1.本发明涉及风力发电领域，具体涉及一种计及多源因素的基于贝叶斯网络风力发电系统动态风险评估方法，用于复杂条件下风力发电系统不正常运行状态的预先评估。
背景技术：
：：2.当前，清洁能源占比的巨大提升将导致更大规模的风机设备投入使用，风力发电系统的不确定性和调控需求都在持续增加，对稳定运行的挑战则更为严峻。然而，现有技术中的风力发电系统调控方式仍主要停留在被动控制阶段，无法对电网所面临的风险进行事前预警，错过最佳的预先防治时间。因此，完成由事后诊断向事前控制的转变对风力发电系统稳定运行具有重要意义。3.中国专利申请(cn111708798a)公开了“一种风电机组故障诊断与处理方法及系统”。采用排查指导库、逻辑诊断库等模块与风电机组相连，解决了故障响应不及时，故障定位不准确，故障消缺经验不足的技术问题，直接面向现场故障处理业务，精确的定位故障并提供处理指导方案，快速、有效地解决故障。但是依然是在故障发生之后才能进行响应，无法起到防范于未然的效果，不能更好的消除不正常运行状态带来的影响。加之我国风力发电水平仍处于初步阶段，故障样本较少，且风机结构复杂，对系统建模造成困难。4.贝叶斯模型是一种基于概率论的、表示先验知识(迹象、征兆)和后验知识(现象、结论)之间关系的方法。它以贝叶斯公式、贝叶斯统计推断及贝叶斯网络为基础，系统中存在的随机变量可以在贝叶斯网络中用结点表示出来，结点之间用连接线形式表现出依次的指向关系，使用先验概率和样本信息得出后验概率，主要用于处理不确定性信息中的随机信息。技术实现要素：5.针对复杂气象条件下的风力发电系统可能面临的不正常运行风险。本发明分析影响风机正常运行因素与运行风险间的因果关系而提出一种计及多源因素的风力发电系统动态风险预测方法，该方法构建风力发电系统风险评估体系，建立基于贝叶斯网络的风力发电系统风险评估模型，并利用专家打分法量化故障危害性，结合预测结果绘制风险矩阵图。同时，该方法通过输入运行过程中的实时数据对风力发电系统进行动态风险评估，并使用风险矩阵图直观地反映发生风险严重度，为风电场运维人员制定风险决策和安排检修工作提供依据。6.本发明采取的技术方案为：7.一种计及多源因素的风力发电系统动态风险预测方法，其特征在于包括以下步骤：8.步骤1：分析影响风机正常运行因素与运行风险间的因果关系，得到影响风力发电系统正常运行的主要因素，构建风力发电系统风险评估体系；9.步骤2：将步骤1构建的风力发电系统风险评估体系作为指导，建立基于贝叶斯网络的风力发电系统风险评估模型；10.步骤3：采集风电场的故障信息数据、以及风电场运行时的故障信息数据；11.步骤4：从步骤3采集到的故障信息数据随机划分为训练集和测试集，其中，训练集用于对步骤2建立好的贝叶斯模型进行训练，完成训练后，使用测试集测试训练出的风力发电系统风险评估模型；12.步骤5：利用专家打分法对各故障危害性进行量化打分，结合模型预测结果计算风险等级分值并进行等级划分。13.步骤6：绘制风险矩阵图：14.根据风险等级分值绘制风险矩阵图，直观地反映各系统可能面临的风险严重度，辅助运维人员制定检修、维护等决策。15.所述步骤1中，风力发电系统风险评估体系确定：16.建立一个合理的风险评估体系对于风险评估的效率和准确率具有重要的指导性作用。通过对风机故障机理进行全面分析，并结合专家意见识别出风力发电系统存在的风险问题及其影响因素，构建风力发电系统风险评估体系，并制定量化指标方法。17.所述步骤1中，风力发电系统风险评估体系确定，具体是：18.针对风力发电特点，分析影响风机正常运行的多源因素，包含运行环境因素(operatingenvironmentfactor,oef)、风机部件因素(fancomponentfactor,fcf)、人为因素(humanfactor,hf)三部分。19.其中，运行环境因素：包含下属指标正常天气、恶劣天气、灾害天气；20.风机部件因素包含下属指标故障率、检修率、计划检修率、计划检修修复率；21.人为因素包含下属指标工作经验不足、管理制度不足、安全意识不足。22.针对三种影响风机运行的主要因素量化为节点概率，具体方法为：23.运行环境(operatingenvironment,oe)对风力发电系统正常运行的影响主要通过气象条件体现。天气恶劣的情况下，电网故障更容易发生，对于运行环境多处于山区、沙漠等地的风力发电系统来说，不良天气的影响则更为明显。