CN116681311A - 基于时空尺度的电站运维决策优化方法、系统及介质 - Google Patents
基于时空尺度的电站运维决策优化方法、系统及介质 Download PDFInfo
- Publication number
- CN116681311A CN116681311A CN202310940025.9A CN202310940025A CN116681311A CN 116681311 A CN116681311 A CN 116681311A CN 202310940025 A CN202310940025 A CN 202310940025A CN 116681311 A CN116681311 A CN 116681311A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- decision
- time
- time period
- hour
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 402
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 238000010248 power generation Methods 0.000 claims abstract description 35
- 239000000203 mixture Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010977 unit operation 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空尺度的电站运维决策优化方法、系统及介质,属于电力设施运维技术领域,方法包括:预先设置多组长时间尺度运维决策,对于每组决策执行以下操作以得到其运维效果指标,将最大指标对应决策作为最终运维决策。以下操作包括:根据各时间段内电站的小时级运维模拟场景和现场运维条件,基于小时级运维决策,确定各时间段内每台机组的发电状态,以进一步计算长时间尺度运维决策对应的运维效果指标;其中,第一个时间段的小时级运维模拟场景由长时间尺度运维决策确定,其余时间段的小时级运维模拟场景由上一时间段的电站状态确定。可以为大规模集中式电站的运维提供全面、精准、灵活的决策优化。
Description
技术领域
本发明属于电力设施运维技术领域,更具体地,涉及一种基于时空尺度的电站运维决策优化方法、系统及介质。
背景技术
新能源装置容量的大幅提升,离不开集中式大规模电站的大量部署。如此规模的电站包含数量众多的发电设备,需要频繁的维护工作、大量的维护人员、庞大的备件库存。不够全面、不够精细、不够灵活的运维决策,很容易导致大规模电站运行效率低下、经济效益低迷,威胁电站的安全和经济供电能力。
现有的运维决策优化方法仅着重单一时间尺度优化,或者,仅着眼于短期运维执行决策优化,如运维路线和时间表的制定,或者,在长期优化中简化短期决策细节。此外,现有运维决策方法的时空精度较低,未达到小时级、机组级,导致决策效果并不理想,并不适应大规模电站的运维决策优化需求。因此,亟需一种全面优化多时间尺度运维决策、精准分配机组级运维任务、灵活调整不同时段运维决策的大规模电站运维决策优化方法与系统,保障大规模电站的高效、经济、稳定运行,确保电力安全供应。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于时空尺度的电站运维决策优化方法、系统及介质,其目的在于为大规模集中式电站的运维提供全面、精准、灵活的决策优化。
为实现上述目的,按照本发明的一个方面,提供了一种基于时空尺度的电站运维决策优化方法,包括:S1,预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行S2-S5,以得到对应的运维效果指标;S2,根据所述长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景;S3,根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1;S4,若可以,规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成所述小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1;S5,重复执行S3-S4直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算所述长时间尺度运维决策下的运维效果指标;S6,将运维效果指标最大的长时间尺度运维决策作为最终运维决策。
更进一步地,所述长时间尺度运维决策包括:运维人员组成、运维人员数量、运维工具组成、运维工具数量、预防性维护周期、纠正性维护阈值和备件管理策略。
更进一步地,所述小时级运维模拟场景包括:待维修机组个数、可调用运维人员数量和备件库存裕度;所述S3包括:根据第i个时间段内电站中待维修机组个数以及机组的故障模型,生成第i个时间段的故障维修需求;当第i个时间段内电站的现场运维条件允许执行维修任务,且可调用运维人员数量和备件库存裕度均满足所述故障维修需求时,可以执行维修任务;否则,不可以执行维修任务。
更进一步地,所述故障模型包括:
其中,为t时刻机组故障的概率密度,/>为t时刻机组的可靠性,/>为t时刻机组的故障率,/>为Weibull分布的形状参数,/>为Weibull分布的规模参数。
更进一步地,所述S4中通过求解小时级运维决策模型,来规划第i个时间段内每组运维人员和每台机组的小时级运维决策;所述小时级运维决策模型的决策变量包括:
所述小时级运维决策模型的目标函数为:
其中,表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,表示第v组运维人员在第i个时间段的决策中是否从第p处地点移动到第q处地点,表示本次决策中第u个机组是否未维修,/>表示所有运维人员的集合,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合,/>表示目标函数,/>表示第p处地点与第q处地点之间的距离,/>表示对一个机组未维修所施加的惩罚因数。
更进一步地,所述小时级运维决策模型满足以下约束:运维人员流动平衡约束、移动记录与停留记录之间的合理性约束、以及运维人员初始化约束。
更进一步地,所述移动记录与停留记录之间的合理性约束包括:
其中,表示第v组运维人员在第i+1个时间段的决策中是否从第l处地点移动到第p处地点,/>表示第v组运维人员在第i个时间段的决策中是否从第q处地点移动到第l处地点,/>表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合。
更进一步地,所述运维效果指标为:
其中,为所述运维效果指标,/>为第i个时间段内第r个机组的实际发电功率,/>表示第i个时间段内第r个机组是否处于发电状态,/>为第i个时间段内第r个机组的理想发电功率,/>为所有时间段的集合,/>为所有机组的集合。
按照本发明的另一个方面,提供了一种基于时空尺度的电站运维决策优化系统,包括:设置模块,用于预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行初始化模块、判断模块、生成模块以及重复执行模块,以得到对应的运维效果指标;初始化模块,用于根据所述长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景;判断模块,用于根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1;生成模块,若可以,用于规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成所述小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,用于生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1;重复执行模块,用于重复执行判断模块和生成模块,直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算所述长时间尺度运维决策下的运维效果指标;确定模块,用于将运维效果指标最大的长时间尺度运维决策确定为最终运维决策。
按照本发明的另一个方面,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如上所述的基于时空尺度的电站运维决策优化方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)提供一种基于时空尺度的电站运维决策优化方法,基于小时级运维决策模型实现对小时级运维场景的精细化优化与模拟,从而精准评价各个长时间尺度决策的优劣,以精确选择最优的长时间尺度运维决策,为大规模集中式电站的运维提供全面、精准、灵活的决策优化;可全面而准确地解决不同时间尺度的运维决策问题,实现逐小时地、精细到每一机组及每组运维人员的运维决策优化,提升大规模电站运维决策优化求解的时空精度,保障大规模电站的经济、高效运行;
(2)设计的小时级运维决策模型,准确记录每台机组、每组运维人员的状态与位置,并为每台故障机组安排独特的运维计划与维修路线;以高时间精度建模,精确模拟每小时的故障发生以及运维决策实况;高时间、空间精度的建模提供了一种对真实运维情况的准确描述方法,保障运维决策的实际有效;在高时间、空间精度建模下,以分时段优化求解、不同时段状态连接的方式化解求解难题,实现高时空精度模型的高效求解。
附图说明
图1为本发明实施例提供的基于时空尺度的电站运维决策优化方法的流程图。
图2为本发明实施例提供的小时级运维仿真模拟流程图。
图3为本发明实施例提供的小时级运维决策优化示意图。
图4为本发明实施例提供的机组的故障率随服役时长变化关系。
图5为本发明实施例提供的某小时的所有优化后的运维路线。
图6为本发明实施例提供的不同长时间尺度下的运维决策效果。
图7为本发明实施例提供的基于时空尺度的电站运维决策优化系统的框图。
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。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的基于时空尺度的电站运维决策优化方法的流程图。参阅图1,结合图2-图6,对本实施例中基于时空尺度的电站运维决策优化方法进行详细说明,方法包括操作S1-操作S6。
操作S1,预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行S2-S5,以得到对应的运维效果指标。
本发明实施例中,依靠在不同时长的长时间尺度运维决策下进行短时间尺度(小时级)运维仿真模拟,来量化不同长时间尺度运维决策的实际运维效果。首先,设置若干个候选的长时间尺度运维决策;然后,在每组长时间尺度运维决策下执行小时级运维仿真;经过全年8760小时的运维仿真,可以获得当前长时间尺度运维决策的全年运维效果,并且使用运维效果量化指标来进行评价;最后,统计并比较不同长时间尺度运维决策下的运维效果,以运维效果评价指标最高者为最优长时间尺度运维决策。
根据本发明的实施例,长时间尺度运维决策包括:运维人员组成、运维人员数量、运维工具组成、运维工具数量、预防性维护周期、纠正性维护阈值和备件管理策略。
运维工具例如包括交通工具和维修工具。预防性维护周期是指为了消除设备失效和非计划性生产中断的原因而策划的定期活动的周期。纠正性维护阈值是指用于纠正系统正常工作状态的维护策略的阈值。备件管理策略是指与备件保存与补充相关的决策,包括仓库位置、仓库容量、备件补充周期、备件补充阈值等。
本实施例中,将全年划分为多个小时级的时间段,来在长时间尺度运维决策下进行小时级运维仿真模拟。优选地,每小时被划分为一个时间段,全年被划分为8760个时间段。
操作S2,根据长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景。
在小时级运维仿真模拟前,根据长时间尺度运维决策,结合其它输入变量,初始化小时级运维模拟场景,作为第一个时间段内电站的小时级运维模拟场景,包括部署运维人员、清除风机故障、恢复所有运维人员为空闲状态、补充所有备用仓库等。其它输入变量例如包括:仓库容量、备用物资数量、维修基地位置、机组位置、换班时间、机组故障率等。
操作S3,根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1。
根据本发明的实施例,小时级运维模拟场景包括:待维修机组个数、可调用运维人员数量和备件库存裕度。操作S3包括子操作S31-子操作S32。
在子操作S31中,根据第i个时间段内电站中待维修机组个数以及机组的故障模型,生成第i个时间段的故障维修需求。
机组的故障率在不同时期有明显差别。在机组投入运行的初期,机组存在设计缺陷,此时机组的故障率较高。随着机组缺陷的暴露以及这些缺陷的不断维修,机组的设计缺陷被弥合,机组的故障率逐步下降。一段时间后,机组所有设计缺陷均经过维修而消除,于是机组故障率稳定在较低的水平,故障仅因为正常劳损而出现,该阶段即为正常工作的阶段。服役时间较长的机组,会因为机组的固件老化,而出现故障率上升的问题,此时的机组便接近退役。在机组老化阶段,机组的故障率将随着机组的服役时长而不断上升,如图4所示。i时段的故障既包括之前已有的、没有解决的故障,也包括第i时段内新生成的故障。
本实施例中,采用Weibull分布来描述机组故障,生成的故障模型包括:
其中,为t时刻机组故障的概率密度,/>为t时刻机组的可靠性,/>为t时刻机组的故障率,/>为Weibull分布的形状参数,/>为Weibull分布的规模参数。正常工作阶段,即/>时期,/>。
和/>之间的关系为:
其中,为机组故障的分布函数。
故障维修需求是指第i个时间段开始前的全部故障机组,包括第i-1个时间段开始前的全部故障机组,去除第i-1个时间段内完成维修的故障机组,再加入第i-1个时间段内新生成的故障机组。
在子操作S32中,当第i个时间段内电站的现场运维条件允许执行维修任务,且可调用运维人员数量和备件库存裕度均满足故障维修需求时,可以执行维修任务;否则,不可以执行维修任务。
本实施例中,如果运维资源充沛(可调用运维人员数量和备件库存裕度均满足故障维修需求),且环境条件良好(现场运维条件允许执行维修任务),则第i个时间段内执行后续运维任务;若有任一项不符合要求,则第i个时间段内不执行后续运维任务。
操作S4,若可以,规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1。
当第i个时间段内不能执行运维任务时,直接更新不维修故障下每组运维人员的状态和每台机组的发电状态,以及更新备用物资的状态。
当第i个时间段内可以执行运维任务时,先通过小时级运维决策优化制定运维路线以及运维时间表,然后根据指定的运维路线以及运维时间表执行运维任务,并更新执行该运维路线以及运维时间表下每组运维人员的状态和每台机组的发电状态,以及更新备用物资的状态。
在小时级运维仿真模拟中,每小时的运维任务均要事先执行小时级运维决策优化,得到最优的运维路线和运维时间表。每小时的运维任务优化可以抽象为一个数学模型,称为小时级运维决策模型。操作S4中,通过求解小时级运维决策模型,来规划第i个时间段内每组运维人员和每台机组的小时级运维决策。
该小时级运维决策模型的目的在于为每小时的运维任务寻找最短的运维路径,并且尽量保证未及时维修的机组数量最少。决策变量包括运维人员的移动与停止动作的记录,用于表示运维人员在某一时段内停留在某地,以及在某一时间段内从某地移动到某地。决策变量还包括惩罚变量,用于记录未能及时维修的故障机组,将在目标函数中作为惩罚项。该小时级运维决策模型的目标函数为所有运维人员在维修过程中所行进的总路线与未及时维修的机组造成的惩罚之和。小时级运维决策优化如图3所示。需要说明的是,该小时级运维决策模型也可以直接用于小时级运维决策的精准优化,即直接采用该小时级运维决策模型,对电站进行小时级尺度的运维决策。
根据本发明的实施例,小时级运维决策模型的决策变量包括:
小时级运维决策模型的目标函数为:
其中,表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,若是,/>,若不是,/>;/>表示第v组运维人员在第i个时间段的决策中是否从第p处地点移动到第q处地点,若是,/>,若不是,/>;/>表示本次决策中第u个机组是否未维修,若是,/>,若不是,/>;/>表示所有运维人员的集合,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合,/>为所有的地点;/>表示目标函数;/>表示第p处地点与第q处地点之间的距离,包括运维基地与机组、以及机组之间的距离;/>表示对一个机组未维修所施加的惩罚因数。
根据本发明的实施例,小时级运维决策模型满足以下约束:运维人员流动平衡约束、移动记录与停留记录之间的合理性约束、以及运维人员初始化约束。
运维人员流动平衡约束是指运维人员移动过程中产生的移动记录之间的合理性约束,表示为某地点停留的运维人员组数减少量等于离开该地的组数减去进入该地的组数,可以表示为:
移动记录与停留记录之间的合理性约束包括:
第一个式子表示:某一步停留于某地的运维人员数目,不少于下一步离开的运维人员数目。第二个式子表示:某一步停留于某地的运维人员数目,不少于上一步前来的运维人员数目。其中,表示第v组运维人员在第i+1个时间段的决策中是否从第l处地点移动到第p处地点,/>表示第v组运维人员在第i个时间段的决策中是否从第q处地点移动到第l处地点,/>表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合。
用于记录未及时维修机组的记录变量赋值:
运维人员初始化约束用于保证每一组运维人员在模型决策的初期与末期均处于运维基地,可表示为:
其中,记录了初始化时第v组运维人员是否应该处于第l处地点。
操作S5,重复执行操作S3-操作S4直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算长时间尺度运维决策下的运维效果指标。
本实施例中,使用电站的可用性来评估长时间尺度运维决策的效果,即运维效果指标:
其中,为运维效果指标,/>为第i个时间段内第r个机组的实际发电功率;/>表示第i个时间段内第r个机组是否处于发电状态,如果机组故障,/>,否则,;/>为第i个时间段内第r个机组的理想发电功率,/>为所有时间段的集合,/>为所有机组的集合。
如上述操作S3-操作S5,每小时迭代,获得全年的小时级运维情况仿真,最后得到全年运维效果指标。至此,小时级运维仿真模拟结束。小时级运维仿真模拟如图2所示。
操作S6,将运维效果指标最大的长时间尺度运维决策作为最终运维决策。
以某地区规划的54.15GW大规模海上风电基地的运维决策为例,说明该本发明实施例中基于时空尺度的电站运维决策优化方法的功能以及有效性。该方法的应用范围是所有大型电站的运维决策优化,包括火电、光伏、风电等大规模电站。
该海上风电基地包括5415台风机。首先,初始化多组长时间尺度运维决策。决策关于四个方面:运维船队的规模、运维船只的容量、运维船只的速度、运维船只的抗浪高度。不同长时间尺度的运维决策集合如表1所示;
;
针对每一个长时间尺度运维决策,执行全年小时级运维仿真。在某一个长时间尺度运维决策下,优化后的某一小时以及全年的所有运维路线如图5所示。
以风电场的可用性为评价指标,评价每一个长时间尺度运维决策的运维效果,如图6所示。据此可知,抗浪高度+容量的同步提升最有利于大规模海上风电场运维效果的提升。于是,风电场主或第三方运维公司应该考虑通过同步提升船只的抗浪高度以及船只容量,经济高效地提升海上风电场的运维效果,提升大规模海上风电场的可用性。
图7为本发明实施例提供的基于时空尺度的电站运维决策优化系统的框图。参阅图7,该基于时空尺度的电站运维决策优化系统700包括设置模块710、初始化模块720、判断模块730、生成模块740、重复执行模块750以及确定模块760。
设置模块710例如执行操作S1,用于预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行初始化模块720、判断模块730、生成模块740以及重复执行模块750,以得到对应的运维效果指标。
初始化模块720例如执行操作S2,用于根据长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景。
判断模块730例如执行操作S3,用于根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1。
生成模块740例如执行操作S4,若可以,用于规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,用于生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1。
重复执行模块750例如执行操作S5,用于重复执行判断模块730和生成模块740,直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算长时间尺度运维决策下的运维效果指标。
确定模块760例如执行操作S6,用于将运维效果指标最大的长时间尺度运维决策确定为最终运维决策。
基于时空尺度的电站运维决策优化系统700用于执行上述图1-图6所示实施例中的基于时空尺度的电站运维决策优化方法。本实施例未尽之细节,请参阅前述图1-图6所示实施例中的基于时空尺度的电站运维决策优化方法,此处不再赘述。
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。程序被处理器执行时实现如图1-图6所示实施例中的基于时空尺度的电站运维决策优化方法,此处不再赘述。
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 (10)
1.一种基于时空尺度的电站运维决策优化方法,其特征在于,包括:
S1,预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行S2-S5,以得到对应的运维效果指标;
S2,根据所述长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景;
S3,根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1;
S4,若可以,规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成所述小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1;
S5,重复执行S3-S4直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算所述长时间尺度运维决策下的运维效果指标;
S6,将运维效果指标最大的长时间尺度运维决策作为最终运维决策。
2.如权利要求1所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述长时间尺度运维决策包括:运维人员组成、运维人员数量、运维工具组成、运维工具数量、预防性维护周期、纠正性维护阈值和备件管理策略。
3.如权利要求1所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述小时级运维模拟场景包括:待维修机组个数、可调用运维人员数量和备件库存裕度;所述S3包括:
根据第i个时间段内电站中待维修机组个数以及机组的故障模型,生成第i个时间段的故障维修需求;
当第i个时间段内电站的现场运维条件允许执行维修任务,且可调用运维人员数量和备件库存裕度均满足所述故障维修需求时,可以执行维修任务;否则,不可以执行维修任务。
4.如权利要求3所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述故障模型包括:
其中,为t时刻机组故障的概率密度,/>为t时刻机组的可靠性,/>为t时刻机组的故障率,/>为Weibull分布的形状参数,/>为Weibull分布的规模参数。
5.如权利要求1所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述S4中通过求解小时级运维决策模型,来规划第i个时间段内每组运维人员和每台机组的小时级运维决策;
所述小时级运维决策模型的决策变量包括:
所述小时级运维决策模型的目标函数为:
其中,表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,/>表示第v组运维人员在第i个时间段的决策中是否从第p处地点移动到第q处地点,/>表示本次决策中第u个机组是否未维修,/>表示所有运维人员的集合,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合,/>表示目标函数,/>表示第p处地点与第q处地点之间的距离,/>表示对一个机组未维修所施加的惩罚因数。
6.如权利要求5所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述小时级运维决策模型满足以下约束:运维人员流动平衡约束、移动记录与停留记录之间的合理性约束、以及运维人员初始化约束。
7.如权利要求6所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述移动记录与停留记录之间的合理性约束包括:
其中,表示第v组运维人员在第i+1个时间段的决策中是否从第l处地点移动到第p处地点,/>表示第v组运维人员在第i个时间段的决策中是否从第q处地点移动到第l处地点,/>表示第v组运维人员在第i个时间段的决策中是否停留在第l处地点,/>表示所有运维基地的集合,/>表示所有机组的集合,/>表示所有时间段的集合。
8.如权利要求1-7任一项所述的基于时空尺度的电站运维决策优化方法,其特征在于,所述运维效果指标为:
其中,为所述运维效果指标,/>为第i个时间段内第r个机组的实际发电功率,/>表示第i个时间段内第r个机组是否处于发电状态,/>为第i个时间段内第r个机组的理想发电功率,/>为所有时间段的集合,/>为所有机组的集合。
9.一种基于时空尺度的电站运维决策优化系统,其特征在于,包括:
设置模块,用于预先设置多组长时间尺度运维决策,将全年划分为多个时间段;对于每组长时间尺度运维决策,执行初始化模块、判断模块、生成模块以及重复执行模块,以得到对应的运维效果指标;
初始化模块,用于根据所述长时间尺度运维决策,初始化第一个时间段内电站的小时级运维模拟场景;
判断模块,用于根据第i个时间段内电站的小时级运维模拟场景和现场运维条件,判断第i个时间段内是否可以执行维修任务,i的初始值为1;
生成模块,若可以,用于规划第i个时间段内每组运维人员和每台机组的小时级运维决策,以生成所述小时级运维决策下每组运维人员的状态和每台机组的发电状态;若不可以,用于生成不维修故障下每组运维人员的状态和每台机组的发电状态;根据第i个时间段内每组运维人员的状态和每台机组的发电状态,生成第i+1个时间段内的小时级运维模拟场景,令i=i+1;
重复执行模块,用于重复执行判断模块和生成模块,直至最后一个时间段,根据所有时间段内每台机组的发电状态,计算所述长时间尺度运维决策下的运维效果指标;
确定模块,用于将运维效果指标最大的长时间尺度运维决策确定为最终运维决策。
10.一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1-8中任一项所述的基于时空尺度的电站运维决策优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940025.9A CN116681311B (zh) | 2023-07-28 | 2023-07-28 | 基于时空尺度的电站运维决策优化方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940025.9A CN116681311B (zh) | 2023-07-28 | 2023-07-28 | 基于时空尺度的电站运维决策优化方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681311A true CN116681311A (zh) | 2023-09-01 |
CN116681311B CN116681311B (zh) | 2023-10-10 |
Family
ID=87787633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310940025.9A Active CN116681311B (zh) | 2023-07-28 | 2023-07-28 | 基于时空尺度的电站运维决策优化方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681311B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040039622A1 (en) * | 2002-05-03 | 2004-02-26 | Masiello Ralph D. | Valuing and optimizing scheduling of generation assets |
CN102436607A (zh) * | 2011-11-10 | 2012-05-02 | 山东大学 | 电动汽车换电站充电功率的多时间尺度决策方法 |
CN105528668A (zh) * | 2015-08-04 | 2016-04-27 | 南通大学 | 一种风电并网电力系统动态环境经济调度方法 |
CN107480793A (zh) * | 2017-08-22 | 2017-12-15 | 上海电气集团股份有限公司 | 海上风电场的维护费用计算及维护调度的方法及系统 |
CN110245795A (zh) * | 2019-06-10 | 2019-09-17 | 北京千尧新能源科技开发有限公司 | 一种用于海上风电运维决策仿真模拟的方法及系统 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
WO2021068602A1 (zh) * | 2019-10-10 | 2021-04-15 | 北京全路通信信号研究设计院集团有限公司 | 一种多制式多业务轨道交通仿真模拟方法及系统 |
CN112990672A (zh) * | 2021-02-26 | 2021-06-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种引入技术的评估选择方法 |
CN114781757A (zh) * | 2022-05-25 | 2022-07-22 | 江苏科技大学 | 海上风电场多机组运维策略优化方法 |
CN114819341A (zh) * | 2022-04-25 | 2022-07-29 | 东南大学 | 燃煤电站耦合碳捕集系统的多时间尺度控制感知调度方法 |
CN115117943A (zh) * | 2022-08-15 | 2022-09-27 | 广东电网有限责任公司 | 充放电调度方法、装置、设备及介质 |
US20230009681A1 (en) * | 2021-07-05 | 2023-01-12 | North China Electric Power University | Optimal dispatching method and system for wind power generation and energy storage combined system |
-
2023
- 2023-07-28 CN CN202310940025.9A patent/CN116681311B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040039622A1 (en) * | 2002-05-03 | 2004-02-26 | Masiello Ralph D. | Valuing and optimizing scheduling of generation assets |
CN102436607A (zh) * | 2011-11-10 | 2012-05-02 | 山东大学 | 电动汽车换电站充电功率的多时间尺度决策方法 |
CN105528668A (zh) * | 2015-08-04 | 2016-04-27 | 南通大学 | 一种风电并网电力系统动态环境经济调度方法 |
CN107480793A (zh) * | 2017-08-22 | 2017-12-15 | 上海电气集团股份有限公司 | 海上风电场的维护费用计算及维护调度的方法及系统 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
CN110245795A (zh) * | 2019-06-10 | 2019-09-17 | 北京千尧新能源科技开发有限公司 | 一种用于海上风电运维决策仿真模拟的方法及系统 |
WO2021068602A1 (zh) * | 2019-10-10 | 2021-04-15 | 北京全路通信信号研究设计院集团有限公司 | 一种多制式多业务轨道交通仿真模拟方法及系统 |
CN112990672A (zh) * | 2021-02-26 | 2021-06-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种引入技术的评估选择方法 |
US20230009681A1 (en) * | 2021-07-05 | 2023-01-12 | North China Electric Power University | Optimal dispatching method and system for wind power generation and energy storage combined system |
CN114819341A (zh) * | 2022-04-25 | 2022-07-29 | 东南大学 | 燃煤电站耦合碳捕集系统的多时间尺度控制感知调度方法 |
CN114781757A (zh) * | 2022-05-25 | 2022-07-22 | 江苏科技大学 | 海上风电场多机组运维策略优化方法 |
CN115117943A (zh) * | 2022-08-15 | 2022-09-27 | 广东电网有限责任公司 | 充放电调度方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
朱文秀;仓思雨;胡中臣;宗恒卿;张兰红;: "光伏发电功率预测技术综述", 电源世界, no. 01 * |
董玉亮;马履翱;顾煜炯;: "电站设备短期维修风险决策模型研究", 华北电力大学学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681311B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shafiee | Maintenance logistics organization for offshore wind energy: Current progress and future perspectives | |
Egan et al. | An experimental method of determination of optimal maintenance schedules in power systems using the branch-and-bound technique | |
Chen | Simulated annealing-based optimal wind‐thermal coordination scheduling | |
Ortega-Vazquez et al. | Assessing the impact of wind power generation on operating costs | |
Peters et al. | Economic evaluation of maintenance strategies for ground-mounted solar photovoltaic plants | |
Abiri-Jahromi et al. | Optimized midterm preventive maintenance outage scheduling of thermal generating units | |
CN107480793B (zh) | 海上风电场的维护费用计算及维护调度的方法及系统 | |
Kolios et al. | openO&M: Robust O&M open access tool for improving operation and maintenance of offshore wind turbines | |
dos Santos et al. | Maintenance planning of an offshore wind turbine using stochastic petri nets with predicates | |
Zambelli et al. | Long-term hydropower scheduling based on deterministic nonlinear optimization and annual inflow forecasting models | |
Feng et al. | Optimal maintenance scheduling of power producers considering unexpected unit failure | |
El-Naggar et al. | Optimal maintenance strategy of wind turbine subassemblies to improve the overall availability | |
Gutschi et al. | Evaluating the performance of maintenance strategies: a simulation-based approach for wind turbines | |
CN116681311B (zh) | 基于时空尺度的电站运维决策优化方法、系统及介质 | |
Yun et al. | Optimal preventive maintenance interval and spare parts number in a rolling stock system | |
Jin et al. | Coordinating maintenance with spares logistics to minimize levelized cost of wind energy | |
Lonchampt et al. | An integrated asset management model for offshore wind turbines | |
Gallo et al. | Profit-based O&M strategies for wind power plants | |
Bukhsh et al. | Risk and reliability assessment of future power systems | |
Udagawa et al. | Economic impact of photovoltaic power forecast error on power system operation in Japan | |
Faker et al. | Machine learning approach for integrated maintenance and spare parts management strategies | |
Papatzimos et al. | Data-informed lifetime reliability prediction for offshore wind farms | |
Ashrafi et al. | A HIERARCHICAL BAYESIAN NETWORK TO COMPARE MAINTENANCE STRATEGIES BASED ON COST AND RELIABILITY: A CASE OF ONSHORE WIND TURBINES. | |
Bremermann et al. | Using VaR and CVaR techniques to calculate the long-term operational reserve | |
Fonseka et al. | A price-based approach to generation investment planning in electricity markets |
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 |