CN114429303A - 海岛风浪互补电站小尺度选址决策方法 - Google Patents
海岛风浪互补电站小尺度选址决策方法 Download PDFInfo
- Publication number
- CN114429303A CN114429303A CN202210092411.2A CN202210092411A CN114429303A CN 114429303 A CN114429303 A CN 114429303A CN 202210092411 A CN202210092411 A CN 202210092411A CN 114429303 A CN114429303 A CN 114429303A
- Authority
- CN
- China
- Prior art keywords
- index
- weight
- island
- wave
- power station
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 134
- 230000000295 complement effect Effects 0.000 title claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000011161 development Methods 0.000 claims description 29
- 238000010248 power generation Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 5
- 235000017491 Bambusa tulda Nutrition 0.000 description 5
- 241001330002 Bambuseae Species 0.000 description 5
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 5
- 239000011425 bamboo Substances 0.000 description 5
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种海岛风浪互补电站小尺度选址决策方法，包括以下步骤：构建海岛风浪互补电站选址决策模型，模型评价指标包括一级指标，各一级指标进一步包括若干二级指标；基于评价指标的规范化结果，对海岛风浪互补电站选址决策模型进行求解；求解过程，将集体决策理论引入特征向量法计算一级指标的权重，采用熵值法计算二级指标的权重；采用组合权重法求解一级指标权重、二级指标权重的组合权重；并采用接近理想点法与灰色关联分析相结合的方法计算贴近度，基于贴近度对备选方案进行选址排序；优先选择贴近度高的备选方案建设海岛风浪互补电站。本发明建立了科学、完善的海岛风浪互补电站选址决策评价指标体系及模型求解算法，能够为海岛风浪互补电站选址提供直接依据。
Description
技术领域
本发明涉及波浪能发电技术领域，尤其涉及一种海岛风浪互补电站小尺度选址决策方法。
背景技术
为推动海岛经济发展，发挥海岛的战略地位，需要通过海洋能发电解决海岛的供电问题。海岛风浪互补发电需要考虑选址问题，选址决定了风浪互补发电的效率。
目前对海岛风浪互补电站选址决策的研究存在以下问题：
(1)海岛海洋能开发存在能流密度偏低、单一海洋能发电装置发电效率低、可靠性差等问题，而风能与波浪能互补在可靠性、安全性、经济性和环境效益等方面表现优异，因此风浪互补成为海岛海洋能开发利用的重要发展方向。目前针对海岛风浪互补的相关研究仍然是空白，缺乏全面、科学的海岛风浪互补电站选址决策模型。
(2)已有风浪互补电站选址或风、浪单一能源电站选址主要集中在大尺度选址，即基于地理信息系统或地理信息系统与多准则决策结合得到适宜性区划。适宜性区划将可开发区域分为若干等级，并不能直接服务于最优站址确定，不适用于海岛风浪互补电站选址决策的情形。
(3)在选址决策方面：目前电站选址的评价指标权重计算大多采用特征向量法，主要依靠专家的主观判断确定判断矩阵，难以避免主观偏差，影响权重及最终计算结果的客观性及鲁棒性；方案排序算法多采用简单加权法，因为其计算过程简单，可直接应用地理信息系统工具进行求解，但其数学模型不够清晰。有研究引入数学意义明确的接近理想点法，但经典的接近理想点方法只考虑到最佳和最差理想点的距离，而忽略了其他维度，仍存在一定的局限性，需要进一步完善；选址决策受到很多因素影响，为检验计算结果的鲁棒性并验证决策方法的可行性和科学性，需要进一步对计算结果进行敏感性分析。
