CN105894133B - 一种风电机组部件维修及备品备件需求预测方法 - Google Patents
一种风电机组部件维修及备品备件需求预测方法 Download PDFInfo
- Publication number
- CN105894133B CN105894133B CN201610312605.3A CN201610312605A CN105894133B CN 105894133 B CN105894133 B CN 105894133B CN 201610312605 A CN201610312605 A CN 201610312605A CN 105894133 B CN105894133 B CN 105894133B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- threshold value
- reliability
- wind
- repair
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 118
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008439 repair process Effects 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004899 motility Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组部件维修及备品备件需求预测方法。本发明公开的方法包括获取部件可靠度函数、设置部件维修参数、确定检测维修措施、部件运行寿命计算和备品备件需求预测五大步骤。其中,设置部件维修参数采用周期性预防维修方式,并考虑随机故障的影响;维修措施包括更换维修、不完全维修和最小维修,并以部件可靠度作为维修决策阈值。本发明提供的维修方法可以真实的反映部件实际运行维修情况,并可根据风电场情况作出应对调整,具有较强的可操作性和灵活性;本发明还可预测风电场备品备件需求,从而对风电场的实际运行和资源管理提供指导。
Description
技术领域
本发明属于风电机组维修保障技术领域,具体地说,是一种风电机组部件维修及备品备件需求预测方法。
背景技术
随着技术的不断进步以及国家政策的不断支持,我国的风能正得到大规模的开发和利用,全国风电并网容量稳步提升。受风力发电机运行条件与环境等影响,风电场的运行维护及维修资源管理一直是限制风电技术发展的主要因素。据了解,风场运行维护平均每台风机年费用在5-10万元,大部分在5万元以上,其中备件成本及其相关费用占运维成本的一半左右。此外,风电产业的持续增长使得风场备件管理模式滞后进一步凸显,出现备件数量、种类、存储模式不合理等诸多现象,并造成了极大的浪费和损失。
风力机多运行在潮湿、风沙、冰雪等恶劣环境下,故障发生的频率较其他电力设备更大,且造成的损失更严重。而我国现有风电场维修方式较为单一,多采用事后维修,即只当风力机部件发生故障才进行维修。这种维修方式会带来风力机突发性的故障停机,造成巨大的经济和环境损失。
备品备件又称为备件,是为了缩短检修时间而事先准备供检修时更换的零部件,备件管理的目的是以最少的备件资金,合理地库存储备,保证设备维修的需要,提高设备的使用可靠性和经济性。而预测方法可以大致分为两类:定性预测法、定量预测法。定性预测法是基于判断和直觉,常见的有:各部门主管集体讨论法、德尔菲法、销售人员意见汇集法、消费者调查法等。而定量预测法是运用数学模型和相关历史数据进行预测,包含时间序列和相关模型两大类。风力发电机组部件种类较多,且不同部件之间可靠性阈值要求区别较大,采用定性预测法,主观性强,难以较为准确地得到风电场备品备件需求。
发明内容
针化现有风力机的运行维修和备品备件资源管理情况,本发明提出了一种风电机组部件维修及备品备件需求预测方法,用于解决维修盲目性定性预测法存在的主观性强,难以较为准确预测的问题,对风电场的实际运行和资源管理提供指导。
本发明提出一种风电机组部件维修方法,其特征在于,包括以下步骤:
(1)获取部件可靠度函数
根据部件出厂技术资料或历史统计资料,得到各部件可靠度函数;
(2)设置部件维修参数
设置相应的预防性维修周期和可靠度函数阈值,其中可靠度函数阈值包括维修阈值和更换阈值;所述更换阈值用于判断是否对部件实施更换,维修阈值用于判断是否对部件实施维修;
所述预防性维修周期、维修阈值和更换阈值,是在各部件可靠度函数基础上,按离网型风力发电机组可靠性国家标准和风电场安全可靠运行要求,结合风电场实际运行环境,以及风电机组部件具体运行条件设定;环境因素包括风电场纬度、温湿度、常年风力等级、降水情况、电网负荷情况等;
(3)确定检测维修措施
(3.1)判别部件是否正常,是则转步骤(3.1.1),否则转步骤(3.2);
(3.1.1)判别部件是否达到预防性维修周期,是则转步骤(3.1.2),否则转步骤(3.3);
(3.1.2)判别部件可靠度阈值是否大于更换阈值,是则采取更换维修;转步骤(3.3);否则转步骤(3.1.3);
(3.1.3)判别部件可靠度阈值是否大于维修阈值,是则采取不完全维修,否则不予维修;转步骤(3.3);
(3.2)判别该部件可靠度函数值是否大于更换阈值,是则采取更换维修,转步骤(3.3);
否则判别部件可靠度函数值是否大于维修阈值,是则采取不完全维修;否则采取最小维修;
(3.3)本部件检测维修结束;
对各个部件逐一执行步骤(1)-(3),直至全部完成。
本发明中,所述预防性维修周期是指对部件进行预防性维修工作的时间间隔;更换阈值用于判断是否对部件实施更换,维修阈值用于判断是否对部件实施维修,更换阈值小于维修阈值。所述部件的更换维修是指使部件变为全新部件,可靠度达到1;最小维修是指不改变部件可靠度函数,只是使部件保持故障前状态继续运行;不完全维修效果介于前两者之间。
