TWI735329B - 離岸風場維修決策系統 - Google Patents
離岸風場維修決策系統 Download PDFInfo
- Publication number
- TWI735329B TWI735329B TW109130140A TW109130140A TWI735329B TW I735329 B TWI735329 B TW I735329B TW 109130140 A TW109130140 A TW 109130140A TW 109130140 A TW109130140 A TW 109130140A TW I735329 B TWI735329 B TW I735329B
- Authority
- TW
- Taiwan
- Prior art keywords
- maintenance
- offshore wind
- wind farm
- supply chain
- target
- Prior art date
Links
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- 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
- Wind Motors (AREA)
Abstract
一種離岸風場維修決策系統被揭露。該離岸風場維修決策系統包含互相電性連接的一儲存器與一處理器。該儲存器用以儲存與一離岸風場相關的離岸風場資訊、以及與該離岸風場相關的維修供應鏈資訊。該處理器用以根據該離岸風場資訊預測該離岸風場中的一目標風機的一狀態,根據該維修供應鏈資訊預測與該離岸風場相關的一維修資源,並根據該狀態與該維修資源決定何時要對該目標風機進行維修。
Description
本發明的實施例是關於一種決策系統。更具體而言,本發明的實施例是關於一種離岸風場維修決策系統,其能決定何時要對離岸風場中的風機進行維修。
離岸風場,又稱離岸風力發電廠,意即在海上建設的風力發電廠。離岸風場中會設置風力發電機(又稱「風機」)以進行風力發電,即,透過風機之運作,將海上的風力能源轉為電力能源。
為了確保某一離岸風場中的風機之運作正常,需要收集該離岸風場的離岸風場資訊(與天氣、風機、海況等因素相關的資訊),然後根據該離岸風場資訊判斷該離岸風場中的風機是否需要維修。由於離岸風場的現況是易變的且難以預測的,故可能發生以下情況:當根據收集到的離岸風場資訊判斷該離岸風場中的風機需要維修時,沒有足夠的維修人員、維修設備、或維修元件可以支援該次維修作業,而當該次維修作業所需要的維修人員、維修設備、及維修元件均充分時,該離岸風場中可能又出現更多需要被維修的風機、或是原本需要維修的風機又出現其他問題,致使原準備好的維修人員、維修設
備、及維修元件又不足以應付目前的維修作業。換言之,離岸風場的維修需求以及維修資源存在著無法即時匹配的嚴重問題,而這也正是本發明所屬技術領域亟需解決的問題。
為了解決至少上述問題,本發明的實施例提供一種離岸風場維修決策系統。該離岸風場維修決策系統可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存與一離岸風場相關的離岸風場資訊、以及與該離岸風場相關的維修供應鏈資訊。該處理器可用以根據該離岸風場資訊預測該離岸風場中的一目標風機的一狀態,根據該維修供應鏈資訊預測與該離岸風場相關的一維修資源,並根據該狀態與該維修資源決定何時要對該目標風機進行維修。
根據與一離岸風場相關的離岸風場資訊,本發明的實施例所提供的離岸風場維修決策系統可判斷該離岸風場中各個風機的目前狀態以及預測其未來的狀態,並據以判斷該離岸風場中的每一個風機各自需要被維修的時間點。另外,根據與該離岸風場相關的維修供應鏈資訊,本發明的實施例所提供的離岸風場維修決策系統還可判斷目前的維修資源(例如:維修人員、維修設備、及維修元件等維修資源)以及預測未來的維修資源。據此,本發明的實施例所提供的離岸風場維修決策系統可以適應性地針對該離岸風場中的每一個風機的維修進行排程,以使該離岸風場中的每一個風機能夠在其需要被維修的時候,都能有相對應的維修資源來支援。換言之,本發明的實施例所提供的離岸
風場維修決策系統已有效地解決了離岸風場的維修需求以及維修資源存在著無法即時匹配的嚴重問題。
如下所示:
1:離岸風場維修決策系統
11:處理器
13:儲存器
15:介面
N1:離岸風場資訊
N2:維修供應鏈資訊
21:連接層
22:轉換層
23:網絡層
24:認知層
25:決策層
D01:目標風機實際資料
D02:目標風機歷史資料
D03:參考風機資料
D12:目標風機預測資料
D13:目標風機異常指標
D14:離岸風場維修指標
31:連接層
32:轉換層
33:網絡層
34:認知層
35:決策層
D21:目標供應鏈實際資料
D22:目標供應鏈歷史資料
D23:候選供應鏈資料
D32:目標供應鏈預測資料
D33:供應鏈推薦指標
D34:維修計畫
檢附的圖式可輔助說明本發明的各種實施例,其中:〔圖1〕例示了本發明的某些實施例的離岸風場維修決策系統的方塊圖;〔圖2〕例示了本發明的某些實施例的離岸風場維修決策系統如何預測一離岸風場中的一目標風機的一狀態的示意圖;以及〔圖3〕例示了本發明的某些實施例的離岸風場維修決策系統如何預測與一離岸風場相關的一維修資源的示意圖。
以下將透過多個實施例來說明本發明,惟這些實施例並非用以限制本發明只能根據所述操作、環境、應用、結構、流程或步驟來實施。為了易於說明,與本發明的實施例無直接關聯的內容或是不需特別說明也能理解的內容,將於本文以及圖式中省略。於圖式中,各元件(Element)的尺寸以及各元件之間的比例僅是範例,而非用以限制本發明的保護範圍。除了特別說明之外,在以下內容中,相同(或相近)的元件符號可對應至相同(或相近)的元件。在可被實現的情況下,如未特別說明,以下所述的每一個元件的數量可以是一個或多個。
本揭露使用之用語僅用於描述實施例,並不意圖限制本發明的保護範圍。除非上下文另有明確說明,否則單數形式「一」也旨在包括複數形
式。「包括」、「包含」等用語指示所述特徵、整數、步驟、操作、元素及/或元件的存在,但並不排除一或多個其他特徵、整數、步驟、操作、元素、元件及/或前述之組合之存在。用語「及/或」包含一或多個相關所列項目的任何及所有的組合。
圖1例示了本發明的某些實施例的離岸風場維修決策系統的方塊圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。參照圖1,離岸風場維修決策系統1可至少包含互相電性連接的處理器11與儲存器13。
處理器11可以是各種具備訊號處理功能的微處理器(Microprocessor)或微控制器(Microcontroller)。微處理器或微控制器是一種可程式化的特殊積體電路,其具有運算、儲存、輸出/輸入等能力,且可接受並處理各種編碼指令,藉以進行各種邏輯運算與算術運算,並輸出相應的運算結果。
儲存器13可包含第一級儲存裝置(又稱主記憶體或內部記憶體),通常簡稱為記憶體,其與處理器11直接連接。處理器11可讀取儲存在記憶體內的指令集,並在需要時執行這些指令集。儲存器13還可包含第二級儲存裝置(又稱外部記憶體或輔助記憶體),其透過記憶體的輸入/輸出通道來與處理器11連接,並使用資料緩衝器來將資料傳輸至第一級儲存裝置。第二級記憶體可例如是各種類型的硬碟、光碟等。儲存器13亦可包含第三級儲存裝置,例如可直接插入或自電腦拔除的隨身碟、或是雲端硬碟。
儲存器13可儲存離岸風場維修決策系統1本身產生的資料以及輸入至離岸風場維修決策系統1的各種資料。如圖1所示,儲存器13可儲存離岸風
場資訊N1以及維修供應鏈資訊N2。根據不同需求,儲存器13可以透過正規化的資料庫(例如,PostgreSQL資料庫)或非正規化的資料庫(例如,Hbase資料庫)來儲存離岸風場資訊N1所包含的離岸風場資料以及維修供應鏈資訊N2所包含的供應鏈資料。
在某些實施例中,除了處理器11與儲存器13,離岸風場維修決策系統1還可包含電性連接至處理器11的介面15。介面15可以包含各種通訊界面,以支援各種資料或指令的輸入/輸出。離岸風場維修決策系統1可透過介面15從外部裝置輸入資料或指令,亦可將決策結果輸出至外部裝置。如圖1所示,離岸風場維修決策系統1可透過介面15接收離岸風場資訊N1以及維修供應鏈資訊N2。
圖2例示了本發明的某些實施例的離岸風場維修決策系統1如何預測一離岸風場中的一目標風機的一狀態的示意圖,而圖3例示了本發明的某些實施例的離岸風場維修決策系統1如何預測與一離岸風場相關的一維修資源的示意圖。圖2與圖3所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。
首先參照圖2,離岸風場維修決策系統1可透過連接層21、轉換層22、網絡層23、認知層24與決策層25這五個階層來預測一離岸風場中的一目標風機的一狀態。
在連接層21的運作中,離岸風場維修決策系統1的介面15可接收離岸風場資訊N1所包含的各種離岸風場資料,並將接收的離岸風場資料儲存至儲存器13中,以供轉換層22、網絡層23、認知層24、或決策層25使用。舉例而言,離岸風場資料可包含該目標風機的目標風機實際資料D01、該目標風機的
目標風機歷史資料D02、以及與該離岸風場中的至少一參考風機相關的參考風機資料D03。
目標風機實際資料D01可為該離岸風場中的該目標風機當下運作所產生的資料,而目標風機歷史資料D02可為該目標風機在過去的一段時間區間中運作所產生的資料。另外,參考風機資料D03可為該離岸風場中的其他的風機(即,參考風機)當下運作及/或在過去的一段時間區間中運作所產生的資料。在某些情況下,參考風機可以是被選定的模範風機,模範風機為具有最接近廠商提供的保證功率曲線的輸出功率的風機。
離岸風場資訊N1所包含的上述離岸風場資料(即,目標風機實際資料D01、目標風機歷史資料D02、參考風機資料D03)可以是由該離岸風場直接提供(例如,由該離岸風場內的監控系統來提供),也可以由其他外部裝置提供(例如,由可從該偵測系統收集資料的其他裝置來提供)。離岸風場資訊N1所包含的各上述離岸風場資料可採用即時輸入的方式來輸入。例如,可採用OPC(OLE(Object Linking and Embedding)for Process Control)、XML等各種格式或通訊協定,以將上述資料即時地輸入至離岸風場維修決策系統1中,或使用風機廠商提供的資料匯流排(Data Bus),將上述資料即時地輸入至離岸風場維修決策系統1中。另外,離岸風場資訊N1可以是自一即時監控軟體(例如:dataPARC)接收的輸入資料。
在轉換層22,處理器11可將連接層21提供的目標風機歷史資料D02輸入預先訓練的一風機資料預測模型,以透過該風機資料預測模型產生目標風機預測資料D12,並將目標風機預測資料D12儲存至儲存器13中以供網絡
層23、認知層24或決策層25使用。目標風機預測資料D12可包含該目標風機在未來的一或多個時間點的風機運行參數及其對應數值。
風機資料預測模型可以是例如但不限於:一高斯混合模型(Gaussian Mixture Model),自組織映射網路(Self-Organizing Map,SOM)模型、類神經網路模型。風機資料預測模型可以是由外部裝置預先建立後再傳送給離岸風場維修決策系統1使用,亦可以是由處理器11根據該離岸風場的各種歷史資料自行訓練而建立。
在某些實施例中,在轉換層22,處理器11還可根據該目標風機的目標風機實際資料D01,更新該風機資料預測模型。詳言之,處理器11可以將目標風機實際資料D01作為重新訓練或是更新該風機資料預測模型的訓練資料,以使風機資料預測模型的預測結果更加精確。
在某些實施例中,上述目標風機實際資料D01、目標風機歷史資料D02、目標風機預測資料D12各自可包含以下與風機運行有關的參數中的至少一個:風機運作參數、驅動鏈參數、基樁結構健康度參數、剩餘有效壽命參數、基樁淘刷(Scouring)參數、葉片損傷(Blade Damage)參數、以及犧牲陽極(Sacrificial Anode)參數。離岸風場資訊N1所包含的上述離岸風場資料可以是離岸風場中的監控系統所提供的資料,例如但不限於:採集與監控系統(Supervisory Control and Data Acquisition,SCADA)資料、狀況監控系統(Condition Monitoring System,CMS)資料。
在網絡層23,處理器11可根據連接層21提供的參考風機資料D03,產生一目標風機異常指標D13,並將其儲存到儲存器13,以供認知層24或決策層25使用。詳言之,在同一個離岸風場中的所有風機,若採用相同操作
模式,並處於相同的受風狀況,則應該所有風機對應的參數應具有高強度的相似性。在此原理下,處理器11可以將所有風機(即,參考風機與目標風機)的各種參數進行比對,以判斷哪些風機的參數出現異常,進而判斷哪些風機的運作是否異常。目標風機異常指標D13可定義目標風機是否出現異常。舉例而言,當處理器11判斷目標風機的某些參數可能出現異常,可將目標風機異常指標D13的數值設定為較大的數值。
在認知層24,處理器11可根據前述所有資料,例如連接層21提供的目標風機實際資料D01、目標風機歷史資料D02、參考風機資料D03、轉換層22提供的目標風機預測資料D12、網絡層23提供的目標風機異常指標D13,的至少其中之一來產生離岸風場維修指標D14,以供決策層25使用。處理器11可考量各個風機及/或離岸風場的性能、可靠度、維修度、及財務等參數的數值,以資產管理的模式產生離岸風場維修指標D14。離岸風場維修指標D14可包含各個風機的維修優先度(例如,哪個風機最需要優先被維修)、維修預估成本,但不以此為限。
在決策層25,處理器11可以根據連接層21提供的目標風機實際資料D01、目標風機歷史資料D02、參考風機資料D03、轉換層22提供的目標風機預測資料D12、網絡層23提供的目標風機異常指標D13、以及認知層24提供的離岸風場維修指標D14(以上資料均屬於離岸風場資訊N1)的至少其中之一,來預測該目標風機的當前狀態或未來某一時間點的一狀態。
在決策層25,處理器11可透過各種條件來判斷該目標風機在目前所未來的一或多個時間點的各種狀態。舉例而言,當該目標風機的目標風機
實際資料D01出現錯誤碼或警告碼,代表該目標風機停止運轉,處理器11可判斷該目標風機的當前狀態為「需要維修」。
舉例而言,當未來某一時間點的目標風機預測資料D12中的參數不符目標風機歷史資料D02中的相應參數(例如,該目標風機的預測功率參數低於過去在相同風速下的平均功率的兩倍標準差),處理器11可預測該目標風機在該未來時間點的狀態為「運作異常」。
另舉例而言,當目標風機實際資料D01或未來某一時間點的目標風機預測資料D12中的參數,與同一個離岸風場中的參考風機的對應參數的數值不同(例如,該目標風機在同一風速下的功率參數的數值偏低、該目標風機的風速未達額定風機即起動葉片旋角控制、該目標風機的風向角參數數值偏離過大、該目標風機的油溫參數數值過高、或該目標風機的發電機三相輸出溫度參數數值過高),處理器11可判斷該目標風機的當前狀態或該未來時間點的狀態為「運作異常」。
再舉例而言,當對應未來某一時間點的目標風機預測資料D12中的參數出現代表風機異常的數值(例如,風機葉片表面出現損傷,需修補以避免傷害深入骨架破壞葉片結構、風機水下犧牲陽極腐蝕怠盡需換新、風基機裝淘刷需檢查與保護、基樁被船隻碰撞而受損),處理器11可預測該目標風機在該未來時間點的狀態為「需要維修」。
又舉例而言,當處理器11判斷網絡層23提供的目標風機異常指標D13的數值高於一預設值(代表目標風機的某些參數可能出現異常),亦可判斷該目標風機的當前狀態或該未來時間點的狀態為「運作異常」。
接著參照圖3,離岸風場維修決策系統1可透過連接層31、轉換層32、網絡層33、認知層34與決策層35這五個階層來預測與一離岸風場相關的一維修資源。
在連接層31,離岸風場維修決策系統1的介面15可接收維修供應鏈資訊N2所包含的各種維修供應鏈資料,並將接收的維修供應鏈資料儲存至儲存器13中,以供轉換層32、網絡層33、認知層34、或決策層35使用。舉例而言,維修供應鏈資料可包含與一目標供應鏈相關的目標供應鏈實際資料D21與目標供應鏈歷史資料D22、以及與複數候選供應鏈相關的候選供應鏈資料D23。
目標供應鏈可以是特定的一維修供應鏈組合,也就是該目標風機進行一次維修所需的資源的組合,舉例而言,一個目標供應鏈的維修供應鏈組合可以包含一特定維修船舶出海航線、一特定維修人員、一特定維修船舶、一特定零件、一特定零件供應商等特定資源。可以根據該目標風機的所有維修歷史紀錄中使用過的資源來選擇目標供應鏈的維修供應鏈組合要包含的資源,可以直接選擇該目標風機先前採用過的一維修供應鏈組合作為目標供應鏈,也可以由一使用者根據該目標風機的需求而自行設定目標供應鏈的維修供應鏈組合。
目標供應鏈實際資料D21可為該目標供應鏈當下能夠提供一維修資源的相關資料,而目標供應鏈歷史資料D22可為該目標供應鏈在過去的一段時間區間中能夠提供維修資源的歷史相關資料。另外,候選供應鏈資料D23可以是有關複數候選供應鏈在當下及/或在過去的一段時間能夠提供維修資源的相關資料。類似於該目標供應鏈,該複數候選供應鏈的每一個也可以各自是不
同的維修供應鏈組合。在某些實施例中,也可以從複數候選供應鏈中選定其中一個作為該目標供應鏈。
維修供應鏈資訊N2所包含的上述供應鏈資料(即,目標供應鏈實際資料D21、目標供應鏈歷史資料D22、候選供應鏈資料D23)可採用批次輸入的方式來輸入。例如,透過輸入CVS格式或Excel格式的檔案,一次將對應到一個時間區間內的所有資料輸入到離岸風場維修決策系統1中。
在轉換層32,處理器11可將連接層31提供的目標供應鏈歷史資料D22輸入預先建立的一供應鏈資料預測模型,以透過該供應鏈資料預測模型產生目標供應鏈預測資料D32,並將目標供應鏈預測資料D32儲存至儲存器13中以供網絡層33、認知層34或決策層35使用。目標供應鏈預測資料D32可包含該目標供應鏈在未來的某一時間點能夠對該目標風機提供維修資源的相關參數與其預測數值。
該供應鏈資料預測模型可以是由外部裝置預先建立而後再提供給離岸風場維修決策系統1使用,亦可以是由處理器11直接根據與該離岸風場相關的各個供應鏈的歷史資料而預先自行建立的。
在某些實施例中,在轉換層32,處理器11還可根據目標供應鏈實際資料D21,更新該供應鏈資料預測模型。詳言之,處理器11可以將目標供應鏈實際資料D21作為重新訓練或是更新該供應鏈資料預測模型的訓練資料,以使供應鏈資料預測模型的預測結果更加精確。
上述目標供應鏈實際資料D21、目標供應鏈歷史資料D22、目標供應鏈預測資料D32各自可包含以下維修資源參數中的至少一個:海況參數、維修人員參數、維修船舶參數、零件參數。海況參數可包含維修船舶出海維修
需經過的海域的海況等級、波浪高度、週期的資料。維修人員參數可包含維修人員的專長、維修記錄、身體健康情形及出勤狀況等資料。維修船舶參數可包含維修船舶的船舶基本尺寸、船速、承載人數、載重噸、耐海性能、可出海的海況天氣窗期等資料。零件參數可包含用於維修風機的零件的種類、數量、以及零件可靠度等資料。
在網絡層33,處理器11可根據連接層31提供的候選供應鏈資料D23,產生一供應鏈推薦指標D33,以供認知層34或決策層35使用。詳言之,處理器11可以將所有供應鏈(即,一或多個候選供應鏈與目標供應鏈)的各種參數進行比對,以判斷哪些供應鏈能提供哪些維修資源(包含:維修人員、維修零件、維修時間、維修日期)。供應鏈推薦指標D33可用來判斷每一供應鏈提供的維修資源的維修品質。舉例而言,當處理器11判斷某一供應鏈的維修品質較高,便可將該供應鏈的供應鏈推薦指標D33的數值設定為較大的數值。
在認知層34,處理器11可根據前述所有資料,例如連接層31提供的目標供應鏈實際資料D21、目標供應鏈歷史資料D22、候選供應鏈資料D23、轉換層32提供的目標供應鏈預測資料D32、網絡層33提供的供應鏈推薦指標D33,的至少其中之一來產生維修計畫D34,以供決策層35使用。處理器11可根據上述資料考量各個供應鏈的維修時程、維修人員品質、維修品質、維修可靠度、及維修成本等參數的數值,以資產管理的模式產生最適合用以維修該目標風機的維修計畫D34。
在決策層35,處理器11可以根據連接層31提供的目標供應鏈實際資料D21、目標供應鏈歷史資料D22、候選供應鏈資料D23、轉換層32提供的目標供應鏈預測資料D32、網絡層33提供的供應鏈推薦指標D33、以及認知層
34提供的維修計畫D34等資料(以上資料均屬維修供應鏈資訊N2)的至少其中之一,來預測與該離岸風場相關的當前的維修資源或未來一或多個時間點的維修資源。
舉例而言,處理器11可以至少根據轉換層32提供的目標供應鏈預測資料D32,預測該目標供應鏈在未來的某一時間點是否能夠對該目標風機提供維修資源。舉例而言,處理器11可以至少根據連接層31提供的候選供應鏈資料D23,預測每一個候選供應鏈在未來的某一時間點對應的維修資源,以作為該目標風機需要維修時選擇對應維修供應鏈的依據。
同時參照圖2與圖3,透過決策層25,處理器11將可預測出該離岸風場中的該目標風機在當前時間點或未來時間點的狀態;而透過決策層35,處理器11將可預測出與該離岸風場相關的在當前時間點或未來時間點維修資源。因此,結合決策層25和決策層35的判斷結果,處理器11將可適應性地決定何時要對該目標風機進行維修。舉例而言,若處理器11判斷目標風機在未來某個時間點的狀態是「需要維修」或「運作異常」,且該目標供應鏈的在該未來時間點被預測的維修資源能夠支援該目標風機的維修,則處理器11將可決定在該未來時間點使用該目標供應鏈來維修該目標風機。
另舉例而言,若處理器11判斷目標風機在未來某個時間點的狀態是「需要維修」或「運作異常」,處理器11可以至少根據網絡層33針對每一個候選供應鏈提供的對應的供應鏈推薦指標D33來選擇最適合用來維修該目標風機的候選供應鏈。再舉例而言,若處理器11判斷目標風機在未來某個時間點的狀態是「需要維修」或「運作異常」,處理器11也可以根據認知層34提供的
維修計畫D34之相關資訊,決定是否要採用對應的維修計畫來維修該目標風機。
再舉例而言,若處理器11判斷目標風機在未來某個時間點的狀態是「需要維修」或「運作異常」,處理器11還可以進一步考量認知層24提供的離岸風場維修指標D14以及其根據維修供應鏈資訊N2所預測的維修資源,決定該目標風機是否要進行維修。詳言之,若離岸風場維修指標D14顯示該離岸風場中存在更需優先進行維修的某一風機,處理器11可決定不維修該目標風機,而將該維修資源分配給更需優先進行維修的該風機。
在某些實施例中,圖2所示的連接層21可以和圖3所示的連接層31合併為單一個連接層(即,一個具備連接層21和連接層31的功能的連接層),同樣地,圖2所示的轉換層22、網絡層23、認知層24與決策層25可以分別和圖3所示的轉換層32、網絡層33、認知層34與決策層35整合成單一個轉換層、網絡層、認知層與決策層(即,一個具備轉換層22和轉換層32的功能的轉換層、一個具備網絡層23和網絡層33的功能的轉換層、一個具備認知層24和認知層34的功能的轉換層、與一個具備決策層25和決策層35的功能的轉換層)。
上述實施例只是舉例來說明本發明,而非為了限制本發明的保護範圍。任何針對上述實施例進行修飾、改變、調整、整合而產生的其他實施例,只要是本發明所屬技術領域中具有通常知識者不難思及的,都涵蓋在本發明的保護範圍內。本發明的保護範圍以申請專利範圍為準。
1:離岸風場維修決策系統
11:處理器
13:儲存器
15:介面
N1:離岸風場資訊
N2:維修供應鏈資訊
Claims (9)
- 一種離岸風場維修決策系統,包含:一儲存器,用以儲存與一離岸風場相關的離岸風場資訊、以及與該離岸風場相關的維修供應鏈資訊;以及一處理器,電性連接至該維修決策系統,用以根據該離岸風場資訊預測該離岸風場中的一目標風機的一狀態,根據該維修供應鏈資訊預測與該離岸風場相關的一維修資源,並根據該狀態與該維修資源決定何時要對該目標風機進行維修;其中該維修供應鏈資訊至少包含與一目標供應鏈相關的目標供應鏈預測資料,該維修資源是由該處理器至少根據該目標供應鏈預測資料所預測,且該目標供應鏈預測資料是由該處理器將目標供應鏈歷史資料輸入一供應鏈資料預測模型,以透過該供應鏈資料預測模型所產生。
- 如請求項1所述的離岸風場維修決策系統,其中該處理器還用以根據該目標供應鏈的目標供應鏈實際資料,更新該供應鏈資料預測模型。
- 一種離岸風場維修決策系統,包含:一儲存器,用以儲存與一離岸風場相關的離岸風場資訊、以及與該離岸風場相關的維修供應鏈資訊;以及一處理器,電性連接至該維修決策系統,用以根據該離岸風場資訊預測該離岸風場中的一目標風機的一狀態,根據該維修供應鏈資訊預測與該離岸風場相關的一維修資源,並根據該狀態與該維修資源決定何時要對該目標風機進行維修; 其中該維修供應鏈資訊至少包含分別與複數候選供應鏈相關的候選供應鏈資料,且該維修資源是由該處理器至少根據該候選供應鏈資料所預測。
- 一種離岸風場維修決策系統,包含:一儲存器,用以儲存與一離岸風場相關的離岸風場資訊、以及與該離岸風場相關的維修供應鏈資訊;以及一處理器,電性連接至該維修決策系統,用以根據該離岸風場資訊預測該離岸風場中的一目標風機的一狀態,根據該維修供應鏈資訊預測與該離岸風場相關的一維修資源,並根據該狀態與該維修資源決定何時要對該目標風機進行維修;其中該維修供應鏈資訊至少包含一維修計畫,該維修資源是由該處理器至少根據該維修計畫所預測,且該維修計畫是由該處理器至少根據以下資料所產生:與一目標供應鏈相關的目標供應鏈預測資料、以及與複數候選供應鏈相關的候選供應鏈資料的至少其中之一。
- 如請求項1-4其中任一項所述的離岸風場維修決策系統,其中該離岸風場資訊至少包含分別與至少一參考風機相關的參考風機資料,且該狀態是由該處理器至少根據該參考風機資料所預測。
- 如請求項1-4其中任一項所述的離岸風場維修決策系統,其中該離岸風場資訊至少包含與該離岸風場相關的至少一離岸風場維修指標,該狀態是由該處理器至少根據該離岸風場維修指標所預測,且各該至少一離岸風場維修指標是由該處理器至少根據以下資料產生:與該目標風機相關的目標風機預測資料、以及分別與至少一參考風機相關的參考風機資料的至少其中之一。
- 如請求項1-4其中任一項所述的離岸風場維修決策系統,還包含一介面,電性連接至該處理器,且用以接收該離岸風場資訊以及該維修供應鏈資訊。
- 如請求項1-4其中任一項所述的離岸風場維修決策系統,其中該離岸風場資訊至少包含與該目標風機相關的目標風機預測資料,該狀態是由該處理器至少根據該目標風機預測資料所預測,且該目標風機預測資料是由該處理器將目標風機歷史資料輸入一風機資料預測模型,以透過該風機資料預測模型所產生。
- 如請求項8所述的離岸風場維修決策系統,其中該處理器還用以根據該目標風機的目標風機實際資料,更新該風機資料預測模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109130140A TWI735329B (zh) | 2020-09-03 | 2020-09-03 | 離岸風場維修決策系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109130140A TWI735329B (zh) | 2020-09-03 | 2020-09-03 | 離岸風場維修決策系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI735329B true TWI735329B (zh) | 2021-08-01 |
TW202211141A TW202211141A (zh) | 2022-03-16 |
Family
ID=78283000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109130140A TWI735329B (zh) | 2020-09-03 | 2020-09-03 | 離岸風場維修決策系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI735329B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103161681A (zh) * | 2011-12-13 | 2013-06-19 | 湘潭大学 | 一种基于多级诊断的风力发电机组维护系统 |
TWI657404B (zh) * | 2016-12-23 | 2019-04-21 | 財團法人船舶暨海洋產業研發中心 | 離岸風場管理系統及其方法 |
CN110633808A (zh) * | 2018-06-20 | 2019-12-31 | 北京金风慧能技术有限公司 | 风电场运行维护任务排布系统和方法 |
CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
CN111472946A (zh) * | 2020-04-14 | 2020-07-31 | 中国矿业大学银川学院 | 一种风力发电机组智能辅助维修系统及辅助维修方法 |
-
2020
- 2020-09-03 TW TW109130140A patent/TWI735329B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103161681A (zh) * | 2011-12-13 | 2013-06-19 | 湘潭大学 | 一种基于多级诊断的风力发电机组维护系统 |
TWI657404B (zh) * | 2016-12-23 | 2019-04-21 | 財團法人船舶暨海洋產業研發中心 | 離岸風場管理系統及其方法 |
CN110633808A (zh) * | 2018-06-20 | 2019-12-31 | 北京金风慧能技术有限公司 | 风电场运行维护任务排布系统和方法 |
CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
CN111472946A (zh) * | 2020-04-14 | 2020-07-31 | 中国矿业大学银川学院 | 一种风力发电机组智能辅助维修系统及辅助维修方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202211141A (zh) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A real-time inspection and opportunistic maintenance strategies for floating offshore wind turbines | |
Kang et al. | Fault Tree Analysis of floating offshore wind turbines | |
Sahnoun et al. | Modelling and simulation of operation and maintenance strategy for offshore wind farms based on multi-agent system | |
Byon et al. | Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process | |
Dinmohammadi et al. | A fuzzy-FMEA risk assessment approach for offshore wind turbines | |
Park et al. | Development of a novel power curve monitoring method for wind turbines and its field tests | |
Dalgic et al. | Investigation of optimum crew transfer vessel fleet for offshore wind farm maintenance operations | |
US20140244328A1 (en) | Wind turbine maintenance optimizer | |
CN105303457B (zh) | 基于蒙特卡洛运行维护模拟的海上风资源评估方法 | |
US20140324495A1 (en) | Wind turbine maintenance optimizer | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
Besnard | On maintenance optimization for offshore wind farms | |
Dawid et al. | Review of Markov models for maintenance optimization in the context of offshore wind | |
EP3855019A1 (en) | System and method for operating a wind turbine | |
CN111622898A (zh) | 用于预测由于过度振动造成风力涡轮停机的系统和方法 | |
Centeno-Telleria et al. | Impact of accessibility on O&M of floating offshore wind turbines: Sensitivity of the deployment site | |
McMillan et al. | Towards quantification of condition monitoring benefit for wind turbine generators | |
TWI735329B (zh) | 離岸風場維修決策系統 | |
Su et al. | Opportunistic maintenance optimisation for offshore wind farm with considering random wind speed | |
Onwusinkwue et al. | Artificial intelligence (AI) in renewable energy: A review of predictive maintenance and energy optimization | |
Ambühl et al. | On different maintenance strategies for casted components of offshore wind turbines | |
Dalgic et al. | The influence of multiple working shifts for offshore wind farm O&M activitiesstrathow-OM tool | |
Sahnoun et al. | Modelling of maintenance strategy of offshore wind farms based multi-agent system | |
CN113642937A (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 |