发明内容
本发明的目的在于解决以上技术问题之一，提供一种海岛风浪互补电站小尺度选址决策方法。
为实现上述目的，本发明采用的技术方案是：
一种海岛风浪互补电站小尺度选址决策方法，包括以下步骤：
建模步骤：构建海岛风浪能互补电站选址决策模型，所述模型包括评价指标集，所述评价指标包括一级指标：资源条件指标、自然条件指标、经济因素指标、社会因素指标；各一级指标进一步包括若干二级指标；
选址求解步骤：基于评价指标的规范化结果，对海岛风浪能互补电站选址决策模型进行求解；求解过程，将集体决策理论引入特征向量法计算一级指标的权重，采用熵值法计算二级指标的权重；采用组合权重法求解一级指标权重、二级指标权重的组合权重；并采用接近理想点法与灰色关联分析相结合的方法计算贴近度，基于贴近度对备选方案进行选址排序；
优先选择贴近度高的备选方案，建设海岛风浪互补电站。
本发明一些实施例中，计算一级指标权重的方法包括：
S211:构造判断矩阵：
B＝(bij)n×n
其中：bij为一级评价指标bi对一级评价指标bj的相对重要性；
S212：计算判断矩阵的最大特征值及其相应的特征向量：
Bw＝λmax
其中，λmax为判断矩阵B的最大特征值，w为对应最大特征值的特征向量，归一化后对应为各指标权重；
S213：设有L个专家，组成专家集E＝{E1,E2,…,EL}，每个专家的权重分别为{e1,e2,…,el}；对于每个专家EL，分别求解的评价指标权重为{w1,w2,...,wl}；计算集体决策后的评价指标权重：
其中：wil表示第l个专家求得的第i个指标的权重，el表示第l个专家的权重，
表示wil的el次幂。
本发明一些实施例中，计算一级指标权重的过程中，计算出判断矩阵的最大特征值后，进一步对判断矩阵进行一致性检验；
其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标，可给定；判断CR是否小于0.1，若是，则判断矩阵满足一致性要求，若否，则判断矩阵不满足一致性要求，需要重新构建判断矩阵。
本发明一些实施例中，计算二级指标权重的方法包括：
S221:计算第i个方案中第j个指标的比重；
其中：pij为第i个方案中第j个指标的比重，
为第i个方案中第j个指标规范化后的属性值，n为指标数量，m为方案数量；
S222:计算第j个评价指标的熵值：
其中，Ej为第j个评价指标的熵值，K为系数；
S223:计算第j个评价指标的权重：
其中，wj为第j个评价指标的权重。
本发明一些实施例中，计算组合权重的方法包括：
w′cij＝wci×wcij
其中，w′cij为指标的组合权重，wci为一级指标权重，wcij为二级指标权重。
本发明一些实施例中，计算贴近度及方案排序的方法包括:
S31：计算加权归一化决策矩阵：
其中：vij为第i个方案中第j个指标的加权归一化指标值，
为第i个方案中第j个指标规范化后的属性值，n为指标数量，m为方案数量；
S32:确定正理想解(A+)和负理想解(A-)
其中：J为效益型指标集，J′为成本型指标集，
为第n个方案的所有加权归一化后的指标的最优值，
为第n个方案的所有加权归一化后的指标的最差值；
S33：计算每个方案到正理想解和负理想解的欧氏距离
和
其中：
为加权归一化后的第j个指标的最优值，
为加权归一化后的第j个指标的最差值，m为方案数量，
S34：计算第i个方案与正理想解相对于第j个指标的灰色关联系数：
其中，ρ为分辨系数，R+为正理想解的灰色关联系数矩阵；
计算第i个方案与负理想解相对于第j个指标的灰色关联系数：
S35：计算正理想解的灰色关联度：
计算负理想解的灰色关联度：
S36：计算方案的贴近度：
对欧式距离和灰色关联度进行规范化处理：
其中，
为正理想解的欧氏距离的规范化值；
为负理想解的欧氏距离的规范化值；
为正理想解的灰色关联度的规范化值；
为负理想解的灰色关联度的规范化值；将规范化处理后的欧氏距离和灰色关联度合并：
将归一化后处理后欧氏距离和灰色关联度合并：
其中：α为备选方案和理想方案相似度计算中位置权重和β为备选方案和理想方案相似度计算中形状的权重；
为合并欧氏距离和灰色关联度后的正理想解的值；
为合并欧氏距离和灰色关联度后的负理想解的值；
S37：计算贴近度：
对Zi排序，优选Zi较大的方案作为优选方案。
本发明一些实施例中，规范化处理方法包括以下步骤：
将评价指标分为效益型指标和成本型指标，对指标进行向量规范化处理；
对效益型指标：
对成本型指标：
式中，xij为第i个方案中第j个指标的属性值，
为第i个方案中第j个指标规范化后的属性值；
采用规范化处理后的指标进行选址求解。
本发明一些实施例中，所述自资源条件指标的二级指标包括：
年平均波功率密度：用于衡量波浪能潜在开发能力；
年平均有效波高：用于衡量波浪能潜在开发能力；
年有效波浪小时数：用于衡量海岛风浪能发电装置的可运行时间；
年平均风速：用于衡量海岛风能潜在开发能力；
年平均风功率密度：用于衡量海岛风能潜在开发能力；
年有效风小时数：用于衡量海岛风浪能发电装置的可运行时间；
所述年平均波功率密度为：
其中，Pwave为波功率密度，ρ为海水密度，HS为有效波高，g为重力加速度，TE为能量周期；
所述年平均风功率密度为：
其中，Pwind为风功率密度；ρ为空气密度；n为设定时段内对风速的记录数；vi为第i次记录的风速。
本发明一些实施例中，进一步包括模型验证步骤：
将所有一级指标权重设定为相等，保留原计算获得的二级权重；
或，
保留原计算获得的一级权重指标，将所有二级权重指标设定为相等；
或，
将所有一级指标权重、二级指标权重均设定为相等；
重新计算海岛风浪能互补电站场址开发序列，与原计算获得的海岛风浪能互补电站场址开发序列比较。
本发明一些实施例中，自然条件指标的二级指标包括水深、海底地质、海岸侵蚀和地质灾害；
经济因素指标的二级指标包括总成本和服务人口数；
社会因素指标的二级指标包括交通条件、政策鼓励和电力需求与供给匹配程度。
本发明提供的海岛风浪互补电站小尺度选址决策方法，其有益效果在于：
(1)构建了适用于海岛的风浪互补电站小尺度选址决策模型，建立海岛风浪互补电站选址决策模型评价指标集，考虑了资源、自然、经济、社会等多个方面的因素，建立了科学、完善的海岛风浪互补电站选址决策评价指标体系，能够解决海岛风浪互补电站选址评价指标研究刚刚起步尚不够完善的问题，为海岛风浪互补电站选址提供直接依据。
(2)建立了海岛风浪互补电站小尺度选址决策模型求解算法体系，包括数指标赋权算法和方案评价算法，该方法体系避免了专家判断的主观偏差，使计算结果更趋于客观，将接近理想点法和灰色关联分析法结合引入海岛风浪互补电站选址领域，克服了接近理想点法不能体现数据序列的动态变化的缺点，为海岛风浪互补电站选址决策提供理论支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为海岛风浪互补电站小尺度选址决策方法流程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，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。
一种海岛风浪互补电站小尺度选址决策方法，包括以下步骤。
S1：建模步骤：构建各备选方案的海岛风浪能互补电站选址决策模型，所述模型包括评价指标集，所述评价指标包括一级指标：资源条件指标、自然条件指标、经济因素指标、社会因素指标；各一级指标进一步包括若干二级指标。
(1)资源条件指标
资源条件指标是反映资源丰富程度及可开发程度的重要指标。
海岛风浪能发电所需的资源主要是风能和波浪能，因此，本发明根据风能、波浪能资源评估方法，建立资源条件二级指标集，具体包括：
年平均波功率密度：用于衡量波浪能潜在开发能力；
年平均有效波高：用于衡量波浪能潜在开发能力；
年有效波浪小时数：用于衡量海岛风浪能发电装置的可运行时间；
年平均风速：用于衡量海岛风能潜在开发能力；
年平均风功率密度：用于衡量海岛风能潜在开发能力；
年有效风小时数：用于衡量海岛风浪能发电装置的可运行时间；
所述年平均波功率密度为：
式中，Pwave为波功率密度(kW/m)；ρ为海水密度，取1025kg/m3；HS为有效波高(m)；g为重力加速度，取9.798m/s2；TE为能量周期(s)。
所述年平均风功率密度为：
式中，Pwind为风功率密度(W/m2)；ρ为空气密度(kg/m3)；n为设定时段内的记录数；vi为第i次记录的风速。
以上计算过程中所用数据：功率密度和波高的原始数据拟通过SWAN计算模型得到，模型的输入为实际水深、风场等条件；年平均风功率密度和年平均风速计算所需的风场数据来源于欧洲中期天气预报中心(ECMWF)。
(2)自然条件指标
自然条件的优劣会对海岛风浪互补电站的建造难度、投资效益、运营风险等产生直接影响。
自然条件指标的二级指标包括水深、海底地质、海岸侵蚀和地质灾害。水深在一定程度上会限制风能、波浪能发电装置的类型和规模，同时会影响海底电缆布置的成本和安装工艺。海底地质影响着安装发电装置和海底电缆的方式。在海岸侵蚀严重的地区安装风能、波浪能发电设备，将增加建设难度，降低发电的稳定性。地质灾害是指岛屿周围发生地质灾害的频率，地质灾害频发地区不宜建设风浪互补电站。
