摘  要： 綜述了基于馬爾科夫過程的風(fēng)電機(jī)組檢修策略,。首先介紹了馬爾科夫過程及相關(guān)理論知識,，并分析其應(yīng)用于風(fēng)電機(jī)組檢修中的可行性；然后分別從基于風(fēng)電機(jī)組運(yùn)行可靠性最優(yōu)策略建立可靠性模型和基于維護(hù)成本最優(yōu)策略建立老化模型兩方面入手,，指出各自考慮的側(cè)重點(diǎn),，總結(jié)了國內(nèi)外學(xué)者基于馬爾科夫過程理論對風(fēng)電機(jī)組檢修策略的研究現(xiàn)狀；最后指出由單一部件到多部件進(jìn)行整臺風(fēng)電機(jī)組優(yōu)化檢修和風(fēng)電場多臺機(jī)組聯(lián)合檢修是未來的研究趨勢,。
關(guān)鍵詞： 風(fēng)電機(jī)組,； 馬爾科夫過程； 可靠性模型,； 老化模型,； 檢修策略

    風(fēng)能作為一種蘊(yùn)藏量巨大且無污染的可再生能源，越來越受到世界各國的關(guān)注,。風(fēng)力發(fā)電產(chǎn)業(yè)迅速發(fā)展，特別是近幾年來,，風(fēng)電總裝機(jī)容量大幅增加,。隨著風(fēng)力發(fā)電行業(yè)的快速增長，高故障率和高維護(hù)成本制約著風(fēng)電產(chǎn)業(yè)的發(fā)展,因此有必要對風(fēng)電機(jī)組的檢修策略進(jìn)行研究,。目前風(fēng)電場主要采取定期檢修方式,，這種檢修方式按照固定的周期對設(shè)備進(jìn)行檢修，沒有考慮到設(shè)備實(shí)際的運(yùn)行狀況,，容易造成因檢修不足而導(dǎo)致重大故障的發(fā)生或因檢修過度而導(dǎo)致檢修費(fèi)用過高等后果,。因此研究新的檢修策略來合理地維護(hù)風(fēng)電機(jī)組成為行業(yè)研究熱點(diǎn)。
    風(fēng)電機(jī)組的狀態(tài)轉(zhuǎn)移是一個(gè)隨機(jī)過程,。大多數(shù)工程現(xiàn)象都可以用隨機(jī)過程來描述,。1906年，俄國數(shù)學(xué)家MARKOV A A最早提出并研究了一種能用數(shù)學(xué)分析方法研究自然過程的一般圖式——馬爾科夫鏈,，同時(shí)開創(chuàng)了對一種無后效性的隨機(jī)過程——馬爾科夫過程的研究,。
    馬爾科夫過程描述了一種系統(tǒng)的變化情況與以前系統(tǒng)所處的狀態(tài)無關(guān)的隨機(jī)過程，是對風(fēng)電機(jī)組運(yùn)行狀態(tài)建模的有力工具。目前已有一些國內(nèi)外學(xué)者將馬爾科夫過程理論應(yīng)用在風(fēng)力發(fā)電機(jī)的檢修中,，研究主要集中在：基于馬爾科夫過程建立可靠性模型和基于馬爾科夫鏈建立老化模型,。本文主要從這兩個(gè)方面對馬爾科夫過程理論在風(fēng)力發(fā)電機(jī)組檢修策略中的應(yīng)用現(xiàn)狀進(jìn)行介紹和評述，并提出了在今后研究該問題時(shí)值得關(guān)注的方向,。
1 馬爾科夫過程及相關(guān)理論
1.1 馬爾科夫過程和馬爾科夫鏈
    已知時(shí)刻t系統(tǒng)所處的狀態(tài),，在時(shí)刻以后，系統(tǒng)的變化情況與以前系統(tǒng)所處的狀態(tài)無關(guān)的隨機(jī)過程稱為馬爾科夫過程,。時(shí)間和狀態(tài)都是離散的馬爾科夫過程,稱為馬爾科夫鏈[1],。
1.2 馬爾科夫決策過程
    馬爾科夫決策過程MDP(Markov Decision Process)是指決策者周期或連續(xù)地觀察具有馬爾科夫性的隨機(jī)動態(tài)系統(tǒng),，序貫地作出決策,。即根據(jù)每個(gè)時(shí)刻觀察到的狀態(tài)，從可用的行動集合中選用一個(gè)行動作出決策,，系統(tǒng)下一步隨機(jī)地轉(zhuǎn)移到一個(gè)新的狀態(tài),，相應(yīng)給予決策者一個(gè)報(bào)酬。決策者根據(jù)新觀察到的狀態(tài)作新的決策,，依此反復(fù)地進(jìn)行[2],。風(fēng)力發(fā)電機(jī)組檢修的目標(biāo)是成本最優(yōu)，那么利用MDP就是要求出成本最小的策略,。但是考慮到風(fēng)力發(fā)電機(jī)的各個(gè)老化狀態(tài)的停留時(shí)間服從一定分布,，符合半馬爾科夫決策過程的要求，采用半馬爾科夫決策過程SMDP(Semi-Markov Decision Process)優(yōu)化維修策略更加合理,。
    部分可觀察馬爾科夫過程POMDP(Partially Observable Markov Decision Processes)指決策者不能直接觀察到狀態(tài),，但能利用隨機(jī)環(huán)境中部分觀察到的信息進(jìn)行決策[3]。風(fēng)力發(fā)電機(jī)組部件的狀態(tài)可以通過狀態(tài)監(jiān)測的傳感器所發(fā)出的信號來評估,。描述此信號傳達(dá)的信息,，就是指定一個(gè)關(guān)于實(shí)際狀態(tài)的概率向量代表對相應(yīng)的真實(shí)狀態(tài)的一個(gè)信念，POMDP問題就可以轉(zhuǎn)化為基于信念狀態(tài)空間的馬爾科夫鏈來求解,。
2 基于馬爾科夫過程建立風(fēng)電機(jī)組的可靠性模型
     可靠性模型的建立通常是為了對所研究的系統(tǒng)的可靠性進(jìn)行量化評估,，制定適當(dāng)?shù)木S修策略以獲得較高的可用率。各部件之間的狀態(tài)轉(zhuǎn)移過程滿足馬爾科夫過程的基本假設(shè),，因此可以基于馬爾科夫過程建立可靠性模型,。馬爾科夫過程已經(jīng)應(yīng)用在電力系統(tǒng)領(lǐng)域中的一些可靠性研究中[4-7]，下面介紹其用于風(fēng)力發(fā)電機(jī)組相關(guān)系統(tǒng)的可靠性建模的方法,。
    參考文獻(xiàn)[8]對風(fēng)力發(fā)電機(jī)組的電氣系統(tǒng)進(jìn)行拆分,，分別建立了感應(yīng)發(fā)電機(jī)、轉(zhuǎn)換器,、碳刷和滑環(huán)各子系統(tǒng)的可靠性模型,。通過某子系統(tǒng)下的各組件的故障率和修復(fù)率,，利用頻率平衡法計(jì)算出該子系統(tǒng)的故障率和修復(fù)率，從而建立了基于馬爾科夫過程的風(fēng)力發(fā)電機(jī)組電氣系統(tǒng)的可靠性模型,。
    參考文獻(xiàn)[9]基于參考文獻(xiàn)[8]中可靠性建模的方法,，以雙饋風(fēng)力發(fā)電機(jī)為例，根據(jù)風(fēng)力發(fā)電機(jī)組各子系統(tǒng)之間的功能關(guān)系將其拆分為幾個(gè)模塊,，假設(shè)子系統(tǒng)下的各個(gè)部件只有正常和故障兩種狀態(tài),，運(yùn)用馬爾科夫過程數(shù)學(xué)模型和可靠性理論建立風(fēng)力發(fā)電機(jī)組的可靠性模型，在此基礎(chǔ)上構(gòu)造風(fēng)電機(jī)組老化和隨機(jī)故障后全面修復(fù)的維修模型,，從而制定風(fēng)電機(jī)組可靠性最優(yōu)時(shí)的維修策略,。

3 基于馬爾科夫鏈建立老化模型
    將風(fēng)力發(fā)電機(jī)的老化過程視為符合馬爾科夫過程的離散的老化狀態(tài)，建立其多階段老化模型,。根據(jù)具體老化模型,，采取合適的馬爾科夫決策過程，可以達(dá)到優(yōu)化檢修成本的目的,。
    參考文獻(xiàn)[11]提出了基于馬爾科夫鏈的多階段老化模型，并考慮了服從泊松分布的隨機(jī)故障,，提出了半馬爾科夫過程的優(yōu)化檢修方法,。如圖3所示，F(xiàn)0為該隨機(jī)故障,，?姿0為其轉(zhuǎn)移率,，?姿為兩個(gè)老化階段間的轉(zhuǎn)移率。通過確定設(shè)備老化過程中的維修動作和檢測時(shí)間間隔,，獲得最小運(yùn)行維護(hù)成本,。最后將該方法應(yīng)用到風(fēng)電機(jī)組齒輪箱的優(yōu)化檢修中，說明此檢修策略相比傳統(tǒng)定期檢修方法,，可以有效減少平均成本,。

    也有學(xué)者將維修狀態(tài)納入到老化模型中[12-13]，參考文獻(xiàn)[9]基于之前提到的可靠性模型計(jì)算出整機(jī)的故障率和修復(fù)率后,，提出了一個(gè)整機(jī)老化和隨機(jī)故障后全面修復(fù)的維修模型,如圖4所示。其中,，F(xiàn)1代表偶然故障狀態(tài),，M1、M2,、M3代表預(yù)防性維修狀態(tài),，λ1、λ2,、λ3和μ1,、μ2,、μ3分別表示整機(jī)系統(tǒng)在各個(gè)老化階段內(nèi)總的失效率和修復(fù)率。根據(jù)維修模型得到狀態(tài)轉(zhuǎn)移矩陣,，進(jìn)而列出各狀態(tài)的穩(wěn)態(tài)方程,，風(fēng)力發(fā)電機(jī)組正常工作的概率最高時(shí)為可靠性最高，由此計(jì)算出風(fēng)力發(fā)電機(jī)組可靠度最優(yōu)時(shí)的預(yù)防性維修平均時(shí)間間隔,。

    以上的研究主要考慮了機(jī)組本身的老化特點(diǎn),，而在風(fēng)力發(fā)電機(jī)的實(shí)際檢修工作中，天氣條件直接影響具體檢修動作的執(zhí)行和備件物流所需的時(shí)間,。因此,，有部分學(xué)者將其作為影響因子引入到檢修策略分析中。
　參考文獻(xiàn)[14]考慮風(fēng)速對維修動作的限制,，在檢修時(shí)間函數(shù)中引入?yún)?shù)來表示風(fēng)速小于預(yù)防性維修和故障后維修的最大允許風(fēng)速的概率,。將部件老化過程離散成有限的老化狀態(tài)，以長期折扣成本最低為目標(biāo),，建立基于半馬爾科夫決策過程的狀態(tài)維修優(yōu)化模型,。最后，以某風(fēng)力機(jī)齒輪箱為例,，分別求出在等周期,、非等周期檢測條件下的最優(yōu)檢測時(shí)間間隔和維修成本，并提出在非等周期檢測方式下,，總能得到不劣于等周期檢測方式下的維修折扣成本,。
    參考文獻(xiàn)[15]研究在隨機(jī)天氣條件下運(yùn)行的風(fēng)力機(jī)最佳維修策略?？紤]到天氣條件會限制檢修可行性,，從而造成收入虧損，模型中引入了由于惡劣天氣條件而禁止預(yù)防性維修和故障后維修的概率,。通過建立一個(gè)多狀態(tài)的,、部分可觀察的馬爾科夫決策過程模型來表示風(fēng)力發(fā)電機(jī)的老化過程和策略優(yōu)化問題。最終得到一組關(guān)于最優(yōu)策略的閉式表達(dá)式,，由此得出檢修成本最優(yōu)策略區(qū)域圖,。
    參考文獻(xiàn)[16]提出了一個(gè)考慮季節(jié)交替的動態(tài)狀態(tài)檢修策略，即在不同時(shí)期,，對不同的故障模式分別引入?yún)?shù)來表示在該時(shí)期的天氣條件下不允許故障檢修和預(yù)防性維修的概率,。不同的故障模式，即將隨機(jī)故障細(xì)化為具體的故障模式,，如該文以齒輪箱為例,，具體故障為軸承故障、齒輪故障,、潤滑油故障等,。圖5為原始狀態(tài)空間的狀態(tài)轉(zhuǎn)換圖,，狀態(tài)1到狀態(tài)M為老化狀態(tài)，狀態(tài)M+1到狀態(tài)M+L為故障狀態(tài),。建立一個(gè)部分可觀察馬爾科夫模型來描述該問題,，以獲得風(fēng)力發(fā)電機(jī)組的整個(gè)壽命期的最小運(yùn)行與維護(hù)成本。最后以某齒輪箱為例比較了常規(guī)的定期檢修,，不考慮季節(jié)變化影響的靜止?fàn)顟B(tài)檢修以及該動態(tài)檢修策略的效果,，證明動態(tài)檢修策略在降低故障率和運(yùn)行維護(hù)成本上具有明顯優(yōu)勢。

4 展望與進(jìn)一步研究
    現(xiàn)有的研究在建立基于馬爾科夫鏈的老化模型時(shí),，考慮了自然老化狀態(tài),、隨機(jī)故障狀態(tài)、維修狀態(tài)及具體故障狀態(tài)等,，所提出的狀態(tài)模型都有各自的側(cè)重點(diǎn),，但卻無法形成一個(gè)故障狀態(tài)相對完善的機(jī)組狀態(tài)模型。而風(fēng)力發(fā)電機(jī)組作為一個(gè)復(fù)雜的系統(tǒng),，故障模式十分復(fù)雜,，囊括所有的故障狀態(tài)是不可能的。所以,，在選擇具體故障狀態(tài)時(shí),，可以根據(jù)專家經(jīng)驗(yàn)并結(jié)合人工智能方法處理歷史數(shù)據(jù)，選擇對機(jī)組運(yùn)行影響較大的故障,，分析故障間的關(guān)系,，以此來建立狀態(tài)模型對優(yōu)化檢修策略更具實(shí)際意義。
　從國內(nèi)外基于馬爾科夫過程的風(fēng)電機(jī)組檢修策略的研究中可以發(fā)現(xiàn),，馬爾科夫理論多用于分析某臺機(jī)組,，甚至是某個(gè)部件，如齒輪箱,。對于當(dāng)前風(fēng)力發(fā)電機(jī)組檢修所面臨的困難,，如每次維修停機(jī)造成的生產(chǎn)損失、拆裝花費(fèi)的巨額成本等,，僅考慮某臺機(jī)組或某一個(gè)部件的最低檢修成本是遠(yuǎn)遠(yuǎn)不夠的,。而隨著海上風(fēng)電場的快速發(fā)展，聯(lián)合維護(hù)多臺機(jī)組以更大程度地節(jié)約檢修成本,，對未來風(fēng)電行業(yè)的發(fā)展具有重要意義,。
    大型風(fēng)電機(jī)組由多種元部件構(gòu)成，它們之間的相互耦合關(guān)系構(gòu)成了一個(gè)復(fù)雜的網(wǎng)絡(luò),。在評估其狀態(tài)時(shí)可以通過將復(fù)雜網(wǎng)絡(luò)理論與馬爾科夫過程理論相結(jié)合，建立一個(gè)涵蓋多臺風(fēng)電機(jī)組的綜合狀態(tài)模型,。如何將此思想應(yīng)用到多臺風(fēng)電機(jī)組組成的系統(tǒng)中,，提出相應(yīng)的狀態(tài)評估模型,，并基于此模型研究一種適合風(fēng)力發(fā)電機(jī)組聯(lián)合檢修的優(yōu)化策略，是一個(gè)值得思考的方向,。
參考文獻(xiàn)
[1] 邱仕義．電力設(shè)備可靠性維修[M]．北京：中國電力出版社,，2004．
[2] 胡奇英，劉建庸．馬爾科夫決策過程引論[M]．西安：西安電子科技大學(xué)出版社,， 2000．
[3] 仵博,，吳敏．部分可觀察馬爾可夫決策過程研究進(jìn)展[J]．計(jì)算機(jī)工程與設(shè)計(jì)，2007,，28(9)：2116-2119,，2126．
[4] 王韶，周家啟．雙回平行輸電線路可靠性模型[J]．中國電機(jī)工程學(xué)報(bào),，2003,，23(9)：53-56．
[5] 孫福壽， 汪雄海． 一種分析繼電保護(hù)系統(tǒng)可靠性的算法[J]．電力系統(tǒng)自動化,，2006,，30(16)：32-35．
[6] 廖瑞金，肖中男,，鞏晶,，等．應(yīng)用馬爾科夫模型評估電力變壓器可靠性[J]． 高電壓技術(shù)，2010,，36(2)：322-328．
[7] 聶雅卓,，周步祥，林楠,，等．考慮轉(zhuǎn)供容量約束的配電網(wǎng)馬爾可夫可靠性算法[J]．電力系統(tǒng)保護(hù)與控制,，2011，39(13)：59-63．
[8] ARABIAN H H,，ORAEE H,，TAVNER P J．Wind turbine productivity considering electrical subassembly reliability[J]．Renewable Energy，2010(35)：190-197．
[9] 李大字,，馮園園,，劉展，等．風(fēng)力發(fā)電機(jī)組可靠性建模與維修策略優(yōu)化[J]．電網(wǎng)技術(shù),，2011,，35(9)：122-127．
[10] MCMILLAN D，AULT G W． Quantification of condition monitoring benefit for offshore wind turbines[J]． Wind Engineering,，2007,，4(31)：267-285．
[11] Wu Yanru，Zhao Hongshan． Optimization maintenance of  wind turbines using Markov decision process[C]. 2010 International Conference on Power System Technology,，Hangzhou,，China,，October 24-28, PowerCon，2010：1-6．
[12] CHAN G K,，ASGARPOOR S． Optimum maintenance policy with Markov processes[J]． Electric Power Systems Research,，2006(76)：452-456．
[13] Ge Haifeng，TOMASEVICZ C L,，ASGARPOOR S． Optimum maintenance policy with inspection by semi-markov  decision processes[C]. 2007 North American Power Symposium(NAPS)：541-546.
[14] 蘇春,，周小荃．基于半馬爾科夫決策過程的風(fēng)力機(jī)狀態(tài)維修優(yōu)化[J]． 機(jī)械工程學(xué)報(bào)，2012,，48(2)：44-49．
[15] BYON E,，NTAIMO L，DING Y． Optimal maintenance strategies for wind turbine systems under stochastic weather conditions[J]． IEEE Transactions on Reliability,，2010,，59(2)：393-404．
[16] BYON E， DING Y． Season-dependent condition-based maintenance for a wind turbine using a partially observed  Markov decision process[J]． IEEE Transactions on Power Systems,，2010,，25(4)：1823-1834．