根据ieeestd589-1987标准将天气类型分为正常天气、恶劣天气和灾害天气三种状态，不同天气状态下，天气的权重因子l定义为：[0024][0025]式中：σ表示天气影响因子，在3种不同天气状态下，其参数取值主要取决于一年中3种天气类型的平均比例，其中：正常天气下σ＝320.433，恶劣天气下σ＝39.533，灾害天气下σ＝5.033；τ表示经验值，其取值为τ＝201.332。对权重因子进行归一化处理后即为运行环境因素节点概率poe。[0026]风机部件(fancomponent,fc)的故障率和维护检修方式与部件不正常运行概率有直接联系，使用考虑设备计划检修方式的正常运行状态与不正常运行状态模型对元件进行建模，其等效模型为：[0027]λc＝λm λr；[0028][0029][0030][0031]式中：λc和μc分别为各静态元件等效故障率和修复率；λr和μr分别为各元件非扩大型故障率和修复率；λm和μm分别为各元件计划检修率和计划检修修复率；λs和μs分别为各元件扩大型故障率和修复率，其中，静态元件该项取值为0；psfc为等效后各静态元件不正常运行状态的概率，pdfc为等效后各动态元件不正常运行状态的概率。[0032]风力发电系统运维检修工作现场条件复杂，受人们对系统认知水平的影响，工作参杂个人主观因素，容易导致系统发生较大偏差。因此，人为因素(humanfactor,hf)同样是风力发电系统正常运行不可忽视的影响因素。为使得风险评估过程趋于合理化，结合实际工程情况提出工作经验不足、管理制度不足、安全意识不足三个风险因素。依据数据特征统计结果，确定人为因素节点概率phf＝0.5。[0033]所述步骤2中，贝叶斯模型的建立：[0034]在风力发电系统中，各系统及其相关部件都与贝叶斯网络中的结点一一对应。根据元件之间的逻辑关系，并将步骤1构建的风力发电系统评估体系作为指导，用带箭头的连接线表示各个结点之间的关系，箭头的指向表示影响的传递，建立与之相应的风力发电系统风险评估模型。[0035]以风力发电系统风险评估体系为指导，将多源因素融入贝叶斯网络，完成计及多源因素的风力发电系统动态风险评估，将先验概率更新为后验概率时运用的贝叶斯公式为：[0036][0037]其中：p(y)为节点y的先验概率；p(xi|y)为条件概率，p(y|xi)为xi发生的情况下y发生的概率，也称为后验概率；n表示相关父节点总数，xi表示各父节点，i取值为[1，n]。[0038]所述步骤3中，故障信息的收集与整理：[0039]采集多个地区的风电场采集多季节多年份的故障信息数据，以及发生故障时的气象地理条件、故障率与检修情况、管理制度、运维人员工作经验等故障信息数据。采集风电场运行时的故障信息数据，还包含发生故障时的部件可靠性、运行环境及运维团队资质等情况。[0040]所述步骤4中，风力发电系统动态风险评估：[0041]从步骤3采集到的故障信息数据集中，随机选取70％作为训练样本集，其余故障信息数据作为测试样本集，用训练样本集数据训练贝叶斯模型，按照步骤1中制定的量化指标方法计算贝叶斯模型节点间条件概率，用训练数据将先验状态更新为后验状态，如此反复，依据不断学习的状态模型，对可能的不正常运行状态做出预测；[0042]完成训练后，使用测试样本集测试训练出的风力发电系统动态风险评估模型，对模型的有效性和准确性进行验证。验证模型的有效性后，通过实时数据的动态输入，依据不断学习的状态模型对系统可能面临的风险做出动态预先判断。[0043]所述步骤4中，利用风力发电系统动态风险评估模型，对系统运行风险概率进行预测，其风险事件发生概率取值区间为(0，1)。为完成风险矩阵图的绘制，故障可能性和故障危害性需要具有同样的权重及取值区间，取风险事件发生概率与风险事件发生对数概率对应即：[0044]p＝5 lnp[0045]式中，p表示由模型预测得到的各节点风险事件发生概率，p表示映射后的风险事件发生对数概率，即故障可能性(faultpossibility)数值，取值区间为(0，5)。[0046]所述步骤5中，计算风险等级分值：[0047]利用专家打分法对各节点故障危害性(faulthazard)进行量化打分，并对打分结果取均值。计算风险因素等级分值(riskgradescore)公式为：[0048]r＝hp[0049]式中：r为风险等级分值；p表示故障可能性数值；h表示故障危害性数值。[0050]专家打分法是指通过匿名方式征询有关专家的意见，对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断，对大量难以采用技术方法进行定量分析的因素做出合理估算，经过多轮意见征询、反馈和调整后，对债权价值和价值可实现程度进行分析的方法。