海上风电场风电机组复合维护策略优化方法、装置及设备与流程

1.本发明涉及海上风电技术领域，尤其涉及一种海上风电场风电机组复合维护策略优化方法、装置及设备。


背景技术：

2.现有的海上风电场各个风电机组运维方案通常采用陆上监控中心与海上运维基地相结合的方式，通过陆上监控中心先对海上风电场各个风电机组的运行情况进行全天实时监测，特别是对风电机组关键部件的转动和摩擦进行监测，集中分析监测结果确定各个风电机组的运行状态，再利用小风期对各个风电机组进行针对性的检修和维护，同时通过海上运维基地完成各个风电机组的定期维护和故障处理，运维人员按年度计划对各个风电机组进行维护，以及根据陆上监控中心的维护指示到现场处理无法复位的设备故障。
3.现有技术在对各个风电机组进行维护时没有考虑实时运行数据、设备故障信息等在线数据，仅考虑维护记录和备品备件等离线数据，不同时间尺度、不同数据来源的海量数据没有得到有效的分析和融合，难以预测各个风电机组的可靠性和运行状态来优化维护策略，无法实现预防维护。且在维护策略形成后，维护策略的执行效果还受实际的维护资源限制，难以权衡各个风电机组的性能和海上风电场的效益来优化运维策略，无法实现实际运维。


技术实现要素：

4.为了克服现有技术的缺陷，本发明提供一种海上风电场风电机组复合维护策略优化方法、装置及设备，能够实现对海上风电场各个风电机组的预防维护和实际维护。
5.为了解决上述技术问题，第一方面，本发明一种海上风电场风电机组复合维护策略优化方法，包括：
6.对于每一风电机组，根据所述风电机组的监测数据，评估所述风电机组的当前运行状态，并结合所述风电机组的历史运行状态进行运行状态预测，得到所述风电机组的预测运行状态；
7.分别将每一所述风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使所述预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一所述风电机组的维护方式及监测周期，得到所述风电机组的最优预防维护策略；
8.根据所有所述风电机组的当前运行状态，对所有所述风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有所述待维护机组组合进行聚类，得到若干个目标待维护机组组合；
9.对于每一所述目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据所述维护资源限制条件构造约束条件，结合所述目标函数和所述约束条件建立实际维护策略优化模型，求解得到所述目标待维护机组的最优实际维护策略。
10.进一步地，所述根据所述风电机组的监测数据，评估所述风电机组的当前运行状态，具体为：
11.根据所述风电机组的监测数据，采用模糊综合评判法评估所述风电机组的当前运行状态。
12.进一步地，在所述结合所述风电机组的历史运行状态进行运行状态预测，得到所述风电机组的预测运行状态之前，还包括：
13.根据所述风电机组的历史监测数据或n状态左-右无跨越模型，确定所述风电机组的历史运行状态。
14.进一步地，所述结合所述风电机组的历史运行状态进行运行状态预测，得到所述风电机组的预测运行状态，具体为：
15.结合所述风电机组的当前运行状态和历史运行状态，得到所述风电机组在不同运行状态间的转移概率，并对所述风电机组在不同运行状态间的转移概率进行降序排序，得到所述风电机组的预测运行状态序列；
16.对于所述风电机组的预测运行状态序列中的每一运行状态变化对，将所述运行状态变化对关联的目标监测数据作为预先建立的粒子群多目标优化预测模型的多输入变量，以根据所述粒子群多目标优化预测模型输出的所述目标监测数据的调节量，评估所述风电机组的预测运行状态。
17.进一步地，所述根据所有所述风电机组的当前运行状态，对所有所述风电机组进行分类，得到若干个待维护机组组合，具体为：
18.将所有所述风电机组中当前运行状态满足预先定义的发电机组维护条件的发电机组作为待维护机组，得到若干个待维护机组；
19.将属于同一区域的所有所述待维护机组划分至同一待维护机组组合，得到若干个所述待维护机组组合。
20.进一步地，所述根据预先定义的维护资源限制条件，对所有所述待维护机组组合进行聚类，得到若干个目标待维护机组组合，具体为：
21.根据所述维护资源限制条件中的维护船只数量限制条件，确定维护船只可用数量作为分区数量；
22.基于所述分区数量，对所有所述待维护机组组合进行聚类，得到若干个所述目标待维护机组组合。
23.进一步地，所述目标函数为：
24.minz＝(cc cl cd)/wf；
25.其中，cc为维护人员调度、维护船只运行、维护路径交通的总费用，cl为维护停机损失，cd为延迟维护惩罚费用，wf为所述总发电量。
26.进一步地，所述约束条件包括维护船只数量约束条件、维护船只载重约束条件、维护人员数量约束条件、机组维护时序约束条件、维护船只日有效工作时长约束条件、维护停机时间约束条件、延迟维护时间约束条件、维护船只日维护机组次数约束条件、维护路线约束条件中的至少一个约束条件。
27.第二方面，本发明一实施例提供一种海上风电场风电机组复合维护策略优化装置，包括：
28.机组运行状态预测模块，用于对于每一风电机组，根据所述风电机组的监测数据，评估所述风电机组的当前运行状态，并结合所述风电机组的历史运行状态进行运行状态预测，得到所述风电机组的预测运行状态；
29.预防维护策略优化模块，用于分别将每一所述风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使所述预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一所述风电机组的维护方式及监测周期，得到所述风电机组的最优预防维护策略；
30.待维护机组分类模块，用于根据所有所述风电机组的当前运行状态，对所有所述风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有所述待维护机组组合进行聚类，得到若干个目标待维护机组组合；
31.实际维护策略优化模块，用于对于每一所述目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据所述维护资源限制条件构造约束条件，结合所述目标函数和所述约束条件建立实际维护策略优化模型，求解得到所述目标待维护机组的最优实际维护策略。
32.第三方面，本发明一实施例提供一种海上风电场风电机组复合维护策略优化设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时实现如上所述的海上风电场风电机组复合维护策略优化方法。
33.本发明的实施例，具有如下有益效果：
34.通过对于每一风电机组，根据风电机组的监测数据，评估风电机组的当前运行状态，并结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态；分别将每一风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一风电机组的维护方式及监测周期，得到风电机组的最优预防维护策略；根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合；对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据维护资源限制条件构造约束条件，结合目标函数和约束条件建立实际维护策略优化模型，求解得到目标待维护机组的最优实际维护策略，完成优化维护策略，使得后续可结合各个风电机组的最优预防维护策略和目标待维护机组的最优实际维护策略，对相应的风电机组进行复合运维。相比于现有技术，本发明的实施例通过考虑海上风电场各个风电机组的监测数据进行运行状态预测，根据各个风电机组的预测运行状态来优化维护策略，得到各个风电机组的最优预防维护策略，以及考虑各个风电机组的当前运行状态和实际的维护资源限制条件，选择目标待维护机组组合并优化其维护策略，得到目标待维护机组的最优实际维护策略，从而实现对海上风电场各个风电机组的预防维护和实际维护。
附图说明
35.图1为本发明第一实施例中的一种海上风电场风电机组复合维护策略优化方法的流程示意图；
36.图2为本发明第一实施例中示例的粒子群多目标优化预测算法的数据流图；
37.图3为本发明第二实施例中的一种海上风电场风电机组复合维护策略优化装置的结构示意图。
具体实施方式
38.下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，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。
39.需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的终端设备执行，且下文均以处理器作为执行主体为例进行说明。
40.如图1所示，第一实施例提供一种海上风电场风电机组复合维护策略优化方法，包括步骤s1～s3：
41.s1、对于每一风电机组，根据风电机组的监测数据，评估风电机组的当前运行状态，并结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态；
42.s2、分别将每一风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一风电机组的维护方式及监测周期，得到风电机组的最优预防维护策略；
43.s3、根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合；
44.s4、对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据维护资源限制条件构造约束条件，结合目标函数和约束条件建立实际维护策略优化模型，求解得到目标待维护机组的最优实际维护策略。
45.作为示例性地，在步骤s1中，对于每一风电机组，将风电机组分为关键性的若干个部件，一般为5～6个，获取风电机组的监测数据，监测数据包括齿轮箱油温、振动信号、发电机温度、叶片噪声、叶片应力、控制盘温度、变桨角度等。根据风电机组的监测数据，对各个部件功能进行状态评定，评估风电机组的当前运行状态。结合风电机组的当前运行状态和历史运行状态进行运行状态预测，得到风电机组的预测运行状态，从而得到各个风电机组的预测运行状态。
46.在步骤s2中，预先建立预防维护策略优化模型，分别将每一风电机组的预测运行状态作为预防维护策略优化模型的输入参数，使预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一风电机组的维护方式及监测周期，得到风电机组的最优预防维护策略，从而得到各个风电机组的最优预防维护策略。
47.在步骤s3中，根据所有风电机组的当前运行状态，判断各个风电机组是否需要被维护，根据所有风电机组的维护需求，对所有风电机组进行分类，得到若干个待维护机组组合。基于实际有限的维护资源，预先定义维护资源限制条件，根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合，以合理利用有限
的维护资源维护具有维护需求的发电机组。
48.在步骤s4中，对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据维护资源限制条件构造约束条件，结合目标函数和约束条件建立实际维护策略优化模型，求解实际维护策略优化模型，得到目标待维护机组的最优实际维护策略，从而得到各个目标待维护机组的最优实际维护策略。
49.本实施例通过考虑海上风电场各个风电机组的监测数据进行运行状态预测，根据各个风电机组的预测运行状态来优化维护策略，得到各个风电机组的最优预防维护策略，以及考虑各个风电机组的当前运行状态和实际的维护资源限制条件，选择目标待维护机组组合并优化其维护策略，得到目标待维护机组的最优实际维护策略，从而实现对海上风电场各个风电机组的预防维护和实际维护。
50.在优选的实施例当中，所述根据风电机组的监测数据，评估风电机组的当前运行状态，具体为：根据风电机组的监测数据，采用模糊综合评判法评估风电机组的当前运行状态。
51.作为示例性地，在根据风电机组的监测数据，对各个部件功能进行状态评定的过程中，考虑到评估因素多且具有模糊性和随机性等特点，可采用模糊综合评判法评估风电机组的当前运行状态。
52.本实施例通过采用模糊综合评判法评估风电机组的当前运行状态，有利于快速准确地评估风电机组的当前运行状态。
53.在优选的实施例当中，在所述结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态之前，还包括：根据风电机组的历史监测数据或n状态左-右无跨越模型，确定风电机组的历史运行状态。
54.在优选的实施例当中，所述结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态，具体为：结合风电机组的当前运行状态和历史运行状态，得到风电机组在不同运行状态间的转移概率，并对风电机组在不同运行状态间的转移概率进行降序排序，得到风电机组的预测运行状态序列；对于风电机组的预测运行状态序列中的每一运行状态变化对，将运行状态变化对关联的目标监测数据作为预先建立的粒子群多目标优化预测模型的多输入变量，以根据粒子群多目标优化预测模型输出的目标监测数据的调节量，评估风电机组的预测运行状态。
55.作为示例性地，根据风电机组的历史监测数据或n状态左-右无跨越模型，确定风电机组的历史运行状态。结合风电机组的当前运行状态和历史运行状态，得到风电机组由于性能退化在不同运行状态间的转移概率。
56.将风电机组在不同运行状态间的转移概率按照转移概率从大到小的顺序进行排序，得到风电机组的预测运行状态序列，其中，风电机组的预测运行序列中包括若干个运行状态变化对。
57.对于风电机组的预测运行状态序列中的每一运行状态变化对，将运行状态变化对关联的目标监测数据，即引起风电机组运行状态发生变化的监测数据作为预先建立的粒子群多目标优化预测模型的多输入变量，以根据粒子群多目标优化预测模型输出的目标监测数据的调节量，评估风电机组的预测运行状态。
58.粒子群多目标优化预测算法的数据流图如图2所示，粒子群多目标优化预测模型
根据目标监测数据得到目标监测数据的调节量的过程具体如下：
59.1、将目标监测数据作为多输入变量输入到多目标优化模块中，多目标优化模块随机生成多个多维度粒子，每一多维度粒子对应于风电机组在当前运行状态下的一组目标监测数据的调节量；
60.2、对所有多维度粒子进行一次遍历迭代寻优，以获得各个多维度粒子的取值；
61.3、根据多目标优化预测的目标函数，判断各个多维度粒子的取值的优劣，并将各个多维度粒子的取值作为自己的历史最优值，将所有历史最优值组成非劣解集合；
62.4、每一次迭代后，每个多维度粒子自动根据自己的历史最优值和整个粒子群的全局最优值更新每个多维度粒子自身的参数；
63.5、对更新参数后的每个多维度粒子循环执行操作2-3，直至所有多维度粒子都收敛至最优的位置，从而获得目标监测数据的调节量；
64.6、基于目标监测数据的调节量，针对风电机组的关键部件建立预防维护策略优化模型。
65.其中，操作2具体包括：
66.21、将每个多维度粒子输入风电机组发电过程模型，风电机组发电过程模型是通过全样本空间离线学习风电机组的历史运行数据建立的；
67.22、通过贝叶斯推理，获得目标监测数据的调节概率分布，目标监测数据包括齿轮箱油温、发电机温度、控制盘温度、变桨角度等可调节的监测数据。
68.操作3中的多目标优化预测的目标函数为：
[0069][0070]
f:x
→rk
,f
max
(x)＝η(x),f
min
(x)＝(齿轮箱油温，发电机温度，控制盘温度，变桨角度)
t
(1)；
[0071]
式(1)中，η表示该多维度粒子对应的风电机组发电效率，最优值是在搜索范围内，使得目标函数值最小的一组目标监测数据。
[0072]
多目标优化预测的目标函数还包括在降低齿轮箱油温、发电机温度、控制盘温度和变桨角度以及提高发电效率之间寻求最优，尽可能达到最高发电效率和最大降低齿轮箱油温、发电机温度、控制盘温度和变桨角度。
[0073]
操作3中的多目标优化预测的目标函数为基于贝叶斯网络的风电机组发电过程模型，通过贝叶斯推理，由每组目标监测数据的调节量可以推导出相应的风电机组运行状态，以此选出风电机组最优运行状态对应的目标监测数据的调节量。
[0074]
操作6具体包括：判断当前风电机组运行在稳态负荷工况还是变负荷工况，根据负荷判断结果控制回路切换，即动态改变非劣解集中多个优化目标的权重和调整模式，使多个优化目标具有变负荷自适应寻优特性，在稳定负荷工况下，预防维护逻辑偏重于提高风电机组发电效率，而在变负荷工况下，预防维护逻辑偏重于降低风电机组关键部件的温度，并且在预防维护逻辑中嵌入了量化后的专家知识作为优化的约束条件。
[0075]
本实施例通过采用粒子群多目标优化预测算法进行运行状态预测，有利于快速准确地获取风电机组的预测运行状态。
[0076]
在优选的实施例当中，所述根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，具体为：将所有风电机组中当前运行状态满足预先定义的发电机组维护条件的发电机组作为待维护机组，得到若干个待维护机组；将属于同一区域的所有待维护机组划分至同一待维护机组组合，得到若干个待维护机组组合。
[0077]
在优选的实施例当中，所述根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合，具体为：根据维护资源限制条件中的维护船只数量限制条件，确定维护船只可用数量作为分区数量；基于分区数量，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合。
[0078]
作为示例性地，根据实际的风电机组运行标准，预先定义风电机组维护条件，分别判断每一风电机组的当前运行状态是否满足发电机组维护条件，将所有风电机组中当前运行状态满足预先定义的发电机组维护条件的发电机组作为待维护机组，得到若干个待维护机组。获取各个待维护机组的所属区域，将属于同一区域的所有待维护机组划分至同一待维护机组组合，得到若干个待维护机组组合。
[0079]
基于实际有限的维护资源，预先定义维护资源限制条件，并判断基于现有的维护资源是否可同时对所有待维护机组组合进行维护，若判定可同时对所有待维护机组组合进行维护，则直接将各个待维护机组组合对应作为各个目标待维护机组组合，否则需要根据维护资源限制条件对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合。
[0080]
可以理解的是，对于一定规模的海上风电场，其维护资源的配备往往是有限的，考虑到海上风电场有限的维护资源，在对所有风电机组进行初始分区的基础上进行聚类分区。
[0081]
假设海上风电场能够同时开展维护的维护船只数量为m，维护人员数p≥m，考虑以下情况：
[0082]
1、若告警或被延迟维护机组数量与可用的维护船只数量相等，即k＝m时，可同时开展维护工作，且优先维护告警或被延迟维护机组。
[0083]
2、若告警或被延迟维护机组数量大于可用的维护船只数量，即k》m时，受到维护资源的限制，第一阶段初始划分的k个分区无法同时开展维护，因此采用层次聚类法，自上而下，以可用的维护船只数量m作为分区数量，分区间的距离作为类间距，对k个分区进行合并；类间距采用ward距离，即离差平方和，该方法采用了方差分析的思想，在分类时能够使得类内部的距离尽量小，而类间的距离尽量大，以实现在维护资源约束下的待维护机组的合理分区。
[0084]
具体地，以ni表示第i类分组gi中的风电机组数量，i＝1，2，
…
，k，x
i,rs
为第i类分组gi中第r台风电机组到第s台风电机组的距离，r、s＝1，2，
…
，ni，当r＝s时，x
i,rs
＝0，xi为第i类分组组内距离的平均值，则第i类分组组内的离差平方和si＝0.5σσ(x
i,rs-xi)2，r、s＝1，2，
…
，ni。若分组gi和分组gj合并为新类gr，则gi和gj之间的离差平方和d
2ij
＝s
r-s
i-sj。
[0085]
因此，第二阶段聚类分区的实现流程为：在第一阶段k个分区的基础上，根据d
2ij
选择相邻子类g
p
和gq，使得类间ward距离d
2pq
＝min(d
2ij
)；将子类g
p
和gq合并为新类gr，计算类内ward距离sr；计算新类gr与其他子类的类间ward距离并更新；将类的数目减至k-1，直至分区数量k＝m 1；根据类间ward距离排序，合并新类，形成待选集合{o1，o2，
…
，oh}，集合内元素个数h＝m(m 1)/2，集合中元素oh为按照类间ward距离排序，将n台待维护机组划分为k＝
m类的不同组合oh＝{g
h1
，g
h2
，
…
，g
hm
}；将分类树减至m-1，计算类内距离，更新类间距离，根据类间ward距离排序，再次合并新类，划分风电机组，将n台维护机组划分为k＝m-1类的不同组合，形成待选集合，循环执行上述操作直至m＝1。
[0086]
3、若告警或被延迟维护机组数量小于可用的维护船只数量，即k《m时，则以k台机组作为初始类的凝聚点，结合可用的维护船只数量m，重新聚类，形成待选集合{om，o
m-1
，
…
，ok}，集合中元素om是将第n台待维护机组划分为k＝m类的不同组合om＝{g
m1
，g
m2
，
…
，g
mm
}。
[0087]
本实施例通过对所有风电机组进行初始分区、聚类分区两阶段划分，有利于保证在实际执行维护策略的过程中不受实际的维护资源限制，提升实际维护策略的执行效果。
[0088]
在优选的实施例当中，所述目标函数为：
[0089]
minz＝(cc cl cd)/wf
ꢀꢀ
(2)；
[0090]
其中，cc为维护人员调度、维护船只运行、维护路径交通的总费用，cl为维护停机损失，cd为延迟维护惩罚费用，wf为总发电量。
[0091]
在优选的实施例当中，所述约束条件包括维护船只数量约束条件、维护船只载重约束条件、维护人员数量约束条件、机组维护时序约束条件、维护船只日有效工作时长约束条件、维护停机时间约束条件、延迟维护时间约束条件、维护船只日维护机组次数约束条件、维护路线约束条件中的至少一个约束条件。
[0092]
作为示例性地，对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，目标函数为：
[0093]
minz＝(cc cl cd)/wf
ꢀꢀ
(2)；
[0094]
式(2)中，cc为维护人员调度、维护船只运行、维护路径交通的总费用，cl为维护停机损失，cd为延迟维护惩罚费用，wf为总发电量。
[0095]
根据维护资源限制条件构造约束条件，约束条件包括维护船只数量约束条件、维护船只载重约束条件、维护人员数量约束条件、机组维护时序约束条件、维护船只日有效工作时长约束条件、维护停机时间约束条件、延迟维护时间约束条件、维护船只日维护机组次数约束条件、维护路线约束条件中的至少一个约束条件。
[0096]
结合目标函数和约束条件建立实际维护策略优化模型，求解实际维护策略优化模型，得到目标待维护机组的最优实际维护策略。
[0097]
具体地，考虑风电机组当前运行状态和海上风电场维护资源，结合聚类分析的结果，形成海上风电场分区维护机组的初始群体{g
n1
，g
n2
，
…
，g
nm
}，g
nm
表示第m个维护分区包含a台待维护机组的集群，g
nm
＝{n
m1
，n
m2
，
…nmb
，n
m(b 1)
，
…
，n
ma
}，n
ma
表示该集群中第a台待维护机组的机组编号，该集群包含b(b《＝a)台告警机组和(a-b)台计划维护机组。
[0098]
为了减少停机损失，优先维护告警机组，再考虑计划维护机组，以维护路径最短形成机组集群的初始维护方案。
[0099]
其中，求解算法包括精确算法和近似算法两大类。精确算法的计算成本随着问题规模的扩大呈指数规律增长，而近似算法能够获得较高的求解速度和稳定性。本实施例中，近似算法采用节约算法，优点是运算速度较快，可以解决大规模优化组合问题，基本思想是在约束条件下，依次将运输问题中的两个回路合并为一个回路，使得每次合并后的总距离减少的幅度最大，直到所有需求全部满足，其中回路包括两类，一类是将港口与各个待维护机组单独相连构成的a条o-i-o的初始化线路，第i条线路的形式距离为si＝s
0i
s
i0
；第二类
是将待维护机组i和机组j连接在一起，形成o-i-j-o的线路，路径节约之为s(i,j)＝s
0i
s
0j-s
ij
，该值越大表示将机组i和机组j连在一起时节约的距离越多，计算各个机组节约距离，构成数据s(i,j)；重复求解形成待维护机组集群的初始实际维护策略集合p，其中集合p采用矩阵表示，每一行的顺序即为初始维护次序；根据约束条件计算集合中各个初始维护策略p的总载重量、人数、时间，筛选出有效实际维护策略集合p’；以目标函数z对有效实际维护策略集合p’进行进一步筛选，得到最优实际维护策略p”。
[0100]
本实施例通过构建并求解实际维护策略优化模型，综合考虑各个风电机组的当前运行状态和实际的维护资源限制条件，优化目标待维护机组组合的维护策略，能够实现对海上风电场各个风电机组的实际维护。
[0101]
基于与第一实施例相同的发明构思，第二实施例提供如图3所示的一种海上风电场风电机组复合维护策略优化装置，包括：机组运行状态预测模块21，用于对于每一风电机组，根据风电机组的监测数据，评估风电机组的当前运行状态，并结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态；预防维护策略优化模块22，用于分别将每一风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一风电机组的维护方式及监测周期，得到风电机组的最优预防维护策略；待维护机组分类模块23，用于根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合；实际维护策略优化模块24，用于对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据维护资源限制条件构造约束条件，结合目标函数和约束条件建立实际维护策略优化模型，求解得到目标待维护机组的最优实际维护策略。
[0102]
在优选的实施例当中，所述根据风电机组的监测数据，评估风电机组的当前运行状态，具体为：根据风电机组的监测数据，采用模糊综合评判法评估风电机组的当前运行状态。
[0103]
在优选的实施例当中，在所述结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态之前，还包括：根据风电机组的历史监测数据或n状态左-右无跨越模型，确定风电机组的历史运行状态。
[0104]
在优选的实施例当中，所述结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态，具体为：结合风电机组的当前运行状态和历史运行状态，得到风电机组在不同运行状态间的转移概率，并对风电机组在不同运行状态间的转移概率进行降序排序，得到风电机组的预测运行状态序列；对于风电机组的预测运行状态序列中的每一运行状态变化对，将运行状态变化对关联的目标监测数据作为预先建立的粒子群多目标优化预测模型的多输入变量，以根据粒子群多目标优化预测模型输出的目标监测数据的调节量，评估风电机组的预测运行状态。
[0105]
在优选的实施例当中，所述根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，具体为：将所有风电机组中当前运行状态满足预先定义的发电机组维护条件的发电机组作为待维护机组，得到若干个待维护机组；将属于同一区域的所有待维护机组划分至同一待维护机组组合，得到若干个待维护机组组合。
[0106]
在优选的实施例当中，所述根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合，具体为：根据维护资源限制条件中的维护船只数量限制条件，确定维护船只可用数量作为分区数量；基于分区数量，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合。
[0107]
在优选的实施例当中，所述目标函数为：
[0108]
minz＝(cc cl cd)/wf
ꢀꢀ
(3)；
[0109]
其中，cc为维护人员调度、维护船只运行、维护路径交通的总费用，cl为维护停机损失，cd为延迟维护惩罚费用，wf为总发电量。
[0110]
在优选的实施例当中，所述约束条件包括维护船只数量约束条件、维护船只载重约束条件、维护人员数量约束条件、机组维护时序约束条件、维护船只日有效工作时长约束条件、维护停机时间约束条件、延迟维护时间约束条件、维护船只日维护机组次数约束条件、维护路线约束条件中的至少一个约束条件。
[0111]
基于与第一实施例相同的发明构思，第三实施例提供一种海上风电场风电机组复合维护策略优化设备，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，存储器与处理器耦接，且处理器执行计算机程序时实现如第一实施例所述的海上风电场风电机组复合维护策略优化方法，且能达到与之相同的有益效果。
[0112]
综上所述，实施本发明的实施例，具有如下有益效果：
[0113]
通过对于每一风电机组，根据风电机组的监测数据，评估风电机组的当前运行状态，并结合风电机组的历史运行状态进行运行状态预测，得到风电机组的预测运行状态；分别将每一风电机组的预测运行状态作为预先建立的预防维护策略优化模型的输入参数，使预防维护策略优化模型以折扣费用最低为优化目标，对应优化每一风电机组的维护方式及监测周期，得到风电机组的最优预防维护策略；根据所有风电机组的当前运行状态，对所有风电机组进行分类，得到若干个待维护机组组合，并根据预先定义的维护资源限制条件，对所有待维护机组组合进行聚类，得到若干个目标待维护机组组合；对于每一目标待维护机组组合，以总维护费用与总发电量的比值最小为优化目标构造目标函数，根据维护资源限制条件构造约束条件，结合目标函数和约束条件建立实际维护策略优化模型，求解得到目标待维护机组的最优实际维护策略，完成优化维护策略，使得后续可结合各个风电机组的最优预防维护策略和目标待维护机组的最优实际维护策略，对相应的风电机组进行复合运维。本发明的实施例通过考虑海上风电场各个风电机组的监测数据进行运行状态预测，根据各个风电机组的预测运行状态来优化维护策略，得到各个风电机组的最优预防维护策略，以及考虑各个风电机组的当前运行状态和实际的维护资源限制条件，选择目标待维护机组组合并优化其维护策略，得到目标待维护机组的最优实际维护策略，从而实现对海上风电场各个风电机组的预防维护和实际维护。
[0114]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
[0115]
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只
读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。