01、研究背景
在海上风浪、载荷等因素的耦合作用下，风机状态数据波动迅速，时变工况下风机状态特征的敏感性导致维护需求动态变化，增加了风电场维护任务精准调度的难度，对风电场运维任务调度的灵活性和适应性提出了新需求。现有方法通常假设待调度维护任务全部来源于长期维护策略，当风机实际运行中有新增维护需求时，又该如何在海上时变工况下，根据风机运行状态及风险态势对风电场维护任务进行有序调度呢？
02、研究内容
2.1 时变工况下风机自适应状态评估
本文提出了一种基于改进联合领域自适应卷积神经网络（improved joint domain adaptive convolutional neural network，IM-JDACNN）的海上风电机组自适应状态评估方法，主要包含构建训练数据集、自适应评估网络训练和实时状态评估3个部分，具体流程如图1所示。
图1 风机自适应状态评估流程
首先，对风机运行状态数据采用模糊C均值聚类（fuzzy C-means,FCM）算法进行状态空间划分。针对时变工况下风机状态数据特征提取困难的问题，采用改进联合领域自适应卷积神经网络最小化特征分布差异，通过修正条件边缘分布的最大均值差异（maximum mean discrepancy，MMD），避免了风机部件状态预测偏差而导致的模型负迁移现象，进而实现时变工况下风机状态特征自适应提取。IM-JDACNN模型结构如图2所示。
图2 基于IM-JDACNN的风机自适应状态评估模型结构
2.2 考虑风机自适应状态评估的状态风险态势预测
根据部件性能退化模型，随着当前状态停留时间的增加，机组部件维持当前状态的概率逐渐降低，向其他状态的风险转移概率逐渐增大。本文考虑部件性能退化和不完全维护对风险转移概率的影响，根据风机自适应状态评估的状态序列，在初始转移概率基础上引入比例失效函数修正，得到动态风险态势转移矩阵。
2.3 海上风电场维护任务动态调度模型
动态维护任务调度目标为执行预防性维护计划的时间段内，在维护船只载重、数目和日工作时长等约束下，使得单位电量维护调度成本最小。维护任务调度成本包括人员、船只、交通成本、部件平均更换成本、停机损失和考虑风机状态风险态势的部件不完全维护成本、延迟维护的惩罚成本，目标函数表达式如下。
03、仿真分析
以某海上风电场日维护任务调度为例。首先，结合风电场实际风速和风机历史运行数据划分风机状态空间。然后，根据风机工况辨识结果，对时变工况下状态评估模型进行迁移学习。将状态评估为异常或故障状态的部件作为当日对应时段的新增维护需求集，结合计划维护任务、当日风资源数据和维护资源配置，形成风电场维护任务动态调度策略。某海上风电场布局如图3所示。1D-CNN和IM-JDACNN在数据测试集中的精度对比结果如图4所示。
图3 某海上风电场布局
图4 自适应评估模型仿真结果对比
在200轮迭代训练后，与未改进模型的结果对比，本文所提方法的准确率提高7%，可达88%。相比未考虑时变工况下静态调度方法，本文方法降低维护调度成本19%，提高维护任务完成率49%，提高了海上风电场维护的效率。
在仿真验证的基础上，本文分析了风机状态评估模型参数、任务动态程度及海上可及性对维护任务动态调度的影响。维护调度成本及完成率随动态度及日工作时长变化图如图5所示。
图5 维护调度成本及完成率随动态度及日工作时长变化图
04、结语
本文提出了一种考虑时变工况下风机状态风险态势的海上风电场维护任务动态调度方法。通过IM-JDACNN最小化特征分布差异，实现多工况下考虑状态预测误差的风机部件状态特征自适应学习，提高了时变工况下机组状态识别精度。在风机状态自适应评估的基础上，考虑部件性能退化和不完全维护预测风机部件的风险态势，进而建立海上风电场维护任务动态调度模型，提高了风电场维护任务调度的灵活性。
随着海上风电的大规模，集群化发展，在海上可及性、运维资源受限且风机疲劳分布差异化的决策环境下，风电场高效维护将面临更多的挑战，如何在不确定的复杂决策环境下，对单个风电场及多风电场群的维护任务进行快速精准的实时调度将是下一步研究方向。
