CN103793859A - 一种风电场运行监控及事件综合评价方法 - Google Patents

Abstract

一种风电场运行监控及事件综合评价方法，包括：首先建立风电场级数据管理中心，利用事件信息库汇集管理每个风电场的所有事件数据，每个事件信息库包括评价指标库和基准评价库两个子库。其次对风电场事件综合评价，针对含有多个因素的风电场事件实施模糊综合评价计算，通过加权平均模糊合成运算输出风电场事件的评价结果。最后分析模糊综合评价结果，找到解决风电场事件的技术手段，为指导上层管理机构有目的性地实施运维管理和采取预防措施提供决策手段，辅助现场维护人员有计划性地且准确到位地实施现场运维工作。

Description

一种风电场运行监控及事件综合评价方法

技术领域

本发明涉及一种多个风电场的大规模多种类型风电机组的运行状态监控及风电场事件的综合评价方法。

背景技术

国内现有的多数风电场一般存在多期建设，占地面积大、地形条件复杂，同一场内各区域机组类型及出力不同，同一场内机组生产厂家不同等四类主要特征。由此，多数风电场存在使用哪个厂家风机，监控系统须与此厂家风机配套来监控风机运行。这样，一方面，主控制器的通信协议、通信方式及容量不同，风电机组电气控制系统的运行状态及关键参数得不到实时监控，不仅降低了风电机组的维护效率、不利于故障的及时处理及预防，而且促使风力发电公司的风电场监控系统及更高一级的监控系统无法对单个或多个风电场的风力发电机组的运行状况集中监控和管理，导致风电场群的信息存在孤岛问题未能彻底解决；另一方面，随着大规模、集群化开发并网模式推进以及电力调度的介入，每个厂家机组的功率调度响应特性亦存在差异。在能量管理和分配方面，亦需采用与机组配套的不同的控制策略和系统，这样会出现同一区域机组的运行方式可能不同，甚至会出现低负荷下停机状况，从而导致产品质保期延迟，并且需要投入大量地人力和财力成本。因此，风力发电公司亟需一套集中的风电辅助决策系统，来提高风电服务技术水平，对风电机组的周期性或计划性维修模式予以调整，合理有效地处理和分析风电场故障。

风电场内或风电机组内一般装有就地或远程数据采集及监控系统（Supervisory ControlAnd Data Acquisition System，简写SCADA），该系统可以对风电机组的运行状态实现基本监测、故障等事件报警与记录，可以随时发出报警提示与生成事件报告，为风电场运行的可靠性和稳定性提供了强有力的支撑，如专利CN200810057555.4通过结合地理信息系统为发电集团提供了旗下所有风电场的综合监控与管理。国内在风电机组的故障诊断方面也取得了一些成果，专利CN201210553609.2中结合多特征多级综合评判的方法对传动链系统实施故障诊断；专利CN201220586500.4提供一种风电监控与故障诊断系统，可对风电机组电气量实施监控的同时，也能对机组的故障状态进行预知和报警。

但是，就地数据采集与监控系统有时会受到存储或分析数据等条件的限制，系统数据处理速度慢，自动化程度较低，且监测的参数仅限于一些变流器或主控制器的基本电气类参数以及环境参数，实现的功能侧重于电气设备或电控系统相关，而如何针对单个风电场或风电场群的整机、尤其是一些目前正进入维修或维护的高峰期的早期机组与升压站内的其他设备事件实施预警和决策分析，而如何采用智能方法来减少设备维护成本；如何对于发电集团旗下的所有风电场实施事件运行监控及综合评价，成为当前辅助风电公司解决处理风电技术问题的重要维修及服务技术之一。这种技术不仅可对风电机组的电控类零部件进行状态监测或故障报警，而且针对场内升压站箱变设备，风电场消防安防设备以及影响生产管理的其他外部设备提供准确到位的事件诊断方法来分析故障原因和发展趋势，实现故障定位、预知和告警；从而为机组维修提供辅助决策和技术支持及指导作用。这样，不仅可减少整机因事故发生而引起连锁迫害，而且使风机得以预防性检修和维护，保障风电场的安全可靠运行，提高企业设备管理现代化和自动化水平。

发明内容

本发明的目的是克服现有风电场设备运行监控过程中存在的数据采集管理、事件诊断、维修服务方法的技术缺陷和信息孤岛等缺点，提出一种以风机运行维护事件评价为主的综合评价方法。本发明应用于多类型的多个风电场，可在风电场内发生严重故障事件前快速、准确地定位及预警，并提供辅助检修策略，进而降低发生故障次数，确保风电机组及其他设备安全稳定运行；提高场级可利用率和风电场发电的安全稳定性。

