WO2025152199A1 - 多船协同的海上风电运维调度高效优化方法及相关装置 - Google Patents

多船协同的海上风电运维调度高效优化方法及相关装置

Info

Publication number
WO2025152199A1
WO2025152199A1 PCT/CN2024/073834 CN2024073834W WO2025152199A1 WO 2025152199 A1 WO2025152199 A1 WO 2025152199A1 CN 2024073834 W CN2024073834 W CN 2024073834W WO 2025152199 A1 WO2025152199 A1 WO 2025152199A1
Authority
WO
WIPO (PCT)
Prior art keywords
maintenance
ship
scheduling
model
optimization
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
Application number
PCT/CN2024/073834
Other languages
English (en)
French (fr)
Inventor
马远驰
杨之乐
郭媛君
安钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Publication of WO2025152199A1 publication Critical patent/WO2025152199A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/007—Arrangements for selectively connecting one or more loads to one or more power sources or power lines
    • H02J3/0075—Arrangements for selectively connecting one or more loads to one or more power sources or power lines for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • 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

Definitions

  • the present application relates to an operation and maintenance scheduling optimization method, and specifically to an efficient optimization method for offshore wind power operation and maintenance scheduling with multi-ship collaboration and related devices.
  • CTV Crew Travel Vessel
  • ⁇ ip represents the number of technicians of type p required for the unit i to be repaired, Indicates the maximum number of people that the ship v can carry;
  • a decomposition module used for decomposing the multi-ship collaborative operation and maintenance scheduling model into a plurality of single-ship operation and maintenance optimization scheduling sub-models satisfying the constraints of the multi-ship collaborative operation and maintenance scheduling model according to the multi-ship collaborative operation and maintenance scheduling decomposition model;
  • the merging module is used to merge the solutions of each single-ship operation and maintenance optimization scheduling sub-model to obtain the solution of the multi-ship collaborative operation and maintenance scheduling model as an offshore wind power operation and maintenance scheduling optimization strategy.
  • the present application proposes a computer-readable storage medium, in which a computer program is stored.
  • the computer program is executed by a processor, the steps of the above-mentioned method for efficient optimization of offshore wind power operation and maintenance scheduling with multi-ship collaboration are implemented.
  • This application proposes an efficient optimization method for multi-ship collaborative offshore wind power operation and maintenance scheduling, which decomposes the constructed multi-ship collaborative operation and maintenance scheduling model into multiple single-ship operation and maintenance optimization scheduling sub-models that meet the constraints of the multi-ship collaborative operation and maintenance scheduling model. After solving them separately, the solutions of each single-ship operation and maintenance optimization scheduling sub-model are merged to obtain the solution of the multi-ship collaborative operation and maintenance scheduling model as an offshore wind power operation and maintenance scheduling optimization strategy.
  • the efficient solution of the multi-ship collaborative optimization scheduling model of offshore wind farms is achieved, which helps wind power operators and third-party operation and maintenance service providers improve the efficiency of the operation and maintenance task arrangement, reduce risks, and reduce operation and maintenance costs. Even in the face of large-scale multi-ship collaborative operation and maintenance scheduling models, the solution can be quickly completed to obtain an optimization strategy with high efficiency and high calculation accuracy.
  • Heuristic method It is a strategy for solving optimization problems, usually used to solve complex combinatorial optimization problems. Based on experience, rules or heuristic information, it quickly explores the solution space of the problem to find an approximate optimal solution or a high-quality solution.
  • the heuristic method is an approximate algorithm. Its main feature is that it does not guarantee to find the global optimal solution during the solution process, but seeks to find a solution close to the optimal solution within a reasonable time.
  • the large neighborhood search is a heuristic search method specifically used to solve combinatorial optimization problems. Its core idea is to select and explore a large neighborhood space during the search process to find high-quality solutions.
  • the LNS method is usually used to deal with complex problems, where the solution space of the problem is very large, and it is difficult for traditional search methods to efficiently find the optimal solution or high-quality solution.
  • the multi-ship collaborative operation and maintenance scheduling model is decomposed into a plurality of single-ship operation and maintenance optimization scheduling sub-models that meet the constraints of the multi-ship collaborative operation and maintenance scheduling model.
  • the core of the efficient optimization method for offshore wind power operation and maintenance scheduling with multi-ship collaboration proposed in this application is a DivideFusion method, which includes constructing a decomposition model, a solution method for the decomposition model, solving the decomposed sub-problems, and a solution merging process.
  • This application decomposes the multi-ship collaborative optimization scheduling problem into two layers of optimization problems for hierarchical solution.
  • the first layer of optimization problem decomposes the multi-ship collaborative optimization scheduling model into a single-ship operation and maintenance scheduling problem, while ensuring that the decomposed single-ship scheduling problem satisfies the constraints of the multi-ship collaborative optimization scheduling problem, i.e., the original problem; the second layer of the problem solves the decomposed multiple single-ship problems in turn, and summarizes the solution results to obtain the solution to the multi-ship collaborative optimization scheduling problem.
  • the efficient solution of the multi-ship collaborative optimization scheduling model for offshore wind farms has been successfully achieved, helping wind power operators and third-party operation and maintenance service providers to improve the efficiency of the arrangement of operation and maintenance tasks, reduce risks, and reduce operation and maintenance costs.
  • the second process diagram may include:
  • the objective function consists of two parts, as shown in formula (1).
  • Tm represents the time required to complete the maintenance task
  • ZC represents the number of corrective maintenance tasks that are not included in the maintenance plan, as shown in formula (1)
  • ZP represents the number of preventive maintenance tasks that are not included in the maintenance plan, as shown in formula (3)
  • ⁇ C and ⁇ P are the weight coefficients of the target. Since the weight of corrective maintenance is higher, ⁇ C > ⁇ P .
  • the objective function contains three different but related objectives. As the number of tasks scheduled for maintenance increases, that is, when Z C and Z P decrease, the time to complete maintenance T m will increase accordingly. Conversely, when the number of units scheduled for maintenance decreases, that is, when Z C and Z P increase, the time to complete maintenance T m will decrease accordingly. In order to achieve as many unit maintenance tasks as possible and reduce the overall operation and maintenance time by optimizing the maintenance path, a larger weight is given to the objectives Z C and Z P , forcing the model to give priority to arranging more unit maintenance tasks and corrective maintenance tasks.
  • the weight ⁇ C should be greater than ⁇ P and much greater than 1, that is, ⁇ C > ⁇ P >>1. When the number of maintenance tasks for the unit cannot be increased, the total maintenance time is reduced by path optimization.
  • Constraint (4) ensures that the time to complete maintenance is not less than the sum of the arrival time of any node and the time to transport technicians and equipment.
  • Constraint (5) ensures that the sending node and the receiving node of each unit can only be visited no more than once.
  • Constraint (6) ensures that the operation and maintenance ship of each unit can only go from the sending node to the receiving node, that is, it cannot return from the receiving node to the sending node.
  • Constraints (7) and (8) ensure that the ship can only visit the sending node and the receiving node of the operation and maintenance base once each.
  • Constraint (9) ensures that the ship returns from the receiving node.
  • Constraint (10) ensures that the number of entering node j and leaving node j is the same, that is, if a ship visits a node, then the ship must also leave this node.
  • Constraint (11) ensures that the sending node of each unit is visited. The number of times the pick-up node and the pick-up node are the same.
  • Constraint (12) is the ship's load capacity constraint.
  • Constraints (13), (14) and (15) are the constraints on the number of people on board the ship, which together ensure that the number of technicians on board does not exceed the maximum number of people on board the ship. The number of technicians on board is tracked by constraints (16) and (17).
  • Constraints (18) and (19) are operation and maintenance time window constraints, which ensure that the time a ship performs operation and maintenance tasks is within its allowed time window.
  • Constraint (20) ensures that the time taken for maintenance and navigation during the process of the ship's arrival at the next node is compatible with the time it takes to arrive at the next node.
  • Constraint (21) ensures that the time interval between the ship's pick-up and delivery is greater than the time required to perform maintenance.
  • Constraint (22) is the constraint on the number of technicians available at the operation and maintenance base, which ensures that the sum of the number of technicians on all ships is less than or equal to the number of technicians available at the operation and maintenance base.
  • constraint (23) ensures that the ship only travels directly from the delivery node to the pickup node, that is, waits for the operation and maintenance task to be executed at the same location.
  • Constraints (24)-(27) ensure that the traffic of the receiving and sending nodes of the operation and maintenance base is conserved, while eliminating invalid node transfers.
  • Constraints (28)-(29) ensure that specific maintenance tasks need to be repaired by specific ships.
  • Constraints (30)-(32) indicate the types of decision variables.
  • the objective function aims to maximize the minimum distance between the maintenance units covered by different maintenance ships. That is, to find a method to divide a set of maintenance tasks so that the units to be repaired that are close to each other are assigned to the same maintenance ship, and the maintenance units covered by different maintenance ships are as far apart as possible.
  • OR-Tools the full name of Operations Research Tools, is an open source operations research optimization tool that aims to find the best solution from a large number of possible solutions.
  • OR-Tools provides a variety of solvers, including Gurobi, CPLEX, SCIP, GLPK, GLOP, and CP-SAT. These solvers can handle different types of optimization problems, and the appropriate solver can be selected according to the characteristics and requirements of the problem.
  • the CP-SAT solver is a constraint satisfaction problem solver that can solve optimization problems with constraints.
  • it is necessary to define the variables, constraints and objective functions of each sub-model, and select a suitable solution algorithm for calculation.
  • S203-1 initialize the CP-SAT solver, set an appropriate search time limit according to the problem scale, and the solution time should not be too short, so that the solver can completely find the global optimal solution of the decomposition model.
  • the solver can find multiple feasible optimal solutions. In this case, only one solution needs to be output.
  • step S203-5 When the solution is finished, check whether the solution state is globally optimal. If it is globally optimal, end the search. If only a feasible solution is returned instead of a globally optimal solution, try adjusting the solver parameters or search strategy, and repeat the process from step S203-1 to step S203-4.
  • the single-ship maintenance optimization scheduling sub-model applies the solution process of step S203-1 to step S203-4 one by one to obtain the solution of the maintenance ship, including the ship's path planning and maintenance task scheduling. The same method is used for each maintenance ship until the solutions of all maintenance ships are obtained.
  • a conflict check can be performed on the solutions, including checking whether the operation and maintenance task allocation overlaps, whether the operation and maintenance time conflicts, and whether the time to complete the operation and maintenance task is within the given time window. If a conflict is found, the multi-ship collaborative operation and maintenance scheduling model can be re-decomposed.
  • Offshore wind power operation and maintenance scheduling optimization strategies can include operation and maintenance task allocation, route planning, operation and maintenance time scheduling, spare parts arrangement, and maintenance personnel arrangement under multi-ship collaboration.
  • FIG 3 it is a comparison chart of the solution speed of three solution methods.
  • the "DivideFusion" in Figure 3 represents the method proposed in this application. It can be seen from Figure 3 that the solution time consumed by the Gurobi solver and the OR-Tools solver increases exponentially with the increase in the problem scale, and soon reaches the set solution time limit (10,000 seconds), while the solution time of the method of this application never exceeds 10 seconds, and the solution performance difference is significant. In addition, the problem scale of 16 maintenance units on 4 ships is far from reaching the upper limit of the solution capability of the method proposed in this application. It is worth noting that the solution time of the OR-Tools solver on the last task has an abnormal drop. The possible reason is that the OR-Tools solver found a relatively good solution within a few hundred seconds after starting to solve, and failed to find a better solution in the subsequent time, so it returned a shorter solution time.
  • the present application also proposes a multi-ship collaborative offshore wind power operation and maintenance scheduling efficient optimization system, including:
  • the first building module is used to build a multi-ship collaborative operation and maintenance scheduling model
  • the second model is used to construct a multi-ship collaborative operation and maintenance scheduling decomposition model
  • a decomposition module is used to decompose the multi-ship collaborative operation and maintenance scheduling model into multiple single-ship operation and maintenance optimization scheduling sub-models that meet the constraints of the multi-ship collaborative operation and maintenance scheduling model according to the multi-ship collaborative operation and maintenance scheduling decomposition model; the objective function of the multiple single-ship operation and maintenance optimization scheduling sub-models is to maximize the minimum distance between the maintenance units covered by different operation and maintenance ships;
  • a solution module is used to solve the sub-models of single-ship operation and maintenance optimization scheduling in sequence to obtain the solutions of the sub-models of single-ship operation and maintenance optimization scheduling;
  • the merging module is used to merge the solutions of each single-ship operation and maintenance optimization scheduling sub-model to obtain the solution of the multi-ship collaborative operation and maintenance scheduling model as an offshore wind power operation and maintenance scheduling optimization strategy.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种多船协同的海上风电运维调度高效优化方法及相关装置，将构建的多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型，分别求解后，合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。实现了海上风电场多船协同优化调度模型的高效求解，帮助风电运营商和第三方运维服务商提高运维任务的排布效率，减少风险，降低运维成本。即使面对大规模的多船协同运维调度模型，也能够快速完成求解，得到优化策略，效率高且计算准确度高。

Description

多船协同的海上风电运维调度高效优化方法及相关装置 技术领域
本申请属于运维调度优化方法，具体涉及一种多船协同的海上风电运维调度高效优化方法及相关装置。
背景技术
海上风电场维修调度及路径规划是海上风电智能运维的核心场景，实际应用中，需要根据调度及路径规划结果执行运维任务。船员旅行船(Crew Travel Vessel,CTV)用于在运维基地和风电场之间执行输送技术人员和物资，由于相较其他类型的船舶成本较低，被广泛应用。但是，CTV不能在海上过夜，且只能携带重量不大的维修工具和备品备件，一旦维护活动完成，需要在同一天返回运维基地。由于运维基地和风电场之间的距离相对较远，一艘船通常一天只进行一次往返。由于SOV造价高昂，目前绝大部分的海上风电日常运维任务一般由CTV执行。海上风电场维修节点数量众多，而单艘CTV运维船能够承载的任务量有限，因此，在工程实际中，通常采用多艘CTV运维船协同作业的方式，加快运维任务的执行效率，以应对转瞬即逝的运维时间窗口。
海上风电运维调度模型通常为MILP(Mixed Integer Linear Programming，混合整数线性规划)问题。现有的海上风电运维调度模型求解方法主要有三种：穷举法、分支定界法和启发式方法。由于MILP问题的求解计算量随着问题规模扩大呈指数级增长，因此，穷举法只适用于非常小规模的运维调度模型的求解，难以适应海上风电场集群多船协同作业的需求。商业求解器通常基于分支定界法，相比穷举法的求解效率提升了很多，且能够得到原问题的精确解，然而，在问题规模较大且求解时间受限的情况下，分支定解法依然难以返回令人满意的解，而只有较长的求解时间才能得到较好的可行解。作为一种折中，采 用启发式方法求解问题的近似解。但即便如此，实现一次优化仍然费时费力。如，以Gurobi商业求解器为代表的精确求解技术求解一次多船协同优化需要花费的时间高达几十个小时，而以大领域算法(LNS)为代表的元启发式方法求解一次仍然需要花费从几十分钟到数个小时不等的时间。而且一旦外部条件发生变动，就不得不重新执行如此费时费力的优化过程。
发明内容
本申请的目的在于解决现有技术中的问题，提供一种多船协同的海上风电运维调度高效优化方法及相关装置。
为了实现上述目的，本申请采用以下技术方案予以实现：
第一方面，本申请提出一种多船协同的海上风电运维调度高效优化方法，包括：
构建多船协同运维调度模型；
构建多船协同运维调度分解模型；
根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足运维调度模型约束条件的单船运维优化调度子模型；
依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解；
合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
优选地，所述多船协同运维调度分解模型的目标函数，包括：
其中，I表示需要维修的机组集合，V表示船舶集合，xiv＝1或者xiv＝0，xiv＝1表示待维修机组i被船舶v维修，xiv＝0表示待维修机组i未被船舶v维修，xjv＝1或者xjv＝0，xjv＝1表示待维修机组j被船舶v维修，xjv＝0表示待维修机组j未被船舶v维修，dmax＝maxi,j∈Idij，表示待维修机组之间的 最大距离；I(·)为示性函数，当xiv＝xjv成立时，I(xiv＝xjv)＝1，否则，I(xiv＝xjv)＝0；dij表示维修节点i到维修节点j的距离。
优选地，所述多船协同运维调度分解模型的约束条件，包括：
维修任务分配唯一性约束条件：
最低机组任务约束：
船舶载人量限制约束：
其中，ρip表示待维修机组i所需要的类型为p的技术人员数量，表示船舶v所能搭载的最大人数；
运维船载重量约束：
其中，wi表示待维修机组i所需的备件和维修设备重量，表示船舶v所能搭载的最大备件重量；
船舶机组匹配约束：
其中，Iv表示能够被船舶v维修的机组集合；
变量整数约束：
优选地，所述根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型，包括：
采用CP-SAT求解器通过约束规划方法求解分解模型，根据分解模型的解，将多船协同运维调度模型分解成多个单船运维优化调度子模型，且多个单船运维优化调度子模型均满足多船协同运维调度模型的约束条件。
优选地，所述各单船运维优化调度子模型的解，包括：单船的路径规划和运维任务排程。
优选地，所述合并各单船运维优化调度子模型的解，之前还包括冲突检查：
检查各单船运维优化调度子模型的解中，运维任务分配是否重叠、运维时间是否冲突，完成运维任务的时间是否在给定的时间窗口内，若均满足要求，则合并各单船运维优化调度子模型的解，否则，重新分解所述多船协同运维调度模型。
第二方面，本申请提出一种多船协同的海上风电运维调度高效优化系统，包括：
第一构建模块，用于构建多船协同运维调度模型；
第二构建模块，用于构建多船协同运维调度分解模型；
分解模块，用于根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型；
求解模块，用于依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解；
合并模块，用于合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
优选地，还包括检查模块；
所述各单船运维优化调度子模型的解包括：单船的路径规划和运维任务排程；
所述检查模块，用于在合并模块合并各单船运维优化调度子模型的解之前，检查各单船运维优化调度子模型的解中，运维任务分配是否重叠、运维时间是 否冲突，完成运维任务的时间是否在给定的时间窗口内，若均满足要求，则合并各单船运维优化调度子模型的解，否则，重新分解所述多船协同运维调度模型。
第三方面，本申请提出一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述多船协同的海上风电运维调度高效优化方法的步骤。
第四方面，本申请提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述多船协同的海上风电运维调度高效优化方法的步骤。
与现有技术相比，本申请具有以下有益效果：
本申请提出一种多船协同的海上风电运维调度高效优化方法，将构建的多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型，分别求解后，合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。实现了海上风电场多船协同优化调度模型的高效求解，帮助风电运营商和第三方运维服务商提高运维任务的排布效率，减少风险，降低运维成本。即使面对大规模的多船协同运维调度模型，也能够快速完成求解，得到优化策略，效率高且计算准确度高。
本申请还提出了一种多船协同的海上风电运维调度高效优化系统、电子设备和计算机可读存储介质，能够通过不同的硬件形式实现上述多船协同的海上风电运维调度高效优化方法，具有广泛的推广价值，具备上述多船协同的海上风电运维调度高效优化方法的全部优势。
附图说明
为了更清楚的说明本申请实施例的技术方案，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申请的某些实施例，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为本申请多船协同的海上风电运维调度高效优化方法的第一流程示意图；
图2为本申请多船协同的海上风电运维调度高效优化方法的第二流程示意图；
图3为本申请实施例中，三种求解方法的求解速度对比图；
图4为本申请实施例中，三种求解方法得到解的优劣对比图；
图5为本申请多船协同的海上风电运维调度高效优化系统实施例的连接示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发 明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本申请实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
海上风电场维修节点数量众多，维修窗口转瞬即逝，一旦遇到了突发状况，需要要能够及时调整，快速重新规划运维方案，这些都对优化调度的求解性能提出了非常高的要求。当前普遍采用基于运筹学的组合优化方法建立运维调度模型，并用商业求解器来实现模型求解，然而这种方法的计算量随问题规模扩大呈指数级增长，难以适应海上风电场集群多船协同作业的需求。
目前，求解多船协同海上风电运维调度问题的常见方法主要有三类，分别是：穷举法、分支定界法和启发式方法。
1)穷举法。也称为暴力搜索法或穷尽搜索法，是一种用于解决优化问题的基本算法，基本思想是通过尝试所有可能的解决方案来找到问题的最优解或一组最优解。穷举法的主要优点是能够保证找到问题的全局最优解，因为考虑了所有可能的解决方案。然而，穷举法的主要缺点是在解空间较大或问题复杂度较高的情况下，计算成本可能非常高，因为需要考虑大量的组合。由于MILP问题的求解计算量随着问题规模扩大呈指数级增长，因此，穷举法只能适用于 非常小规模的运维调度模型的求解，难以适应海上风电场集群多船协同作业的需求。
2)分支定界法。是一种数学优化和组合优化问题求解的算法，旨在寻找问题的最优解或满足特定条件的最优解。通过将问题的解空间分割成多个子空间，并在每个子空间中进行搜索，以逐步缩小潜在解的范围并确定最优解。以Gurobi和CPLEX为代表的商业求解器将分支定界法作为其混合整数规划问题求解的关键组成部分，并结合了其他高级优化技术，例如剪枝、启发式、线性规划松弛、多项式算法等，以提高性能和效率。基于分支定界法的商业求解器求解效率相比穷举法提升了很多，然而，在问题规模较大且求解时间受限的情况下，分支定解法依然难以返回令人满意的解，而只有较长的求解时间才能得到较好的可行解。
3)启发式方法。是一种优化问题求解策略，通常用于解决复杂的组合优化问题，基于经验、规则或启发性信息，通过快速探索问题的解空间来找到近似最优解或高质量解决方案。启发式方法是一种近似算法，其主要特点是在求解过程中不保证找到全局最优解，而是寻求在合理时间内找到接近最优解的解决方案。其中，大领域算法(Large Neighborhood Search,LNS)是一种专门用于解决组合优化问题的启发式搜索方法，其核心思想是在搜索过程中选择并探索一个较大的邻域空间，以寻找高质量的解决方案。LNS方法通常用于处理复杂问题，其中问题的解空间非常庞大，传统的搜索方法很难高效地找到最优解或高质量解。然而受限于海上风电场多船协同运维调度模型庞大的求解规模，即使采用LNS方法，实现一次优化仍然费时费力，且无法保证解的最优性。
基于上述现有方法的问题，本申请提出一种多船协同的海上风电运维调度高效优化方法及相关装置，将协同优化问题分解为多个单船调度问题，同时，保证分解后的单船调度问题满足原问题的约束条件，大幅提升了海上风电场运维调度模型的求解效率。
下面结合实施例和附图对本申请做进一步详细描述：
如图1所示，为本申请一种多船协同的海上风电运维调度高效优化方法的第一流程示意图，可以包括：
S101，构建多船协同运维调度模型。
需要说明的是，多船协同运维调度模型是一种用于描述和解决多船协同运维调度问题的数学模型，目标一般是在满足各种约束条件的前提下，优化运维调度的效果和效率。例如，多船协同运维调度模型可以包括船舶的航行状态、任务分配、时间安排、资源利用等。海上风电场通常拥有多艘运维船只，这些船只需要进行合理的调度，以确保风电设备的维护和检修工作能够高效地进行。通过多船协同运维调度模型，可以找到最优的船只调度方案，提高风电场的运营效率和经济效益。
S102，根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型。
S103，依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解。
S104，合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
本申请提出的多船协同的海上风电运维调度高效优化方法，核心是一种DivideFusion方法，包括构建分解模型、对分解模型的求解方法、对分解后子问题的求解，以及解的合并过程。本申请将多船协同优化调度问题分解为两层优化问题进行分层求解。第一层优化问题将多船协同优化调度模型拆解为单船运维调度问题，同时保证分解后的单船调度问题满足多船协同优化调度问题即原问题的约束条件；第二层问题依次求解分解后的多个单船问题，并将求解结果汇总，即可得到多船协同优化调度问题的解。成功实现了海上风电场多船协同优化调度模型的高效求解，帮助风电运营商和第三方运维服务商提高运维任务的排布效率，减少风险，降低运维成本。
如图2所示，为本申请一种多船协同的海上风电运维调度高效优化方法的 第二流程示意图，可以包括：
S201，构建多船协同运维调度模型。
目标函数由两部分组成，如式(1)所示。
min Tm+αC·ZC+αP·ZP     (1)

其中，Tm表示完成维修任务所需的时间；ZC表示未排入维修计划的纠正性维护任务数量，如式(1)所示；ZP表示未排入维修计划的预防性维护任务数量，如式(3)所示，αC和αP为目标的权重系数。由于纠正性维护的权重更高，因此αC>αP。
目标函数包含三个不同但相关的目标。随着排入维修计划的任务数量增加，即ZC和ZP减少时，完成维修的时间Tm会相应增加。反之，当排入维修计划的机组数量减少，即ZC和ZP增加时，完成维修的时间Tm会相应减少。为了实现尽可能多的排布机组维修任务，同时通过优化维修路径来降低总体的运维时间，给目标ZC和ZP一个较大的权重，迫使模型优先考虑排布更多的机组维修任务，且优先考虑纠正性维修任务，权重αC应大于αP且远大于1，即αC>αP＞＞1。当机组的维修任务数量无法增加时，再通过路径优化来降低维修总时间。
约束条件如式(4)-式(32)所示。约束(4)确保维修完成的时间不小于任意节点的到达时间与运送技术人员和设备的时间之和。约束(5)确保每台机组的送人节点和接人节点仅能被访问不超过一次。约束(6)确保每台机组的运维船舶只能从送人节点到接人节点，即不能从接人节点返回送人节点。约束(7)和(8)确保船舶仅能访问运维基地的送人节点和接人节点各一次。约束(9)保证船舶从接人节点返回。约束(10)保证进入节点j和离开节点j的数量相同，即如果一艘船访问了某节点，那么这艘船也必须离开这个节点。约束(11)确保访问每台机组的送人节 点和接人节点的次数相同。约束(12)为船舶载重容量约束。约束(13)、(14)和(15)为船舶的载人数量约束，他们共同确保了船上的技术人员不会超过船舶的最大载人数量。船上的技术人员数量由约束(16)和(17)追踪。约束(18)和(19)是运维时间窗口约束，其确保船舶执行运维任务的时间在其能允许的时间窗口内。约束(20)确保船舶从当前节点到达下一节点的过程中，维修和航行所占用的时间与到达下一节点的时间相兼容。约束(21)保证了船舶接人和送人之间的时间间隔大于执行维修所需的时间。约束(22)是运维基地可用技术人员数量约束，确保了所有船舶上的技术人员数量之和小于或等于运维基地可用的技术人员数量。如果在维护任务执行期间需要船舶在场，则约束(23)确保船舶只直接从交付节点行驶到取货节点，即在同一位置等待运维任务执行。约束(24)-(27)确保了运维基地的接人和送人节点的流量守恒，同时排除无效的节点转移。约束(28)-(29)确保了特定维修任务需要由特定船舶维修的情况。约束(30)-(32)表示决策变量的类型。




























S202，构建多船协同运维调度分解模型分解模型。
定义分解模型的参数、决策变量、目标函数和约束条件。
(1)定义分解模型的决策变量xiv。其中，xiv＝1时，表示待维修机组i被船舶v维修，xiv＝0时，表示待维修机组i未被船舶v维修。
(2)定义分解模型的参数。V表示船舶集合，v为船舶索引，船舶的总数为nv＝|V|；I表示需要维修的机组集合，i为索引，所需维修的机组总数为n＝|I|；Iv表示能够被船舶v维修的机组集合；dij表示维修节点i到维修节点j的距离；P表示技术人员类型集合；wi表示待维修机组i所需的备件和维修设备重量；ρip表示机组i所需要的类型为p的技术人员数量；表示船舶v所能搭载的最大人数；表示船舶v所能搭载的最大备件重量。
(3)建立目标函数：
其中，dmax＝maxi,j∈Idij，表示待维修机组之间的最大距离；I(·)为示性函数；当xiv＝xjv成立时，I(xiv＝xjv)＝1，否则，I(xiv＝xjv)＝0。
目标函数旨在最大化不同运维船所覆盖维修机组之间的最小距离。即找出一组维修任务的划分方法，使得距离较近的待维修机组划分到同一艘运维船上，并使得不同运维船所覆盖的维修机组离得尽可能远。
(4)建立约束条件如下：
建立维修任务分配唯一性约束条件，即每台风电机组的维修任务只能分配给唯一的一艘运维船：
建立最低机组任务约束，即每艘运维船至少执行1台机组的运维：
建立船舶载人量限制约束：
建立运维船载重量约束：
建立船舶机组匹配约束，即运维船必须支持选定机组的运维任务：
建立变量整数约束：
S203，采用OR-Tools的CP-SAT求解器通过约束规划(Constraint Programming,CP)方法求解分解模型，将多船协同优化调度模型分解成多个单船运维优化调度子模型。
实际应用中，OR-Tools，全称Operations Research Tools，是一种开源的运筹优化工具，旨在从大量可能的解决方案中寻找出最佳方案。OR-Tools提供了多种求解器，包括Gurobi、CPLEX、SCIP、GLPK、GLOP和CP-SAT等。这些求解器能够处理不同类型的优化问题，可以根据问题的特性和需求选择合适的求解器。
其中，CP-SAT求解器是一种约束满足问题求解器，可以对具有约束条件的优化问题进行求解。在求解过程中，需要定义每个子模型的变量、约束条件和目标函数，并选择合适的求解算法进行计算。
分解多个单船运维优化调度子模型时，可以采用以下方法：
S203-1，初始化CP-SAT求解器，根据问题规模设置合适的搜索时间限制，求解时间不宜过短，应使得求解器能完全找到分解模型的全局最优解。
S203-2，选择合适的搜索策略，并不断检查约束是否被满足，如果某个变 量的赋值导致约束不满足，求解器可以回溯到前一个状态，尝试其他的赋值。
S203-3，不断评估目标函数的值，以确定当前解决方案的质量。
S203-4，当求解器完成搜索后，输出最优的解决方案。
实际应用中，求解器可以找到多个可行的最优解，此时，仅输出一个解即可。
S203-5，求解结束时，检查解的状态是否为全局最优，若达到全局最优则结束搜索，若返回的仅仅是可行解而非全局最优解，则可以尝试调整求解器参数或搜索策略，再重复步骤S203-1至步骤S203-4的过程。
S203-6，根据分解模型所获得解决方案中决策变量xiv的数值，可以将所有运维任务分配到各个运维船上，同时确保满足多船协同运维调度模型的约束条件。这一过程实现了模型解耦。此时，对于每艘运维船覆盖的运维任务，结合与多船协同运维调度模型相同的目标函数和约束条件，可以获得一组单船运维优化调度子模型。这些单船运维优化调度子模型之间不存在耦合关系，可以独立求解。由于单艘运维船负责的任务数量有限，因此，单船调度模型的求解速度将非常迅速。
S204，依次求解每个单船运维优化调度子模型，并将解决方案进行合并，得到整个多船协同运维调度模型的解。
仅考虑一艘运维船的单船运维优化调度子模型，逐一应用步骤S203-1至步骤S203-4的求解过程，获得该运维船的解决方案，包括船舶的路径规划和运维任务排程。对每一艘运维船均采用相同的方法，直到获取所有运维船的解决方案。
在合并各艘运维船的解决方案之前，还可以进行解决方案的冲突检查，包括检查运维任务分配是否重叠、运维时间是否冲突，完成运维任务的时间是否在给定的时间窗口内。如果发现冲突，可以重新分解多船协同运维调度模型。
S205，合并没有冲突的单船解决方案，以获得整个多船协同运维调度模型的海上风电运维调度优化策略。
海上风电运维调度优化策略可以包括多船协同下的运维任务分配、路径规划、运维时间安排、备配备件安排以及维修人员安排等。
需要说明的是，在本申请的其他实施例中，还可以在获得多船协同运维调度模型的解决方案后，再次对解决方案的可行性进行检查，以确保最终输出结果的可用性。
为了充分评估本申请提出的多船协同的海上风电运维调度高效优化方法的求解速度和解决方案的优化程度，设计了一组对比算例，针对不同数量的船舶和机组数量，对本申请所提出方法与开源约束规划求解器OR-Tools和商业求解器Gurobi直接求解多船协同模型进行对比，主要评估三种求解方法的求解速度和解决方案的最优性。
在算例设置中，设置了从单船5机组到4船16机组，共12个海上风电维修调度模型求解任务，求解任务的规模呈指数级依次增长。需要说明的是，在普通PC环境下，4船16机组的问题规模已经远远超出了CP-SAT和Gurobi求解器所能求出最优解的问题规模，为此，设置2.78小时(1万秒)的时间限制，当超过该时间限制依然没有给出最优解时，求解器将返回到目前为止找到的最好的可行解。
如图3所示，为三种求解方法的求解速度对比图，图3中的“DivideFusion”表示本申请提出的方法，从图3中可以看出，Gurobi求解器和OR-Tools求解器消耗的求解时间随问题规模的上升呈指数级增长，很快到达了设定的求解时间限制(1万秒)，而本申请的方法求解时间始终不超过10秒，求解性能差异显著。此外，4船16台维修机组的问题规模远远没有达到本申请所提方法的求解能力上限。值得注意的是，OR-Tools求解器在最后一个任务上的求解时间出现了反常的骤降，可能的原因是OR-Tools求解器在开始求解后的几百秒内就找到了一个比较好的解，在随后的时间中均未能找到更好的解，因此返回了较短的求解时间。
如图4所述，为三种求解方法得到解的优劣对比图。从中可以看出，本申 请的方法得到的可行解目标函数值与其他两种精确求解方法非常接近，特别是在求解规模比较大的问题时。由此也证明了本申请的方法在10秒内找到的解具有和精确求解算法1万秒内得到的最好的可行解相似的优化程度。另外，基于上述算例的设置，也能够说明，在求解精度相似的前提下，本申请提出的方法的求解速度是基于分支定界法的商业/开源求解器的近1000倍。在解决海上风电场多船协同运维调度问题的求解问题的同时，有望显著提高风电运营商和第三方运维服务商的运维任务排布效率，降低运维成本，提高海上风电的竞争力。
本申请提出的方法可实现海上风电场多船协同运维调度问题的秒级求解，在不损失解决方案最优性的同时，大幅度提升大规模运维调度问题的求解效率。在解决求解效率的同时，有望显著提高风电运营商和第三方运维服务商的运维任务排布效率，降低运维成本，提高海上风电的竞争力。为海上风电行业带来了更高的可持续性和竞争力，有望推动更多的风电资源得以有效开发和利用。实际应用中，本申请提出的多船协同的海上风电运维调度高效优化方法还可以用于其他与海上风电多船协同运维调度模型结构一致的优化问题的求解。
如图5所示，基于上述多船协同的海上风电运维调度高效优化方法，本申请还提出了一种多船协同的海上风电运维调度高效优化系统，包括：
第一构建模块，用于构建多船协同运维调度模型；
第二构建模型，用于构建多船协同运维调度分解模型；
分解模块，用于根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型；多个单船运维优化调度子模型的目标函数为最大化不同运维船所覆盖维修机组之间的最小距离；
求解模块，用于依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解；
合并模块，用于合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
在本申请多船协同的海上风电运维调度高效优化系统的其他实施例中，还可以包括检查模块。其中，各单船运维优化调度子模型的解包括：单船的路径规划和运维任务排程。检查模块用于在合并模块合并各单船运维优化调度子模型的解之前，检查各单船运维优化调度子模型的解中，运维任务分配是否重叠、运维时间是否冲突，完成运维任务的时间是否在给定的时间窗口内，若均满足要求，则合并各单船运维优化调度子模型的解，否则，重新分解所述多船协同运维调度模型。
需要说明的是，在本申请多船协同的海上风电运维调度高效优化系统的其他实施例中，各模块中的具体功能，还可以采用前述多船协同的海上风电运维调度高效优化方法的实施例，此处不再赘述。
需要说明的是，在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，各模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。该作为分离部件说明的模块，可以是或者也可以不是物理上分开的，作为模块显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。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。
本申请实施例提供的一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如上任一实施例所描述多船协同的海上风电运维调度高效优化方法的步骤。
本申请实施例提供的另一种电子设备中还可以包括：与处理器连接的输入 端口，用于传输外界采集设备采集的多模态数据至处理器；以及与处理器连接的显示单元，用于显示处理器的处理结果至外界；与处理器连接的通信模块，用于实现电子设备与外界的通信。显示单元可以为显示面板、激光扫描使显示器等；通信模块所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接：无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例所描述多船协同的海上风电运维调度高效优化方法的步骤。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‐ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的多船协同的海上风电运维调度高效优化系统、电子设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的多船协同的海上风电运维调度高效优化方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

  1. 一种多船协同的海上风电运维调度高效优化方法，其特征在于，包括：
    构建多船协同运维调度模型；
    构建多船协同运维调度分解模型；根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足运维调度模型约束条件的单船运维优化调度子模型；
    依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解；
    合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
  2. 根据权利要求1所述多船协同的海上风电运维调度高效优化方法，其特征在于，所述多船协同运维调度分解模型的目标函数，包括：
    其中，I表示需要维修的机组集合，V表示船舶集合，xiv＝1或者xiv＝0，xiv＝1表示待维修机组i被船舶v维修，xiv＝0表示待维修机组i未被船舶v维修，xjv＝1或者xjv＝0，xjv＝1表示待维修机组j被船舶v维修，xjv＝0表示待维修机组j未被船舶v维修，dmax＝maxi,j∈Idij，表示待维修机组之间的最大距离；I(·)为示性函数，当xiv＝xjv成立时，I(xiv＝xjv)＝1，否则，I(xiv＝xjv)＝0；dij表示维修节点i到维修节点j的距离。
  3. 根据权利要求2所述多船协同的海上风电运维调度高效优化方法，其特征在于，所述多船协同运维调度分解模型的约束条件，包括：
    维修任务分配唯一性约束条件：
    最低机组任务约束：
    船舶载人量限制约束：
    其中，ρip表示待维修机组i所需要的类型为p的技术人员数量，表示船舶v所能搭载的最大人数；
    运维船载重量约束：
    其中，wi表示待维修机组i所需的备件和维修设备重量，表示船舶v所能搭载的最大备件重量；
    船舶机组匹配约束：
    其中，Iv表示能够被船舶v维修的机组集合；
    变量整数约束：
  4. 根据权利要求3所述多船协同的海上风电运维调度高效优化方法，其特征在于，所述根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型，包括：
    采用CP-SAT求解器通过约束规划方法求解分解模型，根据分解模型的解，将多船协同运维调度模型分解成多个单船运维优化调度子模型，且多个单船运维优化调度子模型均满足多船协同运维调度模型的约束条件。
  5. 根据权利要求4所述多船协同的海上风电运维调度高效优化方法，其特征在于，所述各单船运维优化调度子模型的解，包括：单船的路径规划和运维任务排程。
  6. 根据权利要求5所述多船协同的海上风电运维调度高效优化方法，其特征在于，所述合并各单船运维优化调度子模型的解，之前还包括冲突检查：
    检查各单船运维优化调度子模型的解中，运维任务分配是否重叠、运维时间是否冲突，完成运维任务的时间是否在给定的时间窗口内，若均满足要求，则合并各单船运维优化调度子模型的解，否则，重新分解所述多船协同运维调度模型。
  7. 一种多船协同的海上风电运维调度高效优化系统，其特征在于，包括：
    第一构建模块，用于构建多船协同运维调度模型；
    第二构建模块，用于构建多船协同运维调度分解模型；
    分解模块，用于根据所述多船协同运维调度分解模型，将所述多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型；
    求解模块，用于依次求解各单船运维优化调度子模型，得到各单船运维优化调度子模型的解；
    合并模块，用于合并各单船运维优化调度子模型的解，得到多船协同运维调度模型的解，作为海上风电运维调度优化策略。
  8. 根据权利要求7所述多船协同的海上风电运维调度高效优化系统，其特征在于，还包括检查模块；
    所述各单船运维优化调度子模型的解包括：单船的路径规划和运维任务排程；
    所述检查模块，用于在合并模块合并各单船运维优化调度子模型的解之前，检查各单船运维优化调度子模型的解中，运维任务分配是否重叠、运维时间是否冲突，完成运维任务的时间是否在给定的时间窗口内，若均满足要求，则合并各单船运维优化调度子模型的解，否则，重新分解所述多船协同运维调度模型。
  9. 一种电子设备，其特征在于，包括：
    存储器，用于存储计算机程序；
    处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述多 船协同的海上风电运维调度高效优化方法的步骤。
  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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述多船协同的海上风电运维调度高效优化方法的步骤。
PCT/CN2024/073834 2024-01-16 2024-01-24 多船协同的海上风电运维调度高效优化方法及相关装置 Pending WO2025152199A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410065192.8A CN117892893A (zh) 2024-01-16 2024-01-16 多船协同的海上风电运维调度高效优化方法及相关装置
CN202410065192.8 2024-01-16

Publications (1)

Publication Number Publication Date
WO2025152199A1 true WO2025152199A1 (zh) 2025-07-24

Family

ID=90641011

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/073834 Pending WO2025152199A1 (zh) 2024-01-16 2024-01-24 多船协同的海上风电运维调度高效优化方法及相关装置

Country Status (2)

Country Link
CN (1) CN117892893A (zh)
WO (1) WO2025152199A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120931041A (zh) * 2025-10-14 2025-11-11 中国人民解放军海军航空大学 一种飞机机库维修与入库转运协同调度方法及装置
CN121660413A (zh) * 2026-02-09 2026-03-13 大连理工大学 一种港口装船混配计划与堆场作业线控制方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120319367B (zh) * 2025-06-19 2025-09-02 山东大学 一种鱼类饲料配方设计的可视化交互方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334391A (zh) * 2019-05-23 2019-10-15 明阳智慧能源集团股份公司 一种多维度约束风电场集电线路自动规划方法
CN113496293A (zh) * 2021-06-24 2021-10-12 中国能源建设集团广东省电力设计研究院有限公司 一种海上风电场运维方案生成方法及装置
CN113806915A (zh) * 2021-08-19 2021-12-17 三峡大学 一种基于Anylogic平台的海上风电场运维仿真方法
CN116579564A (zh) * 2023-05-17 2023-08-11 中南大学 一种区域侦察任务规划方法、装置、计算机设备和介质
WO2023226539A1 (zh) * 2022-05-25 2023-11-30 江苏科技大学 海上风电场多机组运维策略优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070011035A1 (en) * 2003-08-25 2007-01-11 Ofir Yaffe System and method for optimizing transportations assignments and mainetenance activities
CN113515097B (zh) * 2021-07-23 2022-08-19 合肥工业大学 一种基于深度强化学习的两目标单机批调度方法
CN114997645B (zh) * 2022-05-31 2023-04-18 中国能源建设集团广东省电力设计研究院有限公司 海上风电场运维排程优化方法、系统、计算机设备和介质
CN116415407A (zh) * 2022-11-11 2023-07-11 中国人民解放军国防科技大学 一种考虑任务成功性的舰船可靠性维修性指标分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334391A (zh) * 2019-05-23 2019-10-15 明阳智慧能源集团股份公司 一种多维度约束风电场集电线路自动规划方法
CN113496293A (zh) * 2021-06-24 2021-10-12 中国能源建设集团广东省电力设计研究院有限公司 一种海上风电场运维方案生成方法及装置
CN113806915A (zh) * 2021-08-19 2021-12-17 三峡大学 一种基于Anylogic平台的海上风电场运维仿真方法
WO2023226539A1 (zh) * 2022-05-25 2023-11-30 江苏科技大学 海上风电场多机组运维策略优化方法
CN116579564A (zh) * 2023-05-17 2023-08-11 中南大学 一种区域侦察任务规划方法、装置、计算机设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120931041A (zh) * 2025-10-14 2025-11-11 中国人民解放军海军航空大学 一种飞机机库维修与入库转运协同调度方法及装置
CN121660413A (zh) * 2026-02-09 2026-03-13 大连理工大学 一种港口装船混配计划与堆场作业线控制方法

Also Published As

Publication number Publication date
CN117892893A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
WO2025152199A1 (zh) 多船协同的海上风电运维调度高效优化方法及相关装置
Huang et al. An internet-of-things-based production logistics optimisation method for discrete manufacturing
Wen et al. Generative AI for low-carbon artificial intelligence of things with large language models
CN115099695B (zh) 一种海上风电场运维优化调度方法及系统
Jiang et al. A thing-edge-cloud collaborative computing decision-making method for personalized customization production
CN114997644A (zh) 海上风电场运维调度方法、系统、计算机设备和存储介质
CN110610273A (zh) 一种车机协同巡检方法
CN114997645A (zh) 海上风电场运维排程优化方法、系统、计算机设备和介质
Jiang et al. Hierarchical deployment of deep neural networks based on fog computing inferred acceleration model
CN112613830B (zh) 一种物资储备中心选址方法
CN120509700B (zh) 一种基于大邻域搜索算法的直升机救援调度方法及系统
CN117149370A (zh) 一种智能电网的任务分配方法、装置及电子设备
CN120494175A (zh) 配送车辆装箱调度方法、装置、介质及设备
CN117474292B (zh) 一种基于5g传输的网联无人机用调度系统及调度方法
Zhao et al. An optimization method for satellite data structure design based on improved ant colony algorithm
Wang et al. Optimizing AI-driven task management in autonomous driving: A multi-objective offloading approach for automotive consumer electronics
CN115600775A (zh) 基于初始解改进的考虑路线形状的车辆路径优化方法
Táparo et al. Multi-Node Allocation Heuristics for IoT Applications
CN120333467B (zh) 无人机路径规划方法、装置、电子设备及存储介质
CN111310986A (zh) 能源互联网数据中心构建方法、装置、设备及存储介质
CN120994423B (zh) 基于进程确定计算节点的方法和计算机设备
CN114638031B (zh) 复杂工程体系构建过程改进系统及终端
Wang et al. Key Technologies and Applications of Industrial Internet Edge Intelligence
Yesilyurt et al. Technologies Enabling Smart Manufacturing
CN118467120A (zh) 一种面向多任务场景的机载异构融合智能计算装置和计算任务智能分配方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24917820

Country of ref document: EP

Kind code of ref document: A1