“双碳”背景下海上风电维护策略研究现状与展望

瞿晟珉，应飞祥，秦少茜，宋明阳，马永杰，王全德

（上海电力大学电气工程学院，上海 200090）

0 引言

新型电力系统下，海上风电是我国实现“2030 碳达峰”与“2060 碳中和”目标的重要手段[1]。与陆上风电相比，海上风电具有电能质量高、不占用陆地面积、靠近负荷中心等优势而得到了长足的发展[2]。截至2022 年底，我国海上风电总装机容量达32.5 GW，总装机规模位居全球第一。根据我国多个省份公布的“十四五”期间的海上风电建设规划数据，至2050年我国沿海基地总规划装机规模预计将达到132 GW，海上风电的装机容量呈现逐年递增的趋势。

海上风机处于恶劣的海洋环境中，其中，投产较早的海上风电机组已经运行10 余年，部件的状态和性能劣化较为明显。统计结果显示，当前风电机组的运维成本约占其全寿命周期度电成本的30%[3]。与此同时，随着《关于促进非水可再生能源发电健康发展的若干意见》的发布，2022 年起新核准的海上风电项目将不再纳入中央财政补贴范围，海上风电正式步入平价时代。

因此，如何科学、及时地开展海上风电场机群维护，已经成为保证大容量、高比例海上风电安全、高效、经济并网亟待解决的关键难题之一。本文从海上风电场维护面临的挑战、海上风电场的维护策略、维护策略优化模型这3 个方面对近年来的研究进行归纳与总结，并且针对目前研究中存在的部分问题进行梳理，同时对未来的研究趋势进行展望。

1 海上风电场维护所面临的挑战

海上风电场维护是海上风电运营过程中关键的任务之一，相较于陆上风电场，海上风电场维护主要面临以下3 个方面的挑战。

1）风机部件故障率更高。由于海上风电场长期处于恶劣的工况中，较陆上风电场而言，海上风电场风机部件的故障率更高。根据现有数据统计，陆上风电场机组的平均可用率在95%～99%之间，而海上风电场机组的平均可用率在65%～95%之间波动[4]。

2）风场可及性较差。海上风电场通常处于海陆气候交替影响区，受周围风浪环境影响，出海时间及维护时间具有较大的波动性与随机性。当风浪超过运维船出海航行的安全阈值时不能出海进行维护，风场的可及性较差。如果由于天气原因必须推迟维护任务，则可能会出现更长的维修等待时间，从而造成更大的发电损失。

3）维护费用较高。据统计，海上风电场的维护成本是陆上风电场的2～3 倍[5]。海上风电场的维护需要专用的设备，比如专用的运维船、直升机及吊装设备。同时，海上风电场的维护也受限于复杂多变的海洋环境，往往不能及时有效对风电机组进行维护。因此，海上风电场的维护成本通常高于陆上风电场同一维护任务的成本。

2 海上风机故障模式

海上风机是一个由电气、机械及结构部件组成的复杂系统，其故障类型主要可分为3 类[6]：（1）长期运行的疲劳损坏及老化引起的故障；（2）由于意外天气及其他因素造成的突然击穿或故障；（3）电气故障。风机的每个关键部件具有不同的故障率，具体取决于风机及风电场所处的位置及机组的型号。表1 给出了某海上风电场风机关键部件的故障次数。从表1 可以看出发电机、齿轮箱、叶片、电气系统、断路器/开关、控制系统的故障次数较高[7]。

表1 海上风机部件故障率Table 1 Failure rate of offshore wind turbine components

3 海上风电场维护策略

现有海上风电场维护策略主要包括纠正性维护（Corrective Maintenance，CM）、主动维护（Proactive Maintenanc，PrM）及强化学习维护（Reinforcement Learning Maintenance，RLM），其中PrM 策略又可细分为预防性维护（Preventive Maintenance，PM）、状态维护（Condition Based Maintenance，CBM）及预测性维护（Predictive Maintenance，PdM）。成组维护（Group Maintenance，GM）及机会维护（Opportunity Maintenance，OM）则是在CM 及PrM 基础上进一步发展而来的维护策略，维护策略的分类如图1 所示[6]。

图1 维护策略的分类Fig.1 Classification of maintenance strategies

3.1 CM策略

CM 只有在风机发生故障后才执行维护[8]。图2为CM 策略的一个典型维护过程，从绿色到橙色为风机因为故障而停止运行，从橙色到绿色为风机经过维护重新恢复运行状态[6]。对于海上风电场维护而言，采用该策略的优点是可有效避免不必要的维护，缺点是当风机需要CM 但可及性不满足维护要求时，会造成较多的停机损失，尤其是对于大型深远海风电场而言，采用CM 策略对于风电场业主而言并不是最优的维护方案[9]。

图2 CM策略Fig.2 Diagram showing CM strategy

3.2 PrM策略

3.2.1 PM策略

PM 策略是在风机故障发生前按照一定的维护规则对风机部件进行维修。如图3 所示为一个典型的PM 过程，与CM 相比，PM 策略主要具有以下优点[6]：（1）可以较为有效避免由于可及性带来的风机部件故障长时间停机问题；（2）可以避免过多的备品备件库存；（3）可以更加合理地使用运维船；（4）可以较为有效地避免计划外的维护。

图3 PM策略Fig.3 Diagram showing PM strategy

PM 策略目前多采用基于时间或基于可靠度的维护规则。基于时间的PM 策略是按照一定的时间间隔进行维护，例如Hofmann M 等人[10]、Wang J 等人[11]均在他们的维护模型中考虑了基于固定时间间隔的PM 策略。基于可靠度的PM 策略则是在部件可靠度低于一定的维修阈值时对其进行预防性维修[12]。在以可靠度为中心的海上风电PM 策略中，部件故障率的建立通常采用威布尔分布，并由故障率得到部件可靠度，然后基于可靠度建立PM 目标，同时对部件的维护阈值进行优化，从而得到PM 的最优维护阈值[13]。也有部分文献在以可靠度为中心的PM基础上考虑了部件间的故障相关性问题后，再进一步进行PM 策略的制定[14]。除此之外，也有学者根据部件维护后可靠度的改善情况，将维护分为预防性不完全维护、预防性完全维护等多维护等级，优化不同等级的维护阈值，从而制定多等级PM 策略[15]。

3.2.2 CBM策略

CBM 策略是在PM 基础上发展而来的一种按“需”维护方式[2]。在故障发生之前，CBM 通过结合风机部件的在线或离线状态信息，并综合考虑维护成本、维护资源情况、风机出力等因素制定维护策略，图4 为典型的CBM 示意图[6]。Yildirim M等人提出了一种结合传感器数据分析和混合整数规划技术的CBM 模型[16-17]。Dao C D 等人将CBM与CM 和PM 进行比较，发现采用CBM 可以降低维护成本[18]。

图4 CBM策略Fig.4 Diagram showing CBM strategy

3.2.3 PdM策略

PdM 策略是在CBM 基础上发展而来的一种维护策略，图5 为典型的PdM 示意图[6]。在PdM 中，基于数据驱动的预测模型是其决策的核心。与CBM 相比，PdM 策略更加注重对风机部件剩余寿命或健康状态的预测以及如何利用预测结果制定维护计划[19]。在风电维护领域PdM 的应用较少，但是近年来在其他领域得到了较好的应用。例如：Lee J等人使用贝叶斯回归模型预测飞机起落架制动器的剩余使用寿命（Remaining Useful Life，RUL），并基于预测结果提出了一个PdM 框架[20]。Lee J 等人的研究表明将RUL 预测整合到维护计划模型中可以有效降低维护成本。

图5 PdM策略Fig.5 Diagram showing PdM strategy

3.3 OM策略

目前对于OM 最常见的定义是利用风机间或部件间的相关性，借助计划停机与非计划停机的便利、或借助就地维护时维护工具及维护人员的便利，顺便对其它风电机组或部件同时开展维护的一种维护策略[2，21-22]。通过OM 可以较为有效地平摊海上风电场维护的出行成本，停机损失等。图6 为一个基于可靠度阈值的典型OM 策略。部件i的可靠度低于PM 阈值Rp时需要对部件i进行维护，此时判断其他部件j的可靠度是否处于阈值区间[RP，Ro]内（Ro为OM 阈值），若部件j处于OM 阈值区间则对该部件一并进行维护[23]。

图6 OM策略Fig.6 Diagram showing OM strategy

在OM 策略中如果预定的阈值不同，则称为动态机会性维护策略，图7 为一个典型的动态OM 策略示意图。维护阈值DRTi随着风速的改变而改变，在低风速期间增大阈值，在高风速期间减少阈值，通过改变阈值的大小从而影响PM[24]。采用动态OM的目的并非是要取消PM，而是选在天气条件更加有利时执行PM。Zhang C 等人进一步将动态机会分别与不考虑OM 的策略及静态OM 策略进行比较，算例结果表明采用动态OM 策略的运维成本较非机会及静态OM 而言分别降低了18%和11%[25]。

图7 动态OM策略示意图Fig.7 Schematic diagram of dynamic OM strategy

3.4 GM策略

与OM 策略类似，GM 策略的基本思想是通过分析风机不同部件之间维修时机的相关性，将尽可能多的部件进行合理成组维修，以此来减少风机的停机次数，从而降低维修损失[26]。GM 策略可以分为静态成组与动态成组两大类。静态GM 策略是假设系统在一个长期稳定的运行工况下按照固定的时间间隔进行GM，主要包括预防性成组、修复性成组及机会成组3 小类[27]。显然静态GM 并不适用于海上风电场所处的工况环境。动态GM 则是在给定的维护期内不采取固定的维修时间而是对其进行动态调整，采用动态成组的好处在于在进行GM 决策的过程中可以有效纳入各部件的状态信息。

动态成组又可分为有限和滚动时间轴2 小类。有限时间轴是只考虑给定维护周期内的维护策略，适用于报废代价不高且寿命较短的部件或系统制定维护计划。滚动时间轴则是不断重复有限时间轴将有限计划变成一个无限计划，同时在每完成1 次维修或者有新状态更新就启动新的维护决策[28]。图8 为一个典型的多部件滚动时间轴成组维修法示意图，从图8 中可以看出滚动时间轴法将无限维护周期划分为一系列短期维修决策时间窗，同时在各短期维修决策时间窗内进行局部静态优化，使得各时间窗内维护方案最优，从而使所制定的维护策略能适应复杂多变的动态维护环境。因此在海上风电维护领域，谢鲁冰从CM 入手，构建了海上风电机组动态CM 策略模型，有效降低了维护费用[29]。

图8 多部件滚动时间轴GM策略示意图Fig.8 Schematic diagram of rolling time axis GM strategy for multi-component

3.5 RLM策略

强化学习（Reinforcement Learning，RL）是一种机器学习框架，其中学习代理通过与系统的白盒模型（即用于模拟系统演变的透明且易于解释的环境）的连续试错交互来优化其行为，以找到最佳策略[30]。

Pinciroli L 等人指出运维优化问题可以等效为一个长期的顺序决策问题，可以采用RL 解决[31]。在他们的文献中基于深度RL 对风电场的维护策略进行制定，通过算例分析表明与现有风电场运维方法相比，采用RLM 具有以下2 点优势：（1）所建立的策略不需要对维护策略的类型进行任何先验假设；（2）可有效考虑动态环境的影响及所执行的运维操作对系统未来发展的影响。

3.6 不同维护策略间的对比

表2 对不同维护策略的特征、优点及缺点进行了比较。

表2 不同维护策略的比较Table 2 Comparison of different maintenance strategies

4 维护优化模型

海上风电维护策略制定的核心问题是解决一个带约束的优化问题。在维护优化模型中可分为单目标优化与多目标优化。标准单目标的优化表达式如式（1）所示：

式中：f（x）为目标函数；he(x)，gu(x)分别为优化问题的不等式与等式约束；E，U分别为不等式约束与等式约束的数量。

多目标优化是在单目标优化基础上增加优化目标，标准的多目标优化表达式如式（2）所示：

式中：j（x）为除f（x）外的其他目标函数。

4.1 单目标优化目标

4.1.1 时间段T内的成本

基于成本的目标函数应用最为广泛，通常设定为给定维护时间段T内总维护成本最小[14]，如式（3）所示。

式中：fc为总维护成本；CM，Cvess，Ctech，Closs分别为维护本身费用、维护工具费用、维护人员费用、停机损失费用。

1）维护本身费用。维护本身费用指的是进行PM，CM 等维护措施时所需的费用。按照故障的严重程度可将维护类型分为检查、小维护、更换、重大维护4 类，不同程度的维护类型具有不同的费用。

2）维护工具费用。维护工具可分为维护交通工具及维护风机部件所需工具两类。在维护过程中根据海上风浪条件，选择维护船或者直升飞机到达维护点。若采取维护船作为交通工具，根据维护工作量及维护部件的不同，所选的船只类型也不同，对于叶片、机舱等大型部件的更换需要具有起重设备的运维船，而对于小部件的更换及中小型维修则采用普通运维船只即可[23]。

3）维护人员费用。一般维护i个部件需要Q个人，当一次维护的部件增加时，则需要增加相应的维护人员，待所有维护结束后，所有维护人员方可结束维护工作。因此维护人员的工作时间通常与维护时间相耦合。

4）停机损失费用。维修期间的停机损失与维修部件的类型、风速、电价、风场的规模大小等因素相关。此外，在一些研究中指出，针对大型海上风电场而言，尾流效应将影响风机的出力，从而影响停机损失，因此在计算停机损失时还考虑了各机组间的尾流效应，但其本质上依旧可归为风速造成的影响[32]。

4.1.2 时间段T内的利润

基于利润的目标通常设定为给定维护时间段T内风电场的利润最大化[33]。总利润S一般包括风电场的售电收入与维护自身成本、维护人员成本、维护交通工具成本等成本的差值，如式（4）所示。

式中：Ssale为风场的售电收入，与风场的输出功率和电价相关。

4.1.3 时间段T内的费效比

根据风机部件在经过维护后的状态恢复情况，一般可将维护分为完全维护与不完全维护，2 种维护方式对部件可靠度的改善不同。图9 给出了不同维护方式对部件可靠度的影响，其中τk-1，k为部件第k-1 和第k次维护的时间间隔，η为役龄回退因子。

图9 不同维护方式对部件可靠度的影响Fig.9 Effect of different maintenance methods on component reliability

从图9 中可以看出采用完全维护方式能使部件可靠度回退到如新状态；采用不完全维护方式则以一定的役龄回退因子η进行回退，并不能恢复如新。为了衡量维护效果，作为维护方式的选择依据，在优化模型中通常在给定维护时间段T内采用费效比Rce作为优化目标[23]，如式（5）所示。

式中：C为维护成本；ΔWk为第k次维护对有效役龄的改善。

4.1.4 基于单位时间的维护成本

以单位时间维护成本为优化目标的优化函数的定义为时间段T内的成本与时间段T的比值，如式（6）所示。文献[34]在制定海上风电机组分阶段预防性维修策略是以单位时间的维修成本fz最低为目标进行优化。

4.2 多目标优化目标

多目标优化的目标根据决策者的不同需求具有多种组合方式，表3 总结了海上风电运维策略制定过程中现有的2 种多目标优化函数。

表3 常见的多目标优化函数Table 3 Common multi-objective optimization functions

4.3 约束条件

通常情况下在制定海上风电各维护计划的过程中需要考虑的约束条件主要可分为以下几个方面：

1）维护人员及维护工作时间约束。通常情况下单次维护人员的总数量不能大于维护船只的额定人数，同时维护人员的工作时间不能超过日最长工作时间[14]，但也有文献将超过日最长的工作时间定义为人员加班时间[22]。

2）风浪条件约束。海上风电场与陆上风电场维护不同，维护的可及性十分重要，当海上风浪超过运维船出海航行的安全阈值时不能出海对海上风电机组进行维护，此时维护的可及性较差。

3）可靠度的约束。在以维护最优可靠度阈值为优化目标的海上风电场OM 过程中还需要考虑可靠度约束条件，即待优化的OM 阈值Ro应位于PM阈值Rp与1 之间[23，25]。

4.4 求解方法

在构造海上风电场维护策略的优化目标后需要求解优化目标得到最优解。大多数线性目标可通过调用商业求解器（如Gurobi）进行求解[22]。针对非线性成本函数，大量的启发式算法用于优化目标的求解，例如遗传算法[37]、反向粒子群算法[34]等。在多目标维护策略优化中使用了多目标粒子群优化算法[36]、NSGA-II[35]等方法。

5 存在的主要问题与展望

5.1 存在的主要问题

通过对现有海上风电维护策略的研究进行梳理，当前研究存在的主要问题可以概括为以下几点：

1）如何有效利用风机的动态状态监测信息。海上风机长期处于大风、盐雾等恶劣环境中，风机状态受周围环境的影响很大，基于大数据手段的海上风机故障预警、剩余寿命分析等技术能够实时分析及预测海上风机部件的状态。然而，现有研究大多利用部件历史统计数据得到风机部件的可靠度，然后基于可靠度去制定维护策略，并未使用实时的风机部件动态状态数据。因此，如何利用部件动态信息制定动态运维决策是目前存在的主要问题之一。

2）如何解决或降低维护过程中多重不确定性因素的影响。在海上风电维护过程中存在多重不确定因素，例如维护的可及性受海上风浪影响呈现出的不确定性，维护过程中机组的出力受风速影响呈现出的不确定性，状态监测信息分析及处理过程中呈现出的不确定性等。目前大多研究在维护策略的制定过程中并未充分考虑多重不确定性带来的影响。因此，在运维策略制定过程中如何解决或降低这些不确定性因素的影响是目前存在的主要问题之二。

3）如何利用多重“机会”处理多机多部件维护问题。在现有海上风电多机多部件维护策略的制定过程中，通常采用OM 的方式。但是现在对于OM 的定义还未有一个统一的认识，大部分学者在进行OM 策略的制定过程中仅考虑机组/部件间的相关性（结构、经济、故障相关性等）。在运维策略制定过程中如何挖掘OM 中“机会”的内涵，利用多重“机会”制定经济、高效的海上风电多机多部件多机会维护是目前存在的主要问题之三。

5.2 研究展望

结合海上风电的实际维护需求，本文对未来维护策略的制定进行了一定的展望，可以概括为以下几点：

1）海上风电维护策略制定是一个与周围环境、部件状态、维护资源等维护条件相关的优化问题。考虑实时维护条件变化情况下，使用实时的风机部件动态状态数据建立海上风电机组多等级运维决策模型与方法是未来值得进一步深入研究的问题。

2）针对海上风电维护过程中存在多重不确定因素，在未来运维策略制定过程中可建立不确定性场景集来处理风浪预测的不确定性；或者采用鲁棒建模的方式降低不确定性对维护决策带来的影响，进而得到更优的海上风电场多机多部件维护策略。

3）在运维策略制定过程中除利用风机部件相关性带来的维护机会外，还可以考虑维护工具、维护人员等对所提维护策略的制定带来的机会。例如不同部件维护所需的维护工具不同，可以利用维修工具的相关性将所需工具类型相同的维修安排在一起。

6 结语

与陆上风电相比，海上风电的维护成本在总发电成本中的占比很大。同时伴随着近年来海上风电装机容量的飞速发展以及海上风电平价上网政策的推广，更是进一步提升了海上风电高效经济运维的需求。本文基于海上风电维护面临的3 个突出问题，围绕海上风电的维护策略、维护优化模型（包括维护决策目标、约束条件、求解方法）及存在的主要问题等方面对当前海上风电维护的研究现状进行了总结，期望对未来海上风电维护优化问题的进一步研究提供一定的研究思路与借鉴。