CN102945507B - 基于模糊层次分析的分散式风电场优化选址方法及装置 - Google Patents
基于模糊层次分析的分散式风电场优化选址方法及装置 Download PDFInfo
- Publication number
- CN102945507B CN102945507B CN201210380678.8A CN201210380678A CN102945507B CN 102945507 B CN102945507 B CN 102945507B CN 201210380678 A CN201210380678 A CN 201210380678A CN 102945507 B CN102945507 B CN 102945507B
- Authority
- CN
- China
- Prior art keywords
- wind energy
- criterion
- expert
- energy resources
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
一种基于模糊层次分析的分散式风电场优化选址装置,包括DSP模块、键盘输入模块、液晶显示模块、通信模块和上位机;本发明的基于模糊层次分析的分散式风电场优化选址方法,在风能资源丰富地区内划分候选风能资源区,确定风电场选址评价指标体系,确定风电场选址方案的递阶层次结构,采用专家群体判断集体决定方法评判专家对风电场选址的认知度得到各专家的认知度参数,并且构造风电场选址的准则层判断矩阵和指标层判断矩阵;最终得到候选风能资源区优劣排序,确定风电场选址。本方法相对于传统的层次分析法选址,考虑因素全面,检验和调整判断矩阵的一致性简单易行、科学合理,结果分析科学;本装置通过DSP处理运算过程,可以加快选址周期,提高效率。
Description
技术领域
本发明属于风电场技术领域,具体为一种基于模糊层次分析的分散式风电场优化选址方法及装置。
背景技术
风能是太阳能在地球上的一种转化形式,是一种不产生任何污染排放的可再生的能源。风力发电在可再生能源的利用中有着巨大的发展前景,而风电场选址作为风电场建设项目的前期工程,对风力发电场建设的成败及其今后的效益起着至关重要的作用。
风电场选址分为宏观选址和微观选址,风电场宏观选址的过程是从一个较大的地区,对气象条件等多方面进行综合考察后,选择一个风能资源丰富、而且最有价值的小区域的过程。其中,风电场宏观选址过程又可以分为三个阶段进行。第一阶段-:参照国家风能资源分布区划,在风能资源丰富地区内划分候选风能资源区。第二阶段:将候选风能资源区再进行筛选,以确认其中有开发前景的场址。第三阶段:对准备开发建设的场址进行具体分析,1是进行现场测风,取得足够的精确数据。2是确保风能资源特性与待选风力发电机组设计的运行特性相匹配。3是进行场址的初步工程设计,确定开发建设费用。4是确定风力发电机组输出对电网系统的影响。5是评价场址建设、运行的经济效益。6是对社会效益的评价。
其中,在第二阶段中,涉及的因素众多,关系复杂,且很多因素难以定量化描述,给场址的评价带来一定的困难,是风电场宏观选址研究的重点。
目前,研究第二阶段选址问题方法大多是把实际问题抽象和简化,建立一个数学模型,然后用已有的(或提出新的)数学方法求解这些模型,但该类方法都忽略了其特点,很难达到理想的效果。
宏观选址的第二阶段有如下两个显著特点:1、该阶段是一种多目标系统决策问题,即从多个候选风能资源区中选择一个或者几个最具有开发价值的场址,2、该阶段涉及的因素众多且不易量化。针对这些特点,有人提出利用层次分析法求解,但是出现了一些问题:
1.考虑宏观选址的影响因素不全面。有的忽略了环境、安全等因素,有的忽略了交通条件,等等。
2.检验判断矩阵是否具有一致性非常困难。检验判断矩阵是否具有一致性需要求判断矩阵的最大特征根λmax。当阶数n较大时,精确计算λmax的工作量非常大,求解时经常出现“维数灾”问题。
3.检验判断矩阵一致性的判断标准:C.R.<0.1缺乏科学的依据。
4.当判断矩阵不具有一致性时调整成一致性比较麻烦。当判断矩阵不具有一致性时需要调整判断矩阵的元素,使其具有一致性,这不排除要经过若干次调整、检验、再调整、再检验的过程才能使判断矩阵具有一致性。
5.结果分析方法不科学,没有考虑每个评价指标的特殊性,因为有的指标是越大越好,有的指标是越小越好,而没有将其量纲划一。
因此,在考虑因素全面、科学的基础上,一种能够克服层次分析法在一致性上不足的方法是非常必要和具有实际意义的。
发明内容
针对现有技术存在的问题,本发明提供一种基于模糊层次分析的分散式风电场优化选址方法及装置。
本发明的技术方案是这样实现的:
一种基于模糊层次分析的分散式风电场优化选址方法,包括以下步骤:
步骤1:在风能资源丰富地区内划分候选风能资源区;
根据风能资源丰富地区所在区域的等高线地图,在风能资源丰富地区内充分考虑风电场建设的限制因素,转化得到各候选风能资源区等高线地图;
在风能资源丰富地区内划分候选风能资源区的具体步骤为:
步骤1.1:搜集风能资源丰富区的限制因素,包括风速限制、风功率密度限制、自然保护区限制和噪声影响限制;
步骤1.2:在风能资源丰富地区所在区域的等高线地图上建立坐标系,配置栅格,使栅格覆盖整个风能资源丰富地区;
步骤1.3:设置栅格的分辨率,对各个栅格方块设置坐标,得到坐标集I,形成初始坐标数据;
步骤1.4:将风能资源丰富区的限制因素所限制的区域通过栅格方块坐标表示,得到坐标集P;
步骤1.5:除去限制因素的栅格方块区域,得到风能资源丰富地区栅格地图中适合风电场建设的栅格方块区域即栅格地图,并将栅格地图用坐标集O表示,即O=I∩P;
步骤1.6:将步骤1.5得到的栅格地图分成若干个区域,每一个区域即为一个候选风能资源区;
步骤1.7:判断步骤1.6得到的候选风能资源区是否满足计算精度要求,如果不满足,返回步骤1.3。
步骤2:确定风电场选址评价指标体系,该体系包括影响风电场选址的一般性准则及相应指标;
风电场建设选址是一个由多种相互联系、相互作用的要素构成的有机整体,是一个复杂的系统,其中要素有定性的也有定量的。本发明所述风电场选址的一般性准则包括风能资源情况准则、交通条件准则、气象地址灾害准则、电网接入准则、社会及环境影响准则和经济因素准则;
准则①风能资源情况
风能资源情况准则以气象站提供的三十年内风向和风速等数据为依据进行计算和作图来形成样本数据。包含如下指标:
I年盛行风向上的年有效风功率(千瓦)
年盛行风向上的年有效风功率表征气流在年盛行风向上于一年里垂直流过单位截面积的风功率;值越大越好;
II年盛行风向上的风速月变化(百分率)
用年盛行风向上的风速月变化曲线与同期的电网月负荷曲线对比,两者相一致或接近的部分越多越好;年盛行风向上的风速月变化曲线在参考圆柱面内的长度占曲线总长的比例越大越好;
准则②交通条件
根据风机部件的尺寸、重量等参数选择不同的交通运输方式:公路、铁路、航运或者将多种方式结合起来;然后通过方案对比,选择最优的路线;
交通条件包含如下指标:
I交通运输时间(小时)
交通运输时间为采用最优运输方式运输风机装备从生产厂家到风电场场址的时间;时间越短越好;
II交通运输费用(元)
交通运输费用为采用最优运输方式运输风机装备从生产厂家到风电场场址的费用,其中包括:运输费,过路费等等;交通运输费用越低越好;
III交通运输风险(个)
交通运输风险为采用最优运输方式运输风机装备从生产厂家到风电场场址的风险,包括风机损坏和运输时间延误,通过考察最优运输方式运输风机装备线路上导致风机损坏,运输时间延误等的路况个数进行评判;交通运输风险个数越少越好;
IV新建道路难度
由于地质、地形等原因,道路施工有着不同的难易程度,根据地质、地形条件,对新建道路施工条件进行{简单,中等,复杂}评判;施工条件越简单越好;
V新建(改建)道路折算长度(米)
不论是场外道路还是场内道路,不同规格和等级的新修道路都对应着不同的修路成本;为了便于估算修路成本,定义一种标准道路,即:在平坦地形下且工程地质情况良好的地方,能够满足850kW级别风电机组运输要求的道路;该标准道路的单位修路成本可以由当地的工程建设项目统计查得,具有一个相对固定的值;将标准道路情况下,实际工程项目应修建的道路长度定义为标准长度,而将实际工程中修建不同等级道路的修路成本通过折算长度来体现,其折算长度为标准度与道路等级折算系数的乘积;折算长度越短越好;
准则③气象地址灾害
包含如下指标:
I气象灾害发生的可能性(次)
以50年内发生气象灾害的次数作为评价依据;发生的次数越少越好;
II地质灾害发生可能性(次)
以50年内发生地质灾害的次数作为评价依据;发生的次数越少越好;
准则④电网接入
包含如下指标:
I接入电网线路长度(米)
接入电网线路长度表征风电场汇集站至变电站的线路的总长度;接入电网线路长度越短越好;
准则⑤社会及环境影响
包含如下指标:
I对生态环境的影响
对生态环境的影响根据植被的影响程度及对候鸟的影响程度等进行{大,中,小}评判;影响越小越好;
II对当地居民的影响
对当地居民的影响根据耕地的占用,旅游开发等进行{大,中,小}评判;影响越小越好;
准则⑥经济因素
包含如下指标:
I总投资费用(元)
总投资费用就是风电场初期建设需要投入的总投资,包括材料费用、人工费用等等;总投资费用越少越好;
II年运行费用(元)
年运行费用为风电场运作一年为了正常运转总的投入,包括维修费用;年运行费用越少越好;
III年收入(元)
年收入为风电场运作一年的总收入,根据年总的发电量和当年平均电价计算;年收入越多越好;
IV年净利润;(元)
年净利润率为扣除当年所有支出、费用后的利润;年净利润越大越好;
步骤3:确定风电场选址方案的递阶层次结构;
风电场选址方案的递阶层次结构包括目标层、准则层、指标层和方案层;
准则层包括风能资源情况准则、电网接入准则、交通条件准则、气象地质灾害准则、社会及环境影响准则和经济因素准则;
指标层包括准则层中各准则所对应的指标,其中,风能资源情况准则对应的指标层为年盛行风向上的年有效风功率和年盛行风向上的风速月变化,电网接入准则对应的指标为接入电网线路长度,交通条件准则对应的指标为交通运输时间、交通运输费用、交通运输风险、新建道路难度、新建/改建道路折算长度,气象地质灾害准则对应的指标为气象灾害发生的可能性、地质灾害发生可能性,社会及环境影响准则对应的指标为对生态环境的影响、对当地居民的影响,经济因素准则对应的指标为总投资费用、年运行费用、年收入、年净利润;
方案层为进行优劣排序后的候选风能资源区;
目标层为从候选风能资源区的优劣排序中选择最优风能资源区作为风电场选址方案;
步骤4:采用专家群体判断集体决定的方法通过问卷调查评判专家对风电场选址的认知度得到各专家的认知度参数,并且构造风电场选址的准则层判断矩阵和指标层判断矩阵;
认知度参数表征各专家对应的层次总排序权重的重要性程度;准则层判断矩阵用来描述风电场选址方案的准则层各准则之间的隶属度;指标层判断矩阵用来描述各准则所对应的指标之间的隶属度,准则层判断矩阵和指标层判断矩阵均为模糊互补矩阵;
采用专家群体判断集体决定的方法构造准则层判断矩阵和指标层判断矩阵,可以得到客观性强适合一般情况的决策,这个过程通过向专家发放问卷调查表的方式来完成;
采用专家群体判断集体决定的方法通过问卷调查评判专家对风电场选址的认知度得到各专家的认知度参数,并且构造风电场选址的准则层判断矩阵和指标层判断矩阵,步骤如下:
步骤4.1:向专家发放问卷调查表1,评判专家对风电场选址的认知度,得到专家的认知度参数;
问卷调查表1目的是通过问卷调查评判专家对风电场选址的认知度,得到各专家的认知度参数;认知度参数表征各专家对应的层次总排序权重的重要性程度。
向专家发放问卷调查表1,评判专家对风电场选址的认知度,得到专家的认知度参数的具体步骤为:
第一步:设置问卷调查表参数;问卷调查表共设置问题o个,每个问题设置答案选项p个,使满足o×p=100;问卷调查表设置总分100分,每题分,答案选项依次对应o分,(o-1)分,...,2分,1分。
第二步:针对专家对风电场选址的了解程度设置问卷调查表问题,问卷调查表为目标途径调查表;其中将目标列入调查表的横栏,措施/方案列入纵栏,就构成了目标途径调查表,专家对这种调查表的回答只需要在相应的目标和措施/方案之间做出选择即可;
第三步:问卷调查工作组评判问卷调查表参数及问题设置的可行性:如果问卷调查表参数设置不合理,返回第一步;如果问卷调查表问题设置不合理,返回第二步;否则执行第四步;
第四步:发放问卷调查表;
第五步:收回问卷调查表;
第六步:对问卷调查表进行评分;
设有q个专家,则得到q个评分数据
第七步:处理评分数据:将q个评分数据单位化,得到q个专家认知度参数分λ1,λ2,...,λq;
步骤4.2:向专家发放问卷调查表2,确定准则层判断矩阵和指标层判断矩阵,并确定准则层判断矩阵和指标层判断矩阵中最能反映专家对判断矩阵中各个元素之间的相对重要性判断的行。
所述准则层判断矩阵和指标层判断矩阵采用0.1~0.9的重要性标度来确定。
设判断矩阵为R,R中的元素rij表示准则(或指标)ai比准则(或指标)aj重要的隶属度,rij越大,ai就比aj越重要,采用0.1~0.9的重要性标度来构造判断矩阵,见表1:
表1重要性标度含义表
以确定准则层判断矩阵和确定准则层判断矩阵中最能反映专家对该判断矩阵中各个元素之间的相对重要性判断的行为例,进行说明:
确定准则层判断矩阵的一般模型如下:
(Ors)=f(Xi,Xj,T6),Xi,Xj∈E
式中:f为智能算子;E={X1,X2,…,X6},表示风电场选址的准则,E={风能资源情况,电网接入,交通条件,气象地质灾害,社会及环境影响,经济因素}为备选集,;Xi,Xj均为备选集中的具体元素,i,j=1,2,…,6,表示为X1={风能资源情况},X2={电网接入},…;
T={T1,T2,…T9}为经验集,T1,T2,…T9为经验集的具体元素,T中的具体元素表示专家对准则Xi,Xj的相对重要性的经验判断,即表示Xi(相当于ai)比Xj列元素(相当于aj)重要的隶属度,表示为T1={0.1},T2={0.2},…,T9={0.9};
O={O11,O12,…,O16;O21,O22,…,O26;…;O61,O62,…,O66}为输出集,(Oij)为输出集的具体元素,表示为专家根据T对相应考虑因素Xi,Xj相对重要性进行的选择,满足:Xij越大,Xi就比Xj越重要;
确定输出集O中最能反映专家对各个准则之间相对重要性判断的行Oi·,
Oi·={Oi1,Oi2,…,Oi6},其一般模型为
Oi·=f(E,Ti)
式中:f为智能算子;O={Oi·,O2·,…,O6·}为输出集,Oi·为输出集的具体元素,满足Oi·=E∩Ti;E={X1,X2,…,X6}为备选集,X1,X2,…,X6为备选集的具体元素,表示为X1={O11,O12,…,O16},X2={O21,O22,…,O26},…,X6={O61,O62,…,O66};
T={T1,T2,…T6}为经验集,T1,T2,…T6为经验集的具体元素,表示专家对输出集O中最能反映各个指标之间相对重要性的行的经验判断,满足:Ti∈E;
步骤5:判断准则层判断矩阵和指标层判断矩阵是否满足一致性条件,满足则执行步骤6,不满足,则根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,使准则层判断矩阵和指标层判断矩阵满足一致性条件;
虽然判断矩阵的任一行或列都完整地反映了某位专家对各元素相对重要性的一次判断,但是不同的专家会下意识地依据其习惯来组合判断矩阵的行或列,这种组合方式也参与表达专家的主观论断。
