CN109376872B - 一种海上风电机组维护系统 - Google Patents

Abstract

本发明涉及一种海上风电机组维护系统，包括数据输入模块，用于输入海上风电机组每个部件的实时状态数据；维护判断模块，基于实时状态数据，利用威布尔比例风险模型获取每个部件的风险度，并判断是否存在风险度超过对应的预防性维护阈值的部件；维护范围获取模块，在维护判断模块的判断结果为实时响应，利用基于Copula函数的机组多部件风险度模型获取部件之间所有排列组合的组合风险度，并以费效比最小的组合风险度对应的部件组合，作为风电机组维护的范围。与现有技术相比，本发明考虑实际运行中各部件故障相互关联和耦合的特性，可有效减小出海次数，维护范围确定更合理。

Description

一种海上风电机组维护系统

技术领域

本发明涉及海上风电机组预防性维护领域，尤其是涉及一种海上风电机组维护系统。

背景技术

我国海上风电发展迅速，在海上风电规模化发展的新形势下，现有存量和出质保风机的运维工作量将逐渐增大，风电场的高效运维难题日益凸显。海上风电机组维护受海上天气、备件供应等随机因素影响，风电机组有效维护时间短，维护成本占总成本15-20％。

目前的对于海上风电机组的维护主要分为定期维护和机会维护。定期维护是在一定间隔时间后，对所有的风电机组部件进行预防性的检修和维护，需要整个风电机组停止工作，维护时间长，成本高。机会维护是对每个部件进行监控，并在到达一定时间后或者监测到异常时进行出海维护，若定期维护维护间隔或状态维护阈值选取不合理，会导致维护成本增加。此外，海上风电机组是一个复杂系统，机组部件状态相互耦合，关联，若不考虑部件间关联性易造成一个部件刚维护好，另一个部件又需要维护，使得出海维护的次数激增，维护人员的多次往返造成大量的资源浪费。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种海上风电机组维护系统。

本发明的目的可以通过以下技术方案来实现：

一种海上风电机组维护系统，包括：

数据输入模块，用于输入海上风电机组每个部件的实时状态数据；

维护判断模块，基于实时状态数据，利用威布尔比例风险模型获取每个部件的风险度，并判断是否存在风险度超过对应的预防性维护阈值的部件；

维护范围获取模块，在维护判断模块的判断结果为实时响应，利用基于Copula函数的机组多部件风险度模型获取部件之间所有排列组合的组合风险度，并以费效比最小的组合风险度对应的部件组合，作为风电机组维护的范围。

进一步地，所述的风电机组的部件包括转子、主轴承、齿轮箱和发电机。

进一步地，所述的每个部件的实时数据包括温度和振幅。

进一步地，所述的威布尔比例风险模型为：

λ(t,Z(t))＝λ₀(t)exp(γ₁z₁(t)+γ₂z₂(t)··+γ_nz_n(t))

式中，λ(t,Z(t))为风险度，t为监测的时刻，Z(t)为t时刻监测到的部件实时数据，λ₀(t)为部件初始失效函数，γ_n为部件的回归系数，z_n(t)为t时刻每个部件的状态量。

进一步地，所述的基于Copula函数的机组多部件风险度模型为：

C_ij...n＝C[λ_i(t,Z_i(t)),λ_j(t,Z_j(t)),...,λ_n(t,Z_n(t))]

其中，C_ij…n表示部件i，部件j…部件n在t时刻风险度分别为λ₁(t,Z₁(t))，λ₂(t,Z₂(t))…λ_ν(t,Z_n(t))的概率，即部件i，j…n(i≠j…≠n)之间的联合风险度。

进一步地，所述的费效比通过费效比模型获得，所述的费效比模型为：

ΔC_i,j...n；a＝C_i,j...n；a--C_i,j...n；a+

其中，F_a为第a次的维护成本，ΔC_ij…n；a为维护对风电机组部件联合风险度的变化量，C_ij…n,a-为第a次维护前的联合风险度，C_ij…n,a+为第a次维护之后的联合风险度。

与现有技术相比，本发明具有以下优点：

1、传统的机会维护监控系统对每个部件独立监控，未考虑实际运行中各部件故障相互关联和耦合的特性，尤其在海上复杂的运维工况下，若忽略故障相关性，可能会导致维护间隔和维护范围不合理，从而增加维护成本，本发明在机组单部件需要进行预防性维护时，引入Copula函数描述多部件联合风险度，并且利用联合风险度的费效比重新确定机会维护的部件范围，有效减小了出海维护的次数，维护的部件对象也更合理，极大降低了维护的成本。

2、本发明根据海上风电机组各部件的实时数据，引入威布尔比例风险模型描述机组单部件风险度，并根据部件预防性维护阈值进行初步的维护判断，其监控方式稳定性高，反应灵敏，能及时地判断出需出海进行机会维护的时机。

附图说明

图1为本发明的结构示意图；

图2为维护前联合风险度对比示意图；

图3为维护后联合风险度对比示意图；

图4为不同天气状况维护次数对比的示意图；

图5为部件维护时间变化对成本的影响示意图；

图6为不同天气可及度下齿轮箱维护时间变化对维护成本的影响示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供了一种海上风电机组维护系统，包括数据输入模块，用于输入海上风电机组每个部件的实时状态数据，风电机组的部件包括转子、主轴承、齿轮箱和发电机等；维护判断模块，基于实时状态数据，利用威布尔比例风险模型获取每个部件的风险度，并判断是否存在风险度超过对应的预防性维护阈值的部件；维护范围获取模块，在维护判断模块的判断结果为实时响应，利用基于Copula函数的机组多部件风险度模型获取部件之间所有排列组合的组合风险度，并以费效比最小的组合风险度对应的部件组合，作为风电机组维护的范围。

其工作原理为：

首先，将各部件的实时状态数据经数据输入模块传输至维护判断模块。随着海上风电场数据采集与监视控制系统、风电场状态监测系统等风电场信息和系统的成熟和应用，使得海上风电机组的实时状态数据能够更容易的取得。

在维护判断模块中，风电机组部件比例风险模型为：

λ(t,Z(t))＝λ₀(t)exp(γ₁z₁(t)+γ₂z₂(t)··+γ_nz_n(t))

式中：λ₀(t)为部件初始失效函数；Z(t)为t时刻监测到的部件状态量，Z(t)＝[z₁(t)z₂₍t)z₃(t)…z_n(t)]，z₁(t)z₂(t)z₃(t)…z_n(t)分别表示t时刻部件的状态量。如温度，振幅等；γ_ι为回归系数，可通过极大似然函数等方法求取。若存在某个部件的风险度超过该部件对应的预防性维护阈值，则启动维护范围获取模块。

在维护范围获取模块中，设机组多部件风险度联合函数为C_ij…n,(i≠j…≠n)，结合各部件的风险度λ_ι(t,Z_i(t))，λ_j(t,Z_j(t))…λ_n(t,Z_n(t))，根据Copula理论，则存在一个Copula函数使得

C_ij...n＝C[λ_i(t,Z_i(t)),λ_j(t,Z_j(t)),...,λ_n(t,Z_n(t))]

其中，C_ij…n表示部件i，部件j…部件n在t时刻风险度分别为λ₁(t,Z₁(t))，λ₂(t,Z₂(t))…λ_ν(t,Z_n(t))的概率，即部件i，j…n(i≠j…≠n)之间的联合风险度。因此，当维护判断模块判断需要维护后，在当前时刻根据Copula函数求解出所有部件组合的联合风险度。

费效比ROI(Return on investment)定义为投入费用与产出效益的比值，取费效比最小的一组进行机会维护。在维护工程领域，一般将维护成本作为投入费用，维护对部件风险度的改善作为产出效益，然而却忽略了维护动作对联合风险度的影响。同时，由于联合风险度是多个部件风险度分别为λ₁(t,Z₁(t)),λ₂(t,Z₂(t))…λ_ν(t,Z_n(t))同时发生的概率，联合风险度包含了部件各自的风险度，又表示了多部件风险度耦合的关系。并且，部件维护后，初始失效函数会进行更新，此时再结合状态数据可求得维护后的部件风险度。因此，本发明将第a次维护成本F_a作为投入费用，维护对风电机组部件联合风险度的变化量ΔC_ij…n；a作为产出效益，则费效比为：

ΔC_i,j...n；a＝C_i,j...n；a--C_i,j...n；a+

第a次维护前，联合风险度为C_ij…n,a-,(i≠j…≠n)，第a次维护之后，部件i,j…n风险度分别为λ_ι，α+，λ_j，α+，...λ_ν，α+。联合风险度可根据部件风险度通过Copula函数求得为C_ij…n,a+,(i≠j…≠n)。最后得到费效比最小的组合风险度对应的部件组合，作为风电机组维护的范围。

维护成本的计算：

传统机会维护系统安排的维护方式假设部件故障相互独立，未考虑故障间的相关性以及部件维护之后联合风险度的降低所带来的成本降低，在海上有限的维护条件情况下，会导致维护范围不尽合理，造成频繁出海，维护成本增加。本发明采用部件联合风险度C_ij…n；a,(i≠j…≠n)描述部件的故障相关性，以全寿命周期内，维护成本F_total最低作为机会维护策略的目标函数，整体上优化了维护范围和维护次数。目标函数的表达式为：

其中，包括第a次维护本身成本F_am，人员成本F_atech，船只成本F_avess，停机损失F_aloss，其最优解即为全寿命时间内所有的维护时刻，维护次数以及维护成本。

1)维护本身所需的费用F_am

维护本身所需的费用F_am包括部件预防性维护费用与机会维护费用。

式中：ζ_ia为维护来源标识因子，第a次维护时，若部件i最先达到预防性维护阈值为1，即机会来源，其余为零；γ_ia为机会维护标识因子，第a次维护，若部件i进行机会维护为1，反之为零。F_imp为部件i维护费用。

2)运维人员费用F_atech

运维人员费用由基本工资F_0tech和奖金(t_as F_htech)构成，t_as为第a次维护所需时间，多组维护任务可同时进行，取维护时间最长的那组，F_htech为维护人员单位时间费用。在一次维护多个部件时，需增加相应的运维人员数，且部件i维护作业至少N_i人一组。

3)船只费用C_avess

海上风电机组维护所需船只视具体维护内容决定，对任意部件的不完全维护仅需普通船只即可；大型部件的预防性更换则需要吊装船只。引入船只类型标识因子σ,第a次维护为不完全维护需要普通船只，σ_a＝1；第a次维护为预防性更换，需要吊装船只，σ_a＝0。则船只费用如下所示：

式中：F_v1为普通船只单位时间费用；F_v2为吊装船只单位时间费用；t_ad为第a次维护停机时间。

4)维护停机损失F_aloss

F_aloss＝F_wt_ad

式中：F_w位单位时间停机损失；t_ad由维护时间t_as与天气等待时间t_aw组成，t_aw为第a次维护天气等待时间，可通过统计季节可及率和容量因子，根据维护时刻所在季节确定天气等待时间。

海上风速具有明显的季节性特征，不同风速下维护造成单位时间的停机损失也不同，故引入容量因子v_factor描述不同风速下的单位时间停机损失F_w：

F_w＝v_factorF₀

式中：F₀为机组额定状态下单位时间停机损失，以海上风电机组的上网电价与机组额定容量的乘积进行折算。容量因子v_factor取相应时间段内t_p实际发了与额定发电量的比值，采用线性模型拟合实际发电功率P_out与实时风速的关系。

式中：v为风电机组轮毂处的风速；P_N为风电机组的额定功率；v_ci，v_N，v_co分别为切入风速、额定风速和切出风速；m＝P_N/(v_N-v_ci)；n＝-k₁v_ci。

计算成本的约束条件为：

a风险度

机组部件需要满足无故障运行的可靠性要求，部件i(1,2,…n)风险度不得高于规定的数值：

λ_i(t,Z_i(t))≤λ_ihigh

b维护人员

单次维护人员总数p_k不得超过船只额定载重人数p_v：

p_k≤p_v

以某海上风电场3MW机组为例，选取风电机组的转子、主轴承、齿轮箱、发电机四个部件，不完全维护相关的参数如表1所示：

表1维护相关参数

β^(ι)和θ^(ι)表示部件初始失效函数里的两个参数，分别为尺度参数以及形状参数。普通服务船租赁费用为F_v1＝2000元/h，维护过程中维护人员费用取F_0tech＝100元/h，F_htech＝300元/h；海上风电机组上网电价F₀＝0.8元/kwh；转子、主轴承、齿轮箱和发电机不完全维护所需的时间分别为2h，2h，4h，3h；η＝0.7；风机额定功率P_N＝3MW，切入风速v_ci＝3m/s，切出风速v_co＝25m/s，额定风速v_N＝12m/s，运行周期T＝20年。结合该海上风电场的风速情况，统计得到春、夏、秋、冬四季的可及率和容量因子，见表2。天气可及度与维护等待时间见表3。各部件的回归系数见表4。

表2天气参数

表3天气可及度与维护等待时间

表4部件回归系数

根据实时状态数据，引入威布尔比例风险模型描述机组单部件风险度，根据部件预防性维护阈值确定维护时刻，具体为根据主轴承，齿轮箱以及发动机状态数据，通过极大似然估计可求得机组部件协变量参数解。

然后，在机组单部件需要进行预防性维护时，采用Copula函数描述多部件联合风险度，通过考虑联合风险度的费效比确定单次机会维护范围，具体为根据上述取得的威布尔比例风险模型的风险度，结合部件预防性维护风险度阈值，并且通过求解维护成本的目标函数，全寿命周期内单次维护范围如表5所示。

表5单次维护范围

其中PM表示预防性维护，OM表示机会维护。选取本发明和现有技术两个方案进行对比分析：方案一：不考虑部件相关性的传统海上机会维护；方案二：考虑部件相关性的海上机会维护。

过表6可以看出，总维护次数方案二比方案一少43次，即减少了43次出海次数，可节省因出海造成的船只、人员、停机损失等成本。与方案一相比，考虑故障相关性的机会维护可共节约维护成本267万元，节约费用占总维护费用的19.7％。方案二各部件在整个寿命周期内的维护后的平均风险度也低于方案一的平均风险度。可见考虑故障相关性的机会维护策略可以减少不同部件故障而频繁出海维护次数，降低部件故障风险，达到节约维护成本的目的。

表6风电机组维护费用和次数对比

(1)联合风险度对比

现有技术通过固定的维护阈值确定维护范围，忽略了部件故障相互影响的动态过程，导致维护范围确定不合理。联合风险度通过部件各自风险度信息表示部件间共同的状态，因此通过联合风险度可用于表征部件在维护前后的动态过程。维护前，维护组合联合风险度高说明该维护组合当前状态较差，易出现故障，需要进行维护；而在维护后，维护组合联合风险度低说明在维护过后，维护组合状态有所恢复。两个方案单次维护前后部件联合风险度变化情况如图2，图3。维护前，方案一所确定的维护部件平均联合风险度为0.031，而方案二维护联合风险度为0.033，即本发明比现有技术的维护范围更合理；维护后，方案一所确定的维护部件平均联合风险度为0.029，而方案二维护联合风险度为0.027，即本发明的维护效果也更好。

(2)天气可及度

天气可及性是影响海上风电机组维护的因素之一，不同天气可及度下维护次数曲线如图4。从图4可以看出，本发明平均维护次数较传统机会维护策略少23次，平均维护成本减少15.3％。在可及度小于0.5的情况下，考虑故障相关性的机会维护策略平均维护次数较传统机会维护少29次，节约成本19.8％。

表7平均联合风险度差值与维护成本的降低

从表7可以看出，随着天气可及度的降低，方案二与方案一平均联合风险度的差值逐渐增大，维护成本降低幅度增大。当天气可及度小于0.5时，平均联合风险度对维护成本影响较大，因此考虑故障相关性的机会维护策略对于天气可及性较差的风电场的维护优化更有优势。实际维护过程中，若需在天气状况较差时出海维护，不仅应注重机会维护，还要结合机组部件状态数据，注意维护范围的确定。

(3)维护时间

风电机组部件会有不同的维护动作，而不同维护动作对应的维护时间也不尽相同。当维护时间发生变化后对维护成本的影响见图5。从图5可以看出，不同部件维护时间的变化对维护成本的影响程度也不尽相同。维护成本对齿轮箱维护时间的变化最为敏感，其次依次为主轴承，发电机以及转子。

齿轮箱是风电机组中故障率较高的部件之一，需经常对其进行维护保养。常见的维护动作有：添加齿轮箱油，清理塔桶杂物，改造油位计，安装中心支架，对应的维护时间分别是2.5h，3h，3.5h，4h。不同天气可及度

下，齿轮箱维护时间变化对维护成本的影响如图6所示。

从图6可以看出，在天气可及度较低时，齿轮箱维护时间减小，成本下降幅度增大。在对齿轮箱的预防性维护过程中，齿轮箱维护动作类型较多，当天气状况较差时，应选择维护时间较少的维护动作对齿轮箱进行预防性维护。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种海上风电机组维护系统，其特征在于，包括：

数据输入模块，用于输入海上风电机组每个部件的实时状态数据；

维护判断模块，基于实时状态数据，利用威布尔比例风险模型获取每个部件的风险度，并判断是否存在风险度超过对应的预防性维护阈值的部件；

维护范围获取模块，在维护判断模块的判断结果为实时响应，利用基于Copula函数的机组多部件风险度模型获取部件之间所有排列组合的组合风险度，并以费效比最小的组合风险度对应的部件组合，作为风电机组维护的范围；

所述的威布尔比例风险模型为：

λ(t,Z(t))＝λ₀(t)exp(γ₁z₁(t)+γ₂z₂(t)··+γ_nz_n(t))

式中，λ(t,Z(t))为风险度，t为监测的时刻，Z(t)为t时刻监测到的部件实时数据，λ₀(t)为部件初始失效函数，γ_n为部件的回归系数，z_n(t)为t时刻每个部件的状态量，n表示部件的标号；

所述的基于Copula函数的机组多部件风险度模型为：

C_ij...n＝C[λ_i(t,Z_i(t)),λ_j(t,Z_j(t)),...,λ_n(t,Z_n(t))]

其中，C_ij…n表示部件i，部件j…部件n在t时刻风险度分别为λ₁(t,Z₁(t))，λ₂(t,Z₂(t))…λ_n(t,Z_n(t))的概率，即部件i，j…n(i≠j…≠n)之间的联合风险度。

2.根据权利要求1所述的海上风电机组维护系统，其特征在于，所述的风电机组的部件包括转子、主轴承、齿轮箱和发电机。

3.根据权利要求1所述的海上风电机组维护系统，其特征在于，所述的每个部件的实时数据包括温度和振幅。

4.根据权利要求1所述的海上风电机组维护系统的控制方法，其特征在于，所述的费效比通过费效比模型获得，所述的费效比模型为：

ΔC_i,j...n；a＝C_i,j...n；a--C_i,j...n；a+

其中，F_a为第a次的维护成本，ΔC_ij…n；a为维护对风电机组部件联合风险度的变化量，C_ij…n,a-为第a次维护前的联合风险度，C_ij…n,a+为第a次维护之后的联合风险度。

Images