本发明涉及海上风机选型决策领域，尤其是涉及一种基于模糊贝叶斯网络决策的海上风机选型方法。
背景技术：
1、随着风力能源的广泛应用，海上风机选型成为风电领域的关键问题。海上风机选型的影响因素包括风机参数、风机经济性、风机可靠性、航行安全性等多个方面。
2、目前传统海上风机选型决策方法中存在的技术问题包括：概率分配的不准确性、条件概率表的固定性限制了模型的灵活性、难以处理复杂多变的影响因素。
技术实现思路
1、本发明的目的是为了克服上述现有技术中存在的缺陷而提供一种基于模糊贝叶斯网络决策的海上风机选型方法，以实现复杂多变影响因素下高效、可行的风机选型。
2、本发明的目的可以通过以下技术方案来实现：
3、一种基于模糊贝叶斯网络决策的海上风机选型方法，包括以下步骤：
4、s1，获取海上风机选型的影响因素并进行分析，基于分析结果构建三层贝叶斯结构网络；
5、s2，对每个影响因素变量进行输入模糊化；
6、s3，基于模拟退火算法进行条件概率表的参数设置与优化；
7、s4，基于优化后的条件概率表，利用三层贝叶斯结构网络进行海上风机选型影响因素推理；
8、s5，分别基于专家知识和默认效用值对推理结果进行解模糊，得到第一评估分数和第二评估分数；
9、s6，根据第一评估分数和第二评估分数进行比选获得最佳海上风机选型。
10、所述影响因素包括海上风机性能参数、海上风机经济性指标、海上风机可靠性指标和相关航道安全性指标。
11、所述获取海上风机选型的影响因素并进行分析具体为：获取海上风机选型的影响因素，建立各影响因素变量之间的相关矩阵并识别主成分，以确定主要且重要的影响因素并按照相关性进行分类。
12、所述基于模拟退火算法进行条件概率表的参数设置与优化具体为：根据信息检索与专家数据选取风机最优选型样例数据，并基于模拟退火算法以样例数据为退火目标更新获得优化的条件概率表参数设置。
13、所述步骤s3包括以下步骤：
14、s31，设置初始温度与条件概率表初始值；
15、s32，基于初始温度和条件概率表初始值计算初始解；
16、s33，降温，根据当前温度和当前参数解基于模拟退火算法生成新的条件概率表参数值，并基于新的条件概率表给出一个新解；
17、s34，根据新解计算能量函数并根据优化目标判断是否接受新解，若接收新解，则返回步骤s33进行重复迭代，否则，判断搜索是否充分，若搜索充分，则执行步骤s35，否则返回步骤s33进行重复迭代；
18、s35，判断当前温度是否降低至目标温度，若当前温度降低至目标温度，则以当前所得条件概率表作为优化所得条件概率表，否则返回步骤s33进行重复迭代。
19、所述条件概率表初始值的设置规则为：条件概率表表征影响因素的评价级别之和ζ与评价级别之间的概率关系，其中，当影响因素数量为m，评价级别数为n(n>2)时，评价级别之和ζ共m(n-1)+1种取值，分别为m,m+1,…nm，当ζ＝m时，对应于评价级别序列(1,2,3,…m)的条件概率序列为(1,0,0,…0)，当ζ＝nm时，对应于评价级别序列(1,2,3,…m)的条件概率序列为(0,0,0,…1)，当m<ζ<nm时的条件概率序列根据条件概率转移规则确定。
20、所述条件概率转移规则为每一次转移同时满足以下条件：
21、a)每次转移的概率值为1/m；
22、b)每次只转移一个评价级别对应的概率并只能转移到相邻的评价级别；
23、c)转移前后的条件概率序列均为单峰序列；
24、d)除首尾评价级别外，中间相邻两个评价级别对应的概率差不大于(n-2)/m。
25、所述评价级别设为4级。
26、所述步骤s33中，通过基于模拟退火算法的迭代过程，根据设置的状态转移方程，基于当前温度对条件概率表的参数进行调整，具体的，设当前温度为τ，根据条件概率表，当前推理目标对应多级评价级别的概率分别为p1,p2,p3…pn，满足p1+p2+p3+…+pn＝1，则状态转移方法如下：
27、令
28、
29、q′j＝qj+r×τ
30、其中r为一个随机数，其值取决于初始温度，当q′j<0或q′j>1时对r随机重新取值并重新计算q′j，直至0≤q′j≤1；
31、将{q′j}按值的大小升序排列，获得升序排列{q′1,q′2,q′3,…q′n}，则{p1,p2,p3,…,pn}转移为
32、
33、所述步骤s34中，根据当前条件概率表所得每项推理结果与样例数据中的预期对应每项推理结果之差的绝对值之和作为能量函数，当新解的能量函数值e′小于旧解能量函数值e时接受新解，将旧解更新为新解，否则采用优化的metropolis准则接受新解，即当以下概率p(τ)大于预设的0-1范围内的随机数时接受新解：
34、
35、其中τ为当前温度，a为随机数。
36、与现有技术相比，本发明具有以下有益效果：
37、1、本发明利用模拟退火算法对条件概率表进行全局优化，提高条件概率表的适应性，使其更符合实际观测数据。
38、2、本发明的灵活性好，适用于复杂决策环境与多样性的影响因素综合分析，并在海上风机选型实际案例中得到了可行性验证。
39、3、基于模拟退火算法的快速收敛性，本发明可以在样例数据量相对匮乏的情况下更快更优地获得所需条件概率表。
1.一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述影响因素包括海上风机性能参数、海上风机经济性指标、海上风机可靠性指标和相关航道安全性指标。
3.根据权利要求1所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述获取海上风机选型的影响因素并进行分析具体为：获取海上风机选型的影响因素，建立各影响因素变量之间的相关矩阵并识别主成分，以确定主要且重要的影响因素并按照相关性进行分类。
4.根据权利要求1所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述基于模拟退火算法进行条件概率表的参数设置与优化具体为：根据信息检索与专家数据选取风机最优选型样例数据，并基于模拟退火算法以样例数据为退火目标更新获得优化的条件概率表参数设置。
5.根据权利要求1所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述步骤s3包括以下步骤：
6.根据权利要求5所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述条件概率表初始值的设置规则为：条件概率表表征影响因素的评价级别之和ζ与评价级别之间的概率关系，其中，当影响因素数量为m，评价级别数为n(n>2)时，评价级别之和ζ共m(n-1)+1种取值，分别为m,m+1,…nm，当ζ＝m时，对应于评价级别序列(1,2,3,…m)的条件概率序列为(1,0,0,…0)，当ζ＝nm时，对应于评价级别序列(1,2,3,…m)的条件概率序列为(0,0,0,…1)，当m<ζ<nm时的条件概率序列根据条件概率转移规则确定。
7.根据权利要求6所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述条件概率转移规则为每一次转移同时满足以下条件：
8.根据权利要求6所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述评价级别设为4级。
9.根据权利要求5所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述步骤s33中，通过基于模拟退火算法的迭代过程，根据设置的状态转移方程，基于当前温度对条件概率表的参数进行调整，具体的，设当前温度为τ，根据条件概率表，当前推理目标对应多级评价级别的概率分别为p1,p2,p3…pn，满足p1+p2+p3+…+pn＝1，则状态转移方法如下：
10.根据权利要求5所述的一种基于模糊贝叶斯网络决策的海上风机选型方法，其特征在于，所述步骤s34中，根据当前条件概率表所得每项推理结果与样例数据中的预期对应每项推理结果之差的绝对值之和作为能量函数，当新解的能量函数值e′小于旧解能量函数值e时接受新解，将旧解更新为新解，否则采用优化的metropolis准则接受新解，即当以下概率p(τ)大于预设的0-1范围内的随机数时接受新解：
