前言

为实现“碳达峰”和“碳中和”战略。

未来40年我国的能源、产业、消费和区域结构将发生重大调整。

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。

然而，现有调控方式仍主要停留在被动控制阶段，无法对风力发电系统所面临的运行风险进行事前预警，错过最佳预先控制时间。

因此，为实现风力发电系统稳定运行，完成由事后诊断向事前控制的转变具有重要意义。

风力发电系统风险评估体系

针对风力发电系统运行特点构建合理的风 险评估体系对于提升风险评估的效率和准确率 十分关键。通过对风机故障机理进行全面分析， 建立风力发电系统风险评估体系如图所示。

风力发电系统风险评估体系

2.1运行环境因素

运行环境（Operating environment,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

式中，σ表示天气影响因子，在三种不同天气状态下，其参数取值主要取决于一年中三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。

2.2风机部件因素

风机部件（Fan component,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元件二状态（正常运行状态与不正常运行状态）模型对各元件进行建模，其等效模型为

式中，λC和μC分别为各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。

2.3人为因素

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（Human factor,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。

基于贝叶斯网络的风力发电系统动态风险评估方法

风力发电系统动态风险评估方法框架如图所示，分为方法构造、模型设计和风险评估三个部分。

风力发电系统动态风险评估方法框架

在方法构造部分，从故障可能性和故障危害性两部分进行风力发电系统动态风险评估；在模型设计部分，针对故障可能性，分析风力发电系统运行特点构建风力发电系统风险评估体系，具体包含运行环境因素、风机部件因素、人为因素三方面，并对相关运行数据进行收集与处理。

针对故障危害性，利用专家打分法对故障发生后果的危害性进行量化打分；在风险评估部分，建立基于贝叶斯网络的风力发电系统动态风险评估模型，得到各节点发生风险的概率，结合故障危害性量化数值，计算风险等级分值，绘制风险矩阵图，完成辅助决策。

3.1贝叶斯网络

贝叶斯网络由有向非循环图模型和条件概率表组成，当不正常报警信息产生后，影响顺向传递导致对应子节点的后验概率改变，称为贝叶斯网络正向推理过程。其推理公式为

式中，P(Y)为节点Y的先验概率；P(Xi Y)为条件概率，P(YXi)为Xi发生的情况下Y发生的概率，也称为后验概率。

3.2风力发电系统动态风险评估模型

以构建的风力发电系统风险评估体系为指导建立风力发电系统动态风险评估模型示意图。

动态风险评估模型示意图

其中，虚线部分表示外部实时数据输入输出过程，实线部分表示模型内部影响传递过程，箭头的指向表示数据、信息流动的方向。

确定模型各节点条件概率分布后，基于贝叶斯理论，根据实时输入数据的变化，顺向推导各系统出现不正常运行状态的概率，实现风力发电系统动态风险评估。

3.3风险因素等级划分

从故障可能性（Fault possibility）与故障危害性(Faulthazard)两方面对可能存在的风险进行评估。首先，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，即故障可能性数值，取值区间为(0，5)。

其次，采用专家打分法对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发生故障的危害性进行量化打分，打分区间为(0，5)。

最后，计算风险等级分值(Risk grade score)并绘制风险矩阵图（Risk matrix）直观反映各系统面临的风险严重度。计算风险等级分值公式为

式中，R为风险等级分值；P为故障可能性数值；H为故障危害性数值

算例分析

利用湖北某风电场对本文所提方法进行实证研究。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。

4.1基于贝叶斯网络的动态风险评估模型

在GeNIe软件图形视图界面对风力发电系统进行建模，建立基于贝叶斯网络的风力发电系统动态风险评估模型如图所示。

其中A1至A3节点分别表示影响电气系统的人为因素，依次为工作经验不足、管理制度不足、安全意识不足，B1至B3节点分别表示影响齿轮箱的人为因素，依次为工作经验不足、管理制度不足、安全意识不足，以此类推。

使用本文第二章介绍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节点概率进行计算和输入，其中，考虑各系统均包含多个元件，选取系统内各部件不正常运行概率最高值作为该系统对应风机部件因素节点概率，运行环境因素节点和人为因素节点依据计算结果输入节点概率即可。

4.2绘制风险矩阵图

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”故障时风力发电系统状态为例展示模型评估结果及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数值。

使用专家打分法对各系统故障危害性进行量化打分，对风电行业内管理人员、运维人员、工程师共计17人进行问卷调查，对17份问卷中打分结果取均值后得到故障危害性数值，并计算得到各系统风险等级分值。

各风险等级划分标准如表所示，绘制风险矩阵图如图所示。

结合图表可直观发现，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。

结合图表可直观发现，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，结合图表可直观发现，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，在运行时进行偶尔监控即可。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，实时直观地反映各系统在运 行过程中所面临的风险严重度。

4.3 模型验证

为保证模型的准确性，使用受试者工作特 性（ROC）曲线对模型进行验证，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。

其 AUC 值达到 0.893 ，验证了模型的有效性。

风力发电系统动态风险评估模型 ROC 曲线验证图

结论

本文建立了基于贝叶斯网络的风力发电 系统动态风险评估模型，实现了风力发电系 统运行风险事前预测，并绘制风险矩阵图直 观反映各系统运行过程中面临的风险严重度， 从而为运维人员安排检修工作提供依据。算例分析结果验证了本文所提方法的可行性和有效性。

1）本文建立了风力发电系统风险评估体系， 针对风力发电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 大主要因素。

2）该模型能根据运行过程中的实时数据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预警的转变。

3）从故障可能性和故障危害性两方面考虑， 通过绘制风险矩阵图直观地展示各系统所面临 的风险严重度及检修必要性，辅助运维人员制 定检修计划。

参考文献：

[1] 中共中央国务院关于完整准确全面贯彻新 发展理念做好碳达峰碳中和工作的意见 [EB/OL].

[2]徐浩,姜新雄,等.基于概率预测的电网静态安全运行风险评估及主动调控策略[J].电力系统自动化,2021:1-12.

[3]乔卫亮,刘阳,等.基于模糊人工神经网络的安全风险评估模型[J].安全与环境学报,2021,21(4):1405-1411.

[4]陈冰松.基于支持向量机的电网调度风险评估研究[D].湖北:武汉大学,2019.

[5]吴波,赵睿,等.基于模糊理论的地铁深基坑非对称施工安全风险评估[J].土木与环境工程学报,2021:1-7.