CN111105072A - 一种基于熵权模糊综合法预测光伏电站健康度的方法 - Google Patents

Abstract

本发明公开了一种基于熵权模糊综合法预测光伏电站健康度的方法，该方法以光伏电站为预测对象，对同一地区的多个光伏电站进行数据采集，对各个指标参量采用非线性隶属无量纲化处理，得到每一个指标的健康度；采用熵权模糊综合评判方法计算各指标的权重，根据每一指标健康度及其权重得到各个电站的综合健康度。本方法能够描述整个光伏电站保持安全可靠的工作的能力，判断光伏电站运行状态的优劣，进而保障光伏发电电站乃至电力系统的安全运行，对光伏电站的运行状态的监测具有指导意义。

Description

一种基于熵权模糊综合法预测光伏电站健康度的方法

技术领域

本发明涉及太阳能领域，尤其涉及一种基于熵权模糊综合法预测光伏电站健康度的方法。

背景技术

随着光伏产业的不断发展，准确判断光伏电站的运行性能与状态成为保障光伏电站乃至 电力系统安全运行的一个关键的因素。目前，光伏电站的运行评价指标主要是光伏系统性能 比，表示一段时间内(一般取月或年)，并网光伏系统的满发时数与理论发电时数之比，它的 大小表征了光伏发电系统性能的优劣。然而光伏系统性能比评价方法是一种整体判别的方法， 不容易对轻微损耗进行判别，并且无法对不可恢复影响进行区分，具有很大的局限性。若能 更加准确判断光伏电站的运行状况，必然能更好得保障光伏电站安全运行。在文献“光伏发电 系统的故障诊断与健康监测技术研究”提到的光伏电站健康度是描述整个系统能够保持安全 可靠的工作的能力。

关于并网光伏电站综合性能的评价指标体系和评价方法的研究比较少，同时也存在一些 不足。现有的研究中多采用层次分析法，通过层次分析法得到的各个指标权重主观性强；也 有采用模糊评价法，通过模糊评价法计算复杂，且权重主观性强。

本发明建立了光伏电站电气性能和机械性能两个维度的评价指标架构；基于熵权模糊综 合法对同一地区多个电站光伏电站进行健康度测算，通过熵权模糊综合法考虑权重时避免了 人为因素的干扰和主观赋予权重的弊端，并结合隶属度函数构建模糊评价向量来进行综合对 比同一地区各电站的健康度状态；最后基于Matlab/Simulink平台建立光伏电站仿真模型对本 方法进行可行性验证。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于熵权模糊综合法预测光伏电站 健康度的方法，为同一地区多个光伏电站运行状况进行准确预测，进而保障光伏电站乃至电 力系统的安全运行，对光伏电站的运行状态的监测具有指导意义。

本发明的目的是通过以下技术方案来实现的：一种基于熵权模糊综合法预测光伏电站健 康度的方法，包括以下步骤：

步骤一：采集光伏电站的电气及机械性能指标的各个参量u，包括获取的同一地区n个 光伏电站的m个指标的参量；

步骤二：对各个参量u采用非线性隶属无量纲化处理，获得各指标参量u的健康度，构 建指标的模糊健康度矩阵R；所述非线性隶属函数采用越大越优越型函数，即函数值越大， 表示对应指标的健康度越优；

步骤三：根据获得各指标参量u的健康度，采用熵权法计算指标u对应的信息熵权重， 获得熵权向量W；

步骤四：根据模糊健康度矩阵R和熵权向量W，得到最终熵权模糊综合健康度M。

进一步地，步骤一中，所述电气性能指标包括阵列平均功率、并网总功率、并网电压和 并网频率；所述机械性能指标包括有单个光伏板的最大出力和温度，逆变器的直流电压和温 度以及电缆的线路负荷、线路绝缘电阻、终端温度、中间接头温度、接地电阻。

进一步地，所述步骤二具体为：

将指标参量与期望的偏差值作为判断基础，进行模糊综合评价。特征参数偏差公式为：

其中：P_ij是参量ij的实测值，P_ije是参量ij的期望标准值。

所述x_ij的非线性隶属函数得到健康度评分公式为：

其中，特征参数偏差是越小越优型指标，即通过非线性隶属函数后，函数值r_ij越大，指 标越优。r_ij表示第i个电站的第j个指标的健康度，x_l和x_h分别为指定测算指标的上下限， 根据参量性质进行调整；b为形状参数，也可根据参量性质进行调整，当b＝0时，简化为线 性处理。模糊健康度矩阵R为：

R＝(r_ij)_m,i＝1,2,...,n；j＝1,2,...,m

其中n为同一地区光伏电站数，m为每个光伏电站的电气及机械性能指标个数。

进一步地，步骤三中，采用熵权法计算电气及机械性能指标u对应的信息熵权重，获得 熵权向量W的具体方法如下：

第一步，将指标模糊健康度矩阵R转化为对应的特征矩阵Y：

Y＝(y_ij)_n×m,i＝1,2,...,n；j＝1,2,...,m

其中，特征矩阵Y的元素，

第二步，计算指标的熵值向量H：

H＝(h_j)_m,j＝1,2,...,m

其中，

第三步，计算指标的熵权向量W：

W＝(w₁,w₂,...,w_m)

其中，

w_j表示第j个指标的信息熵权重。

进一步地，步骤四中，根据模糊健康度矩阵R和熵权向量W，得到每一电站的综合健康 度，即：

M＝W×R^T。

与现有技术相比，本发明运用信息熵反应数据本身的有效性来计算评价指标的权重，使 权重的确定具有一定的理论依据，避免了人为因素的干扰和主观赋予权重的弊端，同时结合 了非线性隶属度函数构建模糊评价向量来进行综合评判，能考虑到多种因素；本发明将同一 地区电站的指标信息动态关联起来，使得到的结果更具有科学性，能更好的对比同一地区各 电站的健康度状态；本发明建立了基于熵权模糊综合法的预测光伏电站健康度方法，为光伏 发电系统运行状况进行准确的判断，进而保障光伏发电系统乃至电力系统的安全运行，对光 伏电站的运行状态的监测具有指导意义。

附图说明

图1为预测光伏电站健康度架构图；

图2为一种基于熵权模糊综合法预测光伏电站健康度的方法流程图；

图3为本发明实施例的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细的描述。

参见图1，设电气性能健康度和机械性能健康度两个维度对光伏电站的发电及设备情况 进行健康度预测。

所述电气性能健康度的具体指标见下表。

表1电气性能健康度指标

所述机械性能健康度的具体指标见下表。

表2机械性能健康度指标

参见图2，本发明包括以下步骤；

步骤一：采集光伏电站的电气及机械性能指标的各个参量u；采集指标的各个参量u包 括获取同一地区的n个光伏电站的m个指标参量。通过电气性能健康度和机械性能健康度两 个维度对光伏电站的发电及设备情况进行健康度预测。

步骤二：对各个参量u采用非线性隶属无量纲化处理，获得各指标参量u的健康度，构 建指标的模糊健康度矩阵R；具体为：

R＝(r_ij)_m,i＝1,2,...,n；j＝1,2,...,m

其中，r_ij表示第i个电站的第j个指标的健康度评分。

所述指标的量化，是将指标参量与期望的偏差值作为判断基础，进行模糊综合评价。定 义特征参数偏差公式为：

其中：P_ij是参量ij的实测值，P_ije是参量ij的期望标准值，该值对应环境因素变化。

所述x_i的非线性隶属函数得到健康度评分公式为：

所述x_ij表示的是特征参数偏差，是越小越优型指标，即通过非线性隶属函数后，函数值 r_ij越大，指标越优。所述公式输入参数：x_i和x_h分别为指定预测指标的上下限，根据参量性 质进行调整；b为形状参数，也可根据参量性质进行调整，当b＝0时，简化为线性处理。

步骤三：根据获得各指标参量u的健康度，采用熵权法计算指标u对应的信息熵权重， 获得熵权向量W；具体方法如下：

第一步，将指标模糊健康度矩阵R转化为对应的特征矩阵Y；

Y＝(y_ij)_n×m,i＝1,2,...,n；j＝1,2,...,m

其中，

第二步，计算指标的熵值向量H；

H＝(h_j)_m,j＝1,2,...,m

其中，

第三步，计算指标的熵权向量W；

W＝(w₁,w₂,...,w_m)

其中，

w_j表示第j个指标的信息熵权重。

步骤四：根据模糊健康度矩阵R和熵权向量W，得到最终熵权模糊综合健康度M。最终 熵权模糊综合评分M的具体方法如下：将步骤二中的到的模糊健康度矩阵R的每一行元素 和步骤三中的到的熵权向量W相乘，得到每一电站的综合健康度，即：

M＝W×R^T。

下面举一具体实例。本发明实施例通过光伏系统仿真平台得出运行数据，进行光伏电站 电气性能健康度预测。分别在MATLAB/Simulink平台，对正常运行状况下，和部分阴影遮蔽 情况下对5个不同的电站进行仿真，以各个电站正常工作状态的数据作为期望标准值，对该 光伏发电系统电气性能进行健康度评分。

步骤一：采集光伏电站的电气及机械性能指标的各个参量u；

步骤二：对各个参量u采用非线性隶属无量纲化处理，获得各指标参量u的健康度，构 建指标的模糊健康度矩阵R；

步骤三：根据获得各指标参量u的健康度，采用熵权法计算指标u对应的信息熵权重， 获得熵权向量W；

步骤四：根据模糊健康度矩阵R和熵权向量W，得到最终熵权模糊综合健康度M。

所述步骤一，在20％的阴影遮蔽情况下，获取5个电站的阵列平均发电功率，并网总功 率，并网频率，并网电压波动参数数据。以第一个光伏电站为例，发电侧五个阵列的功率分 别为166w，152w，166w，170w，156w，则阵列平均发电功率为162w。其期待平均功率是200w。并网侧功率为0.79kw，并网侧功率期望值1.00kw。并网电压波动为0v，并网电压期 望值是0v。并网频率为50.0Hz，期望频率为50.0Hz。

