基于GA-PACO的海上風電場運維策略研究

余 梅，盛余洋，李紅陽，鄭悅林

(三峽大學 計算機與信息學院，湖北 宜昌 443002)

0 引言

近年來，我國風電產業發展迅速，海上風電運維難度遠遠高于陸上風電產業[1]，在我國屬于新興市場。截至2020年底，中國風電累計裝機容量達到2.82億kW，累計增長34.6%，其中陸上風電累計裝機2.71億kW，海上風電累計裝機899萬kW[2]。隨著風電場建設規模擴大，海上風電產業對運行維護服務提出了更高的要求。因此，為了提升海上風電的發電效益，亟需系統分析海上風電運維流程，仿真模擬海上風電運維系統，為提升海上風電運維能力提供決策依據。

傳統海上風電機組維修策略運用高斯統計法、馬爾可夫策略和蒙特卡羅等方法對海上氣象條件進行數學建模[3]和實景模擬，目前已有部分學者對海上風電場運維策略進行了相關研究。芮曉明等[4]和李明昕[5]采用馬爾可夫算法考慮海上風電場氣候條件對維修作業的影響，建立機會維修模型進行可靠性分析，對維修策略進行優化。王昕偉等[6]采用蒙特卡羅方法建立風電場多狀態故障模型，對風電場有功處理進行可靠性評估。以上研究僅考慮外在因素對運維策略的影響，缺乏對風電機組資源配置和船舶維修路徑等因素的考慮。本文從實際問題出發，將遺傳算法和蟻群算法相結合，從路徑規劃的角度解決運維策略優化問題。

關于遺傳算法和蟻群算法在海上風電場中的研究，湯亮亮等[7]解決輸電海纜路徑受風電場布局限制可能導致海纜隨意穿越風電場區域問題，使用改進的傳統蟻群算法對優化問題進行求解。趙東來等[8]針對大型海上風電場提出最優的區域劃分問題，設計了基于改進單親遺傳算法的海上風電場功率匯集系統拓撲結構優化模型。Alla等[9]綜合天氣和資源等影響因素，采用蟻群算法對風電場路由及維護調度進行優化。以上研究僅采用蟻群或遺傳算法解決風電場海纜路徑和功率匯集等問題。

還有一些學者通過改進算法對路徑規劃進行了優化。段敏[10]采用蒙特卡羅算法，提升路徑規劃的成功率，獲得變量近似模擬，并分析出最優路徑。屈新懷等[11]通過靠近目標粒子群算法對移動機器人進行路徑規劃，能跳出局部最優的狀態，并加快搜索速度和收斂速度。可見，通過算法的改進對路徑進行規劃，從而使運維策略優化具有可行性。

本文在改進的蟻群算法上融合遺傳算法，提出一種基于GA-PACO算法的海上風電場運維策略，解決海上風電場運維最優路徑問題。仿真實驗中，通過使用固定策略、傳統蟻群算法、文獻[10-11]和本文算法進行對比。實驗表明，GA-PACO算法能夠提供最優的運維路徑，從而提升風電場的發電效率。

1 理論方法

1.1 遺傳算法

傳統遺傳算法[12]在全局搜索和函數優化中具備優勢，適合解決離散性多變量多目標非線性優化問題，搜索初期速度較快，但在一段時間搜索之后，速度明顯下降，存在局部搜索能力差的缺陷。遺傳算法的基本流程如下：

步驟1：選擇最優個體

采用輪盤賭的方式選擇最優個體，即被選中的概率如下：

(1)

式中，f(xi)表示個體的適應度值。

步驟2：染色體中部分基因片段交叉

交叉操作是將染色體中的較優片段進行重組，進而形成新的個體的過程：

(2)

(3)

步驟3：自適應變異

變異操作能夠體現遺傳算法的局部搜索能力，并得出局部最優解，自適應變異的過程如下：

(4)

1.2 蟻群算法

蟻群算法[13]通過模擬螞蟻尋找食物的過程對算法進行優化，該算法的2個主要階段構成了信息素的更新，在模型初期效率較低，但在仿真一定次數之后能達到較高的效率，存在前期需要較長搜索時間和停滯不前的缺陷，蟻群算法的基本流程如下：

步驟1：狀態轉移

螞蟻的行走規則是螞蟻根據信息素濃度從當前節點選擇下一個需要移動的節點。設轉移概率為P，即由信息素更新后的濃度和啟發函數共同決定的轉移概率P如下：

(5)

步驟2：信息素規則

使用蟻群算法求解最優路徑[14]時，隨著時間推移，更多的螞蟻會在一條最短路徑上留下信息素，由于正反饋機制的存在，會導致蟻群算法始終處于局部最優值，需要利用揮發機制更新信息素。當進行迭代過程時，每條路徑信息素如下：

(6)

(7)

式中，Δτij(t)表示蟻群算法完成一次路徑搜索后的信息素總量；Q為常量；Lk表示螞蟻在此路徑上走的長度。

2 GA-PACO算法

本文提出的GA-PACO算法使用遺傳算法進行快速選取，為后續特征提取打下基礎；更新蟻群算法[15]的信息素分配，通過蟻群算法迭代，利用蟻群算法的正反饋機制，代替遺傳算法的部分個體，從而加快遺傳算法的迭代速度，實現局部最優解；將2種算法多次融合，由局部最優解交叉得出全局最優路徑。

2.1 引入啟發因子

傳統蟻群算法的啟發值ηij(t)，僅通過前后2個節點間距的倒數得出，無法體現目前節點與相同目標節點之間的聯系；而通過中心節點，形成局部搜索區間，僅能得出局部最優解。為解決以上問題，引入啟發因子，將下一節點j與最終節點z的間距融入啟發信息函數中，則引入啟發因子后的改進如下：

[ηij(t)]-1=γij(t)+γjz(t)，

(8)

式中，γij表示在t時刻，節點i與下一節點j的間距；γjz表示在t時刻，下一節點j與最終節點z的間距。融入γjz后，能使蟻群算法在搜索時目標更加明確，并能提升蟻群算法的收斂速度。改進后的轉移概率如下：

(9)

2.2 改進信息素算法性能

傳統的蟻群算法中，信息素揮發因子ρ對算法的性能影響較大，且在最優路徑和較差路徑上僅用相同信息素揮發因子ρ。當ρ較小時，會出現最優路徑和較差路徑的信息素濃度差異小的現象；當ρ較大時，二者之間的信息素揮發速度加快，信息素濃度的差異變大，極易陷入局部最優值。為了提升局部最優值的質量，本文將引入最優路徑的信息素和較差路徑的信息素，幫助螞蟻在搜索時找出最短路徑，以改進信息素算法性能。改進的信息素如下：

(10)

(11)

(12)

2.3 融合遺傳算法框架

融合遺傳算法和改進的蟻群算法[16]，即GA-PACO算法流程如圖1所示。前期使用遺傳算法先進行搜索并在合適的時候停止，能夠避免蟻群算法前期搜索過程比較耗時的現象發生；再使用蟻群算法，將遺傳算法得到的解作為蟻群算法的初始值，利用蟻群算法的正反饋機制找到問題的解。

圖1 GA-PACO算法Fig.1 GA-PACO algorithm

GA-PACO算法步驟如下：

步驟1：初始化遺傳算法的參數和染色體，保留當前時刻的全局最優。

步驟2：進行選擇、交叉和變異操作，將全局最優進行更新。

步驟3：當最優個體收斂或達到最大迭代次數時，符合終止條件，輸出次優解。

步驟4：根據改進的狀態轉移概率公式計算螞蟻下一步要達到的位置。

步驟5：根據最優路徑更新蟻群算法的信息素，初始化蟻群算法參數。

步驟6：計算螞蟻路徑長度，更新信息素。

步驟7：當最優個體收斂或達到最大迭代次數時，符合終止條件，輸出最優解。

3 仿真實驗

3.1 運維描述及目標

根據風機歷年故障的統計數據，按指數分布模擬任意時刻發生故障的概率，建立故障發生概率模型[17]，通過各部件的平均維修時間決定維修策略，機組各部件的平均維修時間如表1所示。

表1 機組各部件平均維修時間Tab.1 Average maintenance time of the components of unit

故障類型是導致風機平均維修時間不同的重要因素，根據平均維修時間將故障類型分為4類，如表2所示。

表2 海上風機故障類型Tab.2 Fault types of offshore wind turbines

運維示例如圖2所示。有T1，T2，T3和T4四臺風機，其中T1和T4的故障類型為Ⅰ型，其平均維修時間為4 h，T3為正常運行狀態，T2的故障類型為Ⅱ型，且平均維修時間為8 h。維修路徑為T1-T4-T2，其中t表示時間，W表示總發電量，R1表示從T1到T4船舶行駛時間，w1(0)和w2(0)分別表示在0時刻，風機T1和T2的發電量。其具體步驟如下：

圖2 運維示例Fig.2 Example of operation and maintenance

步驟1：t=0時，運維船到達T1。

步驟2：t=4時，T1維修結束，總發電量W=w1(0)。

步驟3：t=4+R1時，運維船到達T4。

步驟4：t=4+R1+4時，T4維修結束，總發電量W=∑w1(R1+4)+w2(0)。

現僅一艘運維船進行維護和維修，不考慮風速和浪高對船速的影響，且船沿直線行駛，其運維路徑的發電量計算如下：

(13)

3.2 模型設計

建模與仿真使用的仿真軟件為AnyLogic，該軟件將智能體置于港口和風電場環境中，建立智能體[18]之間的連接，海上風電運維仿真系統是運維船舶和風電機組等智能體行為交互的結果；同時，也提供數據計算和可視化展示的功能，為仿真數據的統計提供便利。

仿真海上風電場風機T1離岸約42 km，風機間距為3 km，風電場安裝80臺2 500 W的風力發電機組，海上風電場位置和狀態如圖3所示。

圖3 風機位置及狀態Fig.3 Location and status of turbines

3.3 算法路由對比

計算80臺和160臺2組風電機組，其具體參數設置為交通船1艘，員工和備品備件充足，海上風機平均維修時間如表3所示。

表3 海上風機平均維修時間Tab.3 Average maintenance time for offshore wind turbines

固定策略根據當前風機距下一風機的距離最近原則，得出固定策略維修路徑。本文將GA-PACO算法與固定策略、傳統蟻群算法、文獻[10-11]所用的運維策略進行對比[19]如表4和圖4～圖8所示。

表4 運維策略對比Tab.4 Comparison of operation and maintenance strategies

圖4 固定策略Fig.4 Fixed strategy

圖5 傳統蟻群算法Fig.5 Traditional ant colony algorithm

圖6 文獻[10]Fig.6 Reference[10]

圖7 文獻[11]Fig.7 Reference[11]

圖8 GA-PACO算法Fig.8 GA-PACO algorithm

根據運維描述的計算方式得出仿真80臺風機時，使用GA-PACO算法規劃路徑發電量為3 738 247.5 kW·h，仿真實驗中發現GA-PACO算法路徑長度雖比其他算法稍長，但優先維修距離相對較近且等待時間短的風機，能夠明顯提升風電機組發電量。

3.4 模型算法有效性驗證

(1) 80臺風機的研究

仿真系統計算80臺風電機組如表5所示，其具體參數設置為交通船1艘，員工和備品備件充足，一年的實際發電量Wf為277 037萬kW·h，一年時間內，80臺功率為2 500 W的風機的理想發電量Wp為279 912萬kW·h·風場一年時間的技術發電量可利用率(Technical Energy Availability,TEA)如下：

表5 仿真80臺風機Tab.5 Simulation of 80 turbines

(14)

80臺風機最優路線的綜合指標迭代如圖9所示。

圖9 80臺風機最優路線的綜合指標迭代Fig.9 Iterative diagram of comprehensive indicators for the optimal route of 80 wind turbines

(2) 160臺風機的研究

當風電機組的規模擴大到160臺，使用GA-PACO算法仿真一年的實際發電量Wf為548 963萬kW·h，一年時間內，80臺功率為2 500 W的風機的理想發電量Wp為559 824萬kW·h，由式(14)得出各算法的TEA如表6所示。

表6 仿真160臺風機Tab.6 Simulation of 160 turbines

160臺風機最優路線的綜合指標迭代如圖10所示。

圖10 160臺風機最優路線的綜合指標迭代Fig.10 Iterative diagram of comprehensive indicators for the optimal route of 160 wind turbines

由圖9和圖10繪制的最優路線[20]綜合指標迭代圖可以看出，本文算法的迭代次數更優于其他算法，且穩定的迭代次數率分別為31.86%和38.82%。根據理論發電量與實際發電量的差值，繪制80臺風機與160臺風機使用GA-PACO算法和其他算法的發電量差值對比如圖11所示。

圖11 發電量差值對比Fig.11 Comparison of power generation difference

由圖11可以看出，仿真80臺風機時，GA-PACO算法的發電量與理想發電量的差值最小，且發電量提升了1 821萬kW·h，TEA提升0.65%，迭代次數為36；仿真160臺風機時，發電量提升了2 386萬kW·h，TEA提升0.43%，迭代次數為66。由此得出，當風電場規模持續增大時，GA-PACO算法的期望收斂時間增大，即時間復雜度增大；算法中螞蟻數目的增多會使期望收斂時間減少，即時間復雜度減少。

4 結束語

本文針對海上風電機組故障，提出了一種基于GA-PACO算法的運維策略仿真模型，融合遺傳算法和改進的蟻群算法，應用于風電場領域，提高維修資源的利用，進而提升發電效率。

① 通過融合遺傳算法，使算法在模型初期提升效率，并進行全局搜索。

② 引入啟發因子和改進信息素算法策略，能使算法更好地找出最優路徑。

③ 通過仿真實驗，將本文算法與固定策略傳統蟻群策略、文獻[10-11]進行對比，本文算法能大幅提升收斂速度，并降低穩定后的迭代次數，提升搜索能力。

本文提出的GA-PACO算法在多因素下的綜合性能更高，并提供最優維護策略，同時也顯示了尋找最佳解決方案的有效性。