风电机组是将风的动能转换为电能的重要装备，一旦发生故障将造成巨大的电量损失和维护费用，风电机组的健康正常运行是保证风电场盈利水平的主要手段和影响因素。因此，对风电机组进行健康度评价，实现对风电机组故障进行预测是十分必要的。风电机组健康度评估是基于指标体系来构建模型，指标体系中具体指标的权重设置是模型评价结果准确可信的前提，主观赋权法、客观赋权法、基于遗传算法的赋权方法是常见的赋权方法，本文将围绕风电机组健康评估，对主观赋权法、客观赋权法和基于遗传算法的赋权方法进行充分分析，探索出最适合风电机组健康度评估的指标赋权方法。
主观赋权法
专家打分法是重要的主观赋权法，一种定性描述定量化方法，它首先根据评价对象的具体要求选定若干个指标项，再根据指标项制定出每个指标项的评价标准；通过聘请若干代表性专家凭借自己的经验按此评价标准给出各项目的权重，然后对其进行结集。
图1 指标权重专家打分表
主观赋权法的优点是专家可以根据实际的决策问题和专家自身的知识经验合理地确定各属性权重的排序，不至于出现属性权重与属性实际重要程度相悖的情况。但决策或评价结果具有较强的主观随意性，客观性较差，同时增加了对决策分析者的负担，应用中有很大局限性。
客观赋权法
客观赋权法的基本思想是根据各属性的联系程度或各属性所提供的信息量大小来决定属性权重。主成分分析（PCA）是重要的客观赋权法，也是一种最常用的无监督降维方法，通过降维技术把多个变量化为少数几个主成分的统计分析方法。这些主成分能够反映原始变量的绝大部分信息，它们通常表示为原始变量的某种线性组合。指标权重等于以主成分的方差贡献率为权重，对该指标在各主成分线性组合中的系数的加权平均的归一化。
主成分分析法的算法流程如下：
1）基于PCA主成分分析算法，计算主成分的特征根矩阵E、方差解释率矩阵v，每个指标项的载荷系数矩阵C。
特征根可看成是主成分影响力度的指标，代表引入该主成分后可以解释平均多少个原始变量信息。一般特征根要求＞1，（说明主成分的解释力度大于直接引用1个原变量）；
方差解释率表示提取的主成分/因子对原有变量的解释能力，方差解释率越大，解释能力越强，越能体现原始变量的关键影响因素，提取的主成分或因子越有效；
载荷系数解释为每个指标项对主成分的相关性系数，值域为[0,1]之间。
2）计算线性组合系数矩阵，即确定指标在各主成分线性组合中的系数，公式如下：
Lij: 第i个指标在第j个主成分线性组合中的系数
Ci: 第i个指标的载荷系数
Ej: 第j个主成分的特征根
3）利用主成分的方差解释率确定综合得分系数：公式为某指标与对应主成分的线性组合系数与方差解释率相乘后累加，并且除以累积方差解释率：
Si：第i个指标的综合得分系数
Lij：第i个指标在第j个主成分线性组合中的系数
vj：第j个主成分的方差解释率
4）将综合得分系数进行归一化处理即得到各指标权重值。
总的来说，客观赋权法是直接将指标通过统计分析等数学方法处理后得到的权重，一定程度上避免了主观赋权法主观性过强的弊病，具有较强的数学理论依据，但有时确定的权系数可能与实际不符，虽然避免了人为因素的主观影响，但赋权的结果未能客观反应指标的实际重要程度，常导致赋权结果与客观实际存在一定的差距。使用遗传算法作为指标赋权方法，并通过在初始化种群上引入先验知识能一定程度上解决客观赋权法的这一问题。
基于遗传算法的指标赋权方法
遗传算法（Genetic Algorithm, GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法通过模拟自然界生物的优胜劣汰进化现象，把需要求解的问题抽象为一个遗传进化问题，把搜索空间映射为遗传空间，把可能的解编码成一个向量(染色体),而向量中的每一个元素则成为基因，通过不断计算各个染色体的适应值，选择最好的染色体，不断选择进化，不断接近我们需要的最优解，即指标体系中每个指标的权重。
图2 遗传算法算法流程图
1）编码：由于遗传算法不能直接处理解空间的解数据，因此必须通过编码将它们表示成遗传空间的基因型串结构数据。编码方法在很大程度上决定了如何进行群体的遗传进化运算以及遗传进化的效率。由于不同的编码方法具有不同的特点，为了提高遗传算法的效率，应根据不同的情况采用不同的编码方式。主要的编码方法有二进制编码、浮点数编码、符号编码、多参数编码、可变长染色体编码等。
2）产生种群：遗传算法以初始种群作为初始点开始迭代，初始种群大小表示群体中所含个体的数量。产生初始种群的方法通常有两种: 对问题的解无任何先验知识的情况，采用随机产生样本的方法；对于具有某些先验知识的情况，例如赋权问题中专家不同指标重视程度，可首先将这些先验知识转变为必须满足的一组要求，然后在满足这些要求的解中随机地选取样本。这样选择初始种群可使遗传算法更快地达到最优解。
3）适应度计算：根据策略判断个体的适应度，以训练集中每台风机的已知的健康度得分与通过赋权的评价体系计算的健康度得分的残差平方和作为该组权重个体的适应度，当残差平方和小于某阈值，或连续N次保持不变，即收敛，则认为符合优化准则，输出最佳个体及其最优解，结束；否则，进行下一步。
4）选择：选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的， 适应度高的个体遗传的概率高一些。目前常用的选择算子有以下几种:适应度比例方法、随机遍历抽样法、局部选择法。
5）交叉：根据交叉率将父代中的部分个体两两随机地交换某些基因，以产生新的基因组合，期望将有益基因组合在一起。
6）变异：根据变异率，对群体中部分个体的某些基因位作变动。常用的有实值变异和二进制变异。
7）由选择、交叉和变异产生新一代种群，返回步骤3）直到最优解产生。
基于遗传算法的指标赋权方法可设定优化目标 ,不断优化对适应度函数的拟合，找到因素之间的相互关系以及权重排序，能够获取全局最优、挖掘更深层次的影响因素。
结语
对比来看，主观赋权法在根据决策者意图确定权重方面比客观赋权法具有更大的优势，但客观性相对较差，主观性相对较强；而采用客观赋权法有着客观优势，但不能反映出参与决策者对不同指标重视程度，并且会有一定的权重和与实际指标相反的程度。因此，在对指标进行权重分配时，应考虑指标数据之间的内在统计规律和权威值，给出合理的决策指标赋权方法，即采用主观赋权法和客观赋权法相结合的组合赋权方法，以弥补单一赋权带来的不足。
与传统权重确定方法相比，基于遗传算法的指标赋权方法具有获取全局最优、客观性较强的优势。通过设定优化目标，不断优化对适应度函数的拟合，直至模型收敛，即可得到评价指标间最优的权重分配。在实际工程化应用中，适当地利用决策者给出的先验知识，即设定各个指标在经验值下的权重区间作为选取初始化种群的范围，这样可使模型收敛速度加快，并且增强其可解释性，适用于风机健康度评估指标赋权的风电数字化场景中。
