一种储能多场景选型主客观权重融合方法、介质及系统

技术领域

本发明属于储能选型技术领域，具体而言，涉及一种储能多场景选型主客观权重融合方法、介质及系统。

背景技术

近年来，面向电力系统多场景辅助服务的储能电站或新能源场站随配储能项目不断落地，但储能技术种类繁杂多样，机械式、电磁式、电化学式储能在响应能力、典型容量、工程造价等特性方面存在差异显著，且不同应用场景具有不同的储能技术需求，盲目配置储能将导致系统成本增加、调节特性不理想等问题。

公开号为CN115577965A的中国发明专利公开了一种基于多属性决策以及多主体融合的共享储能选型方法，步骤1：建立共享储能以及用户运行控制系统模型，包括目标函数以及约束条件，通过线性规划求解；步骤2：在系统模型的基础上，从共享储能和用户两个方面设定共享储能选型的指标，用以评价不同共享储能类型的优劣；步骤3：从共享储能和用户两个方面对共享储能选型的指标通过多准则妥协解排序方法进行评价，得出评价后的分数；步骤4：将步骤3得到的各个共享储能和用户对于每个共享储能选型指标的指标值进行融合，选出综合考虑各个主体后最优的共享储能类型。但是，但是这一专利未明确给出各评价指标权重的制定方法，其权重制定过程具有较大不确定性。

公开号为CN117010706A的中国发明专利公开了一种电源侧储能系统综合评估方法，步骤1：建立储能电站综合评估指标体系；步骤2：基于模糊集理论的层次分析法和不确定因素下确定储能电站综合评估指标体系中各层评估指标的综合权重值；步骤3：根据所述储能电站综合评估指标体系和各层评估指标的综合权重值对储能电站的储能指标进行综合评估，获得评估结果；步骤4：对所述评估结果进行分析，为储能电站的新建或者改建提供决策和参考。但是，这一专利在采用主观权重赋值法时未考虑不同应用场景的储能需求差异。

综上，实现储能科学选型需要着重分析各技术指标对储能指标优选的重要性，现有储能选型方法在计算指标权重时存在对储能选型指标进行主客观评价时，往往忽略对定性指标的定量分析，使得得到的最终指标方案主观性大，对选型结果的最优性有一定影响。

发明内容

有鉴于此，本发明提供一种储能多场景选型主客观权重融合方法、介质及系统，能够解决现有储能选型方法在计算指标权重时存在对储能选型指标进行主客观评价时，往往忽略对定性指标的定量分析，使得得到的最终指标方案主观性大，对选型结果的最优性有一定影响的技术问题。

本发明是这样实现的：

本发明的第一方面提供一种储能多场景选型主客观权重融合方法，其中，包括以下步骤：

S10、建立多场景下储能选型指标集，包含多个储能选型指标；

S20、获取专家多轮模糊评价制定每个储能选型指标的主观权重；

S30、对所述储能选型指标集进行去模糊化处理，得到确定性指标集；

S40、制定确定性指标集中每个储能选型指标的客观赋权；

S50、基于最大方差原则实现主客观权重融合，构建综合评价权重；

S60、采用综合评价权重确定最终的储能选型的方案。

在上述技术方案的基础上，本发明的一种储能多场景选型主客观权重融合方法还可以做如下改进:

进一步的，所述获取专家多轮模糊评价制定每个储能选型指标的主观权重的步骤，具体是：邀请多个专家针对不同场景下的储能选型指标重要性进行比较评价，采用区间二型模糊集表示评价语言变量；构建判断矩阵，基于矩阵计算模糊算术平均值并归一化，得到每个储能选型指标的主观权重。

进一步的，所述对所述储能选型指标集进行去模糊化处理的步骤，具体是：对储能选型指标集中采用区间或定性描述的储能选型指标，匹配区间二型模糊集表示；并对模糊集采用去模糊化方法得到定量描述，构成去模糊化后的指标数据集，作为确定性指标集。

进一步的，所述制定确定性指标集中每个储能选型指标的客观赋权的步骤，具体是：运用CRITIC客观赋权法，分析确定性指标集的数据统计特性，计算每个储能选型指标的重要性作为其客观权重。

