CN113222286B - 设备检修策略优化方法及装置、存储介质 - Google Patents
设备检修策略优化方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113222286B CN113222286B CN202110607514.3A CN202110607514A CN113222286B CN 113222286 B CN113222286 B CN 113222286B CN 202110607514 A CN202110607514 A CN 202110607514A CN 113222286 B CN113222286 B CN 113222286B
- Authority
- CN
- China
- Prior art keywords
- equipment
- age
- overhaul
- maintenance
- model
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 170
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006978 adaptation Effects 0.000 description 11
- 230000035772 mutation Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012954 risk control 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备检修策略优化方法及装置、存储介质,其中方法包括:构建检修设备的生命周期风险图、故障率模型和运维成本模型、检修策略优化模型,采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案。实现设备检修可以综合考虑前序检修策略对设备故障率和系统风险的动态影响,优化风险与成本关系,提供了最佳检修策略。
Description
技术领域
本发明涉及设备检修技术领域,尤其涉及一种基于生命周期风险图的设备检修策略优化方法及装置、存储介质。
背景技术
我国电网设备检修经历了事后检修、定期检修和状态检修三个阶段。事后检修,是最早期的检修方式,即在设备故障后对设备进行修理或更换,但随着设备之间的相互影响越来越大,事后检修的局限性逐渐突出。定期检修,是以一定的时间间隔进行检修,主要依赖于设备自身参数和维修人员的维修经验,易出现“失修”或“过修”的情况,经济性与可靠性得不到保证。状态检修,是依赖状态检测与诊断技术,从设备运行状态出发制定检修计划的检修方式,克服了传统检修方式的局限性与盲目性,最大限度地保障系统的稳定性和科学性,适应电网发展趋势。
状态检修主要分为三类:第一类是基于全寿命周期成本的检修,该检修决策是从设备整个寿命周期出发,在保证可靠性的同时,追求全寿命周期成本LCC最小的一种理念和方法;第二类是以可靠性为中心的检修,该检修决策优先考虑设备的可靠性,使其尽量保持规定功能运行;第三类是基于风险的检修,该检修策略是基于设备故障模式及故障后果做出的决策,能有效地量化设备故障对系统可靠性的影响,充分考虑风险、效益与可靠性之间的平衡关系。可以有效降低设备故障率、减少运维成本、提高运行可靠性。
以上可见,基于全寿命周期成本的检修关注的焦点在于成本最优,但忽略了可靠性;而以可靠性为中心的检修虽然在一定程度上保证了设备的可靠性,但忽视了设备故障对系统的影响;基于风险的检修虽然综合考虑了经济性与可靠性,在设备和系统两个维度进行了优化,有效地量化了设备故障对可靠性的影响,使得决策结果更加准确、科学,但是,基于风险的检修却未考虑前序检修策略对设备故障率和系统风险的动态影响。
发明内容
为此,本发明所要解决的技术问题是:提供一种设备检修策略优化方法及装置、存储介质,实现设备检修可以综合考虑前序检修策略对设备故障率和系统风险的动态影响,优化风险与成本关系,提供最佳检修策略。
于是,本发明提供了一种基于生命周期风险图的设备检修策略优化方法,包括:
构建检修设备的生命周期风险图;
基于所构建的生命周期风险图,建立计及检修影响的故障率模型和运维成本模型;
基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型;
采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案。
其中,所述构建检修设备的生命周期风险图,包括:
构建坐标系,横轴为设备年龄,纵轴为基于设备故障的系统停电风险;
在横轴上确定设备的经济寿命,在纵轴上确定可接受风险水平,并以此为边界将坐标系划分为理想区域、设备退役区域、不可接受风险区域。
所述基于设备故障的系统停电风险表示为EENS,EENS=ENS·λ,ENS为设备故障期间的缺供电量,单位是MW min,λ为设备的故障率。
所述建立计及检修影响的故障率模型和运维成本模型,包括:
建立故障率模型,以设备的实际年龄、状态年龄、检修成本和故障率构建相关函数:
CAge=Age-g1(CM)
λ=g2(CAge)
其中,Age为设备的实际年龄;CAge为设备的状态年龄;CM为每次的检修成本;g1()函数表示通过检修降低的状态年龄;g2()函数表示在状态年龄下的故障率,λ为设备的故障率。
建立运维成本模型,以设备的状态年龄、累计运维成本和状态年龄下的运维成本构建相关函数:
其中,CAgej为设备实际年龄第j年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
其中,所述基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型,包括:
以设备寿命周期成本的年平均值最小为优化目标,以设备寿命周期内的检修次数和检修时间为优化变量,以可接受风险水平为约束条件,建立相关函数为:
Min AAC=(CIN+CO+n·CM)/Age
其中,AAC为生命周期成本的年平均值,Age为设备的实际年龄,n为检修次数,CIN为初始投资成本,CO为累计运维成本,CM为每次的检修成本。
建立约束条件函数:
EENSEL=ENS·g2(CAgeEL)<EENSref
其中,表示第i次检修时间OH对应的状态年龄;AgeOHi表示设备在第i次检修时的实际年龄;CAgemin表示检修后设备的最低状态年龄;g1()函数表示通过检修降低的状态年龄;EENSOHi、EENSEL分别表示在第i次检修时、经济寿命时的系统停电风险;EENSref表示可接受的风险水平;g2()函数表示在状态年龄下的故障率;ENS为设备故障期间的缺供电量。
并将累计运维成本CO设为状态年龄的函数:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
所述采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案:
考虑到配电设备大修次数不可能很多,针对次数的优化采用在约束范围内的枚举(最大检修次数N=10)。针对每次枚举次数,采用遗传算法优化检修时间,获得全局最优解,步骤包括:
生成初始种群:设置当前迭代次数k=0,种群的总迭代次数L,检修次数为n,种群个体数为M,基因编码采用二进制;适应值计算:根据公式AAC=(CIN+CO+n·CM)/Age计算种群中各个体的适应值;选择操作:按照适应值大小对种群的个体进行排序,通过给定的固定步长选择相应个体进行后续交叉操作;交叉操作:依据交叉概率pk,采用多点交叉获得新的个体;变异操作:依据变异率pm,采用均匀变异法对种群进行变异操作获得新的个体;更新种群:针对交叉和变异产生的个体计算各自适应值,并将其与原种群合并、排序,生成下一代种群;迭代终止判定:若得到的最优适应值在经过L代后未发生变化,则迭代结束,否则令k=k+1返回继续循环。
根据上述的基于生命周期风险图的设备检修策略优化方法,本发明还提供了一种基于生命周期风险图的设备检修策略优化装置,包括检修故障率模型、运维成本模型和检修策略优化模型,检修故障率模型和运维成本模型基于检修设备的生命周期风险图构建,检修策略优化模型基于所述故障率模型和运维成本模型构建,并设立有优化目标、优化变量以及约束条件,当采用遗传算法对检修策略优化模型进行求解时,执行上述任意一项所述的优化方法。
根据上述的基于生命周期风险图的设备检修策略优化方法,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任意一项所述的优化方法。
本发明所述设备检修策略优化方法及装置、存储介质,通过构建检修设备的生命周期风险图、故障率模型、运维成本模型和检修策略优化模型的方式,采用遗传算法在对检修策略优化模型进行求解时可以确定检修设备在其寿命周期内的最佳检修方案。实现设备检修可以综合考虑前序检修策略对设备故障率和系统风险的动态影响,优化风险与成本关系,提供了最佳检修策略。
附图说明
图1为本发明实施例所述基于生命周期风险图的设备检修策略优化方法的流程示意图;
图2为本发明实施例所述构建的设备生命周期风险图的示意图;
图3为本发明实施例所述故障率和状态年龄关系图;
图4为本发明实施例所述运维成本和状态年龄关系图;
图5为本发明实施例所述设备实际年龄、状态年龄与检修关系图。
具体实施方式
下面,结合附图对本发明进行详细描述。
如图1所示,本实施例提供了一种基于生命周期风险图的设备检修策略优化方法,包括:
步骤S1,构建检修设备的生命周期风险图,即构建检修策略引起风险和寿命变化的时序动态模型。
步骤S2,基于所构建的生命周期风险图,建立计及检修影响的故障率模型和运维成本模型;
检修不仅能降低设备故障率和系统风险,同时能减少后期的运维成本,因此,在制定检修策略时应充分考虑前序检修策略对故障率和运维成本的时序动态影响,建立计及检修影响的故障率模型和运维成本模型。
步骤S3,基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型。
步骤S4,采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案。
其中,步骤S1中,所述构建检修设备的生命周期风险图,包括:
1)构成要素:
如图2所示,构建坐标系,横轴表示设备的年龄,包含其经济寿命。经济寿命定义为设备生命周期成本的年平均值最小年度的使用年限,其通常小于物理寿命。当设备役龄超过经济寿命时,认为设备即将退役。
纵轴表示设备故障引起的系统停电风险,以EENS作为量化指标。EENS的计算公式如下:
EENS=ENS·λ
其中,ENS为设备故障期间的缺供电量,计量单位为MW min;λ为设备的故障率。
为指导风险的控制,图2中给出了可接受风险水平。当系统风险值大于可接受风险水平时,表示可靠性水平过低,不满足运行要求。
因此,经济寿命和可接受风险水平分别作为横轴与纵轴的边界,将整个区域分为三部分,即理想区域、设备退役区域、不可接受风险区域。
2)表征含义:
生命周期风险图将风险与成本结合在一张图上进行评估,展现了在不同检修策略下设备故障风险的演变情况,随着设备老化,风险会逐渐升高,但检修能降低设备故障率,进而会降低系统风险,具体的状态曲线如下图所示。基于生命周期风险图,优化风险与成本之间的关系,即可转变为优化图中设备的状态曲线轨迹,以寻找最佳检修策略。
步骤S2中,所述建立计及检修影响的故障率模型和运维成本模型,具体如下:
检修不仅能降低设备故障率和系统风险,同时能减少后期的运维成本,因此,在制定检修策略时应充分考虑前序检修策略对故障率和运维成本的时序动态影响,需要建立计及检修影响的故障率模型和运维成本模型:
1)计及检修影响的设备故障率建模:
检修可以改善设备的性能,降低设备故障发生的概率,为描述检修对设备性能的修复效果,引入状态年龄的概念,设备状态年龄和实际年龄的转换关系详见附图说明。检修对故障率的降低即可表现为状态年龄的回退。
如图3所示,由于检修技术等因素的影响,每次的检修效果不一定完全相同,因此可将状态年龄的回退建模为检修成本相关的函数,将故障率建模为状态年龄的函数:
CAge=Age-g1(CM)
λ=g2(CAge)
其中,Age为设备的实际年龄;CAge为设备的状态年龄;CM为每次的检修成本;g1()函数表示通过检修降低的状态年龄;g2()函数表示在状态年龄下的故障率,λ为设备的故障率。
2)建立计及检修影响的运维成本建模:
如图4所示,检修会使运维成本回到较低的水平,进而降低设备的全寿命周期成本。同理,检修对运维成本的降低也可表现为状态年龄的回退。
将运维成本建模为状态年龄的函数:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
步骤S3中,所述基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型,具体为:
以设备全寿命周期成本的年平均值最小为优化目标,以设备寿命周期内的检修次数和检修时间(检修类型为大修)为优化变量,以可接受风险水平为约束建立检修策略的优化模型:
1)目标函数:
以设备寿命周期成本的年平均值最小为优化目标,以设备寿命周期内的检修次数和检修时间为优化变量,以可接受风险水平为约束条件,建立相关函数为:
Min AAC=(CIN+CO+n·CM)/Age
其中,AAC为生命周期成本的年平均值,Age为设备的实际年龄,n为检修次数,CIN为初始投资成本,CO为累计运维成本,CM为每次的检修成本。
各类成本的计算公式如下:
a)初始投资成本CIN:在正式投运前所要支付的一次性成本,包括投资、设计、建设、购买、安装等成本,转化为等年值成本为:
其中,r为贴现率,T为设备当前服役年龄。
b)运维成本CO:运行期间所产生的所有费用的总和,包括能耗费用、人工费用、环境费用、维护保养费用及其他费用。
c)检修成本CM:包括周期性大修费用、周期性小修费用。
2)约束条件:
由于检修对设备性能恢复的影响程度有限,因此需要对检修后设备的状态年龄设备下限值进行约束,公式如下:
其中,表示第i次检修时间OH对应的状态年龄;AgeOHi表示设备在第i次检修时的实际年龄;CAgemin表示检修后设备的最低状态年龄;g1()函数表示通过检修降低的状态年龄;
为保证设备在其整个寿命周期内运行时,系统风险均在可接受风险水平之内,需要对风险指标设置约束。根据上述描述及图2所示的设备状态轨迹的变化趋势,只需在检修时刻和经济寿命处设置风险约束即可,公式如下:
EENSEL=ENS·g2(CAgeEL)<EENSref
其中,EENSOHi、EENSEL分别表示在第i次检修时、经济寿命时的期望缺供电量;EENSref表示可接受风险水平;g2()函数表示在状态年龄下的故障率;ENS为设备故障期间的缺供电量;表示第i次检修时间OH对应的状态年龄。
如图5所示,由于检修会使设备故障率降低,进而影响运维成本,因此,在本方法中将累计运维成本CO设为状态年龄的函数,公式如下:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
步骤S4中,所述采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案,包括:
输入网络数据及相关参数:所述参数既包括遗传算法所需的相关参数,还包括优化函数及约束条件中出现的参数。本实施例中将设备的最低状态年龄CAgemin取为10年;根据历史数据统计,检修对运维成本的影响程度可建模为正比例线性函数,即g3(CAge)=β*CAge,β为运维成本变化率,取为0.01;可接受的风险水平EENSref取为80。
考虑到配电设备大修次数不可能很多,针对次数的优化采用在约束范围内的枚举(最大检修次数N=10)。针对每次枚举次数,采用遗传算法优化检修时间,获得全局最优解,具体步骤为:
a)初始化种群。例如,设置迭代次数k=0,检修次数为n,种群的迭代次数L=100;设置种群数M=20,基因编码采用二进制,1表示检修,0表示不检修,0和1组成的数字串代表检修策略;染色体编码如{0010010100},表示设备在10年服役期间,共进行了3次检修,分别在第3、6、8年。
b)适应值计算。把公式AAC=(CIN+CO+CM)/Age作为适应度函数,计算种群中各个个体的适应值。
c)选择操作。按照适应值大小对种群的个体进行排序,通过给定的固定步长选择相应个体进行后续交叉操作。
d)交叉操作。为了加快寻优速度,交叉概率pk取为0.8,同时将传统的单点交叉改为多点交叉。
e)变异操作。采用均匀变异法对种群进行变异操作,变异率pm取为0.15。
f)种群更新。针对步骤d)和步骤e)生成的个体计算各自的适应值,与原种群合并、排序,生成下一代种群。
g)迭代终止判定。若达到收敛条件,则得到在某规定的检修次数下,经济寿命最优时的检修策略;否则,k=k+1返回步骤b)。
本实施例中,全寿命周期成本(Life Cycle Cost,简称LCC),也被称为全寿命周期费用。它是指产品在有效使用期间所发生的与该产品有关的所有成本,它包括产品设计成本、制造成本、采购成本、使用成本、维修保养成本、退役处置成本等。
故障率,是指工作到某一时刻t尚未失效的设备,在该时刻后,单位时间内发生失效的概率。典型的故障率分布曲线呈浴盆形状,称为浴盆曲线,分为三个阶段:早期失效期、偶然失效前期和耗损失效期。
期望缺供电量(Expected Energy Not Served,EENS)的定义为,系统在给定时间范围内因发电容量不足或电网约束造成负荷需求电量削减的期望值。
遗传算法,是模仿自然界生物进化机制发展起来的随机全局搜索最优解的方法,该方法对决策变量进行合适的编码构造相应染色体,并在迭代过程中通过选择、交叉、变异等操作修改染色体变量以改善适应值,具有较好的群体搜索特性及较低的局部收敛性。
因此,在本实施例中,针对背景技术中所述的现有技术的不足,本实施例考虑检修策略对设备故障率和系统经济风险的动态影响,提出了生命周期风险图的概念,该图表征了一定检修策略支撑下系统风险随设备老化的变化趋势、刻画了经济寿命和可接受风险区间。在此基础上,建立了检修成本影响状态年龄、故障率和运维成本的函数关系,并以包括投资、运维和检修的全寿命周期成本平均值最小为目标,以可接受风险水平为约束,建立了检修次数和检修时间的优化决策模型,采用枚举和遗传算法联合进行模型求解。本实施例所述优化方法即保证了设备和系统的安全可靠运行,又能满足经济性最优,有效提高了设备利用率,降低了企业的运维成本。
此外,本发明实施例中,基于上述设备检修策略优化方法,还提供了一种基于生命周期风险图的设备检修策略优化装置,该装置包括:检修故障率模型、运维成本模型和检修策略优化模型,检修故障率模型和运维成本模型基于检修设备的生命周期风险图构建,检修策略优化模型基于所述故障率模型和运维成本模型构建,并设立有优化目标、优化变量以及约束条件,当采用遗传算法对检修策略优化模型进行求解时,执行上述任意一项所述的优化方法。
根据上述的基于生命周期风险图的设备检修策略优化方法,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任意一项所述的优化方法。
综上所述,本发明实施例所述设备检修策略优化方法及装置、存储介质,通过构建检修设备的生命周期风险图、故障率模型、运维成本模型和检修策略优化模型的方式,采用遗传算法在对检修策略优化模型进行求解时可以确定检修设备在其寿命周期内的最佳检修方案。实现设备检修可以综合考虑前序检修策略对设备故障率和系统风险的动态影响,优化风险与成本关系,提供了最佳检修策略。
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、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于生命周期风险图的设备检修策略优化方法,其特征在于,包括:
构建检修设备的生命周期风险图;
基于所构建的生命周期风险图,建立计及检修影响的故障率模型和运维成本模型;
基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型;
采用遗传算法对检修策略优化模型进行求解,确定检修设备在其寿命周期内的最佳检修方案;
所述构建检修设备的生命周期风险图,包括:
构建坐标系,横轴为设备年龄,纵轴为基于设备故障的系统停电风险;
以经济寿命和可接受风险水平分别作为横轴与纵轴的边界,将坐标系划分为理想区域、设备退役区域、不可接受风险区域;当设备役龄超过经济寿命时,认为设备即将退役;
当系统风险值大于可接受风险水平时,表示可靠性水平过低,不满足运行要求;
所述基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型,包括:
以设备寿命周期成本的年平均值最小为优化目标,以设备寿命周期内的检修次数和检修时间为优化变量,以可接受风险水平为约束条件,建立相关函数为:
Min AAC=(CIN+CO+n·CM)/Age
其中,AAC为生命周期成本的年平均值,Age为设备的实际年龄,n为检修次数,CIN为初始投资成本,CO为累计运维成本,CM为每次的检修成本;
建立约束条件函数:
EENSEL=ENS·g2(CAgeEL)<EENSref
其中,表示第i次检修时间OH对应的状态年龄;AgeOHi表示设备在第i次检修时的实际年龄;CAgemin表示检修后设备的最低状态年龄;g1()函数表示通过检修降低的状态年龄;EENSOHi、EENSEL分别表示在第i次检修时、经济寿命时的系统停电风险;EENSref表示可接受的风险水平;g2()函数表示在状态年龄下的故障率;ENS为设备故障期间的缺供电量;
并将累计运维成本CO设为状态年龄的函数:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
2.根据权利要求1所述的优化方法,其特征在于,所述基于设备故障的系统停电风险表示为EENS,EENS=ENS·λ,ENS为设备故障期间的缺供电量,单位是MW min,λ为设备的故障率。
3.根据权利要求1所述的优化方法,其特征在于,所述建立计及检修影响的故障率模型和运维成本模型,包括:
建立故障率模型,以设备的实际年龄、状态年龄、检修成本和故障率构建相关函数,
CAge=Age-g1(CM)
λ=g2(CAge)
其中,Age为设备的实际年龄;CAge为设备的状态年龄;CM为每次的检修成本;g1()函数表示通过检修降低的状态年龄;g2()函数表示在状态年龄下的故障率,λ为设备的故障率,
建立运维成本模型,以设备的状态年龄、累计运维成本和状态年龄下的运维成本构建相关函数:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
4.一种基于生命周期风险图的设备检修策略优化装置,其特征在于,包括检修故障率模型、运维成本模型和检修策略优化模型,检修故障率模型和运维成本模型基于检修设备的生命周期风险图构建,检修策略优化模型基于所述故障率模型和运维成本模型构建,并设立有优化目标、优化变量以及约束条件,当对设备的检修策略进行优化时,执行如权利要求2至3任意一项所述的优化方法;所述构建检修设备的生命周期风险图,包括:
构建坐标系,横轴为设备年龄,纵轴为基于设备故障的系统停电风险;
以经济寿命和可接受风险水平分别作为横轴与纵轴的边界,将坐标系划分为理想区域、设备退役区域、不可接受风险区域;当设备役龄超过经济寿命时,认为设备即将退役;
当系统风险值大于可接受风险水平时,表示可靠性水平过低,不满足运行要求;
所述基于所构建的故障率模型和运维成本模型,设立优化目标、优化变量以及约束条件,建立检修策略优化模型,包括:
以设备寿命周期成本的年平均值最小为优化目标,以设备寿命周期内的检修次数和检修时间为优化变量,以可接受风险水平为约束条件,建立相关函数为:
Min AAC=(CIN+CO+n·CM)/Age
其中,AAC为生命周期成本的年平均值,Age为设备的实际年龄,n为检修次数,CIN为初始投资成本,CO为累计运维成本,CM为每次的检修成本;
建立约束条件函数:
EENSEL=ENS·g2(CAgeEL)<EENSref
其中,表示第i次检修时间OH对应的状态年龄;AgeOHi表示设备在第i次检修时的实际年龄;CAgemin表示检修后设备的最低状态年龄;g1()函数表示通过检修降低的状态年龄;EENSOHi、EENSEL分别表示在第i次检修时、经济寿命时的系统停电风险;EENSref表示可接受的风险水平;g2()函数表示在状态年龄下的故障率;ENS为设备故障期间的缺供电量;
并将累计运维成本CO设为状态年龄的函数:
其中,CAget为设备实际年龄第t年对应的状态年龄,CO为设备的累计运维成本,N为设备当前的实际年龄,N最大值为设备的经济寿命,g3()函数表示在状态年龄下的运维成本。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至3任意一项所述的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607514.3A CN113222286B (zh) | 2021-06-01 | 2021-06-01 | 设备检修策略优化方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607514.3A CN113222286B (zh) | 2021-06-01 | 2021-06-01 | 设备检修策略优化方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222286A CN113222286A (zh) | 2021-08-06 |
CN113222286B true CN113222286B (zh) | 2024-01-09 |
Family
ID=77081996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607514.3A Active CN113222286B (zh) | 2021-06-01 | 2021-06-01 | 设备检修策略优化方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222286B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057621B (zh) * | 2023-07-07 | 2024-08-13 | 中国长江电力股份有限公司 | 投资成本和发电系统可靠性提升水平间的量化分析方法 |
CN118469411A (zh) * | 2024-07-15 | 2024-08-09 | 浙江高信技术股份有限公司 | 一种机电设备维修方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105244874A (zh) * | 2015-10-28 | 2016-01-13 | 国网江西省电力科学研究院 | 一种计及故障风险及成本的配电网无功规划优化模型 |
CN106295897A (zh) * | 2016-08-15 | 2017-01-04 | 南京航空航天大学 | 基于风险与成本分析的飞机结构检查任务规划方法 |
CN106647263A (zh) * | 2016-12-01 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
CN109146124A (zh) * | 2018-06-27 | 2019-01-04 | 国家电网有限公司 | 一种基于时变失效率的配电终端改造决策方法 |
CN109583601A (zh) * | 2018-11-30 | 2019-04-05 | 天津大学 | 一种配电设备状态检修策略优化方法 |
-
2021
- 2021-06-01 CN CN202110607514.3A patent/CN113222286B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105244874A (zh) * | 2015-10-28 | 2016-01-13 | 国网江西省电力科学研究院 | 一种计及故障风险及成本的配电网无功规划优化模型 |
CN106295897A (zh) * | 2016-08-15 | 2017-01-04 | 南京航空航天大学 | 基于风险与成本分析的飞机结构检查任务规划方法 |
CN106647263A (zh) * | 2016-12-01 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
CN109146124A (zh) * | 2018-06-27 | 2019-01-04 | 国家电网有限公司 | 一种基于时变失效率的配电终端改造决策方法 |
CN109583601A (zh) * | 2018-11-30 | 2019-04-05 | 天津大学 | 一种配电设备状态检修策略优化方法 |
Non-Patent Citations (3)
Title |
---|
兼顾供电可靠性和LCC的变电站主设备检修策略优化方法;郭丽娟等;电力系统自动化;第99-105页 * |
基于电力设备全寿命周期成本最优的检修策略研究;马仲能;钟立华;卢锴;夏成军;;电力系统保护与控制(第16期);第34-39页 * |
马仲能 ; 钟立华 ; 卢锴 ; 夏成军 ; .基于电力设备全寿命周期成本最优的检修策略研究.电力系统保护与控制.2011,(第16期),第34-39页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113222286A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Multi-objective hydropower station operation using an improved cuckoo search algorithm | |
CN113222286B (zh) | 设备检修策略优化方法及装置、存储介质 | |
Liu et al. | Multiobjective maintenance planning optimization for deteriorating bridges considering condition, safety, and life-cycle cost | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN101714186B (zh) | 兼顾人类和生态需求的供水型水库调度图优化确定方法 | |
CN116681312B (zh) | 一种面向生态的多目标水库优化调度决策方法及系统 | |
CN106873372A (zh) | 基于防洪调度数据自适应控制的水库防洪调度优化方法 | |
CN110165698B (zh) | 一种实现前瞻性误差资产转换的风电场平滑并网方法 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN106295885A (zh) | 基于主动管理模式的主动配电网联合规划方法 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN110245799B (zh) | 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法 | |
CN115860192A (zh) | 基于模糊神经网络和遗传算法的供水管网优化调度方法 | |
CN116094068A (zh) | 基于碳排放预测机制的电网调度方法、设备及介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN111008769B (zh) | 一种计及电力阻塞的能源转型优化方法及系统 | |
Yang et al. | Research on the application of GA improved neural network in the prediction of financial crisis | |
CN110610264B (zh) | 一种针对不确定性情景下供水管网调控的单目标优化方法 | |
CN117455034A (zh) | 一种用于海上风电输电方案优选的编码优化方法及终端 | |
CN111628498A (zh) | 一种考虑配电网可靠性的多目标配电网重构方法和装置 | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN116388291A (zh) | 大电网新能源消纳能力计算方法、系统、装置及介质 | |
CN110874672A (zh) | 基于量子遗传算法的farima模型电力负荷预测方法 | |
CN115994459A (zh) | 一种海量电网基建项目建设时序优化方法、系统及设备 | |
CN115099534A (zh) | 一种电源规划方案优选方法 |
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 |