CN117635100A - 一种风机部件维修策略优化方法、系统、控制方法 - Google Patents
一种风机部件维修策略优化方法、系统、控制方法 Download PDFInfo
- Publication number
- CN117635100A CN117635100A CN202311345806.XA CN202311345806A CN117635100A CN 117635100 A CN117635100 A CN 117635100A CN 202311345806 A CN202311345806 A CN 202311345806A CN 117635100 A CN117635100 A CN 117635100A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- fan
- model
- strategy
- unit
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 299
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 101150067055 minC gene Proteins 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims 1
- 230000002441 reversible effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及风电机组维护策略研究,具体涉及基于状态‑机会维护阈值的风机部件维修策略优化方法,其应用时通过构建一个状态‑机会维护阈值配置和维护资源调度双层优化模型来尽可能降低风机维护成本。上层模型以最小化维修成本和停机成本为目标来设定维护阈值,在此过程中计及风速相关的维修机会,提出考虑多种维护方法的综合维护策略,同时将机会维修分为1类和2类,使得维护操作更加精确,在一定的成本范围内提高机组部件的整体可靠性。在下层模型中,通过最小化每日的调度成本来优化维修车辆的调度计划。使用基于榜样学习和反向学习改进的粒子群算法和商业求解器分别对上下层模型进行迭代求解,以得到最优的维护策略和资源调度方案。
Description
技术领域
本发明涉及风电机组维护策略研究,具体涉及一种风机部件维修策略优化方法、系统、控制方法。
背景技术
近年来,以风电为代表的可再生能源由于其清洁性和可持续性正不断接入到配电网中。然而,风机通常安装在风力条件较好的偏远地区,这导致了高昂的维修相关成本。资料显示,风电场的运维成本至少已经达到其总寿命成本的四分之一。因此,如何通过风机部件维修策略的优化来实现其维护成本的降低,从而保证风机在高可靠度下平稳运行,这已经成为未来风电发展和应用的关键问题。
与传统的风电机组维护方法如故障后维护和定期预防维护相比,状态维护和机会维护这两类非等周期预防性维护方法因其具有更高的维修效率而更受青睐。迄今为止,许多学者对状态维护和机会维护都进行了研究,如文献“A chance-constrainedoptimization framework for wind farms to manage fleet-level availability incondition based maintenance and operations”在考虑了电价、风机故障、维修资源等不确定性因素的情况下,利用安全近似和情景近似方法简化相关约束,从而在此基础上得到状态维护策略;文献“Minimizing maintenance cost for offshore wind turbinesfollowing multi-level opportunistic preventive strategy”考虑了更换和不完全维修两种机会维护策略,分别优化两种维修情况对应的年限阈值。然而,上述研究对于机会维护的机会来源考虑得不够全面,仅仅计及其它机组实施故障后维护时带来的维修机会,文献“Operations management of wind farms integrating multiple impacts of windconditions and resource constraints”、“Seizing opportunity:maintenanceoptimization in offshore wind farms considering accessibility,production,andcrew dispatch”则综合考虑了相邻机组维修、低风速等多种维修机会来源,构建了相应的混合整数线性规划模型。需要强调的是,上述文章均对状态维护和机会维护这两种维护方法进行单独应用,然而在实际应用中,将这两种方法结合起来的组合维护策略往往能够更加显著地提升风机的可靠性和经济效益。此外,目前关于维修资源调度的研究大多是与风机维修策略独立开展的,缺乏对二者之间协同配合的全面考虑。如文献“Optimisation ofmaintenance routing and scheduling for offshore wind farms”、“Jointoptimization of spare part supply and opportunistic condition-basedmaintenance for onshore wind farms considering maintenance route”都是在已知特定时间段的运维任务下进行风电场的运维任务调度,但风机的停机损失将受其维修时间影响,维修路径和资源的调度分配将与维修策略的最优性和合理性紧密相关,因此必须建立一个综合优化模型,以协同考虑这两者的优化过程。
发明内容
本发明的目的是提供一种风机部件维修策略优化方法、系统、控制方法,来解决现有技术中的上述问题。
本发明的实施例通过以下技术方案实现:
第一方面,本发明提供的一种风机部件维修策略优化方法,包括;
基于威布尔分布和Cox比例风险回归模型,构造风机部件故障失效模型;
根据机会维护是否会导致产生额外停机损失,对机会维护进行分类,制定风机部件维护策略;
以维护成本和停机损失最低为目标,计及各类维修策略约束和故障失效函数更新情况,构造上层优化模型,所述上层优化模型包括状态维护和机会维护阈值;
构建机组维修顺序及资源调度的下层优化模型,在满足维修机组约束、维修车辆起终点位置约束及维修路线局部闭环约束的前提下,最小化单日维修调度成本;
针对上层优化模型和下层优化模型,通过粒子群算法与Gurobi相结合对上层优化模型和下层优化模进行迭代求解。
在本发明的一实施例中,所述对机会维护进行分类;
1类机会维护和2类机会维护,当风机有功出力为0时,进行1类机会维护;
在风机某部件实施故障后维护或状态维护时,进行2类机会维护。
在本发明的一实施例中所述制定风机部件维护策略包括;
当发生故障或部件的故障失效度达到故障后维护阈值时,实施故障后维护;
当部件的故障失效度达到状态维护阈值时,实施状态维护;
在本发明的一实施例中,所述上层优化模型目标函数包括:
minCupper=Cm+Cd
式中,Cm代表风机的维护成本,Cd代表停机损失;
所述下层优化模型目标函数包括;
式中;Ncrew代表维修人员的数量,Ccrew,base为维修人员基本工资,而Ccrew,time表示维修人员额外工资中单位维修时间对应的费用。Nveh表示可用的维修车辆总数,lh表示维修车辆h的行驶距离,Cveh用于量化维修车辆行驶单位距离的成本。Clease表示一辆维修车辆的基本租赁费用,而χh是一个二进制变量,表示车辆h是否被使用。
在本发明的一实施例中,所述构建机组维修顺序及资源调度的下层优化模型包括构建维修机组约束、维修车辆起终点位置约束、维修路线局部闭环约束。
在本发明的一实施例中,还包括将粒子群算法中粒子的学习行为从仅针对历史群体最优位置和历史个体最优位置改为对任意一个更优的粒子进行学习。
第二方面,一种风机部件维修策略优化系统控制方法,包括上述的一种风机部件维修策略优化方法,还包括;
S1:输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
S2:根据个体位置得到待维修机组组合,并传递到下层模型;
S3:使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
S4:重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
S5:自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
S6:重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值。
第三方面,一种风机部件维修策略优化系统,包括;
输入模块,被配置为输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
维修机组组合模块,被配置为根据个体位置得到待维修机组组合,并传递到下层模型;
第一计算模块,被配置为使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
第二计算模块,被配置为重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
第三计算模块,被配置为自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
判断模块,被配置为重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值;
主控模块,所述主控模块与所述输入模块、维修机组组合模块、第一计算模块、第二计算模块、第三计算模块和判断模块连接,用于执行权利要求7所述的一种风机部件维修策略优化系统控制方法。
第四方面,一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的一种风机部件维修策略优化系统控制方法。
第五方面,一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述的一种风机部件维修策略优化系统控制方法。
本发明实施例的技术方案至少具有如下优点和有益效果:
本专利提供的上述方案,其应用时通过构建一个状态-机会维护阈值配置和维护资源调度双层优化模型来尽可能降低风机维护成本。上层模型以最小化维修成本和停机成本为目标来设定维护阈值,在此过程中计及风速相关的维修机会,提出考虑多种维护方法的综合维护策略,同时将机会维修分为1类和2类,使得维护操作更加精确,在一定的成本范围内提高机组部件的整体可靠性。在下层模型中,通过最小化每日的调度成本来优化维修车辆的调度计划。最后,使用基于榜样学习和反向学习改进的粒子群算法和商业求解器分别对上下层模型进行迭代求解,以得到最优的维护策略和资源调度方案。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的流程示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
本申请的说明书和权利要求书及上述附图中的术语“第一、第二”等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。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行。
独立说明的模块或子模块可以是物理上分离的,也可以不是物理上的分离:可以是软件实现的,也可以是硬件实现的,且可以部分模块或子模块通过软件实现,由处理器调用该软件实现这部分模块或子模块的功能,且其它部分模板或子模块通过硬件实现,例如通过硬件电路实现。此外,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
请参照图1,本发明提供的一种风机部件维修策略优化方法,包括;
基于威布尔分布和Cox比例风险回归模型,构造风机部件故障失效模型;
需要同时考虑运行时间和运行状态影响。
计及风速带来的维修机会,扩大机会维护的机会来源,根据机会维护是否会导致产生额外停机损失,对机会维护进行分类,制定风机部件维护策略;
以维护成本和停机损失最低为目标,计及各类维修策略约束和故障失效函数更新情况,构造上层优化模型,所述上层优化模型包括状态维护和机会维护阈值。
考虑到停机损失与机组的等待维修时间相关,故搭建机组维修顺序及资源调度的下层优化模型,在满足维修机组约束、维修车辆起终点位置约束及维修路线局部闭环约束的前提下,最小化单日维修调度成本。
针对上层优化模型和下层优化模型,通过粒子群算法与Gurobi相结合对上层优化模型和下层优化模进行迭代求解。
在本实施例中,风电机组由多个组成部分构成,在其运行寿命增加的过程中,关键部件也会随之不断老化。因此,威布尔分布通常被用来刻画风电机组部件的可靠性:
式中:R和η0分别为部件的可靠度和故障失效度,α为形状系数,δ为尺度系数,t为某时刻。
为了实现风电机组的健康状况评估,将风机退化的寿命特性与多源状态监测信息相结合,需要采用Cox比例风险回归模型描述风机部件的故障失效度:
式中:h(t,X)表示风电机组部件在时刻t状态X下的故障失效度,xn(t)表示第n个状态变量在时刻t的值,σn则为其系数。
在本实施例中,计及风速带来的维修机会,扩大机会维护的机会来源,根据机会维护是否会导致产生额外停机损失,对机会维护进行分类,从而制定风机部件维护策略,具体为:
风机机会维护策略的核心在于巧妙利用风电机组之间或部件之间的相互关系。简单来说就是在对某台风机进行现场维护时,可以凭借维护资源的便利同时对其他风机或部件进行维护。一般来说,当某个风电机组的部件需要故障后维护或状态维护时都会为其他风机提供维护的机会。此外,风况也是影响风电场运维的关键因素。发电量与风速之间的关系可以用以下公式表示:
式中::Pwind,t表示t时的风机输出,PN是该风机的额定输出,vt表示时刻t的风速,vN是额定风速,vci是切入风速,vco是切出风速。可以明显看出,当风速高于切出风速或低于切入风速时,风机的输出为零,在这段时间进行维护不会增加停机成本,风机将因此得到维护机会。
综上,本发明考虑机会维护的机会来源包括三种情况:风机部件实施故障后维护、风机部件实施状态维护和风机有功出力为0。
由于实际中状态维修和机会维修都是通过设定阈值的方式来实现其决策,即只要部件的状态或役龄超过设定的阈值时就需要进行维修。针对上述三种情况,为了更加快速准确地消除风机部件的潜在风险,实现风机的高可靠度运行,基于进行机会维护会不会导致产生附加的停机损失,可以将机会维护分为两大类:1类机会维护和2类机会维护。在风机有功出力为0时,此时对该风电场的所有风机部件进行机会维护都不会产生附加的停机损失,此类情况定义为进行1类机会维护,同理,在风机某部件实施故障后维护或状态维护时,同一机组的其它部件也可以进行1类机会维护,反之,此时对其他机组的部件而言,进行机会维护意味着需要使得其所在机组停电,只能进行2类机会维护。
本发明从部件故障失效度的角度出发,统一了状态维修和机会维修阈值的单位,构建维护策略如下:
(1)故障后维护策略:当发生故障或部件的故障失效度达到故障后维护阈值时,实施故障后维护(χCM,i,j,t=1)。
(ρCM,j≤hi,j(t,X))∪(χ0,i,j,t=1)
式中:ρCM,j代表部件j的故障后维护阈值,χ0,i,j,t是随机故障指示因子,χ0,i,j,t=1表示在t时刻机组i的部件j发生了故障。hi,j(t,X)是在时刻t状态X下,机组i部件j的故障失效度,χCM,i,j,t是故障后维护指示因子,表示风机是否进行故障后维护。
(2)状态维护策略:当部件的故障失效度达到状态维护阈值时,实施状态维护(χSM,i,j,t=1)。
ρSM,j≤hi,j(t,X)<ρCM,j
式中:ρSM,j代表部件j的状态维护阈值,χSM,i,j,t是状态维护指示因子,表示风机是否进行状态维护。
(3)1类机会维护策略:当下列条件有一个被满足时,将执行OM1维护
①风速在一定范围内导致风机输出为0,且该部件的故障失效度达到OM1阈值;
②该部件所在机组的其他部件需要实施故障后维护或状态维护,而该部件的故障失效度也达到了OM1的阈值。
式中:代表部件j的1类机会维护阈值,Ncom表示风电场中的风机数量,/>是1类机会维护指示因子,表示风机是否进行1类机会维护。
(4)2类机会维护策略:当其他机组部件实施故障后维护或状态维护,且该部件的故障失效度达到OM2阈值时,将执行OM2维护
式中:代表部件j的2类机会维护阈值,Nunit表示每台风机的部件数量,/>是2类机会维护指示因子,表示风机是否进行2类机会维护。
在本发明的一实施例中,所提上层模型考虑风机的维修成本和停机损失,以成本最低为目标实现状态维护和机会维护的阈值配合和优化,所述上层优化模型目标函数包括:
minCupper=Cm+Cd
式中:Cm代表风机的维护成本,Cd代表停机损失。CCM,j、CSM,j、和/>分别表示部件j的各种维护类型的维护成本。C0表示单位功率输出下单位时间停机成本,tstart,i和tend,i分别表示机组i的停机开始和结束时间,Pwind,i,t表示机组i在时刻t的输出功率。
此时,在寻优过程中,上层模型需要满足维护策略的约束,除此之外,在风机部件实施维护后,风机部件的故障失效度也会发生相应变化:
式中:hi,j,k(t,X)和hi,j,k-1(t,X)分别表示机组i在第k次维护后和第(k-1)次维护后部件j的故障失效度,tm,i(k)为机组i需要进行第k次维护的时刻,Ωi(k)表示机组i第k次维护的部件索引。
一旦上层模型优化完成,其优化结果即各风电机组状态维护和机会维护的维护阈值也被确定。随着维修阈值的确定,运行周期中的维修计划也变得可以预先得知。而在上层模型中,以天为单位制定维修计划仅能确定运行周期内在哪几天进行何种类型的维修,而如何设计一天内各风电机组维修车辆的调度计划仍需利用下层模型进行优化。因此,为保障在维修当天能够合理安排机组维修顺序和维修车辆行驶路线,达到最小化资源调度成本的目标,本发明在上层模型得到运行周期内维修计划的基础上构建下层单日维修调度优化模型。该下层模型以维修车辆在一天的时间内完成该天维修计划所需的总成本最小为目标,规划一天内所有维修车辆的行驶路线以降低机组维修总时间,从而减少风机停电成本,提高运维方案的经济性。
所述下层优化模型目标函数包括;
式中;Ncrew代表维修人员的数量,Ccrew,base为维修人员基本工资,而Ccrew,time表示维修人员额外工资中单位维修时间对应的费用。Nveh表示可用的维修车辆总数,lh表示维修车辆h的行驶距离,Cveh用于量化维修车辆行驶单位距离的成本。Clease表示一辆维修车辆的基本租赁费用,而χh是一个二进制变量,表示车辆h是否被使用。
在本发明的一实施例中,为尽可能减少风电机组维修时间,降低风机停电成本,所派出的维修车辆应选择合适的维修机组和行驶路线,以保障每台风电机组都能得到及时的维修。故下层模型需构建相应的约束,包括构建维修机组约束、维修车辆起终点位置约束、维修路线局部闭环约束。
维修机组约束:
式中:Bd,h是一个维度为1×Nunit的二进制变量矩阵。如果矩阵中的第i个变量为1,则表示在第d天,需要将第h辆维修车辆派往风机i进行维修。Md(i)表示风机i是否在第d天需要维修。
维修车辆起终点位置约束:
式中:Bh,start和Bh,end是二进制变量矩阵,为Bh的扩展矩阵,表示第h辆维修车辆的出发和到达位置,如果矩阵元素为1,表示相应的位置将作为出发或到达节点,由于维修车辆必须从起始位置出发,待维修结束后再回到起始位置,故扩展的一维表示的是维修车辆的起始位置,且该维值为1。Bpath,h是一个大小为(Nunit+1)×(Nunit+1)的二进制变量矩阵,其中第(Nunit+1)行和列对应于维护车辆的起始位置。变量Bpath,h(i)表示这个矩阵的第i行。可见,上式确保每辆维修车辆将从先前维修的风机出发前往下一个待维修机组。
(3)维修路线局部闭环约束
仅设置维修车辆起终点位置约束仍存在维修路径局部闭环的可能,故为保证维修路径自维修起始位置出发,途径所有待维修风电机组最终返回起始出发位置,防止出现局部闭环情况,需添加防止局部闭环约束如下:
diag(Bpath,h)=0
式中:为删去第(Nunit+1)行和(Nunit+1)列后不包含起始出发位置对应变量的子矩阵,Υn表示从Nunit个机组中任意选择n个机组组成的集合。上式不仅限制了Bpath,h对角线元素均为0,使得维修车辆不会从机组i处出发再回到机组i,即避免了由一个待维修机组形成局部闭环的情况,同时又限制/>中任意选取n行、n列组成矩阵的和不大于(n-1),这确保了不会出现由两个及以上不为起始出发位置的待维修机组构成局部闭环的情况。
在本发明的一实施例中,还包括将粒子群算法中粒子的学习行为从仅针对历史群体最优位置和历史个体最优位置改为对任意一个更优的粒子进行学习。
具体的,下层本质上是一个混合整数线性规划问题,可以很方便地使用Gurobi求解。而上层由于维修策略的存在,是一个混合整数非线性规划问题,无法直接通过商业求解器求解,因此可以考虑使用启发式算法求解。由于其收敛速度快、应用方便,粒子群算法(Particle swarm optimization,PSO)已经成为应用最为广泛的启发式算法之一。然而,传统的PSO算法存在一些问题,包括早熟收敛、容易陷入局部最优解和缺乏种群多样性。为了克服这些问题,本发明将PSO与两种性能卓越的学习算法——榜样学习和反向学习相结合。这个创新的方法不仅增强了粒子的自主搜索能力,还使得种群更具有多样性。因此,这种改进的PSO算法可以在优化问题中表现出更出色的性能,更适合于所提双层优化模型的求解。
传统PSO算法的粒子速度与位置更新公式可以表示如下:
式中:和/>分别是第(m+1)次和第m次迭代后粒子e第f维的速度向量,/>和/>分别是第(m+1)次和第m次迭代后粒子e第f维的位置向量,/>和/>分别是粒子e和整个群体在第m次迭代后第f维的历史最佳位置,ω是惯性权重,c1和c2分别是个体和群体学习因子,r1和r2是在[0,1]上的随机数。
传统PSO算法的粒子速度与位置更新公式可以表示如下:
式中:和/>分别是第(m+1)次和第m次迭代后粒子e第f维的速度向量,/>和/>分别是第(m+1)次和第m次迭代后粒子e第f维的位置向量,/>和/>分别是粒子e和整个群体在第m次迭代后第f维的历史最佳位置,ω是惯性权重,ωmax和ωmin分别为惯性权重最大值和最小值,c1和c2分别是个体和群体学习因子,r1和r2是在[0,1]上的随机数,DT为最大迭代次数。
值得注意的是,种群中的最优粒子没有其它粒子作为榜样进行学习,因此本发明采用了反向学习策略,一方面使得种群更具有多样性,另一方面也增加了最优粒子的搜索能力。在迭代前期使用随机反向学习:
式中:表示第m次迭代后根据适应度值排序得到的最优粒子位置,即第m次迭代后的群体最优粒子位置;/>则为群体最优粒子更新迭代一次后的值,a和b表示粒子第f维的边界。
在迭代后期则使用一般反向学习:
第二方面,一种风机部件维修策略优化系统控制方法,包括上述的一种风机部件维修策略优化方法,还包括;
S1:输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
S2:根据个体位置得到待维修机组组合,并传递到下层模型;
S3:使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
S4:重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
S5:自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
S6:重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值。
第三方面,一种风机部件维修策略优化系统,包括;
输入模块,被配置为输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
维修机组组合模块,被配置为根据个体位置得到待维修机组组合,并传递到下层模型;
第一计算模块,被配置为使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
第二计算模块,被配置为重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
第三计算模块,被配置为自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
判断模块,被配置为重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值;
主控模块,所述主控模块与所述输入模块、维修机组组合模块、第一计算模块、第二计算模块、第三计算模块和判断模块连接,用于执行权利要求7所述的一种风机部件维修策略优化系统控制方法。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明所提出的综合维护策略区分了两类机会维护,并设置了不同的维护阈值,这一策略有助于协调各类维护的阈值,使其相互配合,多种维护机会的引入也扩大了维护的覆盖范围,从根本上降低了风电机组的整体维修费用,有助于提升风机运行的经济性和可靠性。
2、本发明通过构建双层联合优化模型来实现风机维护阈值的最佳配置,其中通过下层维护资源的最优调度,更加准确地掌握了风电机组的停机损失情况,为上层维护策略求解的最优性提供了保障。
3、本发明利用榜样学习和反向学习改进传统的PSO算法,并将其运用到模型的求解中,通过提升粒子的搜索能力和增强种群的多样性来减少模型求解过程中陷入局部最优解的风险,加速了优化过程,从而提高了模型求解的效率。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read—OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种风机部件维修策略优化方法,其特征在于,包括;
基于威布尔分布和Cox比例风险回归模型,构造风机部件故障失效模型;
根据机会维护是否会导致产生额外停机损失,对机会维护进行分类,制定风机部件维护策略;
以维护成本和停机损失最低为目标,计及各类维修策略约束和故障失效函数更新情况,构造上层优化模型,所述上层优化模型包括状态维护和机会维护阈值;
构建机组维修顺序及资源调度的下层优化模型,在满足维修机组约束、维修车辆起终点位置约束及维修路线局部闭环约束的前提下,最小化单日维修调度成本;
针对上层优化模型和下层优化模型,通过粒子群算法与Gurobi相结合对上层优化模型和下层优化模进行迭代求解。
2.根据权利要求1所述的一种风机部件维修策略优化方法,其特征在于,所述对机会维护进行分类;
1类机会维护和2类机会维护,当风机有功出力为0时,进行1类机会维护;
在风机某部件实施故障后维护或状态维护时,进行2类机会维护。
3.根据权利要求2所述的一种风机部件维修策略优化方法,其特征在于,所述制定风机部件维护策略包括;
当发生故障或部件的故障失效度达到故障后维护阈值时,实施故障后维护;
当部件的故障失效度达到状态维护阈值时,实施状态维护。
4.根据权利要求2所述的一种风机部件维修策略优化方法,其特征在于,所述上层优化模型目标函数包括:
minCupper=Cm+Cd
式中,Cm代表风机的维护成本,Cd代表停机损失;
所述下层优化模型目标函数包括;
式中;Ncrew代表维修人员的数量,Ccrew,base为维修人员基本工资,而Ccrew,time表示维修人员额外工资中单位维修时间对应的费用。Nveh表示可用的维修车辆总数,lh表示维修车辆h的行驶距离,Cveh用于量化维修车辆行驶单位距离的成本。Clease表示一辆维修车辆的基本租赁费用,而χh是一个二进制变量,表示车辆h是否被使用。
5.根据权利要求1所述的一种风机部件维修策略优化方法,其特征在于,所述构建机组维修顺序及资源调度的下层优化模型包括构建维修机组约束、维修车辆起终点位置约束、维修路线局部闭环约束。
6.根据权利要求1所述的一种风机部件维修策略优化方法,其特征在于,还包括将粒子群算法中粒子的学习行为从仅针对历史群体最优位置和历史个体最优位置改为对任意一个更优的粒子进行学习。
7.一种风机部件维修策略优化系统控制方法,其特征在于,包括权利要求1-6任一项所述的一种风机部件维修策略优化方法,还包括;
S1:输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
S2:根据个体位置得到待维修机组组合,并传递到下层模型;
S3:使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
S4:重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
S5:自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
S6:重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值。
8.一种风机部件维修策略优化系统,其特征在于,包括;
输入模块,被配置为输入风机位置及初始状态,初始化粒子群参数,包括粒子维度,粒子群规模,迭代次数,惯性权重,学习因子,迭代步长范围,每个粒子的速度和位置等;
维修机组组合模块,被配置为根据个体位置得到待维修机组组合,并传递到下层模型;
第一计算模块,被配置为使用Gurobi求解下层维修资源调度安排优化模型,输出各维修车辆行驶路径,计算各机组停机时间,并返回上层模型;
第二计算模块,被配置为重新计算上层目标函数,更新个体和群体的最优位置及最优上层目标函数值;
第三计算模块,被配置为自适应更新惯性权重,依据目标函数值对粒子进行排序,更新每个粒子的速度和位置;
判断模块,被配置为重复步骤S2至步骤S5,设置相邻两次迭代结果差值阈值,直至达到最大迭代次数或相邻两次迭代结果差值阈值;
主控模块,所述主控模块与所述输入模块、维修机组组合模块、第一计算模块、第二计算模块、第三计算模块和判断模块连接,用于执行权利要求7所述的一种风机部件维修策略优化系统控制方法。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求7所述的一种风机部件维修策略优化系统控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求7所述的一种风机部件维修策略优化系统控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345806.XA CN117635100A (zh) | 2023-10-17 | 2023-10-17 | 一种风机部件维修策略优化方法、系统、控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345806.XA CN117635100A (zh) | 2023-10-17 | 2023-10-17 | 一种风机部件维修策略优化方法、系统、控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635100A true CN117635100A (zh) | 2024-03-01 |
Family
ID=90031045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345806.XA Pending CN117635100A (zh) | 2023-10-17 | 2023-10-17 | 一种风机部件维修策略优化方法、系统、控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635100A (zh) |
-
2023
- 2023-10-17 CN CN202311345806.XA patent/CN117635100A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Intelligent early warning of power system dynamic insecurity risk: Toward optimal accuracy-earliness tradeoff | |
Zaman et al. | Configuring two-algorithm-based evolutionary approach for solving dynamic economic dispatch problems | |
Li et al. | Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach | |
CN102170170A (zh) | 消纳风电接入的大电网调度滚动计划方法 | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Staudt et al. | Predicting redispatch in the German electricity market using Information Systems based on Machine Learning | |
Haghrah et al. | An improved real-coded genetic algorithm with random walk based mutation for solving combined heat and power economic dispatch | |
Bertini et al. | Soft computing based optimization of combined cycled power plant start-up operation with fitness approximation methods | |
Petković | Adaptive neuro-fuzzy optimization of the net present value and internal rate of return of a wind farm project under wake effect | |
Vittal et al. | Performance and reliability analysis of wind turbines using Monte Carlo methods based on system transport theory | |
Amosedinakaran et al. | Generation expansion planning for a real-world power system: aiming towards cost and environmental emission minimization by penetrating huge renewable energy sources | |
CN104392282A (zh) | 一种考虑大规模风电接入的发电机组检修计划最小失负荷期望方法 | |
Liu et al. | Optimal scheduling strategy of O&M task for OWF | |
CN113452025B (zh) | 一种模型-数据混合驱动的电网预想故障评估方法和系统 | |
Li et al. | Stochastic production simulation for generating capacity reliability evaluation in power systems with high renewable penetration | |
Wang et al. | Optimization of maintenance scheme for offshore wind turbines considering time windows based on hybrid ant colony algorithm | |
Aghajani et al. | Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market | |
CN110867852A (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
Habachi et al. | Eagle strategy based crow search algorithm for solving unit commitment problem in smart grid system | |
Karthikeyan et al. | Application of self-adaptive differentialevolution algorithm to generation expansion planning problem | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
Singh et al. | Wind Turbine Optimal Preventive Maintenance Scheduling Using Fibonacci Search and Genetic Algorithm | |
CN117635100A (zh) | 一种风机部件维修策略优化方法、系统、控制方法 | |
Robert et al. | Economic emission dispatch of hydro‐thermal‐wind using CMQLSPSN technique | |
Ghaffari et al. | Optimal economic load dispatch based on wind energy and risk constrains through an intelligent algorithm |
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 |