进一步的,所述的预防性维修周期、维修阈值和更换阈值设置准则如下:
风电场安全运行可靠性要求越高,设定的维修阈值和更换阈值就越高,预防性维修周期越短;安全运行可靠性要求越低,设定的维修阈值和更换阈值就越低,预防性维修周期越长;
风电场联网运行时间越长,设定的维修阈值和更换阈值就越高,预防性维修周期就越短;风电场联网运行时间越短,设定的维修阈值和更换阈值就越低,预防性维修周期就越长。
在此基础上,本发明提出一种风电机组备品备件需求预测方法,还包括如下步骤:
部件运行寿命计算:采用离散事件系统仿真方法,对步骤(1)所建立的各部件可靠度函数,和可靠度函数阈值进行求解,获取风电机组部件可靠度随时间变化数据,从而计算出各部件运行寿命;
备品备件需求估算:根据部件运行寿命计算结果和部件运行时间需求,计算各个风电机组备品备件需求量;从而得到整个风电场备品备件预测需求;
进一步的,备品备件需求估算中,备品备件的需求预测假设备件为全新部件,且只有当部件进行更换维修时才具有备品备件需求。
总体而言,本发明方案的建立可以根据风电场现场的实际运行情况,合理的设置部件维修参数,并灵活的确定检测维修措施,从而适应不同的运用需求;并且进一步通过部件运行寿命估算、备品备件需求估算,预测部件备品备件需求,从而为风电场运行维护和资源管理提供技术指导。本发明提出的方法可全面的反映风电场实际的运行维修情况,并具有较强的可操作性和灵活性。
附图说明
图1为本发明方法的步骤图;
图2为维修决策图;
图3为仿真实例的某台风力机可靠度变化曲线图;
图4为仿真实例的40台风力机备品备件需求预测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本实施例中,基于维修策略的风电机组备品备件需求预测方法主要由获取部件可靠度函数、建立部件维修策略、设置部件维修参数、维修策略仿真和备品备件需求预测五大步骤组成。
其中,本实施例中,部件可靠度函数R(t)是通过对故障情况统计分析得到。可靠度指的是产品在规定时间内,在规定条件下,完成预定功能的能力。可靠度函数是关于时间的函数,R(t)描述了部件在(0,t)内完好的概率。且R(0)=1,R(+∞)=0。不同的风场,不同的部件有不同的可靠度函数,威布尔分布函数和指数分布函数是常用可靠度函数。一般情况下,在风电场运行维修领域,两参数的威布尔分布函数可较准确的反映部件的实际运行过程,本实施例只使用威布尔分布函数作为举例,其相应的可靠度函数为
式中α为尺度参数,影响着威布尔函数曲线尺寸比例的大小;β为形状参数,影响着曲线的形状。两参数的取值是通过对部件的历史故障数据估算得到的,从部件生产厂家也是获得可靠度函数及参数的渠道之一。
其中,部件维修方法如图2所示。部件运行过程中,检测部件是否发生随机故障。风力机部件故障,系统会停机,无法完成发电功能。在现场运行中,可采用一系列的检测手段,比如检测电流、电压信号、振动信号、温度信号、声音信号等,都可以用来获取风力机的状态信息。一般而言,正常与非正常的判别就是是否能正常发电。1)若发生随机故障,则比较此时部件可靠度与维修阈值关系:达到可靠度更换阈值,则采取更换维修;未达到更换阈值但达到维修阈值,则采取不完全维修;未达到维修阈值,则采取最小维修;2)若未发生随机故障,判断运行时间是否达到部件预防性维修周期,未达到则部件不维修继续运行。若达到部件预防维修周期,则比较此时部件可靠度与维修阈值关系:达到可靠度更换阈值,则采取更换维修;未达到更换阈值但达到维修阈值,则采取不完全维修;未达到维修阈值,则不维修。所述预防性维修周期、维修阈值和更换阈值,是在各部件可靠度函数基础上,按离网型风力发电机组可靠性国家标准和风电场安全可靠运行要求,结合风电场实际运行环境,以及风电机组部件具体运行条件设定;环境因素包括风电场纬度、温湿度、常年风力等级、降水情况、电网负荷情况等;该维修方法可真实的反映部件实际运行维修情况,并可根据风电场情况作出应对调整,具有较强的可操作性和灵活性。
其中,部件的更换维修使部件变为全新部件,可靠度为1;最小维修不改变部件可靠度函数,只是使部件保持故障前状态继续运行;不完全维修效果由改善因子δi描述:
式中,Cpmi为第i次不完全维修成本,Cpr为更换维修成本。a为维修成本调节系数,维修成本调节系数用于调整不同设备的预防性维修成本率所体现的改善程度,b为维修时间调节系数(维修时间调节系数指的是维修时间长短对于维修效果的影响,维修时间长、维修效果更好),b>0。i为不完全维修次数,N为维修次数。(i+d)c即为斯坦福-B曲线型学习曲线。为了表征设备维修人员的经验以及学习效应,引入了通用的学习效应模型,其表达式为:
Y=C1(x+d)c
d表示已存在经验参数(经验系数指的是维修人员对于某项维修工作的熟练程度,d值的大小,也就体现了人员的经验对于维修效果的影响;d值越大,维修效果越好),一般1<d<10,d值越大表示经验值越高,通常取4,当d=0时表示维修人员毫无经验,此时该模型退变为传统的对数线性模型。c为学习效应调节系数(学习效应调节系数指的是对于某一种故障状态,随着维修次数的增加,维修人员能力随之增强,维修效果也随之增强),c=ln k/ln2,k为经验曲线百分率。
一般而言,针对不同的风场、不同的设备、不同的运行环境上述参数都相应的有差别。
Cpmi与其维修次数成线性关系
Cpmi=Cmf+i×Cmv
Cmf为不完全维修固定成本,Cmv为不完全维修变动成本,更换维修成本Cpr这三个成本参数根据实际情况确定。
为进一步详细说明本发明实例的实施过程,现取具体数据进行计算说明。
