CN110807531B - 基于元件-系统分级优化的光伏电站维护策略 - Google Patents

Abstract

本发明公开了一种基于元件‑系统分级优化的光伏电站维护策略，包括以下步骤：先根据马尔科夫链对各个元件进行状态预测，根据状态预测结果计算元件故障风险损失，在元件级优化阶段依据平均维护费用分析，确定每个元件最经济的预防性维修时间和接近最优维修时间，得到每个元件的维修策略集合。在系统级优化阶段，依据元件之间的维修费用相关性与结构依赖性计算元件共同维修的时间阈值，确定系统最优维修策略。本发明使各个元件之间的维护相互协调，从而最大限度地节省维修费用和减少系统停机损失。

Description

基于元件-系统分级优化的光伏电站维护策略

技术领域

本发明涉及光伏电站的维护策略分析，具体是根据光伏电站各个元件故障率进行状态预测，再对维护费用进行优化，从而经济合理的安排光伏电站的维修计划。

背景技术

太阳能作为一种可再生能源，越来越受到重视，光伏发电的装机容量在逐年递增。但是光伏发电也存在明显的缺陷和不足，比如随机性和不稳定性，加之光伏电站运行条件恶劣，使得光伏电站各元件故障频发。所以，为光伏电站安排经济合理的维护策略有很大的研究价值。

光伏电站的维修策略主要包含事后维修和预防性维修两种方式：事后维修是指当系统或元件发生故障后再进行维修的方式，其目的是恢复系统或部件原有的功能属性，但是事后维修会造成元件或系统故障停机，降低系统的可靠性；预防性维修是指当系统或部件已经工作较长时间，在预定的时间进行维修，防止元件发生故障，避免停机损失，但是预防性维修存在过修或欠修的情况，导致维修费用昂贵。国内外研究学者对多元件系统的维修原理进行了大量研究。其中，赵洪山等人在中国电机工程学报，2016，36(3)：701-708.“考虑不完全维修的风电机组状态-机会维修策略”提出了状态-机会维修策略，根据元件的可靠度函数，确定机会维修和状态维修的阈值，从而合理安排元件是否共同维修，节省维修成本；刘璐洁等人在中国电机工程学报，2016，36(21)：5732-5740.“基于可靠性和维修优先级的海上风电机组预防性维护策略优化”中，将维护的等待时间进行分类，考虑维护等待时间对元件和风电机组可靠性更新的影响，以维护期单位成本最低为准则优化运维策略；苏永新等在电工技术学报，2015，30(22)：190-198.“海上风电场疲劳分布与有功功率统一控制”中提出了研究了考虑随机故障的机会维修，通过优化系统各部件预防性维修役龄和机会维修役龄，使系统的维修费用最少。以上分析方法维修时间的确定一般都是基于元件运行状态，分析元件可靠性以确定是否进行状态维修或机会维修，在此基础上才考虑优化维修策略的总费用。这种方法确定的维修时间可以保证元件的可靠性，但不一定是每个元件最经济的维护方案。

发明内容

本发明的目的针对现有技术的不足，提出了一种基于元件-系统分级优化的光伏电站维护策略分析方法，以解决上述背景技术中提出的问题。

本发明采用下述技术方案：

1、一种基于元件-系统分级优化的光伏电站维护策略，包括如下步骤：

步骤1：利用平均无故障工作时间MTBF(Mean time between failure)计算出光伏电站各个元件的故障率λ，计算式如式(1)所示：

步骤2：直流汇流箱、逆变器、箱式三绕组变压器均视为两状态元件，状态集合由故障停运和正常运行两种状态组成；在状态1下，元件正常运行，完成预设功能，状态0情况下，元件发生故障导致停运，状态集合S＝{1，0}，对应的状态信息η_i分别为100％和0％；

根据式(1)计算得到的元件故障率λ，获得两状态元件状态转移矩阵P如式(2)所示：

步骤3：光伏组件也属于两状态元件，但是光伏阵列由多个光伏组件串并联组成，某一个光伏组件的故障不会导致整个光伏阵列停运，因此需要对光伏阵列进行多状态划分；m×n的子阵列由n个组串并联而成，每个组串由m个组件串联组成；根据式(1)计算光伏组件故障率为λ，则每个组串的故障率λ_s如式(3)所示；子阵列的状态集S＝{s_i(i＝n，n-1，…，1，0)}有n+1个元素，第i个状态s_i对应的状态信息η_i表达式如式(4)所示，其中i为正常工作组串个数，P_a为光伏子阵列的功率，P_s为每个光伏组串的功率，P_s/P_a表示每个组串功率占光伏子阵列功率的比例；

λ_s＝m·λ (3)

η_i＝i·P_s/P_a×100％ (4)

根据光伏阵列状态转移图确定阵列的状态转移矩阵P，状态转移矩阵元素p_ij表示元件t时刻处于状态i时，t+Δt时刻转移到状态j的概率；Δt为时间步长，取为1天；在不考虑维护时，状态转移矩阵为上三角矩阵，i，j＝n+1时阵列处于吸收态，此时p_ij＝1；光伏阵列状态转移矩阵各元素如式(5)所示：

步骤4：基于马尔科夫过程，结合状态转移概率矩阵，建立光伏电站各元件状态预测模型：

π(k)＝π(k-1)P＝π(0)P^k＝π(i)P^k-i (6)

式中，式中，π(k)表示元件在kΔt时刻处于各个退化状态的概率，π(k-1)表示元件在(k-1)Δt时刻处于各个退化状态的概率，π(0)为初始状态概率分布，π(i)为元件在iΔt时刻各个状态的概率分布，P为状态转移矩阵，P^k为状态转移矩阵P的k次方，P^k-i表示状态转移矩阵P的k-i次方；

步骤5：元件的平均维修成本分为三部分，平均直接维修费用C_m(t)、平均停机损失C_i(t)和故障风险损失C_r(t)，计算式分别为式(7)-(9)；

式中，c_m表示维修的直接成本，包含物流、人工等费用；t_mnt表示上一次维修时间；

式中，c_i表示维修时元件的停机损失；

式中，π_j(t)表示元件在t时刻处于状态的j概率；Γ为子阵列的平均一天发电量，kWh；v为电价；l表示元件状态个数；m_j(t|Θ_j)表示t时刻元件处于状态j的功率损失率；

步骤6：c_m和c_i均为固定值，所以C_m(t)和C_i(t)是随维修时间间隔的增加而减小的，但是随着时间的推移，元件故障停运的风险会逐渐增大，所以C_r(t)是随时间增加的，根据式(10)确定最优维护动作时间t^*和最低平均费用C^*；

步骤7：除最优维护时间外，其他可选择的接近最优的维护时间也需要确定，为系统级维护策略的优化提供选择；接近最优维修时间可以通过排除搜索空间中的最优时间来求取，如式(11)所示，确定每个元件的维修策略集合A^*，A^*＝{a₁ ^*，a₂ ^*，…}＝{(t₁ ^*，C₁ ^*)，(t₂ ^*，C₂ ^*)，…}，其中(t_j ^*，C_j ^*)表示维护策略集合中第j个策略的维护时间和平均维护费用；

步骤8：对于N个元件构成的系统，通过元件级维护策略优化分别确定每个元件所对应的策略集合A_k ^*＝{a_1，k ^*，a_2，k ^*，…}＝{(t_1，k ^*，C_1，k ^*)，(t_2，k ^*，C_2，k ^*)，...}，k表示第k个元件，k＝1，2，...，N；元件单独维修时，系统总的维修费用c₀如式(12)所示：

式中c_k表示第k个元件选择维修策略x_k时的维修费用；c_mk表示第k个元件的直接维修费用；c_ik表示第k个元件的维修停机损失；

步骤9：为了方便计算元件共同维修节省成本，将元件的直接维修费用c_m分成两部分，如式(13)所示：

c_m＝c_m1+c_m2 (13)

式中，c_m1表示固定成本；c_m2表示非技术维修人员的人工费用，元件共同维修时可以节省的支出费用；因此，共同维修节省的直接维修费用c_EOS如式(14)所示：

式中，X表示系统维修策略；n(X_t)表示策略X中在t时刻共同维修的元件个数；

用c_i2表示在某一时刻元件共同维修时重复的停机损失，根据式(15)确定，则共同维修节省的总停机损失c_DT(X)如式(16)所示；

式中，X_t为t时刻共同维修元件的组合，元件数为n(X_t)；c_ik(X_t)表示X_t中第k个元件的停机损失；

系统中元件共同维修除了会节省维修费用和停机损失外，还可能会产生额外的功率损失，因此，需要在成本中引入额外损失变量；为了便于计算多个元件共同维修引发的额外损失费用，根据元件之间的结构特征将系统中的元件分为v个组别，分别为g₁，g₂，...，g_v，额外损失c_LF表达式为式(17)：

式中，χ_t(X)表示维修策略X中在t时刻共同维修会产生额外损失的集合；f_LF表示共同维修产生的损失函数；

步骤10：综合以上分析，得到系统级维修策略X总成本c_SL表达式如式(18)所示：

c_SL(X)＝c₀-c_EOS(X)-c_DT(X)+c_LF(X) (18)

步骤11：根据式(10)确定了元件最优维修时间t^*和最低平均费用C^*，则在系统级优化阶段选择A^*中其他非最优的维修时间对应的平均费用的增量C_t如式(19)所示：

根据步骤9成本分析，元件共同维修节省的成本及产生的额外损失分别为，c_EOS、c_DT和c_LF，因此系统中元件同时维修导致的平均减额费用C_sim如式(20)所示：

步骤12：通过比较共同维修带来的成本优势C_sim与选择非最优维护时间引起的费用增额C_t，确定光伏电站中元件共同维修时间阈值，确定电站最优维护策略。

本发明与现有技术相比的优点在于：

1.本发明能够在保证可靠性的前提下得到元件的最经济维护时间，不同于状态维修仅仅根据元件可靠性确定维修时间，从而有效的避免过修或欠修。

2.本发明在对各个元件维护时间进行优化的基础上再对光伏电站总的维护费用进行优化，在元件级和系统级均进行经济性分析，从而获得最优的维护策略。

附图说明

图1是本发明的流程图；

图2是光伏电站电气结构图；

图3是光伏阵列电气结构图；

图4是光伏阵列状态转移图；

图5是平均直接维修费用C_m(t)、平均停机损失C_i(t)和故障风险损失C_r(t)变化趋势图。

图6是发电单元电气结构图

具体实施方式

一种基于元件-系统分级优化的光伏电站维护策略分析方法，流程图如图1所示，包括以下步骤：

步骤1：光伏电站电气结构如图2所示，在对光伏电站各个元件进行状态预测时，只考虑了光伏组件，直流汇流箱、逆变器、箱式三绕组变压器4种主要元件；根据美国桑迪亚实验室提供的数据，利用平均无故障工作时间MTBF(Mean time between failure)可以计算出光伏电站各个元件的故障率λ，计算式如式(1)所示，数据及结果如表1所示；

表1 元件平均故障时间和故障修复时间

Table1 MTBF and MTTR of components

步骤2：直流汇流箱、逆变器、箱式三绕组变压器均视为两状态元件，状态集合由故障停运和正常运行两种状态组成；在状态1下，元件正常运行，完成预设功能，状态0情况下，元件发生故障导致停运，状态集合S＝{1，0}，对应的状态信息ηi分别为100％和0％；

根据式(1)计算得到的元件故障率λ，获得两状态元件状态转移矩阵P如式(2)所示：

步骤3：光伏组件也属于两状态元件，但是光伏阵列由多个光伏组件串并联组成，某一个光伏组件的故障不会导致整个光伏阵列停运，因此需要对光伏阵列进行多状态划分；m×n的子阵列由n个组串并联而成，每个组串由m个组件串联组成；根据式(1)计算光伏组件故障率为λ，则每个组串的故障率λ_s如式(3)所示；子阵列的状态集S＝{s_i(i＝n，n-1，…，1，0)}有n+1个元素，第i个状态s_i对应的状态信息η_i表达式如式(4)所示，其中i为正常工作组串个数，P_a为光伏子阵列的功率，P_s为每个光伏组串的功率，P_s/P_a表示每个组串功率占光伏子阵列功率的比例；

λ_s＝m·λ (3)

η_i＝i·P_s/P_a×100％ (4)

根据光伏阵列状态转移图确定阵列的状态转移矩阵P，状态转移矩阵元素p_ij表示元件t时刻处于状态i时，t+Δt时刻转移到状态j的概率；Δt为时间步长，取为1天；在不考虑维护时，状态转移矩阵为上三角矩阵，i，j＝n+1时阵列处于吸收态，此时p_ij＝1光伏阵列状态转移矩阵各元素如式(5)所示：

步骤4：基于马尔科夫过程，结合状态转移概率矩阵，建立光伏电站各元件状态预测模型：

π(k)＝π(k-1)P＝π(0)P^k＝π(i)P^k-i (6)

式中，式中，π(k)表示元件在kΔt时刻处于各个退化状态的概率，π(k-1)表示元件在(k-1)Δt时刻处于各个退化状态的概率，π(0)为初始状态概率分布，π(i)为元件在iΔt时刻各个状态的概率分布，P为状态转移矩阵，P^k为状态转移矩阵P的k次方，P^k-i表示状态转移矩阵P的k-i次方；

步骤5：元件的平均维修成本分为三部分，平均直接维修费用C_m(t)、平均停机损失C_i(t)和故障风险损失C_r(t)，计算式分别为式(7)-(9)；

式中，c_m表示维修的直接成本，包含物流、人工等费用；t_mnt表示上一次维修时间；

式中，c_i表示维修时元件的停机损失；

式中，π_j(t)表示元件在t时刻处于状态的j概率；Γ为子阵列的平均一天发电量，kWh；v为电价；l表示元件状态个数；m_j(t|Θ_j)表示t时刻元件处于状态j的功率损失率；

步骤6：c_m和c_i均为固定值，所以C_m(t)和C_i(t)是随维修时间间隔的增加而减小的，但是随着时间的推移，元件故障停运的风险会逐渐增大，所以C_r(t)是随时间增加的，根据式(10)确定最优维护动作时间t^*和最低平均费用C^*；

步骤7：除最优维护时间外，其他可选择的接近最优的维护时间也需要确定，为系统级维护策略的优化提供选择；接近最优维修时间可以通过排除搜索空间中的最优时间来求取，如式(11)所示，确定每个元件的维修策略集合A^*，A^*＝{a₁ ^*，a₂ ^*，…}＝{(t₁ ^*，C₁ ^*)，(t₂ ^*，C₂ ^*)，…}，其中(t_j ^*，C_j ^*)表示维护策略集合中第j个策略的维护时间和平均维护费用；

步骤8：对于N个元件构成的系统，通过元件级维护策略优化分别确定每个元件所对应的策略集合A_k ^*＝{a_1，k ^*，a_2，k ^*，…}＝{(t_1，k ^*，C_1，k ^*)，(t_2，k ^*，C_2，k ^*)，...}，k表示第k个元件，k＝1，2，...，N；元件单独维修时，系统总的维修费用c₀如式(12)所示：

式中c_k表示第k个元件选择维修策略x_k时的维修费用；c_mk表示第k个元件的直接维修费用；c_ik表示第k个元件的维修停机损失；

步骤9：为了方便计算元件共同维修节省成本，将元件的直接维修费用c_m分成两部分，如式(13)所示：

c_m＝c_m1+c_m2 (13)

式中，c_m1表示固定成本；c_m2表示非技术维修人员的人工费用，元件共同维修时可以节省的支出费用；因此，共同维修节省的直接维修费用c_EOS如式(14)所示：

式中，X表示系统维修策略；n(X_t)表示策略X中在t时刻共同维修的元件个数；

用c_i2表示在某一时刻元件共同维修时重复的停机损失，根据式(15)确定，则共同维修节省的总停机损失c_DT(X)如式(16)所示；

式中，X_t为t时刻共同维修元件的组合，元件数为n(X_t)；c_ik(X_t)表示X_t中第k个元件的停机损失；

系统中元件共同维修除了会节省维修费用和停机损失外，还可能会产生额外的功率损失，因此，需要在成本中引入额外损失变量；为了便于计算多个元件共同维修引发的额外损失费用，根据元件之间的结构特征将系统中的元件分为v个组别，分别为g₁，g₂，...，g_v，额外损失c_LF表达式为式(17)：

式中，χ_t(X)表示维修策略X中在t时刻共同维修会产生额外损失的集合；f_LF表示共同维修产生的损失函数；

步骤10：综合以上分析，得到系统级维修策略X总成本c_SL表达式如式(18)所示：

c_SL(X)＝c₀-c_EOS(X)-c_DT(X)+c_LF(X) (18)

步骤11：根据式(10)确定了元件最优维修时间t^*和最低平均费用C^*，则在系统级优化阶段选择A^*中其他非最优的维修时间对应的平均费用的增量C_t如式(19)所示：

根据步骤9成本分析，元件共同维修节省的成本及产生的额外损失分别为，c_EOS、c_DT和c_LF，因此系统中元件同时维修导致的平均减额费用Csim如式(20)所示：

步骤12：通过比较共同维修带来的成本优势C_sim与选择非最优维护时间引起的费用增额C_t，确定光伏电站中元件共同维修时间阈值，确定电站最优维护策略。

Claims (1)

1.一种基于元件-系统分级优化的光伏电站维护策略，包括如下步骤：

步骤1：利用平均无故障工作时间MTBF(Mean time between failure)计算出光伏电站各个元件的故障率λ，计算式如式(1)所示：

步骤2：直流汇流箱、逆变器、箱式三绕组变压器均视为两状态元件，状态集合由故障停运和正常运行两种状态组成；在状态1下，元件正常运行，完成预设功能，状态0情况下，元件发生故障导致停运，状态集合S＝{1，0}，对应的状态信息η_i分别为100％和0％；

根据式(1)计算得到的元件故障率λ，获得两状态元件状态转移矩阵P如式(2)所示：

步骤3：光伏组件也属于两状态元件，但是光伏阵列由多个光伏组件串并联组成，某一个光伏组件的故障不会导致整个光伏阵列停运，因此需要对光伏阵列进行多状态划分；m×n的子阵列由n个组串并联而成，每个组串由m个组件串联组成；根据式(1)计算光伏组件故障率为λ，则每个组串的故障率λ_s如式(3)所示；子阵列的状态集S＝{s_i(i＝n，n-1，…，1，0)}有n+1个元素，第i个状态s_i对应的状态信息η_i表达式如式(4)所示，其中i为正常工作组串个数，P_a为光伏子阵列的功率，P_s为每个光伏组串的功率，P_s/P_a表示每个组串功率占光伏子阵列功率的比例；

λ_s＝m·λ (3)

η_i＝i·P_s/P_a×100％ (4)

根据光伏阵列状态转移图确定阵列的状态转移矩阵P，状态转移矩阵元素p_ij表示元件t时刻处于状态i时，t+Δt时刻转移到状态j的概率；Δt为时间步长，取为1天；在不考虑维护时，状态转移矩阵为上三角矩阵，i，j＝n+1时阵列处于吸收态，此时p_ij＝1；光伏阵列状态转移矩阵各元素如式(5)所示：

步骤4：基于马尔科夫过程，结合状态转移概率矩阵，建立光伏电站各元件状态预测模型：

π(k)＝π(k-1)P＝π(0)P^k＝π(i)P^k-i (6)

式中，式中，π(k)表示元件在kΔt时刻处于各个退化状态的概率，π(k-1)表示元件在(k-1)Δt时刻处于各个退化状态的概率，π(0)为初始状态概率分布，π(i)为元件在iΔt时刻各个状态的概率分布，P为状态转移矩阵，P^k为状态转移矩阵P的k次方，P^k-i表示状态转移矩阵P的k-i次方；

步骤5：元件的平均维修成本分为三部分，平均直接维修费用C_m(t)、平均停机损失C_i(t)和故障风险损失C_r(t)，计算式分别为式(7)-(9)；

式中，c_m表示维修的直接成本，包含物流、人工等费用；t_mnt表示上一次维修时间；

式中，c_i表示维修时元件的停机损失；

式中，π_j(t)表示元件在t时刻处于状态的j概率；Γ为子阵列的平均一天发电量，kWh；v为电价；l表示元件状态个数；m_j(t|Θ_j)表示t时刻元件处于状态j的功率损失率；

步骤6：c_m和c_i均为固定值，所以C_m(t)和C_i(t)是随维修时间间隔的增加而减小的，但是随着时间的推移，元件故障停运的风险会逐渐增大，所以C_r(t)是随时间增加的，根据式(10)确定最优维护动作时间t^*和最低平均费用C^*；

步骤7：除最优维护时间外，其他可选择的接近最优的维护时间也需要确定，为系统级维护策略的优化提供选择；接近最优维修时间可以通过排除搜索空间中的最优时间来求取，如式(11)所示，确定每个元件的维修策略集合A^*，A^*＝{a₁ ^*，a₂ ^*，…}＝{(t₁ ^*，C₁ ^*)，(t₂ ^*，C₂ ^*)，…}，其中(t_j ^*，C_j ^*)表示维护策略集合中第j个策略的维护时间和平均维护费用；

步骤8：对于N个元件构成的系统，通过元件级维护策略优化分别确定每个元件所对应的策略集合A_k ^*＝{a_1，k ^*，a_2，k ^*，…}＝{(t_1，k ^*，C_1，k ^*)，(t_2，k ^*，C_2，k ^*)，...}，k表示第k个元件，k＝1，2，...，N；元件单独维修时，系统总的维修费用c₀如式(12)所示：

式中c_k表示第k个元件选择维修策略x_k时的维修费用；c_mk表示第k个元件的直接维修费用；c_ik表示第k个元件的维修停机损失；

步骤9：为了方便计算元件共同维修节省成本，将元件的直接维修费用c_m分成两部分，如式(13)所示：

c_m＝c_m1+c_m2 (13)

式中，c_m1表示固定成本；c_m2表示非技术维修人员的人工费用，元件共同维修时可以节省的支出费用；因此，共同维修节省的直接维修费用c_EOS如式(14)所示：

式中，X表示系统维修策略；n(X_t)表示策略X中在t时刻共同维修的元件个数；

用c_i2表示在某一时刻元件共同维修时重复的停机损失，根据式(15)确定，则共同维修节省的总停机损失c_DT(X)如式(16)所示；

式中，X_t为t时刻共同维修元件的组合，元件数为n(X_t)；c_ik(X_t)表示X_t中第k个元件的停机损失；

系统中元件共同维修除了会节省维修费用和停机损失外，还可能会产生额外的功率损失，因此，需要在成本中引入额外损失变量；为了便于计算多个元件共同维修引发的额外损失费用，根据元件之间的结构特征将系统中的元件分为v个组别，分别为g₁，g₂，...，g_v，额外损失c_LF表达式为式(17)：

式中，χ_t(X)表示维修策略X中在t时刻共同维修会产生额外损失的集合；f_LF表示共同维修产生的损失函数；

步骤10：综合以上分析，得到系统级维修策略X总成本c_SL表达式如式(18)所示：

c_SL(X)＝c₀-c_EOS(X)-c_DT(X)+c_LF(X) (18)

步骤11：根据式(10)确定了元件最优维修时间t^*和最低平均费用C^*，则在系统级优化阶段选择A^*中其他非最优的维修时间对应的平均费用的增量C_t如式(19)所示：

根据步骤9成本分析，元件共同维修节省的成本及产生的额外损失分别为，c_EOS、c_DT和c_LF，因此系统中元件同时维修导致的平均减额费用C_sim如式(20)所示：

步骤12：通过比较共同维修带来的成本优势C_sim与选择非最优维护时间引起的费用增额C_t，确定光伏电站中元件共同维修时间阈值，确定电站最优维护策略。

Images