賈玲，黃麗華，劉雪飛，韓璟琳，唐巍

(1. 河北農(nóng)業(yè)大學(xué) 機電工程學(xué)院，河北 保定 071000；2.國網(wǎng)河北省電力有限公司 經(jīng)濟技術(shù)研究院，河北 石家莊 050021；3.中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083)

光伏組件健康狀況評估是光伏組件維修的依據(jù)，長期以來均通過定期檢修、專家評定等判斷光伏組件的健康水平和運行狀況，以相關(guān)標準及運行經(jīng)驗為基準對光伏組件進行靜態(tài)評估，通常用“正常、不正常”等來表述，無法準確描述具體的健康狀況和狀況的發(fā)展趨勢.影響光伏組件健康狀況的因素眾多，且各因素影響程度各不相同，存在模糊性和不確定性，因此理論建模復(fù)雜.

目前常用的健康狀況評估方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機和模糊綜合評價法等.人工神經(jīng)網(wǎng)絡(luò)[1-2]是對人腦神經(jīng)系統(tǒng)的模擬，具有聯(lián)想記憶功能、自我調(diào)節(jié)和自我學(xué)習(xí)能力，但這種方法需要足夠的學(xué)習(xí)樣本來保證評估結(jié)果的可靠性；支持向量機[3-4]具有良好的擬合與泛化能力，能夠映射高度非線性的輸入與輸出，但其二分類固有屬性、核函數(shù)以及規(guī)則化參數(shù)選取困難使它在實際應(yīng)用中存在一定的局限性.模糊綜合評價法[5-6]是一種基于模糊理論的綜合評價方法，首先將定性評價轉(zhuǎn)換為定量評價，使用隸屬度函數(shù)進行量化，然后根據(jù)多個影響因素進行綜合性評判.該方法既考慮了評估對象的層次性，也可慮了影響因素的模糊性，使最終結(jié)果更加真實可靠.

文獻[7]采用主成分分析法對原始多維輸入變量進行預(yù)處理,利用馬氏距離表征光伏系統(tǒng)的健康程度，但是存在結(jié)果過于依賴特征參數(shù)的選取，要與光伏系統(tǒng)性能對比，才能更好地評價光伏系統(tǒng)性能.文獻[8]采用在線診斷方法對射頻收發(fā)機進行研究，判斷射頻收發(fā)機的健康狀況，對不良狀況及時采取相應(yīng)措施，使得射頻收發(fā)機的壽命得以延長；文獻[9-11]采用模糊理論和層次分析法對電力系統(tǒng)電壓進行研究，得出其電壓預(yù)警等級綜合評估.文獻[12]用層次分析法對指標體系進行分析，再利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)電網(wǎng)的安全評估.文獻[8-12]評估指標的權(quán)重僅僅通過主觀賦權(quán)法(層次分析法)得到，人為因素影響較大，使得評估結(jié)果不能完全真實的反應(yīng)事物本質(zhì).

鑒于以上分析，本文將主觀和客觀方法相結(jié)合，采用主觀賦權(quán)法的層次分析法和客觀賦權(quán)法的熵權(quán)法[13]相結(jié)合，確定光伏組件健康狀況評估模型中的組合權(quán)重.依據(jù)模糊理論分析法對光伏組件健康狀況做出綜合評估.

1 評估指標體系的建立

對光伏組件健康狀況評估需全面考慮各種影響其健康狀況的因素，即光伏組件部件的所有參數(shù).但是在實際工程應(yīng)用中往往考慮主要因素忽略次要因素.為此，綜合考慮影響因素所起作用的大小，選取重要影響因素作為反映光伏組件健康狀況優(yōu)劣的指標.若光伏組件的健康狀況不佳，其輸出功率、電流、電壓等必然偏離其正常值；光伏組件還存在一些外在表象如斷裂、黃變等現(xiàn)象，這些表象表明光伏組件已出現(xiàn)問題，會影響光電轉(zhuǎn)換效率，使運行參數(shù)偏離正常值；光伏組件的工作環(huán)境也直接影響其運行參數(shù)，所以不能單純依據(jù)運行參數(shù)的大小判斷其健康狀況，而是要將運行參數(shù)、外在表象以及工作環(huán)境參數(shù)緊密結(jié)合.為此本文的光伏組件健康狀況評估指標體系包含3部分內(nèi)容，即反映運行參數(shù)的運行指標、反映外在表象的巡視指標和反映工作環(huán)境參數(shù)的環(huán)境指標.運行指標、巡視指標和環(huán)境指標的因素多且各因素間相互影響，所以問題很復(fù)雜.為了便于分析，將復(fù)雜問題分解為多個簡單問題逐一求解，將光伏組件健康評估指標體系分為3層，即目標層、準則層、指標層.目標層為上層，反映了光伏組件健康狀況綜合指標(A)；準則層為中間層，包括運行指標(C1)、巡視指標(C2)、環(huán)境指標(C3)；指標層為下層，反映健康狀況的影響因素，包括太陽能直流功率(E1)、DC/DC光伏側(cè)電壓(E2)、DC/DC光伏側(cè)電流(E3)、光伏組件溫度(E4)、光伏組件效率(E5)、是否黃變(E6)、是否斷裂(E7)、是否過溫、過熱(E8)、是否積灰(E9)、是否遮陰(E10)、總輻射(E11)、環(huán)境溫度(E12)、相對空氣濕度(E13)、風(fēng)速(E14)、云量(E15).光伏組件健康狀況評估指標體系如圖 1 所示.

圖1 光伏組件健康狀況評估指標體系

2 多層次模糊理論綜合評估模型的建立

模糊綜合評判[14]側(cè)重于評估對象的模糊性和不確定性，主要利用了模糊集合中隸屬度和隸屬函數(shù)，將定性評價轉(zhuǎn)化為定量評價.影響光伏組件的健康因素很多且沒有一個確定的等級劃分，因此采用模糊評估法，根據(jù)模糊理論的原理，建立健康狀況影響因素集、健康狀況評估等級和隸屬云[15-16]，將層次分析法與熵權(quán)法相結(jié)合得到組合權(quán)重集，獲得判斷矩陣，從而進行模糊運算，得到更加合理的評判結(jié)果.

2.1 健康狀況影響因素集

光伏組件健康狀況評估指標體系中的指標層的影響因素構(gòu)成了健康狀況影響因素集，可用集合表示為

U={u1,u2,…,un},

其中，n是圖1下層的健康狀況影響因素的個數(shù).

2.2 健康狀況評估等級

本文采用相對劣化度[17, 18]反映設(shè)備(或系統(tǒng))狀態(tài)良好的程度，其數(shù)值介于[0，1]之間.根據(jù)指標性能的不同，分為越小越優(yōu)、越大越優(yōu)2種情況.健康狀況評估等級用于評價光伏組件的健康狀況，根據(jù)專家意見和運行經(jīng)驗，本文分為正常、注意、異常、故障4個等級，用集合表示為V={Ⅰ，Ⅱ，Ⅲ，Ⅳ}.越小越優(yōu)運行狀況與相對劣化度之間的對應(yīng)關(guān)系如表1所示.越大越優(yōu)運行狀況與相對劣化度之間的對應(yīng)關(guān)系如表2所示.

表1 越小越優(yōu)健康狀況與相對劣化度之間的對應(yīng)關(guān)系Tab.1 The smaller the better the relationship between the health status and the relative deterioration

表2 越大越優(yōu)健康狀況與相對劣化度之間的對應(yīng)關(guān)系Tab. 2 The greater the relationship between the better health status and the relative deterioration degree

2.3 隸屬度模型的建立

隸屬度[17-18]用來表示狀況評估指標屬于模糊集合的程度和等級，需要通過隸屬函數(shù)來計算.隸屬函數(shù)的建立需要依據(jù)影響因素的性質(zhì)，本文的影響因素包括定量指標和定性指標，進而需要分別建立定量指標和定性指標的隸屬度模型.

2.3.1 定量指標的隸屬函數(shù)模型

傳統(tǒng)的隸屬函數(shù)選取依據(jù)性不強，從而導(dǎo)致計算結(jié)果的準確度不高.隸屬云模型是在相對劣化度與健康等級相對應(yīng)的基礎(chǔ)上利用隨機函數(shù)產(chǎn)生大量云滴形成的，更具有客觀性，準確度更高.

(1)

(2)

Hei=q，

(3)

式中，i表示健康狀況，分別取值為1、2、3、4；dmax、dmin分別表示相對劣化度的上、下限制；q的大小代表了模糊與隨機的關(guān)聯(lián)性，通常取0.01.

隸屬云生成算法流程如下：

4)重復(fù)步驟(1)-(3)，直到產(chǎn)生滿意數(shù)量的云滴.

對應(yīng)表1隸屬云如圖2所示.

圖2 隸屬云

在圖2的基礎(chǔ)上，求解定量指標的隸屬度，方法如下：

1)對定量指標進行歸一化處理，得到相對劣化度g(x)；

2)過g(x)=g0作一條平行于縱坐標軸的直線，與隸屬云有N個交點，取N個交點對應(yīng)的隸屬度r的平均值作為該定量指標隸屬于某狀況等級的隸屬度；

3)重復(fù)步驟2)，得到各定量指標隸屬于狀況等級的隸屬度.

2.3.2 定性指標的隸屬函數(shù)模型

對于巡視因素等定性指標，本文采用模糊統(tǒng)計的方法，根據(jù)對多名領(lǐng)域?qū)＜业囊庖娺M行統(tǒng)計，得出各定性指標的隸屬度，如式(4)所示.

.

(4)

2.4 組合權(quán)重模型的建立

本文將主客觀權(quán)重分析方法綜合考慮，形成了層次分析法[10]和熵權(quán)法相結(jié)合的綜合分析法，規(guī)避了單一賦值法的缺點.

2.4.1 層次分析法權(quán)重模型

1)判斷矩陣模型

標度是確定層次分析法權(quán)重的基礎(chǔ)，本文的標度選取如表3所示，標度越大，代表影響程度越大.2、4、6、8分別表示為相鄰標值的2個量之間的重要程度.同理，若相比較的2個量其中一個量的重要程度比另一個量低，根據(jù)低的程度，依次為1、1/2、1/3、1/4、1/5、1/6、1/7、1/8、1/9.從而分別求得環(huán)境指標、巡視指標、運行指標判斷矩陣Cn×n。

(5)

其中矩陣中的元素Cij為第i個量對第j個量的重要程度.

2)特征向量模型

利用公式(6)求上述判斷矩陣Cn×n的最大特征值λmax及其對應(yīng)的特征向量v.

Cv=λmaxv.

(6)

3)權(quán)重模型

根據(jù)特征向量計算各因素的權(quán)重.

(7)

其中，vi為判斷矩陣Cn×n的特征向量；∑vk為特征向量之和.

4)一致性檢驗?zāi)Ｐ?/p>

在計算每個因素的權(quán)重之后，需要進行一致性檢驗以驗證權(quán)重的合理性.如果未通過一致性檢驗，則需要調(diào)整判斷矩陣，直到滿足一致性.可按照式(8)和(9)進行一致性檢驗.

CR=CI/RI

，

(8)

(9)

其中:CR為一致性比例；CI為衡量不一致程度的數(shù)量指標；n為判斷矩陣階數(shù)；RI為平均隨機一致性指標.

當(dāng)n≥3，且 0

對于表3中1-9階判斷矩陣，RI取值如表4所示.

表4 判斷矩陣的平均隨機一致性指標

2.4.2 熵權(quán)法權(quán)重模型

熵權(quán)法權(quán)重的求解過程如下:

1)對于n個數(shù)值型參數(shù)選取b組待評價對象，則得到評價矩陣

(10)

其中，qij為第j組對象在第i個指標的數(shù)值.

2)對數(shù)據(jù)進行標準化處理.由于各項指標的計量單位不統(tǒng)一，因此在計算綜合指標前，先進行標準化和歸一化處理，得到標準矩陣(θij)n×b.

3)計算第i項指標的熵值

(11)

4)計算第i項指標的熵權(quán)

(12)

2.4.3 組合權(quán)重模型的確定

建立了光伏組件健康診斷的指標體系后，運用AHP和熵權(quán)法分別計算出各個指標的權(quán)重，然后利用式(13)計算出指標的組合權(quán)重.

(13)

式中:wi為層次分析法的權(quán)重；gi為熵權(quán)法的權(quán)重；Wi為 AHP—熵權(quán)法的組合權(quán)重.

2.5 多層次模糊綜合評估模型

光伏組件健康狀況評估涉及因素繁多，狀態(tài)參量數(shù)量很大，而且時時變化，想要建立一個精確的評估模型目前尚無可能，因此本文基于模糊理論建立了多層次模糊綜合評估模型.

根據(jù)模糊理論分析搭建光伏組件健康狀況評估模型，

(14)

其中，W表示權(quán)重矩陣，R表示模糊關(guān)系矩陣，B表示評估等級的隸屬度矩陣.

由于光伏組件健康狀況評估指標體系具有多層次，因此模糊評估模型要運用在多個層次上，要對下層的影響因素集合求解對應(yīng)的巡視指標、運行指標、環(huán)境指標的隸屬度，該過程稱為一級評估，再利用巡視指標、運行指標、環(huán)境指標的隸屬度評估光伏組件最終的健康狀況，該過程稱為二級評估.

2.6 基于光伏組件健康狀況綜合評估的求解

2.6.1 一級模糊評估的求解

1)定量指標的隸屬度求解

將數(shù)值型影響因素進行歸一化處理，采用云模型確定各狀況量對各狀況評級隸屬度，形成模糊關(guān)系矩陣.

2)定性指標的隸屬度求解

通過專家調(diào)查表確定各狀態(tài)量對各狀況評級的隸屬度，形成模糊關(guān)系矩陣.

3)組合權(quán)重的求解

運用1～9標度法分別對運行指標、巡視指標、環(huán)境指標建立判斷矩陣，利用式(7)計算各狀況量的權(quán)重向量；針對指標層中各狀況量數(shù)據(jù)，建立評價矩陣，利用式(12)計算各狀態(tài)量的權(quán)重向量，最后利用式(13)計算組合權(quán)重向量.

4)一級模糊評判

2.6.2 二級模糊評估的求解

一級模糊評判結(jié)果即為運行指標、巡視指標、環(huán)境指標的隸屬度.運用式(7)得到運行指標、巡視指標、環(huán)境指標的權(quán)重，運用式(14)得到模糊評判結(jié)果向量，依據(jù)最大隸屬原則確定光伏組件的健康狀況評估結(jié)果.

其程序流程如圖3所示.

圖3 程序流程

3 實例分析

本文選取中國某地實際運行的光伏組件作為研究對象，原始數(shù)據(jù)如表5所示.利用Matlab編程，計算結(jié)果見表5.

表5 原始數(shù)據(jù)

1)運行指標、巡視指標、環(huán)境指標的隸屬度矩陣分別為

2)運行指標、巡視指標和環(huán)境指標的權(quán)重分別為

3)一級模糊綜合評估結(jié)果：

①運行指標的隸屬度B1=[0.613 0.261 0.126 0].

②巡視指標的隸屬度B2=[0.915 0.085 0 0].

③環(huán)境指標的隸屬度B3=[0.558 0.442 0 0].

5)二級模糊綜合評估BA=[0.706 0.228 0.066 0].

最終解得光伏組件綜合模糊評估隸屬度矩陣為[0.706 0.228 0.066 0]，該結(jié)果表明光伏組件屬于正常狀況的隸屬度為0.706、注意狀況的隸屬度為0.228、異常狀況的隸屬度為0.066、故障狀況的隸屬度為0.根據(jù)最大隸屬度原則，該光伏組件等級為“正常狀況”.

4 結(jié)論

1)通過對光伏組件健康狀況評估的研究，提出了光伏組件的健康狀況評估方法，即基于模糊理論和組合權(quán)重的光伏組件健康狀況評估方法.該方法涵蓋了定量指標和定性指標的求解，因此也適合其他組件或設(shè)備的健康狀況評估.

2)基于模糊理論，利用隸屬云確定定量評估指標的隸屬度，避免了利用傳統(tǒng)隸屬函數(shù)求解隸屬度帶來的主觀性強的問題.將層次分析法和熵權(quán)法相結(jié)合得到組合權(quán)重，降低了權(quán)重的主觀性，結(jié)果更加客觀合理.

3)采用Matlab編程，對某地區(qū)的光伏組件進行了健康狀況評估，結(jié)果表明該方法是可行的、有效的.