所述步骤二，将每个对象的实测值与期望标准值代入特征参数偏差公式：

计算出第一个光伏电站发电侧阵列平均发电功率偏差分别是0.19。并网功率偏差为0.21。 并网电压波动偏差为0，并网频率偏差为0。

将每一个偏差值带入非线性隶属函数公式：

所述公式的输入参数取值为：b＝5，设置光伏阵列发电功率的区域设定为[2％，100％]， 并网功率的区域设定为[2％，100％]，并网电压波动的区域设定为[10％，30％]，并网频率的 区域设为[1％，4％]。

计算出，第一个光伏电站发电侧五个阵列的健康度评分分别是34.72，并网功率的健康度 评分为30.58，并网电压波动的健康度评分为100，并网频率的健康度评分为100。

同样的方式计算剩余4个发电站阵列平均发电功率的健康度评分，并网功率的健康度评 分，并网电压波动的健康度评分，并网频率的健康度评分，最终得到指标的模糊健康度矩阵 R如下：

所述步骤三，将糊评价矩阵R的每个元素带入特征化公式：

计算得到特征化矩阵如下:

将特征化矩阵各个元素带入熵值计算公式：

计算得到熵值向量H

H＝[0.9928 0.9956 0.9830 0.9932]

将熵值向量每个元素带入熵权向量计算公式：

计算得到熵权向量W

W＝[0.2042 0.1251 0.4793 0.1915]

所述步骤四，带入综合评分公式，得到每个光伏电站的最终熵权模糊综合评分

M＝W*R^T＝[77.9868 76.2943 45.8012 77.5518 66.3675]

由上试可以看出，第一到五个光伏电站的健康度分别为77.99，76.29，45.80，77.55，66.37。 利用所得到的5个光伏电站的健康度评分来判断同一地区光伏电站运行状态的相对优劣程度， 健康度评分越低，光伏电站运行状态越劣。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照 上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本 发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于熵权模糊综合法预测光伏电站健康度的方法，其特征在于，包括以下步骤：

步骤一：采集光伏电站的电气及机械性能指标的各个参量u，包括获取的同一地区n个光伏电站的m个指标的参量；

步骤二：对各个参量u采用非线性隶属无量纲化处理，获得各指标参量u的健康度，构建指标的模糊健康度矩阵R；

步骤三：根据获得各指标参量u的健康度，采用熵权法计算指标u对应的信息熵权重，获得熵权向量W；

步骤四：根据模糊健康度矩阵R和熵权向量W，得到最终熵权模糊综合健康度M。

2.根据权利要求1所述的一种基于熵权模糊综合法预测光伏电站健康度的方法，其特征在于，步骤一中，所述电气性能指标包括阵列平均功率、并网总功率、并网电压和并网频率；所述机械性能指标包括有单个光伏板的最大出力和温度，逆变器的直流电压和温度以及电缆的线路负荷、线路绝缘电阻、终端温度、中间接头温度、接地电阻。

3.根据权利要求1所述的一种基于熵权模糊综合法预测光伏电站健康度的方法，其特征在于，所述步骤二具体为：

将指标参量与期望的偏差值作为判断基础，进行模糊综合评价。特征参数偏差公式为：

其中，x_ij表示的是特征参数偏差，P_ij是参量ij的实测值，P_ije是参量ij的期望标准值。

所述x_ij的非线性隶属函数得到健康度评分公式为：

其中，特征参数偏差是越小越优型指标，即通过非线性隶属函数后，函数值r_ij越大，指标越优。r_ij表示第i个电站的第j个指标的健康度，x_l和x_h分别为指定测算指标的上下限，根据参量性质进行调整；b为形状参数，也可根据参量性质进行调整，当b＝0时，简化为线性处理。模糊健康度矩阵R为：

R＝(r_ij)_m,i＝1,2,...,n；j＝1,2,...,m

其中n为同一地区光伏电站数，m为每个光伏电站的电气及机械性能指标个数。

4.根据权利要求书1所述的一种基于熵权模糊综合法预测光伏电站健康度的方法，其特征在于，步骤三中，采用熵权法计算电气及机械性能指标u对应的信息熵权重，获得熵权向量W的具体方法如下：

第一步，将指标模糊健康度矩阵R转化为对应的特征矩阵Y：

Y＝(y_ij)_n×m,i＝1,2,...,n；j＝1,2,...,m

其中，特征矩阵Y的元素，

第二步，计算指标的熵值向量H：

H＝(h_j)_m,j＝1,2,...,m

其中，

第三步，计算指标的熵权向量W：

W＝(w₁,w₂,...,w_m)

其中，

w_j表示第j个指标的信息熵权重。

5.根据权利要求书1所述的一种基于熵权模糊综合法预测光伏电站健康度的方法，其特征在于，步骤四中，根据模糊健康度矩阵R和熵权向量W，得到每一电站的综合健康度，即：

M＝W×R^T。

Images