光伏運維系統輔助決策模塊設計探討

徐紅武， 檀庭方，李靖霞，王東霞，王濤，沈煌，張哲

(1.國電南京自動化股份有限公司，南京 211106； 2.東南大學，南京 211106)

0 引言

光伏運維系統輔助決策模塊根據系統采集到的設備運行數據、歷史存儲數據以及運維人員、行業專家反饋給系統的經驗數據等，實時分析光伏電站生產經營情況。光伏電站輔助決策模塊一般包含電站運行分析、設備運行分析、電站安全分析、物資分析、電站投資收益分析、設備故障診斷分析、預測分析等。

1 建立生產運行指標體系

光伏電站生產運行指標體系，是對光伏電站進行科學評估的必備要素。光伏電站生產運行指標一般包含電量指標、能耗指標、設備運行指標。電量指標主要由理論發電量、實際發電量、上網電量、購網電量等組成。能耗指標主要由電站用電量、逆變器損耗、箱變損耗、升壓站損耗等構成。設備運行指標主要由設備故障時間、最大出力、設備運維成本、電網限電至設備停運時間等構成，具體運行指標因素如圖1所示。

圖1 光伏電站經濟運行指標因素

2 經濟運行評估方法

模糊綜合評判是利用模糊數學理論來對事物進行評估的科學方法，把模糊綜合評判的方法應用在光伏電站經濟運行的評估方面，可以克服以往根據某些指標來對光伏電站進行評估的局限性，模糊綜合評判從宏觀上考慮影響變電站經濟運行的所有主要因素，因而評估結果更全面、更科學。

2.1 確定評估因素集

評價光伏電站經濟運行情況，片面、單一的評價是不夠的，只有從多個角度出發對其進行綜合評價才可得到更為準確的結果。例如,可以從理論發電量、實際發電量、電站損耗、性能比、運維效率等多重角度來進行評判。將所有影響因子集合在一起時構成一個體系，便可以將其稱之為評估對象集如下式。

U={U1,U2,…,Um} ，

(1)

式中：U為評估對象集合；U1,U2,…,Um分別為m個評估對象。

2.2 確定評語集

評語是指對事物評判結果。由各種不同評語構成的集合稱為評語集，如下式。

V={V1,V2,V3,…,VP}，

(2)

式中：V為評語集；V1,V2,V3,…,VP分別為p個評語。 本文根據光伏電站運行時可能出現的情況，把光伏電站運行情況分成良好狀態(V1)、一般狀態(V2)、注意狀態(V3)、不合格狀態(V4)4種等級。

2.3 確定權重值

確定權重有求和平均法、對比綜合法等。求和平均法計算過程比較粗糙，受主觀因素的影響較大。對比綜合法計算過程較精細，可以有效降低主觀因素的影響。對比綜合法采用各因素相互比較重要程度，得到權重對比模糊互補判斷矩陣，然后判斷模糊互補判斷矩陣是否一致性，若模糊互補判斷矩陣不一致，繼續優化模糊互補判斷矩陣，直至一致性，最后根據模糊一致性矩陣與權重的關系，計算出電站經濟運行的權重向量值。模糊一致性矩陣與權重值間存在著相應的關系，具體表達式如下。

i∈{1,2,…,n}[1]。

(3)

式中：ωi為權重值；n為評價因素的個數；調整參數a，且a與n之間的關系為a>(n-1)/2，隨著a的數值逐漸增大，各個因素的權重值之間差距逐漸減小，所以此處a的值應滿足a=(n-1)/2，aik為模糊矩陣的元素，即下文中的R。

首先，為了求模糊互補判斷矩陣，需要定義統一的標度標準，本文根據0.1～0.9標度法來求模糊互補判斷矩陣，見表1。

表1 標度定義表

根據各指標因素的重要程度，確定第一層指標權重對比見表2。

表2 第一層指標因素相對權重定義

則第一層模糊互補判斷矩陣為：

根據式(3)可以計算出第一層因素權重向量ω=(0.333 3,0.433 3,0.233 3)，同理確定第二層A指標權重對比見表3。

表3 第二層指標因素A相對權重定義

則模糊關系矩陣為：

同理可以計算出第二層A因素權重向量ωA=(0.2333,0.3,0.3,0.1667)，確定第二層B指標權重對比見表4。

表4 第二層指標因素B相對權重定義

則模糊關系矩陣為：

同理可以計算出第二層B因素權重向量ωB=(0.466 7,0.266 7,0.266 7)，確定第二層C指標權重對比見表5。

表5 第二層指標因素C相對權重定義

則模糊關系矩陣為：

同理可以計算出第二層C因素權重向量ωC=(0.316 7,0.183 3,0.183 3,0.316 7)。

2.4 確定綜合評判矩陣

根據各評價因數的物理特征，選擇合適的隸屬度函數。在模糊數學中，常見的模糊分布有：矩形分布、梯形分布、正態分布、K次拋物線形分布、T形分布、柯西形分布。

在光伏電站經濟運行評估領域，梯形模糊分布函數用得比較多。要為每一個指標因素的每個評價選擇好合適的隸屬度函數，首先要對該指標因素對評價的影響做科學的統計分析，以確定該指標因素與評價的大致函數分布，然后與模糊數學中經典的模糊分布函數進行對比，以便選擇最佳的模糊函數，并確定該模糊函數中常量的具體取值，如此下來，也就把該指標因素對于該評價的隸屬度函數確定下來了。例如對于設備故障時間這個指標因素，因為大部分設備故障時間很低的時候，幾乎不會對電站經濟運行產生明顯的影響，所以對于評語V1，可以考慮偏小型半梯形分布函數；當設備故障時間持續很長的時候，勢必對光伏電站的經濟運行產生嚴重的影響，所以對于評語V4可以考慮偏大型半梯形分布函數。而對于評語V2、V3，則可以考慮中間型梯形分布函數[1]。

2.5 進行模糊計算

2.6 得出評判結果

最大隸屬度原則I表述如下。

設A1,A2,···,Am為給定的論域U上的m個模糊模式，x0∈U 為一個待識別對象，若Ai(x0)=max{A1(x0), A2(x0),···,Am(x0)},則任務x0優先屬于模糊模式Ai[2]。

3 詳細算法運算過程

假設某地一個10 MW的光伏電站，其經濟運行指標見表6。

根據每個評價因數所屬的隸屬函數，可以計算出二級評價因素集A對應的模糊關系矩陣為：

表6 某光伏電站運行指標

BA歸一化值為：BA′=[0.609 8,0.272 2,0.111 5,0.006 5]，同理可計算出二級評價因素集B對應的模糊關系矩陣為：

BB歸一化值為：BB′=[0.458 1,0.385 3,0.136 6,0.02]，同理可計算出二級評價因素集C對應的模糊關系矩陣為：

BC歸一化值為BC′=[0.350 3,0.526 8,0.122 5,0.000 4]，因此可得到一級模糊關系矩陣：

則一級評判結果為：

B=ω°R=[0.333 3,0.433 3,0.233 3]°

[0.483 4,0.380 6,0.124 9,0.010 9]，

此處B即為模糊綜合評判結果集。根據最大隸屬度原則，可知該光伏電站運行在良好狀態[3-4]。

4 結束語

光伏電站輔助決策系統是光伏運維系統的核心部分，涉及的算法主要體現在狀態評估、故障診斷及一些預測類(如投資預測、光伏組件衰耗特性預測)的需求上。由于模糊綜合評判算法從系統全局的角度對事物進行了綜合考察，因此，用該方法所得到的結果更科學、更準確。當然，要獲得比較準確的評估結果，為每個評語選取合適的隸屬度函數就顯得尤為重要，這是進行科學評估的前提。由于時間有限，本文的隸屬度函數選取可能還不夠完善，在今后的研究工作中還需要在這方面重點加以研究；同時，由于光伏輔助決策模塊涉及較多的算法，況且各種算法的運行效率、準確性、適用性也不盡相同，為了讓各種算法發揮最好的效用，也需要對各種算法加以甄別，以便能選出最適合于相關應用的算法，以提高系統的智能化運維水平。

參考文獻：

[1]李躍軍.智能變電站二次設備狀態評估模型及其應用的研究[D].保定：華北電力大學電氣與電子工程學院.

[2]賈鑫,盧昱.模糊信息處理[M].長沙：國防科技大學出版社,1996.

[3]檀庭方，李靖霞，吳世偉，等.基于“互聯網+”的智能光伏電站集中運維系統設計與研究[J].太陽能，2017(9):23-28.

[4]王禹，李旭東.一種居民屋頂光伏電站巡檢運維系統[J].電氣技術，2018，19(2):123-126.