本具体实施例中,风电场风力机40台,设定运行时长20*365天。固定预防性维修周期的选取是经验选取。更换维修可靠度阈值和不完全维修可靠度阈值的选取参考国家标准JBT10396-2004。设定固定预防性维修周期T为180天,更换维修可靠度阈值RP为0.9,部件不完全维修可靠度阈值RM为0.95,不完全维修固定成本Cmf为100,不完全维修变动成本Cmv为200,更换维修成本Cpr 10000,成本调节系数a为1,维修时间调节系数b为0.4,学习效应调节系数c为In(0.9)/In(2),设定已存在经验参数d为4,威布尔分布尺度参数α为2400,形状参数β为3,采用离散事件系统仿真方法,计算出各部件的运行寿命。根据设定的部件运行时间需求,计算出各个风电机组备品备件需求量;从而得到整个风电场部备品备件预测需求。
计算部件无故障寿命,可采用多种方法,例如离散事件系统仿真方法、蒙特卡洛仿真方法等。本实施例采用离散事件仿真方法是通用方法,在模型求解中有很多方法可以使用,离散事件仿真方法只是其中之一。
附图3为仿真实例的某台风力机可靠度变化曲线图,横坐标为运行时长,纵坐标为部件可靠度值,由图3可获取风电机组部件可靠度随时间变化数据,进而估算部件预期寿命。其中,0.9是设置的更换维修可靠度阈值,表示当部件的可靠度变为0.9时,部件必须进行更换维修。更换维修是使部件成为全新部件,即可靠度会突变回初始状态1,所以会有尖端出现。图4为某风电场40台风力机的备品备件需求预测图,横坐标为运行时长,单位为天,纵坐标为备品备件需求量,由图4可得在设定运行时长内的风电场的备品备件需求量。此处部件的需求量没有特指某一种部件,不同的部件其维修参数不一样,图中“保证的可靠性指标”指的是事先规定的维修可靠度阈值,本计算实例中,规定部件可靠度为0.9时必须更换。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种风电机组部件维修方法,其特征在于,包括以下步骤:
(1)获取部件可靠度函数
根据部件出厂技术资料或历史统计资料,得到各部件可靠度函数;
(2)设置部件维修参数
设置相应的预防性维修周期和可靠度函数阈值,其中可靠度函数阈值包括维修阈值和更换阈值;所述更换阈值用于判断是否对部件实施更换,维修阈值用于判断是否对部件实施维修;
所述预防性维修周期、维修阈值和更换阈值,是在各部件可靠度函数基础上,按离网型风力发电机组可靠性国家标准和风电场安全可靠运行要求,结合风电场实际运行环境,以及风电机组部件具体运行条件设定;环境因素包括风电场纬度、温湿度、常年风力等级、降水情况、电网负荷情况;
(3)确定检测维修措施
(3.1)判别部件是否正常,是则转步骤(3.1.1),否则转步骤(3.2);
(3.1.1)判别部件是否达到预防性维修周期,是则转步骤(3.1.2),否则转步骤(3.3);
(3.1.2)判别部件可靠度阈值是否大于更换阈值,是则采取更换维修;转步骤(3.3);否则转步骤(3.1.3);
(3.1.3)判别部件可靠度阈值是否大于维修阈值,是则采取不完全维修,否则不予维修;转步骤(3.3);
(3.2)判别该部件可靠度函数值是否大于更换阈值,是则采取更换维修,转步骤(3.3);
否则判别部件可靠度函数值是否大于维修阈值,是则采取不完全维修;否则采取最小维修;所述更换维修是指使部件变为全新部件,可靠度达到1;最小维修是指不改变部件可靠度函数,只是使部件保持故障前状态继续运行;不完全维修效果介于前两者之间;
(3.3)本部件检测维修结束;
对各个部件逐一执行步骤(1)-(3),直至全部完成。
2.根据权利要求1所述的维修方法,其特征在于,所述的预防性维修周期、维修阈值和更换阈值设置准则如下:
风电场安全运行可靠性要求越高,设定的维修阈值和更换阈值就越高,预防性维修周期越短;安全运行可靠性要求越低,设定的维修阈值和更换阈值就越低,预防性维修周期越长;
风电场联网运行时间越长,设定的维修阈值和更换阈值就越高,预防性维修周期就越短;风电场联网运行时间越短,设定的维修阈值和更换阈值就越低,预防性维修周期就越长。
3.一种基于权利要求1或2的风电机组备品备件需求预测方法,其特征在于,还包括如下步骤:
部件运行寿命计算:采用离散事件系统仿真方法,对步骤(1)所建立的各部件可靠度函数,和可靠度函数阈值进行求解,获取风电机组部件可靠度随时间变化数据,从而计算出各部件运行寿命;
备品备件需求估算:根据部件运行寿命计算结果和部件运行时间需求,计算各个风电机组备品备件需求量;从而得到整个风电场备品备件预测需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312605.3A CN105894133B (zh) | 2016-05-12 | 2016-05-12 | 一种风电机组部件维修及备品备件需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312605.3A CN105894133B (zh) | 2016-05-12 | 2016-05-12 | 一种风电机组部件维修及备品备件需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894133A CN105894133A (zh) | 2016-08-24 |
CN105894133B true CN105894133B (zh) | 2017-04-26 |
Family
ID=56703614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610312605.3A Active CN105894133B (zh) | 2016-05-12 | 2016-05-12 | 一种风电机组部件维修及备品备件需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894133B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557839B (zh) * | 2016-11-15 | 2020-04-14 | 苏州热工研究院有限公司 | 一种基于大数据的设备维修策略优化方法及系统 |
CN106682741A (zh) * | 2016-11-16 | 2017-05-17 | 国网山东省电力公司青岛供电公司 | 一种设备的维保方法及装置 |
CN106874238B (zh) * | 2017-01-20 | 2020-07-07 | 中国人民解放军海军工程大学 | 一种威布尔型单元备件需求量的计算方法 |
CN107145975B (zh) * | 2017-04-27 | 2020-06-30 | 中国人民解放军西安通信学院 | 光传输设备备件数量的预测方法 |
CN107341630B (zh) * | 2017-06-01 | 2021-01-15 | 中广核核电运营有限公司 | 一种设备淘汰品备件管理系统及方法 |
JP6718415B2 (ja) * | 2017-06-26 | 2020-07-08 | 株式会社日立ビルシステム | 部品交換予測装置、部品交換予測システム、部品交換予測方法 |
CN107478455B (zh) * | 2017-09-01 | 2020-02-07 | 电子科技大学 | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 |
CN108022024B (zh) * | 2017-12-25 | 2021-05-07 | 北京航天晨信科技有限责任公司 | 一种基于故障率的地面电子设备维修备件需求预测方法 |
CN109472387B (zh) * | 2018-04-10 | 2022-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种保电备品需求量预估方法 |
CN109376872B (zh) * | 2018-09-07 | 2022-04-01 | 上海电力学院 | 一种海上风电机组维护系统 |
CN109376394A (zh) * | 2018-09-26 | 2019-02-22 | 中国人民解放军92942部队 | 一种基于蒙特卡罗仿真的可修产品任务成功率获取方法 |
CN109616929A (zh) * | 2018-12-04 | 2019-04-12 | 广东电网有限责任公司 | 一种电流互感器修复方法 |
CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
CN111192163B (zh) * | 2019-12-23 | 2023-03-28 | 明阳智慧能源集团股份公司 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
CN111489037B (zh) * | 2020-04-14 | 2023-04-18 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
KR102193838B1 (ko) * | 2020-05-06 | 2020-12-23 | 주식회사 에이투엠 | 스케쥴러 기반의 풍력 발전기의 유지 보수 지원 q&m 플랫폼 장치 |
CN112906992A (zh) * | 2021-04-12 | 2021-06-04 | 福州大学 | 基于集成学习的电子产品停产后的备件预测方法 |
CN116187983A (zh) * | 2023-04-26 | 2023-05-30 | 山西恒信风光新能源技术有限公司 | 一种风电机组运维管理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218571A (zh) * | 2014-08-28 | 2014-12-17 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种风力发电设备的运行状态评估方法 |
CN104484732A (zh) * | 2014-11-07 | 2015-04-01 | 湘潭大学 | 一种计及机组发电量的风电场维修部件选取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100019574A1 (en) * | 2008-07-24 | 2010-01-28 | John Baldassarre | Energy management system for auxiliary power source |
-
2016
- 2016-05-12 CN CN201610312605.3A patent/CN105894133B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218571A (zh) * | 2014-08-28 | 2014-12-17 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种风力发电设备的运行状态评估方法 |
CN104484732A (zh) * | 2014-11-07 | 2015-04-01 | 湘潭大学 | 一种计及机组发电量的风电场维修部件选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105894133A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894133B (zh) | 一种风电机组部件维修及备品备件需求预测方法 | |