进一步的，所述基于最大方差原则实现主客观权重融合的步骤，具体是：计算采用主、客观权重评价结果，优化求解权重融合比例，在最大化差异的条件下得到主客观融合权重。

进一步的，所述采用综合评价权重确定最终的储能选型的方案的步骤，具体是：计算每个储能选型指标的综合评价值，作为最终储能选型方案。

另外的，还可以采用下面的步骤对储能选型指标进行去模糊处理，具体是：

步骤1、利用大语言模型对储能选型指标进行子指标划分；

步骤2、确定每个子指标是否模糊；

步骤3、利用预先微调好的大语言模型对每个模糊指标进行定量处理，并更新所述储能选型指标。

其中，对大语言模型进行微调的步骤，具体是：

建立微调样本、包括采集大量的储能、电力相关指标，并对这些指标进行人工定量处理；

模型微调、选择一个大语言模型，采用相关指标作为微调输入，以人工定量处理后的相关指标作为微调输出，对大语言模型进行微调，微调2000步后保存微调lora；

合并模型、将微调后的lora合并到所选择的大语言模型中，作为微调后的大语言模型。

其中，所述多种场景至少包括保障系统安全、削峰填谷以及提高新能源利用水平三种场景。

进一步的，所述多个储能选型指标为根据场景分析确定影响储能选型的技术指标，至少包括响应速度、循环效率、系统安全性。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种储能多场景选型主客观权重融合方法。

本发明的第三方面提供一种储能多场景选型主客观权重融合系统，其中，包含上述的计算机可读存储介质。

与现有技术相比较，本发明提供的一种储能多场景选型主客观权重融合方法、介质及系统的有益效果是：通过专家多场景赋权实现储能需求的差异化分析，CIRTIC法相比其他客观赋权法更能充分挖掘数据特征，区间二型模糊理论能较好地解决语言歧义与数据噪声问题，实现对定性指标的去模糊处理，实现对定性指标的定量分析，基于最大方差原则融合主客观权重融合能够扩大不同类型储能的评价差异性，更好地区分储能技术优劣，有利于决策者对储能选型指标的相对重要性形成客观、全面的评价，并且能够较为灵活地与其他综合评价方法结合，实现多应用场景储能指标优选。解决了现有储能选型方法在计算指标权重时存在对储能选型指标进行主客观评价时，往往忽略对定性指标的精确分析，使得得到的最终指标方案主观性大，对选型结果的最优性有一定影响的技术问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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为本发明提供的方法的流程图；

图2为配置储能的新能源场站多场景控制技术体系；

图3为储能所属电力系统拓扑示例。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。

如图1所示，是本发明第一方面提供一种储能多场景选型主客观权重融合方法的流程图，本方法包括以下步骤：

S10、建立多场景下储能选型指标集，包含多个储能选型指标；

S20、获取专家多轮模糊评价制定每个储能选型指标的主观权重；

S30、对储能选型指标集进行去模糊化处理，得到确定性指标集；

S40、制定确定性指标集中每个储能选型指标的客观赋权；

S50、基于最大方差原则实现主客观权重融合，构建综合评价权重；

S60、采用综合评价权重确定最终的储能选型的方案。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种储能多场景选型主客观权重融合方法。

本发明的第三方面提供一种储能多场景选型主客观权重融合系统，其中，包含上述的计算机可读存储介质。

下面采用一个具体的实施例对本发明进行详细解释：

S10、基于储能工程应用场景，分析并建立多场景下储能选型指标集为满足日益多样的电力系统需求，配置储能的新能源场站向逐渐向如图2所示的多场景控制方向发展，包含场站运行数据管理系统和多模式控制管理系统模块，集成多类控制策略，根据储能应用需求不同进行切换。

为了对不同类型储能在多场景控制策略下的适应性进行分析，科学制定储能选型方案中各技术指标的影响权重，对不同场景下所采取的技术特征进行分析，获得储能指标权重集，指标内容涉及储能系统的技术特点、经济性、环境影响、安全性等方面。具体地，储能选型技术指标的确定方法如下：

根据新能源场站多场景控制策略下储能装置的具体应用情况，将电网侧储能应用场景细分，以下述三类为例：(1)保障系统安全(2)削峰填谷(3)提高新能源利用水平。

通过对不同储能装置的运行机理进行分析，调研现有工程应用中储能装置的实际配置情况，确定不同类型储能的典型功率范围指标，通过建立储能装置的仿真模型并对储能进行阶跃响应测试，确定不同类型储能的响应速度指标结果。

在保障系统安全运行工况下，根据储能所属电力系统(例如某一电压等级的配电网或输电网)的网络拓扑信息(例如图3所示系统)，包括系统节点个数、电力线路的长度和单位长度阻抗参数、分布式发电接入位置及功率出力大小、储能装置接入位置及功率出力范围，负荷接入位置及用电功率大小等信息，基于电力系统潮流分析理论建立如式(1)所示的节点电压方程。根据储能装置的功率出力范围，采用高斯-赛德尔迭代法解算出系统各节点电压的调节范围，统计未超出电压波动极限的节点个数，根据安全节点个数的多少划分等级，作为系统安全性指标。

上式中，Y

在削峰填谷工况下，储能装置采用自动发电控制技术，对外电气特性体现为正电源或负电源，在时间维度上对电力系统负荷或发电装置的能量进行转移，储能装置的循环效率指标对储能高效参与削峰填谷至关重要。对于储能装置而言，在较长工作周期上其能量的存量不发生变化，在该工作周期内输入储能的能量，一部分因自放电效应损失掉，另一部分由储能回馈给电网。因此，基于新能源场站多场景控制技术的数据统计与分析模块，根据场站实际需求，按照周度、月度、季度等时间周期，对储能装置的累计充电能量和累计放电能量进行统计，取其比值作为储能装置的循环效率，计算方法如式(2)所示。

上式中，η为储能装置的循环效率，E

在提高新能源利用率工况下，储能装置在新能源大发时段按照距离优先原则，对距离储能最近的新能源装置进行能量消纳。但是，不同类型的储能在制造、安装、维护工艺方面存在显著差异，温室气体排放量、固体废弃物产生量、噪音污染对环境的污染与破坏程度具有影响，对上述因素采用如式(3)所示的加权求和方式计算初步分数，根据分数多少划分等级，得到污染与破坏程度指标。

sco＝a

(3)

上式中，sco为污染与破坏程度的初步计算分数，a

类似地，对其他各类场景仿照如上案例进行分析，可得到具有不同场景特点的技术指标，将各类场景下涉及到的指标数据统一在一个矩阵下，即可构建具有多场景适应性的方案指标集。假设最终选取的方案共P种，指标类型共Q类，则可构建原始数据指标方案集Z，如式(4)所示。

上式中，z

对储能选型指标集进行重要性对比研究，采取专家问卷打分的方式，针对不同场景下的场景特征，对指标两两之间的重要性进行比较。首先构建语言变量对应表，如同样重要，明显重要等，并对每一语言变量分配区间二型模糊集，语言变量表如表1所示。之后利用此语言变量对指标两两之间重要性进行评价，最终形成指标判断矩阵。在共有Q类指标的前提下，判断矩阵

表1区间二型模糊集语言变量表

上式中，

上式中，

接下来需要对获得的判断矩阵进行一致性校验，以保证主观赋权的科学性。一致性检验过程需要对判断矩阵进行去模糊化处理，采用式(7)中的去模糊化方法。

上式中，

采用方根法计算各指标权重，如式(8)所示。首先计算判断矩阵中每行各元素的乘积，获得一个Q维向量。接下来利用此向量，对其进行标准化，如式(9)所示，即可得到各指标权重，从而构建了尚未进行一致性检验的主观赋权权重矩阵。通过权重矩阵，可以依据式(10)求得最大特征根。

上三式中，

接下来可进行一致性检验值C.R.的计算，计算公式如式(11)所示。

上式中，R.I.值为随机一致性指标，可通过大量模拟计算得到，具体取值可参考表2。

表2R.I值参考表格

表格中的阶数即判断矩阵的阶数，即选取的指标数目Q。

将得到的C.R值进行分析，若C.R<0.1，即可视为通过一致性检验，认为判断矩阵的构建是科学的，否则要重新开展问卷调查，对判断矩阵进行进一步修正。

通过一致性检验后即可进行主观赋权，基于区间二型模糊集的基本运算法则，计算各个决策指标的模糊算数平均值，如式(12)所示。对模糊几何平均值进行归一化和去模糊化处理，即可通过式(13)获得各指标的主观权重。

上式中，

S30、基于语义-模糊映射方法的指标集去模糊化处理

考虑到储能选型指标集中部分指标采用区间描述或定性描述，需针对各个指标划定定量区间，从而便于对原始数据进行定量描述。将各指标中的区间描述进行划分，采用具体的定性语言描述来划定其等级，这里的定性语言可以采用类似于步骤2的语言变量表，如表3所示，将每个定性描述匹配一类区间二型模糊集。

表3区间/定性表述型指标的区间二型模糊集示意

表3中的Data值的选取需根据步骤一获得的原始数据进行划分。X＝{L

之后利用式(7)的去模糊化方法获得具体的定量描述内容，形成的矩阵如式(14)所示

上式中，Z'为去模糊化处理之后的矩阵，z′

S40、基于CRITIC法分析提取数据特征制定选型客观赋权

对于步骤3中获得的矩阵，为消除量纲不同对储能选型评价结果的影响，需要对矩阵进行无量纲化处理，对这类指标下的数据进行归一化。若该指标为正向指标(数值越大越好)则采用式(15)；若该指标为逆向指标(数值越小越好)则采用式(16)。

