海上风电场维护管理技术研究现状与展望

4.1 模型的建立及优化

为减少维护时的运输费用和降低机组停机损失，文献[65]建立了一种混合整数规划维护调度模型，并给出初步结果。文献[5]提出了整数线性优化模型以在机组输出功率低或执行维护的同时进行一定数量的计划维护，该模型结合风电场当天的功率预测数据以及计划维护任务数据，最终输出当天的最佳维护计划安排，算例结果显示该模型能够节约43%的成本。该模型能够显著提高风电场维护的经济性，但并未考虑恶劣天气对机组可达性的影响。文献[66]在文献[5]的基础上对模型进行改进，使用整体功率预测代替点预测，增加了恶劣天气对机组可达性影响这一约束条件，同时在模型中加入了在恶劣天气时可以利用直升机进行维护这一选择。文献[28]提出了一种分析模型，该模型能够快速计算出进行海上风电场技术维护时的人员及设备运输方式，模型详细考虑了运维人员的数量、运维船种类的选择、是否使用直升机等。在实际海上风电运维过程中，运维船至关重要，因为船只的使用成本占总运维成本的50%左右，运维船的选择会对运维费用产生很大的影响。文献[7,67-69]分别提出了运维船的调度决策模型，对海上风电场运行状态下的天气参数、机组部件失效特性、运维船规格和船队组成等进行模拟，通过选择最佳的运维船尺寸以及船队规模，能够显著降低维护成本。文献[70]提出了一种基于多智能体系统的混合维护模型，实现多个零部件之间的动态交互的系统建模，同时提出了多标准决策算法以分析和选择不同的维护策略，该模型同时考虑了维护活动成本、能量损失成本和状态监测系统安装成本、文献[71]以最大化海上风电场利润为目标，建立维护策略调度模型，该模型考虑输电线路容量和风电场约束、波浪高度限制和尾流效应，并具备纳入状态监测信息的能力，通过测试系统验证了模型的适用性。文献[72]以全寿命周期维护成本最低为目标，建立确定性模型和随机模型两种维护决策支持模型。其中，确定性模型适用于能够比较准确的获得故障率的场景，而随机模型适用于对故障率确定性较低的场景。以英国海上风电场为例验证两种模型，通过对故障率和风电机组数量的灵敏度分析，得出两者对全寿命周期维护成本近似线性的影响规律。

4.2 计算速度的提升

海上风电场维护调度是一个复杂的多约束问题，求解最佳的调度方案困难。为提高求解最佳运维方案的效率与准确性，文献[73]运用了多蚁群优化算法进行求解，文献[74]建立了带约束的非线性优化模型解决该问题，文献[75]在之前文献的基础上，对海上风电场可靠性及运维经济性进行重新定义，并利用NSGA-II算法对海上风电维护调度方案的带约束非线性多目标规划模型进行求解，获得支持海上风电场维护调度的一组帕累托最优解。使用这些方法能够大量减少求解时间，提高运维安排效率。

4.3 维护调度系统开发

海上风电场调度管理员需要同时处理大量的风电机组信息以制定维护调度方案，该过程需要耗费大量的人力[76]。随着海上风电场的大型化发展，海上风电场迫切需要自动化运维调度决策工具及系统[77]，调度决策系统的功能如图4所示。由于中国海上风电发展时间较短，目前尚未形成能够适应海上风电的维护调度决策系统。文献[78]概述了现有的商业和非商业调度决策支持系统的主要特点，并总结归纳了49个决策支持模型，这些模型涉及了海上物流、电力生产和项目总成本，在一定程度上覆盖了海上风电场的全寿命周期。文献[79]建立强大且灵活的元启发优化模型使得风电场日常维护自动化，并根据历史数据识别维护方案的优缺点，预测该计划实施的预期收益。为进一步提高维护调度的自动化及可视化程度，文献[72,80]提出了海上风电场维护成本优化决策系统及工具。决策支持系统旨在供海上风电场运营商使用，其总体目标是应用计划维护策略以降低海上风电场的全生命周期维护成本。

海上风电维护调度系统的建立将对维护工作的秩序和信息的组织方式进行有效的规范，从全生命周期角度对风电机组等主要设备进行了全面的动态管理，为优化海上风电场的维护管理奠定了基础，为风电场的综合决策管理提供了有效的支撑。

5 结论

随着海上风电在全球范围内的迅速发展，海上风电场维护管理已逐渐成为影响海上风电发展的主要因素之一。针对海上风电面临的故障率高、可达性差、运维成本高等3个突出问题，围绕海上风电维护管理技术的现状及发展进行综述。综合考虑海上风电场所处复杂气象环境和运维活动面临的风险挑战，从维护策略、路径优化和维护调度决策3个方面综合分析了海上风电维护管理技术研究现状和发展趋势。

海上风电维护管理技术的发展现状总结如下：

1）海上风电运行维护策略的研究集中在事后维护、计划维护和状态维护3个方面。事后维护策略只适用于重要程度低、维护成本低的部件，虽然能在一定程度上节省维护费用，但会导致更高的电能损失；计划维护策略是目前海上风电场主要采用的方式，研究主要集中在对全生命周期内优化维护间隔和对多个零部件进行组合维护以最大化提升维护经济性，但计划维护策略无法避免维护过度和维护不足的问题；状态维护策略解决了事后维护和计划维护的不足，目前的研究主要集中在风电机组故障诊断和寿命预测两个方面，但状态维护需要安装复杂且昂贵的状态监测系统，目前在海上风电场中尚未广泛使用。

2）海上风电维护路径规划问题的难点在于高效快速求解大规模约束下的组合优化问题。由于组合优化问题很难在多项式时间内求得精确解，目前的研究主要从两个方面解决大规模组合优化求解问题。一方面是简化非线性路径规划模型，采用线性模型近似代替原非线性优化问题，求解线性规划模型的精确解；另一方面采用降维与启发式优化求解方法相结合的方法来降低求解组合优化问题的时间复杂度。现有海上风电路径优化研究能够在一定程度上促进运维船的高效利用。

3）海上风电场维护调度决策研究能够考虑影响运维成本的因素，采用不同的模型及算法，快速、可靠地找出最佳的维护调度安排，降低运维成本，提升海上风电场运营效益。但目前海上风电维护调度模型的研究仍然处于理论研究阶段，考虑因素仍不全面、求解速度不够快、系统还不够完善，有必要对其进行更深入的研究。

海上风电管理技术研究发展趋势总结如下：

1）由于单一的维护策略仅适用于特定的零部件，仅采用单一策略难以满足海上风电对设备可靠性和维护经济性的要求。针对不同可靠性要求的部件采用不同的维护策略，综合运用事后维护、计划维护和状态维护策略，在满足可靠性的要求下优化整机综合维护成本的海上风电维护策略是今后的发展趋势之一。

2）未来海上风电运维将扩展到多运维基地-多风场的集中式大规模海上运维船只维护调度服务模式。为适应未来海上风电场运维需要，研究远海风电场的运维所需要的子母船结合的运维船路径规划方案，发展更加高效准确的路径规划算法以适应海上风电场大型化、集群化发展趋势，考虑实际风浪环境影响下的运维船的时间延迟等是海上运维路径规划需要进一步深入研究的问题。

3）未来海上风电维护调度决策系统应需要对海上风电场集群内部成百上千台海上风电设备进行统一的维护调度。在海上维护调度模型中纳入更加精准的天气预报信息，高效利用海上运维短暂的时间窗口。在真实的维护场景中，采用更加精细化的维护调度建模方法，发展高效快速的维护调度决策模型求解方法，为解决风电场集群化的维护调度服务奠定基础，是未来海上维护调度方面需要进一步发展和深入的方向。

4）随着物联网、大数据和人工智能技术愈发成熟，海上风电的智能化运维成必然趋势。基于大数据和人工智能技术的风电设备状态评估与故障诊断技术将提供更加准确的风电机组整机综合性能评估、关键部件故障诊断及预警等设备状态信息；无人机、智能维修机器人等自动化巡检设备的广泛应用将提升风电场巡检效率、安全性和针对性，减少风电场工作人员工作量。结合智能化状态诊断和自动化维护技术的智能维护管理技术将成为未来研究的另外一个重要方向。

随着海上运维的问题逐步突出，海上风电维护管理技术将越来越重要，只有进一步深入研究才能促进海上风电持续健康发展。