CN108764578B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108764578B
CN108764578B CN201810550952.9A CN201810550952A CN108764578B CN 108764578 B CN108764578 B CN 108764578B CN 201810550952 A CN201810550952 A CN 201810550952A CN 108764578 B CN108764578 B CN 108764578B
Authority
CN
China
Prior art keywords
random
power plant
wind power
judgment matrix
simulation
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.)
Active
Application number
CN201810550952.9A
Other languages
English (en)
Other versions
CN108764578A (zh
Inventor
葛莹
鲍倩
史涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810550952.9A priority Critical patent/CN108764578B/zh
Publication of CN108764578A publication Critical patent/CN108764578A/zh
Application granted granted Critical
Publication of CN108764578B publication Critical patent/CN108764578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及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，通过对风电场宏观选址影响因子的分析，构建关于风电场宏观选址的梯阶层次模型，并采用蒙特卡洛模拟生成随机判断矩阵集；利用层次分析法计算各随机判断矩阵的单层权重，再对各影响因子进行多层组合一致性检验并计算组合权重；生成各影响因子的栅格图层，并对每个栅格图层进行适宜性等级划分；运用加权叠加分析法，生成风电场宏观选址适宜性图集，最后采用四分位法对风电场宏观选址适宜性图集进行重分类，生成风电场宏观选址方案集，显著提升了风电场宏观选址中风能资源评估的可靠性和地理适宜性评价精度。

Description

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
技术领域
本发明涉及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，属于风电场宏观选址技术领域。
背景技术
风能作为一种可再生的清洁能源，越来越受到重视，在风电场的建设中，风电场宏观选址作为风电场建设项目的前期工程，对风电场以后的社会、经济效益至关重要，现有的技术大多单一地研究与风电场宏观选址有关的风能资源评估、风电场交通条件、地形条件等。有的研究实际中风电场宏观选址需考虑的因素，如风能资源、地形条件及土地利用等，但并未采用任何方法对选址方案进行评估决策。有的学者利用层次分析法对风电场宏观选址进行评估分析，但各指标权重依赖于专家意见，未能充分利用客观的数据信息，导致主观性和偶然性较强。
发明内容
本发明所要解决的技术问题是提供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，采用全新方式进行选址，显著提升了风电场宏观选址中风能资源评估的可靠性和地理适宜性评价精度。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了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，包括如下步骤：
步骤A.通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并针对梯阶层次模型中准则层和各个指标层分别进行蒙特卡洛模拟，获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集；
步骤B.利用层次分析法计算各随机判断矩阵的单层权重，再将准则层中的各准则与其对应指标层中的各指标进行组合一致性检验，若通过组合一致性检验，则计算其组合权重；进而获得组合权重集；
步骤C.生成目标区域中各影响因子的栅格图层，并基于栅格图层，分别针对各个影响因子进行适宜性等级划分；
步骤D.运用加权叠加分析法，生成风电场宏观选址适宜性图集，最后采用四分位法对风电场宏观选址适宜性图集进行重分类，生成风电场宏观选址方案集。
作为本发明的一种优选技术方案，所述步骤A包括如下：
