技术领域
[0001] 本
发明属于海上风电场技术领域，特别涉及了一种海上风电场运维调度方法。
背景技术
[0002] 独特的海上环境给海上风电场的运维管理带来了重要性挑战。海上风
电机组长期运行在动态的负载状态和恶劣的自然环境下，造成风电机组部件的高故障风险和复杂的劣化过程。此外维修团队进入海上风电场内执行维修作业必须经由
船舶或飞机等工具的运送，而这些运输工具易受海上天气的限制，使得进入风电场的可及性差导致维修等待时间较长；并且这些海上运输工具的单次运输成本极为昂贵。
[0003] 当前海上风电场的运维调度方法大多仍沿用陆上风电场的经验，采用事后和
预防性维修相结合的策略，各机组部件的维修决策是基于该类部件的制造特点和工程知识所估算的产品数据(时间或可靠度)以制定的。然而这些产品数据在制定同类型机组部件的维修决策时，往往没有考虑到单个机组部件在实际风电场的劣化特征，从而无法制定具有针对性的维修计划。当前运维调度方法存在维修不足或维修过度的问题，且各机组部件之间的维修活动缺乏协调与配合，从而导致海上风电场内高额的运维成本，约占海上风电项目全寿命周期成本14-30％。
发明内容
[0004] 为了解决上述背景技术提出的技术问题，本发明提出了一种海上风电场运维调度方法，实现不同时期对海上风电场内一系列具有不同劣化状态的机组部件的维修调度，并降低海上风电场的运维成本。
[0005] 为了实现上述技术目的，本发明的技术方案为：
[0006] 一种基于状态监测的海上风电场运维调度方法，所述海上风电场包含若干台海上
风力发电机组，每台海上
风力发电机组包含若干个机组部件，包括以下步骤：
[0007] (1)采集与各海上风电机组部件劣化状态相关的监测数据，并构建相应的
人工神经网络模型以预测各机组部件的剩余寿命；
[0008] (2)综合分析各机组部件在维修备货期后的剩余寿命可靠性和维修行为经济性，构建各机组部件的动态平均有效维修成本函数，并将其作为各机组部件制定维修决策的依据；
[0009] (3)设定状态维修
阈值和机会维修阈值，并将步骤(2)构建的各机组部件的动态平均有效维修成本函数与这两个阈值进行比较，以制定最优的运维调度计划。
[0010] 进一步地，在步骤(1)中，所述人工神经网络包括：
[0011] 模型参数选取，所选取的模型输入参数为海上风电机组部件当前和前一监测时刻的役龄和多个状态监测数据测量值；所选取的模型输出参数为海上风电机组部件的使用寿命百分比；
[0012] 模型构建，所构建的模型是一个具有多输入和单输出的
前馈神经网络模型；
[0013] 模型训练，所使用的训练
算法为Levenberg-Marquardt算法。
[0014] 进一步地，在步骤(2)中，所述动态平均有效维修成本函数如下：
[0015]
[0016] 上式中， 为海上风电机组i内部件j的平均有效维修成本；ti,j为海上风电机组i内部件j的役龄；tL为维修备货期； 表示海上风电机组i内部件j的剩余寿命预测值； 为海上风电机组i内部件j的预防性维修成本； 为海上风电机组i内部件j的故障维修成本；P(*)表示概率。
[0017] 进一步地，海上风电机组i内部件j的剩余寿命预测值 的分布如下：
[0018]
[0019] 其中， 为人工神经网络模型预测的使用寿命百分比；up,j和σp,j分别为人工神经网络模型寿命百分比预测误差的平均值和标准偏差。
[0020] 进一步地，在步骤(3)中，将各机组部件的动态平均有效维修成本函数与两个阈值进行比较，以制定最优的运维调度计划的具体过程如下：
[0021] 当机组部件的动态平均有效维修成本小于状态维修阈值，表示综合衡量当前机组部件的剩余寿命可靠性、维修成本和役龄，此时机组部件的性能状态在维修备货期后执行预防性维修行为的时机是合适的，将确定该机组部件的状态维修决策；
[0022] 当机组部件的动态平均有效维修成本大于等于状态维修阈值且小于机会维修阈值，表示综合衡量该机组部件当前的剩余寿命可靠性、维修成本和役龄，与确定状态维修决策的机组部件一同执行维修活动是经济的，将制定该机组部件的机会维修计划；
[0023] 当机组部件的动态平均有效维修成本大于机会维修阈值，将不执行任何维修行为；
[0024] 按照上述方法确定的运维调度计划，都将在变动的维修备货期后实施共同维修活动；当所有符合条件的机组部件都在维修备货期后执行共同维修活动，表示此次维修周期结束，各机组部件将持续运行直到下一次的故障发生或新监测时刻的机组部件动态平均有效维修成本小于状态维修阈值。
[0025] 进一步地，在步骤(3)中，所述状态维修阈值和机会维修阈值根据经验或仿真实验来设定。
[0026] 采用仿真实验确定状态维修阈值和机会维修阈值的方法如下：
[0027] 建立如下海上风电场运维调度优化模型：
[0028]
[0029] 上式为海上风电场的年运维成本最小化目标函数，CE(cc,co)为海上风电场的年运维成本，cc和co分别为状态维修阈值和机会维修阈值，tr和tq分别是第q次维修周期和第r次维修周期开始的时间；TCk为海上风电场单次维修周期内的总运维成本，TCk＝TCR+TCC+TCO+Cfixed，当海上风电场内任意机组部件发生故障，将确定该机组部件的事后维修计划，并产生事后维修成本 其中， 是海上风电机组i内部件j的故障维修成本， 是二进制变量，表示机组内i的部件j是否发生故障，其值为1或0， 是进入海上风电机组i的固定成本，Ii是二进制变量，表示为维修团队是否进入海上风电机组i内执行维修活动，其值为1或0，N为风电机组数，M为每个风电机组中的部件数；当机组部件的动态平均有效维修成本小于状态维修阈值时，将制定该机组部件的状态维修计划，并产生状态维修成本 其中， 是机组i内部件j的预防性维修成本， 是二进制变
量，表示机组部件是否符合制定状态维修的条件，其值为1或0；当机组部件的动态平均有效维修成本大于等于状态维修阈值且小于等于机会维修阈值，将确定该机组部件的机会维修计划，并产生机会维修成本 其中， 为机组i内部件j的预防性维
修成本， 是二进制变量，表示机组部件是否符合制定状态维修的条件，其值为1或0；当启动一次维修周期，将产生一次由运维船舶将运维团队运送至海上风电场的固定成本Cfixed；
[0030]
[0031] 上式为维修必要性约束，含义是海上风电场内任意维修周期内每台海上风电机组内最多出现一个部件的故障；
[0032]
[0033] 上式为维修能力约束，含义是海上风电场内所拥有的维修人员数量有限，导致在维修期间内执行维修活动的工作能力具有限制；
[0034] 通过仿真实际海上风电场的运行参数，求解上述模型中年运维成本最小化对应的最优解，作为状态维修阈值和机会维修阈值。
[0035] 采用上述技术方案带来的有益效果：
[0036] (1)本发明构建了基于当前和前一监测时刻的海上风电机组部件役龄和多个状态监测数据整合驱动的人工神经网络模型，有效提取了各机组部件在实际运行中的劣化状态，从而提供准确的剩余寿命预测信息用于支持维修决策，降低了各海上风电机组部件的故障风险；
[0037] (2)本发明分析了不同时期进入海上风电场的可及性导致长且变动的维修备货期的特殊性，提出一种新的维修依据——动态平均有效维修成本函数，用于制定各机组部件的维修决策，有效减轻了可及性因素对已确定的维修计划在维修备货期后具体实施的效果影响；
[0038] (3)本发明考虑了海上风电场内机组部件间的维修和经济相关性，通过一次对多个海上风电机组部件实施共同维修活动，从而减少了维修团队和运输工具进入海上风电场的次数和运输成本；
[0039] (4)本发明运用简便，数据具有易得性，除海上风电场已有设施和现存技术外，无需其他额外设备成本，因此在技术和经济上都是可行且有效的；
[0040] (5)本发明同样适用于远海海域的运维调度，从而为未来海上风电场挑战深海海域提供了可靠、经济运营的可能。
附图说明
[0042] 图2为本发明的具体流程图；
[0043] 图3为本发明中基于状态监测数据的人工神经网络模型结构图；
[0044] 图4为
实施例中不同维修阈值组合下的年运维成本曲线图；