假设判断矩阵中的某一行(列)最能反映专家对各个元素之间相对重要性的判断。而专家对各个元素之间相对重要性可以根据已经确定的两个判断矩阵中最能反映专家对判断矩阵中各个元素之间的相对重要性判断的行得知,那么,当构造出的判断矩阵不具有一致性时,可以应用模糊一致矩阵的充要条件即定理1进行调整。
定理1:模糊互补矩阵R=(rij)n×n是模糊一致矩阵的充要条件是任意指定行和其余各行对应元素之差为某一个常数。
上述步骤5中所述的根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,具体步骤如下:
步骤5.1:确定一个同其余元素的重要性相比较得出的判断有把握的元素,不失一般性,设专家认为对判断r11,r12,…,r1n比较有把握;
步骤5.2:用模糊互补矩阵R的第一行元素减去第二行对应元素,若所得的n个差数为常数,则不需调整第二行元素。否则,要对第二行元素进行调整,直到第一行元素减第二行的对应元素之差为常数为止;
步骤5.3:用模糊互补矩阵R的第一行元素减去第三行的对应元素,若所得的n个差数为常数,则不需调整第三行的元素;否则,要对第三行的元素进行调整,直到第一行元素减去第三行对应元素之差为常数为止;
步骤5.4:重复执行步骤5.2~5.3直到第一行元素减去第n行对应元素之差为常数为止。
步骤6:针对每位专家计算准则层判断矩阵对于各准则的权重,针对各准则下的相应指标计算指标层判断矩阵对于各相应指标的权重,进而确定风电场选址方案的递阶层次单排序权重;
设准则ai(i=1,2,…,6)包括s个指标,分别为b1,b2,…,bs,其权重分别为按照上面的假设,层次单排序权重公式为:
其中:α为元素bi和元素bj重要程度差异(wi A-wj A)的度量单位,且α≥(6-1)/2=2.5,α越小,表明专家越重视元素间重要程度的差异。为了突出元素间的差异,在实际应用中一般取α=2.5。
步骤7:针对每位专家,根据风电场选址方案的递阶层次单排序权重计算各指标之间的相对权重,确定风电场选址方案的递阶层次总排序权重;
层次总排序随层次单排序的不同而显得不同。不失一般性,设A为准则层,其层次单排序权重为B为指标层,由m个指标组成,分别为b1,b2,…,bm,他们对于准则Aj层次单排序权重为w1j,w2j,…,wmj(若bi不是准则Aj下对应指标,则wij=0)。则根据层次单排序权重公式,指标层B各指标的层次总排序权重公式为:
那么,风电场选址方案的递阶层次总排序权重向量W为:
W=(w1 B,w2 B,…,wm B);
步骤8:根据各个专家的层次总排序权重及每个专家的认知度参数计算所有专家的综合的层次总排序权重,确定综合层次总排序权重;
由于构造判断矩阵时,采取的是专家群体判断集体决定的方法,而各个专家对风电场的认知度等不同,形成的评价结果可参考价值不同,我们对各个专家赋予不同的权重,以表示其问卷调查结果的重要性程度,该重要性程度用问卷调查表1的认知度参数分表示。设有q个专家,赋予的权重分别为λ1,λ2,…,λq(λ1+λ2+…+λq=1),对应的层次总排序权重向量分别为W1,W2,…,Wq,则q位专家形成的综合层次总排序权重为:
步骤9:根据综合层次总排序权重和各候选风能资源区中各指标的样本集数据,采用模糊综合评价法对候选风能资源区进行优劣排序;
采用模糊综合评价法对候选风能资源区进行优劣排序的具体步骤如下:
步骤9.1:确定各候选风能资源区的指标的隶属度,构建各指标的相对隶属度的模糊评价矩阵;
设由m个指标组成对全体l个候选风能资源区的评价指标样本集数据(xij),i=1,2,…,m,j=1,2,…,l,其中元素xij均为非负数;确定各指标的相对隶属度的模糊评价矩阵时,通过求解各矩阵元素满意度来解决消除各评价指标的量纲效应的问题,使建模具有通用性,采用指标满意度的方法,定义单个元素最优值的满意度是1,最劣值得满意度是0,中间值用插值法求得,那么,对于越大越优型指标的满意度是:
式中: 其中j=1,2,…,l
对于越小越优型指标的满意度是:
式中: 其中j=1,2,…,l
以(xij),i=1,2,…,m,j=1,2,…,l为元素组成各指标的相对隶属度的模糊评价矩阵;
步骤9.2:计算模糊评价的综合值,根据该综合值对各候选风能资源区进行优劣排序;
模糊评价的综合值为各候选风能资源区的各指标的相对隶属度与相应综合层次总排序权重的乘积之和;
步骤10:根据各候选风能资源区进行优劣排序,确定风电场选址。
本发明提供一种基于层次分析的分散式风电场优化选址装置用于实现上述风电场选址方法,该装置包括DSP模块、键盘与显示模块、通信模块和上位机;DSP模块包括DSP芯片、电源电路、存储器电路和复位与时钟电路;键盘与显示模块包括键盘和液晶控制器;
该装置的电路连接为:电源电路连接DSP芯片,存储器电路输出端连接DSP芯片,复位与时钟电路输出端连接DSP芯片,键盘的输出端连接DSP芯片,液晶控制器输入端连接DSP芯片,上位机通过通信模块与DSP芯片相连。
有益效果:本方法相对于传统的层次分析法选址,考虑因素全面,检验和调整判断矩阵的一致性简单易行、科学合理,结果分析科学;本装置通过DSP处理运算过程,可以加快选址周期,提高效率。
附图说明
图1递阶层次分析结构示意图;
图2本发明具体实施方式基于模糊层次分析的分散式风电场优化选址装置硬件框图;
图3本发明具体实施方式电源电路原理图;
图4本发明具体实施方式存储器电路原理图;
图5本发明具体实施方式复位与时钟电路原理图;
图6本发明具体实施方式键盘与显示模块电路原理图;
图7本发明具体实施方式通讯模块电路原理图;
图8本发明具体实施方式基于模糊层次分析的分散式风电场优化选址方法总体流程图;
图9本发明具体实施方式基于模糊层次分析的分散式风电场优化选址方法风电场选址递阶层次结构示意图;
图10本发明具体实施方式的问卷调查表1流程图。
具体实施方式
下面结合附图对本发明的具体实施做详细说明。
本实施方式的基于模糊层次分析的分散式风电场优化选址装置用于实现基于模糊层次分析的分散式风电场优化选址方法的精确计算,如图2所示,装置包括DSP模块、键盘与显示模块、通信模块和上位机;DSP模块包括DSP芯片、电源电路、存储器电路和复位与时钟电路;
DSP芯片选用型号为TMS320F2812,电源电路采用型号为TPS73HD318的电源芯片,如图3所示,电源电路的输出引脚连接DSP芯片,供电电压为DC+5V,输出+1.8V和+3.3V的直流电压,分别满足DSP内核和I/O的供电需求;存储器选用型号为IS61LV12816,如图4所示,存储器IS61LV12816的输出端41、17、6号引脚分别连接DSP芯片的42、84、133号引脚;复位与时钟电路选用型号为MAC705,如图5所示,复位与时钟电路的输出端7号引脚连接DSP芯片的复位引脚,对DSP芯片进行复位;键盘与显示模块包括键盘和液晶控制器,如图6所示,其中键盘设置有6个按键S1~S6,6个按键S1~S6的输出端分别连接DSP芯片的45、46、47、48、49、50号引脚分别连接DSP芯片的GPIOB0、GPIOB1、GPIOB2、GPIOB3、GPIOB4、GPIOB5引脚,液晶控制器输入端10、11、12、13、14、15、16、17、18、19、20、21号引脚分别连接DSP芯片的40、41、34、35、155、157、87、89、92、93、94、95号引脚;通讯模块选用串行接口MAX232,采用RS232C协议,如图7所示,通信模块MAX232的引脚11、10与DSP芯片155、157引脚相连,232插口通过232电缆与上位机串口相连,从而实现数据的传输,通信模块将系统相关信息传给上位机,在上位机上通过相应软件,观察运算结果或者把数据保存至上位机的本地硬盘,并通过键盘输入控制指令。