本发明的另一目的在于弥补并提高风电机组采集与监控系统和其他运行监控设备的数据挖掘分析能力，通过汇集风电场内设备的历史数据，构建场级数据管理中心，确立评价指标库和基准评价库，利用智能方法和模糊数学对各类事件进行综合评价，为风力发电公司克服现有风电技术中在设备材料选型的缺陷和不足，提高风电场的生产效率和电能质量，增强风电厂家之间的数据信息开放性，起到改善和推动作用，为后续的类似事件评价奠定基础评价参考依据。

本发明采用以下技术方案实现：

首先，本发明建立风电场级数据管理中心，用于汇集管理每个风电场的所有事件数据。在数据管理中心里，每个风电场的事件数据是以事件信息库为计量单位进行管理，每个事件信息库包括评价指标库和基准评价库两个子库。其中，评价指标库是结合风电场各类实际事件特征而建立，包含多个风电场采集与监控系统、状态监测设备和消防安防设备提供的各类历史运行数据，用于为风电场事件评价提供评价因素，从而减轻了风电机组采集与监控系统的实时数据采集和转发的负担。基准评价库用于管理每个风电场事件的历史评价模型和评价结果。基准评价库的每个事件历史评价模型即为历史评价计算时所采用的评价指标、评价方法以及评价结果记录，用于新的风电场或类似的事件评价基准参考，进而为其他风电场的类似事件提供了评价信息共享和事件评价基础。而且风电场的事件评价是一种独立的运行监控方法，不需风电场采集与监控系统的软硬件设备来参与执行，从而减少了风电场采集与监控系统针对风电场运行数据的挖掘和分析压力，并且节省了对运行数据的备份和处理空间。

其次，对风电场事件进行综合评价，给出一种基于历史实际运维参数的模糊综合评价方法。所述模糊综合评价方法用于针对含有多个因素的风电场事件进行综合评价计算，分别输出每个因素指标的评价结果和总体的综合评价结果。所述综合评价计算，先根据模糊综合评价指标体系原则从评价指标库里抽取数据构建风电场事件的评价因素集，确立评价值集合和构建模糊关系矩阵，进而形成模糊综合评价指标体系；再利用评价因素对确定事件的相对重要性实施主次评价因素权重计算；最终通过加权平均模糊合成运算输出风电场事件的评价结果。

最后，分析评价结果，从而找到解决风电场事件的技术手段，为指导上层管理机构有目的性地实施运维管理和采取预防措施提供决策手段，辅助现场维护人员有计划性地实施现场运维工作。

一种风电场运行监控及事件综合评价方法的具体步骤包括：

步骤1、建立风电场级数据管理中心，利用云收集功能分别汇集管理每个风电场的事件数据。在数据管理中心里，每个风电场的事件数据是以事件信息库为计量单位进行管理。所述风电场级数据管理中心的事件信息库包括基准评价库和评价指标库，基准评价库管理共享事件的评价模型和评价结果，从而对后续其他类似事件评价形成参考；评价指标库包括电气控制设备评价指标库、环境指标库和故障系数指标库3个子库，分层管理记录不同事件评价时所用的指标体系。每个风电场级事件信息库的建立方法如下：

（1）利用单个独立的风电场名称作为标识，建立每个风电场的事件信息库；

（2）在每个事件信息库中，建立评价指标库的3个子库。具体步骤如下：①运用每个电气控制设备的历史运行参数，包括风电机组各零部件的基本电气信息和故障统计数据，建立风电机组的电气控制设备评价指标库，所述的电气控制设备包括变桨距、主控制器和变流器；②运用影响风电机组运行的外部环境参数如升压站参数、风况，消防安防设备等历史运行参数建立环境指标库；③应用各类故障发生前、发生中、发生后的参数建立故障系数指标库；④标识电气控制设备评价指标库、环境指标库和故障系数指标库中所有参数索引；⑤利用电气控制设备评价指标库、环境指标库和故障系数指标库的所有数据确立评价因素集合U＝(u₁,u₂,...,u_i,...u_n)，u_i表示第i（0≤i≤n）个评价因素，若每个评价因素u_i下还包含下一层评价因素集，即为(u_i1,u_i2,u_i3,...,u_ij...,u_im)，其中j,m≥0。

（3）在每个事件信息库中，记录不同历史事件对应的评价模型和评价结果，建立风电场级数据管理中心的基准评价库。若某次风电场事件评价与历史事件相似或相同，则基准评价库直接依据历史评价结果给出评价结果依据。

步骤2、对风电场事件进行模糊综合评价。结合步骤1建立的评价指标库和基准评价库，针对风电场发生的事件以及事件引起的迫害性损伤程度实施模糊综合评价，并进一步分析评价结果，对预防风电场事件发生、检修风电场设备、诊断故障事件及维修决策时采取的技术措施手段予以辅助和指导。模糊综合评价的具体步骤如下：

1）构建风电场事件的模糊综合评价指标体系

模糊综合评价指标体系是进行风电场各因素与事件关联程度的综合评价基础，评价指标的选取是否适宜直接影响事件综合评价的准确性。从步骤1建立的评价指标库中抽取数据来构建模糊综合评价指标体系，抽取数据的原则有：①可测性，评价指标中的最底层次指标来源于具备可直接测量或可采集特性的历史数据；②独立性，同一层内的指标必须相互独立，不存在包含、因果、推导和重叠关系；③一致性，主要评价指标与评价目标之间保持一致，底层指标与上层指标之间存在一致，相似或相同事件的评价因素存在一致性；④可用性，评价指标既能反映评价目标的属性，还存在切实可行的量化方法可利用。⑤递阶性，按照评价指标与评价目标之间的直接与间接关系，确立主次因素分层的指标结构。

在每次事件评价之前，若在数据管理中心的基准评价库中检索到与本次评价相似的事件，进一步地优选核实评价指标库的评价因素集是否相同，若因素集相同，那么无需重复评价，直接参照历史事件评价来确定评价结果。若因素集不同或不存在类似事件评价，则需创建该事件的独立评价模型，并修正完善数据管理中心的评价指标库，从而利用多次事件的不同模型评价，形成切实可靠的评价结果。创建评价模型的执行步骤如下：

（a）确定评价因素集

根据模糊综合评价指标体系原则，针对不同类型的风电场事件确立不同的因素集合U＝(u₁,u₂,...,u_i,...u_n)，并且不同层次的评价因素，不能等同对待。

（b）建立评价值集合

根据风力发电企业对评价目标对象做出的各种可能的评价结果集合D，该集合被量化为评语等级，一般划分等级为3到9级，就是D＝(d₁,d₂,...,d_i,...d_p)，d_i表示第i（0≤i≤p，3≤p≤9）个评价值，通常d_i采用10分制数据表示。结合风电场事件的评价结果的可靠性和过程的复杂性，该集合的确立一般根据实际需求而定，例如针对风电场事件发生的严重程度的评语划分为{极小、较小、明显、严重、关键}。

（c）确立模糊关系矩阵

针对某类风电场事件的每个因素u_i构成因素集合U，根据评价集D中的等级指标确定其隶属程度，如表1，计算方法为

其中r_i表示因素u_i关于评价集v_i的隶属程度，构成模糊关系矩阵为R={r₁,r₂,...,r_i,...,r_p}，且

表1构建模糊关系矩阵R

2）确定事件的主次评价因素权重

设定评价单因素u_i导致风电场某个事件的权重为a_i，那么对于含有n个评价因素指标u_i的事件，其对应的权重向量集合为A＝(a₁,a₂,...,a_i,...,a_n)；a_i表示评价因素u_i对评价目标事件对象的相对重要性的次序系数，采用层次分析法计算得出。其中，

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i=1,a_i\≥0,i=\mathrm{1,2},......n.$

3）利用风电场事件的模糊综合评价计算得出风电场事件的每个因素指标的评价结果和总体的综合评价结果，找到解决风电场事件的技术手段。步骤如下：

（a）首先对子因素层指标u_ij的模糊关系矩阵r_ij作加权平均模糊合成运算，得到子因素层指标u_ij对其上一层因素指标u_i的评价结果b_ij，由b_ij构成底层因素u_ij对主评价因素u_i的评价结果向量集合B_i，其中i表示第i层因素指标，j表示相同的i层中的第j个子目标。

式中，a_j表示评价因素集合u_j的子因素ui_j在某个事件中的权重向量；

（b）再对评价结果向量集合B_i进行模糊合成运算，即对主因素层指标u_i的权重集合A求出目标层的评价结果向量B＝(B₁,B₂,B₃,...,B_i...,B_n)，1≤i≤n。

4）输出风电场事件的综合评价结果

在模糊综合评价计算得出的评价结果B中，当每个元素

时，采用归一化处理，使结果量化清晰，即令

得到最终评价结果B：

$B=(\stackrel{-}{b_1},\stackrel{-}{b_2},\stackrel{-}{b_3},...,\stackrel{-}{b_i}...,\stackrel{-}{b_n}),1\≤i\≤n;$

5）分析评价结果

如果设定某个风电场事件的评价因素U与该事件之间的影响等级向量为5分等级d_i(1≤i≤5)，评语划分为{极小d₁、较小d₂、明显d₃、严重d₄、关键d₅}，

这样，采用5分评语等级划分事件类型，则得到关系矩阵R＝{r₁,r₂,r₃,r₄,r₅}，经过加权平均得出各分层次要因素u_ij对主因素指标u_i的评价结果T(i)为：

$T\left(i\right)=A_i*B_i=*r_{i1}*b_{i1}+{*r}_{i2}*b_{i2}+r_{i3}*b_{i3}{+r}_{i4}*b_{i4}{+r}_{i5}*b_{i5}=(\stackrel{-}{b_1},\stackrel{-}{b_2},\stackrel{-}{b_3},\stackrel{-}{b_4},\stackrel{-}{b_5})...\left(2\right)$

其中，r_i1到r_i5分别表示某类事件的5分等级标准中，每个分层的次要因素u_ij对主因素指标u_i的隶属关系系数r_ij，1≤j≤5,1≤i≤n；b_i1到b_i5分别表示每个分层的次要因素u_ij对主因素指标u_i的评价结果公式（1）的向量B_i；那么每个分层对主因素指标的评价结果B_i构成向量集合T(i)；

主因素层对评价目标事件的总体最终评价结果Tol为：

$\mathrm{Tol}=r_1*\stackrel{-}{b_1}+r_2*\stackrel{-}{b_2}+r_{31}*\stackrel{-}{b_3}+r_4*\stackrel{-}{b_4}+r_5*\stackrel{-}{b_5}---\left(3\right)$

其中，r₁到r₅分别表示结合5分等级标准的每个主评价因素u_i对评价目标的模糊隶属关系系数r_i，1≤i≤5；

到

分别表示每个主评价因素u_i对评价目标的评价结果，由

到

构成前文步骤c）中向量B的元素。

如果本次评价结果切合实际，并且在数据管理中心的基准评价库里不存在相似事件评价历史记录，则此次评价模型和评价结果Tol被纳入基准评价库中，Tol数值将参与后续类似事件评价分析。

本发明以降低风电场某类事件在多个场群内产生重复迫害和采取有效维护决策为目标，充分结合单个及多个风电场内的数据采集与监控系统的历史数据、容易导致风电场事件发生的各类硬件设备历史运行参数数据、以及各类事件历史评价模型作为事件综合评价的参考依据，确立主次分层的模糊综合评价指标，通过引入模糊综合评价计算的模糊数学方法，建立各因素指标的模糊关系集合和权重集合，从而减少引入大量主观因素对评价结果的干扰，提高了综合评价结果的客观公正性，为风电场能量管理和运行监控提供了可靠的分析决策方法，为风电场的风机故障等事件发生做出了智能的预警性和辅助性诊断检修策略，减少了风机因发生严重故障而带来的严重损失。

附图说明

图1是本发明的工作流程图；

图2是本发明的综合评价结构流程图；

图3某风场主控制器设备检修分析决策事件的模糊综合评价指标体系。

具体实施方式

下面结合附图和具体实施方式进一步说明本发明。

图1所示为本发明的工作流程图。首先执行步骤101，依照不同风电场提供的历史事件和设备历史数据，建立风电场级的数据管理中心；再执行步骤102，从步骤101的数据管理中心的评价指标库中抽取数据，依照模糊综合评价指标体系原则，切实建立风电场事件的模糊综合评价指标体系，确立评价因素集合和模糊关系矩阵，这样就确定了综合评价的模糊输入参数；然后，执行步骤103，计算得出评价因素对于某类事件重要程度的权重向量；接着，利用步骤102建立的模糊关系矩阵以及步骤103得出的权重向量，实施步骤104的模糊综合评价计算，进入步骤105，输出针对某类事件评价的归一化评价结果；最后，执行步骤106，得出风电场某类事件的综合评价结果。

实施例1

如图2所示，为便于简述本发明的内容，设定评价某个风电场事件E，则执行步骤200建立E的事件信息库，设定数据管理中心的基准评价库里不存在类似事件评价，确立此事件具备单层评价因素U。本实施例采用单层因素来针对该事件的评价流程进行说明。一个具体的风电场事件模糊综合评价过程如下：

1、执行步骤201，构建模糊综合评价指标体系：

首先，执行步骤211，以某个风电场事件为目标，建立含有n个评价单层因素指标U，其中u_i（0≤i≤n）属于集合U的元素。

其次，执行步骤212，建立因素指标U的评价值集合D，设定一个5分等级的模糊评语集合，如表2所示：

表2评价集合的评语等级划分

然后，确立从因素U到评价集合D的模糊隶属度关系矩阵R={r_i1,...,r_ij,...,r_i5}，其中 $r_{\mathrm{ij}}=d_{\mathrm{ij}}/\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{d}_{\mathrm{ij}},1\≤j\≤\mathrm{5,1}\≤i\≤n,$ 并且 $\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}=1,d_{\mathrm{ij}}$ 为步骤212的表2所述的5个模糊评价值。

2、执行步骤202，用层次分析法确定各评价指标权重

若评价因素u_i（0≤i≤n）对于该风电场事件的权重为a_i，那么单因素集合U的权重向量集合为A=(a₁,a₂,a₃,...,a_i,...,a_n)。层次分析法计算a_i的方法如步骤221，步骤222，步骤223所述：

首先执行步骤221，构建判断矩阵P

对于同层的评价因素指标u_i和u_j，用p_ij表示u_i对u_j的重要性系数，由p_ij构成表3的判断矩阵P。

其次，执行步骤222，求解判断矩阵P的特征向量W，并作归一化处理。具体步骤如下：

（a）计算判断矩阵P每一行元素p_ij的乘积M_i＝p_i1×p_i2×p_ij...×p_in；

（b）计算M_i的n次方根

（c）对向量集合做归一化处理

则W就是所求的特征向量；

表3构建判断矩阵P

最后，执行步骤223，进行一致性检验，确定步骤222计算的特征向量是否属于合理的权重分配。计算步骤如下：

（1）计算判断矩阵P的最大特征值λ_max：

${\mathrm{\λ}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{PW}\right)}_i}{{\mathrm{nW}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{PW}\right)}_i}{W_i}---\left(4\right)$

式中，(PW)_i表示PW的第i个元素；P为判断矩阵，W为特征向量；

$\mathrm{PW}=\left[\begin{array}{c}{\left(\mathrm{PW}\right)}_1\\ {\left(\mathrm{PW}\right)}_2\\ {\left(\mathrm{PW}\right)}_3\\ \·\·\·\\ {\left(\mathrm{PW}\right)}_n\end{array}\right]=\left[\begin{array}{ccccc}{p}_{11}& p_{12}& p_{13}& ...& p_{1n}\\ p_{21}& p_{22}& p_{23}& ...& p_{2n}\\ p_{31}& p_{32}& p_{33}& ...& p_{3n}\\ ...& ...& ...& ...& ...\\ p_{n1}& p_{n2}& p_{n3}& ...& p_{\mathrm{nn}}\end{array}\right]*\left[\begin{array}{c}{\left(\mathrm{PW}\right)}_1\\ {\left(\mathrm{PW}\right)}_2\\ {\left(\mathrm{PW}\right)}_3\\ ...\\ {\left(\mathrm{PW}\right)}_n\end{array}\right]$

（2）一致性检验使用公式：

CR＝CI/RI；   （5）

CI＝(λ_max-n)/(n-1)；   （6）

公式（5）中，CI为判断矩阵的一般性一致性指标，由（6）计算得到；RI为判断矩阵的平均随机一致性指标，对于1到9阶的低阶矩阵向量参考表4。

表4平均随机一致性指标RI值

阶数	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

当CR＜0.1时或者λ_max＝n，CI=0时，那么P具有满意的一致性，那么W向量就是所求的权重向量；即W＝A。否则，返回步骤1）重新调整P中的元素，以使其具有一致性。

3、执行步骤203，进行模糊综合评价计算

根据步骤201的模糊关系矩阵R和步骤202的权重向量A，进行模糊合成运算，得出评价结果B。

这里公式（8）和（9）中，采用了加权平均运算，形如以下公式：

$b_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{r}_{\mathrm{ij}},j=\mathrm{1,2,3,4,5},i=\mathrm{1,2},....,n---\left(8\right)$

b_j＝max(b(j),ri_j),j＝1,2,3,4,5   （9）

其中，a_i表示因素u_i（0≤i≤n）的权重，r_ij表示事件的第i个评价因素u_i隶属于第j等级的隶属度，b_j表示第j等级的模糊隶属度，即a_i与r_ij的模糊合成计算结果，就是因素u_i针对某事件的模糊评价结果。

4、执行步骤204、输出综合评价结果

首先，对评价结果B归一化计算，得到

然后，依照公式（3），对评价目标加权平均计算，得出

5、执行步骤205、分析步骤204的计算结果

依照步骤211的表2，

分别对应于模糊评语等级中的5类事件；那么综合评价结果Tol，与表中的数据d_ij对照得出相应等级的事件，从而针对实际风电场设备运行状态，实施对应的事件决策手段。

实施例2

针对某风电场的主控制器硬件设备检修分析决策事件进行评价。图3中对主控设备检修的措施有3个：预防维修、定期检查和事后修理为顶层评价目标的实施措施。

首先，建立本次评价的事件信息库，检索数据管理中心内是否存在其他风电场的相似事件评价；若存在，则依次对照本次评价与评价指标库中的评价的因素集是否一致；若评价指标存在一致性，那么历史评价结果将作为本次评价结果数据。若不存在相似事件评价或评价因素不同，依照风电场设备检修评价指标体系的可测性和独立性原则，汇集这个风电场的主控制器零部件设备的历史运行数据列入图3中评价主因素指标{技术参数u₁、经济性u₂、难易性u₃}中。其中，技术参数u₁因素指标中含有4个二层评价因素{可靠性参数u₁₁、稳定性参数u₁₂、故障参数u₁₃、安全指数u₁₄}；经济性u₂因素指标包含了3个二层评价因素{维修费用u₂₁、设备成本u₂₂、间隔周期u₂₃}。难易性u₃因素指标包含了{普通保养u₃₁、小修理u₃₂、中等修理u₃₃、专用程度u₃₄}。并且，二层因素指标可靠性参数u₁₁、故障参数u₁₃与普通保养u₃₁分别包含了第3层因素，即可直接测量的参数。在多层模糊综合评价中，首先利用第3层因素对2层因素进行评价计算；然后第2层子因素对主因素层评价，然后通过主因素等对决策目标评价得到最终结果。

为便于简述本发明内容，本实施例以技术参数u₁的子层因素{可靠性参数u₁₁，稳定性参数u₁₂，故障参数u₁₃，安全指数u₁₄}对主因素技术参数u₁的评价过程为例予以说明。

若风电公司给出的评价集合为4分等级，对应{较小，明显，严重，关键}，具体数据依照10分制，依次为{0.4，2，3.6，4}。因素u₁的子层因素在评价结集合的隶属度为R₁。

$R_1=\left[\begin{array}{cccc}0.15& 0.40& 0.41& 0.04\\ 0.01& 0.27& 0.50& 0.22\\ 0.06& 0.75& 0.19& 0.00\\ 0.11& 0.36& 0.36& 0.17\end{array}\right]$

其次，确定评价因素权重。根据步骤221，构造表示{可靠性参数u₁₁，稳定性参数u₁₂，故障参数u₁₃，安全指数u₁₄}四类因素之间相互关系的判断矩阵 $P=\left[\begin{array}{cccc}1& 2& 2& 2\\ 1/2& 1& 1& 1/2\\ 1/2& 1& 1& 1/2\\ 1/2& 2& 2& 1/2\end{array}\right].$

经过步骤222，计算得出P的最大特征值为λ_max＝4.1；再进入步骤223，验证CR=0.023<0.1满足一致性检验。

这样，可计算得出权重A₁＝(a₁₁,a₁₂,a₁₃,a₁₄)＝(0.393,0.165,0.165,0.278)。

接着，通过步骤203和204完成计算输出子层因素{可靠性参数u₁₁，稳定性参数u₁₂，故障参数u₁₃，安全指数u₁₄}对其上一层技术参数u₁的评价结果向量B₁。

对B₁归一化得出：

＝(0.09,0.46,0.31,0.14)；

Tol＝0.4*0.09+2*0.46+3.6*0.31+4*0.14＝2.632

由此分析得出，四个因素{可靠性参数u₁₁，稳定性参数u₁₂，故障参数u₁₃，安全指数u₁₄}对技术参数指标的综合评价为2.632，介于2～3.6之间，属于严重类事件范畴，需要更换部件或就地解决，从而为顶层维修措施的选择确定采用哪种方式，提供了子层评价基础。

通过本发明的风电场事件综合评价计算方法，利用数据管理中心将多个风电场的历史评价事件和评价指标进行管理和共享，减少了风电场数据采集与监控系统的数据统计分析压力，并针对相似事件通过多次不同模型评价计算，建立切合实际且完善的指标评价体系，为风电场后续相似事件的评价提供了基础依据和评价积累。本发明还应用客观的统计方法确立各因素与评价值之间的模糊关系矩阵，应用层次分析法计算每个因素的权重向量，兼顾考虑了每个评价因素之间的相互依赖和重要程度，将风电场的每个设备参数纳入风电场的安全及稳定生产运行的衡量指标，从而通过模糊综合评价计算得到目标事件对象的综合评价结果，通过多次综合评价和评价模型的修正，为减少风电场严重及破坏性事件的发生、预防、检修和维护提供了客观地切合实际的智能决策方法。

Claims (7)

1.一种风电场运行监控及事件综合评价方法，其特征在于，所述的评价方法为：首先建立风电场级数据管理中心，用于汇集管理每个风电场的所有事件数据；在数据管理中心里，每个风电场的事件数据通过事件信息库进行管理，每个事件信息库包括评价指标库和基准评价库两个子库；所述的评价指标库包含多个风电场采集与监控系统、状态监测设备和消防安防设备提供的各类历史运行数据，用于向风电场事件评价提供评价因素；所述的基准评价库用于管理每个风电场事件的历史评价模型和评价结果； 

其次，对风电场事件进行综合评价，给出基于实际的历史运维参数的模糊综合评价方法；所述模糊综合评价方法针对含有多个因素的风电场事件进行模糊综合评价计算，分别输出每个因素指标的评价结果和总体的综合评价结果；所述综合评价计算步骤包括，先根据模糊综合评价指标体系原则从评价指标库里抽取数据构建风电场事件的评价因素集，确立评价值集合和构建模糊关系矩阵，进而形成模糊综合评价指标体系；再利用评价因素对确定事件的相对重要性实施主次评价因素权重计算；最终通过加权平均模糊合成运算输出风电场事件的评价结果； 

最后，分析评价结果，找到解决风电场事件的技术手段，为指导上层管理机构有目的性地实施运维管理和采取预防措施提供决策手段，辅助现场维护人员实施现场运维工作。 

2.按照权利1所述的风电场运行监控及事件综合评价方法，其特征在于，所述的评价方法包括以下具体步骤： 

步骤1、建立风电场级数据管理中心，利用云收集功能分别汇集管理每个风电场的事件数据。所述数据管理中心里的每个风电场事件数据是以事件信息库为计量单位进行管理。所述风电场级数据管理中心的事件信息库包括基准评价库和评价指标库，基准评价库管理共享事件的评价模型和评价结果，从而对后续其他类似事件评价形成参考；评价指标库包括电气控制设备评价指标库、环境指标库和故障系数指标库3个子库，分层管理记录不同事件评价时所用的指标体系； 

步骤2、对风电场事件进行模糊综合评价；结合步骤1建立的评价指标库和基准评价库，针对风电场发生的事件以及事件引起的迫害性损伤程度实施模糊综合评价，并进一步分析评价结果，对预防风电场事件发生、检修风电场设备、诊断故障事件及维修决策时采取的技术措施手段予以辅助和指导。 

3.按照权利要求2所述的风电场运行监控及事件综合评价方法，其特征在于，利用所 述的电气控制设备评价指标库、环境指标库和故障系数指标库的数据确立评价因素集合U＝(u₁,u₂,...,u_i,...u_n)，u_i表示第i（0≤i≤n）个评价因素，若每个评价因素u_i下还包含下一层评价因素集，即为(u_i1,u_i2,u_i3,...,u_ij...,u_im)，其中j,m≥0。 

4.按照权利要求1所述的风电场运行监控及事件综合评价方法，其特征在于，所述的步骤2中的模糊综合评价的具体步骤如下： 

1）构建风电场事件的模糊综合评价指标体系，从步骤1建立的评价指标库中抽取数据来构建模糊综合评价指标体系；在每次事件评价之前，若在数据管理中心的基准评价库中检索到与本次评价相似的事件，进一步地优选核实评价指标库的评价因素集是否相同，若评价因素集相同，则无需重复评价，直接参照历史事件评价来确定评价结果；若评价因素集不同或不存在类似事件评价，则需创建该事件的独立评价模型，并修正完善数据管理中心的评价指标库； 

2）确定事件的主次评价因素权重； 

3）利用风电场事件的模糊综合评价计算得出风电场事件的每个因素指标的评价结果和总体的综合评价结果，寻找解决风电场事件的技术手段； 

4）分析风电场事件的综合评价结果，如果评价结果切合实际，并且在数据管理中心的基准评价库里不存在相似事件评价历史记录，则此次评价模型和评价结果纳入基准评价库中，参与后续类似事件评价分析。 

5.按照权利要求4所述的风电场运行监控及事件综合评价方法，其特征在于，所述的构建风电场事件的模糊综合评价指标体系的方法是： 

（a）确定评价因素集 

根据模糊综合评价指标体系原则，针对不同类型的风电场事件确立不同的因素集合U＝(u₁,u₂,...,u_i,...u_n)； 

（b）建立评价值集合 

根据风力发电企业对评价目标对象做出的各种可能的评价结果集合D，该集合被量化为评语等级，一般划分等级为3到9级，即D＝(d₁,d₂,...,d_i,...d_p)，d_i表示第i（0≤i≤p，3≤p≤9）个评价值，通常d_i采用10分制数据表示； 

（c）确立模糊关系矩阵 

针对某类风电场事件的每个因素u_i构成因素集合U，根据评价集D中的等级指标确定其隶属程度，如表1，计算方法为

其中r_i表示因素u_i关于评价集v_i的 隶属程度，构成模糊关系矩阵为R={r₁,r₂,...,r_i,...,r_p}，且

6.按照权利要求4所述的风电场运行监控及事件综合评价方法，其特征在于，所述的利用风电场事件的模糊综合评价计算得出风电场事件的每个因素指标的评价结果和总体的综合评价结果的步骤如下： 

（a）首先对子因素层指标u_ij的模糊关系矩阵r_ij作加权平均模糊合成运算，得到子因素层指标u_ij对其上一层因素指标u_i的评价结果b_ij，由b_ij构成底层因素u_ij对主评价因素u_i的评价结果向量集合B_i，其中i表示第i层因素指标，j表示相同的i层中的第j个子目标： 

式中，a_j表示评价因素集合u_j的子因素u_ij在某个事件中的权重向量； 

（b）再对评价结果向量集合B_i进行模糊合成运算，即对主因素层指标u_i的权重集合A求出目标层的评价结果向量B＝(B₁,B₂,B₃,...,B_i...,B_n)，1≤i≤n。 

7.按照权利要求4所述的风电场运行监控及事件综合评价方法，其特征在于，所述的分析风电场事件综合评价结果的方法如下： 

设定某个风电场事件的评价因素U与该事件之间的影响等级向量为5分等级d_i(1≤i≤5)，评语划分为{极小d₁、较小d₂、明显d₃、严重d₄、关键d₅}， 

这样，采用5分评语等级划分事件类型，则得到关系矩阵R＝{r₁,r₂,r₃,r₄,r₅}，经过加权平均得出各分层次要因素u_ij对主因素指标u_i的评价结果T(i)为： 

其中，r_i1到r_i5分别表示某类事件的5分等级标准中，每个分层的次要因素u_ij对主因素指标u_i的隶属关系系数r_ij，1≤j≤5,1≤i≤n；b_i1到b_i5分别表示每个分层的次要因素u_ij对主因素指标u_i的评价结果公式（1）的向量B_i；那么每个分层对主因素指标的评价结果B_i构成向量集合T(i)； 

主因素层对评价目标事件的总体最终评价结果Tol为： 

其中，r₁到r₅分别表示结合5分等级标准的每个主评价因素u_i对评价目标的模糊隶属关系系数r_i，1≤i≤5；

到

分别表示每个主评价因素u_i对评价目标的评价结果，由

到

构成前文步骤c）中向量B的元素； 

如果本次评价结果切合实际，并且在数据管理中心的基准评价库里不存在相似事件评价历史记录，则此次评价模型和评价结果Tol被纳入基准评价库中，Tol数值将参与后续类似事件评价分析。 

Images