多应用场景下基于云模型直觉模糊层次分析法的储能技术综合评估方法

2022-10-09 06:28章姝俊陈楚楚章雷其吴启亮张雪松陈民铀

电工电能新技术 2022年9期

钱啸，章姝俊，陈楚楚，黎博，章雷其，吴启亮，张雪松，陈民铀

(1. 国网浙江省电力有限公司，浙江杭州 310000； 2. 重庆大学电气工程学院，重庆 400030； 3. 国网浙江省电力有限公司电力科学研究院，浙江杭州 310000)

1 引言

随着中国双碳目标的推进，可再生能源快速发展。但是，可再生能源出力的波动性、间歇性特点将对电力系统运行的安全性、用户用电的可靠性、投资者售电的经济性造成不容忽视的影响[1]。储能以其灵活便捷的充放电能力提供辅助服务时，也解决了电网侧、用户侧以及投资者所面临的问题[2]。由于储能技术参与应用场景的商业模式尚未确立、实际建设案例少，投资者不能得到有效的投资信息，进一步影响储能技术的发展。在此不确定背景下，如何评估储能技术参与电力系统应用的综合效益，同时考虑储能未来发展迅速变化的趋势，是一个亟待解决的问题。因此，建立多应用场景下的储能技术综合效益评估模型，对储能技术的发展具有现实意义。

目前对储能技术参与应用场景评估的研究，主要从经济性、可靠性、环保性等单方面考虑单应用场景的效益。文献[3-5]仅针对储能参与单应用场景下的经济性进行了分析。而文献[6-8]针对削峰填谷、调频、延缓电网升级建设等多应用场景下的经济性进行了分析。文献[9,10]进一步考虑到可靠性，实现可靠性和经济性的最优折中。而文献[1,11,12]则侧重考虑储能的经济性与环保性。但是，上述研究无法全面反映电力系统对储能技术多样化的需求，以及储能技术对电力系统多方面的影响。

针对以储能为评估主体的综合评估方法，目前常采用层次分析法[11,13,14]。但层次分析法的决策结果存在受主观影响大、不能体现决策者偏好的不足。而以模糊数理论为基础的组合评估法[15,16]，因能在信息缺失、专家主观判断存在歧义、犹豫的环境下，有效表达评估主体的特点以及决策者的偏好，已被广泛运用。然而，运用传统模糊数进行评估时，需要根据评估主体特性选择隶属函数，不同的隶属函数可能造成评估结果的不同。以直觉模糊数理论为基础的评估方法无须选择隶属函数，不仅拥有传统模糊数的特性，还能表达决策者的犹豫度[17-19]。以直觉模糊理论为基础的评估结果无法直观地展现评估时模糊、随机的情形。

综上所述，现有储能技术的评估方法大多考虑单场景特性，而对多场景下的指标体系和评估方法研究不够深入。并且，常用评估方法，如层次分析法，不能很好解决决策者评估不确定性问题。因此，本文提出一种多应用场景下储能技术的多特性综合评估模型，该模型能够更全面地评估储能技术的综合效益，为决策者提供多样性的评估结果。本文方法将多种应用场景考虑到经济性指标中，建立更为全面的多特性评估指标体系，并确立了指标计算模型。进一步，为更好解决决策者评估不确定性问题，本文针对直觉模糊层次分析法(Intuitionistic Fuzzy Analytic Hierarchy Process，IFAHP)不能直观体现评估时模糊、随机的问题，利用云模型(Cloud Model)[20-22]可保留随机性和模糊性的特性，对其评估模型进行改进，量化专家对指标偏好的权重值。最后，以改进的IEEE RBTS BUS6作为测试系统，以指标仿真数据为基底，结合直觉模糊层次分析法的权重，通过云模型将其云滴化，得到储能技术参与多应用场景的综合评估结果。就目前常见储能技术而言，在不考虑地理环境、建设周期等约束条件下，抽水蓄能的综合评分最优。而进一步对电化学储能技术的技术参数进行敏感性分析后发现，当提高电化学储能技术成本、循环次数和日历寿命时，其综合评分要优于抽水蓄能。

2 储能参与多场景应用综合评估指标体系

针对目前对储能技术参与电网应用场景的研究分析不够全面的问题，本文从可靠性、经济性、环保性综合3方面建立指标体系。

2.1 可靠性评估指标

考虑到电力系统中储能的接入将对其可靠性产生一定的影响，本文选择系统平均中断频率(System Average Interruption Frequency Index, SAIFI)、用户停电持续时间(Customer Interruption Duration Index, CIDI)、平均供电可用率(Average Service Availability Index, ASAI)、负荷缺供电量(Energy Not Supplied, ENS)作为可靠性评估指标[23，24]，详细计算见附录。

2.2 经济性评估指标

考虑到多应用场景的特性，采用平准化储能成本(Levelized Cost Of Storage, LCOS)指标表征其在不同应用场景下的成本，并提出将经济效益按应用场景细分为能量套利、调频效益、延缓电网设备改造升级指标。

(1)平准化储能成本指标

为准确量化储能参与应用场景时所需的成本，本文采用平准化储能成本作为成本指标，其中包含投资、运行维护、充电和报废成本，计算见式(1)、式(2)[25，26]：

(1)

(2)

式中，r为折现率；n为储能设备工作的第n个年限；N为储能设备总的工作年限；Tc为储能设备的建设时间；Icost为储能设备的投资成本；CP为储能设备的功率成本；CpP为储能设备的额定功率；CE为储能设备的能量成本；CpE为储能设备的额定容量；Fcost为储能设备的固定运行维护成本；CPF为储能设备运行和维护的功率成本；CEF为储能设备运行和维护的能量成本；Cy为储能设备的年平均充放电次数；Dgy为储能设备的循环放电老化率；DgT为储能设备的年老化率；DoD为储能设备的放电深度；Ccost为储能设备的充电成本；Pel为第n个工作年限的充电电价(CNY/(kW·h))；tcharged为第n个工作年限的充电时长；Edc,n为第n个使用年限中的放电电量；Scost为储能设备的报废成本；FEOL为相对一次性投资成本的比例系数；η为储能设备对外充放电总效率；ηRT为储能设备的充放电循环效率；ηself为储能设备的自放电率；当应用场景确定时，CpE为储能设备每次以额定功率持续放电时长为tapp时的储能设备额定容量；tapp为应用场景所要求放电时长。

(2)能量套利指标

储能技术参与能量套利的收益计算如式 (3)、式(4)[27]所示：

(3)

mea,h=ph,peak-ph,valley

(4)

式中，Mea为储能参与总时长为H时套利服务所得收益；ΔQea,h为h时间段内储能参与能量套利的电量；mea,h为第h时间段内能量套利净利润；ph,peak为h时间段内的峰值电价；ph,valley为h时间段内谷值电价。

(3)调频效益指标

储能参与调频的收益数学模型如式(5)、式(6)所示[28]：

Msfm=Qsfm·re

(5)

Qsfm=Psfm·Tsfm

(6)

式中，Msfm为参与调频服务的补偿费用；re为补偿系数；Qsfm为参与调频容量；Psfm为参与调频功率；Tsfm为调频时段的长度。

(4)延缓配电网设备投资

延缓配电网设备升级投资效益计算如式(7)、式(8)所示[3，29]：

(7)

(8)

式中，Mdelay为延缓配电网设备投资的收益；Cinv为电网进行改造升级所需的一次性投资成本；ξ为储能系统的峰值削波率；τ为配电网负荷的年增长率。

2.3 环保性评估指标

为量化储能代替传统火电机参与服务所得环保效益，本文提出储能代替其参与电网服务时，所减少排放的污染物作为环境效益指标，如式(9)所示[2,30]:

(9)

式中，mi,gas为第i种气体单位环境价值(元/kg)；Ci,gas为第i种气体单位排放量(g/(kW·h))；Qapp为储能代替火电机组参与服务的放电电量。

综上所述，本文建立的综合评估指标体系包含系统平均停电频率、用户停电持续时间、平均供电可用率、总停供电量、平准化储能成本、能量套利效益、调频效益、延缓设改扩建与污染气体排放9个2级指标，如图1所示。

图1 综合评估指标体系Fig.1 Comprehensive evaluation indices system

3 改进的基于云模型直觉模糊层次分析法

针对现有评估方法无法体现犹豫、不确定的问题，本文在直觉模糊层次分析法的基础上，利用云模型对其进行改进，提出改进的基于云模型的直觉模糊层次分析法(Intuitionistic Fuzzy Analytic Hierarchy Process-Cloud model，IFAHP-Cloud)。该方法能够更好地表达决策者对储能技术参与多应用场景，进行评估时的不确定性、偏好性。

3.1 直觉模糊层次分析法确立权重

本文模型首先利用直觉模糊层次分析法确立评估指标体系的权重。直觉模糊层次分析法以传统模糊集与层次分析法为基础原理，考虑人工主体评估时思维上的犹豫度，建立以隶属度、非隶属度和犹豫度为信息机理的模糊合集[31]。决策者通过建立直觉模糊集进行评估，如式(10)所示[32，33]：

A={x=[μA(x),νA(x)],x∈X}

(10)

式中，μA(x)，νA(x)分别为对象x对集合A的隶属度和非隶属度，其值需满足以下条件：

(11)

犹豫度由隶属度和非隶属度得到，定义为：

πA(x)=1-μA(x)-νA(x)

(12)

(1)构造直觉模糊判别矩阵

当专家对对象进行评估时，将对象的各因素之间进行比较判别，并以直觉模糊数来表达，其中包含决策者的态度、意见。直觉模糊判别矩阵的确立是直觉模糊层次分析法的关键，直觉模糊判别矩阵为：

R=(rij)m×m

(13)

式中，直觉模糊数rij=(μij,νij,πij)，其中，μij为专家偏好指标i优于指标j的程度，νij为专家偏好指标j优于指标i的程度，πij为专家对指标j与指标i之间优劣关系的犹豫程度。表1为直觉模糊判别数的参照表[18，34]。

表1 直觉模糊判别数参数对照表Tab.1 Intuitionistic fuzzy numbers used in pairwise comparison matrices

(2)一致性检验及修正

直觉模糊层次分析法需要对判别矩阵进行一致性检验，若检验不满足要求，则需进行修正。一致性检验及修正公式见文献[33]。文献[34，35]提出当一致性矩阵检验值RI满足RI<0.1时达到标准，否则需继续修正。

(3)权重的计算

同属别下指标直觉模糊权重由判别矩阵通过式(14)计算得出:

(14)

根据得分函数式(15)与归一化函数式(16)将直觉模糊权重计算为归一化权重λ，其中πi=1-μi-νi。

(15)

(16)

3.2 云模型量化不确定因素

云模型的关键信息由期望Ex、熵En、超熵He三个特征值表达。云滴值期望Ex反映云中心的位置，是代表该云滴100%属于定性概念的量化体现，利用式(17)计算得到。熵En反映空间中云滴的离散与模糊程度，是该定性概念所涵盖的分数范围，由式(18)计算得到。超熵He反映为熵的不确定性，He越大云滴越离散，云模型厚度越厚。特征值计算如式(19)、式(20)所示。

(17)

(18)

(19)

(20)

式中，Xi为样本点的数值；S2为样本数据的样本方差。

为使决策者对评估结果有更加明确的概念，在对储能参与多应用场景综合评估时，需要对其评估结果进行等级分类[32]。利用指标等级分值的上下限，可通过正向云发生器式(21)得到各个指标等级的云模型特征值。

(21)

式中，Sij,max、Sij,min为评估等级区间分数；He的值为常数C。

利用云模型对直觉模糊层次法进行改进,通过式(22)～式(24)将直觉模糊层次分析法得到的主观权重与云滴相结合，实现客观与主观相结合的综合评估。

(22)

(23)

(24)

式中，λi为第i个指标的直觉模糊权重；Exi、Eni、Hei分别为第i个指标的期望、熵、超熵；Exj、Enj、Hej分别为第i个指标所属上级指标j的特征值。

4 基于IFAHP-Cloud的综合评估模型

为更好地解决决策者评估的不确定性，与明确评估流程，本节建立了综合评估等级，并对本文所建立的基于IFAHP-Cloud综合评估方法流程进行阐述。

4.1 综合评估等级的建立

为简明地表达评估结果，参考文献[36]储能电站运行评价等级划分标准，将储能技术参与多应用场景的评估结果分为“AAA”、“AA”、“A”、“B”、“C”五个等级，等级对应分数区间见表2。

表2 储能技术参与多应用场景评估综合云等级Tab.2 Energy storage technology participating in comprehensive cloud evaluation level of multi-function services

基于以上评估分数集，利用式(21)正向云发生器得到等级标准的云模型，如图2所示。图2中每个等级由2 000个云滴构成，纵坐标为云滴在横坐标分数上的隶属度。

图2 储能技术参与多应用场景评估等级云模型图Fig.2 Energy storage technology participation in multi-function service comprehensive evaluation grade cloud model chart

4.2 综合评估方法流程

评估模型流程如图3所示,其总体流程如下：

(1)根据可靠性、经济性、环保性指标数学模型对指标数据进行计算。

(2)根据指标仿真数据，利用逆向云发生器计算指标的云模型数字特征。

(3)根据确定的储能评分等级，利用条件发生器生成云模型评估等级。

(4)咨询专家，对所建立评估体系中指标进行直觉模糊判别，生成判别矩阵。

(5)对判别矩阵进行一致性检验，若满足，则到步骤(7)，若不满足，则进行下一步。

(6)对判别矩阵进行修正，修正后，返回步骤(5)。

(7)计算直觉模糊权重。

(8)将指标云模型特征参数与直觉模糊权值相结合，得到储能技术的综合云模型评分。

(9)评估完成。

图3 综合评估方法流程图Fig.3 Comprehensive evaluation method flow chart

5 测试系统参数与评估指标体系计算

为验证本文所提综合评估方法的合理性，本文首先根据指标的数学模型搭建测试系统参数，并对其进行计算，得到指标数据，作为云模型生成云滴的数据基础。

5.1 测试系统参数设定

针对可靠性指标数据的计算，本文采用改进的IEEE RBTS BUS6算例[37]。本文在IEEE RBTS BUS6系统中的18与30节点处分别接入一个储能系统，修改后的测试系统如图4所示。

图4 改进的IEEE RBTS BUS6算例Fig.4 Improved IEEE RBTS BUS6 calculation example

为了评估不同储能技术对可靠性指标的影响，选取了八种典型储能技术进行计算评估，分别为抽水蓄能(Pumped Hydro Storage，PHS)、压缩空气储能(Compressed Air Energy Storage，CAES)、飞轮储能(Flywheel Energy System，FES)、阀控铅酸电池(Valve Regulated Lead Acid battery，VRLA)、磷酸锂铁电池(Lithium iron Phosphate battery，LFP)、钠硫电池(sodium-sulfur battery，NaS)、全钒液流电池(Vanadium Redox-Flow battery，VRF)、氢储能(Hydrogen Energy Storage，HES)。储能技术的容量等参数见附录。测试系统中的线路、系统平均负荷功率与元件可靠性参数等见文献[37]。

仿真经济、环保效益时的指标数据，需要对储能技术参与多应用场景的基本参数进行设定，本文所设定应用场景的基本参数取自文献[16,26]，具体见附录。

能量套利参考浙江省居民用电分时电价表进行仿真，具体见附录。针对调频收益应用场景，参考浙江省收费标准，调频容量为10元/MW，调频里程收费为15元/MW。延缓电网设备升级应用场景的参数数值见附录。

在对环保性指标进行计算时，需用到气体单位环境价值、气体单位排放量，其值见附录。

5.2 评估指标体系计算结果

在指标体系的参数设定后，据第2节所建立指标数学模型进行仿真计算，得到综合指标体系仿真结果。图5为不同储能技术的可靠性数据指标，对于SAIFI指标，各储能技术差距较小，抽水蓄能、压缩空气储能和氢储能可有效减少用户点年停电次数。

图5 系统可靠性评估指标Fig.5 Indices data of system reliability

图6为平准化储能成本。LCOS指标值为零表示不满足参与应用场景的条件。抽水蓄能的能量套利、调频与延缓电网设备投资的LCOS在八种储能技术中最低。全钒液流电池、磷酸锂铁电池、钠硫电池、阀控电池参与能量套利与延缓电网设备投资的LCOS成本相差不大。

图6 LCOS指标数据Fig.6 Indices data of LCOS

图7为效益指标。从图7中可看出抽水蓄能在参与能量套利、调频以及延缓电网设备投资三者应用场景时，效益均为最高，分别为4 950 CNY/kW，8 400 CNY/kW和792 CNY/kW。由于抽水蓄能、压缩空气储能在应用场景中寿命较长，所以单位容量下的场景收益相比其余储能技术较高。并且由图7中可看出，调频收益和能量套利为储能技术收益主要来源。

图7 效益指标数据Fig.7 Indices data of economic benefits

在对经济性指标进行计算的同时，能够得到储能技术的减少气体排放效益指标，减少气体排放效益指标仿真数据结果如图8所示。在经济效益指标中收益最高的抽水蓄能，在减少气体排放效益指标中仍为最高，其单位容量下的减排效益为351.51元，减少气体排放量为106.85 kg。

图8 减排效益指标Fig.8 Indices data of emissions

6 多应用场景下储能技术的综合评估结果

本节利用提出的基于IFAHP-Cloud的综合评估方法，确定指标体系的权重，在得到综合指标体系仿真数据的基础之上，通过云模型得到各储能技术的综合评分。

6.1 指标体系权重

首先，对本文所建立评估体系中指标的重要性进行评估。以可靠性指标为例，判别矩阵RA行、列对应可靠性指标内SAIDI、ENS、ASAI、CIDI四个指标，其内元素为3.1节所述直觉模糊数rij=(μij，νij)，指标直觉模糊数为根据表1分别对比所得，例如判别矩阵RA内元素rA-11为SAIDI指标和SAIDI指标自身比较重要性，此情况下两者重要性等同且不存在犹豫度，所以rA-11=(0.50，0.50)，元素rA-12为SAIDI指标相较于ENS指标的重要性，经决策分析SAIDI指标相较于ENS指标相比非常重要，参照表1可得到rA-12=(0.80，0.15)。同理可得到矩阵内其余元素值，以及经济性指标判别矩阵RB。

(25)

(26)

(27)

(28)

将经修正后的直觉模糊判别矩阵代入式(14)～式(16)，得到本文所建立评估指标的权重见表3。

表3 指标权值表Tab.3 Indices weight

6.2 各种储能技术的综合评估结果

将第5节得到的仿真数据进行标准化，并将其代入逆向云发生器即式(17)～式(20)，得到各个指标对应云模型特征值。并通过式(22)～式(24)将计算得到的各指标权值与云模型数字特征值结合，得到各储能技术的综合评估模型，将其与综合评估等级进行对比，得到其评估结果，评分表见表4，云滴图如图9所示。

表4 储能技术参与多应用场景评估综合云等级评分表Tab.4 IFAHP-Cloud model score table

图9 八种储能技术参与多应用场景的综合云模型评估结果Fig.9 Score results of comprehensive cloud model for 8 energy storage technologies participating in multi-functional services

图9为八种储能技术参与多应用场景的综合云模型评估结果，图9中分为两部分，一部分为图2设立的评估等级云模型图，另一部分为综合评估结果(用不同深浅的点表示)。评分从高到低分别为抽水蓄能、压缩空气储能、全钒液流电池、磷酸锂铁电池、阀控铅酸电池、飞轮储能、钠硫电池、氢储能。将综合评估结果与设立的评估等级的横坐标评分值进行对比，可得到抽水蓄能的评估等级为AA，其余储能技术得分等级均为C。图9中点即云滴的离散程度和厚度，表示其属于该分值的不确定性和模糊度。离散程度越大、云滴越厚，不确定性越大。抽水蓄能技术是1890年以来最成熟、商用广泛采用的大规模储能技术[38]，且据美国能源部全球储能数据库[16]中统计，抽水蓄能的装机容量占比远大于其余储能。针对能够参与多应用场景的商业规模的储能设备，通常需大规模建设、长久使用[39]。抽水蓄能和压缩空气储能不仅能够大规模建设[40]，且使用寿命长，参与应用场景时能带来更多经济效益、更易满足用户需求。电池储能技术由于其优越的性能，研究项目众多[40]，但因其成本较高且寿命较短，不宜大规模制造，致使电池储能技术在多应用场景的综合评分中，与抽水蓄能的评分拉开差距。评估结果与分析对比呈现一定程度相仿，能够验证本文所建立评估模型的合理性和真实性。

6.3 本文方法与其他方法的对比

为验证本文所提IFAHP-Cloud评估模型的合理性，采用广泛应用的层次分析法(Analytic Hierarchy Process，AHP)，以及运用直觉模糊层次分析法对储能技术参与多应用场景的效益进行评估，对两种方法得到的结果与本文进行对比分析。AHP评估结果见表5，直觉模糊评分见表6。

表5 储能技术参与多应用场景评估层次分析法评分表Tab.5 AHP score table

表6 储能技术参与多应用场景直觉模糊评分表Tab.6 IFAHP score table

从表5可知，运用AHP法对储能技术参与多应用场景评估的结果。针对抽水蓄能和压缩空气储能两种已成熟使用的大规模储能技术，评估结果与本文所建评估模型呈同一趋势，处于八种储能技术前两名。飞轮储能、阀控铅酸电池等六种储能技术评分权重呈一定程度的重叠。表现出决策者在使用AHP对储能技术进行主观评估的过程中，不确定这六种储能技术在参与多应用场景时的优劣。从表6可知，在运用直觉模糊分析法进行评估时，考虑到决策者的犹豫度和不确定性，其评估结果与层次分析法相比，分值清晰，可知几种储能技术之间的等级差距。由于最终结果未能表达出在计算过程中决策者的不确定性，且参考数据少、主观性强，其结果与本文所提IFAHP-Cloud模型评估结果存在排名上差异。

而本文所提IFAHP-Cloud模型不仅能以定量方式表现出此不确定以及模糊性，并且云图中的云滴能够表达出几种储能技术之间，排名的不确定性、随机性。除此之外，本文所提模型将主观与客观评估相结合，比起层次分析法、直觉层次分析法，一定程度上削减了评估专家主观偏好，且减少了对数据的依赖性，使得评估结果更为客观合理。

6.4 敏感性分析

考虑到抽水蓄能、压缩空气等大型储能电站受地理条件限制，建设周期长，而电化学储能技术发展迅速，本文进一步对电化学储能的充放电循环次数、日历寿命、单位功率与能量成本三者变量进行敏感性分析，以研究电化学储能的应用潜力。

以评分最高的抽水蓄能的技术参数为基准，使阀控铅酸电池、磷酸锂铁电池、钠硫电池、全钒液流电池的充放电循环次数、日历寿命、单位功率成本和能量成本三者按比例接近抽水蓄能，并重新计算云模型评分Ex，得到电化学储能对三者变量的敏感性分析图，如图10所示。

图10 电化学储能的敏感性分析雷达图Fig.10 Sensitivity analysis radar chart of electrochemical energy storage

由图10(a)、图10(b)与图10(c)可看出当电化学储能的充放电循环次数、日历寿命和成本的数量级分别与抽水蓄能相接近时，综合评分将逐渐与抽水蓄能持平。从变化趋势上看，电化学储能的充放电循环次数对综合评分敏感性最强，而成本最弱。当三者变量同时变化时，电化学储能的综合评分将显著增高，如图10(d)中所示。其中磷酸锂铁、钠硫电池在三者技术参数改善时表现出良好的评分。

7 结论

本文针对评估储能技术参与多应用场景时考虑不全面的问题，提出了一种多应用场景下储能技术的多特性综合评估模型。针对传统评估方法主观性强、不能直观表达评估过程中模糊、不确定的问题，本文结合直觉模糊层次分析法与云模型方法，得到各储能技术在不确定、犹豫环境下的评估等级。结果表明，若不考虑地理条件限制，在多应用场景下，抽水蓄能的评估等级最优。

但是由于抽水蓄能、压缩空气储能对地理位置要求苛刻，且建设周期长。而电化学储能技术发展迅速，为评估结果更加全面可靠，本文对电化学储能技术的充放电循环次数、日历寿命、单位功率与能量成本，进行敏感性分析。当电化学储能技术的充放电循环次数、日历寿命、单位功率与能量成本进一步提高时，磷酸锂铁以及钠硫电池参与多应用场景的效益，要高于抽水蓄能以及压缩空气储能。

附录

1 系统平均中断频率指标

系统平均中断频率为配电系统中用户在一年内的平均停电次数，计算表达式为：

(A1)

式中，αi为负荷点i年停供率；Ni为负荷点i的用户数。

2 用户停电持续时间指标

用户停电持续时间为配电系统中用户一年内被停供电总时间，计算表达式为：

(A2)

式中，Ui为负荷点i的平均停供时间。

3 平均供电可用率指标

平均供电可用率指该配电系统内用户被持续供电总小时数与其供电小时数之比，计算表达式为：

(A3)