[发明专利]恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法

权利要求书

1.一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述方法包括如下步骤：

步骤1.对原始数据进行预处理；

步骤2.利用数据包络分析法，选择标杆光伏逆变器。

将各种环境因素作为输入量，结合所述的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

2.如权利要求1所述的一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述步骤1中所述对原始数据进行预处理的具体过程如下：

原始数据在采集过程中会出现丢失，错误等情况，面对以下情况需要对原始数据进行预处理：

情况1.在一个连续时间区间，某项数据无法得到；

情况2.在一个连续的时间段内，某几项数据无法得到；

情况3.在一些时间段内数据曲线出现大面积缺失；

情况4.出现数据噪声(孤立点)，出现与预期值极其不相符的数据；

情况5.出现跳表情况。

对于原始数据的缺失或者异常，采用最有可能的取值来代替缺失或者异常点。

3.如权利要求1所述的一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述步骤2中所述利用数据包络分析法，选择标杆光伏逆变器的具体过程如下：

(1)数据包络分析法：假定某个DMU(可以是学校、企业、政府部门等)在某项生产活动中的投入为m维向量x_i＝(x_i1,x_i2,…,x_ij,…x_im)，产出为n维向量y_i＝(y_i1,y_i2,…,y_ij,…y_in)。

(2)(x_k,y_k)对应第k个DMU的投入、产出向量，(x₀,y₀)对应被评价DMU。

(3)用X,Y表示DMU的整个生产活动，r个DMU的投入集就可以构成一个r×m阶的投入矩阵，其产出集构成一个r×n阶产出矩阵。

(4)结合广义DEA模型和广义DEA-WEI模型实现投入产出计算和多属性综合评价。其中广义DEA模型为：

广义DEA模型为：

其中，为使最终的绩效测量结果具有实际意义，初始偏好应该满足如下两个性质：

a.传递性，即若A>B，B>C，那么A>C，这样绩效测量的结果便于被评DMU0找到逻辑上合适的标杆。

b.反对称性，即如果A>B，那么B就不>A，除非二者相等。满足了这条性质的偏好才会使绩效测量结果在逻辑上与决策者初始偏好相容境。

这里定义如下偏好：对于

y_A＝(y_A1,y_A2),y_B＝(y_B1,y_B2),

y_A＞y_B，当且仅当其中(y_A1,y_A2)＝(θ₁·y_B1,θ₂·y_B2)。这一偏好所对应的具体DEA-WEI模型为

若假设y_A＝(1,8),y_B＝(6,2),则根据偏好的定义知，(6,2)＝(θ₁，8θ₂)，那么θ₂＝1/4,θ₁+θ₂＞2，即y_B＞y_A。但若从另一边看，(1,8)＝(θ₁6,2θ₂)，则

θ₁＝6，θ₂＝1/4,θ₁+θ₂＞2,即y_A＞y_B。所以该偏好并不满足反对称性。如果将上述数据代入模型计算，则A的效率得分为(6+1/4)/2＝3.125，而B的效率得分为(4+1/6)/2≈2.083，都大于1。即出现A的学习标杆是B，但B的学习标杆又是A的荒谬情况。

(5)对于所述平均DEA模型，平均偏好的DEA模型和矩阵偏好的DEA模型，设“>”表示平均序，则所述广义DEA-WEI模型可写作：

其中w_j表示第j个产出指标的给定权重。为考察上述模型，引入另一种乘数形式的DEA-WEI模型

该乘数模型可以看成是采用了线性加权形式的多属性效用函数模型，并且所有DMUs的效用(绩效得分)都被标准化到(0,1]区间内。

采用所述平均偏好的DEA-WEI模型可以通过其乘数形式模型转化为线性加权的效用函数。DEA-WE不需要对指标数据进行标准化，并将所有DMUs的绩效得分标准化到(0,1]区间内。

如果“>”表示矩阵偏好，则DEA-WEI模型可以写成如下形式:

其中矩阵B可以表示决策者在投入和产出变量上的偏好。

根据所述DEA模型和广义DEA-WEI模型，我们将各种环境因素作为输入量，来得到几个符合条件的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。