CN1849569A - 将资源转换为产品的方法 - Google Patents

Abstract

本发明特别涉及维护活动的时间安排，该维护活动例如是对燃气轮机的压缩机进行的清洗活动等。评估/优化了一个包括燃料/电力价格预测的目标函数，以确定清洗活动的合理性。成本函数依赖于一个状态向量，该状态向量包括整数/布尔型和连续状态变量，这些变量通过一系列规则或约束相互关联。通过混合整数规划(MIP)来实施本发明的过程。

Description

将资源转换为产品的方法

技术领域

本发明涉及通过对性能持续劣化的机械进行维护时间安排而将资源转换为产品的领域，更具体地涉及对燃气轮机的压缩机的维护进行时间安排。

背景技术

燃气轮机的性能会由于压缩机的积垢和腐蚀、入口过滤器堵塞、热疲劳和热气通道部件的氧化而劣化。性能劣化导致功率输出损失和/或燃料消耗增加并且影响收入和设备寿命周期成本。

压缩机积垢导致的性能下降主要是由于通过空气携带的微粒而形成在第一压缩阶段的叶片上的沉积物造成的，这些微粒因不够大而不能被入口过滤器阻挡。这些微粒可包括农村地区的污泥或花粉，在工业区的灰尘、锈和烟灰颗粒或碳氢化合物悬浮颗粒，在海岸区的盐或者仅仅包括水滴。这些沉积物导致压缩机的质量流率、效率和压缩比的降低。由于大约一半包含在燃气轮机所燃烧的燃料中的能量被压缩机所消耗，为了维持恒定的功率输出不得不接受燃料消耗的显著增加。

压缩机积垢是一种可恢复的劣化，这种劣化可通过周期性地对压缩机进行在线或离线清洗而减轻。在在线清洗中，当燃气轮机运行时将蒸馏水或至少除去矿物质的水喷入压缩机。完全的性能恢复只能通过离线清洗(需要工厂停止运转)获得，其中将蒸馏水和去污剂喷洒到燃气轮机上并且与压缩机叶片和桨叶接触。目前，清洗安排由设施操作者手动进行，并且通常清洗与其它有计划的停机一起安排。可选地，将清洗安排在淡季，其间从售电中获得的收入低。

入口过滤器阻塞减少了燃气轮机的气流和压缩机入口气压，并因此不利地影响了燃气轮机的性能。以新的或清洁的过滤器替换旧过滤器能够恢复损失的性能。然而，与磨损和/或相关热气通道部件相关的性能劣化是不可恢复的，唯一的补救措施是机械大修。

在S.C.Gülen等的论文“Real Time On-Line Performance Diagnosticsof Heavy-Duty Industrial Gas Turbines”(Journal of Engineering for GasTurbines and Power，2002年10月，第124卷，第910-921页)中，一种用于压缩机清洗和入口过滤器更换的维护安排平衡了相对于损失了的收入和额外的燃料成本的维护成本。发现进行清洗的最佳未来时间是在由于压缩机积垢导致的整体成本(额外烧掉的燃料和功率损失)等于维护操作的成本之时。然而，不但没有考虑不久的将来燃料价格的变化，而且没有考虑例如计划停工和部分负载等逻辑约束。

压缩机图是例如经过压缩机或涡轮机的工作流体的质量流以及/或者压缩机或涡轮机的过程效率关于例如温度、压力或速度等测量的或估计的过程状态的函数或函数关系的图形表示。一般地，压缩机或涡轮机的制造商有足够的试验数据来估计例如不可恢复的效率下降等，这也已知为“保证曲线”。另一方面，涡轮机操作者本人能近似得出或估计出不可恢复的效率η_E，例如通过在有限次数的离线清洗活动之后重新启动时记录的特定过程状态之间进行插值而得出。

在欧洲专利申请02405844.8中公开了一种基于状态增大扩展的卡尔曼滤波技术(State Augmented Extended Kalman Filtering technique)的方法，该方法允许在线——即在操作过程中——获得和连续更新上述压缩机图或函数。在卡尔曼滤波器中，计算的输出与测量的输出进行比较，并且实际效率η作为增大的状态(参数估计)得到更新。在此过程中一个重要的方面是将所有的测量数据校正为用于干空气的标准温度和压力条件。尽管在两次清洗活动之间负载水平会改变几次，上述过程一般假定涡轮机总是满负载或在基本负载下工作而不考虑部分负载。

若不进行任何维护活动，实际效率η和估计效率η_E在输出下降方面呈指数律趋势。最终的饱和或稳定状态假定是由于叶片沉积物的厚度和形状的稳定而造成的。

更一般地，任何效率持续下降的、包括机械或其它设备单元的系统可至少通过维护活动暂时得到缓解。然而，如果依赖时间的约束影响最佳的时间选择，维护的安排不是一个简单任务。在将资源转换为产品的系统中就是这种情况，在此系统中资源和产品均具有不同的依赖时间的特性。这些特性是标准化的，并且等价于每个度量单位的目标量。在如上所述的燃气轮机的情况下，对于燃料和发出的电来说，该标准化特性是每质量或能量单位(即每公斤或每兆瓦时)的成本或价格。

在另外情况下，系统可包括发电机和其它用于从例如太阳、风或水等可再生能源中生产电能的设备，它们本质上均为间歇性的或时间依赖的。在此情况下的标准化特性是天然功率，即资源在单位时间内传递的能量，以及根据一个或多个消费者的需求所生产的电力。

由于劣化的效率和依赖时间的标准化特性，上述目标量是转换过程中在资源端和产品端之间的某种平衡的对象。一般在进入系统的目标量的数量和离开系统的目标量的数量之间存在差异。相应地，目标量会在系统累积，或者等同地，被转换并且用于不同于基本转换的其它目的。

发明内容

因此本发明的目的是在一个预定的时间范围内，在如上所述的将资源转换为产品的系统中使一个目标量的累积最大化。此目的通过一个根据权利要求1的用于将资源转换为产品的方法、一个根据权利要求11的用于对机械维护活动进行时间安排的计算机程序以及一个根据权利要求12的用于对燃气轮机的压缩机的清洗活动进行时间安排的方法而达到。从从属专利权利要求中明显看到其它优选实施方式。

机械或其它设备单元的性能可通过一个或一系列维护活动得以改善，由此提高了系统的效率，而该系统包括机械并且将初级资源转换或提炼为产品。考虑了维护活动的花费和对资源和产品在一个预定时间范围内的依赖时间的特性的变化的预测，并且它们构成一个目标函数的主要因素，而该目标函数代表了系统目标量由于机械性能的持续下降而产生的积累的变化。该目标函数还依赖于至少一个与第一时间步的维护活动相关的状态变量，并且关于此状态变量最小化或求解该目标函数，以确定维护活动的合理性和/或类型。由此，提供了一种灵活的维护时间安排方法，其中资源和产品的各个特性的未来变化影响目前的决策，并且从中获得在任意时间跨度的优化的维护方案或计划。

在本发明的第一实施方式中，系统从例如太阳、风或水等间歇的可再生能源中将自然力转换为电力以满足对电力的依赖时间的需求。在此情况下的目标量是能量，并且单位时间的标准化特征对应于上述自然力或电力。类似地，维护花费以与目标量——即必须消耗并因此在整个能量平衡中必须考虑的能量数量——相同的物理单位表示。在此情况下根据本发明使目标量的累积最大化等同于为了满足上述电力需求而使用于转换和维护的所需可再生能源数量最小化。

在本发明的第二实施方式中，系统将或多或少可永久获得的、并且由依赖时间的支出表示的燃料，例如天然气或石油等转换为由依赖时间的产品收入表示的电力。在此情况下目标量是成本，并且系统目标量累积的变化是额外的系统成本。

在本发明第二实施方式的第一优选变体中，维护计划考虑了产品数量度量的成本预测，即基于产品未来需求的计划输出。因此，可以简单的方式考虑由其它约束——例如系统停机或维护工具或班组的(不)可获得性——表示的波动输出以及零输出。

在本发明的第二实施方式的第二优选变体中，目标函数包括在各个未来时间步以及相应的状态变量下的成本的总和。最小化过程同时涵盖所有这些状态变量。如此，在当前时间评估维护活动的合理性时，就将以后时间步中的未来维护活动的影响固有地考虑在内了。

此外，维护活动也可以被硬性约束，即人工设置相应的状态变量并且不通过一般的最小化过程来确定。这种预定的约束是基于知道在特定的未来时间步骤(例如在随后的星期日)中的计划的系统停机或维护工具或班组的(不)可获得性，并且其对于约束前的较早时间步骤的影响能够以简单的方式进行考虑。

在本发明第二实施方式的另一个优选实施方式中，提供了两个或更多不同类型的维护活动，它们由两个或多个优选为布尔型或整数型的相应状态变量表示。与多个维护活动相关的不同的成本和性能收益极大地增加了本发明方法的灵活性和潜在的节约量。

关于扩展的状态向量的目标函数的最小化过程必须遵守某些规则或与变量相关的约束条件，而该状态向量包括整数/布尔状态变量和连续变量。然后优选应用混合整数线性规划(MILP)来实施和执行优化过程。

机械性能的劣化通过一个用于效率测量的线性模型以及相应的规则或约束来近似。在优化过程的数学/数字实施过程中，即使一个本质上为非线性的劣化行为也能被捕获而不会引入太多的复杂性。

本发明的方法尤其适于对燃气轮机的压缩机的清洗活动进行时间安排。

附图说明

在下文中将参考优选实施例更详细解释本发明的主题，而优选实施例示于附图中，其中：

图1示出了压缩机效率和涡轮机输出的劣化；

图2是成本/收入预测的一个示例；

图3绘出了根据本发明的压缩机效率的演化；以及

图4是具有安排好的清洗活动的日历。

具体实施方式

在接下来的详细描述中，燃气轮机的压缩机是需要定期维护的优选的机械。如先前所述，此压缩机的入口过滤器构成了另一个这种机械，它必须根据某个时间表进行更换。提出的方法同样可很好地应用于沿管线包括几个压缩机的气体管线上。这些压缩机增加了气体的压力，导致了增大了的质量传输能力和增加了的收入。然而，为了维持最大压力，压缩机需要周期性地进行大修，由此产生了成本和停机时间。对这些压缩机的最优维护方案可根据下述在燃气轮机的压缩机情况下的同样的一般原则确定。因此，可以理解，所指的转换过程不仅包括从资源到显著不同的产品的转换，而且包括资源的简单传输，在此情况下成本和价格的不同来自地区差别。

为了阐释潜在的问题，图1示出了根据一个示例性的压缩机的燃气轮机的压缩机效率η相对于时间t的函数，其中该压缩机清洗的时间安排包括一个在t₁时刻的离线清洗和一个在t₃时刻的在线清洗。更具体地，曲线1表示压缩机效率不可恢复的劣化(没有任何叶片沉积物)，而曲线2表示压缩机效率的可恢复劣化(根本没有任何清洗)。曲线3示出了根据示例性清洗安排的“真实”效率，它包括三个被两个清洗活动分开的不同的段。效率曲线3首先遵循曲线2，而在离线清洗末端t₂，在重新下降之前瞬间爬升到曲线1。另一方面，在t₃和t₄之间的在线清洗所获得的效率增加不明显，即在时刻t₄没有达到曲线1。

同时，在供料率恒定的情况下——即假设操作者不会为履行其合同而烧掉更多的燃料以补偿任何效率损失——的功率输出P遵循与效率曲线相类似的趋势。在离线清洗过程中，没有产生任何输出功率，即阴影线的能量区A2在收入方面是“损失”的。然而，随着第一次清洗，输出功率增加，即得到了区域A3。在t₃和t₄之间的在线清洗过程中，仍然以部分负载(能量区A4)产生功率，但是增加(区域A5)不显著。比较能量区允许粗略地估计清洗活动的经济影响。然而，实践中，优化过程不得不考虑与清洗相关的其它成本，例如清洗用化学制品的消耗和由于停机和启动操作——例如与其相关的等价操作时间(EOH)——对物料的使用。

优化问题包括下列变量：

t_i     ＝在优化步骤i的时间(例如小时)