本发明采用专家打分法对各系统故障危害性进行量化打分，邀请风电行业内专家若干人对各故障的故障危害性在(0，5)区间内打分，对收集到的打分结果取均值后得到各故障危害性数值。[0051]风险因素等级划分标准如下表1所示：[0052]表1风险等级划分标准[0053][0054]本发明一种计及多源因素的风力发电系统动态风险预测方法，技术效果如下：[0055]1)本发明建立了风力发电系统风险评估体系，针对风力发电的特点对系统故障数据进行分析，提出的评估体系涵盖了影响风机正常运行的三大因素。[0056]2)本发明所建立的基于贝叶斯网络的风力发电系统风险评估模型，能根据历史数据及实时的天气情况、检修情况和运维团队素质对未来可能出现的风险进行动态评估，实现了从事后诊断到事前动态预测的转变。[0057]3)本发明从故障可能性和故障危害性两方面量化考虑，通过绘制风险矩阵图更加直观的展示各系统所面临风险的严重度及检修的必要性，辅助运维人员制定检修计划。[0058]4)本发明分析了影响风力发电系统正常运行的主要因素，建立风力发电系统风险评估模型，使得该方法可以实时反应风机运行过程中所面临的各种风险，实现事前评估，进一步减小了故障发生带来的影响，可以为风力发电系统正常运行提供帮助。附图说明[0059]图1为风力发电系统风险评估体系示意图。[0060]图2为贝叶斯网络基本结构示意图。[0061]图3为风险评估方法流程图。[0062]图4为基于贝叶斯网络的风力发电系统风险评估模型。[0063]图5为风险矩阵图。[0064]图6为风力发电系统风险评估模型roc曲线验证图。具体实施方式[0065]一种计及多源因素的风力发电系统动态风险预测方法，采用如下技术方案实现的：[0066]步骤一：建立一个合理的风险评估体系对于风险预测的效率和准确率具有重要的指导性作用。通过对风机故障机理进行全面分析，并结合专家意见识别出风力发电系统存在的风险问题及其影响因素，建立风力发电系统风险评估体系如图1所示。[0067]步骤二：在风力发电系统中，每一个元件，如线路、变压器等，它们都与贝叶斯网络中的结点一一对应，可以分为元件结点、系统结点、负荷结点。贝叶斯网络有有向无环图(directedacyclicgraph，dag)和条件概率表(conditionalprobabilitytable，cpt)组成，根据元件之间的逻辑关系，分别定义为：原因结点、征兆结点、故障结点，如图2所示。[0068]运行环境因素量化方式为：将天气类型分为正常天气、恶劣天气和灾害天气3种状态，不同天气状态下，天气的权重因子l定义为：[0069][0070]式中：σ表示天气影响因子，在3种不同天气状态下，其参数取值主要取决于一年中3种天气类型的平均比例，其中正常天气下σ＝320.433，恶劣天气下σ＝39.533，灾害天气下σ＝5.033；τ表示经验值，其取值为τ＝201.332。对权重因子进行归一化处理后即为运行环境因素节点先验概率poe。[0071]风机部件因素量化方式为：使用考虑设备计划检修方式的二状态模型对静态元件进行建模，其等效模型为：[0072]λc＝λm λr[0073][0074][0075][0076]式中：λc和μc分别为各静态元件等效故障率和修复率；λr和μr分别为各元件非扩大型故障率和修复率；λm和μm分别为各元件计划检修率和计划检修修复率；λs和μs分别为各元件扩大型故障率和修复率，其中静态元件该项取值为0。psfc为等效后各静态元件不正常运行状态的概率，pdfc为等效后各动态元件不正常运行状态的概率。[0077]人为因素量化方式为：统计数据特征发现此类节点概率十分接近，取phf＝0.5。[0078]贝叶斯模型的构造分为三个主要步骤：①、确定变量之间的因果依赖关系；②、估计先验概率分布；③估计条件概率分布；使用贝叶斯模型的主要优点是:可以更新节点的任何状态，并且可以利用信念传播后得到的更新概率进行决策。[0079]步骤三：针对多个地区的风电场采集多季节多年份的故障信息，以及发生故障时的气象地理条件、故障率与检修情况、管理制度、运维人员工作经验等，对数据进行预处理。[0080]对数据进行预处理，采集多个地区的风电场多季节多年份的故障信息后，对每一故障发生时的运行环境情况、风机部件情况、运维团队情况进行进一步采集整理，使得得到的每一条数据包含该故障相关信息、气象条件、故障率与检修情况、管理制度、运维人员工作经验等信息。[0081]步骤四：风力发电系统风险评估流程图如图3所示。将风力发电系统评估体系作为建立模型的指导，用带箭头的连接线表示各个结点之间的关系，箭头的指向表示影响的传递，建立与之相应的网络如图4所示。[0082]从采集到的故障信息数据集中随机选取70％作为训练样本集，其余故障数据作为测试样本集。用大量数据训练贝叶斯模型，按照制定的指标量化方法计算模型节点间条件概率，用训练数据将先验状态更新为后验状态，如此反复，依据不断学习的状态模型对可能的不正常运行状态做出预测，用测试集测试训练出的风险预测模型。[0083]步骤五：绘制风险矩阵图，利用专家打分法对各故障危害性进行量化打分，计算风险因素等级分值并进行等级划分，绘制风险矩阵图直观表明各故障风险严重度，辅助运维人员进行检修、维护等决策。[0084]利用建立的风力发电系统风险评估模型对故障可能性进行预测，其发生故障的可能性区间为(0，1)，为便于后续风险矩阵图的绘制，使故障可能性和故障危害性具有同样的权重和取值区间，取风险事件发生概率与风险事件发生对数概率对应即：[0085]p＝5 lnp[0086]式中，p表示由模型预测得到的各节点风险事件发生概率，p表示映射后的风险事件发生对数概率，即故障可能性(faultpossibility)数值，取值区间为(0，5)。[0087]针对步骤(7)，采用专家打分法对各风险因素故障危害性进行量化打分。邀请风电行业内经验丰富人员对风力发电系统运行过程中可能存在的风险因素进行识别，对故障危害性(faulthazard)进行量化打分，打分区间为(0，5)。[0088]计算风险因素等级分值公式为：[0089]r＝hp[0090]式中：r为风险等级分值；p表示故障可能性数值；h表示故障危害性数值。[0091]风险因素等级划分标准如下表1所示：[0092]表1风险等级划分标准[0093][0094]验证实施例：[0095]利用湖北省某风电场对本发明所提方法进行实证研究。[0096]a：采集该风电场过往发生故障信息共计1429条，从中随机选取故障数据1000条作为训练样本集，其余故障数据作为测试样本集。[0097]b：用大量数据训练贝叶斯模型：[0098]按照发明中所构建的风力发电系统风险评估体系及其计算方法对运行环境因素、风机部件因素及人为因素进行量化计算，选取各个系统内不同部件量化后不正常运行概率最高值以及量化后的运行环境因素和人为因素实时数据输入模型。[0099]c：使用贝叶斯公式，将先验状态更新为后验状态，如此反复，依据不断学习的状态模型对可能的不正常运行状态做出预测，用测试集测试训练出的风险预测模型。[0100]d：计算风险等级分值：[0101]利用专家打分法对各故障危害性进行量化打分，计算风险因素等级分值并进行等级划分，以数据集中第572条故障信息，即发生“电气系统隔离开关动作异常”故障时风机状态为例展示风险矩阵图绘制方法。将各系统实时运行风险概率转换为故障可能性，并邀请风电行业内经验丰富的管理人员、运维人员、工程师共计17人，利用专家打分法对各系统故障危害性进行量化打分，对打分结果取均值，最后计算得到各系统风险等级分值如下表2所示。[0102]表2各系统风险等级分值[0103][0104]e：绘制风险矩阵图：[0105]各风险因素等级划分标准如下表3所示。[0106]表3各风险因素等级划分标准[0107][0108]绘制风险矩阵图如图5所示。其中，e表示电气系统(electricalsystem)，g表示齿轮箱(gearbox)，h表示液压系统(hydraulicsystem)，c表示控制系统(controlsystem)，y表示偏航系统(yawsystem)，p表示变桨系统(pitchsystem)，a表示发电机(alternator)。横纵坐标1～5分别表示故障可能性和故障危害性数值。图5中颜色表示故障严重度，落在绿色区域表示该系统处于1级故障严重度，暂时不需要监控，落在红色区域表示该系统处于5级故障严重度，需要高度重视并尽快抢修，以此类推。[0109]结合图5可直观发现：电气系统、齿轮箱和发电机系统具有较高的运行风险，需要采取措施对运行状态进行排查以降低风险，与该条故障信息情况符合。液压系统、控制系统、偏航系统和变桨系统风险等级分值较低，在运行时进行监控即可。随着风机运行状态不断变化，将实时数据输入模型，可得到各系统在风险矩阵图上所处位置的动态变化，实时直观地展示各系统在运行过程中所面临的风险严重度。[0110]f：为保证模型的准确性，使用受试者工作曲线(roc)对模型进行验证，在使用过程中通常采用roc的曲线下面积(auc)来衡量测试结果的准确性，当auc值取值为0.7～0.9之间时，模型被认为有较高的使用价值。图6为风力发电系统风险评估模型roc曲线验证图，其auc值达到0.893，验证了模型的准确性。当前第1页12当前第1页12
