随着风电装机容量快速增长,风电运维产业也获得快速发展。风电场具有位置偏僻、外界影响复杂多变的特点,这使得风电机组运行面临随机故障多发、可靠性低、维修成本高昂的情况。虽然当前状态维修(Condition based Maintenance,CBM)通过...
详细信息
随着风电装机容量快速增长,风电运维产业也获得快速发展。风电场具有位置偏僻、外界影响复杂多变的特点,这使得风电机组运行面临随机故障多发、可靠性低、维修成本高昂的情况。虽然当前状态维修(Condition based Maintenance,CBM)通过动态维修减少偶发故障,避免由传统周期维修(Time based Maintenance,TBM)时间的不合理造成“过维修”和“欠维修”的情况发生,但是传统CBM的监测系统也需要高额的投资,而且CBM和TBM的内在关系需要分析。针对上述问题,本文提出随机退化模型(Stochastic Differential Equation,SDE)描述风电机组动态退化过程,然后基于SDE对CBM优化方法深入分析,通过分析CBM优化方法实现降低维修成本、提高风电机组可靠性的目的。主要研究内容介绍如下:(1)分析并建立风电机组的退化模型。首先对现有可靠性模型分析,结合风电机组退化特点提出SDE表示风电机组状态的变化过程。该模型采用常微分方程描述自然退化过程,布朗运动描述外界干扰对风电机组性能的影响。然后根据Ito原理求解SDE获取风电机组状态表达式,最后根据SDE解的性质求取模型参数。(2)针对单部件系统,研究CBM的优化方法。首先对整体退化性能进行分析,通过分析SDE的期望研究风电机组劣化的指数模型与实际退化过程的关系。其次采用SDE模拟风电机组的实际退化状态,指数模型模拟风电机组的预测状态,根据鞅理论分析两种状态变化趋势后确定CBM是以TBM为基础的优化。最后基于更新过程理论分析不同维修时间对风电机组可用度的影响,然后以可用度约束求取CBM时间。(3)针对多部件系统,研究状态机会维修的优化方法。首先将单部件的CBM和退化过程分别采用不同SDE描述,通过解析部件的最优状态表达式确定各类参数对部件状态的影响,验证多部件的状态机会维修是单部件CBM的优化。其次分析多部件的状态机会区间求取方法,最后根据优化算法求取最优状态机会维修费用。(4)以某风电场的故障数据为例对CBM优化策略仿真分析。通过TBM和CBM费用分析验证风电机组CBM是对TBM的优化,而且合理的CBM可以提高状态稳定性。通过对状态机会维修费用分析验证多部件的状态机会维修可进一步降低CBM费用。
暂无评论