CN112465271A - 一种面向储能平抑风电波动场景的储能电池选型方法 - Google Patents

Abstract

本发明涉及一种面向储能平抑风电波动场景的储能电池选型方法；选型方法包括如下步骤：设定储能电池类型S_i，i＝1，2，…，N，组成S_i类型电池的电池特征的样本集K_i；使用SOM自组织映射算法，计算出第i类储能电池类型对应的各个储能电池特征的权重；使用层次分析法计算出在储能平抑风电波动场景下的储能电池四种特征的重要性权重，作为电池选型的依据；根据特征重要性权重，对储能平抑风电波动场景下所使用的储能电池类型进行筛选，以获得更高经济效益以及运行稳定性；本发明相对于现有技术的优点是：本发明利用层次分析法与自组织映射进行储能电池的选型，为电厂建设过程中的电池选型问题提供参考。

Description

一种面向储能平抑风电波动场景的储能电池选型方法

技术领域：

本发明涉及电池储能系统，进一步涉及一种面向储能平抑风电波动场景的储能电池选型方法。

背景技术：

近些年，新能源发电在电网中的占比逐渐上升，因为其发电的高效率，极低的成本以及对于环境的友好性质而受到大力投资。然而，新能源例如风力发电也有重大的缺点，那就是风力发电受到风力大小的影响。决定风力大小的因素很多，例如天气阴晴，温度，气象等等，其随机性与波动性较强，而这也导致了风电并网时导致电网波动，需要抑制此种波动以保持电网稳态运行。因此，风电站需要加装储能电池来平抑风电并网波动。

储能是一个新兴的领域，随着新能源发电形式的比重上升，储能在交通，家用等多个领域得到了发展。伴随着储能的发展，多种多样的储能电池面世，例如锂离子电池，铅酸电池等。对于不同化学原理的储能电池，具有各不相同的电池属性，例如电池寿命，充放电电压，充放电电流等。因此，在发电厂建立储能电站时，就需要进行储能电池的选型工作。由于需要考虑到储能电池的类型，不同种类电池的不同属性情况，电池选型工作往往极为复杂。而储能电池的选择是否合适直接关系到电厂的运行效率，运行稳定性，甚至在部分电厂储能担任调频工作，对电场的运行有更大的影响。

对电厂建设时储能电池类型的选择而言，此种储能电池对电厂的应用场景是否合适，是否满足电厂对电池某些属性，例如充放电电压，充放电电流，电池运行温度等等属性的要求，需要经过细致的分析后得出结果。

发明内容：

本发明是为了解决储能电池选型问题。具体技术方案如下：

一种面向储能平抑风电波动场景的储能电池选型方法，包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，…，N，在储能平抑风电波动场景下，基于当前N种类型储能电池数据，计算每个类型储能电池各自的使用数量在N类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用SOM自组织映射算法，将第i类型储能电池的样本集中的样本特征进行融合，得到第i类储能电池类型样本特征的融合向量，并根据第i类储能电池类型的样本特征的融合向量计算出第i类储能电池类型对应的各个储能电池特征的权重；

步骤3：将第i类储能电池类型的电池特征的权重向量作为层次分析法中电池特征的输入向量，使用层次分析法计算出在储能平抑风电波动场景下的储能电池四种特征的重要性权重，作为电池选型的依据；

步骤4：根据步骤3之中计算得出的储能平抑风电波动场景下的储能电池特征重要性权重，对储能平抑风电波动场景下所使用的储能电池类型进行筛选，以获得更高经济效益以及运行稳定性。

优选方案，一种面向储能平抑风电波动场景的储能电池选型方法包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，…，N，在储能平抑风电波动场景下，基于当前N种类型储能电池数据，计算每个类型储能电池各自的使用数量在N类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用SOM自组织映射算法，将第i类型储能电池的样本集中的样本特征进行融合，得到第i类储能电池类型样本特征的融合向量，并根据第i类储能电池类型的样本特征的融合向量计算出第i类储能电池类型对应的各个储能电池特征的权重；包括如下具体步骤：

步骤2.1：建立SOM神经网络模型，设定输入神经元为m个，输出神经元为Q个，为全部输出神经元赋予较小的初始权值向量，设定初始优胜邻域半径为R(0)，设定初始学习率为α(0)，设定迭代停止条件阈值F；

步骤2.2：使用不同类型储能电池的特征的样本集作为神经网络的输入向量，初始化全部输入向量与输出神经元初始权重向量；

步骤2.3：对于优胜神经元及其邻域神经元，使用公式计算并增益优胜神经元及其邻域神经元，使其对输入神经元的输入向量的欧氏距离缩短；

步骤2.4：不断重复上述迭代，直到学习率α(T)小于阈值F，停止迭代，得到对应于第i类储能电池类型的电池特征融合向量；

步骤2.5：计算电池特征的融合向量中各个特征对于电池特征的额定数据的误差并且取倒数，得到电池特征的权重向量，以电池特征的权重向量作为层次分析法的输入向量；

步骤3：将第i类储能电池类型的电池特征的权重向量作为层次分析法中电池特征的输入向量，使用层次分析法计算出在储能平抑风电波动场景下的储能电池四种特征的重要性权重，作为电池选型的依据；包括如下步骤：

步骤3.1：将四类电池类型对应的权重输入，依照此权重生成判断矩阵。将步骤2中使用SOM得出的四个电池特征的权重向量分别作为第i类储能电池类型的储能电池特征的输入向量，分别生成一个判断矩阵；

步骤3.2：得到电池类型的判断矩阵以及对应N种储能电池类型的四种储能电池特征的判断矩阵后，检验上述N+1个矩阵是否满足一致性要求，满足一致性要求则继续计算。

步骤3.3：根据N个不同电池类型所得出的N个矩阵的特征向量组合成一个特征矩阵，使用此特征矩阵与不同电池类型对应的权重计算，得到在储能平抑风电波动场景下的储能电池特征重要性权重；

步骤4：根据步骤3之中计算得出的储能平抑风电波动场景下的储能电池特征重要性权重，对储能平抑风电波动场景下所使用的储能电池类型进行筛选，以获得更高经济效益以及运行稳定性。

本发明相对于现有技术的优点是：本发明利用层次分析法与自组织映射进行储能电池的选型，对储能平抑风电波动场景下的储能电池属性的重要性程度进行研究，为电厂建设过程中的电池选型问题提供参考。

附图说明：

图1面向储能平抑风电波动场景的储能电池选型方法流程图。

图2是实施例步骤2中SOM自组织映射流程示意图。

图3是实施例步骤2中SOM结构示意图。

具体实施方式：

实施例：

以下结合附图对本发明作进一步详细说明。

一种面向储能平抑风电波动场景的储能电池选型方法，包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，3，4，分别代表在储能平抑风电波动场景下，磷酸铁锂电池、三元锂电池、钛酸锂电池、全钒液流电池；基于当前四种类型储能电池数据，计算每个类型储能电池各自的使用数量在四类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用步骤1中采集到的样本集K_i作为SOM自组织映射的输入样本集，使用SOM自组织映射对样本集进行融合，得到一个融合向量k_fuse，i＝(p_fuse，i1，p_fuse，i2，p_fuse，i3，p_fuse，i4)；包括如下具体步骤：

步骤2.1：设定SOM输出层神经元n_out，q，n_out，q代表第q个输出神经元，使用W_q ^T＝(W_q1 ^T，W_q2 ^T，W_q3 ^T，W_q4 ^T)代表第q个输出神经元的第T次迭代的权重向量，并设定输出神经元的权重向量初始值W_q ⁰＝(W_q1 ⁰，W_q2 ⁰，W_q3 ⁰，W_q4 ⁰)；设定初始优胜邻域半径R(0)，设定初始学习率α(0)以及阈值F；建立SOM神经网络，输入层设定m个输入神经元n_putin，j,输出层设定Q个输出神经元n_out，q；

步骤2.2：将第i个样本集Ki作为SOM模型的输入；每一个输入层神经元n_putin，j输入一个子样本k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，并且对全部输入神经元的输入向量k_ij以及输出神经元权重W_q ^T进行归一化，以某一输出神经元权重向量W_q ^T计算公式：

从j＝1起始，计算第j个输入神经元n_putin，j与每一个输出神经元权重向量W_q ^T的欧氏距离，此处欧氏距离计算公式：

公式中，L_jq ^T代表第j个输入神经元与第q个输出神经元之间的欧氏距离；

对于一个输入神经元来说，将其与所有的输出神经元进行欧氏距离的计算之后，得到了Q个欧氏距离，选出其中最小的欧氏距离，此欧氏距离对应的输出神经元称为第T次迭代的优胜神经元；

步骤2.3：对于优胜神经元，在其一定范围内的圆形区域称为优胜邻域，在优胜邻域内的神经元受到一次增益，使其在空间距离上更加靠近第j个输入神经元的输入向量；此增益的效果从优胜神经元向外部神经元逐渐减弱，计算公式如下：

W_q ^T+1＝W_q ^T+η(T,LENTH)[k_ij-W_q ^T]，

公式中，W_q ^T+1为增益过后的输出神经元的权值向量，作为第T+1次第q个输出神经元的权值向量，η(T,LENTH)为学习率，是一个关于迭代次数T以及优胜神经元与第q个输出神经元之间距离LENTH的函数，且随着迭代次数T的增加而不断减小，k_ij-W_q ^T为本次进行运算的输入神经元输入向量k_ij与第q个输出神经元权重向量的差向量；

步骤2.4：每一个输入神经元n_putin，j进行一次步骤2.2与步骤2.3的计算过程并对获胜的输出经神元及其邻域神经元进行一次权重调整。全部输入神经元完成上述计算后为一次迭代；不断重复迭代过程直到学习率α(T)低于阈值F，结束迭代，完成第i个样本集K_i的数据融合，在输出层得到一个融合后的融合向量k_fuse，i＝(p_fuse，i1，p_fuse，i2，p_fuse，i3，p_fuse，i4)；对四个电池类型S_i的样本集K_i分别使用SOM模型进行特征融合，得到四个电池特征的融合向量k_fuse，1，k_fuse，2，k_fuse，3，k_fuse，4；

步骤2.5：对于第i类储能电池类型S_i，采集其出厂时四种电池特征的额定数据N_i1，N_i2，N_i3，N_i4，即第i个电池类型对应的电池特征的额定数据；第i种电池类型的第一种电池特征的额定数据N_i1对融合向量k_fuse，i中的每个元素计算公式如下：

对电池特征的融合向量中的全部元素使用公式5进行计算后，再对全部元素取倒数，公式如下：

将对应于第i类电池类型的电池特征的权重向量Δk_fuse.i作为层次分析法中电池类型S_i对应的各个储能电池特征的输入；

步骤3：将电池特征的权重向量作为层次分析法中电池特征的初始权重，使用层次分析法计算出在储能平抑风电波动场景下储能电池四种特征的重要性程度，作为电池选型依据；包括如下具体步骤：

步骤3.1：将四类电池类型的权重向量W_B＝(W_B1，W_B2，W_B3，W_B4)输入层次分析法中，依照此权重向量生成判断矩阵A，具体生成公式如下：

将步骤2中使用SOM以及计算得出的对应于第i类储能电池类型的储能电池特征的权重向量Δk_fuse.i作为层次分析法中的输入向量，每一类电池类型S_i对应的权重向量Δk_fuse.i均使用公式8进行计算，四类电池类型共得到四个判断矩阵Y₁,Y₂,Y₃,Y₄；其生成公式如下：

步骤3.2得到电池类型的判断矩阵A以及对应第i种电池类型的四种电池特征的判断矩阵Y_i后，检验A矩阵以及Y₁，Y₂，Y₃，Y₄共五个判断矩阵是否满足一致性要求；包括如下具体步骤：

步骤3.2.1：对A矩阵以及Y₁，Y₂，Y₃，Y₄共五个判断矩阵分别计算其特征向量以及最大特征根，对判断矩阵A，将其最大特征根记为λ_{A max}，而对应于其最大特征根λ_{A max}的最大特征向量记为M_{λA max}，对判断矩阵Y_i，将其最大特征根记为λ_i，而对应于第i个电池类型的电池特征的权重向量k_fuse，i的最大特征向量记为M_i；

步骤3.2.2：对A矩阵以及Y₁,Y₂,Y₃,Y₄矩阵进行一致性校验，此处以A矩阵为例说明一致性校验计算步骤；

步骤3.2.2.1：计算一致性指标CI；CI使用如下公式计算：

公式中，λ_{A max}为对应判断矩阵A的最大特征根，n为判断矩阵A的维度，此处n＝4；

步骤3.2.2.2：依靠专家的先验知识总结得出表格，通过查表可以确定随机一致性指标RI；

随机一致性指标数值表格

n	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

步骤3.2.2.3：设定一致性比率CR，一致性比率CR使用如下公式进行计算：

若一致性比率小于0.1，则说明A矩阵以及Y₁，Y₂，Y₃，Y₄五个矩阵通过一致性校验，可以继续进行以下步骤；

步骤3.3：由Y₁，Y₂，Y₃，Y₄四个判断矩阵所计算得出的对应于各自最大特征根λ₁，λ₂，λ₃，λ₄的特征向量M₁，M₂，M₃，M₄，使用这四个特征向量组成一个特征矩阵G_combo，计算公式如下：

G_combo＝(M₁,M₂,M₃,M₄)，

使用特征矩阵M_combo与对应A矩阵最大特征根λ_{A max}的特征向量M_{λA max}计算得到重要性权重向量E＝(e₁，e₂，e₃，e₄)。E矩阵的计算使用如下公式计算：

E＝G_COMBO×M_{λA max}，

其中，e₁即代表第一种电池特征的权重，此权重的大小代表在储能平抑风电波动的应用场景下，第一种电池特征的重要程度，权重最大到最小代表此种特征对储能平抑风电波动工况的重要性由大到小；

步骤4：根据储能平抑风电波动场景下储能电池四种特征的权重，对此种场景下使用的电池进行选型；权重越大的电池特征，说明其再储能平抑风电波动场景下的重要性越大；因此，选择权重最大的电池特征以及其次的电池特征均比较优异的电池类型。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (3)

1.一种面向储能平抑风电波动场景的储能电池选型方法，其特征在于，包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，…，N，在储能平抑风电波动场景下，基于当前N种类型储能电池数据，计算每个类型储能电池各自的使用数量在N类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用SOM自组织映射算法，将第i类型储能电池的样本集中的样本特征进行融合，得到第i类储能电池类型样本特征的融合向量，并根据第i类储能电池类型的样本特征的融合向量计算出第i类储能电池类型对应的各个储能电池特征的权重；

步骤3：将第i类储能电池类型的电池特征的权重向量作为层次分析法中电池特征的输入向量，使用层次分析法计算出在储能平抑风电波动场景下的储能电池四种特征的重要性权重，作为电池选型的依据；

步骤4：根据步骤3之中计算得出的储能平抑风电波动场景下的储能电池特征重要性权重，对储能平抑风电波动场景下所使用的储能电池类型进行筛选，以获得更高经济效益以及运行稳定性。

2.根据权利要求1所述一种面向储能平抑风电波动场景的储能电池选型方法，其特征在于，包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，…，N，在储能平抑风电波动场景下，基于当前N种类型储能电池数据，计算每个类型储能电池各自的使用数量在N类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用SOM自组织映射算法，将第i类型储能电池的样本集中的样本特征进行融合，得到第i类储能电池类型样本特征的融合向量，并根据第i类储能电池类型的样本特征的融合向量计算出第i类储能电池类型对应的各个储能电池特征的权重；包括如下具体步骤：

步骤2.1：建立SOM神经网络模型，设定输入神经元为m个，输出神经元为Q个，为全部输出神经元赋予较小的初始权值向量，设定初始优胜邻域半径为R(0)，设定初始学习率为α(0)，设定迭代停止条件阈值F；

步骤2.2：使用不同类型储能电池的特征的样本集作为神经网络的输入向量，初始化全部输入向量与输出神经元初始权重向量；

步骤2.3：对于优胜神经元及其邻域神经元，使用公式计算并增益优胜神经元及其邻域神经元，使其对输入神经元的输入向量的欧氏距离缩短；

步骤2.4：不断重复上述迭代，直到学习率α(T)小于阈值F，停止迭代，得到对应于第i类储能电池类型的电池特征融合向量；

步骤2.5：计算电池特征的融合向量中各个特征对于电池特征的额定数据的误差并且取倒数，得到电池特征的权重向量，以电池特征的权重向量作为层次分析法的输入向量；

步骤3：将第i类储能电池类型的电池特征的权重向量作为层次分析法中电池特征的输入向量，使用层次分析法计算出在储能平抑风电波动场景下的储能电池四种特征的重要性权重，作为电池选型的依据；包括如下步骤：

步骤3.1：将四类电池类型对应的权重输入，依照此权重生成判断矩阵。将步骤2中使用SOM得出的四个电池特征的权重向量分别作为第i类储能电池类型的储能电池特征的输入向量，分别生成一个判断矩阵；

步骤3.2：得到电池类型的判断矩阵以及对应N种储能电池类型的四种储能电池特征的判断矩阵后，检验上述N+1个矩阵是否满足一致性要求，满足一致性要求则继续计算。

步骤3.3：根据N个不同电池类型所得出的N个矩阵的特征向量组合成一个特征矩阵，使用此特征矩阵与不同电池类型对应的权重计算，得到在储能平抑风电波动场景下的储能电池特征重要性权重；

步骤4：根据步骤3之中计算得出的储能平抑风电波动场景下的储能电池特征重要性权重，对储能平抑风电波动场景下所使用的储能电池类型进行筛选，以获得更高经济效益以及运行稳定性。

3.根据权利要求2所述一种面向储能平抑风电波动场景的储能电池选型方法，其特征在于，包括如下步骤：

步骤1：设定储能电池类型S_i，i＝1，2，3，4，分别代表在储能平抑风电波动场景下，磷酸铁锂电池、三元锂电池、钛酸锂电池、全钒液流电池；基于当前四种类型储能电池数据，计算每个类型储能电池各自的使用数量在四类储能电池总使用数量中的占比，同时将占比作为权重W_Bi，其中W_Bi代表S_i类型储能电池的权重；对运行中每个类型电池m个时刻的四类参数分别进行抽样，得到四个参数的四个m长度的抽样序列后，组成m个子样本，每一个子样本包括同一时刻的四个参数的抽样值，组成S_i类型电池的电池特征的样本集K_i，K_i＝(k_i1，k_i2，…k_im)，使用k_ij代表样本集K_i中第j个样本，k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，p_ij1至p_ij4分别代表此电池样本的四种特征的大小；

步骤2：使用步骤1中采集到的样本集K_i作为SOM自组织映射的输入样本集，使用SOM自组织映射对样本集进行融合，得到一个融合向量k_fuse，i＝(p_fuse，i1，p_fuse，i2，p_fuse，i3，p_fuse，i4)；包括如下具体步骤：

步骤2.1：设定SOM输出层神经元n_out，q，n_out，q代表第q个输出神经元，使用W_q ^T＝(W_q1 ^T，W_q2 ^T，W_q3 ^T，W_q4 ^T)代表第q个输出神经元的第T次迭代的权重向量，并设定输出神经元的权重向量初始值W_q ⁰＝(W_q1 ⁰，W_q2 ⁰，W_q3 ⁰，W_q4 ⁰)；设定初始优胜邻域半径R(0)，设定初始学习率α(0)以及阈值F；建立SOM神经网络，输入层设定m个输入神经元n_putin，j,输出层设定Q个输出神经元n_out，q；

步骤2.2：将第i个样本集Ki作为SOM模型的输入；每一个输入层神经元n_putin，j输入一个子样本k_ij＝(p_ij1，p_ij2，p_ij3，p_ij4)，并且对全部输入神经元的输入向量k_ij以及输出神经元权重W_q ^T进行归一化，以某一输出神经元权重向量W_q ^T计算公式：

从j＝1起始，计算第j个输入神经元n_putin，j与每一个输出神经元权重向量W_q ^T的欧氏距离，此处欧氏距离计算公式：

公式中，L_jq ^T代表第j个输入神经元与第q个输出神经元之间的欧氏距离；

对于一个输入神经元来说，将其与所有的输出神经元进行欧氏距离的计算之后，得到了Q个欧氏距离，选出其中最小的欧氏距离，此欧氏距离对应的输出神经元称为第T次迭代的优胜神经元；

步骤2.3：对于优胜神经元，在其一定范围内的圆形区域称为优胜邻域，在优胜邻域内的神经元受到一次增益，使其在空间距离上更加靠近第j个输入神经元的输入向量；此增益的效果从优胜神经元向外部神经元逐渐减弱，计算公式如下：

W_q ^T+1＝W_q ^T ₊η(T,LENTH)[k_ij-W_q ^T]，

公式中，W_q ^T+1为增益过后的输出神经元的权值向量，作为第T+1次第q个输出神经元的权值向量，η(T,LENTH)为学习率，是一个关于迭代次数T以及优胜神经元与第q个输出神经元之间距离LENTH的函数，且随着迭代次数T的增加而不断减小，k_ij-W_q ^T为本次进行运算的输入神经元输入向量k_ij与第q个输出神经元权重向量的差向量；

步骤2.4：每一个输入神经元n_putin，j进行一次步骤2.2与步骤2.3的计算过程并对获胜的输出经神元及其邻域神经元进行一次权重调整。全部输入神经元完成上述计算后为一次迭代；不断重复迭代过程直到学习率α(T)低于阈值F，结束迭代，完成第i个样本集K_i的数据融合，在输出层得到一个融合后的融合向量k_fuse，i＝(p_fuse，i1，p_fuse，i2，p_fuse，i3，p_fuse，i4)；对四个电池类型S_i的样本集K_i分别使用SOM模型进行特征融合，得到四个电池特征的融合向量k_fuse，1，k_fuse，2，k_fuse，3，k_fuse，4；

步骤2.5：对于第i类储能电池类型S_i，采集其出厂时四种电池特征的额定数据N_i1，N_i2，N_i3，N_i4，即第i个电池类型对应的电池特征的额定数据；第i种电池类型的第一种电池特征的额定数据N_i1对融合向量k_fuse，i中的每个元素计算公式如下：

对电池特征的融合向量中的全部元素使用公式5进行计算后，再对全部元素取倒数，公式如下：

将对应于第i类电池类型的电池特征的权重向量Δk_fuse.i作为层次分析法中电池类型S_i对应的各个储能电池特征的输入；

步骤3：将电池特征的权重向量作为层次分析法中电池特征的初始权重，使用层次分析法计算出在储能平抑风电波动场景下储能电池四种特征的重要性程度，作为电池选型依据；包括如下具体步骤：

步骤3.1：将四类电池类型的权重向量W_B＝(W_B1，W_B2，W_B3，W_B4)输入层次分析法中，依照此权重向量生成判断矩阵A，具体生成公式如下：

将步骤2中使用SOM以及计算得出的对应于第i类储能电池类型的储能电池特征的权重向量Δk_fuse.i作为层次分析法中的输入向量，每一类电池类型S_i对应的权重向量Δk_fuse.i均使用公式8进行计算，四类电池类型共得到四个判断矩阵Y₁,Y₂,Y₃,Y₄；其生成公式如下：

步骤3.2得到电池类型的判断矩阵A以及对应第i种电池类型的四种电池特征的判断矩阵Y_i后，检验A矩阵以及Y₁，Y₂，Y₃，Y₄共五个判断矩阵是否满足一致性要求；包括如下具体步骤：

步骤3.2.1：对A矩阵以及Y₁，Y₂，Y₃，Y₄共五个判断矩阵分别计算其特征向量以及最大特征根，对判断矩阵A，将其最大特征根记为λ_Amax，而对应于其最大特征根λ_Amax的最大特征向量记为M_λAmax，对判断矩阵Y_i，将其最大特征根记为λ_i，而对应于第i个电池类型的电池特征的权重向量k_fuse，i的最大特征向量记为M_i；

步骤3.2.2：对A矩阵以及Y₁,Y₂,Y₃,Y₄矩阵进行一致性校验，此处以A矩阵为例说明一致性校验计算步骤；

步骤3.2.2.1：计算一致性指标CI；CI使用如下公式计算：

公式中，λ_Amax为对应判断矩阵A的最大特征根，n为判断矩阵A的维度，此处n＝4；

步骤3.2.2.2：依靠专家的先验知识总结得出表格，通过查表可以确定随机一致性指标RI；

随机一致性指标数值表格

n 1 2 3 4 5 6 7 8 9 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45

步骤3.2.2.3：设定一致性比率CR，一致性比率CR使用如下公式进行计算：

若一致性比率小于0.1，则说明A矩阵以及Y₁，Y₂，Y₃，Y₄五个矩阵通过一致性校验，可以继续进行以下步骤；

步骤3.3：由Y₁，Y₂，Y₃，Y₄四个判断矩阵所计算得出的对应于各自最大特征根λ₁，λ₂，λ₃，λ₄的特征向量M₁，M₂，M₃，M₄，使用这四个特征向量组成一个特征矩阵G_combo，计算公式如下：

G_combo＝(M₁,M₂,M₃,M₄)，

使用特征矩阵M_combo与对应A矩阵最大特征根λ_Amax的特征向量M_λAmax计算得到重要性权重向量E＝(e₁，e₂，e₃，e₄)。E矩阵的计算使用如下公式计算：

E＝G_COMBO×M_λAmax，

其中，e₁即代表第一种电池特征的权重，此权重的大小代表在储能平抑风电波动的应用场景下，第一种电池特征的重要程度，权重最大到最小代表此种特征对储能平抑风电波动工况的重要性由大到小；

步骤4：根据储能平抑风电波动场景下储能电池四种特征的权重，对此种场景下使用的电池进行选型；权重越大的电池特征，说明其再储能平抑风电波动场景下的重要性越大；因此，选择权重最大的电池特征以及其次的电池特征均比较优异的电池类型。

Images