基于改進層次分析法的風光儲能電站數據評價模型

張海玉，張國鋒，李 明，羅忠游，趙立斌

（1.國網新疆電力有限公司電力科學研究院，新疆烏魯木齊 830011；2.國網新疆電力有限公司吐魯番供電公司，新疆 吐魯番 838000）

由于生態環境的不斷惡化和化石能源的日益消耗，可再生能源發電技術的研究越來越受到國內外學者的重視[1]。由于可再生能源發電具有不穩定的時間特性和大規模發電的波動性，為提高電網的穩定性，可再生能源技術不斷得到提升。但風電和光伏電站的平臺差異較大，數據信息不統一，現場運行環境各異，數據質量參差不齊。因此，可再生能源技術研究的第一步需要對風能和太陽能電站的數據進行標準化和奇異點檢測，以及對數據進行預處理，并據此對主要部件和數據進行聚類分析，將風能和太陽能儲能電站中常用的數據分析算法集成到一個統一的分析系統中，對風能和光能等可再生能源的開發具有積極意義[2]。

近年來，提出的對風光儲能電站數據評價方法中，各方案的綜合評價值差異不大，導致評價困難；其中，統計檢驗方法、專家評分方法和集值統計迭代方法較難實現風光儲能電站數據的準確評價。層次分析法可以將思維以數學的方式展現，通過定量定性方法分析問題，確保綜合評價不再復雜化，這種方法十分適用于風光儲能電站數據權值測定。然而，該方法具有很強的主觀性，并不能保證評價結果為最優[3]。

為解決傳統評價方法中存在的問題，文中提出基于改進層次分析法的風光儲能電站數據評價模型，并驗證了其在風光儲能電站數據評價中的實際應用效果。

1 風光儲能電站數據預處理

風能和光伏的高波動性導致了較高的功率滲透率。在微網絡中，無論是并網運行的平穩性，還是孤網運行的內部能量平衡，都需要配置動態響應速度短、性能好、壽命長、可靠性高的儲能系統[4]。各種能量儲存系統在響應時間、使用壽命和轉換功率上存在很大差別，對各種能量儲存方式和混合多系統進行優缺點分析，對改善微網系統的經濟技術性能具有重要意義。風光儲能電站總體結構如圖1 所示。

圖1 風光儲能電站總體結構

新能源輸出存在短期負荷預測、故障診斷、儲能配置等問題，文中以歷史數據為基礎進行研究[5]。但由于各種因素，風電場、光伏電站在現場收集的數據中存在一些問題，如數據重復、錯誤等，增加了分析數據的難度，導致數據分析結果出現偏差。為提高工作效率，在進一步研究前必須對風光儲能電站數據進行預處理。選擇適當的處理算法進行研究，該算法以C++語言為基礎編寫，減少動態鏈接庫的影響。在處理大量數據時，還可以為后續的分析做好準備。

通過對風電/光伏發電機組歷史運行數據的分析，由于許多因素，如采集工具和數據記錄過程等，產生了許多問題。例如，在特定時間內復制數據時存在的問題如數據出錯（稱為奇點）、數據丟失、噪音污染等；同時，分析數據時存在數據格式的多樣性，維度不一致過程中的多重數據分析，需要從多組數據中提取主成分。當數據存在重復時，根據數據的時間刪除重復數據，僅保留一個值作為分析值；當數據為單數時，將超過新能源發電站的容量，并且附近數據的變化將突出。將這種情況看作一種奇異性，對這種奇異性進行修正；在分析數據時，需要對數據進行分類和處理。采用聚類分析算法選取適當的指標對數據進行分類[6]。

2 風光儲能電站數據評價模型

2.1 充放電時間儲能數據分析

當風電場和光伏發電系統中產生多余電能時，儲能電池組可以按照風光太陽能儲能系統功率控制系統指令進行充電，當兩個系統輸出有功功率不足時，電池組自行放電，以實現穩定輸出有功功率[7]，提高系統并網穩定性；并網變換器完成直流能量與交流能量的轉換，實現電池儲能系統并網運行；控制部分主要完成蓄電池充放電控制和變換器調節。

當電網側向蓄電池儲能系統輸送電能時，針對蓄電池的充電特性，采用了恒流充電方式。蓄電池處于充電狀態，如圖2 所示。

圖2 儲能電池充電特性曲線

圖2 中，在初始階段，蓄電池的充電方式為恒流充電，其能夠確保充電電流保持不變，在這一階段，充電電壓和容量不斷增加，隨后采用恒壓充電，確保充電電壓不變，該階段的充電電流呈現下降趨勢，且逐漸接近于零[8]。

當電能從蓄電池儲能系統流向電網側時，蓄電池處于放電狀態，放電特性曲線如圖3 所示。

圖3 放電特性曲線

圖3 中，放電電流滿足如下關系：Ik＞Ik+1,k=1,2,3,4,5。隨著放電電流的增加，儲能電池的放電時間會不斷縮短，端電壓降低。當放電電流恒定時，儲能電池的電壓出現變化，放電時間也會發生改變，從前期的增長到迅速下降[9]。

2.2 風光儲能電站數據評價

在對風光儲能電站數據評價時，從代表性、系統適用性、模糊綜合評價指標體系的適用性等方面建立模糊綜合評價指標體系，并建立相對成員評價指標樣本數據的模糊評價矩陣[10]。評價模型的最終目標是比較各方案的優劣，從中選擇一種相對最佳的方案，通過優化后的相關性，確定理論領域內各評價指標的相對隸屬度以及各評價指標的相對優劣。

設評價指標共有n個，針對風光儲能電站數據的方案共有m個，則建立的評價指標樣本系為：

其中，x(i,j)表示指標值為非負值，由于在最初階段不同的指標都具有隸屬度，因此，需要進行樣本數據處理，消除指標的量綱效應，確保建模具有通用性，文中選用標準化處理，保證不同指標的處理信息[11-13]。標準化處理計算公式為：

其中，xmax(i)表示樣本數據i的最大值，xmin(i)表示樣本數據i的最小值，r(i,j)表示經過標準化處理后得到的評價指標，即方案j對指標i的相對隸屬度。在確定所有的r(i,j)后，建立模糊評價矩陣：

根據評價矩陣確定不同評價指標的權重[14-15]。選取n階判斷矩陣，設定約束條件，根據約束條件得到全局最小值。不同判斷矩陣對平均隨機一致性指標系數值不同，即CIC(n)，文中設定的閾值為0.10，如果CIC(n)＜0.10，則證明得到的矩陣具有一致性，評價結果可以接受；否則證明不具備一致性，評價結果不能接受[16]。

通過相乘和累加相對隸屬度，得到基于改進層次分析法的綜合評價指標z(j)，計算公式為：

其中，z(j)代表得到的綜合評價指標，z(j)數值越大，則證明該方案越優越。

3 實驗分析

為了驗證文中研究的基于改進層次分析法的風光儲能電站數據評價模型的數據評價效果，進行仿真實驗分析，實驗環境如圖4 所示。

圖4 實驗環境

實驗參數如表1 所示。

表1 實驗參數

根據上述實驗參數，選擇基于模糊分析法的風光儲能電站數據評價模型和基于動態等值分析法的風光儲能電站數據評價模型以及文中評價模型對風光儲能電站數據進行評價，分析3 種評價模型的組合風速評價結果、有功功率評價結果。根據有功功率誤差結果得到實驗結果。組合風速評價結果如圖5 所示。

分析圖5 可知，在風速平穩的狀態下，文中評價模型與傳統評價模型的評價結果相差度較小，雖然文中模型評價結果與實際值更加接近，但是并未過多高于傳統模型，然而當風速突然增加和降低時，文中模型的評價準確度明顯高于傳統模型。

為了驗證所提方法的科學有效性，實驗分析了不同評價模型對有功功率的評價，實驗結果如圖6所示。

根據圖6 可以得到有功功率評價誤差，實驗結果如表2 所示。

圖6 有功功率評價結果

表2 有功功率評價誤差

在存在風速波動和有功功率控制的情況下，文中設計的評價模型評價效果與實際評價結果基本一致，而傳統模型的評價落差較大，這是由于在實際評價中，風光儲能電站的運行狀態不同，傳統模型難以在短時間內確定運行狀態，因此評價結果精準度不高，驗證了所提方法的科學有效性。

4 結束語

風光儲能電站的數據評價模型主要難點是如何合理確定各評價指標的權重。為此，文中通過構造判斷矩陣確定各評價指標的權重，并借助加速遺傳算法保證判斷矩陣的一致性，計算每個元素的權重層次分析。研究結果表明，改進的層次分析法評價結果更加客觀、穩定，方法通用性更強，在風能太陽能蓄能電站數據綜合評價中具有應用價值。