(3)经济因素指标
经济因素指标影响海岛风浪互补电站的建造和运营成本，建立的二级指标包括总成本和服务人口数。总成本旨在衡量海岛风浪互补独立电站建设的资金投入，包括电站的建设、运行和维护等费用。服务人口数是指被风浪互补发电厂服务的岛屿人口数量。它反映了潜在能源消费者的数量，服务的岛屿人口数量越多，该海岛建设电站的需求程度越大。
(4)社会因素指标
社会因素指标的二级指标包括交通条件、政策鼓励和电力需求与供给匹配程度。交通条件指航运条件及岛上交通状况，影响电站的安装和运维。政策鼓励反映了当地相关政策对海岛的支持程度。电力需求与供给匹配程度可以根据当地人口、当前电力情况以及基础设施建设情况确定，反映了建设电站的紧迫程度。
更进一步的，考虑到海岛风浪互补电站小尺度选址决策模型的评价指标具有定性与定量混杂、量纲不一致、指标值导向不一致等问题，直接采用指标进行计算容易造成结果不准确。
为解决以上问题，本发明一些实施例中，在进行方案排序之前，需对指标体系进行规范化处理。根据评价指标的导向不同，可以将其分为效益型指标和成本型指标，例如：本发明选取的指标中效益型指标包括：年平均波功率密度、年平均有效波高、年有效波浪小时数、年平均风速、年平均风功率密度、年有效风小时数、海底地质、服务人口数、交通条件、政策鼓励；成本型指标包括：水深、海岸侵蚀、地质灾害、总成本、电力需求与供给匹配。通过1-9打分法实现定性指标的定量化和无量纲化。向量规范化法经验证是接近理想点法最适合的规范化方法，因此采用向量规范化法实现指标体系的规范化，如公式(3)和公式(4)所示。
对于效益型指标：
对于成本型指标：
以上两式中，xij为第i个方案中第j个指标的属性值，
为第i个方案中第j个指标规范化后的属性值，n为指标的总数指标的总个数。
S2：选址求解步骤：基于评价指标的规范化结果，对海岛风浪互补电站选址决策模型进行求解；求解过程，将集体决策理论引入特征向量法计算一级指标的权重，采用熵值法计算二级指标的权重；采用组合权重法求解一级指标权重、二级指标权重的组合权重；并基于组合权重采用接近理想点法与灰色关联分析相结合的方法计算贴近度，基于贴近度对备选方案进行选址排序。
优先选择贴近度高的备选方案，建设海岛风浪互补电站。
风浪互补电站决策方案的步骤包括权重计算。现有技术中，权重求解的方法通常包括主观赋权法和客观赋权法。目前应用最多的赋权方法是特征向量法，特征向量法根据专家对评价指标重要程度的主观判断形成判断矩阵，通过求解判断矩阵的特征值和特征向量得到评价指标的权重，计算结果受专家的主观判断支配，往往具有主观偏差。
为降低特征向量法的主观偏差，基于特征向量法、熵值法、集体决策理论建立组合赋权算法。其计算规则是将集体决策理论引入特征向量法计算一级指标权重，采用熵值法计算二级指标权重。相比单一特征向量法，该方法能够集合不同专家的偏好从而形成集体偏好，避免单个专家判断的主观偏差，使计算结果更趋于客观。另外，在考虑专家主观信息的同时能够充分利用指标属性值的客观数据，根据数据的熵修正主观判断，从而进一步提高计算结果的准确性和鲁棒性。
本发明一些实施例中，计算一级指标权重的方法采用的是特征向量法，特征向量法(Eigenvector method)由Saaty提出，是在可再生能源选址领域求解评价指标权重的最常用方法。通过特征向量法计算一级评价指标权重的过程如下：包括：
S211:构造判断矩阵：
假设有n个评价指标，专家通过Saaty的1-9标度法对每个评价指标进行两两比较判断其相对重要性，从而构建判断矩阵：
B＝(bij)n×n
其中：bij为一级评价指标bi对一级评价指标bj的相对重要性；
S212：计算判断矩阵的最大特征值及其相应的特征向量：
Bw＝λmax
其中，λmax为判断矩阵B的最大特征值，w为对应最大特征值的特征向量，归一化后对应为各指标权重；
S213：组成为使评价结果趋于客观，在评价指标权重的计算中引入集体决策理论，降低主观偏差。设有L个专家，专家集E＝{E1,E2,…,EL}，每个专家的权重分别为{e1,e2,…,el}；对于每个专家EL，分别求解的评价指标权重为{w1,w2,...,wl}；计算集体决策后的评价指标权重：
其中：wil表示第l个专家求得的第i个指标的权重，el表示第l个专家的权重，
表示wil的el次幂。
本发明一些实施例中，计算一级指标权重的过程中，计算出判断矩阵的最大特征值后，进一步对判断矩阵进行一致性检验；
其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标，可给定；判断CR是否小于0.1，若是，则判断矩阵满足一致性要求，若否，则判断矩阵不满足一致性要求，需要重新构建判断矩阵。
