摘  要： 綜述了基于馬爾科夫過程的風電機組檢修策略。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)用于風電機組檢修中的可行性；然后分別從基于風電機組運行可靠性最優(yōu)策略建立可靠性模型和基于維護成本最優(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，總結(jié)了國內(nèi)外學者基于馬爾科夫過程理論對風電機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行整臺風電機組優(yōu)化檢修和風電場多臺機組聯(lián)合檢修是未來的研究趨勢。
關(guān)鍵詞： 風電機組； 馬爾科夫過程； 可靠性模型； 老化模型； 檢修策略

    風能作為一種蘊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。風力發(fā)電產(chǎn)業(yè)迅速發(fā)展，特別是近幾年來，風電總裝機容量大幅增加。隨著風力發(fā)電行業(yè)的快速增長，高故障率和高維護成本制約著風電產(chǎn)業(yè)的發(fā)展,因此有必要對風電機組的檢修策略進行研究。目前風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)備進行檢修，沒有考慮到設(shè)備實際的運行狀況，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)致檢修費用過高等后果。因此研究新的檢修策略來合理地維護風電機組成為行業(yè)研究熱點。
    風電機組的狀態(tài)轉(zhuǎn)移是一個隨機過程。大多數(shù)工程現(xiàn)象都可以用隨機過程來描述。1906年，俄國數(shù)學家MARKOV A A最早提出并研究了一種能用數(shù)學分析方法研究自然過程的一般圖式——馬爾科夫鏈，同時開創(chuàng)了對一種無后效性的隨機過程——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)的隨機過程，是對風電機組運行狀態(tài)建模的有力工具。目前已有一些國內(nèi)外學者將馬爾科夫過程理論應(yīng)用在風力發(fā)電機的檢修中，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。本文主要從這兩個方面對馬爾科夫過程理論在風力發(fā)電機組檢修策略中的應(yīng)用現(xiàn)狀進行介紹和評述，并提出了在今后研究該問題時值得關(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
    已知時刻t系統(tǒng)所處的狀態(tài)，在時刻以后，系統(tǒng)的變化情況與以前系統(tǒng)所處的狀態(tài)無關(guān)的隨機過程稱為馬爾科夫過程。時間和狀態(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動態(tài)系統(tǒng)，序貫地作出決策。即根據(jù)每個時刻觀察到的狀態(tài)，從可用的行動集合中選用一個行動作出決策，系統(tǒng)下一步隨機地轉(zhuǎn)移到一個新的狀態(tài)，相應(yīng)給予決策者一個報酬。決策者根據(jù)新觀察到的狀態(tài)作新的決策，依此反復(fù)地進行[2]。風力發(fā)電機組檢修的目標是成本最優(yōu)，那么利用MDP就是要求出成本最小的策略。但是考慮到風力發(fā)電機的各個老化狀態(tài)的停留時間服從一定分布，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)，但能利用隨機環(huán)境中部分觀察到的信息進行決策[3]。風力發(fā)電機組部件的狀態(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。描述此信號傳達的信息，就是指定一個關(guān)于實際狀態(tài)的概率向量代表對相應(yīng)的真實狀態(tài)的一個信念，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電機組的可靠性模型
     可靠性模型的建立通常是為了對所研究的系統(tǒng)的可靠性進行量化評估，制定適當?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]，下面介紹其用于風力發(fā)電機組相關(guān)系統(tǒng)的可靠性建模的方法。
    參考文獻[8]對風力發(fā)電機組的電氣系統(tǒng)進行拆分，分別建立了感應(yīng)發(fā)電機、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力發(fā)電機組電氣系統(tǒng)的可靠性模型。
    參考文獻[9]基于參考文獻[8]中可靠性建模的方法，以雙饋風力發(fā)電機為例，根據(jù)風力發(fā)電機組各子系統(tǒng)之間的功能關(guān)系將其拆分為幾個模塊，假設(shè)子系統(tǒng)下的各個部件只有正常和故障兩種狀態(tài)，運用馬爾科夫過程數(shù)學模型和可靠性理論建立風力發(fā)電機組的可靠性模型，在此基礎(chǔ)上構(gòu)造風電機組老化和隨機故障后全面修復(fù)的維修模型，從而制定風電機組可靠性最優(yōu)時的維修策略。

3 基于馬爾科夫鏈建立老化模型
    將風力發(fā)電機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，可以達到優(yōu)化檢修成本的目的。
    參考文獻[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為該隨機故障，?姿0為其轉(zhuǎn)移率，?姿為兩個老化階段間的轉(zhuǎn)移率。通過確定設(shè)備老化過程中的維修動作和檢測時間間隔，獲得最小運行維護成本。最后將該方法應(yīng)用到風電機組齒輪箱的優(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。

    也有學者將維修狀態(tài)納入到老化模型中[12-13]，參考文獻[9]基于之前提到的可靠性模型計算出整機的故障率和修復(fù)率后，提出了一個整機老化和隨機故障后全面修復(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分別表示整機系統(tǒng)在各個老化階段內(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，進而列出各狀態(tài)的穩(wěn)態(tài)方程，風力發(fā)電機組正常工作的概率最高時為可靠性最高，由此計算出風力發(fā)電機組可靠度最優(yōu)時的預(yù)防性維修平均時間間隔。

    以上的研究主要考慮了機組本身的老化特點，而在風力發(fā)電機的實際檢修工作中，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間。因此，有部分學者將其作為影響因子引入到檢修策略分析中。
　參考文獻[14]考慮風速對維修動作的限制，在檢修時間函數(shù)中引入?yún)?shù)來表示風速小于預(yù)防性維修和故障后維修的最大允許風速的概率。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，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，以某風力機齒輪箱為例，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[15]研究在隨機天氣條件下運行的風力機最佳維修策略?？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力發(fā)電機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)策略的閉式表達式，由此得出檢修成本最優(yōu)策略區(qū)域圖。
    參考文獻[16]提出了一個考慮季節(jié)交替的動態(tài)狀態(tài)檢修策略，即在不同時期，對不同的故障模式分別引入?yún)?shù)來表示在該時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，即將隨機故障細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)。建立一個部分可觀察馬爾科夫模型來描述該問題，以獲得風力發(fā)電機組的整個壽命期的最小運行與維護成本。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)變化影響的靜止狀態(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行維護成本上具有明顯優(yōu)勢。

4 展望與進一步研究
    現(xiàn)有的研究在建立基于馬爾科夫鏈的老化模型時，考慮了自然老化狀態(tài)、隨機故障狀態(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，但卻無法形成一個故障狀態(tài)相對完善的機組狀態(tài)模型。而風力發(fā)電機組作為一個復(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，可以根據(jù)專家經(jīng)驗并結(jié)合人工智能方法處理歷史數(shù)據(jù)，選擇對機組運行影響較大的故障，分析故障間的關(guān)系，以此來建立狀態(tài)模型對優(yōu)化檢修策略更具實際意義。
　從國內(nèi)外基于馬爾科夫過程的風電機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組，甚至是某個部件，如齒輪箱。對于當前風力發(fā)電機組檢修所面臨的困難，如每次維修停機造成的生產(chǎn)損失、拆裝花費的巨額成本等，僅考慮某臺機組或某一個部件的最低檢修成本是遠遠不夠的。而隨著海上風電場的快速發(fā)展，聯(lián)合維護多臺機組以更大程度地節(jié)約檢修成本，對未來風電行業(yè)的發(fā)展具有重要意義。
    大型風電機組由多種元部件構(gòu)成，它們之間的相互耦合關(guān)系構(gòu)成了一個復(fù)雜的網(wǎng)絡(luò)。在評估其狀態(tài)時可以通過將復(fù)雜網(wǎng)絡(luò)理論與馬爾科夫過程理論相結(jié)合，建立一個涵蓋多臺風電機組的綜合狀態(tài)模型。如何將此思想應(yīng)用到多臺風電機組組成的系統(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力發(fā)電機組聯(lián)合檢修的優(yōu)化策略，是一個值得思考的方向。
參考文獻
[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展[J]．計算機工程與設(shè)計，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]．中國電機工程學報，2003，23(9)：53-56．
[5] 孫福壽， 汪雄海． 一種分析繼電保護系統(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．風力發(fā)電機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力機狀態(tài)維修優(yōu)化[J]． 機械工程學報，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．