通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并将梯阶层次模型中准则层和各个指标层分别作为模拟对象，分别针对各个模拟对象，执行如下蒙特卡洛模拟操作步骤A1至步骤A9，获得模拟对象所对应的随机判断矩阵集，即获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集；
步骤A1.初始化n＝1，并进入步骤A2；
步骤A2.构建ki阶空矩阵，并令ki阶矩阵中左上角至右下角对角线上的元素为1，然后进入步骤A3；其中，i∈{1、...、I}，I表示模拟对象的数量，ki表示第i个模拟对象所对应的判断矩阵阶数；
步骤A3.随机产生
Figure BDA0001680241620000021
个、服从(0,1)均匀分布的随机数，并针对各个随机数分别乘以9进行更新，再将各个随机数任意填充至ki阶矩阵中的右上角区域，同时设置ki×ki矩阵中左下角区域各个元素位置分别为对应右上角区域中各个元素值的倒数，由此构建第i个模拟对象第n次模拟所对应的随机判断矩阵，然后进入步骤A4；
步骤A4.获得第i个模拟对象第n次模拟所对应随机判断矩阵的最大特征值λmax,i,n，以及所对应的特征向量，即权重向量
Figure BDA0001680241620000022
然后进入步骤A5；
步骤A5.根据
Figure BDA0001680241620000023
获得第i个模拟对象第n次模拟所对应随机判断矩阵的一致性指标CIi,n，并根据
Figure BDA0001680241620000024
获得第i个模拟对象第n次模拟所对应随机判断矩阵的随机一致性比率CRi,n，然后进入步骤A5；其中，RI为按下表1，基于判断矩阵阶数所对应的平均随机一致性指标；
n 2 3 4 5 6 7 8 9
RI 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
表1
步骤A5.判断CRi,n是否小于0.1，是则判定第i个模拟对象第n次模拟所对应随机判断矩阵符合一致性，并进入步骤A6；否则判定第i个模拟对象第n次模拟所对应随机判断矩阵不符合一致性，并将删除该随机判断矩阵，并进入步骤A6；
步骤A6.判断n是否等于预设模拟次数N，是则进入步骤A7；否则针对n的值进行加1更新，并返回步骤A2；
步骤A7.针对第i个模拟对象所对应各个随机判断矩阵的一致性指标CIi,n，按大小进行排序，获得第i个模拟对象所对应的一致性指标排序集，进入步骤A8；
步骤A8.针对第i个模拟对象所对应的一致性指标排序集，分别由排序的两端起，删除
Figure BDA0001680241620000031
个一致性指标值，更新第i个模拟对象所对应的一致性指标排序集，然后进入步骤A9；其中，α为预设显著性水平；
步骤A9.则第i个模拟对象一致性指标排序集中各个一致性指标分别对应的随机判断矩阵，即构成第i个模拟对象所对应的随机判断矩阵集。
作为本发明的一种优选技术方案，所述步骤B包括如下步骤：
步骤B1.针对准则层和各个指标层分别所对应的随机判断矩阵集，进一步针对各个随机判断矩阵所对应的权重向量进行归一化处理，然后进入步骤B2；
步骤B2.将准则层中的各准则与其对应指标层中的各指标进行组合，并按如下公式如下：
Figure BDA0001680241620000032
获得各种组合所对应的随机一致性比率CR*，然后进入步骤B3；其中，x表示准则层所对应的随机判断矩阵，y表示指标层所对应的随机判断矩阵，CIx表示随机判断矩阵x对应的一致性指标，CIy表示随机判断矩阵y对应的一致性指标，λmax,y表示随机判断矩阵y对应的最大特征值；
步骤B3.针对各种组合所对应的随机一致性比率CR*分别进行判断，判断CR*是否小于0.1，是则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合符合一致性，并计算组合权重；否则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合不符合一致性，然后进入步骤B4；
步骤B4.针对准则层和各个指标层分别所对应随机判断矩阵集中各随机判断矩阵的权重向量进行筛选，获得一组准则层、各个指标层分别所对应权重的组合，并根据步骤B3所获组合权重，计算获得组合权重集。
作为本发明的一种优选技术方案，所述步骤D包括如下步骤：
步骤D1.根据组合权重集，以及各个影响因子进行适宜性等级划分，运用加权叠加分析法批量生成风电场宏观选址适宜性图集；
步骤D2.采用四分位法，针对风电场适宜性图集进行重分类；
步骤D3.根据风电场适宜性图的重分类，获得风电场宏观选址方案。
作为本发明的一种优选技术方案，所述步骤D2包括如下步骤：
步骤D2-1.针对风电场适宜性图集中各栅格图像的各像素值，按如下公式：
z＝(tl-μ)/σ
进行z_score规范化，然后进入步骤D2-2；其中，tl表示栅格图像中第l个像素的像素值，μ表示栅格图像中像素均值，σ表示栅格图像中像素标准差，z表示原始分数和母体平均值之间的距离；
步骤D2-2.计算标准化栅格图像像素值所组成矩阵中的各个划分值位置，并按区间对标准化的图像进行重分类，获得矩阵中各个划分值位置与预设各类适宜性之间的对应关系，完成风电场适宜性图集进行重分类。
本发明所述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采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计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，采用全新方式进行选址，充分利用客观的数据信息，弥补层次分析法中权重的确定主观性强等问题，并且使用蒙特卡洛模拟法自动获取多个风电工程设计方案，弥补层次分析法中评价指标独立性的非检验假设缺失，而导致判断矩阵确定的主观性意愿强烈的缺陷，在此基础上，找到风电场宏观选址的最佳方案，提高了工作效率，节省了人力，显著提升了风电场宏观选址中风能资源评估的可靠性和地理适宜性评价精度。
附图说明
图1是本发明设计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的流程图；
图2是实施例中梯阶层次模型；
图3是研究区风速数据重分类图；
图4是研究区风功能密度重分类图；
图5是研究区坡度分类图；
图6是研究区坡位分类图；
图7是研究区起伏度分类图；
图8是研究区粗糙度分类图
图9是研究区土地利用类型分类图；
图10至图19依次为针对实施例所获选址的方案1至方案10的示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明设计了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，实际应用中，具体包括如下步骤：
步骤A.通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并针对梯阶层次模型中准则层和各个指标层分别进行蒙特卡洛模拟，获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集。
上述步骤A实际应用中，具体包括如下：
通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并将梯阶层次模型中准则层和各个指标层分别作为模拟对象，分别针对各个模拟对象，执行如下蒙特卡洛模拟操作步骤A1至步骤A9，获得模拟对象所对应的随机判断矩阵集，即获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集。
步骤A1.初始化n＝1，并进入步骤A2。
步骤A2.构建ki阶空矩阵，并令ki阶矩阵中左上角至右下角对角线上的元素为1，然后进入步骤A3；其中，i∈{1、...、I}，I表示模拟对象的数量，ki表示第i个模拟对象所对应的判断矩阵阶数。
步骤A3.随机产生
Figure BDA0001680241620000051
个、服从(0,1)均匀分布的随机数，并针对各个随机数分别乘以9进行更新，再将各个随机数任意填充至ki阶矩阵中的右上角区域，同时设置ki×ki矩阵中左下角区域各个元素位置分别为对应右上角区域中各个元素值的倒数，由此构建第i个模拟对象第n次模拟所对应的随机判断矩阵，然后进入步骤A4。
步骤A4.获得第i个模拟对象第n次模拟所对应随机判断矩阵的最大特征值λmax,i,n，以及所对应的特征向量，即权重向量
Figure BDA0001680241620000061
然后进入步骤A5。
步骤A5.根据
Figure BDA0001680241620000062
获得第i个模拟对象第n次模拟所对应随机判断矩阵的一致性指标CIi,n，并根据
Figure BDA0001680241620000063
获得第i个模拟对象第n次模拟所对应随机判断矩阵的随机一致性比率CRi,n，然后进入步骤A5；其中，RI为按下表1，基于判断矩阵阶数所对应的平均随机一致性指标。
n 2 3 4 5 6 7 8 9
RI 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
表1
步骤A5.判断CRi,n是否小于0.1，是则判定第i个模拟对象第n次模拟所对应随机判断矩阵符合一致性，并进入步骤A6；否则判定第i个模拟对象第n次模拟所对应随机判断矩阵不符合一致性，并将删除该随机判断矩阵，并进入步骤A6。
步骤A6.判断n是否等于预设模拟次数N，是则进入步骤A7；否则针对n的值进行加1更新，并返回步骤A2。
步骤A7.针对第i个模拟对象所对应各个随机判断矩阵的一致性指标CIi,n，按大小进行排序，获得第i个模拟对象所对应的一致性指标排序集，进入步骤A8。
步骤A8.针对第i个模拟对象所对应的一致性指标排序集，分别由排序的两端起，删除
Figure BDA0001680241620000064
个一致性指标值，更新第i个模拟对象所对应的一致性指标排序集，然后进入步骤A9；其中，α为预设显著性水平。