上式中，z

之后对指标进行变异性计算，如式(17)。

式中，

利用式(18)计算指标变异性。

上式中的R

上式中，

利用式(20)可求得指标信息量。

上式中，C

最后对C

上式中，

S50、基于最大方差原则实现主客观权重融合，构建综合评价权重

根据步骤2、步骤4获得的主、客观权重和步骤3获得的去模糊化指标集，采用最大化评价差异的方法将两种权重结果进行加权结合，构建储能选型综合评价权重，具体的计算步骤如下：

①分别计算独立采用主观权重和独立采用客观权重下的评价结果。

具体地，第i类储能类型的评价结果计算方法如式(22)和式(23)

所示：

上两式中，

②将子步骤①的评价结果进行标准化处理，得到标准化评价矩阵。

具体地，标准化评价矩阵的计算方法如式(24)、式(25)和式(26)所示：

上三式中，V为标准化评价矩阵，

为/>

为独立采用客观权重时所有储能的评价结果均值，其计算方法如式(29)所示，s

③计算主客观权重融合修正后的评价结果矩阵，基于修正后的评价结果矩阵计算评价差异值，以主客观权重融合系数为优化变量，通过最大化评价差异值来确定主客观权重融合系数的具体取值。

具体地，修正后的评价结果矩阵计算方法如式(31)所示

上式中，V

具体地，基于修正后的评价结果矩阵计算评价差异值方法如式(32)所示

上式中，

为了能够最大程度的扩大不同储能类型的评价结果的差异性，更好地区分不同场景下储能的技术优劣，以最大化评价差异值

同时，为了保证指标的归一化，并避免某类指标被过度倚重或近乎舍弃，还需考虑式(35)所示的约束条件

求解优化问题式(34)得到最优的主客观权重融合系数向量ζ

④基于线性加权融合法，计算主客观权重融合后的综合评价权重。

具体地，主客观权重融合后的综合评价权重计算方法如式(36)所示

上式中，w

S60、采用综合评价权重对储能选型指标集进行调整，确定最终的储能选型的方案，其中调整的方式为权重×对应指标。

下面是储能选型指标进行去模糊处理的另外的一个实施例，为了方便对实施例进行描述，本实施例中采用的公式、变量与上一实施例互相独立：

首先,利用大语言模型LM对储能选型指标集S＝{s

建立指标词典D,包含储能选型评价的词汇；

对每个指标s

基于LM对每个词序列进行概率计算

P(w

根据概率阈值θ确定词序列中概率较低的词w

最终获得指标s

接下来,确定每个子指标是否属于模糊指标,具体方法为:

构建模糊指标词典F,包含模糊性词汇；对每个子指标

最后,利用微调后的语言模型LM′对模糊子指标集{m

收集相关清晰指标样本集CS；利用CS微调LM,得到LM′；对每个模糊指标m

经过上述流程,可完成对储能选型指标集的去模糊化处理。本方法融合了NLP与机器学习技术,通过语言模型实现指标理解,并依赖大量清晰指标样本指导模型生成清晰语句,可有效解决指标表达的模糊性问题。

其中对语言模型微调的具体实施方式如下：

语言模型LM′的架构选择

LM′选择BERT等预训练语言模型作为基础框架。BERT基于transformer架构,通过masked语言模型和下一句预测两种预训练方式,获得语义表示强大的语言编码能力。因此,适合生成符合语义与语法的文本。

清晰指标样本收集

从公开的储能选型评价报告中摘录大量含有清晰定量指标的语句作为样本。样本涵盖各关键影响因素的定量描述,如“循环效率不低于95％”。同时,要求表达明确,避免包含从句或定语。

模型微调

基于BERT框架,构建生成模型。模型通过编码器获得输入语句的语义表示,解码器依据该表示生成目标输出。

在微调阶段,输入为样本中的模糊指标语句,输出为对应的清晰指标语句。以最大化清晰语句生成概率为优化目标,通过梯度下降算法更新模型参数。

生成清晰语句

对于模糊输入语句,计算其语义编码表示,依据编码结果,解码器通过beamsearch算法生成多个候选清晰语句,输出概率最高的作为最后输出。

通过上述流程,即可获得针对模糊指标去模糊化的微调语言模型LM′。其核心在于利用大量高质量的清晰语句样本指导模型学习清晰的语义表达能力。

算例分析：

为验证本发明在实现主客观赋权结合时扩大指标差异性的效果，接下来针对电网侧储能在保障系统安全、削峰填谷和提高新能源利用水平三类应用场景下进行简单算例对比分析。

第一步：根据本发明的步骤1，确定了待选择的四类储能技术指标以及在该场景下的五项主要参考指标。构建指标集，如表4所示。

表4原始指标集

第二步：根据本发明的步骤2，针对五个指标在三种应用场景下的相对重要性，请专家依据步骤二的语言变量表进行多次评价，最终获得通过一致性校验的判断矩阵，根据区间二型模糊基本算法，计算判断矩阵中各区间值的模糊几何平均值和三种应用场景下的主观权重，主观权重如表5所示。

