CN106647263B - 一种利用等劣化理论和设备风险的电力设备检修决策方法 - Google Patents
一种利用等劣化理论和设备风险的电力设备检修决策方法 Download PDFInfo
- Publication number
- CN106647263B CN106647263B CN201611089917.9A CN201611089917A CN106647263B CN 106647263 B CN106647263 B CN 106647263B CN 201611089917 A CN201611089917 A CN 201611089917A CN 106647263 B CN106647263 B CN 106647263B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- risk
- equipment
- formula
- overhaul
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力设备检修决策方法,尤其是涉及一种利用等劣化理论和设备风险的电力设备检修决策方法。本发明将等劣化理论引入电力行业,以充分考虑检修前后设备故障概率的变化,对检修前后设备风险变化进行分析对比,并考虑设备检修成本,来获取最优的检修方案。本发明从资产管理的角度出发,使设备全生命周期中所需成本降到最低,在设备自身价值和设备给***带来的经济效益之间,在LCCM和设备检修之间,以及在电力***的技术与管理之间寻找到了一个平衡点。
Description
技术领域
本发明涉及一种电力设备检修决策方法,尤其是涉及一种利用等劣化理论和设备风险的电力设备检修决策方法。
背景技术
“资产管理”一词现在被用来描述电力行业最具挑战性的问题之一。资产管理涉及电力设备的投资、操作、检修、更换和最终退役,包括发电、输电、配电设备。资本投入可靠性的降低,妨碍了企业在新设备上的投入,迫使企业不得不检修和运营日益老化的设备。而目前,检修方法基本可以分为2大类:故障后检修和预防性检修。而预防性检修又可以进一步的分为3个类别:定期检修、状态检修(CBM)和以可靠性为中心的检修(RCM)。其中,定期检修通常是一种保守和昂贵的方式,它的检修是以一个固定的时间间隔执行,存在着检修不足和检修过度的问题;状态检修是根据设备本身的状态进行检修安排,以节约成本,但并没有考虑设备检修安排对***运行可靠性的影响;RCM考虑了设备检修安排对***运行可靠性的影响,从电力***层面利用可靠性评估技术对维修活动进行优化,整体策略倾向于提高***的可靠性,而对于设备发生故障时所造成的严重后果并没有太多的考虑。在CBM和寿命周期成本管理(LCC)的发展过程中,设备风险评估由于能较为全面地考虑各种决策因素和结合各种方法的长处,逐渐受到了研究人员的重视。故而基于风险评估的检修(RBM)受到越来越多人的关注。
发明内容
本发明主要是针对目前关于设备检修策略的研究中存在着诸如忽略了设备检修对于设备故障率的影响以及设备在全寿命周期中可靠性在不断劣化的趋势等这类问题,将机械工程领域的设备等劣化理论引入到电力设备运行分析中,在此基础上,建立了设备基于风险的检修策略优化模型。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种利用等劣化理论和设备风险的电力设备检修决策方法,其特征在于,包括以下步骤:
步骤1,利用二参数威布尔分布分析设备故障率的变化趋势,具体是通过大量的历史数据,拟合得出二参数威布尔分布曲线,得出设备故障率关于时间的变化曲线,具体包括:
由二参数威布尔分布可以得出电力设备的失效率函数和可靠度函数分别为
则其失效概率密度函数和累积失效概率密度函数分别为
则MTBF可以用威布尔分布的均值来表示,得:
由等劣化理论可知
MTBFi,j=MTBF1,1×(1-r1)j-1×(1-r2)i-1 (6)
则将式(5)代入式(6)可得:
αi,j=α1,1×(1-r1)j-1×(1-r2)i-1 (7)
将式(7)代入式(2)可得各个检修周期的可靠度之间的关系如下式所示:
令则
Ri,j(t)=R1,1(t)N(i,j) (9)
显然,只需要知道第一个小修周期内的α1,1和β,其余大修小修周期内的可靠度都可按照该式进行求解;
再将式(9)代入(4),可得
Fi,j(t)=1-Ri,j(t)=1-R1,1(t)N(i,j) (10)
从而得出了各个检修周期的累积失效密度与第一个小修周期(即初始状态)的可靠度之间的关系;
步骤2,利用等劣化理论和役龄回退因子,分析在某时刻的执行检修时,检修前后设备故障率的变化,具体是:利用等劣化理论,得出各个检修周期的累积失效密度与第一个小修周期(即初始状态)的可靠度之间的关系,从而在已知当前为第几个大修周期的第几个小修周期的情况下,可以求出下一次检修采用大修或小修后,设备的故障率变化曲线;然后根据役龄回退因子,求取得出下一次检修后设备的实际役龄,从而得出下一次检修后设备的故障率,具体是:
检修前后的风险为
Risk1为检修前风险,Risk2为检修后风险;式中,y∈{0,1},其中y=1表示检修采取大修,y=0表示检修采取小修;T1为检修前的实际服役年龄;T2为检修后的实际服役年龄;t为所取的风险考核期;
由于设备在经过检修后,其实际服役年龄会减小,但检修效果毕竟有限,不可能将设备完全修复如新,所以式(16)中的T2无法很好的确定,为此,引入役龄回退因子αm来判断设备的实际役龄;役龄回退因子是表征检修对实际役龄减小的程度;大修是对设备整体的修复和维护,取役龄回退因子αm=0.8;小修表示设备部件、功能块的检修或更换等,取αm=0.5;故役龄回退因子αm可综合表示为
αm=0.5+0.3×y (13)
则检修后实际役龄可表示为
tafter=tbefore×(1-αm) (14)
式中,tbefore为检修前时刻设备实际役龄;
则式(15)可改写为
Risk1=L-M1×L (15)
式中:
T1不再是检修前的实际役龄,而是上一次检修后设备的实际役龄;t1表示上一次检修后与本次安排的检修之间的时间间隔;t为所取的风险考核期;
同样,式(16)可改写为
Risk2=L-M2×L (16)
式中:
利用式(19)和式(20)即可求出检修前后的设备风险;
步骤3,根据检修前后的设备故障率得出检修前后的设备风险,然后根据检修前后的设备风险降低量和检修成本,分析得出最优的检修方案,根据设备在电网中的位置,确定设备故障可能导致的损失;然后根据检修前后设备的故障率分别计算出检修前后的设备风险;最后根据设备风险的降低量和检修的成本,决策出最优检修方案。
在上述的一种利用等劣化理论和设备风险的电力设备检修决策方法,所述步骤3,决策出最优检修方案具体包括;
检修决策标准为效益/成本比方式;具体公式如下所示:
式中,Risk1即为式(19)的计算结果;Risk2即为式(20)的计算结果;
成本Cost为
Cost=y×C1+(1-y)×C2 (18)
式中,C1为大修成本;C2为小修成本;
则,目标函数为:
其中:
所述目标函数基于以下约束条件:
约束条件一:风险阀值约束
在上一次检修之后到本次安排的检修之前这段期间,风险在这个期间随故障率的不断增大而不断变大,故只需取本次安排的检修之前时刻的风险,使其小于风险阀值即可,即
Risk1<Riskth
需注意的是此风险阀值是一个累积风险阀值,因本文中所计算的风险都是计算时刻之后时间t内的累积风险,故此风险阀值在数值上会显得比较大;
约束条件二:服役上限约束
任何设备都是有自己的服役上限的,到了一定年限,就需要报废更换,所以设备的服役年龄需要小于其服役上限,即
T1+t1<Tth。
在上述的一种利用等劣化理论和设备风险的电力设备检修决策方法,所述步骤3中,检修决策基于遗传算法进行获得最优检修方案,过程如下:
步骤3.1、随机生成一个种群,种群中每个个体为设备检修类别和检修时间的结合;例如,个体用二进制表示,一共6位;第1位表示设备检修类别,0为小修,1为大修;后5位表示设备检修时间;
步骤3.2、从种群中取一个个体;
步骤3.3、对该个体进行约束条件判断,若满足,进行步骤步骤3.4,如不满足,直接赋予一个较大值作为该检修方案对应的适应度,返回执行步骤3.2;
步骤3.4、个体满足约束条件后,计算该个体对应的目标函数,然后乘以-1作为该个体对应的适应度;当达到最大迭代次数,或最优解的适应度值在给定的迭代次数内不再变化,则结束,并以适应度最小的个体对应的设备检修类别和检修时间作为检修的决策结果,否则,进行交叉、变异,生成新的种群,返回执行步骤步骤3.2。
因此,本发明具有如下优点:充分考虑了检修前后设备故障概率的变化,并结合成本计算使设备全生命周期成本最低,在满足设备可靠性的条件下在经济性上达到最优。
具体实施方式
下面通过实施例,对本发明的技术方案作进一步具体的说明。
实施例:
下面是采用本发明的具体实施例的步骤,如下:
一、推导得出各个检修周期的累积失效密度与第一个小修周期(即初始状态)的可靠度之间的关系
由二参数威布尔分布可以得出电力设备的失效率函数和可靠度函数分别为
则其失效概率密度函数和累积失效概率密度函数分别为
则MTBF可以用威布尔分布的均值来表示,得:
由等劣化理论可知
MTBFi,j=MTBF1,1×(1-r1)j-1×(1-r2)i-1 (25)
则将式(24)代入式(25)可得:
αi,j=α1,1×(1-r1)j-1×(1-r2)i-1 (26)
将式(26)代入式(21)可得各个检修周期的可靠度之间的关系如下式所示:
令则
Ri,j(t)=R1,1(t)N(i,j) (28)
显然,只需要知道第一个小修周期内的α1,1和β,其余大修小修周期内的可靠度都可按照该式进行求解。
再将式(28)代入(23),可得
Fi,j(t)=1-Ri,j(t)=1-R1,1(t)N(i,j) (29)
从而得出了各个检修周期的累积失效密度与第一个小修周期(即初始状态)的可靠度之间的关系。
二、计算检修前后的设备风险
风险的定义式为
Risk=P×L (30)
根据可靠性函数的定义和条件概率的概念可以得出故障发生率的表达式为
将式(29)代入上式可得
将上式代入式(30)可得
则检修前后的风险为
Risk1为检修前风险,Risk2为检修后风险;式中,y∈{0,1},其中y=1表示检修采取大修,y=0表示检修采取小修;T1为检修前的实际服役年龄;T2为检修后的实际服役年龄;t为所取的风险考核期。
由于设备在经过检修后,其实际服役年龄会减小,但检修效果毕竟有限,不可能将设备完全修复如新,所以式(35)中的T2无法很好的确定,为此,引入役龄回退因子αm来判断设备的实际役龄。役龄回退因子是表征检修对实际役龄减小的程度。大修是对设备整体的修复和维护,取役龄回退因子αm=0.8;小修表示设备部件、功能块的检修或更换等,取αm=0.5。故役龄回退因子αm可综合表示为
αm=0.5+0.3×y (36)
则检修后实际役龄可表示为
tafter=tbefore×(1-αm) (37)
式中,tbefore为检修前时刻设备实际役龄。
则式(34)可改写为
Risk1=L-M1×L (38)
式中:
T1不再是检修前的实际役龄,而是上一次检修后设备的实际役龄;t1表示上一次检修后与本次安排的检修之间的时间间隔;t为所取的风险考核期。
同样,式(35)可改写为
Risk2=L-M2×L (39)
式中:
利用式(38)和式(39)即可求出检修前后的设备风险。
三、决策出最优检修方案
在此,检修决策标准为效益/成本比方式。具体公式如下所示:
式中,Risk1即为式(38)的计算结果;Risk2即为式(39)的计算结果。
成本Cost为
Cost=y×C1+(1-y)×C2 (41)
式中,C1为大修成本;C2为小修成本。
综上所述,目标函数为
其中:
约束条件为
(1)风险阀值约束
在上一次检修之后到本次安排的检修之前这段期间,风险在这个期间随故障率的不断增大而不断变大,故只需取本次安排的检修之前时刻的风险,使其小于风险阀值即可,即
Risk1<Riskth
需注意的是此风险阀值是一个累积风险阀值,因本文中所计算的风险都是计算时刻之后时间t内的累积风险,故此风险阀值在数值上会显得比较大。
(2)服役上限约束
任何设备都是有自己的服役上限的,到了一定年限,就需要报废更换,所以设备的服役年龄需要小于其服役上限,即
T1+t1<Tth
由此可以看出,检修决策是一个复杂的决策问题,故此借助遗传算法进行求解。具体求解过程如下:
1)随机生成一个种群,种群中每个个体为设备检修类别和检修时间的结合。例如,个体用二进制表示,一共6位。第1位表示设备检修类别,0为小修,1为大修;后5位表示设备检修时间。
2)从种群中取一个个体。
3)对该个体进行约束条件判断,若满足,进行步骤4,如不满足,直接赋予一个较大值作为该检修方案对应的适应度,返回执行步骤2。
4)个体满足约束条件后,计算该个体对应的目标函数,然后乘以-1作为该个体对应的适应度。
5)当达到最大迭代次数,或最优解的适应度值在给定的迭代次数内不再变化,则结束,并以适应度最小的个体对应的设备检修类别和检修时间作为检修的决策结果,否则,进行交叉、变异,生成新的种群,返回执行步骤2。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种利用等劣化理论和设备风险的电力设备检修决策方法,其特征在于,包括以下步骤:
步骤1,利用二参数威布尔分布分析设备故障率的变化趋势,具体是通过大量的历史数据,拟合得出二参数威布尔分布曲线,得出设备故障率关于时间的变化曲线,具体包括:
由二参数威布尔分布可以得出电力设备的失效率函数和可靠度函数分别为
则其失效概率密度函数和累积失效概率密度函数分别为
则MTBF可以用威布尔分布的均值来表示,得:
由等劣化理论可知
MTBFi,j=MTBF1,1×(1-r1)j-1×(1-r2)i-1 (6)
则将式(5)代入式(6)可得:
αi,j=α1,1×(1-r1)j-1×(1-r2)i-1 (7)
将式(7)代入式(2)可得各个检修周期的可靠度之间的关系如下式所示:
令则
Ri,j(t)=R1,1(t)N(i,j) (9)
显然,只需要知道第一个小修周期内的α1,1和β,其余大修小修周期内的可靠度都可按照该式进行求解;
再将式(9)代入(4),可得
Fi,j(t)=1-Ri,j(t)=1-R1,1(t)N(i,j) (10)
从而得出了各个检修周期的累积失效密度与第一个小修周期(即初始状态)的可靠度之间的关系;
步骤2,利用等劣化理论和役龄回退因子,分析在某时刻的执行检修时,检修前后设备故障率的变化,具体是:利用等劣化理论,得出各个检修周期的累积失效密度与第一个小修周期的可靠度之间的关系,从而在已知当前为第几个大修周期的第几个小修周期的情况下,可以求出下一次检修采用大修或小修后,设备的故障率变化曲线;然后根据役龄回退因子,求取得出下一次检修后设备的实际役龄,从而得出下一次检修后设备的故障率,具体是:
检修前后的风险为
Risk1为检修前风险,Risk2为检修后风险;式中,y∈{0,1},其中y=1表示检修采取大修,y=0表示检修采取小修;T1为检修前的实际服役年龄;T2为检修后的实际服役年龄;t为所取的风险考核期;
由于设备在经过检修后,其实际服役年龄会减小,但检修效果毕竟有限,不可能将设备完全修复如新,所以式(12)中的T2无法很好的确定,为此,引入役龄回退因子αm来判断设备的实际役龄;役龄回退因子是表征检修对实际役龄减小的程度;大修是对设备整体的修复和维护,取役龄回退因子αm=0.8;小修表示设备部件、功能块的检修或更换等,取αm=0.5;故役龄回退因子αm可综合表示为
αm=0.5+0.3×y (13)
则检修后实际役龄可表示为
tafter=tbefore×(1-αm) (14)
式中,tbefore为检修前时刻设备实际役龄;
则式(11)可改写为
Risk1=L-M1×L (15)
式中:
T1不再是检修前的实际役龄,而是上一次检修后设备的实际役龄;t1表示上一次检修后与本次安排的检修之间的时间间隔;t为所取的风险考核期;
同样,式(12)可改写为
Risk2=L-M2×L (16)
式中:
利用式(15)和式(16)即可求出检修前后的设备风险;
步骤3,根据检修前后的设备故障率得出检修前后的设备风险,然后根据检修前后的设备风险降低量和检修成本,分析得出最优的检修方案,根据设备在电网中的位置,确定设备故障可能导致的损失;然后根据检修前后设备的故障率分别计算出检修前后的设备风险;最后根据设备风险的降低量和检修的成本,决策出最优检修方案。
2.根据权利要求1所述的一种利用等劣化理论和设备风险的电力设备检修决策方法,其特征在于,所述步骤3,决策出最优检修方案具体包括;
检修决策标准为效益/成本比方式;具体公式如下所示:
式中,Risk1即为式(15)的计算结果;Risk2即为式(16)的计算结果;
成本Cost为
Cost=y×C1+(1-y)×C2 (18)
式中,C1为大修成本;C2为小修成本;
则,目标函数为:
其中:
所述目标函数基于以下约束条件:
约束条件一,风险阀值约束:在上一次检修之后到本次安排的检修之前这段期间,风险在这个期间随故障率的不断增大而不断变大,故只需取本次安排的检修之前时刻的风险,使其小于风险阀值即可,即
Risk1<Riskth
此处风险阀值是一个累积风险阀值,上述风险为计算时刻之后时间t内的累积风险,故此风险阀值在数值上会显得比较大;
约束条件二,服役上限约束:任何设备都是有自己的服役上限的,到了一定年限,就需要报废更换,所以设备的服役年龄需要小于其服役上限,即
T1+t1<Tth。
3.根据权利要求1所述的一种利用等劣化理论和设备风险的电力设备检修决策方法,其特征在于,所述步骤3中,检修决策基于遗传算法进行获得最优检修方案,过程如下:
步骤3.1、随机生成一个种群,种群中每个个体为设备检修类别和检修时间的结合;例如,个体用二进制表示,一共6位;第1位表示设备检修类别,0为小修,1为大修;后5位表示设备检修时间;
步骤3.2、从种群中取一个个体;
步骤3.3、对该个体进行约束条件判断,若满足,进行步骤步骤3.4,如不满足,直接赋予一个较大值作为该检修方案对应的适应度,返回执行步骤3.2;
步骤3.4、个体满足约束条件后,计算该个体对应的目标函数,然后乘以-1作为该个体对应的适应度;当达到最大迭代次数,或最优解的适应度值在给定的迭代次数内不再变化,则结束,并以适应度最小的个体对应的设备检修类别和检修时间作为检修的决策结果,否则,进行交叉、变异,生成新的种群,返回执行步骤步骤3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089917.9A CN106647263B (zh) | 2016-12-01 | 2016-12-01 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089917.9A CN106647263B (zh) | 2016-12-01 | 2016-12-01 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106647263A CN106647263A (zh) | 2017-05-10 |
CN106647263B true CN106647263B (zh) | 2019-11-26 |
Family
ID=58814576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611089917.9A Active CN106647263B (zh) | 2016-12-01 | 2016-12-01 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106647263B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220712B (zh) * | 2017-05-15 | 2021-11-26 | 中国电力科学研究院 | 一种基于马尔科夫过程的换流阀状态监测和检修决策的方法及*** |
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及*** |
CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
CN108764494A (zh) * | 2018-05-15 | 2018-11-06 | 中山职业技术学院 | 车辆定期维护管理***及其维护措施决策方法、计算机可读存储介质 |
CN108764495A (zh) * | 2018-05-15 | 2018-11-06 | 中山职业技术学院 | 一种车辆维修方案的决策方法及其计算机可读存储介质 |
CN109376959A (zh) * | 2018-12-05 | 2019-02-22 | 广东电网有限责任公司 | 一种配电终端检修时间预估方法及装置 |
CN109670550B (zh) * | 2018-12-20 | 2021-08-24 | 南方电网电力科技股份有限公司 | 一种配电终端检修决策方法和装置 |
CN110619395A (zh) * | 2019-08-27 | 2019-12-27 | 武汉科技大学 | 一种回收产品重用的产品配置方法 |
CN110751297A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种劣化***的智能保障方法 |
CN112200451B (zh) * | 2020-10-09 | 2024-05-14 | 深圳市出新知识产权管理有限公司 | 空气预热器的检修周期计算方法和检修周期计算装置 |
CN113222286B (zh) * | 2021-06-01 | 2024-01-09 | 国网经济技术研究院有限公司 | 设备检修策略优化方法及装置、存储介质 |
CN116151808A (zh) * | 2023-04-19 | 2023-05-23 | 国网天津市电力公司城南供电分公司 | 一种基于风险评估的配电设备状态检修方法 |
CN116862480B (zh) * | 2023-08-30 | 2024-02-13 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104917085A (zh) * | 2015-06-17 | 2015-09-16 | 云南电网有限责任公司昆明供电局 | 一种优化可靠性与经济性的变压器检修决策方法 |
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN106485596A (zh) * | 2016-09-27 | 2017-03-08 | 华北电力大学 | 一种配电设备检修策略优化方法 |
CN107909249A (zh) * | 2017-10-27 | 2018-04-13 | 国网浙江省电力公司经济技术研究院 | 基于最小累积风险度的电网等风险检修决策方法及*** |
-
2016
- 2016-12-01 CN CN201611089917.9A patent/CN106647263B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN104917085A (zh) * | 2015-06-17 | 2015-09-16 | 云南电网有限责任公司昆明供电局 | 一种优化可靠性与经济性的变压器检修决策方法 |
CN106485596A (zh) * | 2016-09-27 | 2017-03-08 | 华北电力大学 | 一种配电设备检修策略优化方法 |
CN107909249A (zh) * | 2017-10-27 | 2018-04-13 | 国网浙江省电力公司经济技术研究院 | 基于最小累积风险度的电网等风险检修决策方法及*** |
Non-Patent Citations (5)
Title |
---|
Condition-based Maintenance Decision-making Model for Power System Based on Master-slave Association Sets Decomposition;Lijin Zhao 等;《IEEE》;20170403;全文 * |
一种优化可靠性与经济性的变压器检修决策方法;袁峻 等;《南方电网技术》;20151231;第9卷(第7期);全文 * |
基于电力设备全寿命周期成本最优的检修策略研究;马仲能 等;《电力***保护与控制》;20110816;第39卷(第16期);全文 * |
基于等劣化理论和设备风险的检修策略优化;邓旭阳 等;《电测与仪表》;20170310;第54卷(第5期);全文 * |
基于风险综合评判的设备状态检修决策优化;潘乐真 等;《电力***自动化》;20100610;第34卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106647263A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647263B (zh) | 一种利用等劣化理论和设备风险的电力设备检修决策方法 | |
Syan et al. | Maintenance applications of multi-criteria optimization: A review | |
Ding et al. | Opportunistic maintenance for wind farms considering multi-level imperfect maintenance thresholds | |
Van et al. | Condition‐based maintenance with imperfect preventive repairs for a deteriorating production system | |
Haddad et al. | Using maintenance options to maximize the benefits of prognostics for wind farms | |
Wu et al. | Proactive maintenance scheduling in consideration of imperfect repairs and production wait time | |
CN107862463A (zh) | 用于调度电厂的负载的方法和控制*** | |
JPWO2019059321A1 (ja) | 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム | |
Lapkina et al. | Estimation of fluctuations in the performance indicators of equipment that operates under conditions of unstable loading | |
CN109213098B (zh) | 调整运行参数的方法、装置、电子设备和计算机可读介质 | |
Huang et al. | A maintenance and energy saving joint control scheme for sustainable manufacturing systems | |
WO2012029154A1 (ja) | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 | |
Geng et al. | Opportunistic maintenance for multi-component systems considering structural dependence and economic dependence | |
CN106503814B (zh) | 一种计及可靠性的配电变压器组年度检修计划生成方法 | |
Wang et al. | An imperfect age-based and condition-based opportunistic maintenance model for a two-unit series system | |
Liao | Joint production and maintenance strategy for economic production quantity model with imperfect production processes | |
JP2008015775A (ja) | プラントの保全支援システムおよびその保全支援方法 | |
Singh et al. | Wind Turbine Optimal Preventive Maintenance Scheduling Using Fibonacci Search and Genetic Algorithm | |
Said et al. | Modeling failure process and quantifying the effects of multiple types of preventive maintenance for a repairable system | |
Ramírez et al. | Decision support for life extension of technical systems through virtual age modelling | |
Han et al. | Remaining useful life prediction of manufacturing system based on fuzzy Quality State Task Network | |
Wang et al. | Reinforcement learning based predictive maintenance for a machine with multiple deteriorating yield levels | |
Zaldivar et al. | A comprehensive methodology for the optimization of condition-based maintenance in power transformer fleets | |
Zhi-Qiang et al. | Performance degradation modeling for multi-state element considering aging factor | |
Fu et al. | Preventive maintenance optimization of aperiodic multiple component-reassignments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |