CN111598484A - 一种风光储系统电能质量综合评估方法 - Google Patents

Abstract

本发明的风光储系统电能质量综合评估方法，包括如下步骤：步骤1)建立了包含电压波动d、电压闪变P_st、电压偏差ΔU、电压暂降/升ΔU_sags、电力谐波THD、三相不平衡ε、频率偏差Δf和供电可靠性率ASAI共8个内层指标的风光储系统的电能质量评价指标体系；步骤2)对各项指标进行同向化、归一化处理；步骤3)采用模糊层次分析法确定各指标排序权重；步骤4)制定分辨系数动态调整策略，评估监测点电能质量等级。有益效果：使主观与客观得到了统一，考虑了传统灰色关联分析法分辨系数取定值的弊端，引入动态分辨系数，适用于风光储系统电能质量综合评估。

Description

一种风光储系统电能质量综合评估方法

技术领域

本发明属于电能质量综合评估领域，尤其涉及一种风光储系统电能质量综合评估方法。

背景技术

化石燃料的不断消耗，不仅引起了能源供给的日趋紧张，而且还带来了严重的环境问题。近年来，大型风电场、光伏电场技术相继得到广泛应用。同时，集成了风电场、光伏电站、储能的风光储系统，更是得到了深入研究。

然而，风光储系统并网后会对电能质量产生潜在的影响，可能会引起频率偏差、电压波动、电压闪变、电压不平衡、谐波畸变和直流注入等问题。例如通过电力电子装置并网会产生谐波、三相电流不平衡，输出功率的随机性易造成电网电压波动、闪变。准确全面地对电能质量进行综合评估，对推动电能质量的综合治理和建立公平、公正的电力市场有着重要意义。

虽然风光储系统电能质量的综合评估十分重要，但是这方面的相关研究还并不多见。电能质量的综合评估相对于传统电力系统和风光储系统而言，只是其应用场合不同而已，其问题的实质是一致的。故可以借鉴传统电力系统中的电能质量综合评估方法。现有的电能质量综合评估方法主要有层次分析法、模糊数学法、熵权法以及各种智能算法。但层次分析法和模糊数学法属于主观赋权法，其结果受人为主观因素影响较大，与之相反熵权法则只考虑电能指标实际的波动情况，完全忽视了专家的工程经验，因此都不能很好的反应实际的电能质量情况。而各种智能算法的使用需要利用大量的样本进行训练，当样本容量不足时会造成评估结果的不准确。

发明内容

本发明目的在于克服背景技术中出现的问题，提供了一种风光储系统电能质量综合评估方法，改进各个指标的量化赋权后，通过考察评估对象的客观数值分布特性，并引入动态分辨系数调整策略，增加了评估模型的有效性和鲁棒性，具体由以下技术方案实现：

所述风光储系统电能质量综合评估方法，其特征在于包括如下步骤：

步骤1)建立了包含电压波动d、电压闪变P_st、电压偏差ΔU、电压暂降/升ΔU_sags、电力谐波THD、三相不平衡ε、频率偏差Δf和供电可靠性率ASAI共8个内层指标的风光储系统的电能质量评价指标体系；

步骤2)对各项指标进行同向化、归一化处理；

步骤3)采用模糊层次分析法确定各指标排序权重，得到加权归一化评价矩阵；

步骤4)制定分辨系数动态调整策略，结合所述加权归一化评价矩阵评估监测点电能质量等级。

2.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤2)包括如下步骤：

步骤2-1)指标同向化处理：将所述电能质量评价指标体系中的电压暂降/升和供电可靠性率为正向指标，其余指标均为逆向指标，并通过式(1)将电压暂降/升和供电可靠性率转化为逆向指标；

步骤2-2)根据式(2)对各指标进行归一化处理,

式中，x_ij为第i个监测点所检测到的第j项指标的检测值；x_jmin为第j个指标的最小值；x_jmax为第j个指标的最大值；

为归一化处理后的第i个监测点所检测到的第j项指标映射到[0,1]区间内的值。

3.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤3)中，采用模糊层次分析法确定各指标排序权重，具体包括如下步骤：

步骤3-1)设对于准则层中的第k个准则，有m个指标与其相关，采用0.1～0.9标度法对所述m个指标两两比较选取标度值，构造模糊判断矩阵A_k＝(a_ij)_m×m，其中如果第i个指标对于第j个指标的标度值为a_ij，则第j个指标对于第i个指标的标度值为a_ji＝1-a_ij，采用加性一致性矩阵的定义对模糊判断矩阵进行变形得到模糊一致矩阵R_k，参见式(3)；