[0045] 图5为实施例中随维修备货期变化的年运维成本曲线图。
具体实施方式
[0046] 以下将结合附图，对本发明的技术方案进行详细说明。
[0047] 如图1和图2所示，一种基于状态监测的海上风电场运维调度方法，包括三大模
块，模块一是基于状态监测数据的剩余寿命预测，模块二是基于平均有效维修成本的维修依据，模块三是机会维修策略，具体如下：
[0048] 模块一：采集与各海上风电机组部件劣化状态相关的监测数据，并构建相应的人工神经网络模型以预测各机组部件的剩余寿命；
[0049] 模块二：综合分析各机组部件在维修备货期后的剩余寿命可靠性和维修行为经济性，构建各机组部件的动态平均有效维修成本函数，并将其作为各机组部件制定维修决策的依据；
[0050] 模块三：设定状态维修阈值和机会维修阈值，并将构建的各机组部件的动态平均有效维修成本与这两个阈值进行比较，以制定最优的运维调度计划。
[0051] 在本实施例中，模块一可以采用如下优选方案实现：
[0052] 步骤1-1：收集海上风电场内各部件的历史故障数据并建立
数据库，其中数据库中包括各部件不同监测时刻的役龄值和与该部件劣化状态相关的多个状态监测数据；
[0053] 步骤1-2：将可用的状态数据分为训练集和验证集，并进行相应的
数据处理；
[0054] 步骤1-3：所构建的海上风电机组部件的人工神经网络模型如图3所示，运用处理后的数据训练各部件的人工神经网络
预测模型，并选取训练过程中验证集均方差最小的人工神经网络模型作为后续机组部件的预测模型；在图3中，ti,j和 是机组i内部件j当前和前一监测时刻的役龄， 和 是机组i内部件j当前和前一监测时刻的状态监测测量1的值， 和 是机组i内部件j当前和前一监测时刻的状态测量q的值， 是机组i内部件j当前监测时刻的使用寿命百分比；
[0055] 步骤1-4：基于当前和前一监测时刻的机组部件役龄和多个状态监测数据测量值的输入值，运用训练后的人工神经网络模型预测当前监测时刻各机组部件的使用寿命百分比。
[0056] 在本实施例中，模块二可以采用如下优选方案实现：
[0057] 步骤2-1：根据预测的使用寿命百分比计算当前监测时刻机组部件的剩余寿命预测值，另外，我们使用人工神经网络模型在训练和验证过程中的使用寿命百分比的预测误差，来估计剩余寿命预测值的不确定性；
[0058] 其中，设当前监测时刻的海上风电机组部件的役龄为ti,j，人工神经网络模型预测的使用寿命百分比为 根据获得的ANN预测误差集，可计算出ANN使用寿命百分比预测误差的平均值μp,j和标准偏差σp,j。那么该机组部件的预测故障时间将为 剩余使用寿命预测值为 且剩余使用寿命预测值的标准偏差将因此，当前监测时刻的机组部件的剩余寿命亦遵循正态分布，剩余
寿命分布 可表示如下：
[0059]
[0060] 其中，假设人工神经网络模型中使用寿命百分比的预测误差服从正态分布；随着新监测时刻收集的机组部件役龄和多个状态监测数据测量值可用时，重复步骤1-4和步骤2-1，可持续更新机组部件的剩余寿命预测分布；
[0061] 步骤2-2：基于当前监测时刻的机组部件剩余寿命预测分布，综合分析各机组部件在长且变动的维修备货期的剩余寿命可靠度和维修经济性，实时更新各机组部件的动态平均有效维修成本：
[0062]
[0063] 上式中， 为海上风电机组i内部件j的平均有效维修成本；ti,j为海上风电机组i内部件j的役龄；tL为维修备货期； 表示海上风电机组i内部件j的剩余寿命预测值； 为海上风电机组i内部件j的预防性维修成本； 为海上风电机组i内部件j的故障维修成本；P(*)表示概率。
[0064] 在本实施例中，模块三可以采用如下优选方案实现：
[0065] 步骤3-1：预设的状态维修阈值和机会维修阈值，可通过仿真的方式获得；
[0066] 步骤3-2：将更新的各机组部件平均有效维修成本与预设的状态维修阈值和机会维修阈值进行比较，以制定当前监测时刻的海上风电场内各机组部件的运维调度计划，具体实施过程为：
[0067] 步骤3-2-1：海上风电场内任意机组部件发生故障，将确定该机组部件的事后维修R计划，并产生事后维修成本TC ，包括进入故障部件所在机组内的成本和维修故障的机组部件所需成本的总和；
[0068]
[0069] 其中， 是海上风电机组i内部件j的故障维修成本。 是二进制变量，表示机组内i的部件j是否发生故障，其值为1或0。 是进入海上风电机组i的固定成本，Ii表示为维修团队是否进入海上风电机组i内执行维修活动，其值为1或0；
[0070] 步骤3-2-2：若当前监测时刻的机组部件平均有效维修成本低于状态维修阈值时，将制定该机组部件的状态维修计划，并产生状态维修成本TCC，主要由确定状态维修计划的部件所在机组的进入成本和维修当前运行状态的机组部件所需成本等组成；
[0071]
[0072] 其中， 表示机组i内部件j的预防性维修成本， 是二进制变量，表示机组部件是否符合制定状态维修的条件，其值可为1或0， 表示将确定机组i内部件j的状态维修计划；
[0073] 步骤3-2-3：上述任意维修行为的发生都将启动一次维修周期，此时将产生一次由运维船舶将运维团队运送至海上风电场的固定成本Cfixed；
[0074] 步骤3-2-4：在此维修周期内，判断其他仍处于运行状态的机组部件平均有效维修成本，若机组部件的平均有效维修成本落在状态维修阈值和机会维修阈值之间，将确定该机组部件的机会维修计划，并产生机会维修成本TCO，主要是维修机组部件所需成本；
[0075]
[0076] 其中， 是二进制变量， 表示该机组部件与其他已确定维修计划的机组部件实施共同维修活动是经济可行的；
[0077] 步骤3-2-5：对于机组部件的平均有效维修成本大于机会维修阈值，表示当前机组部件的运行状态良好，不需要实施任何预防性维修措施；
[0078] 当所有符合条件的机组部件都在维修备货期后执行共同维修活动，表示此次维修周期的结束，各机组部件将持续运行直到下一次的故障发生或新监测时刻的机组部件平均有效维修成本小于状态维修阈值；
[0079] 步骤3-2-6：基于上述的维修实施过程，海上风电场单次维修周期内的总运维成本TCk可表示如下：
[0080]
[0081] 将第q次维修周期开始到第r次维修周期开始的运维成本总和除以两次维修周期之间的时间间隔可以得到日运维成本，其中q
[0082]
[0083] 其中，tr和tq分别是第q次维修周期和第r次维修周期开始的时间，cc和co分别为状态维修阈值和机会维修阈值；
[0084] (1)维修必要性约束：
[0085]
[0086] 含义是海上风电场内任意维修周期内每台海上风电机组内最多出现一个部件的故障；
[0087] (2)维修能力约束：
[0088]
[0089] 含义是海上风电场内所拥有的维修人员数量有限，导致在维修期间内执行维修活动的工作能力具有一定的限制；
[0090] 基于步骤3-2-6所构建的海上风电场运维调度优化模型，通过模拟实际海上风电场的运行参数(机组部件的运行过程、所在地区的天气状况、风电机组类型和数量、维修人员的数量和素质、运维船舶的类型和数量等)，求解模型中年运维成本最小化对应的最优解，即可作为实际海上风电场的预设状态维修阈值和机会维修阈值，用于制定各机组部件的运维调度计划。
[0091] 通过上述操作，在当前海上风电场现有的设备和技术下，运用基于状态监测数据的海上风电场运维调度方法，可实现不同时期的海上风电场内一系列具有不同劣化状态的机组部件的最优维修计划的调度。
[0092] 以下为一个具体实施例：
[0093] 构造算例进行仿真分析，海上风电场由60台相同类型的
海上风力发电机组组成，其中每台机组内具有4个关键性部件(
转子、主
轴承、
齿轮箱和发电机)，任何一个部件的故障都会导致整个机组的停运。海上风电场的运行年限设置为20年；假设各机组部件的维修备货期在运行过程中为固定值，tL＝30天；此外每隔10天预测一次机组部件的剩余寿命并计算其平均有效维修成本，tI＝10天。各机组部件的相关参数如表1至表2。
[0094] 表1海上风电机组关键部件的成本和威布尔分布参数
[0095]
[0096] 表2人工神经网络模型的使用寿命百分比预测误差
[0097]部件j 预测误差平均值 预测误差的标准偏差
转子 8.00％ 10.00％
主轴承 6.68％ 7.53％
齿轮箱 8.00％ 10.00％
发电机 6.68％ 7.53％
[0098] 该仿真模型已在MATLAB中实现，并得到不同的维修阈值组合下的年运维成本曲线，如图4所示，优化结果表明预设的状态维修阈值和机会维修阈值分别取： 时，对应最佳的海上风电场年运维成本为2423050美元/年。
[0099] 为分析所提出的运维调度方法的经济性，通过设置以下5种运维调度方法，进行仿真对比分析。
[0100] 1)方法1：仅在海上风电场内机组部件出现故障才制定该机组部件的运维调度计划。
[0101] 1)方法2：基于可靠度分别制定海上风电场内单个机组部件的运维调度计划。
[0102] 2)方法3：基于固定时间间隔分别制定海上风电场内单个机组部件的运维调度计划。
[0103] 3)方法4：基于平均有效维修成本分别制定海上风电场内单个机组部件的运维调度计划。
[0104] 4)方法5：基于平均有效维修成本对海上风电场内一系列机组部件制定运维调度计划，也即本发明中所提出的运维调度方法。
[0105] 其中运维调度方法1是海上风电场内最为简单和
基础的一种方法；方法2和方法3当前海上风电场内最为常用的运维调度方法；方法4是基于本发明中所提出的新的维修依据制定单个海上风电机组部件运维调度计划的方法；方法5是在所提出的维修依据基础上考虑了机会维修策略，即为尚未达到但其劣化状态接近状态维修要求的机组部件提供一个机会与其他确定维修计划的机组部件实施共同维修活动的调度方法。上述5种运维调度方法所得到的优化结果如表3所示。
[0106] 将运维调度方法4与方法1、方法2和方法3的优化结果进行比较分析，所提出的新的维修依据即平均有效维修成本在制定海上风电场内单个机组部件的运维调度计划具有良好的表现性，分别能够降低海上风电场内年运维成本的34.14％、32.92％、27.08％。
[0107] 另外对比方法5和方法4的优化结果可知，在基于平均有效维修成本制定海上风电机组部件的运维调度计划基础上考虑机会维修策略能够直接为海上风电场每年的运维成本带来193050美元的降低。
[0108] 表3 5种运维调度方法优化结果
[0109]运维调度方法 方法1 方法2 方法3 方法4 方法5
总运维成本 79756000 77996000 71750000 52322000 48461000
年运维成本 3987800 3899800 3587500 2616100 2423050
成本降低百分 34.14％ 32.92％ 27.08％ 7.38％ —
[0110] 为具体分析不同时期进入海上风电场可及性差导致长且变动的维修备货期对确定的海上风电机组部件运维调度计划的影响，本实例中对运维调度方法4进行敏感度分析，结果如图5所示。
[0111] 结果表明，在其他参数不变的情况下，随着维修备货期的变化，海上风电场预期的年运维成本呈现剧烈
波动的状况，可知维修备货期的变动对海上风电场的年运维成本具有显著性影响。考虑长且变动的维修备货期对用于制定海上风电机组部件运维调度计划的维修依据是合理且必要的，因此本发明所提出的新的维修依据在制定各海上风电机组部件的维修决策是合理且有效的。
[0112] 本发明最关键的构思在于：考虑了海上风电场可及性造成维修备货期的变动对已确定维修计划的实施效果影响，通过综合分析各机组部件在维修备货期后的剩余寿命可靠性和维修行为经济性提出了平均有效维修成本函数，作为风电场内各机组部件制定维修决策的依据；并考虑机组部件之间的维修和经济相关性，通过设置一个机会维修区间，为尚未达到但其劣化状态接近维修要求的机组部件，提供一个与其他机组部件共同实施维修活动的机会。
[0113] 实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