采用上述基于模糊层次分析的分散式风电场优化选址装置进行风电场选址的方法,总体流程如图8所示,包括以下步骤:
步骤1:在风能资源丰富地区内划分候选风能资源区;
根据风能资源丰富地区所在区域的等高线地图,在风能资源丰富地区内充分考虑风电场建设的限制因素,转化得到各候选风能资源区等高线地图;
在风能资源丰富地区内划分候选风能资源区的具体步骤为:
步骤1.1:搜集风能资源丰富区的限制因素,包括风速限制、风功率密度限制、自然保护区限制和噪声影响限制;
步骤1.2:在风能资源丰富地区所在区域的等高线地图上建立坐标系,配置栅格,使栅格覆盖整个风能资源丰富地区;
步骤1.3:设置栅格的分辨率,对各个栅格方块设置坐标,得到坐标集I,形成初始坐标数据;
步骤1.4:将风能资源丰富区的限制因素所限制的区域通过栅格方块坐标表示,得到坐标集P;
步骤1.5:除去限制因素的栅格方块区域,得到风能资源丰富地区栅格地图中适合风电场建设的栅格方块区域即栅格地图,并将栅格地图用坐标集O表示,即O=I∩P;
步骤1.6:将步骤1.5得到的栅格地图分成若干个区域,每一个区域即为一个候选风能资源区;
步骤1.7:判断步骤1.6得到的候选风能资源区是否满足计算精度要求,如果不满足,返回步骤1.3。
步骤2:确定风电场选址评价指标体系,该体系包括影响风电场选址的一般性准则及相应指标;
风电场选址的影响因素繁多,其中有些因素对风电场的场址影响较大而有些因素的影响较小,有些因素对各种区域都有影响而有些因素只对部分区域有影响,同时对不同的地区,不同的气候类型,影响程度不一样。所以选择评价指标体系时要合理地选择风电场选址评价指标,这将直接影响到场址选择的结果。因此在对风电场选址评价之前,必须提出科学的评价原则,作为选择参数和标准的一般性依据。
风电场建设选址是一个由多种相互联系、相互作用的要素构成的有机整体,是一个复杂的系统,其中要素有定性的也有定量的。本实施方式的风电场选址的一般性准则包括风能资源情况准则、交通条件准则、气象地址灾害准则、电网接入准则、社会及环境影响准则和经济因素准则,一般性准则及相应指标如图9所示,包括:
准则①风能资源情况
风能资源情况准则以气象站提供的三十年内风向和风速等数据为依据进行计算和作图来形成样本数据。包含如下指标:
I年盛行风向上的年有效风功率(千瓦)
年盛行风向上的年有效风功率表征气流在年盛行风向上于一年里垂直流过单位截面积的风功率;值越大越好;
II年盛行风向上的风速月变化(百分率)
用年盛行风向上的风速月变化曲线与同期的电网月负荷曲线对比,两者相一致或接近的部分越多越好;年盛行风向上的风速月变化曲线在参考圆柱面内的长度占曲线总长的比例越大越好;
准则②交通条件
根据风机部件的尺寸、重量等参数选择不同的交通运输方式:公路、铁路、航运或者将多种方式结合起来;然后通过方案对比,选择最优的路线;
交通条件包含如下指标:
I交通运输时间(小时)
交通运输时间为采用最优运输方式运输风机装备从生产厂家到风电场场址的时间;时间越短越好;
II交通运输费用(元)
交通运输费用为采用最优运输方式运输风机装备从生产厂家到风电场场址的费用,其中包括:运输费,过路费等等;交通运输费用越低越好;
III交通运输风险(个)
交通运输风险为采用最优运输方式运输风机装备从生产厂家到风电场场址的风险,包括风机损坏和运输时间延误,通过考察最优运输方式运输风机装备线路上导致风机损坏,运输时间延误等的路况个数进行评判;交通运输风险个数越少越好;
IV新建道路难度
由于地质、地形等原因,道路施工有着不同的难易程度,根据地质、地形条件,对新建道路施工条件进行{简单,中等,复杂}评判;施工条件越简单越好;
V新建(改建)道路折算长度(米)
不论是场外道路还是场内道路,不同规格和等级的新修道路都对应着不同的修路成本;为了便于估算修路成本,定义一种标准道路,即:在平坦地形下且工程地质情况良好的地方,能够满足850kW级别风电机组运输要求的道路;该标准道路的单位修路成本可以由当地的工程建设项目统计查得,具有一个相对固定的值;将标准道路情况下,实际工程项目应修建的道路长度定义为标准长度,而将实际工程中修建不同等级道路的修路成本通过折算长度来体现,其折算长度为标准度与道路等级折算系数的乘积;折算长度越短越好;
准则③气象地址灾害
包含如下指标:
I气象灾害发生的可能性(次)
以50年内发生气象灾害的次数作为评价依据;发生的次数越少越好;
II地质灾害发生可能性(次)
以50年内发生地质灾害的次数作为评价依据;发生的次数越少越好;
准则④电网接入
包含如下指标:
I接入电网线路长度(米)
接入电网线路长度表征风电场汇集站至变电站的线路的总长度;接入电网线路长度越短越好;
准则⑤社会及环境影响
包含如下指标:
I对生态环境的影响
对生态环境的影响根据植被的影响程度及对候鸟的影响程度等进行{大,中,小}评判;影响越小越好;
II对当地居民的影响
对当地居民的影响根据耕地的占用,旅游开发等进行{大,中,小}评判;影响越小越好;
准则⑥经济因素
包含如下指标:
I总投资费用(元)
总投资费用就是风电场初期建设需要投入的总投资,包括材料费用、人工费用等等;总投资费用越少越好;
II年运行费用(元)
年运行费用为风电场运作一年为了正常运转总的投入,包括维修费用;年运行费用越少越好;
III年收入(元)
年收入为风电场运作一年的总收入,根据年总的发电量和当年平均电价计算;年收入越多越好;
IV年净利润;(元)
年净利润率为扣除当年所有支出、费用后的利润;年净利润越大越好;
步骤3:确定风电场选址方案的递阶层次结构;
如图1所示,风电场选址方案的递阶层次结构包括目标层、准则层、指标层和方案层;
准则层包括风能资源情况准则、电网接入准则、交通条件准则、气象地质灾害准则、社会及环境影响准则和经济因素准则;
指标层包括准则层中各准则所对应的指标,其中,风能资源情况准则对应的指标层为年盛行风向上的年有效风功率和年盛行风向上的风速月变化,电网接入准则对应的指标为接入电网线路长度,交通条件准则对应的指标为交通运输时间、交通运输费用、交通运输风险、新建道路难度、新建/改建道路折算长度,气象地质灾害准则对应的指标为气象灾害发生的可能性、地质灾害发生可能性,社会及环境影响准则对应的指标为对生态环境的影响、对当地居民的影响,经济因素准则对应的指标为总投资费用、年运行费用、年收入、年净利润;
方案层为进行优劣排序后的候选风能资源区;
目标层为从候选风能资源区的优劣排序中选择最优风能资源区作为风电场选址方案;
风电场选址递阶层次分析的流程如图10所示。
步骤4:采用专家群体判断集体决定的方法通过问卷调查评判专家对风电场选址的认知度得到各专家的认知度参数,并且构造风电场选址的准则层判断矩阵和指标层判断矩阵;
认知度参数表征各专家对应的层次总排序权重的重要性程度;准则层判断矩阵用来描述风电场选址方案的准则层各准则之间的隶属度;指标层判断矩阵用来描述各准则所对应的指标之间的隶属度,准则层判断矩阵和指标层判断矩阵均为模糊互补矩阵;
采用专家群体判断集体决定的方法构造准则层判断矩阵和指标层判断矩阵,可以得到客观性强适合一般情况的决策,这个过程通过向专家发放问卷调查表的方式来完成;
采用专家群体判断集体决定的方法构造准则层判断矩阵和指标层判断矩阵,步骤如下:
步骤4.1:向专家发放问卷调查表1,评判专家对风电场选址的认知度,得到专家的认知度参数,该认知度参数表征各专家对应的层次总排序权重的重要性程度;
问卷调查表1目的是通过问卷调查评判专家对风电场选址的认知度,得到各专家的认知度参数;认知度参数表征各专家对应的层次总排序权重的重要性程度。
向专家发放问卷调查表1,评判专家对风电场选址的认知度,得到专家的认知度参数的具体步骤为:
