[发明专利]一种计及多源因素的风力发电系统风险评估方法

说明书

一种计及多源因素的风力发电系统动态风险预测方法，分析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；建立基于贝叶斯网络的风力发电系统风险评估模型；采集风电场的故障信息数据；将故障信息数据随机划分为训练集和测试集，其中，训练集用于模型进行训练，完成训练后，使用测试集测试训练出的风险评估模型；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。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。本发明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，减小了故障发生带来的影响。

技术领域

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

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。

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。

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。

发明内容

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。

本发明采取的技术方案为：

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：

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；

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；

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；

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；

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。

步骤6：绘制风险矩阵图：