背景技术：
：：2.当前，清洁能源占比的巨大提升将导致更大规模的风机设备投入使用，风力发电系统的不确定性和调控需求都在持续增加，对稳定运行的挑战则更为严峻。然而，现有技术中的风力发电系统调控方式仍主要停留在被动控制阶段，无法对电网所面临的风险进行事前预警，错过最佳的预先防治时间。因此，完成由事后诊断向事前控制的转变对风力发电系统稳定运行具有重要意义。3.中国专利申请(cn111708798a)公开了“一种风电机组故障诊断与处理方法及系统”。采用排查指导库、逻辑诊断库等模块与风电机组相连，解决了故障响应不及时，故障定位不准确，故障消缺经验不足的技术问题，直接面向现场故障处理业务，精确的定位故障并提供处理指导方案，快速、有效地解决故障。但是依然是在故障发生之后才能进行响应，无法起到防范于未然的效果，不能更好的消除不正常运行状态带来的影响。加之我国风力发电水平仍处于初步阶段，故障样本较少，且风机结构复杂，对系统建模造成困难。4.贝叶斯模型是一种基于概率论的、表示先验知识(迹象、征兆)和后验知识(现象、结论)之间关系的方法。它以贝叶斯公式、贝叶斯统计推断及贝叶斯网络为基础，系统中存在的随机变量可以在贝叶斯网络中用结点表示出来，结点之间用连接线形式表现出依次的指向关系，使用先验概率和样本信息得出后验概率，主要用于处理不确定性信息中的随机信息。技术实现要素：5.针对复杂气象条件下的风力发电系统可能面临的不正常运行风险。本发明分析影响风机正常运行因素与运行风险间的因果关系而提出一种计及多源因素的风力发电系统动态风险预测方法，该方法构建风力发电系统风险评估体系，建立基于贝叶斯网络的风力发电系统风险评估模型，并利用专家打分法量化故障危害性，结合预测结果绘制风险矩阵图。同时，该方法通过输入运行过程中的实时数据对风力发电系统进行动态风险评估，并使用风险矩阵图直观地反映发生风险严重度，为风电场运维人员制定风险决策和安排检修工作提供依据。6.本发明采取的技术方案为：7.一种计及多源因素的风力发电系统动态风险预测方法，其特征在于包括以下步骤：8.步骤1：分析影响风机正常运行因素与运行风险间的因果关系，得到影响风力发电系统正常运行的主要因素，构建风力发电系统风险评估体系；9.步骤2：将步骤1构建的风力发电系统风险评估体系作为指导，建立基于贝叶斯网络的风力发电系统风险评估模型；10.步骤3：采集风电场的故障信息数据、以及风电场运行时的故障信息数据；11.步骤4：从步骤3采集到的故障信息数据随机划分为训练集和测试集，其中，训练集用于对步骤2建立好的贝叶斯模型进行训练，完成训练后，使用测试集测试训练出的风力发电系统风险评估模型；12.步骤5：利用专家打分法对各故障危害性进行量化打分，结合模型预测结果计算风险等级分值并进行等级划分。13.步骤6：绘制风险矩阵图：14.根据风险等级分值绘制风险矩阵图，直观地反映各系统可能面临的风险严重度，辅助运维人员制定检修、维护等决策。15.所述步骤1中，风力发电系统风险评估体系确定：16.建立一个合理的风险评估体系对于风险评估的效率和准确率具有重要的指导性作用。通过对风机故障机理进行全面分析，并结合专家意见识别出风力发电系统存在的风险问题及其影响因素，构建风力发电系统风险评估体系，并制定量化指标方法。17.所述步骤1中，风力发电系统风险评估体系确定，具体是：18.针对风力发电特点，分析影响风机正常运行的多源因素，包含运行环境因素(operatingenvironmentfactor,oef)、风机部件因素(fancomponentfactor,fcf)、人为因素(humanfactor,hf)三部分。19.其中，运行环境因素：包含下属指标正常天气、恶劣天气、灾害天气；20.风机部件因素包含下属指标故障率、检修率、计划检修率、计划检修修复率；21.人为因素包含下属指标工作经验不足、管理制度不足、安全意识不足。22.针对三种影响风机运行的主要因素量化为节点概率，具体方法为：23.运行环境(operatingenvironment,oe)对风力发电系统正常运行的影响主要通过气象条件体现。天气恶劣的情况下，电网故障更容易发生，对于运行环境多处于山区、沙漠等地的风力发电系统来说，不良天气的影响则更为明显。根据ieeestd589-1987标准将天气类型分为正常天气、恶劣天气和灾害天气三种状态，不同天气状态下，天气的权重因子l定义为：[0024][0025]式中：σ表示天气影响因子，在3种不同天气状态下，其参数取值主要取决于一年中3种天气类型的平均比例，其中：正常天气下σ＝320.433，恶劣天气下σ＝39.533，灾害天气下σ＝5.033；τ表示经验值，其取值为τ＝201.332。