第一步:第一步:设置问卷调查表参数;问卷调查表共设置问题o个,每个问题设置答案选项p个,使满足o×p=100;问卷调查表设置总分100分,每题分,答案选项依次对应o分,(o-1)分,...,2分,1分。
第二步:针对专家对风电场选址的了解程度设置问卷调查表问题,问卷调查表为目标途径调查表;其中将目标列入调查表的横栏,措施/方案列入纵栏,就构成了目标途径调查表,专家对这种调查表的回答只需要在相应的目标和措施/方案之间做出选择即可;
第三步:问卷调查工作组评判问卷调查表参数及问题设置的可行性:如果问卷调查表参数设置不合理,返回第一步;如果问卷调查表问题设置不合理,返回第二步;否则执行第四步;
第四步:发放问卷调查表;
第五步:收回问卷调查表;
第六步:对问卷调查表进行评分;
设有q个专家,则得到q个评分数据
第七步:处理评分数据:将q个评分数据单位化,得到q个专家认知度参数分λ1,λ2,...,λq;
步骤4.2:向专家发放问卷调查表2,确定准则层判断矩阵和指标层判断矩阵,并确定准则层判断矩阵和指标层判断矩阵中最能反映专家对判断矩阵中各个元素之间的相对重要性判断的行。
设判断矩阵为R,R中的元素rij表示准则(或指标)ai比准则(或指标)aj重要的隶属度,rij越大,ai就比aj越重要,采用0.1~0.9的重要性标度来构造判断矩阵,见表1:
表1重要性标度含义表
以确定准则层判断矩阵和确定准则层判断矩阵中最能反映专家对该判断矩阵中各个元素之间的相对重要性判断的行为例,进行说明:
确定准则层判断矩阵的一般模型如下:
(Ors)=f(Xi,Xj,T6),Xi,Xj∈E
式中:f为智能算子;E={X1,X2,…,X6},表示风电场选址的准则,E={风能资源情况,电网接入,交通条件,气象地质灾害,社会及环境影响,经济因素}为备选集,;Xi,Xj均为备选集中的具体元素,i,j=1,2,…,6,表示为X1={风能资源情况},X2={电网接入},…;
T={T1,T2,…T9}为经验集,T1,T2,…T9为经验集的具体元素,T中的具体元素表示专家对准则Xi,Xj的相对重要性的经验判断,即表示Xi(相当于ai)比Xj列元素(相当于aj)重要的隶属度,表示为T1={0.1},T2={0.2},…,T9={0.9};
O={O11,O12,…,O16;O11,O22,…,O26;…;O61,O62,…,O66}为输出集,(Oij)为输出集的具体元素,表示为专家根据T对相应考虑因素Xi,Xj相对重要性进行的选择,满足:Xij越大,Xi就比Xj越重要;
确定输出集O中最能反映专家对各个准则之间相对重要性判断的行Oi·,
Oi·={Oi1,Oi2,…,Oi6},其一般模型为
Oi·=f(E,Ti)
式中:f为智能算子;O={O1·,O2·,…,O6·}为输出集,Oi·为输出集的具体元素,满足Oi·=E∩Ti;E={X1,X2,…,X6}为备选集,X1,X2,…,X6为备选集的具体元素,表示为X1={O11,O12,…,O16},X2={O21,O22,…,O26},…,X6={O61,O62,…,O66};
T={T1,T2,…T6}为经验集,T1,T2,…T6为经验集的具体元素,表示专家对输出集O中最能反映各个指标之间相对重要性的行的经验判断,满足:Ti∈E;
步骤5:判断准则层判断矩阵和指标层判断矩阵是否满足一致性条件,满足则执行步骤6,不满足,则根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,使准则层判断矩阵和指标层判断矩阵满足一致性条件;
虽然判断矩阵的任一行或列都完整地反映了某位专家对各元素相对重要性的一次判断,但是不同的专家会下意识地依据其习惯来组合判断矩阵的行或列,这种组合方式也参与表达专家的主观论断。
假设判断矩阵中的某一行(列)最能反映专家对各个元素之间相对重要性的判断。而专家对各个元素之间相对重要性可以根据已经确定的两个判断矩阵中最能反映专家对判断矩阵中各个元素之间的相对重要性判断的行得知,那么,当构造出的判断矩阵不具有一致性时,可以应用模糊一致矩阵的充要条件即定理1进行调整。
定理1:模糊互补矩阵R=(rij)n×n是模糊一致矩阵的充要条件是任意指定行和其余各行对应元素之差为某一个常数。
上述步骤5中所述的根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,具体步骤如下:
步骤5.1:确定一个同其余元素的重要性相比较得出的判断有把握的元素,不失一般性,设专家认为对判断r11,r12,…,r1n比较有把握;
步骤5.2:用模糊互补矩阵R的第一行元素减去第二行对应元素,若所得的n个差数为常数,则不需调整第二行元素。否则,要对第二行元素进行调整,直到第一行元素减第二行的对应元素之差为常数为止;
步骤5.3:用模糊互补矩阵R的第一行元素减去第三行的对应元素,若所得的n个差数为常数,则不需调整第三行的元素;否则,要对第三行的元素进行调整,直到第一行元素减去第三行对应元素之差为常数为止。
步骤5.4:重复执行步骤5.2~5.3直到第一行元素减去第n行对应元素之差为常数为止。
步骤6:针对每位专家计算准则层判断矩阵对于各准则的权重,针对各准则下的相应指标计算指标层判断矩阵对于各相应指标的权重,进而确定风电场选址方案的递阶层次单排序权重;
设准则ai(i=1,2,…,6)包括s个指标,分别为b1,b2,…,bs,其权重分别为按照上面的假设,层次单排序权重公式为:
其中:α为元素bi和元素bj重要程度差异(wi A-wj A)的度量单位,且α≥(6-1)/2=2.5,α越小,表明专家越重视元素间重要程度的差异。为了突出元素间的差异,在实际应用中一般取α=2.5。
步骤7:针对每位专家,根据风电场选址方案的递阶层次单排序权重计算各指标之间的相对权重,确定风电场选址方案的递阶层次总排序权重;
层次总排序随层次单排序的不同而显得不同。不失一般性,设A为准则层,其层次单排序权重为B为指标层,由m个指标组成,分别为b1,b2,…,bm,他们对于准则Aj层次单排序权重为w1j,w2j,…,wmj(若bi不是准则Aj下对应指标,则wij=0)。则根据层次单排序权重公式,指标层B各指标的层次总排序权重公式为:
那么,风电场选址方案的递阶层次总排序权重向量W为:
W=(w1 B,w2 B,…,wm B);
步骤8:根据各个专家的层次总排序权重及每个专家的认知度参数计算所有专家的综合的层次总排序权重,确定综合层次总排序权重;
由于构造判断矩阵时,采取的是专家群体判断集体决定的方法,而各个专家对风电场的认知度等不同,形成的评价结果可参考价值不同,我们对各个专家赋予不同的权重,以表示其问卷调查结果的重要性程度,该重要性程度用问卷调查表1的认知度参数分表示。设有q个专家,赋予的权重分别为λ1,λ2,...,λq(λ1+λ2+…+λq=1),对应的层次总排序权重向量分别为W1,W2,...,Wq,则q位专家形成的综合层次总排序权重为:
步骤9:根据综合层次总排序权重和各候选风能资源区中各指标的样本集数据,采用模糊综合评价法对候选风能资源区进行优劣排序;
采用模糊综合评价法对候选风能资源区进行优劣排序的具体步骤如下:
步骤9.1:确定各候选风能资源区的指标的隶属度,构建各指标的相对隶属度的模糊评价矩阵;
设由m个指标组成对全体l个候选风能资源区的评价指标样本集数据(xij),i=1,2,…,m,j=1,2,…,l,其中元素xij均为非负数;确定各指标的相对隶属度的模糊评价矩阵时,通过求解各矩阵元素满意度来解决消除各评价指标的量纲效应的问题,使建模具有通用性,借鉴指标满意度的方法,定义单个元素最优值的满意度是1,最劣值得满意度是0,中间值用插值法求得,那么,对于越大越优型指标的满意度是:
式中: 其中j=1,2,…,l
对于越小越优型指标的满意度是:
式中: 其中j=1,2,…,l
以(xij),i=1,2,…,m,j=1,2,…,l为元素组成各指标的相对隶属度的模糊评价矩阵;
步骤10:根据各候选风能资源区进行优劣排序,确定风电场选址。
Claims (3)
1.一种基于模糊层次分析的分散式风电场优化选址的方法,采用基于模糊层次分析的分散式风电场优化选址装置,包括DSP模块、键盘输入模块、液晶显示模块、通信模块和上位机;DSP模块包括DSP芯片、电源电路、存储器电路和复位与时钟电路;键盘与显示模块包括键盘和液晶控制器;
该装置的电路连接为:电源电路连接DSP芯片,存储器电路输出端连接DSP芯片,复位与时钟电路输出端连接DSP芯片,键盘的输出端连接DSP芯片,液晶控制器输入端连接DSP芯片,上位机通过通信模块与DSP芯片相连;
其特征在于:该方法包括以下步骤:
步骤1:在风能资源丰富地区内划分候选风能资源区;
步骤1.1:搜集风能资源丰富区的限制因素,包括风速限制、风功率密度限制、自然保护区限制和噪声影响限制;
步骤1.2:在风能资源丰富地区所在区域的等高线地图上建立坐标系,配置栅格,使栅格覆盖整个风能资源丰富地区;
步骤1.3:设置栅格的分辨率,对各个栅格方块设置坐标,得到坐标集I,形成初始坐标数据;
步骤1.4:将风能资源丰富区的限制因素所限制的区域通过栅格方块坐标表示,得到坐标集P;
步骤1.5:除去限制因素的栅格方块区域,得到风能资源丰富地区栅格地图中适合分散式风电场建设的栅格方块区域即栅格地图,并将栅格地图用坐标集O表示,即O=I∩P;
步骤1.6:将步骤1.5得到的栅格地图分成若干个区域,每一个区域即为一个候选风能资源区;
步骤1.7:判断步骤1.6得到的候选风能资源区是否满足计算精度要求,如果不满足,返回步骤1.3;
步骤2:确定分散式风电场选址评价指标体系,该体系包括影响分散式风电场选址的一般性准则及相应指标;
所述分散式风电场选址的一般性准则包括风能资源情况准则、交通条件准则、气象地址灾害准则、电网接入准则、社会及环境影响准则和经济因素准则;
步骤3:确定分散式风电场选址方案的递阶层次结构;
分散式风电场选址方案的递阶层次结构包括目标层、准则层、指标层和方案层;
准则层包括风能资源情况准则、电网接入准则、交通条件准则、气象地质灾害准则、社会及环境影响准则和经济因素准则;
指标层包括准则层中各准则所对应的指标,其中,风能资源情况准则对应的指标层为年盛行风向上的年有效风功率和年盛行风向上的风速月变化,电网接入准则对应的指标为接入电网线路长度,交通条件准则对应的指标为交通运输时间、交通运输费用、交通运输风险、新建道路难度、新建/改建道路折算长度,气象地质灾害准则对应的指标为气象灾害发生的可能性、地质灾害发生可能性,社会及环境影响准则对应的指标为对生态环境的影响、对当地居民的影响,经济因素准则对应的指标为总投资费用、年运行费用、年收入、年净利润;
方案层为进行优劣排序后的候选风能资源区;
目标层为从候选风能资源区的优劣排序中选择最优风能资源区作为分散式风电场选址方案;
步骤4:采用专家群体判断集体决定的方法通过问卷调查评判专家对分散式风电场选址的认知度得到各专家的认知度参数,并且构造分散式风电场选址的准则层判断矩阵和指标层判断矩阵;
认知度参数表征各专家对应的层次总排序权重的重要性程度;准则层判断矩阵用来描述分散式风电场选址方案的准则层各准则之间的隶属度;指标层判断矩阵用来描述各准则所对应的指标之间的隶属度,准则层判断矩阵和指标层判断矩阵均为模糊互补矩阵;
步骤4.1:向专家发放问卷调查表1,评判专家对分散式风电场选址的认知度,得到专家的认知度参数,具体步骤为:
第一步:设置问卷调查表参数;问卷调查表共设置问题o个,每个问题设置答案选项p个,使满足o×p=100;问卷调查表设置总分100分,每题分,答案选项依次对应o分,(o-1)分,…,2分,1分;
第二步:针对专家对分散式风电场选址的了解程度设置问卷调查表问题,问卷调查表为目标途径调查表;其中将目标列入调查表的横栏,措施/方案列入纵栏,构成目标途径调查表,专家对这种调查表的回答只需要在相应的目标和措施/方案之间做出选择即可;
第三步:问卷调查工作组评判问卷调查表参数及问题设置的可行性:如果问卷调查表参数设置不合理,返回第一步;如果问卷调查表问题设置不合理,返回第二步;否则执行第四步;
第四步:发放问卷调查表;
第五步:收回问卷调查表;
第六步:对问卷调查表进行评分;
设有q个专家,则得到q个评分数据
第七步:处理评分数据:将q个评分数据单位化,得到q个专家认知度参数分λ1,λ2,…,λq;
步骤4.2:向专家发放问卷调查表2,确定准则层判断矩阵和指标层判断矩阵,并确定准则层判断矩阵和指标层判断矩阵中最能反映专家对判断矩阵中各个元素之间的相对重要性判断的行;
所述准则层判断矩阵和指标层判断矩阵采用0.1~0.9的重要性标度来确定;
步骤5:判断准则层判断矩阵和指标层判断矩阵是否满足一致性条件,满足则执行步骤6,不满足,则根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,使准则层判断矩阵和指标层判断矩阵满足一致性条件;
步骤6:针对每位专家计算准则层判断矩阵对于各准则的权重,针对各准则下的相应指标计算指标层判断矩阵对于各相应指标的权重,进而确定分散式风电场选址方案的递阶层次单排序权重;
步骤7:针对每位专家,根据分散式风电场选址方案的递阶层次单排序权重计算各指标之间的相对权重,确定分散式风电场选址方案的递阶层次总排序权重;
步骤8:根据各个专家的层次总排序权重及每个专家的认知度参数计算所有专家的综合的层次总排序权重,确定综合层次总排序权重;
步骤9:根据综合层次总排序权重和各候选风能资源区中各指标的样本集数据,采用模糊综合评价法对候选风能资源区进行优劣排序;
步骤10:根据各候选风能资源区进行优劣排序,确定分散式风电场选址。
2.根据权利要求1所述的基于模糊层次分析的分散式风电场优化选址的方法,其特征在于:步骤5中所述的根据模糊一致矩阵的充要条件将准则层判断矩阵和指标层判断矩阵均调整为模糊一致矩阵,具体步骤如下:
步骤5.1:确定一个同其余元素的重要性相比较得出的判断有把握的元素,不失一般性,设专家认为对判断r11,r12,…,r1n比较有把握;
步骤5.2:用模糊互补矩阵R的第一行元素减去第二行对应元素,若所得的n个差数为常数,则不需调整第二行元素,否则,要对第二行元素进行调整,直到第一行元素减第二行的对应元素之差为常数为止;
步骤5.3:用模糊互补矩阵R的第一行元素减去第三行的对应元素,若所得的n个差数为常数,则不需调整第三行的元素;否则,要对第三行的元素进行调整,直到第一行元素减去第三行对应元素之差为常数为止;
步骤5.4:重复执行步骤5.2~5.3直到第一行元素减去第n行对应元素之差为常数为止。
3.根据权利要求1所述的基于模糊层次分析的分散式风电场优化选址的方法,其特征在于:步骤9所述的采用模糊综合评价法对候选风能资源区进行优劣排序的具体步骤如下:
步骤9.1:确定各候选风能资源区的指标的隶属度,构建各指标的相对隶属度的模糊评价矩阵;
设由m个指标组成对全体l个候选风能资源区的评价指标样本集数据(xij),i=1,2,…,m,j=1,2,…,l,其中元素xij均为非负数;确定各指标的相对隶属度的模糊评价矩阵时,采用指标满意度的方法,定义单个元素最优值的满意度是1,最劣值得满意度是0,中间值用插值法求得,那么,对于越大越优型指标的满意度是:
式中: 其中j=1,2,…,l
对于越小越优型指标的满意度是:
式中: 其中j=1,2,…,l
以Xij,i=1,2,…,m,j=1,2,…,l为元素组成各指标的相对隶属度的模糊评价矩阵;
步骤9.2:计算模糊评价的综合值,根据该综合值对各候选风能资源区进行优劣排序;
模糊评价的综合值为各候选风能资源区的各指标的相对隶属度与相应综合层次总排序权重的乘积之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210380678.8A CN102945507B (zh) | 2012-10-09 | 2012-10-09 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210380678.8A CN102945507B (zh) | 2012-10-09 | 2012-10-09 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945507A CN102945507A (zh) | 2013-02-27 |
CN102945507B true CN102945507B (zh) | 2016-01-20 |
Family
ID=47728446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210380678.8A Expired - Fee Related CN102945507B (zh) | 2012-10-09 | 2012-10-09 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945507B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103269085B (zh) * | 2013-04-16 | 2015-01-28 | 东北大学 | 一种分布式风机选址定容系统 |
CN103336995B (zh) * | 2013-04-19 | 2016-04-13 | 国家电网公司 | 一种百万千瓦级光伏发电基地实时测光网络的构建方法 |
CN103268572B (zh) * | 2013-05-06 | 2016-07-06 | 国家电网公司 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
CN104050323B (zh) * | 2014-06-20 | 2017-02-15 | 中国电建集团昆明勘测设计研究院有限公司 | 一种高海拔山区模糊多准则风电场选址方法 |
CN104899678A (zh) * | 2015-05-08 | 2015-09-09 | 中国电建集团成都勘测设计研究院有限公司 | 水电站地下厂房洞室选址快速评测方法 |
CN106934478A (zh) * | 2015-12-29 | 2017-07-07 | 核工业北京地质研究院 | 基于ahp的高放废物地质处置库场址适宜性定量评价方法 |
CN107634528A (zh) * | 2016-07-19 | 2018-01-26 | 锐电科技有限公司 | 一种风电场储能容量配置方法 |
CN107545353B (zh) * | 2016-11-10 | 2020-09-29 | 西南民族大学 | 一种地质灾害对公路交通影响程度的定量评估方法 |
CN109840611B (zh) * | 2017-11-28 | 2021-03-16 | 中国移动通信集团浙江有限公司 | 一种综合业务接入区定容定址处理方法及装置 |
CN107944774A (zh) * | 2017-12-28 | 2018-04-20 | 华润电力技术研究院有限公司 | 一种风电场建设方案优化系统 |
CN108196949B (zh) * | 2017-12-28 | 2021-05-04 | 华润电力技术研究院有限公司 | 一种测风数据处理方法及相关设备 |
CN108205734A (zh) * | 2017-12-28 | 2018-06-26 | 华润电力技术研究院有限公司 | 一种风电场建设方案的处理方法以及相关设备 |
CN110322038B (zh) * | 2018-03-29 | 2022-07-15 | 北京金风科创风电设备有限公司 | 基于中尺度数据的风机自动排布的方法和设备 |
CN110162582A (zh) * | 2018-04-13 | 2019-08-23 | 山东百世通大数据科技有限公司 | 复杂地形下高速公路气象观测站智能选址系统及应用方法 |
CN108764578B (zh) * | 2018-05-31 | 2021-11-02 | 河海大学 | 一种蒙特卡洛模拟与层次分析法相结合的风电场宏观智能选址方法 |
CN109146204A (zh) * | 2018-09-27 | 2019-01-04 | 浙江中海达空间信息技术有限公司 | 一种多层次综合评估的风电场升压站自动选址方法 |
CN109376948A (zh) * | 2018-11-19 | 2019-02-22 | 中国石油大港油田勘探开发研究院 | 一种地下储气库科学选址方法 |
CN110097322A (zh) * | 2019-05-14 | 2019-08-06 | 吉林大学 | 一种虚拟场景中零件库存节点选址方法 |
CN110414047A (zh) * | 2019-06-24 | 2019-11-05 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种用于通信传输设备健康状态评价的方法 |
CN110526065B (zh) * | 2019-09-16 | 2020-09-29 | 东北大学 | 一种电梯按需维保策略的获取方法及系统 |
CN110704513A (zh) * | 2019-10-22 | 2020-01-17 | 西南交通大学 | 一种分布式多元铁路数据智能分析系统 |
CN111506619B (zh) * | 2020-03-12 | 2023-10-03 | 中国建筑设计研究院有限公司 | 一种产业园区空间选址方法及系统 |
CN111401787A (zh) * | 2020-04-09 | 2020-07-10 | 中国邮政储蓄银行股份有限公司 | 一种选址方法、装置、系统 |
CN111968005B (zh) * | 2020-06-29 | 2023-10-13 | 法能(中国)能源技术有限公司 | 区域能源系统潜力评估方法及实现该方法的系统 |
CN111798057B (zh) * | 2020-07-06 | 2023-11-10 | 四川中电启明星信息技术有限公司 | 一种基于模糊层次盈利分析的充电场站选址方法 |
CN112101700A (zh) * | 2020-07-24 | 2020-12-18 | 国网上海市电力公司 | 一种多站融合选址指标体系的评估方法 |
CN113268704B (zh) * | 2021-04-27 | 2023-08-04 | 国网福建省电力有限公司 | 基于模糊层次分析法的数据中心选址方法及系统 |
CN113989767B (zh) * | 2021-09-29 | 2024-08-23 | 天翼交通科技有限公司 | 一种自动驾驶测试场景复杂度分析方法及系统 |
CN114427882A (zh) * | 2021-12-13 | 2022-05-03 | 国网湖南省电力有限公司检修公司 | 一种基于模糊层次分析法的智能隔离开关系统及其评估方法 |
CN115564161B (zh) * | 2022-03-23 | 2023-11-17 | 甘肃电通电力工程设计咨询有限公司 | 一种智慧电网发电设施工程项目建设评估分析方法 |
CN116307622A (zh) * | 2023-03-31 | 2023-06-23 | 中国葛洲坝集团电力有限责任公司 | 一种适用于风电建筑安装行业的基建管控系统 |
CN118378855A (zh) * | 2024-06-21 | 2024-07-23 | 北京夏初科技集团有限公司 | 一种风电场微观选址优化方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201845205U (zh) * | 2010-11-18 | 2011-05-25 | 长沙理工大学 | 一种基于单片机的大规模风场风能监测装置 |
-
2012
- 2012-10-09 CN CN201210380678.8A patent/CN102945507B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102945507A (zh) | 2013-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945507B (zh) | 基于模糊层次分析的分散式风电场优化选址方法及装置 | |
Wu et al. | An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China | |
Perera et al. | Quantifying the impact of urban climate by extending the boundaries of urban energy system modeling | |
Ma et al. | Geography, trade, and internal migration in China | |
Jun et al. | Macro-site selection of wind/solar hybrid power station based on ELECTRE-II | |
Sailor et al. | A neural network approach to local downscaling of GCM output for assessing wind power implications of climate change | |
Li et al. | Energy performance simulation for planning a low carbon neighborhood urban district: A case study in the city of Macau | |
Xue et al. | Impact of transmission tower-line interaction to the bulk power system during hurricane | |
Azadeh et al. | Location optimization of solar plants by an integrated hierarchical DEA PCA approach | |
Clifton et al. | Wind plant preconstruction energy estimates. current practice and opportunities | |
Monforti et al. | Comparing the impact of uncertainties on technical and meteorological parameters in wind power time series modelling in the European Union | |
CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
Zhang et al. | Deep learning method for evaluating photovoltaic potential of urban land-use: A case study of Wuhan, China | |
Pambudi et al. | A hierarchical fuzzy data envelopment analysis for wind turbine site selection in Indonesia | |
CN106951998A (zh) | 一种小型能源互联网多源优化综合评估方法和系统 | |
Fang et al. | Application of long short-term memory (LSTM) on the prediction of rainfall-runoff in karst area | |
Javanroodi et al. | Combining computational fluid dynamics and neural networks to characterize microclimate extremes: Learning the complex interactions between meso-climate and urban morphology | |
Fard et al. | Ground-mounted photovoltaic power station site selection and economic analysis based on a hybrid fuzzy best-worst method and geographic information system: A case study Guilan province | |
Kruyt et al. | Improvement of wind power assessment in complex terrain: the case of COSMO-1 in the Swiss Alps | |
Henry et al. | Promoting reproducibility and increased collaboration in electric sector capacity expansion models with community benchmarking and intercomparison efforts | |
Ailliot et al. | Stochastic weather generator for the design and reliability evaluation of desalination systems with Renewable Energy Sources | |
CN117788218B (zh) | 一种碳排放评估方法及系统 | |
Ke et al. | A hybrid decision-making framework for photovoltaic poverty alleviation project site selection under intuitionistic fuzzy environment | |
Dehshiri et al. | Sustainable solar energy in urban areas: A novel framework for uncertainty, reliability, and 7E analysis | |
Dan et al. | Electrification-driven circular economy with machine learning-based multi-scale and cross-scale modelling approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20211009 |