步骤A9.则第i个模拟对象一致性指标排序集中各个一致性指标分别对应的随机判断矩阵，即构成第i个模拟对象所对应的随机判断矩阵集。
步骤B.利用层次分析法计算各随机判断矩阵的单层权重，再将准则层中的各准则与其对应指标层中的各指标进行组合一致性检验，若通过组合一致性检验，则计算其组合权重；进而获得组合权重集。
上述步骤B，实际应用中具体包括
步骤B1.针对准则层和各个指标层分别所对应的随机判断矩阵集，进一步针对各个随机判断矩阵所对应的权重向量进行归一化处理，然后进入步骤B2。
步骤B2.将准则层中的各准则与其对应指标层中的各指标进行组合，并按如下公式如下：
Figure BDA0001680241620000071
获得各种组合所对应的随机一致性比率CR*，然后进入步骤B3；其中，x表示准则层所对应的随机判断矩阵，y表示指标层所对应的随机判断矩阵，CIx表示随机判断矩阵x对应的一致性指标，CIy表示随机判断矩阵y对应的一致性指标，λmax,y表示随机判断矩阵y对应的最大特征值。
步骤B3.针对各种组合所对应的随机一致性比率CR*分别进行判断，判断CR*是否小于0.1，是则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合符合一致性，并计算组合权重；否则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合不符合一致性，然后进入步骤B4。
步骤B4.针对准则层和各个指标层分别所对应随机判断矩阵集中各随机判断矩阵的权重向量进行筛选，获得一组准则层、各个指标层分别所对应权重的组合，并根据步骤B3所获组合权重，计算获得组合权重集。
步骤C.生成目标区域中各影响因子的栅格图层，并基于栅格图层，分别针对各个影响因子进行适宜性等级划分，并且具体执行如下步骤：
步骤C1.风速数据来源于研究区气象站的实测数据，通过数据导入、定义投影、投影变换和反距离权重插值等操作而得.
步骤C2.风功能密度的数据是根据风功能密度公式计算得到。风功能密度表示以速度V自由流动的气流每秒钟在面积A上获得的能量，设空气密度为ρ，则风功能密度计算公式如下：
Figure BDA0001680241620000072
步骤C3.数字高程模型(DEM)来源于地理空间数据云UTM/WGS84,30m×30m分辨率的数据，经过镶嵌、裁剪和投影变换等操作后派生出坡度、坡位、起伏度和粗糙度数据；
步骤C4.土地利用类型数据来源于Landsat TM遥感影像，通过辐射矫正、几何矫正、监督分类及分类后处理等操作生成土地利用分类数据；
步骤C5.最后针对各指标对风电场宏观选址适宜性的贡献或限制的大小，进行统计分级或经验分级并赋值，即高度适宜、中等适宜、勉强适宜和不适宜，分别赋值4、3、2、1。
步骤D.运用加权叠加分析法，生成风电场宏观选址适宜性图集，最后采用四分位法对风电场宏观选址适宜性图集进行重分类，生成风电场宏观选址方案集。
上述步骤D，实际应用具体包括如下步骤：
步骤D1.根据组合权重集，以及各个影响因子进行适宜性等级划分，运用加权叠加分析法批量生成风电场宏观选址适宜性图集。
步骤D2.采用四分位法，针对风电场适宜性图集进行重分类，具体过程如下：
步骤D2-1.针对风电场适宜性图集中各栅格图像的各像素值，按如下公式：
z＝(tl-μ)/σ
进行z_score规范化，然后进入步骤D2-2；其中，tl表示栅格图像中第l个像素的像素值，μ表示栅格图像中像素均值，σ表示栅格图像中像素标准差，z表示原始分数和母体平均值之间的距离。
步骤D2-2.计算标准化栅格图像像素值所组成矩阵中的各个划分值位置，并按区间对标准化的图像进行重分类，获得矩阵中各个划分值位置与预设各类适宜性之间的对应关系，完成风电场适宜性图集进行重分类。
实际应用中，上述步骤D2-2可以具体设计如下：
计算标准化的栅格图像像素值组成的矩阵的1/4分位数、中位数、3/4分位数、最小值以及最大值，按区间对标准化的图像进行重分类，生成的四类适宜性区域依次记为不适宜(最小值～1/4分位数)，勉强适宜(1/4分位数～中位数)，中等适宜(中位数～3/4分位数)，高度适宜(3/4分位数～最大值)。
步骤D3.根据风电场适宜性图的重分类，获得风电场宏观选址方案。
将上述所设计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，应用于实际当中，所获梯阶层次模型如图2所示，其中，将梯阶层次模型中准则层和各个指标层分别作为模拟对象，即3个模拟对象，具体包括准则层1个，指标层2个，即共计3个模拟对象，并且准则层的判断矩阵阶数为3，第一个指标层的判断矩阵阶数为2，第二个指标层的判断矩阵阶数为4，基于上述所构建梯阶层次模型的信息，针对实时例，所获步骤C的执行结果详见下表2至表7，以及如图3至图9。
Figure BDA0001680241620000091
表2风速适宜性等级划分标准
坡度类型 等级 适宜性分类
平坡 0°～5° 高度适宜
缓坡 6°～15° 高度适宜
斜坡 16°～25° 中度适宜
陡坡 26°～35° 中度适宜
急陡坡 36°～40° 勉强适宜
急坡 41°～45° 勉强适宜
险坡 >46° 不适宜
表3坡度适宜性等级划分标准
坡位类型 适宜性分类
山脊 高度适宜
坡上部 中度适宜
坡中部 勉强适宜
坡下部 不适宜
表4坡位适宜性等级划分标准
Figure BDA0001680241620000092
Figure BDA0001680241620000101
表5起伏度适宜性等级划分标准
地面类型 地面粗糙度等级 适宜性类型
海洋 1.0000～1.0038 高度适宜
光滑 1.0038～1.0353 中度适宜
开阔 1.0353～1.1034 勉强适宜
略带粗糙的开阔 1.1034～1.2208 不适宜
粗糙 1.2208～1.3054 不适宜
非常粗糙 1.3054～1.4142 不适宜
成熟的森林 >1.4142 不适宜
表6粗糙度适宜性等级划分标准
土地利用类型 适宜性分类
平坦的裸地或者湖泊、海洋 高度适宜
草地 中等适宜
灌木 中等适宜
林地 勉强适宜
耕地 不适宜
人造覆盖 不适宜
表7土地利用类型适宜性等级划分标准
然后继续执行上述各个步骤，则针对实施例，最终获得了10组风电场宏观选址方案如下表8，以及如图10至图19所示，分别对应各方案的选址示意图。
Figure BDA0001680241620000102
Figure BDA0001680241620000111
Figure BDA0001680241620000121
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一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，其特征在于，包括如下步骤：
步骤A.通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并针对梯阶层次模型中准则层和各个指标层分别进行蒙特卡洛模拟，获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集；
上述步骤A包括如下：
通过对风电场宏观选址影响因子的分析，构建风电场宏观选址的梯阶层次模型，并将梯阶层次模型中准则层和各个指标层分别作为模拟对象，分别针对各个模拟对象，执行如下蒙特卡洛模拟操作步骤A1至步骤A9，获得模拟对象所对应的随机判断矩阵集，即获得梯阶层次模型中准则层和各个指标层分别所对应的随机判断矩阵集；
步骤A1.初始化n＝1，并进入步骤A2；
步骤A2.构建ki阶空矩阵，并令ki阶矩阵中左上角至右下角对角线上的元素为1，然后进入步骤A3；其中，i∈{1、…、I}，I表示模拟对象的数量，ki表示第i个模拟对象所对应的判断矩阵阶数；
步骤A3.随机产生
Figure FDA0003108002630000011
个、服从(0,1)均匀分布的随机数，并针对各个随机数分别乘以9进行更新，再将各个随机数任意填充至ki阶矩阵中的右上角区域，同时设置ki×ki矩阵中左下角区域各个元素位置分别为对应右上角区域中各个元素值的倒数，由此构建第i个模拟对象第n次模拟所对应的随机判断矩阵，然后进入步骤A4；
步骤A4.获得第i个模拟对象第n次模拟所对应随机判断矩阵的最大特征值λmax,i,n，以及所对应的特征向量，即权重向量
Figure FDA0003108002630000012
然后进入步骤A5；
步骤A5.根据
Figure FDA0003108002630000013
获得第i个模拟对象第n次模拟所对应随机判断矩阵的一致性指标CIi,n，并根据
Figure FDA0003108002630000014
获得第i个模拟对象第n次模拟所对应随机判断矩阵的随机一致性比率CRi,n，然后进入步骤A5；其中，RI为按下表1，基于判断矩阵阶数所对应的平均随机一致性指标；
n 2 3 4 5 6 7 8 9 RI 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45
表1
步骤A5.判断CRi,n是否小于0.1，是则判定第i个模拟对象第n次模拟所对应随机判断矩阵符合一致性，并进入步骤A6；否则判定第i个模拟对象第n次模拟所对应随机判断矩阵不符合一致性，并将删除该随机判断矩阵，并进入步骤A6；
步骤A6.判断n是否等于预设模拟次数N，是则进入步骤A7；否则针对n的值进行加1更新，并返回步骤A2；
步骤A7.针对第i个模拟对象所对应各个随机判断矩阵的一致性指标CIi,n，按大小进行排序，获得第i个模拟对象所对应的一致性指标排序集，进入步骤A8；
步骤A8.针对第i个模拟对象所对应的一致性指标排序集，分别由排序的两端起，删除
Figure FDA0003108002630000021
个一致性指标值，更新第i个模拟对象所对应的一致性指标排序集，然后进入步骤A9；其中，α为预设显著性水平；
步骤A9.则第i个模拟对象一致性指标排序集中各个一致性指标分别对应的随机判断矩阵，即构成第i个模拟对象所对应的随机判断矩阵集；
步骤B.利用层次分析法计算各随机判断矩阵的单层权重，再将准则层中的各准则与其对应指标层中的各指标进行组合一致性检验，若通过组合一致性检验，则计算其组合权重；进而获得组合权重集；
步骤C.生成目标区域中各影响因子的栅格图层，并基于栅格图层，分别针对各个影响因子进行适宜性等级划分；
步骤D.运用加权叠加分析法，生成风电场宏观选址适宜性图集，最后采用四分位法对风电场宏观选址适宜性图集进行重分类，生成风电场宏观选址方案集。
2.根据权利要求1所述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，其特征在于，所述步骤B包括如下步骤：
步骤B1.针对准则层和各个指标层分别所对应的随机判断矩阵集，进一步针对各个随机判断矩阵所对应的权重向量进行归一化处理，然后进入步骤B2；
步骤B2.将准则层中的各准则与其对应指标层中的各指标进行组合，并按如下公式如下：
Figure FDA0003108002630000031
获得各种组合所对应的随机一致性比率CR*，然后进入步骤B3；其中，x表示准则层所对应的随机判断矩阵，y表示指标层所对应的随机判断矩阵，CIx表示随机判断矩阵x对应的一致性指标，CIy表示随机判断矩阵y对应的一致性指标，λmax,y表示随机判断矩阵y对应的最大特征值；
步骤B3.针对各种组合所对应的随机一致性比率CR*分别进行判断，判断CR*是否小于0.1，是则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合符合一致性，并计算组合权重；否则判定该CR*所对应准则层和各个指标层的随机判断矩阵组合不符合一致性，然后进入步骤B4；
步骤B4.针对准则层和各个指标层分别所对应随机判断矩阵集中各随机判断矩阵的权重向量进行筛选，获得一组准则层、各个指标层分别所对应权重的组合，并根据步骤B3所获组合权重，计算获得组合权重集。
3.根据权利要求2所述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，其特征在于，所述步骤D包括如下步骤：
步骤D1.根据组合权重集，以及各个影响因子进行适宜性等级划分，运用加权叠加分析法批量生成风电场宏观选址适宜性图集；
步骤D2.采用四分位法，针对风电场适宜性图集进行重分类；
步骤D3.根据风电场适宜性图的重分类，获得风电场宏观选址方案。
4.根据权利要求3所述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，其特征在于，所述步骤D2包括如下步骤：
步骤D2-1.针对风电场适宜性图集中各栅格图像的各像素值，按如下公式：
z＝(tl-μ)/σ
进行z_score规范化，然后进入步骤D2-2；其中，tl表示栅格图像中第l个像素的像素值，μ表示栅格图像中像素均值，σ表示栅格图像中像素标准差，z表示原始分数和母体平均值之间的距离；
步骤D2-2.计算标准化栅格图像像素值所组成矩阵中的各个划分值位置，并按区间对标准化的图像进行重分类，获得矩阵中各个划分值位置与预设各类适宜性之间的对应关系，完成风电场适宜性图集进行重分类。
CN201810550952.9A 2018-05-31 2018-05-31 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 Active CN108764578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810550952.9A CN108764578B (zh) 2018-05-31 2018-05-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810550952.9A CN108764578B (zh) 2018-05-31 2018-05-31 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

Publications (2)

Publication Number Publication Date
CN108764578A CN108764578A (zh) 2018-11-06
CN108764578B true CN108764578B (zh) 2021-11-02

Family

ID=64001589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810550952.9A Active CN108764578B (zh) 2018-05-31 2018-05-31 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

Country Status (1)

Country Link
CN (1) CN108764578B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945507A (zh) * 2012-10-09 2013-02-27 东北大学 基于模糊层次分析的分散式风电场优化选址方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945507A (zh) * 2012-10-09 2013-02-27 东北大学 基于模糊层次分析的分散式风电场优化选址方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于层次分析法和灰色关联度分析法的风电场宏观选址 ";周长特等;《陕西电力》;20131020;第31-34页 *
"风电场设计私有云GIS 平台架构研究";艾斯卡尔·阿不力米提等;《测绘与空间地理信息》;20170531;第40卷(第5期);第36-40页 *

Also Published As

Publication number Publication date
CN108764578A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
Doorga et al. Multi-criteria GIS-based modelling technique for identifying potential solar farm sites: A case study in Mauritius
CN108876027B (zh) 一种基于gis的农村居民点集中居住区选址和优化方法
Wiguna et al. Optimization solar farm site selection using multi-criteria decision making fuzzy AHP and PROMETHEE: case study in Bali
Hadipour et al. Land suitability evaluation for brackish water aquaculture development in coastal area of Hormozgan, Iran
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN113505510B (zh) 融合景观指数和随机游走模型的生态安全格局识别方法
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN114970302B (zh) 一种基于地下水监测系统的区域地下水情预测方法
CN117408495B (zh) 一种基于土地资源综合管理的数据分析方法及系统
CN112700349B (zh) 测风塔选址方法和装置
CN106886564A (zh) 一种基于空间聚类订正nwp风能图谱的方法及装置
CN108764578B (zh) 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
Mirakhorlo et al. Integration of SimWeight and Markov Chain to Predict Land Use of Lavasanat Basin
CN113158598B (zh) 基地型风电场流场cfd分区计算方法、装置、设备和介质
CN115618611A (zh) 空间多尺度梯度提升树模型建立方法和电子设备
CN115271221A (zh) 一种城市扩展预测方法、装置、介质及设备
Aqbelaghi et al. Environmental approach in modelling of urban growth: Tehran City, Iran
CN114414090A (zh) 基于遥感影像和多层感知的地表温度预测方法及系统
CN110413656B (zh) 一种基于高空间分辨率数值模式的急流轴自动识别方法
Djeldjli et al. Solar radiation forecasting based on ANN, SVM and a novel hybrid FFA-ANN model: A case study of six cities south of Algeria.
Haerter et al. Reconciling cold pool dynamics with convective self-organization
Streltsov et al. Automated building energy consumption estimation from aerial imagery
CN116596100B (zh) 一种基于土地利用变化模拟的碳汇监测预警方法
CN118097433B (zh) 基于深度学习的遥感图像处理方法及系统
Al-kaissi et al. Cellular automata-dynamic model for urban growth Baqubah City

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant