基于改进层次分析法的风光储能电站数据评价模型

张海玉，张国锋，李 明，罗忠游，赵立斌

（1.国网新疆电力有限公司电力科学研究院，新疆乌鲁木齐 830011；2.国网新疆电力有限公司吐鲁番供电公司，新疆 吐鲁番 838000）

由于生态环境的不断恶化和化石能源的日益消耗，可再生能源发电技术的研究越来越受到国内外学者的重视[1]。由于可再生能源发电具有不稳定的时间特性和大规模发电的波动性，为提高电网的稳定性，可再生能源技术不断得到提升。但风电和光伏电站的平台差异较大，数据信息不统一，现场运行环境各异，数据质量参差不齐。因此，可再生能源技术研究的第一步需要对风能和太阳能电站的数据进行标准化和奇异点检测，以及对数据进行预处理，并据此对主要部件和数据进行聚类分析，将风能和太阳能储能电站中常用的数据分析算法集成到一个统一的分析系统中，对风能和光能等可再生能源的开发具有积极意义[2]。

近年来，提出的对风光储能电站数据评价方法中，各方案的综合评价值差异不大，导致评价困难；其中，统计检验方法、专家评分方法和集值统计迭代方法较难实现风光储能电站数据的准确评价。层次分析法可以将思维以数学的方式展现，通过定量定性方法分析问题，确保综合评价不再复杂化，这种方法十分适用于风光储能电站数据权值测定。然而，该方法具有很强的主观性，并不能保证评价结果为最优[3]。

为解决传统评价方法中存在的问题，文中提出基于改进层次分析法的风光储能电站数据评价模型，并验证了其在风光储能电站数据评价中的实际应用效果。

1 风光储能电站数据预处理

风能和光伏的高波动性导致了较高的功率渗透率。在微网络中，无论是并网运行的平稳性，还是孤网运行的内部能量平衡，都需要配置动态响应速度短、性能好、寿命长、可靠性高的储能系统[4]。各种能量储存系统在响应时间、使用寿命和转换功率上存在很大差别，对各种能量储存方式和混合多系统进行优缺点分析，对改善微网系统的经济技术性能具有重要意义。风光储能电站总体结构如图1 所示。

图1 风光储能电站总体结构

新能源输出存在短期负荷预测、故障诊断、储能配置等问题，文中以历史数据为基础进行研究[5]。但由于各种因素，风电场、光伏电站在现场收集的数据中存在一些问题，如数据重复、错误等，增加了分析数据的难度，导致数据分析结果出现偏差。为提高工作效率，在进一步研究前必须对风光储能电站数据进行预处理。选择适当的处理算法进行研究，该算法以C++语言为基础编写，减少动态链接库的影响。在处理大量数据时，还可以为后续的分析做好准备。

通过对风电/光伏发电机组历史运行数据的分析，由于许多因素，如采集工具和数据记录过程等，产生了许多问题。例如，在特定时间内复制数据时存在的问题如数据出错（称为奇点）、数据丢失、噪音污染等；同时，分析数据时存在数据格式的多样性，维度不一致过程中的多重数据分析，需要从多组数据中提取主成分。当数据存在重复时，根据数据的时间删除重复数据，仅保留一个值作为分析值；当数据为单数时，将超过新能源发电站的容量，并且附近数据的变化将突出。将这种情况看作一种奇异性，对这种奇异性进行修正；在分析数据时，需要对数据进行分类和处理。采用聚类分析算法选取适当的指标对数据进行分类[6]。

2 风光储能电站数据评价模型

2.1 充放电时间储能数据分析

当风电场和光伏发电系统中产生多余电能时，储能电池组可以按照风光太阳能储能系统功率控制系统指令进行充电，当两个系统输出有功功率不足时，电池组自行放电，以实现稳定输出有功功率[7]，提高系统并网稳定性；并网变换器完成直流能量与交流能量的转换，实现电池储能系统并网运行；控制部分主要完成蓄电池充放电控制和变换器调节。

当电网侧向蓄电池储能系统输送电能时，针对蓄电池的充电特性，采用了恒流充电方式。蓄电池处于充电状态，如图2 所示。

图2 储能电池充电特性曲线

图2 中，在初始阶段，蓄电池的充电方式为恒流充电，其能够确保充电电流保持不变，在这一阶段，充电电压和容量不断增加，随后采用恒压充电，确保充电电压不变，该阶段的充电电流呈现下降趋势，且逐渐接近于零[8]。

当电能从蓄电池储能系统流向电网侧时，蓄电池处于放电状态，放电特性曲线如图3 所示。

图3 放电特性曲线

图3 中，放电电流满足如下关系：Ik＞Ik+1,k=1,2,3,4,5。随着放电电流的增加，储能电池的放电时间会不断缩短，端电压降低。当放电电流恒定时，储能电池的电压出现变化，放电时间也会发生改变，从前期的增长到迅速下降[9]。

2.2 风光储能电站数据评价

在对风光储能电站数据评价时，从代表性、系统适用性、模糊综合评价指标体系的适用性等方面建立模糊综合评价指标体系，并建立相对成员评价指标样本数据的模糊评价矩阵[10]。评价模型的最终目标是比较各方案的优劣，从中选择一种相对最佳的方案，通过优化后的相关性，确定理论领域内各评价指标的相对隶属度以及各评价指标的相对优劣。

设评价指标共有n个，针对风光储能电站数据的方案共有m个，则建立的评价指标样本系为：

其中，x(i,j)表示指标值为非负值，由于在最初阶段不同的指标都具有隶属度，因此，需要进行样本数据处理，消除指标的量纲效应，确保建模具有通用性，文中选用标准化处理，保证不同指标的处理信息[11-13]。标准化处理计算公式为：

其中，xmax(i)表示样本数据i的最大值，xmin(i)表示样本数据i的最小值，r(i,j)表示经过标准化处理后得到的评价指标，即方案j对指标i的相对隶属度。在确定所有的r(i,j)后，建立模糊评价矩阵：

根据评价矩阵确定不同评价指标的权重[14-15]。选取n阶判断矩阵，设定约束条件，根据约束条件得到全局最小值。不同判断矩阵对平均随机一致性指标系数值不同，即CIC(n)，文中设定的阈值为0.10，如果CIC(n)＜0.10，则证明得到的矩阵具有一致性，评价结果可以接受；否则证明不具备一致性，评价结果不能接受[16]。

通过相乘和累加相对隶属度，得到基于改进层次分析法的综合评价指标z(j)，计算公式为：

其中，z(j)代表得到的综合评价指标，z(j)数值越大，则证明该方案越优越。

3 实验分析

为了验证文中研究的基于改进层次分析法的风光储能电站数据评价模型的数据评价效果，进行仿真实验分析，实验环境如图4 所示。

图4 实验环境

实验参数如表1 所示。

表1 实验参数

根据上述实验参数，选择基于模糊分析法的风光储能电站数据评价模型和基于动态等值分析法的风光储能电站数据评价模型以及文中评价模型对风光储能电站数据进行评价，分析3 种评价模型的组合风速评价结果、有功功率评价结果。根据有功功率误差结果得到实验结果。组合风速评价结果如图5 所示。

分析图5 可知，在风速平稳的状态下，文中评价模型与传统评价模型的评价结果相差度较小，虽然文中模型评价结果与实际值更加接近，但是并未过多高于传统模型，然而当风速突然增加和降低时，文中模型的评价准确度明显高于传统模型。

为了验证所提方法的科学有效性，实验分析了不同评价模型对有功功率的评价，实验结果如图6所示。

根据图6 可以得到有功功率评价误差，实验结果如表2 所示。

图6 有功功率评价结果

表2 有功功率评价误差

在存在风速波动和有功功率控制的情况下，文中设计的评价模型评价效果与实际评价结果基本一致，而传统模型的评价落差较大，这是由于在实际评价中，风光储能电站的运行状态不同，传统模型难以在短时间内确定运行状态，因此评价结果精准度不高，验证了所提方法的科学有效性。

4 结束语

风光储能电站的数据评价模型主要难点是如何合理确定各评价指标的权重。为此，文中通过构造判断矩阵确定各评价指标的权重，并借助加速遗传算法保证判断矩阵的一致性，计算每个元素的权重层次分析。研究结果表明，改进的层次分析法评价结果更加客观、稳定，方法通用性更强，在风能太阳能蓄能电站数据综合评价中具有应用价值。