位置分散的城市微型风电场维护计划决策优化方法

1.本发明涉及可靠性与设备维护领域，尤其是涉及一种位置分散的城市微型风电场维护计划决策优化方法。


背景技术：

2.随着全球环境污染和能源危机的日益严重，新能源和可再生能源的发展受到越来越多的关注。风能作为一种清洁、环保、取之不尽用之不竭的能源，近年来已在全世界范围内广泛地用于发电，具有巨大的发展潜力。通常，风力发电大致可分为两种：陆上和海上风电场。传统上，沿岸浅海和农村地区被认为是安装这些大型风力涡轮机的最佳地点。这两种风电场是当前风电的主要来源。然而，最近的研究表明，城市地区具有很大的风力发电前景。城市地区的风电场，将会成为未来风电发展的一个重要方向。
3.城市中的风电场是区别于两种传统风电场的全新的类型，称为城市微型风电场。它们通常被安装在城市高速公路，高层建筑物的屋顶，屋顶通风机，铁路轨道，多层建筑物之间或周围的地方等等有较高潜在的风能的地方。这种类型的微型风力涡轮机可以集成到电网中，让风能在需要的地方产生，因此提供了分散的本地能源来源，与远离城市的传统风电场相比，电力传输的成本显著降低。分布式能源发电在提高能源效率、减少污染物排放、减少能源依赖和刺激经济方面都具有显著的好处。
4.然而，城市微型风电场存在地理位置分散、种类繁多、数量庞大等特点，不仅对风电设备维护造成巨大压力，而且对与可靠性密切相关的维护计划安排提出更高的要求。如何优化维护计划决策，对城市微型风电场的实际应用具有重要意义。
5.当前城市微型风电场的相关模型，主要聚焦于城市空气动力学、风力资源评估、风机安装等方面。然而，城市微型风电场的维护作为一个不可忽视的重要问题，目前还缺少可以实际应用的维护优化方法。相比传统的海陆大型风电场的维护，城市微型风场有着相对较高的维护成本。并且，复杂的城市环境和多样的风场类型对城市微型风电场的维护安排提出了全新的挑战。


技术实现要素：

6.针对现有技术存在的上述问题，本发明提供了一种考虑时间窗的地理位置分散城市微型风电场维护计划决策优化方法，当多个维护能力不同的维护团队对大量地理位置分散的城市微型风电场进行预防性维护时，该方法可以给出优化的维护计划。
7.本发明的技术方案如下：
8.考虑时间窗的地理位置分散城市微型风电场维护计划决策优化方法，包括如下步骤：
9.s1：采集地理位置分散的城市微型风电场的基本信息，包括：风电场的数量和位置、风电场内风机的数量和类型、风机的产出和退化情况、风机维护成本和时间；
10.s2：建立维护中心和维护团队的信息模型，包括：维护中心与风电场的距离、维护
团队的维护资源、维护团队运输和移动成本；
11.s3：建立考虑时间窗的地理位置分散城市微型风电场维护计划决策优化的目标函数；
12.s4：确定优化过程的约束条件；
13.s5：采用混合编码表示优化问题的解；所述混合编码包括：所有维护团队的维护资源的分配、每个维护团队要执行的维护任务的信息、维护团队执行这些任务的顺序；
14.s6：采用基于随机变化邻域下降和布谷鸟搜索的混合离散人工鱼群算法求解所述目标函数，确定最优的维护计划安排；所述最优的维护计划安排包括：维护团队的任务执行顺序以及维护团队的维护资源分配。
15.进一步的，步骤s3以最大化有效维护价值为目标构建目标函数：
[0016][0017]
其中：ai是维护任务i中的所有风机的有效维护价值，其作用是将维护带来的收益具体化以辅助维护计划决策，同时将风机的退化程度纳入到维护价值的考虑之中；r
i，j，k
表示维护路线的0-1变量，当其为1则表示在维护路线k中，任务i维护结束后的当前维护团队的下一个目标是任务j；是维护任务i中的维护成本；从任务i的位置到任务j的位置的移动成本；是维护路线k的部件运输成本。
[0018]
进一步的，步骤s4所述约束条件包括：
[0019]
(4-1)维护路线出发点约束；该约束限制了每条维护路线都必须从维护中心出发，并且只会出发一次：
[0020][0021]
(4-2)维护路线终点约束；该约束限制了每条维护路线都必须最终返回到维护中心，并且只会返回一次：
[0022][0023]
(4-3)维护任务完成约束；该约束限制了每个任务都必须最终在某条维护路线上被完成。
[0024][0025]
(4-4)维护路线连续性约束；该约束要求维护团队完成一个任务后离开维护任务所在点，保证维护路线连续：
[0026][0027]
(4-5)维护团队工作时间约束；该约束表示所有维护团队的每日的总工作时间不能超过工作时间上限：
[0028][0029]
(4-6)维护团队运载能力约束；该约束表示每次出发时维护团队携带部件种类数量不能超过运载能力的限制：
[0030][0031]
(4-7)维护团队维护能力约束；该约束表示维护团队的维护技能必须能满足维护任务要求：
[0032][0033]
(4-8)决策变量取值约束；该约束规定了模型中决策变量的取值范围：
[0034][0035][0036]
公式(2)到(10)的符号及决策变量的定义如下：表示任务i在第d天中实际维护所消耗的时间；v
i，d
表示在任务i所在的风场，在第d天中所面对的风速；表示任务i和任务j之间的移动时间，当i＝0或j＝0时表示任务地点到维护中心的移动时间；li表示任务i所对应的部件数量；z
i，k
表示任务i在维护路线k中的维护技能等级，由e
s，y
求得；决策变量e
s，y
表示维护团队s在维护y型风场时的维护技能等级。
[0037]
进一步的，步骤s5的具体方法如下：
[0038]
首先对所有可选任务进行编号，维护中心的编号为0；每个维护团队都要从维护中心出发，并回到维护中心，因此维护路线可行解的编码总是从0开始，并最终以0结束；所有被选中执行的任务的序号，以一定顺序形成一个数组；当一共有nm数量的维护团队时，在数组中间插入n
m-1个0，就得到由数字0分隔开的每一个维护团队的维护路线；
[0039]
对于维护资源的分配，使用维护资源对应得到的维护技能等级来表示；假设风场类型共有nf，则使用一个nm×
nf的矩阵来表示对维护资源的分配结果；每行表示一个维护团队，每列表示一个风场类型，每个数字表示该维护团队对该种类型风场的维护技能等级。
[0040]
进一步的，步骤s6的具体步骤如下：
[0041]
s6-1：在满足约束的前提下，基于混合编码机制生成初始种群；
[0042]
s6-2：使用融合了随机变化邻域下降方法的布谷鸟搜索算法，对种群进行局部搜索；
[0043]
s6-3：对个体进行随机局部交叉搜索操作，提高算法深度寻优能力；
[0044]
s6-4：在局部搜索结束后，进一步对维护资源分配进行后优化；
[0045]
s6-5：如果迭代达到预定次数，就将当前最优的求解结果作为最终的优化方案，否则回到步骤s6-2。
[0046]
进一步的，步骤s6-2的具体步骤如下：
[0047]
s6-2-1：将初始化之后得到的初始种群，作为布谷鸟搜索算法的初始鸟巢，即初始可行解；
[0048]
s6-2-2：使用莱维飞行方法模拟寻找下一代新鸟巢的过程；
[0049]
s6-2-3：部分布谷鸟，也就是可行解，在经过莱维飞行找到新的鸟巢以后，继续在邻域中使用随机变化邻域下降方法进行搜索，以找到更优的鸟巢；
[0050]
s6-2-4：保留当前找到的最优解；放弃一部分较差的鸟巢；
[0051]
s6-2-5：如果迭代达到预定次数，就将当前最优解作为最终的结果，否则回到步骤s6-2-2。
[0052]
进一步的，步骤s6-3的具体步骤如下：
[0053]
s6-3-1：在ab两个解中分别选定两个交叉点，两点之间的编码即为交叉部分，去掉交叉部分中所有的分隔点0；
[0054]
s6-3-2：对于解a，交叉部分以外的任务安排都不变，然后将剩下的任务的顺序，调整为解b中任务的顺序；
[0055]
s6-3-3：对于解b，执行同样操作，根据解a中任务的顺序来调整顺序；
[0056]
s6-3-4：将之前被去掉的所有分隔点0，重新随机插入两个解的交叉部分。
[0057]
进一步的，步骤s6-2-2中使用莱维飞行方法模拟寻找下一代新鸟巢的过程通过下式实现：
[0058][0059]
levy(s，γ)＝s-1-γ
，0＜γ≤2
ꢀꢀꢀꢀ
(12)
[0060]
其中：α是步长参数，s是从levy分布得到的步长，γ则是levy分布的形状参数，符号表示两个矩阵之间的点乘。
[0061]
进一步的，所述步长参数α使用自适应的动态步长参数α：
[0062][0063]
其中：α0是步长参数的上限，gi表示当前cs算法的迭代次数，g
max
表示算法的迭代次数上限。
[0064]
本发明基于元启发式算法，在研究相关约束的基础上，以最大化有效维护价值为目标，建立了城市微型风电场进行动态每日维护计划安排的数学模型。模型同时考虑了城市微型风场面对的多种特有问题，以有效维护价值最大化为目标，求解了最优的维护资源分配策略和维护路线安排。通过对城市微型风电场维护问题的特征分析，采用混合编码方式对所求解进行有效表达；构建基于随机变化邻域下降和布谷鸟搜索的混合离散人工鱼群算法求解数学模型，缓解人工鱼群算法的早熟收敛现象，提高算法的寻优能力。
[0065]
本发明有益的技术效果在于：
[0066]
设计了一种考虑时间窗的地理位置分散城市微型风电场维护计划决策优化方法，明确了城市微型风电场的维护路径规划问题和维护团队资源分配问题。在系统地研究相关约束的基础上，以最大化有效维护价值为目标，建立了考虑时间窗的地理位置分散城市微型风电场维护计划决策优化问题的数学模型并采用混合编码方案对决策优化问题所求解进行有效表达。建立确定考虑维护路径和维护资源分配的模型和求解算法，最大限度地满
足城市微型风电场维护需求，降低维护成本并提高设备可靠性。与传统风电场维护优化方法相比，本发明设计的维护计划决策方法能够适应地理位置分散设备及城市环境的特点，满足城市微型风电场维护运营的实际需要。
附图说明
[0067]
图1是本发明具体实施方式中的混合优化算法整体框架流程图；
[0068]
图2是本发明具体实施方式中维护路径局部搜索交叉操作示意图；
[0069]
图3是本发明具体实施方式中维护资源分配后优化操作示意图；
[0070]
图4是本发明具体实施方式中应用案例的维护计划求解结果示意图。
具体实施方式
[0071]
下面结合附图和实施例，对本发明进行具体描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0072]
实施例采用本发明来解决维护资源的分配和维护团队的风场间路线安排问题，整体框架流程图如图1所示，包括如下步骤：
[0073]
s1：获悉地理位置分散的城市微型风电场的基本信息，风电场的数量和位置，风电场内风机的数量和类型，风机的产出和退化情况，风机维护成本和时间等信息。
[0074]
s2：建立维护中心和维护团队的信息模型，包括：维护中心与风电场的距离，维护团队的维护资源，维护团队运输和移动成本等。
[0075]
s3：建立考虑时间窗的地理位置分散城市微型风电场维护计划决策优化的目标函数。目标函数以最大化维护计划总价值为目标，影响因素包括：维护成本、维护团队移动成本、部件运输成本：
[0076][0077]
其中：ai是维护任务i中的所有风机的有效维护价值，它将维护带来的收益具体化以辅助维护计划决策，同时将风机的退化程度纳入到维护价值的考虑之中；r
i，j，k
表示维护路线的0-1变量，当其为1则表示在维护路线k中，任务i维护结束后的当前维护团队的下一个目标是任务j；是维护任务i中的维护成本；从任务i的位置到任务j的位置的移动成本；是维护路线k的部件运输成本。
[0078]
s4：确定优化过程的约束条件。共有8个约束条件：
[0079]
(4-1)维护路线出发点约束。该约束限制了每条维护路线都必须从维护中心出发，并且只会出发一次：
[0080][0081]
(4-2)维护路线终点约束。该约束限制了每条维护路线都必须最终返回到维护中心，并且只会返回一次：
[0082][0083]
(4-3)维护任务完成约束。该约束限制了每个任务都必须最终在某条维护路线上被完成：
[0084][0085]
(4-4)维护路线连续性约束。该约束要求维护团队完成一个任务后离开维护任务所在点，保证维护路线连续：
[0086][0087]
(4-5)维护团队工作时间约束。该约束表示所有维护团队的每日的总工作时间不能超过工作时间上限：
[0088][0089]
(4-6)维护团队运载能力约束。该约束表示每次出发时维护团队携带部件种类数量不能超过运载能力的限制：
[0090][0091]
(4-7)维护团队维护能力约束。该约束表示维护团队的维护技能必须能满足维护任务要求：
[0092][0093]
(4-8)决策变量取值约束。该约束规定了模型中决策变量的取值范围：
[0094][0095][0096]
公式(2)到(10)的符号及决策变量的定义如下：表示任务i在第d天中实际维护所消耗的时间；v
i，d
表示在任务i所在的风场，在第d天中所面对的风速；表示任务i和任务j之间的移动时间，当i＝0或j＝0时表示任务地点到维护中心的移动时间；li表示任务i所对应的部件数量；z
i，k
表示任务i在维护路线k中的维护技能等级，由e
s，y
求得；决策变量e
s，y
表示维护团队s在维护y型风场时的维护技能等级。
[0097]
s5：采用混合编码表示优化问题的解。
[0098]
本发明中的编码方式，包含对于所有维护团队的维护资源的分配，每个维护团队要执行的维护任务的信息，以及包含维护团队执行这些任务的顺序。因此，将两部分的决策
分别编码。
[0099]
首先对所有可选任务进行编号，维护中心的编号为0。每个维护团队都要从维护中心出发，并回到维护中心，因此维护路线可行解的编码总是从0开始，并最终以0结束。所有被选中执行的任务的序号，以一定顺序形成一个数组。当一共有nm数量的维护团队时，在数组中间插入n
m-1个0，就得到由数字0分隔开的每一个维护团队的维护路线。
[0100]
对于维护资源的分配，使用维护资源对应得到的维护技能等级来表示。假设风场类型共有nf，则使用一个nm×
nf的矩阵来表示对维护资源的分配结果。每行表示一个维护团队，每列表示一个风场类型，每个数字表示该维护团队对该种类型风场的维护技能等级。
[0101]
s6：采用基于随机变化邻域下降和布谷鸟搜索的混合离散人工鱼群算法求解所述目标函数，确定最优的维护计划安排，包括维护团队的任务执行顺序以及维护团队的维护资源分配。具体步骤如下：
[0102]
s6-1：在满足约束的前提下，基于混合编码机制生成初始种群。
[0103]
首先，使用种子任务插入启发式方法方法来对维护路线安排进行初始化。这一方法是，首先为每个维护团队选择一个种子任务，然后寻找其他任务插入当前的路线，直到违反约束时停止。选择种子任务有两个条件，第一是相对于维护中心的地理位置最远，第二是两个种子任务由于时间约束无法由同一个维护团队执行。而选择插入任务则是以插入后的有效维护价值增量δemv最大化来决定的。
[0104]
接下来，对于维护资源的分配初始化，在维护路线初始化完成以后进行。首先不考虑维护资源的限制，所有维护团队都拥有最大限度的维护资源，即所有维护团队的所有维护技能等级都为最大。选择一个维护团队的某一维护技能，降低其维护技能等级。被选择的维护技能要满足两个条件：第一，维护技能等级降低以后不能违反可行性约束和工作时间约束；第二，降低维护技能等级后目标函数的变化量δemv最小。不断重复以上步骤降低维护技能等级，直到满足维护资源的约束，由此得到了维护资源分配的初始可行解。
[0105]
s6-2：使用融合了随机变化邻域下降方法的布谷鸟搜索算法，对种群进行局部搜索，如图2所示。具体步骤如下：
[0106]
ss6-2-1：将初始化之后得到的初始种群，作为布谷鸟搜索算法的初始鸟巢，即初始可行解。
[0107]
s6-2-2：使用莱维飞行方法模拟寻找下一代新鸟巢的过程。
[0108][0109]
levy(s，γ)＝s-1-γ
，0＜γ≤2
ꢀꢀꢀꢀ
(12)
[0110]
其中，α是步长参数，s是从levy分布得到的步长，γ则是levy分布的形状参数，符号表示两个矩阵之间的点乘。通常，步长参数α被设定为常数，但是这样会使得levyflight的搜索能力和搜索准确性较差。因此本文使用自适应的动态步长参数α：
[0111][0112]
α0是步长参数的上限，gi表示当前cs算法的迭代次数，g
max
表示算法的迭代次数上限。通过自适应的动态步长参数，算法在迭代次数较低时，levy flight的步长较大，不容易快速陷入局部最优；迭代次数较高时，步长较小，在局部搜索的效率更高。
[0113]
s6-2-3：部分布谷鸟，也就是可行解，在经过莱维飞行找到新的鸟巢以后，会继续
在邻域中使用随机变化邻域下降方法进行搜索，以找到更优的鸟巢。
[0114]
随机变化邻域下降方法可以很好地模拟布谷鸟在较小范围内对于鸟巢的随机搜索，与莱维飞行的较大范围搜索相结合，提高局部搜索算法的搜索效率。其中使用的几种邻域搜索算子总结如下：
[0115]
(6-1)n1：随机选择两个不相邻的节点，将位置靠前的节点移动到另一节点的前面。
[0116]
(6-2)n2：随机选择一个节点，将其与相邻的节点互换顺序。
[0117]
(6-3)n3：随机选择两个不相邻的节点，将两节点之间的所有节点形成的路线反转。
[0118]
(6-4)n4：随机选择一个非0的节点，将其替换为另一个可选的任务。
[0119]
(6-5)n5：随机选择一个节点，插入一个不影响解的可行性的新任务。
[0120]
(6-6)n6：随机选择一个节点将其删除，同时不影响解的可行性。
[0121]
s6-2-4：保留当前找到的最优解。放弃一部分较差的鸟巢。
[0122]
s6-2-5：如果迭代达到预定次数，就将当前最优解作为最终的结果，否则回到步骤s6-2-2。
[0123]
s6-3：对个体进行随机局部交叉搜索操作提高算法深度寻优能力，具体方式如下：
[0124]
s6-3-1：首先在ab两个解中分别选定两个交叉点，两点之间的编码即为交叉部分，去掉交叉部分中所有的分隔点0。
[0125]
s6-3-2：对于解a，交叉部分以外的任务安排都不变，然后将剩下的任务的顺序，调整为解b中任务的顺序。
[0126]
s6-3-3：对于解b，执行同样操作，根据解a中任务的顺序来调整顺序。
[0127]
s6-3-4：将之前被去掉的所有分隔点0，重新随机插入两个解的交叉部分。
[0128]
s6-4：在局部搜索结束后，进一步对维护资源分配进行后优化，如图3所示。搜索方法中使用的算子如下：
[0129]
交换算子：随机选择两个维护技能等级不同的编码位置进行位置交换。
[0130]
加减算子：随机选择一个维护技能等级不为0的位置，使其技能等级减1，再随机选择一个维护技能等级未达到上限的位置，使其技能等级加1。
[0131]
两种算子都可以使得总维护技能等级之和不变，从而在给定维护资源总量时有效的搜索对维护资源的最优分配。
[0132]
s6-5：如果迭代达到预定次数，就将当前最优的求解结果作为最终的优化方案，否则回到步骤s6-2。
[0133]
图4是最终的优化方案，维护运营商可以依据这一结果安排维护资源分配与维护团队的任务。本实施例求解了包含30个任务的维护计划结果，其中共有3个维护团队，3种类型的风场，维护资源被分成了2个等级。维护计划一共在3天时间内完成。三张子图分别表示每一天中的具体维护计划安排。左边的矩阵表示维护资源分配结果，每行表示一个维护团队，每列表示该团队在这一类型风场的维护资源等级。右边的有向图代表了每一个维护团队在当天的维护路线安排。
[0134]
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，对于本领
域的普通技术人员而言，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。