具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
在本发明的描述中,需要理解的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,本实施例一种基于蒙特卡洛运行维护模拟的海上风资源评估方法,包括以下步骤:
步骤S101,
获取海上风电场场址处的测风数据、海洋数据、拟采用风机的历史运行/故障数据以及运维中心/备品仓库候选位置等海上风电场可研阶段数据。
具体地,通过自建测风塔、中尺度卫星、气象观测站、海洋观测站等渠道获取海上风电场场址处的测风数据、海洋数据;通过自营风电场或整机厂商等渠道获取风机历史运行/故障数据;通过对场址附近地形、港口、仓库等方面调研,获取运维中心/备品仓库候选位置等数据。
步骤S102,利用海上风电场场址处的测风数据和海洋数据,研究潮位变化与海面区域风速垂直变化规律和昼夜海风变化规律,拟合海上风电场轮毂高度的风速威布尔分布。
具体地,对海上风电场场址处的测风数据和海洋数据进行合理性、完整性、连贯性验证等预处理手段;利用预处理后的潮位数据和不同高度风速数据,结合Monin-Obukov方程和表面粗糙度公式,拟合方程参数,计算潮位变化与海面区域风速垂直变化规律;利用海面区域风速垂直变化规律和不同高度风速数据,推导轮毂高度处的风速数据,将其分为昼夜两部分,利用极大似然估计方法进行威布尔分布拟合,计算昼夜威布尔分布参数,得到海上风电场轮毂高度的昼夜风速威布尔分布。
计算潮位变化与海面区域风速垂直变化规律的具体步骤如下:
1)Monin-Obukov方程如下式所示。基本参数包括vonKarman常数k,摩擦风速u*,Monin-Obukov长度L、普适函数ψ(z/L)和海洋表面动力学粗糙度z0,输入参数为海平面高度z,输出结果为对应海平面高度的风速u(z)。
2)利用摩擦风速u*替代Monin-Obukov方程中的Monin-Obukov长度L、普适函数ψ(z/L)和海洋表面动力学粗糙度z0,替代方程如下式所示。
L=A(u*)2,A=1.1×103s2m(-1)
3)利用预处理后的潮位数据和不同高度的风速数据,计算任一时刻风速的实际海平面高度z,初始化u*,利用梯度下降法计算方程的唯一参数u*,从而得到参数齐全的Monin-Obukov方程,即基于Monin-Obukov方程的潮位变化与海面区域风速垂直变化规律。
所述昼夜海风的变化规律的研究方案具体如下:
利用潮位变化与海面区域风速垂直变化规律和海上风电场场址处不同高度的测风数据,推导轮毂高度处的风速数据;将其按照时间分为昼夜两部分,分别利用极大似然估计方法进行威布尔分布拟合,计算昼和夜的风速威布尔分布参数,从而得到海上风电场轮毂高度的昼夜风速威布尔分布,即昼夜海风的变化规律。
步骤S103,利用场址的测风数据和海洋数据,选择平方误差最小的风浪耦合经验公式模拟风浪耦合关系。
具体地,利用步骤S102中海面区域风速垂直变化规律和不同高度风速数据,推导海平面的风速数据,通过SMB法、青岛法、井岛法,计算相应的有效波高数据,与真实值求取均方误差,选取均方误差最小的方法模拟风浪耦合关系。
步骤S104,利用拟采用风机的历史运行/故障数据,统计各个设备的年平均故障率,拟合故障指数分布。
具体地,假设某风电场共有100台风机,5年内共发生某设备故障500次,那么故障率为1次/台年,利用极大似然法拟合故障指数分布。
步骤S105,输入海上风电场模拟运行年限Y、运维策略M、运维中心与风电场平均距离Lcw、运维中心与备品仓库距离Lcs、接近技术选型参数A等。
具体地,输入模拟运行年限为20,运维策略为“组合维修”(多个故障会根据故障类型、维修时间进行组合,在一次出海时一起维修),运维中心距离风电场平均距离10km,运维中心与备品中心平均距离10km,接近技术为单体船,抗风能力为10m/s,抗浪能力为0.9m,最大航速20节
