海上风电场运维船配备优化方法

郭培军, 迟宏伟, 何 明, 柳洪胜, 吕 涛, 李云峰

(1.山东海洋工程装备研究院有限公司，山东 青岛 266555；2.山东蓝鲲海洋工程有限公司，山东 烟台 264006；3.山东海洋集团有限公司，山东 济南 250102)

0 引 言

当前全球海上风电行业高速发展，截至2021年末，全球海上风电累计投产规模达50.5 GW，同比大幅增长58%，其中，中国海上风电累计投产规模达23.4 GW，成为全球最大的海上风电市场。为保证海上风电场的正常营运，海上风电机组日常维护保养和故障维修必不可少。根据挪威船级社(DNV)的数据记录，平均每年1台海上风电机组停机故障均会高达40次以上，整体出现故障的概率维持在3%[1-2]，而海上风电的运维成本占项目全生命周期总成本的20%～35%[3]，运维成为影响海上风电发展的关键因素。运维船是海上风电场运维的主要交通工具，高效合理的运维船配备直接关系运维效率和运维成本。

欧洲在整个海上风电场运维系统包括运维船的配备研发与应用方面一直处于领先地位，而我国海上风电行业发展时间相对较短，海上风电场运维尚处于起步和探索阶段。陈钇西等[4]、万远琛等[5]对我国海上风电场运维船发展的现状进行论述，并对运维船的不同船型和适应水域进行分析。DALGIC等[6]将海上风电场运维船分为小型维护运维船和大型维护运维船，单体船、小型双体船和小水线面双体船通常用于小型维护作业，对于大型维护，如叶片、发电机、齿轮箱或风塔发生故障，则需要自升式船舶。林烁[2]提出基于大数据的海上风电场运维船舶智能管理系统概念，但在船舶调度管理方面需要依靠船舶调度员人工经验实现。目前海上风电场的运维管理系统相对落后，只有少数企业或高校开发一些海上风电场运维管理系统，史香锟等[3]对国内外海上风电场运维管理系统研究情况进行调研，并将其中7个系统方案的优缺点进行对比。

对于运维船类型的选择和数量等的配备，主要依靠经验进行确定，显然不能适应当前海上风机大型化、深水远岸的布局和海上风电场运维智能化管理的发展趋势，而且海上风电在平价电价情况下，如何对运维船舶进行配备、提升运维效率、降低日常运维成本显得尤为重要。在对海上风电场运维船配备的影响因素进行详细分析的基础上，提出海上风电场运维船配备数学模型的建立和求解方法。

1 海上风电场运维船配备影响因素

1.1 海上风电场运维船类型

建立海上风电场运维船配备数学模型的目的是获得维护需要的运维船类型和数量。常见的海上风电场运维船舶主要分为4种类型：普通运维船、专业运维船、运维母船和自升式运维船。普通运维船通常为单体交通船或渔船，是我国海上风电场建设初期的主要运维船型，一般采用顶靠或旁靠登乘。专业运维船是为海上风电场运维专门设计制造的船型，一般为双体船型，航速为20 kn，配备具有主动补偿功能的登乘装置或采用船首顶靠方式登乘。运维母船为大型专业运维船，配备具有运动补偿功能的登乘装置、海洋工程折臂式起重机和子艇，通常可提供一定数量工作人员的住宿，且具有一个月以上的自持力。自升式运维船主要用于风机大型组件维修更换，如齿轮箱、发电机和叶片等，规模较海上风电安装船小，可由桩腿和升降系统将船体抬升，并通过自身的重型起重机进行维修作业。

1.2 海上风电场运维工作量

海上风电场运维工作分为日常维护保养、小型故障维修和大型故障维修。日常维护保养是指运维人员对平台的定期检修和保养。小型故障维修是指仅依靠运维人员携带的维修工具更换小型零部件即可完成的故障维修。大型故障维修是指需要借助自升式运维船等大型装备完成的大型风机部件更换等故障维修。海上风电场运维工作量与海上风电场海域面积、装机容量、单台风机大小和风机数量、海上升压站的能力和数量等因素相关，目前常见的海上风电场规模均在300～1 000 MW。

1.3 离岸距离

离岸距离是指海上风电场与运维船码头之间的距离，其远近决定海上风电场运维船往返海上风电场的航行时间。目前我国开发的海上风电场大多离岸50 km以内，但随着近海资源的减少，远海风电场的建设将成为海上风电的发展趋势。通常对于近海风电场，采用运维人员往返海上风电场和陆地的工作方式；而远海风电场的维护则需要运维母船，运维人员在工作时间乘坐运维船在海上风电场作业，下班回到风电场附近的运维母船上。为在作业窗口期内快速往返，运维船航行时间一般不超过80 min，这样不仅可保证充足的作业时间，而且可减轻运维人员航行中的不适感。

1.4 作业窗口期

海上风电场运维船作业窗口期是指在风浪等联合作用下运维船仍可进行登乘作业的时间周期。作业窗口期通常用可作业时间占比表示。海上风电场运维船作业窗口期主要与环境条件(包括风、浪、流、潮汐)、运维船类型和性能、海上风电场离岸距离等有关。邹康等[7]在考虑人员安全和设备安全的情况下，对不同运维船设置安全登乘所允许的运动衡准，并基于海上风电场海域波浪的长期分布概率数据库，采用三维线性时域势流理论对运维船运动性能进行分析，得到海上风电场安全登乘作业窗口期，其中，江苏某海上风电场安全登乘作业窗口期如图1所示。由图1可知：配备具有主动补偿功能的登乘装置的运维船作业窗口期更长。

图1 江苏某海上风电场安全登乘作业窗口期

1.5 海上风电场运维船配备原则

海上风电场运维船配备的一般原则：①大型故障维修，选用作业能力满足要求的自升式运维船；②近海风电场的日常维护保养和小型故障维修，选用普通运维船或专业运维船；③远海风电场的日常维护保养和小型故障维修，选用运维母船+普通运维船或专业运维船；④运维船配备数量，需要根据海上风电场规模、作业窗口期和离岸距离等多个因素共同确定。

2 海上风电场运维船配备优化数学模型

海上风电场运维船配备优化数学模型是以运维船的类型和需求数量为求解目标的函数优化问题，可表达为

Vn=f(Dis，EP)(Wl，Win)

(1)

式中：Vn为运维船配备数量；Dis为近海或远海风电场判别参数；EP为海上风电场运维船故障类型判别参数；Wl为海上风电场每月运维工作量；Win为运维船作业窗口期。

(2)

式中：t为运维人员每天在海上风电场的工作时数，即以8 h工作制，减去往返海上风电场与码头的航行时间，t=8-2s/v，其中，s为海上风电场与码头之间的距离，v为海上风电场运维船的航速；ts为在确保运营盈利情况下运维人员每天在海上风电场最少工作时数。

在Dis=0时，海上风电场定义为近海风电场，采用普通运维船或专业运维船每天往返风电场与陆地的工作方式；在Dis=1时，海上风电场定义为远海风电场，采用运维母船+普通运维船或专业运维船的工作方式，即运维人员在风电场连续工作数周后换班返回陆地。

(3)

在EP=0时，需要配备自升式运维船；在EP=1时，需要配备普通运维船或专业运维船；在EP=2时，需要配备运维母船+普通运维船或专业运维船。

判别参数Dis与EP之间的关系如表1所示：(0，0)表示近海风电场，采用自升式运维船作业模式；不存在(0，2)和(1，1)两种作业模式；在EP=0时，海上风电场运维船配备自升式运维船，数量为1，即为降低成本，不管多少台风机出现大型故障，均选用1艘满足维修性能要求的自升式运维船；在EP=2时，海上风电场运维船配备运维母船，由于每艘运维母船可同时为多艘运维船服务，因此其配备数量取1。

基于上述分析，海上风电场运维船配备数学模型可简化为对海上风电场运维船配备数量的求解：

(4)

式中：k为修正因数，取1.1；Wlv为单艘海上风电场运维船在100%作业窗口期情况下每月可完成的工作量，可根据运维船的能力和统计数据确定。

3 海上风电场运维船配备优化数学模型运算流程

3.1 Wl的确定

Wl可表示为如下函数形式：

Wl=Wl(Cf，Cs，Cn，Nw，Ns)

(5)

式中：Cf为海上风电场装机容量；Cs为单台风机发电能力；Cn为海上升压站能力；Nw为风机数量；Ns为海上升压站数量。

Wl各参数之间的关系非常复杂，难以采用算式准确表达，可采用反向传播(Back Propagation，BP)神经网络算法求解[8]。BP神经网络实际上是一个多层感知器的前馈网络，其完成的信息处理工作在数学意义上是利用映射训练样本，实现从n维欧氏空间子集A到m维欧氏空间子集f(A)的映射，即A∈Rn→Rm。BP神经网络在有教师学习方式下，根据BP误差学习准则，寻求最佳权集实现网络的正确输出。3层BP神经网络结构如图2所示。

图2 3层BP神经网络结构示例

采用含有1个隐层的3层BP神经网络对Wl进行预测，网络的输入层取Cf、Cs、Cn、Nw和Ns，即5个神经元；输出层取Wl，即1个神经元。

对于隐层神经元数，目前理论上确定比较困难，实际上大多数以经验和实际运算结果判断。网络选择一般原则：在可解决问题的前提下，再加上1～2个神经元以加快误差的下降速度即可。参考如下的隐层单元数计算公式：

(6)

式中：n1为隐层神经元数；n为输入层的神经元数；m为输出层的神经元数；a为常数，1≤a≤10。

对于Wl的BP神经网络，隐层神经元数为3≤n1≤13，取n1=5。

在设计网络的训练过程中，期望误差值应通过对比训练后确定一个合适的值，相对于所需要的隐层神经元数进行确定，因为较小的期望误差值需要依靠增加隐层神经元数和训练时间获得。Wl的期望误差值取0.1。

选取多个海上风电场运维数据Cf、Cs、Cn、Nw、Ns和Wl作为训练样本数据，样本数量建议不少于10个，通过BP神经网络的方法即可求得待确定风电场的运维工作量。由于缺少样本数据，且主要研究海上风电场运维船配备数学模型建立方法，因此没有给出Wl的预测算例。

3.2 Win的确定

Win可表示为如下函数形式：

Win=Win[Ltd(Wind，Wave，Current，Tide)，Ty(i)，St(dv，a，gv，gt)]

(7)

式中：Ltd(Wind，Wave，Current，Tide)为海上风电场海域波浪的长期分布函数，与风、浪、流和潮汐等相关，需要由当地气象部门获得该类数据；St(dv，a，gv，gt)为安全登乘耐波性衡准，其中，dv为登乘点最大单幅垂向位移允许值，a为栈桥允许最大俯仰角，gv为登乘点垂向加速度最大允许值，gt为登乘点横向加速度最大允许值，dv、a、gv和gt可根据海上风电场运维经验设定；Ty(i)为船型，可分为单体、双体和大型专业运维船。

通过Win可得到不同海上风电场各类运维船在不同月份的可作业时间(作业窗口期)占比，并拟合为运维船作业窗口期曲线(见图1)。基于运维船作业窗口期曲线可生成多个海上风电场的运维船作业窗口期曲线族，建立运维船作业窗口期4维图谱，如图3所示。海上风电场运维船配备数学模型求解所采用的作业窗口期数据由运维船作业窗口期4维图谱获取。该图谱的建立为查看各类运维船作业窗口期提供方便，并可作为海上风电场运维船配备管理系统中的作业窗口期数据输入模块。

图3 海上风电场运维船作业窗口期4维图谱示例

3.3 运算流程

海上风电场运维船配备优化数学模型运算流程如图4所示。

图4 海上风电场运维船配备优化数学模型运算流程

4 结 论

(1)对海上风电场运维船配备的影响因素进行分析，建立包含2个求解目标和4个参数的数学模型。2个求解目标为运维船类型和配备数量。在4个参数中，近远海风电场和海上风电场运维船配备类型为2个判别参数，海上风电场运维工作量和作业窗口期为2个函数变量。通过引入BP神经网络算法和运维船作业窗口期4维图谱完成海上风电场运维船配备优化数学模型求解。

(2)为提高海上风电场运维工作量预测精度，需要尽可能选取运营状况良好的海上风电场运维数据作为BP神经网络算法训练样本，包括风电场装机容量、单台风机发电能力、海上升压站能力、风机数量、海上升压站数量和海上风电场每月运维工作量等参数。

(3)建立的海上风电场运维船配备优化方法是对运维船配备智能化的有益探索，需要根据海上风电场数据进行修正和完善。

(4)海上风电场运维船配备优化数学模型可作为海上风电场运维管理系统的输入模块，提升管理系统智能化程度。