RI根据n的数值由表1确定。
表1 n阶矩阵的随机指标RI
本发明一些实施例中，计算二级指标权重采用的为熵值法。熵值法是根据样本数据观测值的大小和相互之间的差异程度来计算指标权重。熵越大意味着该评价指标对决策的影响越小，即该指标的权重越小。反之，熵越小意味着该评价指标对决策的影响越大，该指标的权重越大。用熵值法计算二级评价指标权重的过程如下：
S221:计算第i个方案中第j个指标的比重；
其中：pij为第i个方案中第j个指标的比重，
为第i个方案中第j个指标规范化后的属性值；
S222:计算第j个评价指标的熵值：
其中，Ej为第j个评价指标的熵值，K为系数；
S223:计算第j个评价指标的权重：
其中，wj——第j个评价指标的权重。
本发明一些实施例中，针对海岛风浪互补电站选址决策模型，提出组合权重法。其计算规则是分别求解一级指标和二级指标的权重，其中一级指标权重通过特征向量法、集体决策方法计算，二级指标权重通过熵值法计算，最后通过下式求解组合权重
w′cij＝wci×wcij
其中，w′cij为指标的组合权重，wci为一级指标权重，wcij为二级指标权重。
接近理想点法方法最早由Hwang和Yoon提出，目前常用来解决排序问题。接近理想点法的基本思想是，最接近理想点和最远离负理想点的决策是最佳决策。接近理想点法方法引入两个参考点，通过比较备选方案与这些参考点之间的距离，对备选方案进行排序。虽然接近理想点法在许多领域得到了广泛的应用，但它也存在一些不足之处。它可以反映数据曲线之间的位置关系，但不能体现数据序列的动态变化。灰色关联分析方法最初由Deng提出，适用于多属性情况下的决策。接近理想点法的局限性可以通过灰色关联分析模型的灰色关联系数来克服。接近理想点法和灰色关联分析法结合，根据方案位置和形状的相似或差异程度来衡量方案之间的关系。
基于上述理论，本发明一些实施例中，计算贴近度及方案排序的方法包括:
S31：计算加权归一化决策矩阵：
其中：vij为第i个方案中第j个指标的加权归一化指标值，
为第i个方案中第j个指标规范化后的属性值，n为指标数量，m为方案数量；
S32:确定正理想解(A+)和负理想解(A-)
其中：J为效益型指标集，J′为成本型指标集，
为第n个方案的所有加权归一化后的指标的最优值，
为第n个方案的所有加权归一化后的指标的最差值；
S33：计算每个方案到正理想解和负理想解的欧氏距离
和
其中：
为加权归一化后的第j个指标的最优值，
为加权归一化后的第j个指标的最差值，m为方案数量；
S34：计算第i个方案与正理想解相对于第j个指标的灰色关联系数：
其中，ρ为分辨系数，R+为正理想解的灰色关联系数矩阵；
计算第i个方案与负理想解相对于第j个指标的灰色关联系数：
S35：计算正理想解的灰色关联度：
计算负理想解的灰色关联度：
S36：计算方案的贴近度：
对欧式距离和灰色关联度进行规范化处理：
其中，
为正理想解的欧氏距离的规范化值；
为负理想解的欧氏距离的规范化值；
为正理想解的灰色关联度的规范化值；
为负理想解的灰色关联度的规范化值；将规范化处理后欧氏距离和灰色关联度合并：
将归一化后处理后欧氏距离和灰色关联度合并：
其中：α为备选方案和理想方案相似度计算中位置权重和β为备选方案和理想方案相似度计算中形状的权重；
为合并欧氏距离和灰色关联度后的正理想解的值；
为合并欧氏距离和灰色关联度后的负理想解的值；
S37：计算贴近度：
对Zi排序，优选Zi较大的方案作为优选方案。
为检验计算结果的鲁棒性并验证决策方法的可行性和科学性，进一步对计算结果进行敏感性分析。敏感性分析是指从众多不确定性因素中找出对决策结果有重要影响的敏感性因素，并分析、测算其对决策结果的影响程度和敏感性程度，进而检验决策结果鲁棒性的一种不确定性分析方法。
本发明一些实施例中，在选址决算计算结束后，可进一步进行模型验证。验证方法如下：
将所有一级指标权重设定为相等，保留原计算获得的二级权重；
或，
保留原计算获得的一级权重指标，将所有二级权重指标设定为相等；
或，
将所有一级指标权重、二级指标权重均设定为相等；
重新计算海岛风浪能互补电站场址开发序列，与原计算获得的海岛风浪能互补电站场址开发序列比较。将重新计算的方案排序结果与原计算的方案排序结果进行比较，看所有方案排序变化程度的大小。若方案排序变化程度较小，最优方案基本不变，此时可认为该选址决策模型及模型求解方法具有较强的稳定性，否则权重因素对方案的排序存在一定影响，权重变化越大，影响越明显。
可见，本发明提供的验证方法是通过改变指标权重进行的，可以在三种验证方法中选择一种或几种方法进行验证。
通过模型验证步骤，验证了海岛风浪互补电站小尺度选址决策模型的稳定性，充分考虑到指标权重因素对海岛风浪互补电站选址决策的影响，通过改变评价指标的权重进行敏感性分析，计算不同情形下的海岛风浪互补电站场址开发序列，检验了计算结果的鲁棒性并验证了决策方法的可行性和科学性。
依托山东省海洋能产业发展规划研究项目，本发明已将建立的海岛风浪互补电站小尺度选址决策模型应用于其中青岛市海岛风浪互补电站选址实例中。根据青岛市自然资源条件限制及文献调研、实地调查，确定出4个备选海岛，分别为女岛、小麦岛、竹岔岛和三平岛，构成备选方案集A＝{A1,A2,A3,A4}。研究结果表明青岛市海岛风浪互补电站场址开发序列为A3(竹岔岛)＞A2(小麦岛)＞A1(女岛)＞A4(三平岛)。竹岔岛由于其波浪能资源最优，国民生产总值最高，其相对贴近度远大于其他三个海岛。因此，竹岔岛为青岛市建设海岛风浪互补电站的首选海岛。随着指标权重的变化，方案排序结果没有变化，在一定程度上验证了该模型的可靠性，研究结果可为青岛市当地建设海岛风浪互补电站提供直接依据。
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)
1.一种海岛风浪互补电站小尺度选址决策方法，其特征在于，包括以下步骤：
建模步骤：构建海岛风浪能互补电站选址决策模型，所述模型包括评价指标集，所述评价指标包括一级指标：资源条件指标、自然条件指标、经济因素指标、社会因素指标；各一级指标进一步包括若干二级指标；
选址求解步骤：基于评价指标的规范化结果，对海岛风浪能互补电站选址决策模型进行求解；求解过程包括：将集体决策理论引入特征向量法计算一级指标的权重，采用熵值法计算二级指标的权重；采用组合权重法求解一级指标权重、二级指标权重的组合权重；并采用接近理想点法与灰色关联分析相结合的方法计算贴近度，基于贴近度对备选方案进行选址排序；
优先选择贴近度高的备选方案，建设海岛风浪互补电站。
2.如权利要求1所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，计算一级指标权重的方法包括：
S211:构造判断矩阵：
B＝(bij)n×n
其中：bij为一级评价指标bi对一级评价指标bj的相对重要性；
S212：计算判断矩阵的最大特征值及其相应的特征向量：
Bw＝λmax
其中，λmax为判断矩阵B的最大特征值，w为对应最大特征值的特征向量，归一化后对应为各指标权重；
S213：设有L个专家，组成专家集E＝{E1,E2,…,EL}，每个专家的权重分别为{e1,e2,…,el}；对于每个专家EL，分别求解的评价指标权重为{w1,w2,...,wl}；计算集体决策后的评价指标权重：
其中：wil表示第l个专家求得的第i个指标的权重，el表示第l个专家的权重，
表示wil的el次幂。
3.如权利要求2所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，计算一级指标权重的过程中，计算出判断矩阵的最大特征值后，进一步对判断矩阵进行一致性检验；
其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标，可给定；判断CR是否小于0.1，若是，则判断矩阵满足一致性要求，若否，则判断矩阵不满足一致性要求，需要重新构建判断矩阵。
4.如权利要求1或2或3所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，计算二级指标权重的方法包括：
S221:计算第i个方案中第j个指标的比重；
其中：pij为第i个方案中第j个指标的比重，
为第i个方案中第j个指标规范化后的属性值，m为方案数量，n为指标数量；
S222:计算第j个评价指标的熵值：
其中，Ej为第j个评价指标的熵值，K为系数；
S223:计算第j个评价指标的权重：
其中，wj为第j个评价指标的权重。
5.如权利要求1或4所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，计算组合权重的方法包括：
w′cij＝wci×wcij
其中，w′cij为指标的组合权重，wci为一级指标权重，wcij为二级指标权重。
6.如权利要求4所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，计算贴近度及方案排序的方法包括:
S31：计算加权归一化决策矩阵：
其中：vij为第i个方案中第j个指标的加权归一化指标值，
为第i个方案中第j个指标规范化后的属性值，n为指标数量，m为方案数量；
S32:确定正理想解(A+)和负理想解(A-)
其中：J为效益型指标集，J′为成本型指标集，
为第n个方案的所有加权归一化后的指标的最优值，
为第n个方案的所有加权归一化后的指标的最差值；
S33：计算每个方案到正理想解和负理想解的欧氏距离
和
其中：
为加权归一化后的第j个指标的最优值，
为加权归一化后的第j个指标的最差值，m为方案数量；
S34：计算第i个方案与正理想解相对于第j个指标的灰色关联系数：
其中，ρ为分辨系数，R+为正理想解的灰色关联系数矩阵；
计算第i个方案与负理想解相对于第j个指标的灰色关联系数：
S35：计算正理想解的灰色关联度：
计算负理想解的灰色关联度：
S36：计算方案的贴近度：
对欧式距离和灰色关联度进行规范化处理：
其中，
为正理想解的欧氏距离的规范化值；
为负理想解的欧氏距离的规范化值；
为正理想解的灰色关联度的规范化值；
为负理想解的灰色关联度的规范化值；将规范化处理后的欧氏距离和灰色关联度合并：
其中：α为备选方案和理想方案相似度计算中位置权重和β为备选方案和理想方案相似度计算中形状的权重；
为合并欧氏距离和灰色关联度后的正理想解的值；
为合并欧氏距离和灰色关联度后的负理想解的值；
S37：计算贴近度：
对Zi排序，优选Zi较大的方案作为优选方案。
7.如权利要求1或6所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，规范化处理方法包括以下步骤：
将评价指标分为效益型指标和成本型指标，对指标进行向量规范化处理；
对效益型指标：
对成本型指标：
式中，xij为第i个方案中第j个指标的属性值，
为第i个方案中第j个指标规范化后的属性值；
采用规范化处理后的指标进行选址求解。
8.如权利要求1所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，所述自资源条件指标的二级指标包括：
年平均波功率密度：用于衡量波浪能潜在开发能力；
年平均有效波高：用于衡量波浪能潜在开发能力；
年有效波浪小时数：用于衡量海岛风浪能发电装置的可运行时间；
年平均风速：用于衡量海岛风能潜在开发能力；
年平均风功率密度：用于衡量海岛风能潜在开发能力；
年有效风小时数：用于衡量海岛风浪能发电装置的可运行时间；
所述年平均波功率密度为：
其中，Pwave为波功率密度，ρ为海水密度，HS为有效波高，g为重力加速度，TE为能量周期；
所述年平均风功率密度为：
其中，Pwind为风功率密度；ρ为空气密度；n为设定时段内对风速的记录数；vi为第i次记录的风速。
9.如权利要求1所述的海岛风浪互补电站小尺度选址决策方法，其特征在于，进一步包括模型验证步骤：
将所有一级指标权重设定为相等，保留原计算获得的二级权重；
或，
保留原计算获得的一级权重指标，将所有二级权重指标设定为相等；
或，
将所有一级指标权重、二级指标权重均设定为相等；
重新计算海岛风浪能互补电站场址开发序列，与原计算获得的海岛风浪能互补电站场址开发序列比较。
10.如权利要求1所述的海岛风浪互补电站小尺度选址决策方法，其特征在于：
自然条件指标的二级指标包括水深、海底地质、海岸侵蚀和地质灾害；
经济因素指标的二级指标包括总成本和服务人口数；
社会因素指标的二级指标包括交通条件、政策鼓励和电力需求与供给匹配程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210092411.2A CN114429303A (zh) | 2022-01-26 | 2022-01-26 | 海岛风浪互补电站小尺度选址决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210092411.2A CN114429303A (zh) | 2022-01-26 | 2022-01-26 | 海岛风浪互补电站小尺度选址决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114429303A true CN114429303A (zh) | 2022-05-03 |
Family
ID=81312533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210092411.2A Pending CN114429303A (zh) | 2022-01-26 | 2022-01-26 | 海岛风浪互补电站小尺度选址决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114429303A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341952A (zh) * | 2023-02-22 | 2023-06-27 | 中国海洋大学 | 一种海洋风浪资源联合开发评估方法 |
| CN118134678A (zh) * | 2024-03-20 | 2024-06-04 | 广东海洋大学 | 一种现代化海洋牧场选址方法 |
-
2022
- 2022-01-26 CN CN202210092411.2A patent/CN114429303A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341952A (zh) * | 2023-02-22 | 2023-06-27 | 中国海洋大学 | 一种海洋风浪资源联合开发评估方法 |
| CN118134678A (zh) * | 2024-03-20 | 2024-06-04 | 广东海洋大学 | 一种现代化海洋牧场选址方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114280696B (zh) | 一种海雾等级智能预报方法及系统 | |
| CN114429303A (zh) | 海岛风浪互补电站小尺度选址决策方法 | |
| CN107230021B (zh) | 筛选供水管网泄漏区域的方法 | |
| CN104794364A (zh) | 海平面上升脆弱性等级评估的定量化方法 | |
| CN107526083A (zh) | 一种基于天气雷达数据的强对流风力等级预测方法 | |
| CN115239127A (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
| Molina-Garcia et al. | Vertical wind profile characterization and identification of patterns based on a shape clustering algorithm | |
| CN113379317A (zh) | 波浪能电站选址决策方法 | |
| CN114325879A (zh) | 一种基于分级概率的定量降水订正方法 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN115330203A (zh) | 一种基于博弈证据网络的液化天然气储罐健康状态评估方法 | |
| CN104794546A (zh) | 一种基于深度置信网络分类方法的风功率爬坡预测方法 | |
| CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
| CN107368933A (zh) | 一种基于适配度及相关系数拟合的光伏功率预测方法 | |
| CN104866930A (zh) | 一种基于定量筛选时间序列预测模型的时间序列预测方法 | |
| CN113537336A (zh) | 基于XGBoost的短临雷雨大风的预测方法 | |
| CN117333045A (zh) | 一种海上风电机组服役环境状态评价方法和系统 | |
| CN111798055A (zh) | 基于灰色关联度的变权重组合光伏出力预测方法 | |
| CN114723218B (zh) | 一种基于信息量-神经网络的油气管道地质灾害评价方法 | |
| CN117333029A (zh) | 一种正常与极端工况下风电机组整机性能综合评估方法 | |
| CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
| CN113128811A (zh) | 一种基于强降水的电网系统地质灾害风险评估方法及系统 | |
| CN114626714A (zh) | 一种基于4g/5g通信技术的电网智能化水平评价方法 | |
| Li et al. | Identifying urban form typologies in seoul with mixture model based clustering | |
| CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 |
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 |