| dc.description.abstract | I løpet av de siste tiårene har havvindparker utviklet seg betydelig og flere nye parker er under planlegging. Denne veksten er hovedsakelig forårsaket av at elektrisitetsproduksjonen offshore er høyere enn på land fordi gjennomsnittlig vindhastighet er høyere på havet. Det kreves imidlertid mer ressurser og infrastruktur for å installere og vedlikeholde offshore vindturbiner, noe som resulterer i høyere drifts-, installasjons- og vedlikeholdskostnader for havvindparker. Drift og vedlikehold bidrar til en høy prosentandel av totalkostnaden. Disse kostnadene kan reduseres ved å gjøre vedlikeholdsaktivitetene mer effektive ved å optimalisere vedlikehold fartøysruting og vedlikeholdsplaner. Videre brukes prediktivt vedlikehold for å maksimere ressursutnyttelsen ved å redusere overgangstider, planlagt og ikke-planlagt nedetid og ved å øke utstyrsytelsen. Ettersom kompleksiteten til systemene øker, vil gapet mellom eksisterende optimaliseringsmodeller for ruting og planlegging, og prediktive vedlikeholdsmodeller øke. Så langt ser det ut til at det ikke finnes noen standardisert metode eller utprøvd teknikk for å bygge bro over dette gapet. Hovedmålet med denne masteroppgaven er derfor å foreslå metoder for å kombinere optimaliseringsmodeller for ruting og planlegging, med prediktive vedlikeholdsmodeller for vedlikehold av havvindparker.
For å nå hovedmålet er det viktig å ha kunnskap innen prognostisk modellering og optimaliseringsmodellering. Spesialiseringsprosjektet (Lien, 2021) fokuserte på å tilegne seg kunnskap og praktisk erfaring innen feltet prognose og degraderingsmodellering. For å få kunnskap om optimaliseringsmodeller for ruting og planlegging ved havvindparker, gjennomføres først en litteraturgjennomgang. Videre er det laget en enkel optimaliseringsmodell for ruting og planlegging for å få litt erfaring innenfor dette feltet. Før optimeringsmodellen ble opprettet, har logistikkdataen som ble levert av et eksternt selskap blitt behandlet på ulike måter for å finne daglige værvinduer som samsvarer med gitte begrensninger og for å finne den korteste veien mellom alle turbinene. Målet med denne optimeringsmodellen er å minimere antall dager offshore på en havvindpark under visse begrensninger. Et optimalt resultat kan ikke oppnås innen rimelig tid når modellen tar hensyn til alle turbinene i parken og et helt år. Derfor er modellen delt i tre og suboptimalisert i stedet.
Etter at kunnskap og erfaring var opparbeidet innen begge felt, kunne hovedmålet angripes. En katalog som består av fire forskjellige tilnærminger for å kombinere optimaliseringsmodeller med prediktive vedlikeholdsmodeller presenteres. Deretter lages et casestudie fra en av disse tilnærmingene. Resultatene fra denne rapportens optimaliseringsmodell brukes som tidsvinduer for å utføre vedlikehold, og den prediktive vedlikeholdsmodellen fra spesialiseringsprosjektet brukes til å lage tidsplaner basert på tilstanden og forventet gjenværende brukstid (RUL) for hver turbin. Dette stokastiske programmeringsproblemet tar et rullende horisontperspektiv i betraktning når vedlikeholdet planlegges. Hovedrisikoen er at den daglige kapasiteten kan bli overskredet fordi mange turbiner blir utsatt til slutten av vedlikeholdsperioden. Problemet er at de stokastiske parameterne som forventet vær og degraderingsbaner kan endre seg underveis. For å håndtere dette problemet foreslås fire ulike heuristikker for å redusere risikoen for å overskride den daglige kapasiteten på en gitt dag. De tillater fortsatt en relativt fleksibel tilstandsbasert tidsplan slik at friske turbiner kan utsettes, og syke turbiner kan flyttes tidligere. Heuristikkene vurderer vindturbinene som en del av et større nettverk i stedet for å vurdere dem individuelt for å redusere totalkostnaden. De eneste varierende faktorene mellom de fire heuristikkene er lengden på perioden hvor noen turbiner må vedlikeholdes innenfor, og antall turbiner som må vedlikeholdes innenfor denne perioden. Resultatene fra å kjøre modellene for de fire heuristikkene viser at den foreslåtte tilnærmingen er bedre enn å ta en konservativ tilnærming som planlegger alle turbiner ved den første og beste muligheten man får. | |
| dc.description.abstract | During the last decades, offshore wind farms have been developing significantly and several new farms are being planned. This growth is mainly caused by the fact that the electricity production offshore is higher than onshore because the average wind speed is higher at sea. However, more resources and infrastructures are required to install and maintain offshore wind turbines, resulting in higher operation, installation, and maintenance costs for offshore wind farms. Operations and maintenance contribute to a high percentage of the total cost. These costs can be reduced by making the maintenance activities more efficient by optimizing maintenance vessel routing and maintenance schedules. Furthermore, predictive maintenance is used to maximize asset utilization by reducing changeover times and planned and unplanned downtime, and by increasing equipment performance. As the complexity of systems increases, the gap between existing optimization models for routing and scheduling, and predictive maintenance models will increase. So far, there seems to be no standardized method or proven technique to completely bridge this gap. Therefore, the main objective of this master’s thesis is to suggest methods for combining optimization models for routing and scheduling with PdM models for offshore wind farm maintenance.
To reach the main objective, it is important to have knowledge within prognostics modeling and optimization modeling. The specialization project (Lien, 2021) focused on gaining knowledge and practical experience within the field of prognostics and degradation modeling. To gain knowledge about optimization models for routing and scheduling at offshore wind farms, a literature review is conducted. Furthermore, a simple optimization model for routing and scheduling has been created to gain some experience within this field. Before creating the optimization model, logistics data which was provided by an external company has been treated in various ways to find daily weather windows that comply with given constraints and to find the shortest path between all the turbines. The objective of this model is simply to minimize the number of days offshore at an offshore wind farm under certain constraints. An optimal result cannot be obtained within a reasonable amount of time when the model considers all the turbines at the farm and an entire year. Therefore, the model is divided into three and is sub-optimized instead.
After knowledge and experience were gained within both fields, the main objective could be tackled. A catalog comprising of four different approaches for combining optimization models with predictive maintenance models is presented. Then, a case study is made from one of these approaches. The results from this report's optimization model are used as the time windows for performing maintenance, and the predictive maintenance model from the specialization project is used to create schedules based on the condition and the expected remaining useful lifetime (RUL) of each turbine. This stochastic programming problem considers a rolling horizon perspective when scheduling maintenance. The main risk is that the daily capacity may be exceeded because many turbines are postponed until the end of the maintenance period. The problem is that the stochastic parameters such as the expected weather and degradation trajectories might change along the way. To deal with this issue, four different heuristics are proposed to reduce the risk of exceeding the daily capacity on any given day. They still allow for a relatively flexible condition-based schedule so that healthy turbines can be postponed and impaired turbines can be maintained earlier. To reduce the total cost, the heuristics consider the wind turbines to be a part of a bigger network instead of considering them individually. The only varying factors between the four heuristics are the length of the period within which some turbines are required to be maintained, and the number of turbines that must be maintained within this period. The results from running the models for the four heuristics show that the suggested approach is better than taking a conservative approach and scheduling all turbines at the first and best opportunity one gets. | |