表5不同应用场景下的主观权重

第三步：根据本发明的步骤3，将表4中的区间数据和定性描述数据进行区间模糊化处理。再利用步骤2中的去模糊化方法，对指标区间数据进行去模糊化。

第四步：根据本发明的步骤4，以指标数据的相关性为核心，采用CRITIC法实现指标集的客观赋权，如表6所示。

表6储能指标的客观权重

第五步：根据本发明的步骤5，将第二步和第四步获得的主客观权重结合，并引入权重融合系数这一概念，构建评价结果矩阵。以评价差异值最大化为目标，获得最优主客观融合系数向量，如表7所示。

表7不同应用场景下的主客观融合系数向量

之后将主客观融合系数向量与主客观权重结合，获得主客观融合后的综合权重，如表8所示。

表8不同应用场景下的指标综合权重

将各指标综合权重与各指标得分结合，进行加权计算，即可得到不同应用场景下各指标综合得分，如表9所示。

表9使用本发明步骤5下不同应用场景下的指标综合得分

作为本实施案例的对比，如在第五步时，采用基于离差平方和最小原则的主客观赋权融合方法，那么最终得到的不同应用场景下各指标综合得分如表10所示。

表10采用基于离差平方和最小原则的主客观赋权融合下不同应用场景下的指标综合得分

综上，在“保障系统安全”应用场景下，抽水蓄能指标最优；在“削峰填谷”应用场景下，锂离子电池指标最优；在“提高新能源利用水平”应用场景下，锂离子电池指标最优。在两种主客观结合方法下，各应用场景的指标评分排序是相同的，但在具体的得分上可以得出，本发明的基于最大评价差异原则的主客观权重结合方法将评分差距拉大，最终将储能指标在不同场景下的优劣差异拉大，更能体现出关键指标在储能选型中的作用。

具体的，本发明的原理是：发明提出了一种基于最大方差原则的储能多场景选型主客观权重融合方法，首先全面分析并建立了多应用场景下储能选型影响指标集，其次根据文献调研、实验仿真等方式确定各指标典型取值，对于范围型数据采用区间二型模糊理论实现数值映射，实现定性指标的定量分析，再次基于多轮问卷调查方式实现技术指标间的专家主观模糊赋权，然后，基于CIRTIC方法分析技术指标间的对比度与冲突性获得客观权重，最后基于最大方差原则实现主客观权重系数融合，获得储能多场景指标综合权重。

需要说明的是：

本发明并非为了提出完整的储能选型技术，而是针对指标权重的制定方法提出创新，并不涉及综合评价方法的设计。

在步骤S20中，本文所提出的基于多场景特性实现专家主观赋权方法，其关键点在于专家评价打分在场景特性下的差异性，与传统方法不同，本方法针对每个储能性能指标，在每个场景下均设计独立的主观权重，储能技术在具体应用下的服务功能对指标提出了不同水平的要求，专家的主观权重能够更加全面地考虑不同场景下储能的差异化需求。

在步骤S30中，本文所提出的基于语义-模糊映射的指标集去模糊化方法，其关键点在于利用了语义映射区间二型模糊集，与传统方法不同，本方法在处理区间类描述或定性类描述的数据时采用了语义-模糊映射方法，能够更加统一地量化数量等级跨度较大的指标，此方法能更好地实现对定性指标和区间指标的量化和去模糊化。

在步骤S50中，本文所提出的基于最大方差原则实现主客观权重融合，其关键点在于通过扩大评价方差值来获得最佳权重向量。现有技术常采用最小离差原则，以融合后的权重作为优化变量，令融合权重与主观、客观权重的离差最小化，得到融合后的权重，与之不同的是，本专利所提方法将主客观权重的融合系数作为优化变量，通过对采用融合系数后的储能评价结果进行分析，计算评价结果的方差并按照方差最大化的原则确定最佳的主客观权重融合系数。算例分析结果表明，与基于最小离差方法相比，此方法能更加充分扩大储能评价结果的差异性，增强不同储能指标的区分度，更好地指导储能技术选型问题。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。