Athari et al. | Impacts of wind power uncertainty on grid vulnerability to cascading overload failures | |
Zhang et al. | Opportunistic maintenance strategy for wind turbines considering weather conditions and spare parts inventory management | |
CN104915747B (zh) | 一种发电机组的发电性能评估方法及设备 | |
Byon et al. | Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process | |
Haque et al. | Application of neural networks in power systems; a review | |
Diao et al. | Decision tree-based online voltage security assessment using PMU measurements | |
EP2537222B1 (en) | Energy generating system and control thereof | |
Zhang et al. | Two-stage robust security-constrained unit commitment model considering time autocorrelation of wind/load prediction error and outage contingency probability of units | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
Smith et al. | It's all in the plans: Maximizing the benefits and minimizing the impacts of DERs in an integrated grid | |
US9484747B1 (en) | Holistic optimization of distribution automation using survivability modeling | |
Hashemi-Dezaki et al. | Sensitivity analysis of smart grids reliability due to indirect cyber-power interdependencies under various DG technologies, DG penetrations, and operation times | |
Tabar et al. | Increasing resiliency against information vulnerability of renewable resources in the operation of smart multi-area microgrid | |
CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
EP2381094A1 (en) | Energy network and control thereof | |
Liu et al. | Assessing the risk of implementing system integrity protection schemes in a power system with significant wind integration | |
Avritzer et al. | Survivability models for the assessment of smart grid distribution automation network designs | |
CN103246939A (zh) | 基于安全稳定裕度的电网运行安全风险事件在线辨识方法 | |
Yang et al. | A graph-based model for transmission network vulnerability analysis | |
CN107305651B (zh) | 一种输电系统可靠性评估方法和系统 | |
CN106022594B (zh) | 基于极值理论的电力系统在线运行安全风险评估方法 | |
Halilcevic et al. | Prediction of power system security levels | |
Li et al. | Meta-heuristic approach for validation and calibration of cascading failure analysis | |
Hamzeh et al. | The impact of cyber network configuration on the dynamic-thermal failure of transformers considering distributed generator controller |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |