CN112132424A - 一种大规模储能多属性决策选型方法 - Google Patents

一种大规模储能多属性决策选型方法 Download PDF

Info

Publication number
CN112132424A
CN112132424A CN202010928619.4A CN202010928619A CN112132424A CN 112132424 A CN112132424 A CN 112132424A CN 202010928619 A CN202010928619 A CN 202010928619A CN 112132424 A CN112132424 A CN 112132424A
Authority
CN
China
Prior art keywords
energy storage
type
fuzzy
weight
characteristic
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.)
Granted
Application number
CN202010928619.4A
Other languages
English (en)
Other versions
CN112132424B (zh
Inventor
朱天曈
张松岩
张倩茅
冯喜春
刘昱良
王颖
齐晓光
刘芮
孙鹏飞
韩璟琳
邵华
苗世洪
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.)
Huazhong University of Science and Technology
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
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 Huazhong University of Science and Technology, State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202010928619.4A priority Critical patent/CN112132424B/zh
Publication of CN112132424A publication Critical patent/CN112132424A/zh
Application granted granted Critical
Publication of CN112132424B publication Critical patent/CN112132424B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种大规模储能多属性决策选型方法，通过综合考虑当前储能应用场景下需求的储能特征量和各储能类型的实际储能特征量，确定综合权重后，基于各储能类型的实际储能特征量和所得各储能特征量的综合权重，采用基于区间二型模糊集的TOPSIS法对各储能类型进行排序和优选，得到适用于当前储能应用场景的最优储能类型；与此同时，将区间二型模糊集合引入大规模储能选型的决策过程，极大地提高了选型过程中对于不确定性因素表达的灵活性，增强了决策过程中对模糊语义和不确定性因素的表达的有效性和刻画的准确性，避免了现有技术对储能选型过程中的模糊因素未有考虑或考虑的过于简单而存在的选型不准确的技术问题，大大提高了选型结果的准确性。

Description

一种大规模储能多属性决策选型方法
技术领域
本发明属于大规模储能优化选型领域，更具体地，涉及一种大规模储能多属性决策选型方法。
背景技术
大力发展可再生能源，已经成为世界各国应对环境污染和资源枯竭等问题的重要战略共识。然而，可再生能源的波动性和不确定性等不友好特性导致了大量的弃风弃光现象，严重阻碍了可再生能源产业的健康可持续发展，并且可再生能源的大规模并网也给电力系统的安全稳定运行带来了巨大的冲击和挑战。因此，寻求大规模可再生能源接入和提升可再生能源消纳水平的有效手段及措施，受到了学术界和工业界的广泛关注。近年来，大规模储能技术被公认是解决可再生能源消纳问题、提升电力系统安全经济运行水平的最有效措施之一。
大规模储能的选型，需要全面考虑各储能备选方案的技术经济指标，同时结合实际应用场景下的具体需求，选出该场景下最佳的大规模储能方案，属于复杂多属性决策问题；另一方面，储能选型过程定性、定量指标掺杂且涉及大量模糊因素，决策变量的优劣往往需要使用自然语言表示。然而，现有储能选型方法大多集中于电化学储能领域，在决策过程中大多依赖专家判断，且描述储能特征量的数据大多以区间形式表征，且掺杂了大量的主观因素和不确定性，对储能选型过程中的模糊因素未有考虑或考虑的过于简单，往往无法得到最优储能类型，无法充分发挥不同类型储能技术的独特优势，选型不准确。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种大规模储能多属性决策选型方法，其目的在于解决现有技术由于对储能选型过程中的模糊因素未有考虑或考虑的过于简单而存在的选型不准确的技术问题。
为实现上述目的，第一方面，本发明提供了一种大规模储能多属性决策选型方法，包括以下步骤：
S1、根据当前储能应用场景下需求的储能特征量，采用区间二型模糊层次分析法得到各储能特征的第一权重；其中，区间二型模糊层次分析法为结合了区间二型模糊集量化方式的层次分析法；
S2、根据各储能类型的实际储能特征量，采用熵权法，求出各储能特征的第二权重；
S3、根据所得第一权重和第二权重，基于最小熵原理求出各储能特征的综合权重；
S4、基于各储能类型的实际储能特征量和所得各储能特征量的综合权重，采用基于区间二型模糊集的TOPSIS法对各储能类型进行排序和优选，得到适用于当前储能应用场景的最优储能类型。
进一步优选地，上述储能特征包括：运行安全度、容量、循环效率、响应时间、月自放电率、循环寿命、持续放电时间、生态资源破坏程度、环境污染程度、运维成本、功率成本和容量成本。
进一步优选地，上述储能类型包括：压缩空气储能、抽水蓄能、锂离子电池储能、液流电池储能、铅酸电池储能和钠硫电池储能。
进一步优选地，上述S1包括以下步骤：
S11、根据当前储能应用场景下需求的储能特征量，对各储能特征的重要性进行两两比较，并结合区间二型模糊集量化方式，构建区间二型模糊判断矩阵
Figure BDA0002669368830000021
S12、对所得区间二型模糊判断矩阵
Figure BDA0002669368830000031
进行去模糊化处理后，进行一致性校验；
S13、判断矩阵
Figure BDA0002669368830000032
是否具有一致性，若是，则转至步骤S14；否则，对矩阵
Figure BDA0002669368830000033
进行修正，转至步骤S12；
S14、基于矩阵
Figure BDA0002669368830000034
计算各储能特征的模糊几何平均值后对其进行归一化，得到各储能特征的第一权重。
进一步优选地，区间二型模糊判断矩阵
Figure BDA0002669368830000035
为：
Figure BDA0002669368830000036
其中，
Figure BDA0002669368830000037
为区间二型模糊集，表示第i个储能特征相对第j个储能特征的重要程度，n为上述储能特征的个数，i＝1,2,…,n，j＝1,2,…,n，且：
Figure BDA0002669368830000038
其中，
Figure BDA0002669368830000039
和
Figure BDA00026693688300000310
分别为区间二型模糊集
Figure BDA00026693688300000311
的上隶属度参考点，
Figure BDA00026693688300000312
和
Figure BDA00026693688300000313
分别为区间二型模糊集
Figure BDA00026693688300000314
的下隶属度参考点，
Figure BDA00026693688300000315
和
Figure BDA00026693688300000316
分别为
Figure BDA00026693688300000317
的上隶属度和下隶属度，
Figure BDA00026693688300000318
和
Figure BDA00026693688300000319
分别为
Figure BDA00026693688300000320
和
Figure BDA00026693688300000321
的上隶属度值，
Figure BDA00026693688300000322
和
Figure BDA00026693688300000323
分别为
Figure BDA00026693688300000324
和
Figure BDA00026693688300000325
的下隶属度值。
进一步优选地，上述对所得区间二型模糊判断矩阵
Figure BDA00026693688300000326
进行去模糊化处理得到CD，其中，
Figure BDA00026693688300000327
为CD中的元素，具体为：
Figure BDA0002669368830000041
进一步优选地，第j个储能特征的第一权重为：
Figure BDA0002669368830000042
其中，
Figure BDA0002669368830000043
为第j个储能特征的模糊几何平均值，具体为：
Figure BDA0002669368830000044
进一步优选地，上述S2包括以下步骤：
S21、根据各储能类型的实际储能特征量，并结合区间二型模糊集量化方式，建立原始数据评价矩阵后，进行归一化得到标准矩阵P＝(pkj)m×n；其中，pkj为第k个储能类型所对应的第j个储能特征的权重，k＝1,2,…,m，j＝1,2,…,n，m为储能类型的个数，n为储能特征的个数；
S22、基于所得标准矩阵，计算各储能特征的信息熵值；其中，第j个储能特征的信息熵值为
Figure BDA0002669368830000045
S23、根据所得各储能特征的信息熵值，计算各储能特征的信息熵冗余度，并对其归一化，得到各储能特征的第二权重。
进一步优选地，第j个储能特征的综合权重
Figure BDA0002669368830000046
为：
Figure BDA0002669368830000047
其中，
Figure BDA0002669368830000048
为第j个储能特征的第二权重，
Figure BDA0002669368830000049
为第j个储能特征的第一权重，n为储能特征的个数。
第二方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面提供的一种大规模储能多属性决策选型方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供了一种大规模储能多属性决策选型方法，由于目前储能技术中描述储能特征量的数据大多以区间形式表征，且掺杂了大量的主观因素和不确定性，本发明将区间二型模糊集合引入大规模储能选型的决策过程，极大地提高了选型过程中对于不确定性因素表达的灵活性，增强了决策过程中对模糊语义和不确定性因素的表达的有效性和刻画的准确性，从而避免了现有技术对储能选型过程中的模糊因素未有考虑或考虑的过于简单而存在的选型不准确的技术问题，选型结果较为准确。
2、本发明所提供的大规模储能多属性决策选型方法，对各储能类型进行技术、经济及环境影响分析，得到运行安全度、容量、循环效率、响应时间、月自放电率、循环寿命、持续放电时间、生态资源破坏程度、环境污染程度、运维成本、功率成本和容量成本，作为储能特征，这些储能特征从工程适用性出发考虑了实际储能选型过程中关注的主要技术、经济和环境因素，能够为储能选型的具体实施和应用提供参考。
3、本发明所提供的大规模储能多属性决策选型方法，通过综合考虑当前储能应用场景下需求的储能特征量和各储能类型的实际储能特征量，运用区间二型模糊层次分析法和熵权法相结合来确定综合权重，避免了传统储能选型方法过于依赖专家经验造成的主观性强的问题。
附图说明
图1是本发明实施例1所提供的一种大规模储能多属性决策选型方法流程图；
图2是本发明实施例1所提供的大规模储能选型的决策层次结构示意图；
图3是本发明实施例1所提供的区间二型模糊集
Figure BDA0002669368830000061
的几何示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
基本原理、
区间二型模糊集的概念及基础运算法则如下：
二型模糊集比一型模糊集更适合用来表示不确定性，并且在解决实际问题中取得了比一型模糊集更显著的效果。二型模糊集与一型模糊集的区别在于，二型模糊集的隶属度函数就是一个一型模糊集，而一型模糊集是一个确定的数值，因此二型模糊集在表达不确定性时比一型模糊集更灵活，更丰富。
假设
Figure BDA0002669368830000062
为一个二型模糊集，则
Figure BDA0002669368830000063
可以通过其二型隶属度函数
Figure BDA0002669368830000064
来表征：
Figure BDA0002669368830000065
上式中，x为主变量，u为次变量，
Figure BDA0002669368830000066
为主隶属度函数，
Figure BDA0002669368830000067
为次隶属度函数。若对任意的x∈X和任意u∈Jx都有
Figure BDA0002669368830000068
则称二型模糊集
Figure BDA0002669368830000069
是区间二型模糊集，表达式如下：
Figure BDA00026693688300000610
上式中，
Figure BDA0002669368830000071
表示取遍所有可能的x和u。若区间二型模糊集
Figure BDA0002669368830000072
的上隶属度函数和下隶属度函数均为梯形模糊数，则称
Figure BDA0002669368830000073
为区间二型梯形模糊集，其表达如下：
Figure BDA0002669368830000074
上式中，
Figure BDA0002669368830000075
为梯形上隶属度函数，
Figure BDA0002669368830000076
为梯形下隶属度函数；
Figure BDA0002669368830000077
表示梯形隶属度函数中
Figure BDA0002669368830000078
处的隶属度值，其中1≤j≤2，X∈{U,L}。
普通二型模糊集在实际应用中存在着计算量较大的缺点，而区间二型模糊集的计算量较之一般的二型模糊集大为精简，因此得到了广泛应用。梯形区间二型模糊集作为区间二型模糊集的一种，具有二型模糊集的良好特性，并且形象直观，计算方便。因此，在实际应用中常用梯形区间二型模糊集代替一般二型模糊集来表示模糊变量及参加变量之间的运算。
设两个区间二型梯形模糊集合分别为：
Figure BDA0002669368830000079
Figure BDA00026693688300000710
则其运算法则如下所示：
Figure BDA00026693688300000711
Figure BDA0002669368830000081
Figure BDA0002669368830000082
Figure BDA0002669368830000083
Figure BDA0002669368830000084
Figure BDA0002669368830000085
下面结合实施例详细解释本发明所提出的大规模储能多属性决策选型方法：
实施例1、
一种大规模储能多属性决策选型方法，如图1所示，包括以下步骤：
S1、根据当前储能应用场景下需求的储能特征量，采用区间二型模糊层次分析法得到各储能特征的第一权重；其中，区间二型模糊层次分析法为结合了区间二型模糊集量化方式的层次分析法；
本实施例在得到第一权重之前，首先采集当前储能应用场景下需求的储能特征量；需要说明的是，本实施例中的储能应用场景设置为某300MW风电场，削峰填谷工况进行大规模储能选型，且具有建造抽水蓄能电站和压缩空气储能电站的地理条件；在该削峰填谷工况下，对放电响应时间一般分钟级即可满足要求，但要求放电持续时间可达数小时以上，并且持续时间越长越好。在进行决策选型之前，首先分析确定备选方案，构建大规模储能选型层级结构及指标体系，如图2所示，大规模储能选型的决策层次结构主要包括四个层次：一是目标层，即选择最佳储能类型；二是准则层，分为技术指标、环境指标和经济指标；三是子准则层，与准则层相对应，技术指标方面包括运行安全度、规模化程度、循环效率、月自放电率、响应时间、循环寿命和持续充放电时间，环境指标方面包括建设时对生态的破坏程度和产生的环境污染程度，经济指标方面包括功率成本、容量成本和运行维护成本；四是方案层，包括几种目前适用于大规模储能应用场景的储能技术，主要有压缩空气储能、抽水蓄能、锂离子电池储能、液流电池储能、铅酸电池储能和钠硫电池储能。基于以上分析，本实施例中的储能特征包括：运行安全度、容量、循环效率、响应时间、月自放电率、循环寿命、持续放电时间、生态资源破坏程度、环境污染程度、运维成本、功率成本和容量成本。为更加结合实际，在选型决策过程中将各类型大规模储能技术的功率成本和容量成本综合成建设成本。
具体的，根据当前储能应用场景下需求的储能特征量，采用区间二型模糊层次分析法得到各储能特征的第一权重的方法，包括以下步骤：
S11、根据当前储能应用场景下需求的储能特征量，对各储能特征的重要性进行两两比较，并结合区间二型模糊集量化方式，构建区间二型模糊判断矩阵
Figure BDA0002669368830000101
具体的，区间二型模糊判断矩阵
Figure BDA0002669368830000102
为：
Figure BDA0002669368830000103
其中，
Figure BDA0002669368830000104
为区间二型模糊集，表示第i个储能特征相对第j个储能特征的重要程度，n为上述储能特征的个数，i＝1,2,…,n，j＝1,2,…,n，且：
Figure BDA0002669368830000105
其中，区间二型模糊集
Figure BDA0002669368830000106
的几何示意图如图3所示，其中，横坐标代表论域，纵坐标表示隶属度值；
Figure BDA0002669368830000107
和
Figure BDA0002669368830000108
分别为区间二型模糊集
Figure BDA0002669368830000109
的上隶属度参考点，
Figure BDA00026693688300001010
和
Figure BDA00026693688300001011
分别为区间二型模糊集
Figure BDA00026693688300001012
的下隶属度参考点，
Figure BDA00026693688300001013
和
Figure BDA00026693688300001014
分别为
Figure BDA00026693688300001015
的上隶属度和下隶属度，
Figure BDA00026693688300001016
和
Figure BDA00026693688300001017
分别为
Figure BDA00026693688300001018
和
Figure BDA00026693688300001019
的上隶属度值，
Figure BDA00026693688300001020
和
Figure BDA00026693688300001021
分别为
Figure BDA00026693688300001022
和
Figure BDA00026693688300001023
的下隶属度值。
区间二型模糊集的引入较好地解决了储能选型过程中涉及到的大量模糊性和不确定性语言刻画困难的问题。目前由于储能技术发展仍不完善，大量储能特征量仍以定性描述或者数据区间等模糊性和不确定性语言表征，这些模糊性和不确定性因素造成了选型过程中信息的不确定性。传统的点值描述的判断矩阵无法充分利用原始数据，会带来较大的误差，使得决策结果的可信度大大降低。采用模糊集可以克服点值描述判断结果的弊端，用模糊集代替点值来构成判断矩阵，每个比较语言对应一个区间二型模糊集，可以有效地描述信息的模糊性和不确定性，且二型模糊集将一型模糊集的隶属度同样设置为模糊集合，在很大程度上“包含”了不同观察主体在模糊评价比较过程中的不确定性，大大加强了决策过程对于模糊语义和不确定性因素的处理能力。
具体的，本实施例中，根据当前储能应用场景下需求的储能特征量，对各储能特征的重要性进行两两比较，得到初始判断矩阵如下式所示：
Figure BDA0002669368830000111
其中，E为同等重要，MMI为稍微重要，SMI为明显重要，VSMI为强烈重要，EMI为极端重要。需要说明的是，本实施例中，根据当前储能应用场景下需求的储能特征量结合先验，对各储能特征的重要性进行两两比较，得到上述初始判断矩阵。首先，因为安全性是系统正常运行和经济运行的基础，且一次安全故障造成的经济损失和环境污染远远超出正常运行时的数值，故储能特征运行安全度最重要，其权重最高，为第一重要级；其次，因为一般经济因素是决定储能选型结果和后续投资问题的重要影响因素，故系统的建设成本和运行维护成本这些反应储能系统的投资运行经济性的储能特征量处于第二重要级；再次，考虑到当前储能应用场景需求的储能特征量的影响，削峰填谷这类容量型储能应用场景对储能系统的容量、循环寿命和持续充放电时间要求较高，故容量、循环寿命和持续充放电时间这些储能特征处于第三重要级；然后，考虑储能系统运行造成的生态破坏和环境污染严重程度，随着社会环保意识的不断增强，环境因素愈发受到人们的重视与关注，故生态破坏和环境污染严重程度这些储能特征处于第四重要级；最后，考虑响应时间、月自放电率这些储能特征，处于第五重要级。其中，上述各重要级按照重要程度排序为第一重要级>第二重要级>第三重要级>第四重要级>第五重要级。另外，又由于区间二型模糊集的比较语言变量对应表如表1所示；
表1
语言变量 对应的区间二型模糊集
同等重要(E) (1.0,1.0,1.0,2.0；1,1),(1.0,1.0,1.0,1.5；0.9,0.9)
稍微重要(MMI) (2.0,2.7,3.3,4.0；1,1),(2.5,2.8,3.1,3.5；0.9,0.9)
明显重要(SMI) (4.0,4.7,5.3,6.0；1,1),(4.5,4.8,5.1,5.5；0.9,0.9)
强烈重要(VSMI) (6.0,6.7,7.3,8.0；1,1),(6.5,6.8,7.1,7.5；0.9,0.9)
极端重要(EMI) (8.0,8.7,9.3,10.0；1,1),(8.5,8.8,9.1,9.5；0.9,0.9)
根据表1所示的区间二型模糊集的比较语言变量对应表，对上述初始判断矩阵进行量化，构建两两比较判断矩阵
Figure BDA0002669368830000121
共有11个特征，分别对应运行安全度、容量、循环效率、响应时间、月自放电率、循环寿命、持续充放电时间、生态资源破坏程度、环境污染程度、建设成本、运维成本；在上述过程中，采用区间二型模糊集大大增强了选型过程中对于比较语言的模糊性表达能力。
S12、对所得区间二型模糊判断矩阵
Figure BDA0002669368830000122
进行去模糊化处理后，进行一致性校验；
需要说明的是，为避免主观比较产生的误差太大，需对两两比较判断矩阵
Figure BDA0002669368830000123
进行一致性校验。在进行一致性校验之前，为了便于获得矩阵的特征值，需要对区间二型模糊判断矩阵
Figure BDA0002669368830000125
进行去模糊化。对于区间二型模糊集为
Figure BDA0002669368830000124
去模糊化公式为：
Figure BDA0002669368830000131
上式中，
Figure BDA0002669368830000132
为区间二型模糊集
Figure BDA0002669368830000133
的去模糊值。
具体的，利用去模糊化公式对区间二型模糊判断矩阵
Figure BDA0002669368830000134
进行去模糊化得到矩阵CD，矩阵CD如下式所示：
Figure BDA0002669368830000135
对去模糊化矩阵CD进行一致性校验，矩阵
Figure BDA0002669368830000136
的最大特征值λmax＝11.1276，考虑共有n＝11个储能类型，查表可知对应的RI为1.51，进而分别求得一致性指标CI和一致性比率CR如下：
Figure BDA0002669368830000137
Figure BDA0002669368830000138
S13、判断矩阵
Figure BDA0002669368830000139
是否具有一致性，若是，则转至步骤S14；否则，对矩阵
Figure BDA00026693688300001310
进行修正，转至步骤S12；
具体的，若一致性比率CR小于0.1，则判断矩阵具有一致性；由上可知，所建立的两两判断矩阵
Figure BDA0002669368830000141
通过了一致性检验，符合要求。
需要说明的是，若当前的矩阵
Figure BDA0002669368830000142
不具有一致性，则对矩阵
Figure BDA0002669368830000143
进行修正，可以按照步骤S11中的方法对矩阵
Figure BDA0002669368830000144
进行重构，其中，在对各储能特征的重要性进行两两比较，确定第i个储能特征相对第j个储能特征的重要程度
Figure BDA0002669368830000145
时，对
Figure BDA0002669368830000146
进行微调后转至步骤S12。
S14、基于矩阵
Figure BDA0002669368830000147
计算各储能特征的模糊几何平均值后对其进行归一化，得到各储能特征的第一权重。
具体的，第j个储能特征的第一权重为：
Figure BDA0002669368830000148
其中，
Figure BDA0002669368830000149
为第j个储能特征的模糊几何平均值，具体为：
Figure BDA00026693688300001410
按照上述公式进行计算，最终所得的各储能特征的第一权重如表2所示：
表2
储能特征 第一权重
运行安全度f11 (0.21,0.27,0.34,0.44；1,1),(0.25,0.29,0.32,0.36；0.9,0.9)
容量f12 (0.11,0.14,0.18,0.23；1,1),(0.13,0.15,0.17,0.19；0.9,0.9)
循环效率f13 (0.03,0.04,0.04,0.06；1,1),(0.03,0.04,0.04,0.05；0.9,0.9)
响应时间f14 (0.02,0.03,0.03,0.04；1,1),(0.02,0.03,0.03,0.03；0.9,0.9)
月自放电率f15 (0.02,0.03,0.04,0.05；1,1),(0.03,0.03,0.04,0.04；0.9,0.9)
循环寿命f16 (0.06,0.07,0.09,0.11；1,1),(0.07,0.08,0.08,0.09；0.9,0.9)
持续充放电时间f17 (0.06,0.08,0.10,0.13；1,1),(0.07,0.08,0.09,0.11；0.9,0.9)
生态资源破坏程度f21 (0.02,0.03,0.04,0.05；1,1),(0.03,0.03,0.04,0.04；0.9,0.9)
环境污染程度f22 (0.02,0.03,0.04,0.05；1,1),(0.03,0.03,0.04,0.04；0.9,0.9)
建设成本f31 (0.07,0.09,0.11,0.15；1,1),(0.08,0.10,0.11,0.12；0.9,0.9)
运维成本f32 (0.07,0.09,0.11,0.15；1,1),(0.08,0.10,0.11,0.12；0.9,0.9)
S2、根据各储能类型的实际储能特征量，采用熵权法，求出各储能特征的第二权重；
具体的，本发明中的储能类型包括：压缩空气储能、抽水蓄能、锂离子电池储能、液流电池储能、铅酸电池储能和钠硫电池储能。其中，抽水蓄能是目前最成熟的大规模储能技术，其工作原理是通过两个有一定落差的水库，实现电能与水的势能之间的相互转换，既可以通过抽水将电能转换为水的势能储存起来，又能够使用库存水进行发电，将积存的势能转换为电能。抽水蓄能电站具有容量大，效率较高，成本较低等优点，但其选址对地理条件要求较高，且会对生态环境造成较为严重的影响。压缩空气储能是除抽水蓄能外另一种技术成熟的大规模物理储能技术，其工作原理是通过空气的压缩和膨胀来存储和释放电能。压缩空气储能的应用也受地理条件的限制，并且传统压缩空气储能依赖化石燃料且循环效率低；然而，随着先进绝热压缩空气储能技术的提出以及地上高压容器储气技术的进步，以上问题均得到明显改善。液流电池储能、钠硫电池储能、铅酸电池储能、锂离子电池储能均为电化学储能。电化学储能有着安装灵活，响应速度快的特点，但也存在安全性低，单位价格偏高和环境污染等问题。各类型大规模储能技术基础特性对比情况如表3所示：
表3
Figure BDA0002669368830000151
Figure BDA0002669368830000161
上述S2具体包括以下步骤：
S21、根据表3中所示的各储能类型的实际储能特征量，并结合区间二型模糊集量化方式，建立原始数据评价矩阵后，进行归一化得到标准矩阵P＝(pkj)m×n；其中，pkj为第k个储能类型所对应的第j个储能特征的权重，k＝1,2,…,m，j＝1,2,…,n，m为储能类型的个数，n为储能特征的个数；
具体的，对各储能类型的储能特征量中的语言变量进行数值量化表示，建立原始数据评价矩阵P0如下式所示：
Figure BDA0002669368830000162
其中，对于用区间表示的储能特征值取其平均值；对于用语言变量表示的决策指标特征值，则依据其语义进行对应转化，由于后面会进行归一化处理，所以对语言变量的数值量化表示可以忽略不同决策指标之间的量值差异。按照公式
Figure BDA0002669368830000163
(其中，p0_kj为原始数据评价矩阵P0中第k个储能类型所对应的第j个储能特征量)对原始数据评价矩阵P0归一化之后得到的标准矩阵P为：
Figure BDA0002669368830000164
S22、基于所得标准矩阵，计算各储能特征的信息熵值；其中，第j个储能特征的信息熵值为
Figure BDA0002669368830000171
S23、根据所得各储能特征的信息熵值，计算各储能特征的信息熵冗余度，并对其归一化，得到各储能特征的第二权重；其中，第j个储能特征的第二权重
Figure BDA0002669368830000172
为：
Figure BDA0002669368830000173
采用上述方法，最终所得的各储能特征的第二权重如表4所示：
表4
储能特征 第二权重
运行安全度f11 0.0657
容量f12 0.1045
循环效率f13 0.0565
响应时间f14 0.1413
月自放电率f15 0.1050
循环寿命f16 0.0847
持续充放电时间f17 0.0644
生态破坏程度f21 0.1261
环境污染程度f22 0.1138
建设成本f31 0.0689
运维成本f32 0.0690
S3、根据所得第一权重和第二权重，基于最小熵原理求出各储能特征的综合权重；
具体的，第j个储能特征的综合权重
Figure BDA0002669368830000174
为：
Figure BDA0002669368830000181
其中，
Figure BDA0002669368830000182
为第j个储能特征的第二权重，
Figure BDA0002669368830000183
为第j个储能特征的第一权重，n为储能特征的个数。
基于上述公式，最终所得的各储能特征的综合权重如表5所示：
表5
储能特征 区间二型模糊综合权重
运行安全度f11(效益型指标) (0.11,0.14,0.18,0.23；1,1),(0.13,0.15,0.17,0.19；0.9,0.9)
容量f12(效益型指标) (0.10,0.13,0.16,0.21；1,1),(0.12,0.14,0.15,0.17；0.9,0.9)
循环效率f13(效益型指标) (0.04,0.05,0.06,0.08；1,1),(0.05,0.05,0.06,0.06；0.9,0.9)
响应时间f14(成本型指标) (0.05,0.06,0.08,0.10；1,1),(0.06,0.07,0.08,0.09；0.9,0.9)
月自放电率f15(成本型指标) (0.05,0.06,0.07,0.10；1,1),(0.06,0.06,0.07,0.08；0.9,0.9)
循环寿命f16(效益型指标) (0.06,0.08,0.10,0.13；1,1),(0.08,0.09,0.10,0.11；0.9,0.9)
持续充放电时间f17(效益型指标) (0.06,0.08,0.09,0.12；1,1),(0.07,0.08,0.09,0.1；0.9,0.9)
生态破坏程度f21(成本型指标) (0.05,0.07,0.08,0.1；1,1),(0.06,0.07,0.08,0.09；0.9,0.9)
环境污染程度f22(成本型指标) (0.05,0.06,0.08,0.1；1,1),(0.06,0.07,0.07,0.08；0.9,0.9)
建设成本f31(成本型指标) (0.06,0.08,0.10,0.13；1,1),(0.08,0.09,0.1,0.11；0.9,0.9)
运维成本f32(成本型指标) (0.06,0.08,0.10,0.13；1,1),(0.08,0.09,0.1,0.11；0.9,0.9)
S4、基于各储能类型的实际储能特征量和所得各储能特征量的综合权重，采用基于区间二型模糊集的TOPSIS法对各储能类型进行排序和优选，得到适用于当前储能应用场景的最优储能类型。具体的，采用基于区间二型模糊集的TOPSIS法计算各储能类型形成的储能备选方案与储能方案的正、负理想解的距离来进行排序，各储能备选方案中最接近正理想解同时又最远离负理想解的方案为最优，即适用于当前储能应用场景的最优储能类型；
具体包括以下步骤：
S41、根据各储能类型的实际储能特征量，对每个储能类型在不同储能特征下进行测度，构建决策矩阵；
具体的，首先对表3中的各储能类型的实际储能特征量进行分析，对每个储能类型在不同储能特征下的实际表现情况进行评价，该评价结果由每种储能特征量下各储能类型的实际表现情况对比得出，例如：储能特征f11“运行安全性”，六种储能备选方案中的“运行安全性”实际表现共有五种{“高”、“较高”、“中”、“较低”、“低”}，则按照其语义表示分别对应{“VH”，“H”，“M”，“MH”，“ML”}五种评价结果；其余储能特征量的评价过程与此类似，在此不做赘述。最终得到的区间二型模糊评价结果如表6所示：
表6
Figure BDA0002669368830000191
然后运用区间二型模糊集的评估语言变量对应表，根据语言变量与区间二型模糊集的对应关系将上述各评价结果转换为区间二型模糊集，得到对应的决策矩阵Y，具体为：
Figure BDA0002669368830000201
其中，决策矩阵Y的列对应表6中的行，m为储能类型的个数，n为储能特征的个数，
Figure BDA0002669368830000202
表示第k个储能类型在第j个储能特征下表现的区间二型模糊评价结果，k＝1,2,…,m，j＝1,2,…,n。
具体的，上述区间二型模糊集的评估语言变量对应表如表7所示：
表7
语言变量 对应的区间二型模糊集
极低(VL) (0,0,0,0.1；1,1),(0,0,0,0.05；0.9,0.9)
低(L) (0,0.1,0.1,0.3；1,1),(0.05,0.1,0.1,0.2；0.9,0.9)
偏低(ML) (0.1,0.3,0.3,0.5；1,1),(0.2,0.3,0.3,0.4；0.9,0.9)
中等(M) (0.3,0.5,0.5,0.7；1,1),(0.4,0.5,0.5,0.6；0.9,0.9)
偏高(MH) (0.5,0.7,0.7,0.9；1,1),(0.6,0.7,0.7,0.8；0.9,0.9)
高(H) (0.7,0.9,0.9,1；1,1),(0.8,0.9,0.9,0.95；0.9,0.9)
极高(VH) (0.9,1,1,1；1,1),(0.95,1,1,1；0.9,0.9)
S42、将所得各储能特征的综合权重与决策矩阵进行融合，得到储能选型加速决策矩阵
Figure BDA0002669368830000203
具体的，
Figure BDA0002669368830000204
其中，
Figure BDA0002669368830000205
S43、计算储能选型加速决策矩阵
Figure BDA0002669368830000206
中各元素
Figure BDA0002669368830000207
的排序值大小，得到各储能类型在各储能特征下的排序值；
具体的，
Figure BDA0002669368830000208
的排序值大小
Figure BDA0002669368830000209
为：
Figure BDA0002669368830000211
其中，
Figure BDA0002669368830000212
S44、基于所得各储能类型在各储能特征下的排序值，结合各储能类型计算储能特征的正、负理想解，具体为：
Figure BDA0002669368830000213
Figure BDA0002669368830000214
其中，F1为效益型指标，即指标值越大越好，包括的储能特征量有：运行安全度f11、容量f12、循环效率f13、循环寿命f16和持续充放电时间f17；F2为成本型指标，即指标值越小越好，包括的储能特征量有响应时间f14、月自放电率f15、环境污染程度f22、生态资源破环程度f21、运维成本f32和建设成本f31；
Figure BDA0002669368830000215
和
Figure BDA0002669368830000216
分别表示第j个储能特征的正理想解和负理想解。
具体的，本实施例中所得各储能特征的正理想解v+和负理想解v-分别为：
Figure BDA0002669368830000221
S45、分别计算各储能类型在各储能特征下的排序值与正理想解之间的距离d+(xj)以及与负理想解之间的距离d-(xj)；具体为：
Figure BDA0002669368830000222
Figure BDA0002669368830000223
S46、根据所得距离d+(xk)和d-(xk)，计算各储能类型的相对接近度，最大的相对接近度对应的储能类型即为适用于当前储能应用场景的最优储能类型；
具体的，第k个储能类型的相对接近度
Figure BDA0002669368830000224
其中，最大的表示其对应的储能类型最接近理想方案，该储能类型即为最佳储能类型。本实施例中，各储能类型的相对接近度为：
C＝[0.81 0.74 0.42 0.64 0.49 0.32]
根据所求得的各储能类型的相对接近度，可以得到各储能类型的优劣排序结果为：p1>p2>p4>p5>p3>p6，即最佳储能类型为压缩空气储能。
通过以上步骤完成当前应用场景下大规模储能选型工作，综合考虑技术、环境和经济指标，当前应用场景下的储能方案的排序依次为压缩空气储能p1、抽水蓄能p2、液流电池储能p4、铅酸电池储能p5、锂离子电池储能p3、钠硫电池储能p6；最佳大规模储能选型方案为压缩空气储能p1，抽水蓄能p2次之。与抽水蓄能p2相比，压缩空气储能p1对生态资源的破坏更小，选址条件更为灵活；且现阶段压缩空气储能技术的发展态势迅猛，被公认为是最具发展应用潜力的大规模储能技术之一。同时，对比表2、表4和表5可以发现，相比与单独的第一权重和第二权重，综合权重综合考虑了当前储能应用场景下需求的储能特征量和各储能类型的实际储能特征量，在特征权重分配方面有了明显的调整和变化，避免了现有技术对储能选型过程中的模糊因素未有考虑或考虑的过于简单而存在的选型不准确的技术问题。综上所述，本发明所提出的大规模储能多属性决策选型方法具备有效性及合理性，且选型结果较为准确。
实施例2、
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种大规模储能多属性决策选型方法。具体的技术方案同实施例1，这里不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种大规模储能多属性决策选型方法，其特征在于，包括以下步骤：
S1、根据当前储能应用场景下需求的储能特征量，采用区间二型模糊层次分析法得到各储能特征的第一权重；其中，区间二型模糊层次分析法为结合了区间二型模糊集量化方式的层次分析法；
S2、根据各储能类型的实际储能特征量，采用熵权法，求出各储能特征的第二权重；
S3、根据所得第一权重和第二权重，基于最小熵原理求出各储能特征的综合权重；
S4、基于各储能类型的实际储能特征量和所得各储能特征量的综合权重，采用基于区间二型模糊集的TOPSIS法对各储能类型进行排序和优选，得到适用于当前储能应用场景的最优储能类型。
2.根据权利要求1所述的大规模储能多属性决策选型方法，其特征在于，所述储能特征包括：运行安全度、容量、循环效率、响应时间、月自放电率、循环寿命、持续放电时间、生态资源破坏程度、环境污染程度、运维成本、功率成本和容量成本。
3.根据权利要求1所述的大规模储能多属性决策选型方法，其特征在于，所述储能类型包括：压缩空气储能、抽水蓄能、锂离子电池储能、液流电池储能、铅酸电池储能和钠硫电池储能。
4.根据权利要求1所述的大规模储能多属性决策选型方法，其特征在于，所述S1包括以下步骤：
S11、根据当前储能应用场景下需求的储能特征量，对各储能特征的重要性进行两两比较，并结合区间二型模糊集量化方式，构建区间二型模糊判断矩阵
Figure FDA0002669368820000011
S12、对所得区间二型模糊判断矩阵
Figure FDA0002669368820000012
进行去模糊化处理后，进行一致性校验；
S13、判断矩阵
Figure FDA0002669368820000021
是否具有一致性，若是，则转至步骤S14；否则，对矩阵
Figure FDA0002669368820000022
进行修正，转至步骤S12；
S14、基于矩阵
Figure FDA0002669368820000023
计算各储能特征的模糊几何平均值后对其进行归一化，得到各储能特征的第一权重。
5.根据权利要求4所述的大规模储能多属性决策选型方法，其特征在于，所述区间二型模糊判断矩阵
Figure FDA0002669368820000024
为：
Figure FDA0002669368820000025
其中，
Figure FDA0002669368820000026
为区间二型模糊集，表示第i个储能特征相对第j个储能特征的重要程度，n为上述储能特征的个数，i＝1,2,…,n，j＝1,2,…,n，且：
Figure FDA0002669368820000027
其中，
Figure FDA0002669368820000028
和
Figure FDA0002669368820000029
分别为区间二型模糊集
Figure FDA00026693688200000210
的上隶属度参考点，
Figure FDA00026693688200000211
和
Figure FDA00026693688200000212
分别为区间二型模糊集
Figure FDA00026693688200000213
的下隶属度参考点，
Figure FDA00026693688200000214
和
Figure FDA00026693688200000215
分别为
Figure FDA00026693688200000216
的上隶属度和下隶属度，
Figure FDA00026693688200000217
和
Figure FDA00026693688200000218
分别为
Figure FDA00026693688200000219
和
Figure FDA00026693688200000220
的上隶属度值，
Figure FDA00026693688200000221
和
Figure FDA00026693688200000222
分别为
Figure FDA00026693688200000223
和
Figure FDA00026693688200000224
的下隶属度值。
6.根据权利要求5所述的大规模储能多属性决策选型方法，其特征在于，所述对所得区间二型模糊判断矩阵
Figure FDA00026693688200000225
进行去模糊化处理得到CD，其中，
Figure FDA00026693688200000226
为CD中的元素，具体为：
Figure FDA0002669368820000031
7.根据权利要求5所述的大规模储能多属性决策选型方法，其特征在于，第j个储能特征的第一权重为：
Figure FDA0002669368820000032
其中，
Figure FDA0002669368820000033
为第j个储能特征的模糊几何平均值，具体为：
Figure FDA0002669368820000034
8.根据权利要求1所述的大规模储能多属性决策选型方法，其特征在于，所述S2包括以下步骤：
S21、根据各储能类型的实际储能特征量，并结合区间二型模糊集量化方式，建立原始数据评价矩阵后，进行归一化得到标准矩阵P＝(pkj)m×n；其中，pkj为第k个储能类型所对应的第j个储能特征的权重，k＝1,2,…,m，j＝1,2,…,n，m为储能类型的个数，n为储能特征的个数；
S22、基于所得标准矩阵，计算各储能特征的信息熵值；其中，第j个储能特征的信息熵值为
Figure FDA0002669368820000035
S23、根据所得各储能特征的信息熵值，计算各储能特征的信息熵冗余度，并对其归一化，得到各储能特征的第二权重。
9.根据权利要求1-8任意一项所述的大规模储能多属性决策选型方法，其特征在于，第j个储能特征的综合权重
Figure FDA0002669368820000036
为：
Figure FDA0002669368820000041
其中，
Figure FDA0002669368820000042
为第j个储能特征的第二权重，
Figure FDA0002669368820000043
为第j个储能特征的第一权重，n为储能特征的个数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-9任意一项所述的大规模储能多属性决策选型方法。
CN202010928619.4A 2020-09-07 2020-09-07 一种大规模储能多属性决策选型方法 Active CN112132424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928619.4A CN112132424B (zh) 2020-09-07 2020-09-07 一种大规模储能多属性决策选型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928619.4A CN112132424B (zh) 2020-09-07 2020-09-07 一种大规模储能多属性决策选型方法

Publications (2)

Publication Number Publication Date
CN112132424A true CN112132424A (zh) 2020-12-25
CN112132424B CN112132424B (zh) 2023-12-05

Family

ID=73848575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928619.4A Active CN112132424B (zh) 2020-09-07 2020-09-07 一种大规模储能多属性决策选型方法

Country Status (1)

Country Link
CN (1) CN112132424B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113038387A (zh) * 2021-03-12 2021-06-25 重庆邮电大学 低轨卫星网络中基于q学习的切换判决方法
CN113989768A (zh) * 2021-09-29 2022-01-28 中智行(上海)交通科技有限公司 一种自动驾驶测试场景分析方法及系统
CN114722563A (zh) * 2021-12-02 2022-07-08 中国电建集团江西省电力设计院有限公司 一种基于ahp方法的复杂地形风电场发电量折减系数差异化取值方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146184A (zh) * 2018-08-28 2019-01-04 成都信息工程大学 基于改进熵和得分函数的区间直觉模糊多属性决策方法
CN110322092A (zh) * 2018-03-30 2019-10-11 南京理工大学 一种源网荷多层博弈经济调度方法
CN111222787A (zh) * 2020-01-06 2020-06-02 国网能源研究院有限公司 受端电网规模化储能商业模式决策方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322092A (zh) * 2018-03-30 2019-10-11 南京理工大学 一种源网荷多层博弈经济调度方法
CN109146184A (zh) * 2018-08-28 2019-01-04 成都信息工程大学 基于改进熵和得分函数的区间直觉模糊多属性决策方法
CN111222787A (zh) * 2020-01-06 2020-06-02 国网能源研究院有限公司 受端电网规模化储能商业模式决策方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯喜春 等: "基于区间二型模糊多属性决策方法的大规模储能选型分析", 高电压技术, vol. 47, no. 11, pages 4123 - 4136 *
薛金花;叶季蕾;陶琼;王德顺;: "电力储能技术的适用性评价模型与方法研究", 高电压技术, no. 07, pages 149 - 156 *
郭森;赵浩然;赵名锐;张艳;赵会茹;: "多类异质电储能系统优选模型研究", 智慧电力, no. 10, pages 17 - 23 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113038387A (zh) * 2021-03-12 2021-06-25 重庆邮电大学 低轨卫星网络中基于q学习的切换判决方法
CN113038387B (zh) * 2021-03-12 2024-02-20 深圳泓越信息科技有限公司 低轨卫星网络中基于q学习的切换判决方法
CN113989768A (zh) * 2021-09-29 2022-01-28 中智行(上海)交通科技有限公司 一种自动驾驶测试场景分析方法及系统
CN113989768B (zh) * 2021-09-29 2024-03-29 天翼交通科技有限公司 一种自动驾驶测试场景分析方法及系统
CN114722563A (zh) * 2021-12-02 2022-07-08 中国电建集团江西省电力设计院有限公司 一种基于ahp方法的复杂地形风电场发电量折减系数差异化取值方法

Also Published As

Publication number Publication date
CN112132424B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
Wu et al. Site selection decision framework using fuzzy ANP-VIKOR for large commercial rooftop PV system based on sustainability perspective
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN112132424A (zh) 一种大规模储能多属性决策选型方法
CN109829604A (zh) 一种电网侧储能电站运行效果综合评估方法
Albawab et al. Sustainability performance index for ranking energy storage technologies using multi-criteria decision-making model and hybrid computational method
CN111260211A (zh) 一种基于ahp-改进的熵权法-topsis的智慧能源系统评价方法及装置
CN113657739B (zh) 一种多场景下定量储能评价的方法
CN115511270A (zh) 一种面向分布式储能装置运行状态的综合评价系统及方法
CN107122924A (zh) 一种智能配用电系统承载能力评估方法
CN112348276A (zh) 基于多要素三层次的综合能源系统规划优化方法
CN112712281A (zh) 一种基于云模型的储能工况适应性综合评估方法及系统
CN112633762A (zh) 楼宇能效获取方法及设备
CN105574632A (zh) 一种交直流混合城市配电网综合效益评估方法
Lu et al. Comprehensive performance assessment of energy storage systems for various application scenarios based on fuzzy group multi criteria decision making considering risk preferences
CN114037209A (zh) 分布式光伏接入直流配电系统综合效益分析方法及装置
CN113095696A (zh) 一种综合能源项目全生命周期评价方法及其系统
CN115622056B (zh) 一种基于线性加权和选解法的储能优化配置方法及系统
CN116432437A (zh) 一种光伏发电单元综合评价方法和系统
CN116683518A (zh) 计及低碳效益的配电网综合评估方法
CN115511230A (zh) 一种电能替代潜力分析预测方法
CN112785022B (zh) 一种挖掘电能替代潜力的方法及系统
CN112184076A (zh) 能源互联网清洁低碳发展指数指标体系
CN110598773A (zh) 一种基于数据驱动的电动汽车充放电行为聚类方法
CN118521123B (zh) 考虑健康退化的工业设备作业调度方法、系统及电子设备
CN117522224A (zh) 一种高速公路微电网运维效果确定方法、系统及电子设备

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