与设施数量具有相关性。实验共进行3组，各项数据的取值范围、买卖双方权重评价和关联度如表2所示。

作为基于遗传算法的多目标优化算法，VEGA算法被用来寻找Pareto最优解集的性能会受到相关参数的影响，实验中使用的VEGA算法参数如表3所示。

表2 实验中买卖双方的属性参数Tab.2 Properties of the two parties in the experiment parameters

表3 实验中使用的VEGA算法参数Tab.3 Parameters of the VEGA algorithm used in the experiment

在Matlab中编写程序完成了，仿真实验，每次实验获得了一个Pareto最优解，实验结果表4所示。

表4 仿真结果Tab.4 Simulation result

由表4可知，使用VEGA算法可以对大数据交易中买卖双方的效用函数进行多目标优化，并获得Pareto最优解，同时，在数据属性取值范围缩小的情况下，可以获得更为精确的最优属性，并且买卖双方的效用值也可以得到相应的提升。

5 结语

本文针对中新天津生态城中多元能源大数据的应用需求，结合大量文献资料与工程经验，提出了大数据交易市场的应用场景、概念模型和公平协商议价最优化算法设计。利用Matlab实现了基于VEGA的多目标优化算法设计，并进行了多组算例分析，实验结果表明，利用本文提出的交易双方效用函数以及多目标优化算法，可以获得使买卖双方双赢的大数据属性值，从而让双方能够确认数据交易的价格。

作为一种基于互联网思维的智能电网增值服务模式，不同粒度和质量的电力大数据交易将为电网公司带来新的业务和盈利点，而多元能源大数据的融合分析也将为中新天津生态城智慧能源应用带来更多的应用场景，有利于国内智能电网的建设发展，从而最终推动能源利用水平提高和区域经济发展。

[1]曹军威，万宇鑫，涂国煜，等．智能电网信息系统体系结构研究[J]．计算机学报，2013（1）：144-167．CAO Junwei，WAN Yuxi，TU Guoyu，et al.Information system architecture for smart grids[J].Chinese Journal of Computers，2013（1）：144-167（in Chinese）．

[2]胡学浩．智能电网——未来电网的发展态势[J]．电网技术，2009（14）：1-5．HU Xuhao.Smart-grid—A development trend of future power grid[J].Power System Technology，2009（14）：1-5（in Chinese）．

[3]尹倩．中新天津生态城运作模式研究[D]．天津：天津理工大学，2009．

[4]谢开，刘明志，于建成．中新天津生态城智能电网综合示范工程[J]．电力科学与技术学报，2011（1）：43-47．XIE Kai，LIU Mingzhi，YU Jiancheng.Summary on smart grid integrated demonstration project of sino-singapore Tianjin eco-city[J].Journal of Electric Power Science and Technology，2011（1）：43-47（in Chinese）．

[5]李晓诠．智能电力设备在中新生态城电网中的应用[D]．保定：华北电力大学，2013．

[6]时珊珊，董瑞安.智能社区（微网）电能质量信息集成系统研究[J].高压电器，2014，50（2）：12-17．SHI Shanshan，DONG Ruian.Study on power quality information integrated system in smart community（microgrid）[J].High Voltage Apparatus，2014，50（2）：12-17（in Chinese）．

[7]钟文，彭龑，闫齐阳，等.基于ZigBee无线网络技术的避雷器在线监测设计[J].电瓷避雷器，2014，137（1）：68-74.ZHONG Wen，PENG Yan，YAN Qiyang，et al．Meteroxide arresters monitoring system based on ZigBee[J].Insulators and Surge Arresters，2012，137（1）：68-74（inChinese）．

[8]张余，李东艳，吴宇，等.中国联通3 G服务智能电网的应用研究[J].电网与清洁能源，2010，26（8）：4-10.ZHANG Yu，LI Dongyan，WU Yu，et al.Study on application of China unicom 3 G technology in smart grid[J].Power System and Clean Energy，2010，26（8）：4-10（in Chinese）．

[9]张建军，孙红华.高压并联电容器在线监测系统的研究[J].电力电容器与无功补偿，2013，34（2）：22-27.ZHANG Jianjun，SUN Honghua.Research of on-line monitoring system for high voltage shunt capacitors[J].Power Capacitor&Reactive Power Compensation，2013，34（2）：22-27（in Chinese）．

[10]王德文，宋亚奇，朱永利．基于云计算的智能电网信息平台[J]．电力系统自动化，2010，34（22）：7-12．WANG Dewen，SONG Yaqi，ZHU Yongli.Information platform of smart grid based on cloud computing[J].Automation of Electric Power Systems，2010，34（22）：7-12（in Chinese）．

[11]宋亚奇，周国亮，朱永利．智能电网大数据处理技术现状与挑战[J]．电网技术，2013，37（4）：927-935．SONG Yaqi，ZHOU Guoliang，ZHU Yongli.Present status and challenges of big data processing in smart grid[J].Power System Technology，2013，37（4）：927-935（in Chinese）．

[12]RUSITSCHKA S，EGER K，GERDES C．Smart grid data cloud：a model for utilizing cloud computing in the smart grid domain[C].Smart Grid Communications（Smart Grid Comm），MD：2010 First IEEE International Conference，2010．

[13]刘成，牛锐，范贺明，等.基于Spark环境变压器故障并行诊断[J].电力科学与工程，2016，32（6）：32-37.LIU Cheng，NIU Rui，FAN Heming，et al.Transformer fault diagnosis in parallel based on the spark platform[J].Enectric Power Science and Engineering，2016，32（6）：32-37（in Chinese）．

[14]刘科研，盛万兴，张东霞，等．智能配电网大数据应用需求和场景分析研究[J]．中国电机工程学报，2015，35（2）：287-293．LIU Keyan，SHENG Wanxing，ZHANG Dongxia，et al.Big data application requirements and scenario analysis in smart distribution network[J]．Proceedings of the CSEE，2015，35（2）：287-293（in Chinese）．

[15]HAN Jiawei，MICHELINE K，JIAN P．Data mining:Concepts and technique[M]．3rd ed．New York：Elsevier，2011．

[16]张弦，方正伟.基于海量实时数据中心的电能量全生命周期管理[J].电力与能源，2014，35（3）：279-286．ZHANG Xian，FANG Zhengwei.Electrical energy whole life-cycle management based on massive eeal-time data center[J].Power and Energy，2014，35（3）：279-286（in Chinese）．

[17]吴江．数据交易机制初探——新制度经济学的视角[J]．天津商业大学学报，2015（3）：3-8．WU Jiang.A preliminary study of the mechanism of data transaction[J].Journal of Tianjin University of Commerce，2015（3）：3-8（in Chinese）．

[18]章瑞．云计算服务的定价策略研究[D]．上海：东华大学，2014．

[19]卢淑彩．基于解约协商的云资源交易协商机制研究[D]．杭州：浙江工商大学，2012．

[20]李敏．云服务平台中的服务协商算法及交易过程管理研究[D]．济南：山东大学，2014．

[21]Lena Mashayekhy，Mahyar Movahed Nejad，Daniel Grosu．A two-sided market mechanism for trading big data computing commodities[C].MD：2014 IEEE International Conference on Big Data，2014．

[22]杨进.电网企业大数据在财务决策中的应用研究[J].华北电力大学学报（社会科学版），2016（2）：33-39.YANG Jin.Research on application of big data on financial decision-making of power grid enterprises[J].Journal of North China Electric Power University（Social Sciences），2016（2）：33-39（in Chinese）．

[23]许海清，黄敏.浅谈电力大数据对信息运行的影响[J].江苏电机工程，2015，34（2）：62-64.XU Haiqing，HUANG Min.A discussion on the influence of power big data on information operation[J].Jiangsu Electrical Engineering，2015，34（2）：62-64（in Chinese）．

[24]杨茜，邓建慎，李洪峰，等.电动汽车公共服务与互动平台设计研究[J].电力系统保护与控制，2016，44（10）：137-144.YANG Xi，DENG Jianshen，LI Hongfeng，et al.Design and research on public service and interactive platform in electric vehicle[J].Power System Protection and Control，2016，44（10）：137-144（in Chinese）．

[25]闫湖，狄方春，袁荣昌，等.电网智能调度中的大数据及应用场景研究[J].电力信息与通信技术，2014，12（10）：7-12.YAN Hu，DI Fangchun，YUAN Rongchang，et al.Research of on big data and its application scenarios in grid intelligent dispatching field[J].Electric Power Information and Communication Technology，2014，12（10）：7-12（in Chinese）．

[26]高志远，严春华，郭昆亚，等.智能电网与智慧城市业务互动研究[J].电力系统保护与控制，2016，44（2）：65-73.GAO Zhiyuan，YAN Chunhua，GUO Kunya，et al.Research on interactive operation between smart grid and smart city[J].Power System Protection and Control，2016，44（2）：65-73（in Chinese）．

[27]刘广一，朱文东，陈金祥，等．智能电网大数据的特点、应用场景与分析平台[J].南方电网技术，2016，10（5）：102-110．LIU Guangyi，ZHU Wendong，CHEN Jinxiang，et al.Cha-racteristics，application scenarios and analysis platform of smart grid big data[J].Southern Power System Technology，2016，10（5）：102-110（in Chinese）．

[28]张春阳，陈卓，吴庆涛．基于多属性效用函数组件优化组合的研究[J]．通信技术，2010（6）：238-240．ZHANG Chunyang，CHEN Zhuo，WU Qingtao.Study on optimum component combination based on multi-attribute utility function[J].Communications Technolog，2010（6）：238-240（in Chinese）．

[29]徐磊．基于遗传算法的多目标优化问题的研究与应用[D]．长沙：中南大学，2007．

[30]李丽荣．求解Pareto Front多目标遗传算法的研究[D]．湘潭：湘潭大学，2003．

[31]周建淞，陈益，张晓丽，等．基于向量评估遗传算法的多目标优化效果评价及程序测试[J]．中国卫生统计，2012（2）：181-186．ZHOU Jiansong，CHEN Yi，ZHANG Xiaoli，et al.Effect evaluation and program test based on the vector evaluated genetic algorithm[J].Chinese Journal of Health Statistics，2012（2）：181-186（in Chinese）．

[32]李婷.大数据资源优化在电网客户关系系统中的应用[J].电网与清洁能源，2015，31（9）:16-20.LI Ting.Application of large data resource optimization in power grid customer relationship system[J].Power System and Clean Energy，2015，31（9）:16-20（in Chinese）.

（编辑 董小兵）

Trade Model of Smart Grid Big Data Based on Vector Evaluated Genetic Algorithm

WANG Wei1，JIANG Ling2，WANG Zheng2，SONG Jie3，TIAN Na2，JIANG Wei4
（1.State Grid Corporation of China，Beijing 100031，China；2.State Grid Tianjin Electric Power Supply Company，Tianjin 300010，China；3.NARI Technology Co.，Ltd.，Nanjing 210061，Jiangsu，China；4.Southeast University，Nanjing 210096，Jiangsu，China）

Based on the construction of Sino-Singapore Tianjin eco-city，this paper focuses on the trade model of big data between power system and other systems.Through the analysis of the source and characteristics of big data in Sino-Singapore Tianjin eco-city，the problem of big data transaction is modeled as multi-attributes negotiation problem，and multiattributes negotiation utility function is proposed to the correlation degree among different attributes.Finally，the vector evaluated genetic algorithm is employed in the big data trade procedure to optimize the trade result.Thus，a win-win result could be achieved between data owners and data users.

big data；transaction model；vector evaluated genetic algorithm；negotiation and bargaining

国家自然科学基金资助（51407025）；国家电网公司科技项目资助（基于互联网思维的智能电网创新示范区建设模式研究项目号SGTJDK00DWJS1500101）。

Project Supported by the National Natural Science Foundation of China（51407025）；Science and Technology Project of SGCC（SGTJD K00DWJS1500101）.

1674-3814（2016）10-0001-08

TM92

A

2015-03-26。

王 伟（1980—），男，博士，高级工程师，从事电力系统自动化、智能电网和能源互联网方面的研究与实践工作。