CN107784374A - 风电机组备件需求的预测方法、装置及设备 - Google Patents
风电机组备件需求的预测方法、装置及设备 Download PDFInfo
- Publication number
- CN107784374A CN107784374A CN201610726553.4A CN201610726553A CN107784374A CN 107784374 A CN107784374 A CN 107784374A CN 201610726553 A CN201610726553 A CN 201610726553A CN 107784374 A CN107784374 A CN 107784374A
- Authority
- CN
- China
- Prior art keywords
- wind turbines
- spare part
- failure
- function
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005315 distribution function Methods 0.000 claims abstract description 89
- 230000001186 cumulative effect Effects 0.000 claims abstract description 87
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 109
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 26
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 15
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000000714 time series forecasting Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 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
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风电机组备件需求的预测方法、装置及设备。该方法，包括：根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；根据所述寿命信息以及寿命分布模型得到所述风电机组备件寿命的累积概率分布函数；根据所述累积概率分布函数获取所述风电机组备件的失效次数，并根据所述失效次数获取所述风电机组备件在订货周期内的需求量。本发明将可靠性领域的寿命分布模型应用于风电机组备件的需求预测中，考虑订货周期内风电机组备件多次失效的可能，实现基于风电机组备件本身失效规律的风电机组备件需求预测，预测结果准确性较高。
Description
技术领域
本发明涉及备件管理技术领域，尤其涉及一种风电机组备件需求的预测方法、装置及设备。
背景技术
为缩短风电机组设备修理的停歇时间，保证维修效率，一定数量的备件库存是必须的。备件库存短缺可能导致设备不能及时维修投入使用，造成巨大的经济损失；备件储备过多产生大量呆滞库存，造成仓库场地费、保管费、备件损坏造成的损失等额外消耗增加，占用大量的企业流动资金，影响企业运营。因此，合理地预测备件需求量，在保证设备正常维修需求的前提下降低备件库存量，对于减少企业资金滞留、提高经济效益，有着重要的意义。
现有技术中，通常采用的需求预测方法是时间序列的方法。这种方法纯粹基于历史需求的方法，即从备件需求的历史数据中找出统计规律，结合经验做出决策，但需要有大量的历史数据作为计算依据，而且预测准确性较低。
发明内容
本发明提供一种风电机组备件需求的预测方法、装置及设备，以克服现有技术中预测准确性较低的问题。
第一方面，本发明提供一种风电机组备件需求的预测方法，包括：
根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；
根据所述寿命信息以及寿命分布模型获取所述风电机组备件寿命的累积概率分布函数；
根据所述累积概率分布函数获取所述风电机组备件的失效次数，并根据所述失效次数获取所述风电机组备件在订货周期内的需求量。
第二方面，本发明提供一种风电机组备件需求的预测装置，包括：
第一获取模块，用于根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；
第二获取模块，用于根据所述寿命信息以及寿命分布模型获取所述风电机组备件寿命的累积概率分布函数；
处理模块，用于根据所述累积概率分布函数获取所述风电机组备件的失效次数，并根据所述失效次数获取所述风电机组备件在订货周期内的需求量。
第三方面，本发明提供一种风电机组备件需求的预测设备，包括：
处理器和存储器；其中，所述存储器用于存储执行第一方面中所述方法的指令，所述处理器用于调用所述存储器中的执行指令。
本发明风电机组备件需求的预测方法、装置及设备，根据得到的寿命信息以及寿命分布模型获取风电机组备件寿命的累积概率分布函数；进一步的，根据累积概率分布函数获取风电机组备件的失效次数，并根据失效次数获取所述风电机组备件在订货周期内的需求量，将可靠性领域的寿命分布模型应用于风电机组备件的需求预测中，考虑订货周期内风电机组备件多次失效的可能，以避免只考虑订货周期内只发生一次失效而产生预测误差，实现基于风电机组备件本身失效规律的风电机组备件需求预测，相比单纯基于历史消耗的时间序列预测，预测结果准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a为本发明风电机组备件需求的预测方法一实施例的流程示意图；
图1b为本发明风电机组备件需求的预测方法另一实施例的流程示意图；
图2为本发明风电机组备件需求的预测装置一实施例的结构示意图；
图3为本发明风电机组备件需求的预测设备一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的方法，主要应用在对风电机组备件的需求预测，解决现有的预测方法不够准确的问题。
图1a为本发明风电机组备件需求的预测方法一实施例的流程示意图。如图1a所示，本实施例的方法，包括：
步骤101、根据风电机组备件的历史消耗信息获取风电机组备件的寿命信息。
具体的，在本步骤中，根据售后阶段的历史消耗信息可以得出风电机组备件的寿命信息，历史消耗信息例如包括某一预设时间段内不同的风电机组中的风电机组备件的更换次数，以及每次更换时的该风电机组备件的寿命；寿命信息可以包括已失效风电机组备件的寿命以及还未失效的风电机组备件的年龄。
步骤102、根据寿命信息以及寿命分布模型获取风电机组备件寿命的累积概率分布函数。
可选地，将寿命信息拟合到寿命分布模型获取风电机组备件寿命的累积概率分布函数；寿命分布模型包括以下模型中的任一项或多种模型的复合模型：威布尔模型、伽马分布模型、正态分布模型、指数分布模型、对数正态分布模型。
具体的，寿命分布模型例如可以是威布尔模型、伽马分布模型或正态分布模型等或者任意组合的复合模型，根据可靠性理论将寿命信息拟合到寿命分布模型可以得到风电机组备件寿命的累积概率分布函数。例如，寿命分布模型为威布尔模型时，累积概率分布函数F(t；θ)＝1-exp[-(t/α)β]，其中θ包括(α,β)为需要拟合的参数，α为尺度参数，β为形状参数。根据可靠性理论拟合累积概率分布函数的具体过程可以参照现有的拟合流程。
步骤103、根据累积概率分布函数获取风电机组备件的失效次数，并根据失效次数获取风电机组备件在订货周期内的需求量。
具体的，在本步骤中，可以通过蒙特卡洛仿真得到风电机组备件的失效次数。失效次数指的是同一个风电机组备件在订货周期内失效后更换的次数。
然后，根据失效次数可以得到该风电机组备件在订货周期内的需求量，例如可以根据蒙特卡洛仿真得到的预设个数的失效次数，求预设个数的失效次数的平均值得到需求量，例如根据蒙特卡洛仿真得到10万个失效次数，则将这10万个失效次数进行求平均值得到需求量。
在本发明实施例中，还可以通过其他方法得出风电机组备件的失效次数，例如可以通过根据累积概率分布函数得到更新函数，根据更新函数就可以获知失效次数，然后可以根据失效次数得出风电机组备件在订货周期内的需求量。具体实施方式可以参照如下的实施例。
本发明实施例中，风电机组备件在不同的年龄，失效发生的概率会不一样。寿命分布模型能反应风电机组备件在不同年龄阶段的失效发生概率。因此，根据寿命信息，获得寿命分布模型对应的累积概率分布函数，模拟风电机组备件在某一年龄段内的失效，以获得风电机组备件的需求量。
本实施例提供的风电机组备件需求的预测方法，根据得到的寿命信息以及寿命分布模型获取风电机组备件寿命的累积概率分布函数；进一步的，根据累积概率分布函数获取风电机组备件的失效次数，并根据失效次数获取所述风电机组备件在订货周期内的需求量，将可靠性领域的寿命分布模型应用于风电机组备件的需求预测中，考虑订货周期内风电机组备件多次失效的可能，以避免只考虑订货周期内只发生一次失效而产生预测误差，实现基于风电机组备件本身失效规律的风电机组备件需求预测，相比单纯基于历史消耗的时间序列预测，预测结果准确性更高。
在上述实施例的基础上，下面提供几种具体的实现方式对该风电机组备件需求的预测方法进行详细说明。
在上述实施例的基础上，本实施例中，可选地，作为一种可实施的方式，步骤103的根据累积概率分布函数获取风电机组备件的失效次数具体可以通过如下方式实现：
通过蒙特卡洛仿真获取风电机组备件的失效次数。
具体的，若通过蒙特卡洛仿真的开始时刻，风电机组已开始运行，则需要获取该风电机组备件的年龄信息；
通过蒙特卡洛仿真获取风电机组备件的失效次数。
若通过蒙特卡洛仿真的开始时刻，风电机组未开始运行，则直接通过蒙特卡洛仿真获取风电机组备件的失效次数。
其中，在实际应用中，若风电机组在仿真开始时刻已开始运行，则还包括如下步骤：
获取风电机组备件的年龄信息；
相应的，通过蒙特卡洛仿真获取风电机组备件的失效次数具体可以通过如下步骤实现：
步骤a、通过蒙特卡洛仿真产生第一预设个数的随机概率；
步骤b、根据累积概率分布函数、风电机组备件的年龄信息以及随机概率，计算在订货周期内风电机组备件第一次失效的失效时间；
步骤c、根据累积概率分布函数以及所述随机概率，计算在订货周期内风电机组备件第j次失效的失效时间；
步骤d、计算前j次失效的失效时间之和；
重复执行步骤c和步骤d，直至前j次失效的失效时间之和满足第一预设条件，则确定失效次数为j；其中，j的初始值为2。
具体的，若第i个风电机组在仿真开始时刻t已开始运行，通过蒙特卡洛仿真产生第一预设个数的随机概率rj；其中，j≥1，且j小于或等于第一预设个数；
计算在订货周期(t,t+L)内第i个风电机组的风电机组备件第1次失效的失效时间xi1＝R-1(r1×R(ai,θ),θ)-ai；
计算在订货周期(t,t+L)内第i个风电机组的风电机组备件第j次失效的失效时间xij＝R-1(rj,θ)，j≥2；
计算前j次失效的失效时间之和
重复执行步骤c和步骤d，直至tij<L<tij+1为止，确定所述失效次数N为j；
其中，R(ai,θ)为可靠性函数R(t；θ))将ai代入后的函数；R(t；θ)＝1-F(t；θ)；R-1(·)为可靠性函数R(t；θ)的反函数；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数；ai为风电机组备件的年龄信息；L为订货周期。
其中，R-1(rj×R(ai,θ),θ)表示R(rj×R(ai,θ),θ)的反函数，R(rj×R(ai,θ),θ)为可靠性函数R(t；θ))代入rj×R(ai,θ)的函数；R-1(rj,θ)表示R(rj,θ)的反函数，R(rj,θ)为可靠性函数R(t；θ))代入随机概率rj的函数。
如果风电机组备件平均寿命小于订货周期的长度，则风电机组备件在订货周期内很大可能会发生多次失效。因此，本发明实施例的方法中，考虑了订货周期内风电机组备件多次失效的可能。
在上述实施例的基础上，可选地，作为一种可实施的方式，若通过蒙特卡洛仿真开始时刻，风电机组未开始运行，则无需获取年龄信息，直接通过蒙特卡洛仿真得到失效次数。
在实际应用中，第i个风电机组在仿真开始时刻t未开始运行，且在仿真开始时刻t之后的时刻ti开始运行时，具体可以通过如下步骤实现：
步骤e、通过蒙特卡洛仿真产生第二预设个数的随机概率；
步骤f、根据累积概率分布函数以及所述随机概率，计算在订货周期内风电机组备件第k次失效的失效时间；
步骤g、计算前k次失效的失效时间之和；
重复执行步骤f和步骤g，直至前k次失效的失效时间之和满足第二预设条件，则确定失效次数为k；其中，k的初始值为1。
具体的，若第i个风电机组在仿真开始时刻t未开始运行，在时刻ti开始运行，时刻ti处于仿真开始时刻t以及t+L之间，则首先通过蒙特卡洛仿真产生第二预设个数的随机概率rk；其中，k≥1，且k小于或等于第二预设个数；
然后，计算在时间段(ti,t+L)内第i个风电机组的风电机组备件第k次失效的失效时间xik＝R-1(rk,θ)；
计算前k次失效的失效时间之和
重复执行步骤f和步骤g，直至tik<L-(ti-t)<tik+1为止，确定失效次数N为k；
其中，k的初始值为1；L为订货周期；R-1(·)为可靠性函数R(t；θ)的反函数；R(t；θ)＝1-F(t；θ)；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数。R-1(rk,θ)表示R(rk,θ)的反函数，R(rk,θ)为可靠性函数R(t；θ))代入随机概率rk的函数。
在上述实施例的基础上，进一步的，步骤103中的根据失效次数获取风电机组备件在订货周期内的需求量，具体可以通过如下方式实现：
根据蒙特卡洛仿真获取的失效次数得到风电机组备件在订货周期内的需求量。
具体的，例如可以根据蒙特卡洛仿真得到的预设个数的失效次数，求预设个数的失效次数的平均值得到需求量(平均需求量)，例如根据蒙特卡洛仿真得到10万个失效次数，则将这10万个失效次数进行求平均值得到需求量。
如果风电机组备件平均寿命小于订货周期的长度，则风电机组备件在订货周期内很大可能会发生多次失效。因此，本发明实施例的方法中，考虑了订货周期内风电机组备件多次失效的可能。
上述具体实施例的方案中，将可靠性领域的寿命分布模型应用于风电机组备件的需求预测中，考虑订货周期内风电机组备件多次失效的可能，结合蒙特卡洛仿真模拟每一个风电机组备件订货周期内的失效情况，实现基于风电机组备件本身失效规律的风电机组备件需求预测，相比单纯基于历史消耗的时间序列预测，预测结果准确性更高。
在上述实施例的基础上，进一步的，可选地，步骤103中的根据累积概率分布函数获取风电机组备件的失效次数，还可以通过如下方式实现：
根据累积概率分布函数获取近似更新函数，并根据近似更新函数获取风电机组备件的失效次数。
具体的，除了采用蒙特卡洛仿真获得订货周期内风电机组备件的需求量，还可以采用更新函数来获得。
根据累积概率分布函数，可以通过多次卷积获得对应的更新函数。更新函数表示风电机组备件在某一时间段内的消耗数量，即失效次数，然后可以根据失效次数得到需求量。
其中，在实际应用中，根据累积概率分布函数获取近似更新函数，具体可以通过如下方式实现：
累积概率分布函数为正态分布函数时，近似更新函数为：
μn＝nμ，
累积概率分布函数为对数正态分布函数时，近似更新函数为：
μn＝nμ，
累积概率分布函数为伽马分布函数时，近似更新函数为：
ρn＝nρ，ηn＝η；
累积概率分布函数为威布尔分布函数时，近似更新函数为：
累积概率分布函数为威布尔分布函数时，近似更新函数为：
ΜW2(t)＝pF(t)+(1-p)H(t)；
其中，FN(t)、FN(lnt)、FG(t)、FW(t)分别为正态分布模型、对数正态分布模型、伽马分布模型、威布尔分布模型的累积概率分布函数；ε为预设值；μ为FN(t)的均值；σ2为FN(t)的方差；为正态分布函数，μn为的均值，σn 2为的方差；p为预设值；G(t；ρn,ηn)为伽马分布函数，ρn为G(t；ρn,ηn)的形状参数，ηn为G(t；ρn,ηn)的尺度参数；ρ为FG(t)的形状参数，η为FG(t)的尺度参数；F(t)为威布尔分布模型的累积概率分布函数；H(t)为累积风险函数，H(t)＝-ln[R(t)]；R(t)＝1-F(t)。
具体的，由于一般寿命分布模型，很难给出更新函数的解析式，因此根据不同的寿命分布模型，可以获取到不同的近似更新函数，如上述公式所述。
在上述具体实施例的基础上，可选地，根据近似更新函数获取风电机组备件的失效次数，具体可以通过如下方式实现：
获取在时间段(0,t+L)内的近似更新函数与在时间段(0,t)内的近似更新函数的差值，差值为风电机组备件在订货周期内的失效次数；其中，t表示当前时刻，L表示订货周期。
具体的，可以根据近似更新函数通过如下公式获取风电机组备件在订货周期(t,t+L)内的失效次数：
D＝M(t+L)-M(t)；
其中，D表示失效次数，t为当前时刻，近似更新函数M(t)表示风电机组备件在时间段(0,t)内的失效次数；近似更新函数M(t+L)表示风电机组备件在时间段(0,t+L)内的失效次数；M(t)包括以下函数中的任一项：MN(t)、MN(lnt)、MG(t)、MW1(t)、ΜW2(t)。
具体的，由于近似更新函数M(t)表示风电机组备件在时间段(0,t)内的失效次数；近似更新函数M(t+L)表示风电机组备件在时间段(0,t+L)内的失效次数；因此，风电机组备件在订货周期(t,t+L)内的失效次数：D＝M(t+L)-M(t)。
M(t+L)为变量为t+L时的近似更新函数M(t)。
在本实施例中，可以直接根据失效次数得到需求量。
上述具体实施方式中，使用近似更新函数公式来考虑订货周期内风电机组备件多次失效的可能，计算每一个风电机组备件订货周期内的失效情况，实现基于风电机组备件本身失效规律的风电机组备件需求预测，相比单纯基于历史消耗的时间序列预测，预测结果准确性更高。
在上述实施例的基础上，根据失效次数获取风电机组备件在订货周期内的需求量之后，还包括：
根据泊松分布以及预设的满足率通过如下公式计算风电机组备件的采购量；
Dx＝P-1(x％,D1)；
其中，Dx表示采购量；D1表示需求量；x％表示预设的满足率；P-1(x％,D1)表示泊松分布P(x％,D1)的反函数。
具体的，风电机组备件的失效过程服从非齐次泊松过程，所以订货周期内风电机组备件的需求量服从泊松分布。已知风电机组备件的服务水平要求，即满足率要求x％，通过泊松分布获得对应的采购量Dx＝P-1(x％,D)。这里，P-1(x％,D)为泊松分布的反函数，即计算均值为D泊松分布的x％分位点。
上述具体实施方式中，实现了一定满足率条件下的采购量的预测，在订货周期内，风电机组备件的需求量是服从一定分布的，并不是一个确定的值。直接用计算出的需求量确定采购量，只能满足50％的情况。本发明实施例的方法根据风电机组备件失效的特征，令需求量分布服从泊松分布，需求量D1为泊松分布的均值。在要求满足率水平下，采购量为满足率对应的泊松分布分位点。
图1b为本发明风电机组备件需求的预测方法另一实施例的流程示意图。下面采用具体的数据参照图1b所示的流程图进行蒙特卡洛仿真：
对如表1所示风电机组备件的历史寿命数据进行建模，获得寿命分布模型F(t；θ)＝F(t；1.87，8650.91)；其中，F(t；θ)为威布尔分布模型，1.87是形状参数，8650.91是尺度参数。
表1风电机组备件历史寿命数据
表1中机位号指的是风电机组的编号，失效标识0表示未失效，失效标识1表示已失效。其中，第8个风电机组的某一风电机组备件寿命为728天，第8个风电机组的另一风电机组备件年龄为1782天(在数据采集时刻)。
令t＝2016年1月1日，L＝6个月，蒙特卡洛仿真的失效次数如表2所示。
表2风电机组备件失效仿真结果
根据各风电机组的运行信息可以获知t时刻是否已开始运行。根据年龄信息可以获知t时刻部件的寿命ai。
仿真过程A指的是t时刻已开始运行时采用的仿真过程，仿真过程B指的是t时刻未开始运行时采用的仿真过程。
令x％＝90％，采用公式Dx＝P-1(x％,D1)计算采购量，此时D1为表3中的平均需求量，D1可以根据辐射库房内的多个风电机组的风电机组备件的需求量得到，各库房采购量如表3所示。
表3各库房采购量
| 辐射库房 | 平均需求量 | 90％满足率采购量 |
| H1 | 40 | 48 |
| H2 | 20 | 24 |
| H3 | 4 | 5 |
| H4 | 27 | 33 |
| H5 | 10 | 12 |
| 合计 | 101 | 122 |
图2为本发明风电机组备件需求的预测装置一实施例的结构示意图。如图2所示，本实施例的风电机组备件需求的预测装置，包括：
第一获取模块201、第二获取模块202和处理模块203；
其中，第一获取模块201，用于根据风电机组备件的历史消耗信息获取风电机组备件的寿命信息；
第二获取模块202，用于根据寿命信息以及寿命分布模型获取风电机组备件寿命的累积概率分布函数；
处理模块203，用于根据累积概率分布函数获取风电机组备件的失效次数，并根据失效次数获取风电机组备件在订货周期内的需求量。
可选地，作为一种可实施的方式，所述第二获取模块202，具体用于：
将寿命信息拟合到寿命分布模型获取风电机组备件寿命的累积概率分布函数；寿命分布模型包括以下模型中的任一项或多种模型的复合模型：威布尔模型、伽马分布模型、正态分布模型、指数分布模型、对数正态分布模型。
可选地，作为一种可实施的方式，所述处理模块203，具体用于：
通过蒙特卡洛仿真获取风电机组备件的失效次数。
可选地，作为一种可实施的方式，若风电机组在仿真开始时刻已开始运行，则处理模块203，还用于：
获取所述风电机组备件的年龄信息；
处理模块203，具体用于执行：
步骤a、通过蒙特卡洛仿真产生第一预设个数的随机概率；
步骤b、根据累积概率分布函数、风电机组备件的年龄信息以及随机概率，计算在订货周期内风电机组备件第一次失效的失效时间；
步骤c、根据累积概率分布函数以及随机概率，计算在订货周期内风电机组备件第j次失效的失效时间；
步骤d、计算前j次失效的失效时间之和；
重复执行步骤c和步骤d，直至前j次失效的失效时间之和满足第一预设条件，则确定失效次数为j；其中，j的初始值为2。
可选地，作为一种可实施的方式，若风电机组在仿真开始时刻未开始运行，则处理模块203，具体用于执行：
步骤e、通过蒙特卡洛仿真产生第二预设个数的随机概率；
步骤f、根据累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第k次失效的失效时间；
步骤g、计算前k次失效的失效时间之和；
重复执行步骤f和步骤g，直至前k次失效的失效时间之和满足第二预设条件，则确定失效次数为k；其中，k的初始值为1。
可选地，作为一种可实施的方式，第i个风电机组在仿真开始时刻t已开始运行时，处理模块203，具体用于执行：
步骤a、通过蒙特卡洛仿真产生第一预设个数的随机概率rj；其中，j≥1，且j小于或等于第一预设个数；
步骤b、计算在订货周期(t,t+L)内第i个风电机组的风电机组备件第1次失效的失效时间xi1＝R-1(r1×R(ai,θ),θ)-ai；
步骤c、计算在订货周期(t,t+L)内第i个风电机组的风电机组备件第j次失效的失效时间xij＝R-1(rj,θ)，j≥2；
步骤d、计算前j次失效的失效时间之和
重复执行步骤c和步骤d，直至tij<L<tij+1为止，确定失效次数N为j；
其中，R(ai,θ)为可靠性函数R(t；θ))将ai代入后的函数；R(t；θ)＝1-F(t；θ)；R-1(·)为可靠性函数R(t；θ)的反函数；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数；ai为所述风电机组备件的年龄信息；L为订货周期。
可选地，作为一种可实施的方式，第i个风电机组在仿真开始时刻t未开始运行，且在仿真开始时刻t之后的时刻ti开始运行时，处理模块203，具体用于执行：
步骤e、通过蒙特卡洛仿真产生第二预设个数的随机概率rk；其中，k≥1，且k小于或等于第二预设个数；
步骤f、计算在时间段(ti,t+L)内第i个风电机组的风电机组备件第k次失效的失效时间xik＝R-1(rk,θ)；
步骤g、计算前k次失效的失效时间之和
重复执行步骤f和步骤g，直至tik<L-(ti-t)<tik+1为止，确定失效次数N为k；
其中，k的初始值为1；L为订货周期；R-1(·)为可靠性函数R(t；θ)的反函数；R(t；θ)＝1-F(t；θ)；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数。
可选地，作为一种可实施的方式，所述处理模块203，具体用于：
根据蒙特卡洛仿真获取的失效次数得到风电机组备件在订货周期内的需求量。
可选地，作为一种可实施的方式，所述处理模块203，还用于：
根据累积概率分布函数获取近似更新函数，并根据近似更新函数获取风电机组备件的失效次数。
可选地，作为一种可实施的方式，累积概率分布函数为正态分布函数时，处理模块203获取到的近似更新函数为：
μn＝nμ，
累积概率分布函数为对数正态分布函数时，处理模块203获取到的近似更新函数为：
μn＝nμ，
累积概率分布函数为伽马分布函数时，处理模块203获取到的近似更新函数为：
ρn＝nρ，ηn＝η；
累积概率分布函数为威布尔分布函数时，处理模块203获取到的近似更新函数为：
累积概率分布函数为威布尔分布函数时，处理模块203获取到的近似更新函数为：
ΜW2(t)＝pF(t)+(1-p)H(t)；
其中，FN(t)、FN(lnt)、FG(t)、FW(t)分别为正态分布模型、对数正态分布模型、伽马分布模型、威布尔分布模型的累积概率分布函数；ε为预设值；μ为FN(t)的均值；σ2为FN(t)的方差；为正态分布函数，μn为的均值，σn 2为的方差；p为预设值；G(t；ρn,ηn)为伽马分布函数，ρn为G(t；ρn,ηn)的形状参数，ηn为G(t；ρn,ηn)的尺度参数；ρ为FG(t)的形状参数，η为FG(t)的尺度参数；F(t)为威布尔分布模型的累积概率分布函数；H(t)为累积风险函数，H(t)＝-ln[R(t)]；R(t)＝1-F(t)。
可选地，作为一种可实施的方式，处理模块203，具体用于：
获取在时间段(0,t+L)内的近似更新函数与在时间段(0,t)内的近似更新函数的差值，差值为风电机组备件在订货周期内的失效次数；其中，t表示当前时刻，L表示订货周期。
可选地，作为一种可实施的方式，处理模块203，具体用于：
根据近似更新函数通过如下公式获取风电机组备件在订货周期(t,t+L)内的失效次数：
D＝M(t+L)-M(t)；
其中，D表示失效次数，t为当前时刻，近似更新函数M(t)表示风电机组备件在(0,t)时间段内的失效次数；近似更新函数M(t+L)表示风电机组备件在(0,t+L)时间段内的失效次数；M(t)包括以下函数中的任一项：MN(t)、MN(lnt)、MG(t)、MW1(t)、ΜW2(t)。
可选地，作为一种可实施的方式，处理模块203，还用于：
根据泊松分布以及预设的满足率通过如下公式计算风电机组备件的采购量；
Dx＝P-1(x％,D1)；
其中，Dx表示采购量；D1表示需求量；x％表示预设的满足率；P-1(x％,D1)表示泊松分布P(x％,D1)的反函数。
本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图3为本发明风电机组备件需求的预测设备一实施例的结构示意图。如图3所示，本实施例的风电机组备件需求的预测设备，可以包括：存储器301、处理器302；其中，存储器301，用于存储程序；具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器301可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器302，用于执行存储器301存储的程序，用于执行如下操作：
根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；
根据所述寿命信息以及寿命分布模型获取所述风电机组备件寿命的累积概率分布函数；
根据累积概率分布函数获取所述风电机组备件的失效次数，并根据失效次数获取所述风电机组备件在订货周期内的需求量。
可选地，作为一种可实施的方式，所述处理器302，具体用于：
将寿命信息拟合到寿命分布模型获取风电机组备件寿命的累积概率分布函数；寿命分布模型包括以下模型中的任一项或多种模型的复合模型：威布尔模型、伽马分布模型、正态分布模型、指数分布模型、对数正态分布模型。
可选地，作为一种可实施的方式，处理器302，具体用于：
通过蒙特卡洛仿真获取风电机组备件的失效次数。
可选地，作为一种可实施的方式，若风电机组在仿真开始时刻已开始运行，则处理器302，还用于：
获取所述风电机组备件的年龄信息；
处理器302，具体用于执行：
步骤a、通过蒙特卡洛仿真产生第一预设个数的随机概率；
步骤b、根据累积概率分布函数、风电机组备件的年龄信息以及随机概率，计算在订货周期内风电机组备件第一次失效的失效时间；
步骤c、根据累积概率分布函数以及随机概率，计算在订货周期内风电机组备件第j次失效的失效时间；
步骤d、计算前j次失效的失效时间之和；
重复执行步骤c和步骤d，直至前j次失效的失效时间之和满足第一预设条件，则确定失效次数为j；其中，j的初始值为2。
可选地，作为一种可实施的方式，若风电机组在仿真开始时刻未开始运行，则处理器302，具体用于执行：
步骤e、通过蒙特卡洛仿真产生第二预设个数的随机概率；
步骤f、根据累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第k次失效的失效时间；
步骤g、计算前k次失效的失效时间之和；
重复执行步骤f和步骤g，直至前k次失效的失效时间之和满足第二预设条件，则确定失效次数为k；其中，k的初始值为1。
可选地，作为一种可实施的方式，第i个风电机组在仿真开始时刻t已开始运行时，处理器302，具体用于执行：
步骤a、通过蒙特卡洛仿真产生第一预设个数的随机概率rj；其中，j≥1，且j小于或等于第一预设个数；
步骤b、计算在订货周期(t,t+L)内第i个风电机组的风电机组备件第1次失效的失效时间xi1＝R-1(r1×R(ai,θ),θ)-ai；
步骤c、计算在订货周期(t,t+L)内所述第i个风电机组的风电机组备件第j次失效的失效时间xij＝R-1(rj,θ)，j≥2；
步骤d、计算前j次失效的失效时间之和
重复执行步骤c和步骤d，直至tij<L<tij+1为止，确定失效次数N为j；
其中，R(ai,θ)为可靠性函数R(t；θ))将ai代入后的函数；R(t；θ)＝1-F(t；θ)；R-1(·)为可靠性函数R(t；θ)的反函数；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数；ai为风电机组备件的年龄信息；L为订货周期。
可选地，作为一种可实施的方式，第i个风电机组在仿真开始时刻t未开始运行，且在仿真开始时刻t之后的时刻ti开始运行时，处理器302，具体用于执行：
步骤e、通过蒙特卡洛仿真产生第二预设个数的随机概率rk；其中，k≥1，且k小于或等于第二预设个数；
步骤f、计算在时间段(ti,t+L)内第i个风电机组的风电机组备件第k次失效的失效时间xik＝R-1(rk,θ)；
步骤g、计算前k次失效的失效时间之和
重复执行步骤f和步骤g，直至tik<L-(ti-t)<tik+1为止，确定失效次数N为k；
其中，k的初始值为1；L为订货周期；R-1(·)为可靠性函数R(t；θ)的反函数；R(t；θ)＝1-F(t；θ)；F(t；θ)为累积概率分布函数；θ为累积概率分布函数的参数。
可选地，作为一种可实施的方式，处理器302，具体用于：
根据蒙特卡洛仿真获取的失效次数得到风电机组备件在订货周期内的需求量。
可选地，作为一种可实施的方式，所述处理器302，具体用于：
根据累积概率分布函数获取近似更新函数，并根据近似更新函数获取所述风电机组备件的失效次数。
可选地，作为一种可实施的方式，累积概率分布函数为正态分布函数时，处理器302获取到的近似更新函数为：
μn＝nμ，
累积概率分布函数为对数正态分布函数时，处理器302获取到的近似更新函数为：
μn＝nμ，
累积概率分布函数为伽马分布函数时，处理器302获取到的近似更新函数为：
ρn＝nρ，ηn＝η；
累积概率分布函数为威布尔分布函数时，处理器302获取到的近似更新函数为：
累积概率分布函数为威布尔分布函数时，处理器302获取到的近似更新函数为：
ΜW2(t)＝pF(t)+(1-p)H(t)；
其中，FN(t)、FN(lnt)、FG(t)、FW(t)分别为正态分布模型、对数正态分布模型、伽马分布模型、威布尔分布模型的累积概率分布函数；ε为预设值；μ为FN(t)的均值；σ2为FN(t)的方差；为正态分布函数，μn为的均值，σn 2为的方差；p为预设值；G(t；ρn,ηn)为伽马分布函数，ρn为G(t；ρn,ηn)的形状参数，ηn为G(t；ρn,ηn)的尺度参数；ρ为FG(t)的形状参数，η为所述FG(t)的尺度参数；F(t)为威布尔分布模型的累积概率分布函数；H(t)为累积风险函数，H(t)＝-ln[R(t)]；R(t)＝1-F(t)。
可选地，作为一种可实施的方式，处理器302，具体用于：
获取在时间段(0,t+L)内的近似更新函数与在时间段(0,t)内的近似更新函数的差值，差值为风电机组备件在订货周期内的失效次数；其中，t表示当前时刻，L表示订货周期。
可选地，作为一种可实施的方式，处理器302，具体用于：
根据近似更新函数通过如下公式获取风电机组备件在订货周期(t,t+L)内的失效次数：
D＝M(t+L)-M(t)；
其中，D表示失效次数，t为当前时刻，近似更新函数M(t)表示风电机组备件在时间段(0,t)内的失效次数；近似更新函数M(t+L)表示风电机组备件在时间段(0,t+L)内的失效次数；M(t)包括以下函数中的任一项：MN(t)、MN(lnt)、MG(t)、MW1(t)、ΜW2(t)。
可选地，作为一种可实施的方式，所述处理器302，具体用于：
根据泊松分布以及预设的满足率通过如下公式计算所述风电机组备件的采购量；
Dx＝P-1(x％,D1)；
其中，Dx表示采购量；D1表示需求量；x％表示预设的满足率；P-1(x％,D1)表示泊松分布P(x％,D1)的反函数。
本发明方法实施例所提供的技术方案，其实现原理和技术效果类似，可参考图1a、图1b所示的方法实施例，此处不再赘述。
上述装置中第一获取模块、第二获取模块和处理模块的功能可以通过处理器302实现。
上述部件通过一条或多条总线进行通信。本领域技术人员可以理解，图3中示出的设备的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
需要说明的是，对于设备实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (15)
1.一种风电机组备件需求的预测方法，其特征在于，包括：
根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；
根据所述寿命信息以及寿命分布模型获取所述风电机组备件寿命的累积概率分布函数；
根据所述累积概率分布函数获取所述风电机组备件的失效次数，并根据所述失效次数获取所述风电机组备件在订货周期内的需求量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述累积概率分布函数获取所述风电机组备件的失效次数，包括：
通过蒙特卡洛仿真获取所述风电机组备件的失效次数。
3.根据权利要求2所述的方法，其特征在于，若所述风电机组在仿真开始时刻已开始运行，所述方法还包括：
获取所述风电机组备件的年龄信息；
所述通过蒙特卡洛仿真获取所述风电机组备件的失效次数，包括：
步骤a、通过所述蒙特卡洛仿真产生第一预设个数的随机概率；
步骤b、根据所述累积概率分布函数、所述风电机组备件的年龄信息以及所述随机概率，计算在订货周期内所述风电机组备件第一次失效的失效时间；
步骤c、根据所述累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第j次失效的失效时间；
步骤d、计算前j次失效的失效时间之和；
重复执行步骤c和步骤d，直至前j次失效的失效时间之和满足第一预设条件，则确定所述失效次数为j；其中，j的初始值为2。
4.根据权利要求2所述的方法，其特征在于，若所述风电机组在仿真开始时刻未开始运行，则所述通过蒙特卡洛仿真获取所述风电机组备件的失效次数，包括：
步骤e、通过所述蒙特卡洛仿真产生第二预设个数的随机概率；
步骤f、根据所述累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第k次失效的失效时间；
步骤g、计算前k次失效的失效时间之和；
重复执行步骤f和步骤g，直至前k次失效的失效时间之和满足第二预设条件，则确定所述失效次数为k；其中，k的初始值为1。
5.根据权利要求1所述的方法，其特征在于，所述根据所述累积概率分布函数获取所述风电机组备件的失效次数，包括：
根据所述累积概率分布函数获取近似更新函数，并根据所述近似更新函数获取所述风电机组备件的失效次数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述近似更新函数获取所述风电机组备件的失效次数，包括：
获取在时间段(0,t+L)内的近似更新函数与在时间段(0,t)内的近似更新函数的差值，所述差值为所述风电机组备件在订货周期内的失效次数；其中，t表示当前时刻，L表示所述订货周期。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述失效次数获取所述风电机组备件在订货周期内的需求量之后，还包括：
根据所述泊松分布以及预设的满足率通过如下公式计算所述风电机组备件的采购量；
Dx＝P-1(x％,D1)；
其中，Dx表示采购量；D1表示需求量；x％表示预设的满足率；P-1(x％,D1)表示泊松分布P(x％,D1)的反函数。
8.一种风电机组备件需求的预测装置，其特征在于，包括：
第一获取模块，用于根据所述风电机组备件的历史消耗信息获取所述风电机组备件的寿命信息；
第二获取模块，用于根据所述寿命信息以及寿命分布模型获取所述风电机组备件寿命的累积概率分布函数；
处理模块，用于根据所述累积概率分布函数获取所述风电机组备件的失效次数，并根据所述失效次数获取所述风电机组备件在订货周期内的需求量。
9.根据权利要求8所述的装置，其特征在于，所述处理模块，具体用于：
通过蒙特卡洛仿真获取所述风电机组备件的失效次数。
10.根据权利要求9所述的装置，其特征在于，若所述风电机组在仿真开始时刻已开始运行，则所述处理模块，还用于：
获取所述风电机组备件的年龄信息；
所述处理模块，具体用于执行：
步骤a、通过所述蒙特卡洛仿真产生第一预设个数的随机概率；
步骤b、根据所述累积概率分布函数、所述风电机组备件的年龄信息以及所述随机概率，计算在订货周期内所述风电机组备件第一次失效的失效时间；
步骤c、根据所述累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第j次失效的失效时间；
步骤d、计算前j次失效的失效时间之和；
重复执行步骤c和步骤d，直至前j次失效的失效时间之和满足第一预设条件，则确定所述失效次数为j；其中，j的初始值为2。
11.根据权利要求9所述的装置，其特征在于，若所述风电机组在仿真开始时刻未开始运行，则所述处理模块，具体用于执行：
步骤e、通过所述蒙特卡洛仿真产生第二预设个数的随机概率；
步骤f、根据所述累积概率分布函数以及所述随机概率，计算在订货周期内所述风电机组备件第k次失效的失效时间；
步骤g、计算前k次失效的失效时间之和；
重复执行步骤f和步骤g，直至前k次失效的失效时间之和满足第二预设条件，则确定所述失效次数为k；其中，k的初始值为1。
12.根据权利要求8所述的装置，其特征在于，所述处理模块，还用于：
根据所述累积概率分布函数获取近似更新函数，并根据所述近似更新函数获取所述风电机组备件的失效次数。
13.根据权利要求12所述的装置，其特征在于，所述处理模块，具体用于：
获取在时间段(0,t+L)内的近似更新函数与在时间段(0,t)内的近似更新函数的差值，所述差值为所述风电机组备件在订货周期内的失效次数；其中，t表示当前时刻，L表示所述订货周期。
14.根据权利要求8-13任一项所述的装置，其特征在于，所述处理模块，还用于：
根据所述泊松分布以及预设的满足率通过如下公式计算所述风电机组备件的采购量；
Dx＝P-1(x％,D1)；
其中，Dx表示采购量；D1表示需求量；x％表示预设的满足率；P-1(x％,D1)表示泊松分布P(x％,D1)的反函数。
15.一种风电机组备件需求的预测设备，其特征在于，包括：
处理器和存储器；其中，所述存储器用于存储执行权利要求1-7任意一项所述方法的指令，所述处理器用于调用所述存储器中的执行指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610726553.4A CN107784374A (zh) | 2016-08-25 | 2016-08-25 | 风电机组备件需求的预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610726553.4A CN107784374A (zh) | 2016-08-25 | 2016-08-25 | 风电机组备件需求的预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107784374A true CN107784374A (zh) | 2018-03-09 |
Family
ID=61438600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610726553.4A Pending CN107784374A (zh) | 2016-08-25 | 2016-08-25 | 风电机组备件需求的预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107784374A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376380A (zh) * | 2018-09-10 | 2019-02-22 | 中国人民解放军海军工程大学 | 一种确定伽玛型单元后续备件需求量的方法 |
| CN109472387A (zh) * | 2018-04-10 | 2019-03-15 | 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 |
| CN111325920A (zh) * | 2020-02-10 | 2020-06-23 | 上海探能实业有限公司 | 一种备件智取柜及系统 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 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 |
| CN112561411A (zh) * | 2019-09-10 | 2021-03-26 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
| WO2021150099A1 (en) * | 2020-01-21 | 2021-07-29 | Petroliam Nasional Berhad (Petronas) | Equipment spare part inventory optimization methods and systems |
| CN116502845A (zh) * | 2023-04-27 | 2023-07-28 | 中国人民解放军海军工程大学 | 考虑维修耗时的机电设备备件平均消耗数估计方法和系统 |
| CN116843119A (zh) * | 2023-05-23 | 2023-10-03 | 中国人民解放军海军工程大学 | 一种考虑维修耗时的电子单元备件设计方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8571911B1 (en) * | 2001-11-16 | 2013-10-29 | Westinghouse Electric Company Llc | Facility life management method |
| CN105868872A (zh) * | 2016-05-30 | 2016-08-17 | 东北大学 | 一种配电网雷电灾害故障预测方法 |
-
2016
- 2016-08-25 CN CN201610726553.4A patent/CN107784374A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8571911B1 (en) * | 2001-11-16 | 2013-10-29 | Westinghouse Electric Company Llc | Facility life management method |
| CN105868872A (zh) * | 2016-05-30 | 2016-08-17 | 东北大学 | 一种配电网雷电灾害故障预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄超群 等: "基于蒙特卡洛仿真预测的备件库存管理", 《2014全国风电后市场专题研讨会论文集》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472387A (zh) * | 2018-04-10 | 2019-03-15 | 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 |
| CN109376380A (zh) * | 2018-09-10 | 2019-02-22 | 中国人民解放军海军工程大学 | 一种确定伽玛型单元后续备件需求量的方法 |
| CN109376380B (zh) * | 2018-09-10 | 2022-12-23 | 中国人民解放军海军工程大学 | 一种确定伽玛型单元后续备件需求量的方法 |
| CN112561411B (zh) * | 2019-09-10 | 2023-11-21 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
| CN112561411A (zh) * | 2019-09-10 | 2021-03-26 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
| WO2021150099A1 (en) * | 2020-01-21 | 2021-07-29 | Petroliam Nasional Berhad (Petronas) | Equipment spare part inventory optimization methods and systems |
| CN111325920A (zh) * | 2020-02-10 | 2020-06-23 | 上海探能实业有限公司 | 一种备件智取柜及系统 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 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 |
| 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 |
| CN116502845A (zh) * | 2023-04-27 | 2023-07-28 | 中国人民解放军海军工程大学 | 考虑维修耗时的机电设备备件平均消耗数估计方法和系统 |
| CN116502845B (zh) * | 2023-04-27 | 2024-03-15 | 中国人民解放军海军工程大学 | 考虑维修耗时的机电设备备件平均消耗数估计方法和系统 |
| CN116843119A (zh) * | 2023-05-23 | 2023-10-03 | 中国人民解放军海军工程大学 | 一种考虑维修耗时的电子单元备件设计方法及系统 |
| CN116843119B (zh) * | 2023-05-23 | 2024-02-20 | 中国人民解放军海军工程大学 | 一种考虑维修耗时的电子单元备件设计方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784374A (zh) | 风电机组备件需求的预测方法、装置及设备 | |
| Zhang et al. | Opportunistic maintenance strategy for wind turbines considering weather conditions and spare parts inventory management | |
| US20130179213A1 (en) | Capital asset investment planning methods | |
| US20090083089A1 (en) | Systems and methods for analyzing failure modes according to cost | |
| CN108334997B (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
| US8315923B2 (en) | Method of determining safety stock levels | |
| CN106971048A (zh) | 一种伽马型有寿件备件需求量计算方法 | |
| CN109118012B (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
| JP2015064877A (ja) | 契約のサービス合意に関連するリスクを評価するためのシステムおよび方法 | |
| CN105787245A (zh) | 一种基于修复率与库存量的备件优化方法 | |
| JP7053152B2 (ja) | 推奨点検間隔を最適化するシステム及び方法 | |
| CN103761595A (zh) | 一种erp系统的业务流程监控方法及装置 | |
| CN116029104A (zh) | 一种装备维修保障仿真评估方法及系统 | |
| Kolios et al. | openO&M: Robust O&M open access tool for improving operation and maintenance of offshore wind turbines | |
| JP2017151980A5 (zh) | ||
| CN114254870A (zh) | 一种生产订单自动排产方法、装置、电子设备及存储介质 | |
| CN115689207A (zh) | 风电场运维管理方法、装置、计算机设备和存储介质 | |
| US20110137693A1 (en) | Method and computer program product for maintenance and modernization backlogging | |
| Haddad et al. | Redistributed manufacturing of spare parts: an agent-based modelling approach | |
| CN114819652B (zh) | 一种基于区块链的固定资产智能管理方法及系统 | |
| CN115187117A (zh) | 一种基于部件结构树的订单分配系统及方法 | |
| Ikasari et al. | Supply Chain Performance Measurement using Hybrid SCOR Model and System Dynamics | |
| KR102013882B1 (ko) | 폴리머 생산 스케줄링 방법 및 스케줄링 장치 | |
| CN110472753A (zh) | 一种基于深度学习的设备设施单元评估方法及装置 | |
| CN110675112A (zh) | 一种基于供应链管理的电子商务系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180309 |
|
| WD01 | Invention patent application deemed withdrawn after publication |