对权重因子进行归一化处理后即为运行环境因素节点概率poe。[0026]风机部件(fancomponent,fc)的故障率和维护检修方式与部件不正常运行概率有直接联系，使用考虑设备计划检修方式的正常运行状态与不正常运行状态模型对元件进行建模，其等效模型为：[0027]λc＝λm λr；[0028][0029][0030][0031]式中：λc和μc分别为各静态元件等效故障率和修复率；λr和μr分别为各元件非扩大型故障率和修复率；λm和μm分别为各元件计划检修率和计划检修修复率；λs和μs分别为各元件扩大型故障率和修复率，其中，静态元件该项取值为0；psfc为等效后各静态元件不正常运行状态的概率，pdfc为等效后各动态元件不正常运行状态的概率。[0032]风力发电系统运维检修工作现场条件复杂，受人们对系统认知水平的影响，工作参杂个人主观因素，容易导致系统发生较大偏差。因此，人为因素(humanfactor,hf)同样是风力发电系统正常运行不可忽视的影响因素。为使得风险评估过程趋于合理化，结合实际工程情况提出工作经验不足、管理制度不足、安全意识不足三个风险因素。依据数据特征统计结果，确定人为因素节点概率phf＝0.5。[0033]所述步骤2中，贝叶斯模型的建立：[0034]在风力发电系统中，各系统及其相关部件都与贝叶斯网络中的结点一一对应。根据元件之间的逻辑关系，并将步骤1构建的风力发电系统评估体系作为指导，用带箭头的连接线表示各个结点之间的关系，箭头的指向表示影响的传递，建立与之相应的风力发电系统风险评估模型。[0035]以风力发电系统风险评估体系为指导，将多源因素融入贝叶斯网络，完成计及多源因素的风力发电系统动态风险评估，将先验概率更新为后验概率时运用的贝叶斯公式为：[0036][0037]其中：p(y)为节点y的先验概率；p(xi|y)为条件概率，p(y|xi)为xi发生的情况下y发生的概率，也称为后验概率；n表示相关父节点总数，xi表示各父节点，i取值为[1，n]。[0038]所述步骤3中，故障信息的收集与整理：[0039]采集多个地区的风电场采集多季节多年份的故障信息数据，以及发生故障时的气象地理条件、故障率与检修情况、管理制度、运维人员工作经验等故障信息数据。采集风电场运行时的故障信息数据，还包含发生故障时的部件可靠性、运行环境及运维团队资质等情况。[0040]所述步骤4中，风力发电系统动态风险评估：[0041]从步骤3采集到的故障信息数据集中，随机选取70％作为训练样本集，其余故障信息数据作为测试样本集，用训练样本集数据训练贝叶斯模型，按照步骤1中制定的量化指标方法计算贝叶斯模型节点间条件概率，用训练数据将先验状态更新为后验状态，如此反复，依据不断学习的状态模型，对可能的不正常运行状态做出预测；[0042]完成训练后，使用测试样本集测试训练出的风力发电系统动态风险评估模型，对模型的有效性和准确性进行验证。验证模型的有效性后，通过实时数据的动态输入，依据不断学习的状态模型对系统可能面临的风险做出动态预先判断。[0043]所述步骤4中，利用风力发电系统动态风险评估模型，对系统运行风险概率进行预测，其风险事件发生概率取值区间为(0，1)。为完成风险矩阵图的绘制，故障可能性和故障危害性需要具有同样的权重及取值区间，取风险事件发生概率与风险事件发生对数概率对应即：[0044]p＝5 lnp[0045]式中，p表示由模型预测得到的各节点风险事件发生概率，p表示映射后的风险事件发生对数概率，即故障可能性(faultpossibility)数值，取值区间为(0，5)。[0046]所述步骤5中，计算风险等级分值：[0047]利用专家打分法对各节点故障危害性(faulthazard)进行量化打分，并对打分结果取均值。计算风险因素等级分值(riskgradescore)公式为：[0048]r＝hp[0049]式中：r为风险等级分值；p表示故障可能性数值；h表示故障危害性数值。[0050]专家打分法是指通过匿名方式征询有关专家的意见，对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断，对大量难以采用技术方法进行定量分析的因素做出合理估算，经过多轮意见征询、反馈和调整后，对债权价值和价值可实现程度进行分析的方法。本发明采用专家打分法对各系统故障危害性进行量化打分，邀请风电行业内专家若干人对各故障的故障危害性在(0，5)区间内打分，对收集到的打分结果取均值后得到各故障危害性数值。[0051]风险因素等级划分标准如下表1所示：[0052]表1风险等级划分标准[0053][0054]本发明一种计及多源因素的风力发电系统动态风险预测方法，技术效果如下：[0055]1)本发明建立了风力发电系统风险评估体系，针对风力发电的特点对系统故障数据进行分析，提出的评估体系涵盖了影响风机正常运行的三大因素。[0056]2)本发明所建立的基于贝叶斯网络的风力发电系统风险评估模型，能根据历史数据及实时的天气情况、检修情况和运维团队素质对未来可能出现的风险进行动态评估，实现了从事后诊断到事前动态预测的转变。[0057]3)本发明从故障可能性和故障危害性两方面量化考虑，通过绘制风险矩阵图更加直观的展示各系统所面临风险的严重度及检修的必要性，辅助运维人员制定检修计划。[0058]4)本发明分析了影响风力发电系统正常运行的主要因素，建立风力发电系统风险评估模型，使得该方法可以实时反应风机运行过程中所面临的各种风险，实现事前评估，进一步减小了故障发生带来的影响，可以为风力发电系统正常运行提供帮助。附图说明[0059]图1为风力发电系统风险评估体系示意图。[0060]图2为贝叶斯网络基本结构示意图。[0061]图3为风险评估方法流程图。[0062]图4为基于贝叶斯网络的风力发电系统风险评估模型。[0063]图5为风险矩阵图。[0064]图6为风力发电系统风险评估模型roc曲线验证图。具体实施方式[0065]一种计及多源因素的风力发电系统动态风险预测方法，采用如下技术方案实现的：[0066]步骤一：建立一个合理的风险评估体系对于风险预测的效率和准确率具有重要的指导性作用。通过对风机故障机理进行全面分析，并结合专家意见识别出风力发电系统存在的风险问题及其影响因素，建立风力发电系统风险评估体系如图1所示。[0067]步骤二：在风力发电系统中，每一个元件，如线路、变压器等，它们都与贝叶斯网络中的结点一一对应，可以分为元件结点、系统结点、负荷结点。贝叶斯网络有有向无环图(directedacyclicgraph，dag)和条件概率表(conditionalprobabilitytable，cpt)组成，根据元件之间的逻辑关系，分别定义为：原因结点、征兆结点、故障结点，如图2所示。[0068]运行环境因素量化方式为：将天气类型分为正常天气、恶劣天气和灾害天气3种状态，不同天气状态下，天气的权重因子l定义为：[0069][0070]式中：σ表示天气影响因子，在3种不同天气状态下，其参数取值主要取决于一年中3种天气类型的平均比例，其中正常天气下σ＝320.433，恶劣天气下σ＝39.533，灾害天气下σ＝5.033；τ表示经验值，其取值为τ＝201.332。对权重因子进行归一化处理后即为运行环境因素节点先验概率poe。[0071]风机部件因素量化方式为：使用考虑设备计划检修方式的二状态模型对静态元件进行建模，其等效模型为：[0072]λc＝λm λr[0073][0074][0075][0076]式中：λc和μc分别为各静态元件等效故障率和修复率；λr和μr分别为各元件非扩大型故障率和修复率；λm和μm分别为各元件计划检修率和计划检修修复率；λs和μs分别为各元件扩大型故障率和修复率，其中静态元件该项取值为0。psfc为等效后各静态元件不正常运行状态的概率，pdfc为等效后各动态元件不正常运行状态的概率。[0077]人为因素量化方式为：统计数据特征发现此类节点概率十分接近，取phf＝0.5。[0078]贝叶斯模型的构造分为三个主要步骤：①、确定变量之间的因果依赖关系；②、估计先验概率分布；③估计条件概率分布；使用贝叶斯模型的主要优点是:可以更新节点的任何状态，并且可以利用信念传播后得到的更新概率进行决策。[0079]步骤三：针对多个地区的风电场采集多季节多年份的故障信息，以及发生故障时的气象地理条件、故障率与检修情况、管理制度、运维人员工作经验等，对数据进行预处理。[0080]对数据进行预处理，采集多个地区的风电场多季节多年份的故障信息后，对每一故障发生时的运行环境情况、风机部件情况、运维团队情况进行进一步采集整理，使得得到的每一条数据包含该故障相关信息、气象条件、故障率与检修情况、管理制度、运维人员工作经验等信息。[0081]步骤四：风力发电系统风险评估流程图如图3所示。将风力发电系统评估体系作为建立模型的指导，用带箭头的连接线表示各个结点之间的关系，箭头的指向表示影响的传递，建立与之相应的网络如图4所示。[0082]从采集到的故障信息数据集中随机选取70％作为训练样本集，其余故障数据作为测试样本集。用大量数据训练贝叶斯模型，按照制定的指标量化方法计算模型节点间条件概率，用训练数据将先验状态更新为后验状态，如此反复，依据不断学习的状态模型对可能的不正常运行状态做出预测，用测试集测试训练出的风险预测模型。[0083]步骤五：绘制风险矩阵图，利用专家打分法对各故障危害性进行量化打分，计算风险因素等级分值并进行等级划分，绘制风险矩阵图直观表明各故障风险严重度，辅助运维人员进行检修、维护等决策。[0084]利用建立的风力发电系统风险评估模型对故障可能性进行预测，其发生故障的可能性区间为(0，1)，为便于后续风险矩阵图的绘制，使故障可能性和故障危害性具有同样的权重和取值区间，取风险事件发生概率与风险事件发生对数概率对应即：[0085]p＝5 lnp[0086]式中，p表示由模型预测得到的各节点风险事件发生概率，p表示映射后的风险事件发生对数概率，即故障可能性(faultpossibility)数值，取值区间为(0，5)。[0087]针对步骤(7)，采用专家打分法对各风险因素故障危害性进行量化打分。邀请风电行业内经验丰富人员对风力发电系统运行过程中可能存在的风险因素进行识别，对故障危害性(faulthazard)进行量化打分，打分区间为(0，5)。[0088]计算风险因素等级分值公式为：[0089]r＝hp[0090]式中：r为风险等级分值；p表示故障可能性数值；h表示故障危害性数值。[0091]风险因素等级划分标准如下表1所示：[0092]表1风险等级划分标准[0093][0094]验证实施例：[0095]利用湖北省某风电场对本发明所提方法进行实证研究。[0096]a：采集该风电场过往发生故障信息共计1429条，从中随机选取故障数据1000条作为训练样本集，其余故障数据作为测试样本集。[0097]b：用大量数据训练贝叶斯模型：[0098]按照发明中所构建的风力发电系统风险评估体系及其计算方法对运行环境因素、风机部件因素及人为因素进行量化计算，选取各个系统内不同部件量化后不正常运行概率最高值以及量化后的运行环境因素和人为因素实时数据输入模型。[0099]c：使用贝叶斯公式，将先验状态更新为后验状态，如此反复，依据不断学习的状态模型对可能的不正常运行状态做出预测，用测试集测试训练出的风险预测模型。[0100]d：计算风险等级分值：[0101]利用专家打分法对各故障危害性进行量化打分，计算风险因素等级分值并进行等级划分，以数据集中第572条故障信息，即发生“电气系统隔离开关动作异常”故障时风机状态为例展示风险矩阵图绘制方法。将各系统实时运行风险概率转换为故障可能性，并邀请风电行业内经验丰富的管理人员、运维人员、工程师共计17人，利用专家打分法对各系统故障危害性进行量化打分，对打分结果取均值，最后计算得到各系统风险等级分值如下表2所示。[0102]表2各系统风险等级分值[0103][0104]e：绘制风险矩阵图：[0105]各风险因素等级划分标准如下表3所示。[0106]表3各风险因素等级划分标准[0107][0108]绘制风险矩阵图如图5所示。其中，e表示电气系统(electricalsystem)，g表示齿轮箱(gearbox)，h表示液压系统(hydraulicsystem)，c表示控制系统(controlsystem)，y表示偏航系统(yawsystem)，p表示变桨系统(pitchsystem)，a表示发电机(alternator)。横纵坐标1～5分别表示故障可能性和故障危害性数值。图5中颜色表示故障严重度，落在绿色区域表示该系统处于1级故障严重度，暂时不需要监控，落在红色区域表示该系统处于5级故障严重度，需要高度重视并尽快抢修，以此类推。[0109]结合图5可直观发现：电气系统、齿轮箱和发电机系统具有较高的运行风险，需要采取措施对运行状态进行排查以降低风险，与该条故障信息情况符合。液压系统、控制系统、偏航系统和变桨系统风险等级分值较低，在运行时进行监控即可。随着风机运行状态不断变化，将实时数据输入模型，可得到各系统在风险矩阵图上所处位置的动态变化，实时直观地展示各系统在运行过程中所面临的风险严重度。[0110]f：为保证模型的准确性，使用受试者工作曲线(roc)对模型进行验证，在使用过程中通常采用roc的曲线下面积(auc)来衡量测试结果的准确性，当auc值取值为0.7～0.9之间时，模型被认为有较高的使用价值。图6为风力发电系统风险评估模型roc曲线验证图，其auc值达到0.893，验证了模型的准确性。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
