[发明专利]一种基于改进贝叶斯网络的风电机组动态可靠性评价方法

权利要求书

1.一种基于改进贝叶斯网络的风电机组动态可靠性评价方法，其特征在于，包括以下步骤：

1)基于故障树和云模型构建风电机组的单纯可靠性贝叶斯网络，构建风电机组的单纯可靠性贝叶斯网络具体包括以下步骤：

11)根据风电机组关键部件的故障特点建立部件故障树，部件故障树主要包含顶层事件、中间事件与基本事件，定义顶层事件为关键部件的故障，中间事件为多个该关键部件的故障类型，基本事件为引起不同故障的原因，并且假设任一类基本事件或中间事件的发生均会影响所对应的中间事件或关键部件的故障；

12)对部件故障树进行贝叶斯网络转化得到可靠性贝叶斯网络，具体为：

将部件故障树中的事件与可靠性贝叶斯网络中的节点一一对应，根据关键部件的故障间因果关系，将可靠性贝叶斯网络中的节点采用有向弧连接；

13)对可靠性贝叶斯网络节点的连续型状态信息进行基于云模型的离散化处理，得到单纯可靠性贝叶斯网络并建立离散变量与连续变量同一范畴内的状态空间；

所述的单纯可靠性贝叶斯网络包括三层，由上至下依次为风电机组关键部件节点、部件节点的故障子节点和故障子节点的原因根节点，每个原因根节点经过扩展对应监测信息节点，用以表征实时获取的部件监测信息；

2)采用无标度网络对单纯可靠性贝叶斯网络进行优化得到改进的贝叶斯网络，具体包括以下步骤：

21)基于单纯可靠性贝叶斯网络建立图G＝(U，V，E)的网络拓扑，其中，U为所有故障子节点的集合，V为所有原因根节点的集合，E为节点间边的集合，该图G的网络拓扑中包括1个部件节点、N个故障子节点和n个原因根节点，每条边均对应权值；

22)以图G为基础，考虑关联矩阵、邻接度、结构洞重要性指标进行无标度网络推导，得到贡献度矩阵，贡献度矩阵L_c的表达式为：

其中，Γ(i)为节点i的邻居节点集合，且节点i可以为部件节点E、故障子节点U或原因根节点V，L_k为节点k的状态结构洞重要指标，L_i为节点i的状态结构洞重要指标，且i＝1,2,…S，S为节点总数，a₁₂、...、a_1N、a₂₁、...、a_N1均为部件节点E与故障子节点U间关联矩阵A_N×N中的元素，b₁₂、...、b_1N、b₂₁、...、b_N1均为故障子节点U与原因根节点V间的关联矩阵中的元素，贡献度矩阵L_c的对角线上元素均为1表示节点对其自身的贡献度比例值为1；

所述的节点的状态结构洞重要指标的表达式为：

其中，RC_i为节点i的约束系数，q为节点i和节点j的共同邻居节点，p_(i|j)为节点i和节点j的连接参数，p_(i|q)为节点i和节点q的连接参数，p_(q|j)为节点q和节点j的连接参数；

23)根据贡献度矩阵优化节点间的权重和敏感度矩阵，用以反映节点间的耦合关系，完成对单纯可靠性贝叶斯网络的无标度网络加权优化，各节点间的边对应权值w的优化更新式为：

w(i,j)＝(a_Bi)^[(Lc)]ij+(b_ij)^[(Lc)]ij

敏感程度矩阵H_c的表达式为：

H_c＝T·L_c

T＝[T_aZ+T_bZ+w(i,j)]

其中，T为包含节点全局信息T_aZ与局部信息T_bZ的权重矩阵，根据敏感程度矩阵H_c中各行与各列对应元素的数值大小表示各病症信息反映各故障作用的大小；

3)对改进的贝叶斯网络进行动态贝叶斯推理；

4)根据改进的贝叶斯网络与动态推理过程对机组可靠性进行定量评估。