C₁(t_i)＝与时间t_i的离线清洗相关的化学制品、水和能量的预测成本

        ($)以及预测设备寿命成本

C₂(t_i)＝与时间t_i的在线清洗相关的化学制品、水和能量的预测成本

           ($)以及预测设备寿命成本

δ₁(t_i)  ＝布尔变量。如果在时间t_i进行离线清洗则等于1，否则等于

            0

δ₂(t_i)  ＝布尔变量。如果在时间t_i进行在线清洗则等于1，否则等

            于0

P_PWR(t_i)＝在时间t_i的计划的或预测的功率输出(MW)

P_Price(t_i)＝生产的或者获得的电力在时间t_i的预测售价($/MWh)

D₁(t_i)  ＝在时间t_i的离线清洗的预测持续时间(小时)

D₂(t_i)  ＝在时间t_i的在线清洗的预测持续时间(小时)

C_fuel(t_i)＝在时间t_i的预测燃料成本($/kg)

Δf_fuel(t_i，η(t_i)，P_PWR(t_i)＝作为时间t_i的效率η和功率输出的函数的、由于

            劣化而模型化的增加的燃料流(公斤/小时)

η_E(t_i)  ＝在时间t_i的预测的期望(等熵的)效率

η(t_i)    ＝在时间t_i的预测的实际(等熵的)效率

期望效率η_E是一个清洁的压缩机可产生的效率，并且该效率只能在离线清洗之后获得。η_E的下降在图1中由缓慢下降的曲线1表示，并且不能简单地通过清洗过程恢复。实际效率η是期望效率η_E减去自最近的清洗以来的可恢复的性能下降值。

表示例如真实的物理事实或逻辑事实的约束条件与上述变量相关并且/或者转换为相应的边界条件或规则。作为示例，如果在时间t_i有一个计划的设备停机，那么计划的功率输出P_PWR(t_i)将是零。此外，由于不能在同一时间步进行在线和离线清洗，将需要下列规则R1：

0≤δ₁(t_i)+δ₂(t_i)≤1                     (R1)

在时间步t_i的瞬时成本函数现在可作如下定义：

C(t_i)＝C₁(t_i)δ₁(t_i)+(P_PWR(t_i)D₁P_Price(t_i))δ₁(t_i)+C₂(t_i)δ₂(t_i)+

(ΔP_PWR(t_i)D₂P_Price(t_i))δ₂(t_i)+C_fuel(t_i)f_fuel(t_i)(t_i+1-t_i)(1-δ₁)

第一和第三项分别表示离线或在线清洗活动的资源成本。第二和第四项表示由于“损失的”的输出功率产生的成本，或者操作者为从第二资源中获得的功率的支出。ΔP_PWR表示在线清洗过程中降低的、但非零的功率输出的可能性。第五项等于由于连续运转产生的燃料成本，该连续运转基于通过模型化的燃料流f_Fuel得出的待传输的功率P_PWR和实际效率η。

清洗压缩机的益处是能够以较少的燃料产生未来的功率输出。一个考虑了在未来时间步t_j中时间t_i的清洗效果的预期成本函数定义如下：

$R\left(t_i\right)=\underset{t_j}{\overset{N_j}{\mathrm{\Σ}}}{C}_{\mathrm{fuel}}\left(t_j\right){\mathrm{\Δf}}_{\mathrm{fuel}}(t_j\mathrm{\η}\left(t_j\right),P_{\mathrm{PWR}}\left(t_j\right))(t_{j+1}-t_j)$

该预期成本函数依赖于因实际压缩机效率η和不可恢复的效率η_E之间的差异产生的额外燃料流。时间步t_j必须谨慎选择并且一般仅包括有限的项数。

然后对作为两个上述项的和的目标函数F应用一优化准则，该优化准则的目的是在一个预定的和有限的时间范围N_i≥1最小化总体成本，即：

$F({\mathrm{\δ}}_1,{\mathrm{\δ}}_2)=\underset{i}{\overset{N_i}{\mathrm{\Σ}}}(R\left(t_i\right)+C\left(t_i\right))$

$\min \left[F({\mathrm{\δ}}_1,{\mathrm{\δ}}_2)\right]$

考虑所有相关规则、约束或边界条件，布尔变量δ₁(t_i)和δ₂(t_i)，i＝1...N_i被求解并且相应地建立了维护时间表。在上述F和R的表达式中下标i和j以及项N_i、N_j的数目一般彼此分别不同。如果燃料流的模型基于小时(在目标函数R中的下标j)计算而优化问题基于日(在目标函数F中的下标i)计算，那么R的和将通常包括N_j＝24个元素。

优选地，从上述优化过程，仅仅保留了在时间t₁的第一时间步(即δ₁(t₁)和δ₂(t₁))的最优解，而抛弃了在时间上较后的时间步t_i，i＝2...N_i的其它解。随后以及/或者在根据时间t_i的解进行维护活动之后，成本和价格预测被重新调整，并且如果可能/必要，校正下降值/率。时间范围前移一步(因此目标函数F的和仍然包括N_i项)并且以在时刻t₂的实际效率η作为初值重复优化问题。有利地，该过程可针对例如一个月的每一天提前重复，从而生成了较长时间范围的维护进度。

接下来，将给出本发明方法的进一步的细节、方面和/或简化。

为了估计燃料流f_Fuel对效率的依赖性，并因此为了在清洗后计算燃料节约的收益，需要下列方程：

$f_{\mathrm{fuel}}=\frac{1}{C_g}(\mathrm{Power}+P_{\mathrm{PWR}})$

Power＝(T_ac-T_amb)f_aC_a

$(T_{\mathrm{ac}}-T_{\mathrm{amb}})=\frac{1}{{\mathrm{\η}}_{\mathrm{is}}}(T_{\mathrm{is}}-T_{\mathrm{amb}})$

其中Power是压缩机消耗的功率(MW)，P_PWR是来自工厂的全部输出功率，C_g是燃料容量(MWh/kg)，C_a是压缩机气体的比热(MWh/(kgK))，f_a是压缩机气体的质量流，T_ac和T_amb分别是在压缩机出口和入口的温度，而η_is是压缩机的等熵效率。

如果进行离线清洗，效率从η提高到η_E。由于因在压缩机叶片上的灰尘微粒产生的压缩机劣化通常大约为1-2％，燃料效益模型假定η和η_E不会差别很大，并且在第一次估值时，f_a和T_is对于η和η_E相同。进一步假定P_PWR恒定并且独立于压缩机效率。因此，

${\mathrm{\Δf}}_{\mathrm{fuel}}=\frac{1}{C_g}{f}_a{C}_a(T_{\mathrm{is}}-T_{\mathrm{amb}})\mathrm{\Δ}\left[\frac{1}{{\mathrm{\η}}_{\mathrm{is}}}\right]$

在第二此估值时，引入一个从例如标准压缩机图中获知的名义效率变量η₀和一个常数γ(0＜γ＜1)，该常数描述了在线清洗操作的效果(对于离线清洗γ＝1)，然后最终的燃料效益模型由如下公式给出：

${\mathrm{\Δf}}_{\mathrm{fuel}}\≈\frac{1}{C_g}\mathrm{Power}*\frac{\mathrm{\γ}}{{\mathrm{\η}}_0}({\mathrm{\η}}_E-\mathrm{\η})$

在最终稳定之前，实际效率η和估计效率η_E以类似指数的方式降低。然而，引入了新的辅助变量α_r，α_n并且作为时间和在线/离线清洗函数的效率劣化的线性模型能够再现该劣化的非线性特性。此线性劣化模型参数ε_r，ε_n，γ，α_r(0)，α_n(0)必须转变为这种方式：η和η_E的模型化劣化曲线然后与所考虑的压缩机的实际劣化曲线匹配并且可频繁地更新。

以下列符号

α_r(0)  ＝初始劣化水平(可恢复)

α_n(0)  ＝初始劣化水平(不可恢复)

α_r(t_i) ＝在时间i的可恢复的劣化

α_n(t_i) ＝在时间i的不可恢复的劣化

ε_r      ＝劣化率(可恢复的)

ε_n      ＝劣化率(不可恢复的)

γ                   ＝在线清洗效果(γ＜1)

连续状态变量/效率的劣化通过下列规则模型化：

η(t_i+1)＝η(t_i)-α_r(t_i)                    (R2)

η_E(t_i+1)＝η_E(t_i)-α_n(t_i)

其中劣化率(定义为非负的)：

α_r(t_i+1)＝α_r(t_i)-ε_r

α_n(t_i+1)＝α_n(t_i)-ε_n                       (R3)

如果在时间t_i进行清洗过程，等熵效率的预测增加通过将先前计算的值作如下替换而模型化：

δ₁(t_i)＝1→η(t_i)＝η_E(t_i)                           α_n(t_i)＝α(0) (R4)

δ₂(t_i)＝1→η(t_i)＝η(t_i)+γ(η_E(t_i)-η(t_i))      α_n(t_i)＝α(0)

在已知为“混合系统模型”的本发明方法的改进方案中，一个扩展的状态向量x除了包括上述清洗状态δ₁和δ₂之外，还包括分别表示正常工作状态和静止状态的布尔状态δ₃和δ₄。此外，还引入了用于表示当前和可恢复效率的非整数或连续变量η和η₁以及用于表示在线清洗成本、离线清洗成本和由于劣化产生的额外燃料成本的z₁，z₂，z₃。目标函数成为F(x)＝z₁+z₂+z₃，其中扩展状态向量x＝(δ₁，δ₂，δ₃，δ₄，η，η₂，z₁，z₂，z₃)。

上述用于η和η_E的规则R2，R3，R4仍然有效，而最初的规则R1替换为修改后的δ₁+δ₂+δ₃+δ₄＝1形式的规则R1’。如上所述，z₁＝δ₁C₁并且，z₂＝δ₂C₂，而用于z₃的规则显著简化并且具有从上述燃料效益模型获知的线性形式，即z₃＝P₅(η-η₂)，其中P₅是燃料价格、时间步和上面获得的用于Δf_fuel的表达式中的约束的乘积。此外，优化问题和燃料效益模型的时间步优选假定具有相同长度并且等于一日。

决策问题归结为后退水平优化(receding horizon optimization)(也称为模型预测控制(Model-Predictive Control))。整数/布尔变量和连续变量包括在一个状态向量x中，然后该状态向量在一个预定的有限时间范围内针对每个时间步t_j重复。此外，上述规则R1...R4以及目标函数也在对于每个时间步而重复。在随后的混合整数规划(MIP)法中，只考虑了前面N个有限的时间步。在t_i的第一时间步的最优解得以保留并且被设备操作者执行。在执行完成后，设备操作者重新调整成本和价格预测并且如果可能/必要的话校正劣化值/率，将时间范围前移一步并且以在t_i的实际效率η为初值重复优化问题。如果需要用于较长时间段的维护安排，程序/操作者将以日历日逐次迭代，将时间范围前移一步并且在每次迭代时仅保留第一时间步的最优解。同样，后者重复作为下一迭代步骤的初值。

前述过程包括整数(例如δ)和连续(例如η或成本变量z)状态变量，并因此基于一个合成的或混合的逻辑动态系统模型。除了优化函数之外，上述规则、约束或边界条件必须得到遵守。只要它们两者是线性的，就像例如上面揭示的燃料效益模型和估计效率劣化，该过程就称为混合整数线性规划方法(MILP)或优化框架(optimisation framework)。

假定包括整数和连续变量的状态向量x与目标函数F线性相关，就可以定义成本向量g并且成本函数F重写为F(x)＝g^Tx。利用建立了一个约束矩阵A的不等式，用于状态向量x的MILP公式如下：

Min F(x)，条件是Ax＜b

或者，如果成本函数F包括由成本矩阵Q表示的状态向量x中的二次项，可应用混合整数二次规划(MIQP)。目标函数采取这种形式：F(x)＝x^TQx+g^Tx。

成本矩阵Q、成本向量g和约束矩阵A被输入到一个健壮的并且可靠的优化问题求解器，例如用于解决线性、混合整数和二次规划问题的称为CPLEX的可通过商业渠道获得的优化程序(http：//www.ilog.com/product/cplex)。可选地，如果允许优化函数F和/或约束包括在状态向量x中的一般非线性项，可应用混合整数非线性规划(MINLP)。

获得针对电力(待售)和燃料(待购)的价格的可靠预测对于成功执行该方法是必需的。这种价格预测可在市场上从多个供应商那里买到(http：//www.bmreports.com)，并且在图2中绘出了示例。在上部的图中，示出了燃料价格预测C_fuel，而在下部的图中，示出了一年内的电力价格预测P_Price($/MWh)。

从图3能看到本发明方法的优点。上部的曲线1示出了不可恢复的效率η_E，而底部曲线2示出了当每天都硬性限制进行正常操作并且根本没有预期清洗时的效率劣化。在两个稳定状态的效率水平之间，该模型收敛于约3％的效率差。每天都进行清洗时目标函数等于主要花费在化学制品上的金钱总量，而若没有任何清洗，这些成本大约加倍。该数量对应于花费在燃料上的额外金钱，该金钱是由于与不可恢复的效率水平相比较的压缩机效率的差异而导致的，是工厂所有者必须付出的。中间的曲线3示出了当去掉所有的硬性约束并且系统确定了清洗活动的频率和类型时的同样的结果效率，当燃料价格高时(在第200日前后)导致增加的在线清洗频率。在此情况下，最小化了的目标函数包括在清洗去污剂上的支出和由于劣化而增加在燃料上的额外金钱的组合。由于离线清洗成本因电力销售的损失而非常高，在此示例中没有进行离线清洗。

图4最终示出了用于2003年四月的优化清洗时间安排。标以对号(√)的那天表示系统正常运转，而符号表示在线清洗。该时间表显示了最优的清洗频率是每2天或每3天，这取决于燃料价格。另外，没有进行离线清洗，因为与离线清洗相关的成本如此之高(由于电力销售的损失)以至于仅用于清洗而对设备进行停止运转永远是不经济的。然而，在当电厂由于其它原因——例如发电机维护——而停止运转时的特定日期，设备所有者可硬性强迫优化程序进行离线清洗。

概括地说，在对性能劣化的机械的维护活动进行时间安排的本发明方法中——其中该机械是将资源转换为产品的系统的一部分，并且维护活动提高了该机械的性能——执行下列步骤：

a)引入一个表示在第一时间步(t₁)的维护活动的状态变量(δ₁)和一个表示机械劣化了的性能的效率量度(η)；

b)提供一个维护活动价格的成本预测(C₁)和一个效率量度(η(t₁))的初始值，并且对于N_j＞1个未来的离散时间步(t_j)，提供资源支出(C_fuel(t_j))和产品收入(P_Price(t_j))的成本预测；

c)基于成本预测(C₁)、效率量度(η)、成本预测(C_fuel(t_j)，P_Price(t_j))和状态变量(δ₁)建立一个目标函数F，该目标函数F包括与性能劣化相关的额外的系统成本；

d)相对于状态变量(δ₁)最小化目标函数F，并且相应地安排第一时间步(t₁)的维护活动。

以此方式，提供了一种灵活的和经济上最优的时间安排方法，其中市场价格的未来变化影响了目前的决策，并且从该决策中得到了任意时间跨度的优化维护方案或计划。

Claims (12)

1、一种将资源转换为产品的方法，其中该资源和产品均由等价于每量度单位的目标量的一依赖时间的标准化特征(P_IN，C_fuel；P_OUT，P_Price)表示，其中将资源转换为产品的系统的性能由一个效率量度(η)表示，并且其中该性能持续劣化，并且能通过对该系统进行维护活动而得以提升，其特征在于该方法包括：

a)引入一个表示在第一时间步(t₁)的维护活动的状态变量(δ₁)并且估计用于所述维护活动的维护花费(C₁)；

b)提供一个效率量度(η(t₁))的初始值；

c)对于N_j＞1个未来的离散时间步(t_j)，提供对表示资源的标准化特征(P_IN(t_j)，C_fuel(t_j))的预测和对表示产品的标准化特征(P_OUT(t_j)，P_Price(t_j))的预测；

d)基于维护花费(C₁)、效率量度(η)、标准化特征预测(P_IN(t_j)，C_fuel(t_j)；P_OUT(t_j)，P_Price(t_j))和状态变量(δ₁)建立一个目标函数F，该目标函数F包括与性能劣化相关的系统的目标量的累积的变化；

e)关于状态变量(δ₁)最小化目标函数F，并且相应地安排第一时间步(t₁)的维护活动。

2、如权利要求1所述的方法，其特征在于所述资源是一种由依赖时间的供给功率(P_IN)表示的间歇性的可再生能源，并且所述产品是由依赖时间的需求功率(P_OUT)表示的电力。

3、如权利要求1所述的方法，其特征在于：

步骤a)包括提供所述维护活动(C₁)价格的一个成本预测；

步骤c)包括提供表示所述资源的支出(C_fuel(t_j))的一个成本预测和所述产品的收入(P_Price(t_j))的一个成本预测；以及

步骤d)包括建立一个用于额外系统成本的目标函数F，该额外系统成本涉及由于该系统所述目标量的累积的变化引起的性能劣化。

4、如权利要求3所述的方法，其特征在于，对于N_j＞1个未来离散时间步，提供了对所述产品的数量量度的预测(P_PWR(t_j))，并且所述目标函数F也基于此预测。

5、如权利要求3所述的方法，其特征在于所述目标函数F包括在N_i＞1个未来时间步(t_i)的成本(C(t_i)+R(t_i)；z₄)，以及表示在相应的未来时间步(t_i)的每个维护活动的状态变量(δ₁(t_i))，并且该目标函数关于所有这些状态变量(δ₁(t_i))最小化。

6、如权利要求5所述的方法，其特征在于，在一个未来的时间步(t_m)进行预定维护活动的情况下，通过将相应的状态变量(δ₁(t_m))设置为一个固定值来约束所述最小化过程。

7、如权利要求5所述的方法，其特征在于，至少两个对机械性能具有不同影响的不同维护活动是可能的，并且它们的存在或不存在由至少两个不同的布尔状态变量(δ₁，δ₂)表示。

8、如权利要求7所述方法，其特征在于，一个扩展状态向量(x)包括所述布尔状态变量(δ₁，δ₂)以及连续状态变量(η，η₂，z₁，z₂，z₃)，并且规则(R1，R1’，R2-R4)与这些状态变量相关。

9、如权利要求7所述的方法，其特征在于，所述性能劣化通过一个用于效率量度(η)的线性模型而模型化，产生了一系列使效率量度(η)与布尔状态变量(δ₁，δ₂)相互关联的相应规则(R2-R4)。

10、如权利要求3至9中任一项所述的方法，其特征在于所述系统是一个将作为资源的气体燃料转换为作为产品的机械能或电能的燃气轮机，并且所述机械是一个效率(η)劣化的压缩机，并且所述维护活动是压缩机清洗活动。

11、一种用于对性能劣化的机械的维护活动进行时间安排的计算机程序，该计算机程序可装载在一个数据处理单元中并在其上执行，并且当执行该计算机程序时，该计算机程序完成如上述权利要求中任一项所述的将资源转换为产品的方法的步骤。

12、一种用于对效率(η)劣化的压缩机的维护活动进行时间安排的方法，其中该压缩机是将气体燃料转换为机械能或电能的燃气轮机的一部分，并且所述压缩机清洗活动提高了该压缩机的效率，该方法包括下列步骤：

a)引入一个表示在第一时间步(t₁)的压缩机维护活动的状态变量(δ₁)；

b)提供一个针对压缩机维护活动的价格的成本预测(C₁)和一个效率初始值(η(t₁))，并且针对N_j＞1个未来的离散时间步(t_j)，提供对气体燃料支出(C_fuel(t_j))和机械能或电能收入(P_Price(t_j))的成本预测；

c)基于成本预测(C₁)、效率(η)、成本预测(C_fuel(t_j)，P_Price(t_j))和状态变量(δ₁)建立一个用于与效率劣化相关的额外系统成本的目标函数F；

d)关于状态变量(δ₁)最小化目标函数F，并且相应地安排第一时间步(t₁)的压缩机清洗活动。

Images