基于部件更新的海上风电场备件数量优化

基于部件更新的海上风电场备件数量优化

吴昊

江苏海上龙源风力发电有限公司 江苏南通 226600

摘要:海上风电场较陆上风电场设备造价成本高，加上交通工具不及陆上风电便利，在机型复杂的风电场备件数量设置不佳的前提下容易导致风机设备的使用寿命降低，且发电可利用率降低，并且若设置过多备件库存也会造成成本大幅提高。所以本文提出了基于部件更新的还是风电场备件数量优化办法。具体为：第一步，根据以往的部件劣化周期和程度加入检测制度，并利用时间延迟理论完成部件的优化和更新，从而计算更替周期。第二步，综合分析备件使用情况，分析最佳使用寿命和利用率，构建马尔科夫过程方程。第三步，采用仿真模拟的方法制定模型，从而确认最佳数量，进而为降低成本，提高风电场发电可利用率、减少因备件导致的停机时长提供支持。

关键词:海上风电场;海上风机;备品备件管理;维护策略

为了保证海上风电场发电效率，降低高昂的发电成本，同时避免机组故障时无法尽快完成设备的维修，需要确保风电场有足够的备件储备。从而降低故障对发电的影响，避免发电故障导致设备停运，影响到用户的正常用电。但是有一个问题就是并非所有的备件均可兼容不同的风电场风机。因为风电场，尤其是海上风电场的部分设备是针对某风电场特制的，若没有备件储存，难以在一定的时间内完成机组的故障处理。所以本文通过分析和计算确立了基于部件根心的海上风电备品备件数量优化模型。具体为：从时间延迟理论出发，完成部件的优化和更新，建立不定期检测模型和优化策略。并根据部件使用周期构建马尔科夫过程方程。同时以部件可用率得到最佳备品备件储备数量。

1基于时间延迟维护理论的部件更新策略

时间延迟理论由CHRISTER于1973年提出,是一种综合考虑设备故障损失､运行风险和成本的维护模型｡在时间延迟理论中,设备从投入运行到产生潜在故障的时间间隔为u,u为一随机变量,密度函数为g(u),经过一段时间s,s亦为一随机变量,密度函数为h(s),设备将发生功能故障｡理论示意图如图1所示｡

图1时间延迟理论示意

若检测区域没有在阴影区，则难以检测处各种类型的故障；检测周期不精准容易造成部件的故障情况无法了解，导致无法确认机组可用率。所以采用延迟时间理论的意义就是确认最佳检测周期。从而达到提前更换备件，防止故障发生。在本文采取的维护策略中,不定期对设备进行检测,检测时间序列为{I₁,I₂,I₃,…,I_k},用U_k=I_k-I_k-1表示第k次检测与上一次检测的时间间隔｡令I₀=0,检测时间与部件更换时间忽略不计｡每次的部件检测费用为C_D,检测出潜在故障并对部件进行预防性更换的费用为C_p,检测间隔期对发生功能性故障部件进行修复性更换的费用为C_c,单位时间的停机损失费用为C_d｡其中,若检测出潜在故障,则对部件进行预防性更换,每次预防性更换时间为d_p;若在检测间隔期内发生功能性故障,则对部件进行故障更换,故障更换时间为d_c;若在第k次检测时间点I_k没有检测出潜在故障,则不实施维修,并按U_k+1=α^kU₁(0<α<1)确定下一次检测时间｡对部件进行更换后,部件更新有3种情况｡

(1)从零时刻开始运行,在第一次检测时刻I1前发生功能性故障,此时运行时间为u+s,更新周期为u+s+d_c,更换成本为C_D+C_c+C_dd_c｡

(2)I₁时刻检测出潜在故障,此时运行时间为I₁,更新周期为I₁+d_p,更换成本为C_D+C_p+C_dd_p;

(3)在I1时刻未检测出潜在故障,此时又包含两种情形:在I_k(k≥2)时刻第一次检测出潜在故障,且在(I₁,I_k)内没有发生功能性故障,则更新周期为Ik+dp,更新成本为kC_D+C_p+C_dd_p;在前k次检查时没有检测出潜在故障,且在I_k+1时刻前发生了功能性故障,则更新周期为I_k+1+d_p,更新成本为kC_D+C_c+C_dd_c｡综合以上所有情况,部件的更新周期T的期望为：

2海上风电场备件数量优化策略

2.1基于部件更新策略的马尔科夫构建

海上风电场施工成本很高，各类精密设备的造价很高，所以应当定期更替设备后及时送往专门的维修机构进行检修，在完成设备的故障处理后放回到原库房内留待使用（风电场称为“还库”）。本文考虑备件的循环利用,建立马尔科夫过程｡结合上文内容,用优化所得的更新周期(倒数)代替部件故障率,对备件循环利用过程构建马尔科夫链｡基于备件更新策略的备件循环利用过程如图2所示｡

图2基于备件更新优化的备件循环利用过程

一般更换备件使用的时间更长，为了减少其他非关键因素的影响，需要将更换时间不予考虑。假设风电场有m台机组,则整个风电场运行的某部件数量也为m｡若风电场备件库中该备件初始数量为n,用(i1,i2,i3)表示该风电场备件循环利用的马尔科夫过程中的状态｡其中,i1表示风电场正常运行的某部件数量;i2表示备件库中可用的该部件备件数量;i3表示处在循环过程的部件数量｡假设在一定年限内,风电场该部件不发生报废也不新添备件,则i1+i2+i3的值保持不变,为m+n｡对系统所有的状态用j=i3来编码,则共有m+n+1种状态｡

2.2备件数量优化

备品备件优化是提高备品备件保障率以及短缺率，从而确保更换部件时可以快速拿到可以替换的部件。前者可以分析是否有足够的备件，后者根据短缺概率可知是否已经没有可以更换的备件。上述内容是以往采纳的备件优化方法，该方法具有一定的局限性，因为备件短缺的情况下，运行可用率的数值并不能代表实际的备件数量。所以将运行可用率替换为稳态可用率可以比慢这一问题。可用率为1,则有U(L)=∑mL=1p(n+L)Lm(11)对于风电场的部件i,当运行数目为m,备件数目为n时,其稳态可用率Ai(n)为:

Ai(n)=1-Ui(L)=1-∑mL=1pi(n=L)Lm

从上式可知，稳态可用率可以提供设备实际使用情况，并且该参数可以充分了解备件数量，并可以得到最佳备品备件数量。

3结论

综上所述，海上风电场的备品备件数量储备对于维护风电场的正常运营具有非常重要的意义，因此本文提出的基于部件更新的备件数量优化方案对于解决备件数量无法和风电场运营配适以及备件数量存留过多而导致成本过高的问题有积极的作用，可以有效改善备品备件数量优化问题，从而为我国海上风电场的正常运营和经济效益的提高打下了良好的基础。

参考文献:

[1]易勇华,傅健,王春枝,等.指数型有寿件备件需求预测模型[J].兵器装备工程学报,2017(11):89-92.

[2]崔谱龙,叶华平,闫华.多阶段任务系统备件携行量研究方法综述[J].兵器装备工程学报,2018(1):127-135.

[3]王梓行,韩维,苏析超.舰载机间断型备件的需求预测方法[J].兵工自动化,2017,36(5):40-43.