步骤S106,初始化当前日期td、故障准备队列Listp、故障维修队列Listr、出海队列Listo等。
具体地,当前日期td=0、故障准备队列Listp初始化为一个空队列、故障维修队列Listr初始化为一个空队列、出海队列Listo初始化为一个空队列。
步骤S107,当当前日期td小于运行年限Y,根据风速威布尔分布、风浪经验耦合公式、故障指数分布,结合均匀随机数发生器,产生当前日期td中每个小时的符合分布特征的风速随机数、有效波高随机数和故障状态随机数。
具体地,假设模拟得到的风速威布尔分布参数c=8.0695、k=2.2159,风浪耦合规律采用SMB方法,某设备故障率为1次/台年,利用均匀随机数发生器便可以产生日期td中每个小时的平均风速随机数[5.7,6.6,4.8,5.5,6.7,7.2,8.3,7.6……]、平均有效波高随机数[0.69,0.71,0.45,0.67,0.72,0.78,0.92,0.85……]、设备故障状态随机数[1,0,0,0,0,0,0,0……]。
步骤S108,若当前日期td内出现N个故障设备,将这N个故障设备放入故障准备队列Listp。
具体地,假设当前日期td内出现2个故障设备,不妨设为Proa和Prob,那么Listp.push([Proa,Prob])。
步骤S109,若故障准备队列Listp不为空,利用故障诊断时间模拟分布、备品准备时间模拟分布和均匀随机数,产生处理N个故障的准备时间,将N个故障从故障准备队列Listp中移除,放入故障维修队列Listr。
具体地,假设故障诊断时间遵循均值为30、方差为10的正态分布(单位:分钟),备品准备时间遵循均值为45、方差为5的正态分布(单位:分钟),当前时刻存在2个未维修故障,利用均匀随机数发生器产生这2个故障的故障准备时间为75分钟;Listr.push([Proa,Prob]),Listp.pop([Proa,Prob])。
步骤S110,若故障维修队列Listr不为空,利用风场分布的随机数、海浪分布的随机数和初始化的接近技术参数计算当天的时间窗口,根据当天时间窗口、N个故障的平均维修时间、出海航行时间和转移时间,利用海上风电场出海任务调度算法计算故障队列中的故障是否能够维修和最优维修方案,将最优维修方案中的故障从故障维修队列Listr中移除,将能够维修的故障从故障维修队列Listr中移除,放入出海队列Listo,由于时间窗口限制导致当前日期td内无法完成维修的故障,保留在故障队列中,直到故障被修复未止。
所述海上风电场出海任务调度算法计算故障队列中的故障是否能够维修和最优维修方案,具体方法如下:
从故障维修队列Listr中任意取出n个故障,计算执行这n个故障所需要的最优执行时间。假设出海航行时间为tgo,转移时间为ttran,风机间平均航行时间为twt_wt,第k个故障的最短维修时间为trepair,k,全部n个故障的最优执行时间为tbest,当天时间窗口为twindow,那么按照下式计算最优执行时间tbest;
tbest=max(trepair,i)+2*tgo
初始化n=1;
遍历所有满足最优执行时间tbest小于当天时间窗口twindow的故障组合方案,从中选择最优执行时间tbest最大的故障组合方案作为当前n值下最优的故障组合方案;利用当前n值下最优的故障组合方案替代全局最优故障组合方案。
若n超过故障维修队列Listr的总故障数量或者不存在满足最优执行时间tbest小于当天时间窗口twindow的故障组合方案时,算法终止;否则,n进行自增。
具体地,假设当前日期td的风场分布随机数为[5.7,6.6,4.8,5.5,6.7,7.2,8.3,7.6……],浪场分布随机数为[0.69,0.71,0.45,0.67,0.72,0.78,0.92,0.85……],由于接近技术的抗风能力为10m/s,抗浪能力为0.9m,当天的时间窗口最大长度为360分钟,但是由于故障准备消耗掉了75分钟,因此实际的窗口时间为285分钟;假设平均出海航行时间为30分钟,平均转移时间为20分钟,风机间平均航行时间10分钟,Proa和Prob平均维修时间分别为2小时和4小时,因此当天仅能维修Proa,Listo.push([Proa]),Listr.pop([Proa]);由于当天无法完成Prob维修,Prob继续保留在故障队列Listr中,等待第二天进行维修,在Prob被修复前,风机一直处于停机状态,持续产生损失发电量。
具体地,假设当前日期td的风场分布随机数为[5.7,6.6,4.8,5.5,6.7,7.2,8.3,7.6……],浪场分布随机数为[0.69,0.71,0.45,0.67,0.72,0.78,0.92,0.85……],由于接近技术的抗风能力为10m/s,抗浪能力为0.9m,当天的时间窗口最大长度为360分钟,但是由于故障准备消耗掉了75分钟,因此实际的窗口时间为285分钟;假设平均出海航行时间为30分钟,平均转移时间为20分钟,风机间平均航行时间10分钟,Listr中共有5个故障,名称分别为Praa、Prob、Proc、Prod和Proe,对应的平均维修时间分别为1小时、1小时、2小时、2.5小时和4小时。当n=1时,最优的故障组合方案是维修Prod;当n=2时,最优的故障组合方案是维修Praa和Prob;当n=3时,不存在满足当天时间窗口的故障组合方案,算法终止。因此当天最优的故障组合方案是维修Praa和Prob,Listo.push([Proa,Prob]),Listr.pop([Proa,Prob]);由于当天无法完成Proc、Prod,Proe的维修,Proc、Prod,Proe继续保留在故障队列Listr中,等待第二天进行维修,在Proc、Prod,Proe被修复前,风机一直处于停机状态,持续产生损失发电量。
步骤S111,根据出海队列Listo,计算并存储每个可维修故障的修复时间、损失发电时间、损失发电量,并将这些故障从出海队列Listo中移除。
具体地,Proa的出海维修需要220分钟,结合故障准备时间75分钟,Proa风机当天损失发电时间为295分钟。结合功率曲线和停机时间内的风速随机数[5.7,6.6,4.8,5.5,6.7,7.2,8.3,7.6……],计算并存储损失发电量为9587.5kWh,Listo.pop([Proa])。
步骤S112,利用风场随机数和风电机组的功率曲线计算当前日期td内处于正常运行风机的上网电量,当前日期td进行自增。
具体地,假设风速随机数[5.7,6.6,4.8,5.5,6.7,7.2,8.3,7.6……],WT-1风机功率曲线如图2所示,可以看出,切入风速为3m/s,额定工作风速为8m/s,切出风速为25m/s,额定功率为2.5MW,对于每台正常运行的风机,其发电时间为8小时,上网电量为14576.2kWh。
步骤S113,当当前日期td等于运行年限Y,代表整个运行年限内的运行维护状态模拟完成,统计每个时刻的发电时间、损失时间、上网电量、损失电量等,得到年平均总发电时间、总损失时间、总上网电量和总损失电量。
具体地,不断重复S107-S112直至日期td等于运行年限Y,统计每个时刻的发电时间、损失时间、上网电量、损失电量等,得到年平均总发电时间7112小时/台,年平均损失时间360小时/台,总上网电量534万kWh/台,损失电量22.4万kWh/台。
根据本发明实施例的系统,通过考虑海上风资源分布不同于陆上的特殊性以及海上风电场运维不同于陆上的特殊性,推算损失发电量等传统风资源评估方法难以预测的指标,从而实现精确全面的海上风资源评估。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。