CN107909205A - 一种基于年度定额的风电场备件的库存优化方法 - Google Patents
一种基于年度定额的风电场备件的库存优化方法 Download PDFInfo
- Publication number
- CN107909205A CN107909205A CN201711126227.0A CN201711126227A CN107909205A CN 107909205 A CN107909205 A CN 107909205A CN 201711126227 A CN201711126227 A CN 201711126227A CN 107909205 A CN107909205 A CN 107909205A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- power plant
- wind power
- component
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 title claims abstract description 11
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 12
- 230000035772 mutation Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于年度定额的风电场备件的库存优化方法，以年度定额的风电场备件库存模型为基础，计算剩余库存对应的各部件可用率及相应的风电场平均可用率，计算第i个部件的库存定额数增加1后的相应的风电场平均可用率；计算各部件库存定额数增加对风电场平均可用率的改善程度及相应的效费比；选择最大效费比对应的部件，计算其库存定额数增加1之后是否仍符合预算约束，如符合，更新风电场最优平均可用率及该部件的库存定额数，如不符合，去除最大效费比,若效费比为空集则结束计算。本发明的有益效果是能够使备件采购资金最大程度提高风电场的平均可用率。
Description
技术领域
本发明属于风电技术领域，涉及一种基于年度定额的风电场备件的库存优化方法。
背景技术
风电机组工作环境恶劣，各种故障频繁发生。当部件发生严重故障时，一般采用以备件更换故障部件的方式进行维修。此时，相应备件是实施维修所必需的物资，若风电场的备件库存中缺少所需备件，则必须等待备件到货后方可实施维修，风电机组停机时间将大大延长。因此，合理的备件库存可提高风电场的可用率，减少停机损失。
目前风电场的备品备件库存控制还处于较为初级的阶段，通常在年初根据运行人员经验确定本年度需购买的备件类型及数量并编制预算，待预算经上级部门审核通过后，进行采购。如年中出现备件短缺现象则进行紧急采购，以因应备件需求。
因备件数目为整数，所以备件库存优化控制问题是典型的离散优化问题，可通过遗传算法进行求解。遗传算法以优化目标作为适应度函数，将优化变量编码为基因，通过选择、交叉、变异运算对种群进行更新，末代种群中最优个体的基因值经过解码作为优化问题的解。
遗传算法的基本运算过程如下：
a)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。
b)个体评价：计算群体P(t)中各个个体的适应度。
c)选择运算：将选择算子作用于群体。选择的目的是把优化的个体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。
d)交叉运算：将交叉算子作用于群体。交叉算子将不同个体的基因值进行拼接形成新的个体。
e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
f)终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
现有方案完全依赖运行人员的经验，备件采购资金无法最大程度提高风电场的平均可用率。因此，我们采用概率方法在备件库存数量与风电场平均可用率之间建立了明确的数学关系；遗传算法可求解该问题，但因智能算法具有随机性，不一定能得到全局最优解；遗传算法通过迭代进行求解，其计算量较大，耗时较长。目前，风电场的备件库存通常由运行人员根据经验进行确定，经常出现备件长期闲置或备件短缺现象，导致备件采购所花费的资金并不能最大程度地提高风电场的可用率。
发明内容
本发明的目的在于提供一种基于年度定额的风电场备件的库存优化方法，解决了现有的风电场的备品备件库存控制效率低，备件采购资金无法最大程度提高风电场的平均可用率的问题。
本发明所采用的技术方案是按照以下步骤进行：
(1)设上一年度各部件的剩余库存为{Q1，Q2，Q3，......，Qm}，各部件的初始购买数量均为0，则Si＝Qi，Si为风电机组第i个部件的库存；
(2)以年度定额的风电场备件库存模型为基础，计算剩余库存对应的各部件可用率{A1(S1)，A2(S2)，......，Am(Sm)}及相应的风电场平均可用率SA0，令SAo＝SA0，SA0为上一年度剩余库存对应的风电场平均可用率，SAo为当前最优库存定额对应的风电场平均可用率；
(3)计算第i个部件的库存定额数增加1，其余部件的库存定额数不变时，第i个部件的可用率Ai(Si+1)，及相应的风电场平均可用率得到各部件采购量增加1之后的相应的风电场平均可用率{SAi}；
(4)计算各部件库存定额数增加对风电场平均可用率的改善程度{ΔSAi}，ΔSAi＝SAi-SAo，及相应的效费比{Bi}，Bi＝ΔSAi/pri，其中pri为部件i的单价；
(5)选择max{Bi}对应的部件，计算其库存定额数增加1之后是否仍符合预算约束，如符合，更新风电场最优平均可用率SAo＝SAi及该部件的库存定额数Si＝Si+1，并返回第(3)步；如不符合，则进行第(6)步；
(6)去除{Bi}中最大一项，若{Bi}为空集则结束计算，否则返回第(5)步。
进一步，年度定额的风电场备件库存模型如下，
则风电场的平均可用率为：
式中，SA为风电场的平均可用率，m为风电机组关键部件数，Si为风电机组第i个部件的库存，Ai(Si)为该部件的平均可用率，由下式计算得出：
式中，N为风电场的风电机组数，Tcycle为备件库存控制周期，取1年，分母为风电场全年全部风电机组最大运行时间之和，TMSi(Si)为风电场本年度由于部件i故障而造成的风电机组停机时间之和，为
式中，第一项为备件充足时的风电场总维修预期时间，仅包含故障维修耗时；第二项为备件短缺时的风电场总维修预期时间，包含故障维修耗时及备件耗尽后采购备件所需时间导致的停机时间；MTTRi为故障平均修复时间，TDi为备件紧急采购所需时间，Si为年度备件库存定额数，Pi(j)为在备件库存控制周期中第i个部件发生j次故障的概率，可通过二项分布计算，为
式中，F为单一部件在备件库存控制周期中发生故障的概率，为单一部件在备件库存控制周期中不发生故障的概率：
式中，λi为部件i的平均故障率；
当风力发电机组部件的故障率保持不变时，风电场备件库存数目越多风电场平均可用率越大，但由于风电场资金有限，存在预算约束：
式中Si，Qi，pri分别为部件i的年度定额数，上一年度库存剩余数及单价，C为风电场一年备品备件采购预算总额；
综上，基于年度定额的风电场备件库存优化模型如下：
本发明的有益效果是能够使备件采购资金最大程度提高风电场的平均可用率。
附图说明
图1是本发明基于效费比的寻优算法流程示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明基于年度定额的风电场备件的库存优化方法，首先得到基于年度定额的风电场备件库存模型，根据模型求取最优备件库存定额数量。其中基于年度定额的风电场备件库存模型如下：
由于风电机组为典型串联系统，考虑风电机组的m个关键部件，则风电场的平均可用率为：
式中，SA为风电场的平均可用率，m为风电机组关键部件数，Si为风电机组第i个部件的库存，Ai(Si)为该部件的平均可用率，由下式计算得出：
式中，N为风电场的风电机组数，Tcycle为备件库存控制周期，取1年，分母为风电场全年全部风电机组最大运行时间之和。TMSi(Si)为风电场本年度由于部件i故障而造成的风电机组停机时间之和，为
式中，第一项为备件充足时的风电场总维修预期时间，仅包含故障维修耗时；第二项为备件短缺时的风电场总维修预期时间，包含故障维修耗时及备件耗尽后采购备件所需时间导致的停机时间；MTTRi为故障平均修复时间，TDi为备件紧急采购所需时间，Si为年度备件库存定额数，Pi(j)为在备件库存控制周期中第i个部件发生j次故障的概率，可通过二项分布计算，为
式中，F为单一部件在备件库存控制周期中发生故障的概率，为单一部件在备件库存控制周期中不发生故障的概率：
式中，λi为部件i的平均故障率。
由上述模型可以看出，当风力发电机组部件的故障率保持不变时，风电场备件库存数目越多风电场平均可用率越大。但由于风电场资金有限，存在预算约束：
式中Si，Qi，pri分别为部件i的年度定额数，上一年度库存剩余数及单价，C为风电场一年备品备件采购预算总额。
综上，基于年度定额的风电场备件库存优化模型如下：
本发明提出基于效费比的贪婪算法求取最优备件定额数量，其算法流程图如图1所示，具体计算步骤如下：
(1)上一年度各部件的剩余库存为{Q1，Q2，Q3，......，Qm}，各部件的初始购买数量均为0，则Si＝Qi；
(2)计算剩余库存对应的各部件可用率{A1(S1)，A2(S2)，......，Am(Sm)}及相应的风电场平均可用率SA0，令SAo＝SA0(SA0为上一年度剩余库存对应的风电场平均可用率，SAo为当前最优库存定额对应的风电场平均可用率)；
(3)计算第i个部件的库存定额数增加1，其余部件的库存定额数不变时，第i个部件的可用率Ai(Si+1)，及相应的风电场平均可用率得到各部件采购量增加1之后的相应的风电场平均可用率{SAi}；
(4)计算各部件库存定额数增加对风电场平均可用率的改善程度{ΔSAi}，ΔSAi＝SAi-SAo，及相应的效费比{Bi}，Bi＝ΔSAi/pri，其中pri为部件i的单价；
(5)选择max{Bi}对应的部件，计算其库存定额数增加1之后是否仍符合预算约束。如符合，更新风电场最优平均可用率SAo＝SAi及该部件的库存定额数Si＝Si+1，并返回第(3)步；如不符合，则进行第(6)步。
(6)去除{Bi}中最大一项，若{Bi}为空集则结束计算，否则返回第(5)步。
具体实施例：
考虑风电机组的14个关键部件，分别编号为部件1-部件14，各部件参数如表1所示。
表1部件参数
风电场规模为200台风电机组，年度备件预算为200万，所有备件库存剩余量均为0，分别采用遗传算法与本专利提出的算法进行计算，优化结果如表2所示。
表2遗传算法与本专利算法的求解结果
本发明算法得出的最优解对应的风电场平均可用率为99.04％，计算耗时492.6秒；本专利算法得到的最优解对应的风电场平均可用率为99.09％，计算耗时0.17秒。本专利算法的计算耗时远远小于遗传算法，且寻优效果优于遗传算法。
本发明基于二项分布建立的备件库存量对风电场平均可用率影响的数学模型，通过基于效费比的寻优算法确定各部件的最优采购数量。本发明的优点还在于：备件库存数与风电场可用率间有明确的数学关系；本专利提出的寻优算法无随机性，每次计算均可收敛至最优点；本专利提出的寻优算法计算耗时短于遗传算法。
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (2)
1.一种基于年度定额的风电场备件的库存优化方法，其特征在于按照以下步骤进行：
(1)设上一年度各部件的剩余库存为{Q1，Q2，Q3，......，Qm}，各部件的初始购买数量均为0，则Si＝Qi，Si为风电机组第i个部件的库存；
(2)以年度定额的风电场备件库存模型为基础，计算剩余库存对应的各部件可用率{A1(S1)，A2(S2)，......，Am(Sm)}及相应的风电场平均可用率SA0，令SAo＝SA0，SA0为上一年度剩余库存对应的风电场平均可用率，SAo为当前最优库存定额对应的风电场平均可用率；
(3)计算第i个部件的库存定额数增加1，其余部件的库存定额数不变时，第i个部件的可用率Ai(Si+1)，及相应的风电场平均可用率得到各部件采购量增加1之后的相应的风电场平均可用率{SAi}；
(4)计算各部件库存定额数增加对风电场平均可用率的改善程度{ΔSAi}，ΔSAi＝SAi-SAo，及相应的效费比{Bi}，Bi＝ΔSAi/pri，其中pri为部件i的单价；
(5)选择max{Bi}对应的部件，计算其库存定额数增加1之后是否仍符合预算约束，如符合，更新风电场最优平均可用率SAo＝SAi及该部件的库存定额数Si＝Si+1，并返回第(3)步；如不符合，则进行第(6)步；
(6)去除{Bi}中最大一项，若{Bi}为空集则结束计算，否则返回第(5)步。
2.按照权利要求1所述一种基于年度定额的风电场备件的库存优化方法，其特征在于：所述年度定额的风电场备件库存模型如下，
则风电场的平均可用率为：
<mrow>
<mi>S</mi>
<mi>A</mi>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中，SA为风电场的平均可用率，m为风电机组关键部件数，Si为风电机组第i个部件的库存，Ai(Si)为该部件的平均可用率，由下式计算得出：
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>TMS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>NT</mi>
<mrow>
<mi>c</mi>
<mi>y</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，N为风电场的风电机组数，Tcycle为备件库存控制周期，取1年，分母为风电场全年全部风电机组最大运行时间之和，TMSi(Si)为风电场本年度由于部件i故障而造成的风电机组停机时间之和，为
<mrow>
<msub>
<mi>TMS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>j</mi>
<mo>*</mo>
<msub>
<mi>MTTR</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>TD</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>j</mi>
<mo>*</mo>
<msub>
<mi>MTTR</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
式中，第一项为备件充足时的风电场总维修预期时间，仅包含故障维修耗时；第二项为备件短缺时的风电场总维修预期时间，包含故障维修耗时及备件耗尽后采购备件所需时间导致的停机时间；MTTRi为故障平均修复时间，TDi为备件紧急采购所需时间，Si为年度备件库存定额数，Pi(j)为在备件库存控制周期中第i个部件发生j次故障的概率，可通过二项分布计算，为
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>N</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>j</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<msup>
<mi>F</mi>
<mi>j</mi>
</msup>
<msup>
<mover>
<mi>F</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
式中，F为单一部件在备件库存控制周期中发生故障的概率，为单一部件在备件库存控制周期中不发生故障的概率：
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mi>y</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mi>d</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mover>
<mi>F</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
</mrow>
式中，λi为部件i的平均故障率；
当风力发电机组部件的故障率保持不变时，风电场备件库存数目越多风电场平均可用率越大，但由于风电场资金有限，存在预算约束：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>pr</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>C</mi>
</mrow>
式中Si，Qi，pri分别为部件i的年度定额数，上一年度库存剩余数及单价，C为风电场一年备品备件采购预算总额；
综上，基于年度定额的风电场备件库存优化模型如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>max</mi>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>A</mi>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>pr</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>C</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711126227.0A CN107909205B (zh) | 2017-11-15 | 2017-11-15 | 一种基于年度定额的风电场备件的库存优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711126227.0A CN107909205B (zh) | 2017-11-15 | 2017-11-15 | 一种基于年度定额的风电场备件的库存优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107909205A true CN107909205A (zh) | 2018-04-13 |
| CN107909205B CN107909205B (zh) | 2021-11-30 |
Family
ID=61845528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711126227.0A Expired - Fee Related CN107909205B (zh) | 2017-11-15 | 2017-11-15 | 一种基于年度定额的风电场备件的库存优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909205B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101789039A (zh) * | 2010-01-26 | 2010-07-28 | 华北电力大学 | 继电保护设备可用率和最优检修周期的计算方法 |
| US20110035276A1 (en) * | 2009-08-05 | 2011-02-10 | Arpita Ghosh | Automatic Campaign Optimization for Online Advertising Using Return on Investment Metrics |
| CN104484716A (zh) * | 2014-11-27 | 2015-04-01 | 国家电网公司 | Erp系统的储备定额预测算法 |
| CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
| CN105608506A (zh) * | 2015-12-23 | 2016-05-25 | 中国人民解放军空军第一航空学院 | 基于边际效应分析的器材库存方案优化方法及系统 |
-
2017
- 2017-11-15 CN CN201711126227.0A patent/CN107909205B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110035276A1 (en) * | 2009-08-05 | 2011-02-10 | Arpita Ghosh | Automatic Campaign Optimization for Online Advertising Using Return on Investment Metrics |
| CN101789039A (zh) * | 2010-01-26 | 2010-07-28 | 华北电力大学 | 继电保护设备可用率和最优检修周期的计算方法 |
| CN104484716A (zh) * | 2014-11-27 | 2015-04-01 | 国家电网公司 | Erp系统的储备定额预测算法 |
| CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
| CN105608506A (zh) * | 2015-12-23 | 2016-05-25 | 中国人民解放军空军第一航空学院 | 基于边际效应分析的器材库存方案优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张圣等: "核电站战略备件储备优化及管理", 《中国设备工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107909205B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khaloie et al. | Coordinated wind-thermal-energy storage offering strategy in energy and spinning reserve markets using a multi-stage model | |
| Khaloie et al. | Risk-constrained self-scheduling of a hybrid power plant considering interval-based intraday demand response exchange market prices | |
| Oskouei et al. | Techno-economic and environmental assessment of the coordinated operation of regional grid-connected energy hubs considering high penetration of wind power | |
| Jeddi et al. | Robust optimization framework for dynamic distributed energy resources planning in distribution networks | |
| US8396572B2 (en) | System and method for energy plant optimization using mixed integer-linear programming | |
| Liu et al. | Security-constrained unit commitment with natural gas transmission constraints | |
| CN104616069B (zh) | 一种年度发电计划滚动分解优化方法 | |
| CN108876002B (zh) | 一种风力发电机组零部件备品备件库存优化方法 | |
| CN112149980A (zh) | 区域级综合能源系统能效分析方法及系统 | |
| CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
| CN106684915A (zh) | 一种风氢耦合发电系统的优化方法及装置 | |
| CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
| CN113779792B (zh) | 一种基于仿射的综合能源系统优化配置方法 | |
| CN105279707A (zh) | 一种综合考虑负荷与风电时序特性的随机生产模拟方法 | |
| CN112018775A (zh) | 考虑自然灾害下的气电联合系统配网网络加固方法 | |
| CN104751373A (zh) | 计及污染气体排放风险的环境经济调度方法 | |
| Wesseh Jr et al. | Electricity price modeling from the perspective of start-up costs: incorporating renewable resources in non-convex markets | |
| EP4143942A1 (en) | Power grid resource allocation | |
| CN112085352A (zh) | 一种灵活性热电厂日前市场分时报价优化方法及系统 | |
| CN107909205A (zh) | 一种基于年度定额的风电场备件的库存优化方法 | |
| CN106339777A (zh) | 一种发电机组检修计划优化的最小失负荷期望模型计算方法 | |
| CN116562432A (zh) | 面向新型电力系统规划的源网荷储协同规划方法及系统 | |
| CN115907394A (zh) | 计及奖惩碳排放和风光不确定性的综合能源系统调度方法 | |
| CN115115185A (zh) | 风氢耦合系统的制氢储氢容量配置方法 | |
| Pousinho et al. | Short-term optimal scheduling of a price-maker hydro producer in a pool-based day-ahead market |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |