CN112712281A - 一种基于云模型的储能工况适应性综合评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于云模型的储能工况适应性综合评估方法及系统，该方法通过构建储能系统综合评价指标域和标准域，利用熵权法计算各个储能系统综合评价指标的权重矩阵，基于云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立指标域和标准域的模糊关系矩阵；根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统综合评价指标域中的决策指标值在标准域中每个评估级别中的正态云模型隶属度矩阵；通过计算标准域上的模糊子集，得出各个储能系统工况适应性的综合评分。该方法利用云模型理论对待选型储能系统进行综合评价，得到特定工况下的储能系统最佳选型方案，本发明同样适用于不同应用场景下的储能工况适应性综合评估。

Description

一种基于云模型的储能工况适应性综合评估方法及系统

技术领域

本发明涉及储能技术领域，更具体地说，特别涉及一种基于云模型的储能工况适应性综合评估方法及系统。

背景技术

目前，储能在能源体系变革及能源互联网建设中占据重要地位，是未来提升电力系统灵活性、经济性和安全性，解决新能源消纳的重要手段，也是促进能源生产消费开放共享、灵活交易，实现多能协同的核心要素。储能技术在调峰调频、电网备用电源和可再生能源消纳等领域中得到了广泛应用，由于储能种类繁多，各种储能技术的技术性能在功率等级、连续放电时间、能量转换效率、循环寿命、功率能量密度和成本等方面存在较大差异。同时储能技术的应用场景复杂多样，不同的应用场景对储能技术的要求亦不相同。

在对储能过程进行分析时，为了确定研究对象而划出的部分物体或空间范围，称为储能系统。它包括能量和物质的输入和输出、能量的转换和储存设备。储能系统往往涉及多种能量、多种设备、多种物质、多个过程，是随时间变化的复杂能量系统，需要多项指标来描述它的性能。

因此，储能工况适应性评估作为储能规划的重要环节，对推动储能系统辅助电网服务具有重要的现实意义。

目前，尚缺乏不同应用场景下储能工况适应性综合评估的理论体系和方法。因此，如何提供一种储能工况综合评估方法成为同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于云模型的储能工况适应性综合评估方法及系统，该方法在特定储能工况需求基础上，利用云模型理论对待选型储能系统进行综合评价，得到最佳储能选型方案。

第一方面，本发明实施例提供一种基于云模型的储能工况适应性综合评估方法，包括：

步骤1：根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；其中，n为待选储能系统个数，m为评价指标的个数，x_ij为第i个储能系统第j个综合评价指标的取值；

步骤2：构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…m；k＝1,2,3,4)，其中，标准域的每一列k代表评价等级：分别为1-不及格、2-及格、3-良好和4-优秀；

步骤3:利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w₁,w₂,…,w_j}(j＝1,2,…,m)；

步骤4：利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

步骤5：在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

步骤6:计算所述储能系统综合评价指标标准域S上的模糊子集F，得出基于云模型的各个储能系统工况适应性的综合评分。

在一个实施例中，所述步骤3中利用熵权法计算各个储能系统综合评价指标的权重矩阵W，包括：

对储能系统综合评价指标域X进行归一化处理，对数值越大越优的指标归一化计算公式为：

对数值越小越优的指标归一化计算公式为：

第j个综合评价指标信息熵E_j的计算公式：

其中，

由第j个评价指标的熵，得到第j个指标权重w_j为：

在一个实施例中，所述步骤4中建立所述指标域和标准域模糊关系矩阵R的计算过程包括：

假设待评价储能系统综合评价决策指标x_j，j＝1,2,…,m对应的评估级别S_jk的区间为

则待评价指标x_j与对应的评估级别S_jk，由云模型进行定性到定量的转换，云模型的参数表示为：

He＝0.02

其中，

分别为第i个储能系统第j个评价指标评估级别区间的上下限；E_x代表云模型云滴在论域空间的期望；E_n代表熵，表征了云滴分布的不确定性和模糊性；H_e代表熵的不确定性度量，反映了云滴的凝聚程度。

在一个实施例中，所述步骤6中基于云模型的各个储能系统工况适应性的综合评分计算过程包括：

储能系统综合评价指标标准域S上的模糊子集F：

F＝W·Z＝{f₁,f₂,…,f_k}(k＝1,2,3,4)

其中，f_k为储能系统综合评价结果隶属于第k个评价等级的隶属度，同时对k个评价等级进行评分，这里规定第k个评价等级评分为k；

根据模糊子集F计算各个储能系统工况适应性的综合评分：

第二方面，本发明实施例还提供一种基于云模型的储能工况适应性综合评估系统，包括：

构建指标域模块，根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；n为待选储能系统个数，m为评价指标的个数；x_ij为第i个储能系统第j个综合评价指标的取值；

构建标准域模块，用于构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…,m；k＝1,2…,4)，其中，标准域的每一列k代表评价等级：分别为1-不及格、2-及格、3-良好和4-优秀；

第一计算模块，利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w_j}(j＝1,2,…,m)；

建立关系矩阵模块，用于利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

第二计算模块，在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

评估模块，用于计算所述储能系统综合评价指标标准域S上的模糊子集F，得出基于云模型的各个储能系统工况适应性的综合评分。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的一种基于云模型的储能工况适应性综合评估方法：通过构建储能系统综合评价指标域和标准域，利用熵权法计算各个储能系统综合评价指标的权重矩阵，基于云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立指标域和标准域的模糊关系矩阵；根据储能系统综合评价指标域中的决策指标值；运用正向云发生器计算各个储能系统综合评价指标域中的决策指标值，在所述标准域中每个评估级别中的正态云模型隶属度矩阵；通过计算储能系统综合评价指标标准域上的模糊子集，得出基于云模型的各个储能系统工况适应性的综合评分。该方法使用云模型法对待选型储能系统进行评分，得到最佳工况适应性储能系统选择方案；可适用于不同应用场景下对储能工况适应性综合评估。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于云模型的储能工况适应性综合评估方法流程图；

图2为本发明实施例提供的基于云模型的储能工况适应性综合评估系统框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明以磷酸铁锂电池、铅炭电池和胶体电池为例，选取容量单价、功率单价、循环寿命、转换效率、放电深度、运维成本、功率密度和能量密度为综合决策指标，评估这3种储能在电网调峰调频场景下的工况适应性。两种储能的综合决策指标参数如下表：

参照图1所示，本发明实施例提供的一种基于云模型的储能工况适应性综合评估方法，包括：

步骤1：根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；n为待选储能系统个数，m为评价指标的个数，x_ij为第i个储能系统第j个综合评价指标的取值；

步骤2：构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…m；k＝1,2…,4)，标准域的行数代表评估指标的个数m，标准域的每一列代表评估级别：分别为不及格，及格，良好和优秀，对应相应得分1分、2分、3分和4分；

步骤3:利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w₁,w₂,…,w_j}(j＝1,2,…,m)；

步骤4：利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

步骤5：在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

磷酸铁锂电池正态云模型隶属度矩阵为：

铅炭电池正态云模型隶属度矩阵为：

胶体电池正态云模型隶属度矩阵为：

如图1所示，在对储能系统进行评估时，首先确定待选储能系统及综合评价指标，根据储能系统技术性、经济性、安全性和环境性等实际情况，确定是否值得评估，常用的评价指标有储能密度、储能功率、蓄能效率以及储能价格、对环境的影响等，当上述各个性能的效用价值较低时，可能不存在评估的意义。

基于上述步骤1和步骤2，建立储能系统综合评价指标域X＝{x_ij}_n×m；根据专家经验和建议，构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…m；k＝1,2…,4)，标准域的行数代表评估指标的个数m，标准域的每一列代表评估级别：分别为不及格，及格，良好和优秀，对应相应得分1分、2分、3分和4分。

在步骤3中，利用熵权法计算各个储能系统综合评价指标的权重矩阵W，包括：

(1)对储能系统综合评价指标域X进行归一化处理，对数值越大越优的指标归一化计算公式为：

对数值越小越优的指标归一化计算公式为：

对于选取的8个综合评价指标，数值越大越优的评价指标有：循环寿命、转换效率、放电深度、功率密度和能量密度；数值越小越优的评价指标有：容量单价、功率单价和运维成本。归一化结果如下：

(2)第j个综合评价指标信息熵E_j的计算公式：

其中，

计算得到信息熵结果为：

E＝[0.6375,0.6204,0.6375,0.0263,0.0263,0.6204,0.1047,0.2854]

(3)由第j个评价指标的熵，得到第j个指标权重w_j为：

通过计算得到8个综合评价指标权重：

W＝[0.0719,0.0753,0.0719,0.1931,0.1931,0.0753,0.1776,0.1417]

本实施例中，根据指标变异性的大小来确定客观权重。一般来说，若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。

在步骤4中建立指标域和标准域模糊关系矩阵R的计算过程包括：

假设待评价储能系统综合评价决策指标x_j，j＝1,2,…,m对应的评估级别S_jk的区间为

则待评价指标x_j与对应的评估级别S_jk作为一定性概念(例如储能系统自放电率在0％-1％被视为优秀，在1％-5％视为良好，在5％-10％视为合格，在10％-20％视为不合格，但是在实际评价过程中只能根据实际参数得到定性评价等级，无法得到各等级下的隶属度)，由云模型进行定性到定量的转换；云模型的参数表示为：

He＝0.02

在步骤6中基于云模型的各个储能系统工况适应性的综合评分计算过程包括：

储能系统综合评价指标标准域S上的模糊子集F：

F＝W·Z＝{f₁,f₂,…,f_k}(j＝1,2,...,k)

其中，f_k为储能系统综合评价结果隶属于第k个评价等级的隶属度，同时对k个评价等级进行评分，这里规定第k个评价等级评分为k，一般评价等级划分为1-不及格、2-合格、3-良好和4-优秀四个等级。

根据模糊子集F计算各个储能系统工况适应性的综合评分：

得到三种储能系统的工况适应性综合评分为：

得到最佳工况适应性储能系统为磷酸铁锂电池，符合目前储能电站建设主流选型结果，也验证了本评估方法的有效性。

本发明实施例提供的一种基于云模型的储能工况适应性综合评估方法，该方法通过构建储能系统综合评价指标域和标准域，利用熵权法计算各个储能系统综合评价指标的权重矩阵，基于云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立指标域和标准域的模糊关系矩阵；根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统综合评价指标域中的决策指标值在标准域中每个评估级别中的正态云模型隶属度矩阵；通过计算标准域上的模糊子集，得出各个储能系统工况适应性的综合评分。该方法使用云模型法对待选型储能系统进行评分，得到最佳工况适应性储能系统选择方案；可适用于不同应用场景下对储能工况适应性综合评估。

基于同一发明构思，参照图2所示，本发明实施例还提供了一种基于云模型的储能工况适应性综合评估系统，包括：

构建指标域模块21，用于根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；n为待选储能系统个数，m为评价指标的个数；x_ij为第i个储能系统第j个综合评价指标的取值；

构建标准域模块22，用于构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…,m；k＝1,2…,4)，其中，标准域的每一列k代表评价等级：分别为1-不及格、2-及格、3-良好和4-优秀；

第一计算模块23，用于利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w_j}(j＝1,2,…,m)；

建立关系矩阵模块24，用于利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

第二计算模块25，用于在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；n为待选储能系统个数，m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

评估模块26，用于计算所述储能系统综合评价指标标准域S上的模糊子集F，得出基于云模型的各个储能系统工况适应性的综合评分。

在一个实施例中，第一计算模块23中利用熵权法计算各个储能系统综合评价指标的权重矩阵W，包括：

(1)对储能系统综合评价指标域X进行归一化处理，对数值越大越优的指标归一化计算公式为：

对数值越小越优的指标归一化计算公式为：

(2)第j个综合评价指标信息熵E_j的计算公式：

其中，

(3)由第j个评价指标的熵，得到第j个指标权重w_j为：

在一个实施例中，建立关系矩阵模块24中建立指标域和标准域模糊关系矩阵R的计算过程包括：

假设待评价储能系统综合评价决策指标x_j，j＝1,2,…,m对应的评估级别S_jk的区间为

则待评价指标x_j与对应的评估级别S_jk，由云模型进行定性到定量的转换；云模型的参数表示为：

He＝0.02

其中，

分别为第i个储能系统第j个评价指标评估级别区间的上下限；E_x代表云模型云滴在论域空间的期望；E_n代表熵，表征了云滴分布的不确定性和模糊性；H_e代表熵的不确定性度量，反映了云滴的凝聚程度。

在一个实施例中，评估模块26中基于云模型的各个储能系统工况适应性的综合评分计算过程包括：

储能系统综合评价指标标准域S上的模糊子集F：

F＝W·Z＝{f₁,f₂,…,f_k}(k＝1,2,3,4)

其中，f_k为储能系统综合评价结果隶属于第k个评价等级的隶属度，同时对k个评价等级进行评分，这里规定第k个评价等级评分为k，一般评价等级划分为1-不及格、2-合格、3-良好和4-优秀四个等级；

根据模糊子集F计算各个储能系统工况适应性的综合评分：

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于云模型的储能工况适应性综合评估方法，其特征在于，包括：

步骤1：根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；其中，n为待选储能系统个数；m为评价指标的个数；x_ij为第i个储能系统第j个综合评价指标的取值；

步骤2：构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…m；k＝1,2,3,4)，其中，标准域的每一列k代表评价等级：分别为1-不及格、2-及格、3-良好和4-优秀；

步骤3:利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w₁,w₂,…,w_j}(j＝1,2,…,m)；

步骤4：利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

步骤5：在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

步骤6:计算所述储能系统综合评价指标标准域S上的模糊子集F，得出基于云模型的各个储能系统工况适应性的综合评分。

2.如权利要求1所述的一种基于云模型的储能工况适应性综合评估方法，其特征在于，所述步骤3中利用熵权法计算各个储能系统综合评价指标的权重矩阵W，包括：

对储能系统综合评价指标域X进行归一化处理，对数值越大越优的指标归一化计算公式为：

对数值越小越优的指标归一化计算公式为：

第j个综合评价指标信息熵E_j的计算公式：

其中，

由第j个评价指标的熵计算得到第j个指标权重w_j为：

3.如权利要求2所述的一种基于云模型的储能工况适应性综合评估方法，其特征在于，所述步骤4中建立所述指标域和标准域模糊关系矩阵R的计算过程包括：

假设待评价储能系统综合评价决策指标x_j，j＝1,2,…,m对应的评估级别S_jk的区间为

则待评价指标x_j与对应的评估级别S_jk，由云模型进行定性到定量的转换，云模型的参数表示为：

He＝0.02

其中，

分别为第i个储能系统第j个评价指标评估级别区间的上下限；E_x代表云模型云滴在论域空间的期望；E_n代表熵，表征了云滴分布的不确定性和模糊性；H_e代表熵的不确定性度量，反映了云滴的凝聚程度。

4.如权利要求3所述的一种基于云模型的储能工况适应性综合评估方法，其特征在于，所述步骤6中基于云模型的各个储能系统工况适应性的综合评分计算过程包括：

储能系统综合评价指标标准域S上的模糊子集F：

F＝W·Z＝{f₁,f₂,…,f_k}(k＝1,2,3,4)

其中，f_k为储能系统综合评价结果隶属于第k个评价等级的隶属度，同时对k个评价等级进行评分，这里规定第k个评价等级评分为k；

根据模糊子集F计算各个储能系统工况适应性的综合评分：

5.一种基于云模型的储能工况适应性综合评估系统，其特征在于，包括：

构建指标域模块，根据储能系统需求，建立储能系统综合评价指标域X＝{x_ij}_n×m；n为待选储能系统个数，m为评价指标的个数；x_ij为第i个储能系统第j个综合评价指标的取值；

构建标准域模块，用于构建储能系统综合评价指标标准域S＝(S_jk)(j＝1,2,…,m；k＝1,2…,4)，其中，标准域的每一列k代表评价等级：分别为1-不及格、2-及格、3-良好和4-优秀；

第一计算模块，利用熵权法计算各个储能系统综合评价指标的权重矩阵W＝{w_j}(j＝1,2,…,m)；

建立关系矩阵模块，用于利用云模型理论对储能系统进行综合评价，确定正态云模型的基本参数，建立所述指标域和标准域的模糊关系矩阵R；

第二计算模块，在确定云模型参数后，根据储能系统综合评价指标域中的决策指标值，运用正向云发生器计算各个储能系统决策指标在所述标准域中每个评价等级的正态云模型隶属度矩阵Z＝{z_jk}_m×4(j＝1,2,...,m；k＝1,2,3,4)；m为评价指标的个数；k为评价等级，分别为不及格、及格、良好和优秀；

评估模块，用于计算所述储能系统综合评价指标标准域S上的模糊子集F，得出基于云模型的各个储能系统工况适应性的综合评分。

Images