其中，

式中，r_i为模糊判断矩阵A_k中第i行的所有元素之和；r_j为模糊判断矩阵A_k中第j行的所有元素之和；

步骤3-2)采用最小二乘法，根据式(4)计算出第i个指标对应的权重，得到所述m个指标相对于准则k的权重W_k＝[ω₁,ω₂,…,ω_m]；

步骤3-3)重复步骤3-1)、3-2)求出各下层指标相对于上层指标的权重值，并最终计算出指标层中的指标j相对于目标层的总排序权重d_j。

步骤3-4)设定对n个监测点进行检测，每个监测点测得全部m个指标的检测数据x_ij，根据式(5)计算得到加权归一化评价矩阵：

B＝(b_ij)_m×n＝(d_jx_ij)_m×n (5)。

4.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤4)具体包括如下步骤：

步骤4-1)选定参考序列：根据评价指标体系及其对应的评价值确定一个最优序列作为对比参照，并选择加权归一化评价矩阵中各指标的极小值作为参考序列，记为B₀＝[b₁₀,b₂₀,...,b_m0]；

步骤4-2)根据式(6)计算第i个监测点的第j个指标相对于标准数列B₀的第j个指标的关联系数β_ij；

Δ_ij＝|b_j0-b_ij|

式中，ε为分辨系数，其范围为0到1；Δ_ij表示加权归一化评价矩阵中第i个监测点的各指标监测值与标准数列中对应指标的差形成的差序列；Δ_min表示差序列Δ_ij中的最小值；Δ_max表示差序列Δ_ij中的最大值；

步骤4-3)根据式(7)定义制定动态分辨系数调整策略；

步骤4-4)根据监测点指标数据和参考序列中对应的指标的关联系数，通过式(7)计算出第i个监测点的监测数据与参考序列的整体灰色关联度为：

关联度

表示第i个监测点数据与选取的参考序列的相关程度大小。

5.根据权利要求4所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤4-3)中，当ε_Δj＞0.5时，设定此时指标数据为平稳状态，为了增强Δ_max对关联度的支配作用，充分突出关联度中所蕴含整体数据信息的差异性，取任意ε∈[0.8,1]；当0＜ε_Δj＜0.5时，设定此时指标数据为异常状态，为了抑制Δ_max对关联度的支配作用，取

当ε_Δj＝0时，取任意ε∈[0,1]。

本发明的优点如下：

本发明所提出的一种基于模糊层次分析法和改进灰色关联分析的风光储系统电能质量综合评估方法，使主观与客观得到了统一，考虑了传统灰色关联分析法分辨系数取定值的弊端，引入动态分辨系数，适用于风光储系统电能质量综合评估。

本发明所建立的一种基于模糊层次分析法和改进灰色关联分析的风光储系统电能质量综合评估方法，将专家知识和长期运行经验作为评估模型的输入的参量(参量的数值不影响该方法的可重复实施，仅作为输入参数)进行量化后赋权给各个指标，给客观评价提供了主观经验的参考，并采用动态分辨系数调整策略，弥补了传统灰色关联度的不足，增加了评估模型的有效性。

附图说明

图1为本发明的风光储系统电能质量综合评估方法的示意图。

图2为电能质量评价指标体系的示意图。

具体实施方式

下面结合附图以及两则具体实施例对本发明进行详细说明。

本发明如图1所示，本发明所述的基于模糊层次分析法和改进灰色关联分析的风光储系统电能质量综合评估方法，采用模糊层次分析法，结合专家知识和长期运行经验，确定各指标排序权重，从而根据各监测点指标数据形成加权归一化矩阵。引入动态分辨系数，改进传统灰色关联法系法，计算各监测点指标数据灰色关联度，评估监测点电能质量等级。

其实现步骤包括：

步骤1)建立风光储系统电能质量评价指标体系；

要建立风光储系统的电能质量综合评估模型，首先需要建立其电能质量评价指标体系。风电、光伏由于其间歇性、随机性，接入配电系统后会带来一系列新的电能质量问题。在稳态方面，风光储系统并网会对电压波动、电压闪变、电压偏差、频率偏差、电力谐波等影响；在暂态方面，风光储系统并网会带来电压暂降/升、电力短时中断等影响。结合传统配电系统的电能质量影响因素和风光储系统并网带来的影响，本实施例将反映监测点电能质量等级的因素归纳为频率质量、电压质量和供电可靠性这三个准则层因子，建立了如图2所示的包含电压波动d、电压闪变P_st、电压偏差ΔU、电压暂降/升ΔU_sags、电力谐波THD、三相不平衡ε、频率偏差Δf和供电可靠性率ASAI共8个内层指标的电能质量评价指标体系。当然，根据实际监测条件限制和不同场景下的需求，该指标体系可以进行相应的扩展或化简，以适应多种应用场合。

步骤2)对各项指标进行同向化、归一化处理。具体包括如下步骤：

步骤2-1)指标同向化

按照指标的性质，可以将本实施例采用的8个电能质量指标分为正向指标和逆向指标两类。其中电压暂降/升和供电可靠性率为正向指标，其余指标均为逆向指标，因此为保证指标数据大小的一致性，采用式(1)～(2)将电压暂降/升和供电可靠性率转化为逆向指标。

步骤2-2)指标归一化

进行电能质量综合评估前，为了使各指标处于同一量纲和数量级，还应对指标进行归一化处理。本实施例指标经同向化处理后均转化为逆向指标，指标数值越小越好，因此对各指标进行如下处理：

式中，x_ij为第i个监测点所检测到的第j项指标的检测值；x_jmin为第j个指标的最小值；x_jmax为第j个指标的最大值；

为归一化处理后的第i个监测点所检测到的第j项指标映射到[0,1]区间内的值。

步骤3)采用模糊层次分析法确定各指标排序权重；

模糊层次分析法^[15]将模糊数学与层次分析法相结合，构造模糊判断矩阵，并通过一定方式转化为模糊一致矩阵，解决了层次分析法中检验判断矩阵是否具有一致性过程复杂且判断标准缺少科学依据的问题。

设对于准则层中的第k个准则，有m个指标与其相关，采用如表1所示的0.1～0.9标度法对这m个指标两两比较选取标度值，构造模糊判断矩阵A_k＝(a_ij)_m×m，其中如果第i个指标对于第j个指标的标度值为a_ij，则第j个指标对于第i个指标的标度值为a_ji＝1-a_ij。由于0.1～0.9标度法是一种加性标度，采用加性一致性矩阵的定义对模糊判断矩阵进行变形得到模糊一致矩阵R_k：

其中，

式中r_i为模糊判断矩阵A_k中第i行的所有元素之和；r_j为模糊判断矩阵A_k中第j行的所有元素之和。

表1 0.1～0.9标度法

采用最小二乘法，根据式(5)计算出第i个指标对应的权重，由此得到这m个指标相对于准则k的权重W_k＝[ω₁,ω₂,…,ω_m]。

按照上述方法可以求出各下层指标相对于上层指标的权重值，并最终计算出指标层中的指标j相对于目标层的总排序权重d_j。

假设对n个监测点进行检测，每个监测点测得全部m个指标的检测数据x_ij，则根据式(6)计算得到加权归一化评价矩阵：

B＝(b_ij)_m×n＝(d_jx_ij)_m×n (6)

步骤4)制定分辨系数动态调整策略，改进传统灰色关联分析法，评估监测点电能质量等级，具体包括如下步骤：

步骤4-1)选定参考序列

根据评价指标体系及其对应的评价值确定一个最优序列作为对比参照。此序列也称为标准序列或参考序列。其各个指标的取值一般为此指标在所有参与评价对象中的最优值。由于本实施例所建立的风光储系统电能质量评价指标体系中各指标经同向化处理后均为逆向指标，因此选择加权归一化评价矩阵中各指标的极小值作为参考序列，记为B₀＝[b₁₀,b₂₀,...,b_m0]。

步骤4-2)计算关联系数

计算第i个监测点的第j个指标相对于标准数列B₀的第j个指标的关联系数β_ij。计算公式如下：

Δ_ij＝|b_j0-b_ij| (10)

式中，ε为分辨系数，其范围为0到1。

步骤4-3)动态分辨系数调整策略

由式(7)可以看出，分辨系数ε与Δ_max的乘积对于整个公式的值有较大的影响，ε的取值反映了系统Δ_max因子对关联度的间接影响程度，ε不同则关联度不同。传统方法中人为设置ε为0.5，将导致计算结果趋于平均化，同时减小关联度的分布区间，导致结果趋于平均化，且人为取值随机性较强，使最终评估结果的有效性降低^[18]。因此，本实施例提出一种动态分辨系数调整策略，克服人为固定分辨系数的不足，提高最终评估结果的有效性。

定义：

由于ε∈(0,1]，当ε_Δj＞0.5时，说明此时数据较为平稳，为了增强Δ_max对关联度的支配作用，充分突出关联度中所蕴含整体数据信息的差异性，取任意ε∈[0.8,1]；当0＜ε_Δj＜0.5时，说明此时指标数据中有异常值，为了抑制Δ_max对关联度的支配作用，取

当ε_Δj＝0时，取任意ε∈[0,1]。

步骤4-4)确定关联度

根据监测点指标数据和参考序列中对应的指标的关联系数，计算出第i个监测点的监测数据与参考序列的整体灰色关联度为：

根据式(13)计算得到的关联度

即表示第i个监测点数据与选取的参考序列的相关程度大小。

值越大，说明这个监测点的各个指标与所选取参考序列的对应指标越相关，表示这个监测点电能质量等级越高。

下面通过一个算例对本发明做进一步的说明。

为了验证本实施例所提方法的有效性和可行性，选取国内某风光储系统进行实测分析。将8项电能质量指标分为优秀、良好、中等、合格和不合格5级，各指标各等级划分的临界值L₁～L₄如表2所示。表3中的数据为待评价的电能质量监测值。且表2和表3中指标数据均已经过同向化、归一化处理。

下面利用FAHP-GRA方法对该风光储系统电能质量进行综合评估。

由FAHP法计算排序权重

根据专家意见和用户的要求确定指标间的标度值，构造模糊判断矩阵，按照式(4)～(5)计算得到各项指标相对于目标层的总排序权重：

D＝[0.0576,0.1758,0.0522,0.1078,0.0234,0.0130,0.4302,0.1400]。

表2各电能质量指标等级限值

指标	L<sub>1</sub>	L<sub>2</sub>	L<sub>3</sub>	L<sub>4</sub>
					ΔU	1.00	3.00	5.00	7.00
THD	1.00	2.00	3.00	5.00
					d	0.50	1.00	1.50	2.00
P<sub>st</sub>	0.20	0.50	0.80	1.00
					ε	0.50	1.00	1.50	2.00
ΔU<sub>sags</sub>	0.10	0.20	0.50	0.90
					Δf	0.05	0.10	0.15	0.20
ASAI	0.05	1.05	0.20	0.30

表3电能质量监测数据

由GRA法评估监测点电能质量等级

根据式(6)和测得的电能质量监测数据计算得到加权归一化评价矩阵：

为了能够从结果中判断出各监测点的等级，本实施例将各项指标的等级界限也当做监测数据处理，得到如下归一化评价矩阵：

确定参考序列

选择加权归一化评价矩阵中各指标的极小值作为参考序列，即B₀＝[0,0,...,0]。

计算关联系数矩阵

采用上述动态分辨系数调整策略，根据式(7)～(10)计算各监测点指标与各等级界限对于参考序列对应指标的关联系数，得到如下关联系数矩阵：

确定关联度，对各监测点进行排序

根据式(13)计算出各监测点与各等级界限的关联度，得到综合评估向量为：

向量中最后四个数为L₁～L₄等级界限的评估值，前五个数为各监测点的评估值。从中可以看出5个点的电能质量优劣顺序为：监测点2＞L₁＞监测点3＞监测点1＞监测点5＞L₂＞监测点4。

可以得出以下结论：监测点1的电能质量等级为优秀，监测点1、3、5的电能质量均为良好，监测点4的电能质量为中等。

为进一步验证本实施例所提方法的有效性，将按照本实施例的FAHP-GRA法并采用动态分辨系数调整策略计算出的综合评估结果与采用FAHP-GRA法但固定分辨系数以及文献[13]所采用的组合赋权法得到的评估结果对比，如表4所示。

表4不同评估方式评估结果

从排序结果上看，运用本实施例所提方法得到的排序结果与采用另两种方法所得到的评估结果基本一致，说明本实施例所提FAHP-GRA法得到监测点电能质量评估结果是可信有效的。

此外，比较采用本实施例所提动态分辨系数策略和固定分辨系数时得到的关联度，采用传统的灰色关联分析即固定分辨系数时，大部分监测点指标数据的关联度较大且数值接近，不利于分辨出高关联度监测数据的排序情况。说明式(7)中Δ_max未能对关联系数的计算结果产生应有的影响，这将降低各监测点电能质量的区分度。

采用动态分辨系数调整策略，改进传统灰色关联分析法后，可以看到关联度较大的数据(＞3.3)较为分散，方差为0.5632，而固定分辨系数的传统灰色关联分析法，关联度较大(＞7)的数据基本分布在一条直线上，方差为0.0292。由此可见，采用动态分辨系数改进传统灰色关联分析法后，关联度高的数据分布区间明显增大，各监测数据关联度的分散程度增加，充分体现了关联度的整体性，验证了本实施例所提方法的有效性。

采用模糊层次分析法确定权重的过程中，省去了层次分析法中检验判断矩阵是否具有一致性的复杂过程，减少计算量。将模糊层次分析法与灰色关联分析相结合，使主观与客观得到了统一，评价结果更为合理，更符合实际。考虑传统灰色关联分析分辨系数取定值的弊端，引入动态分辨系数，使所建立的评估模型反映客观数据所蕴含的有效信息，且受异常数据的影响较小，有较强的鲁棒性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种风光储系统电能质量综合评估方法，其特征在于包括如下步骤：

步骤1)建立了包含电压波动d、电压闪变P_st、电压偏差ΔU、电压暂降/升ΔU_sags、电力谐波THD、三相不平衡ε、频率偏差Δf和供电可靠性率ASAI共8个内层指标的风光储系统的电能质量评价指标体系；

步骤2)对各项指标进行同向化、归一化处理；

步骤3)采用模糊层次分析法确定各指标排序权重，得到加权归一化评价矩阵；

步骤4)制定分辨系数动态调整策略，结合所述加权归一化评价矩阵评估监测点电能质量等级。

2.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤2)包括如下步骤：

步骤2-1)指标同向化处理：将所述电能质量评价指标体系中的电压暂降/升和供电可靠性率为正向指标，其余指标均为逆向指标，并通过式(1)将电压暂降/升和供电可靠性率转化为逆向指标；

步骤2-2)根据式(2)对各指标进行归一化处理,

式中，x_ij为第i个监测点所检测到的第j项指标的检测值；x_jmin为第j个指标的最小值；x_jmax为第j个指标的最大值；

为归一化处理后的第i个监测点所检测到的第j项指标映射到[0,1]区间内的值。

3.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤3)中，采用模糊层次分析法确定各指标排序权重，具体包括如下步骤：

步骤3-1)设对于准则层中的第k个准则，有m个指标与其相关，采用0.1～0.9标度法对所述m个指标两两比较选取标度值，构造模糊判断矩阵A_k＝(a_ij)_m×m，其中如果第i个指标对于第j个指标的标度值为a_ij，则第j个指标对于第i个指标的标度值为a_ji＝1-a_ij，采用加性一致性矩阵的定义对模糊判断矩阵进行变形得到模糊一致矩阵R_k，参见式(3)；

其中，

式中，r_i为模糊判断矩阵A_k中第i行的所有元素之和；r_j为模糊判断矩阵A_k中第j行的所有元素之和；

步骤3-2)采用最小二乘法，根据式(4)计算出第i个指标对应的权重，得到所述m个指标相对于准则k的权重W_k＝[ω₁,ω₂,…,ω_m]；

步骤3-3)重复步骤3-1)、3-2)求出各下层指标相对于上层指标的权重值，并最终计算出指标层中的指标j相对于目标层的总排序权重d_j；

步骤3-4)设定对n个监测点进行检测，每个监测点测得全部m个指标的检测数据x_ij，根据式(5)计算得到加权归一化评价矩阵：

B＝(b_ij)_m×n＝(d_jx_ij)_m×n (5)。

4.根据权利要求1所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤4)具体包括如下步骤：

步骤4-1)选定参考序列：根据评价指标体系及其对应的评价值确定一个最优序列作为对比参照，并选择加权归一化评价矩阵中各指标的极小值作为参考序列，记为B₀＝[b₁₀,b₂₀,...,b_m0]；

步骤4-2)根据式(6)计算第i个监测点的第j个指标相对于标准数列B₀的第j个指标的关联系数β_ij；

Δ_ij＝|b_j0-b_ij|

式中，ε为分辨系数，其范围为0到1；Δ_ij表示加权归一化评价矩阵中第i个监测点的各指标监测值与标准数列中对应指标的差形成的差序列；Δ_min表示差序列Δ_ij中的最小值；Δ_max表示差序列Δ_ij中的最大值；

步骤4-3)根据式(7)定义制定动态分辨系数调整策略；

步骤4-4)根据监测点指标数据和参考序列中对应的指标的关联系数，通过式(7)计算出第i个监测点的监测数据与参考序列的整体灰色关联度为：

关联度

表示第i个监测点数据与选取的参考序列的相关程度大小。

5.根据权利要求4所述的风光储系统电能质量综合评估方法，其特征在于，所述步骤4-3)中，当ε_Δj＞0.5时，设定此时指标数据为平稳状态，为了增强Δ_max对关联度的支配作用，充分突出关联度中所蕴含整体数据信息的差异性，取任意ε∈[0.8,1]；当0＜ε_Δj＜0.5时，设定此时指标数据为异常状态，为了抑制Δ_max对关联度的支配作用，取

当ε_Δj＝0时，取任意ε∈[0,1]。

Images