技术领域
[0001] 本
发明涉及一种用于电
力配网运行与管理领域的停役任务智能分配方法。
背景技术
[0002] 随着泛在电力
物联网建设的不断推进，对
电网供电可靠性的要求也越来越高。目前停役任务的分配通常由调度人员通过人工的方式简单地根据停役的时间、地点分成两到三组，发放到配电抢修班，班组成员通过内部系统查询各个停役任务的具体
位置，再按照停役时间，交通状况等来粗略规划线路和出发时间。如今，这样的分配工作方式已经无法满足供电可靠性的要求。停电设备从运行改到检修状态后，直到工作班人员前来施工之前，期间存在一段
真空期，这段时间设备既不工作，也没有人员施工，属于无效检修状态。遇到大量停役任务集中的情况，路线规划与分配不合理将会增加大量的无效检修时间。
发明内容
[0003] 本发明的目的是为了克服
现有技术的不足，提供一种停役任务智能分配方法，能够高效快捷的对停役任务进行路线及时间分配，提高停役任务效率。
[0004] 实现上述目的的一种技术方案是：一种停役任务智能分配方法，其作用在于对特定日的全部停役任务进行路线和出发时间的分配，其特征在于，包括如下步骤：
[0005] 步骤1，获取停役任务数量信息和班组数量信息；
[0006] 步骤2，获取各个停役任务的地理坐标信息；
[0007] 步骤3，获取各个停役任务所要求的
时间窗口信息和工作时间信息；
[0008] 步骤4，标注每个单独停役任务的前置任务；
[0009] 步骤5，获取每个单独停役任务的停电时用户数信息；
[0010] 步骤6，将数据输入停役任务分配数学模型；
[0011] 步骤7，采用整数编码与浮点数编码混合的级联编码遗传
算法对数学模型进行求解；
[0012] 步骤8，输出路线规划结果和触发时间结果。
[0013] 进一步的，所述步骤6中的停役任务分配数学模型如下：
[0014]
[0015]
[0016]
[0017]
[0018]
[0019] ssi＝skj+tij i,j＝1,2,…,N(i≠j) (6)
[0020] ski＝ssi+ti i＝1,2,…,N (7)
[0021]
[0022] 其中，N表示任务总量，k表示班组数量；tij表示任务i，j之间的驾车行驶估计时间；ti表示任务i工作需要的时间；pijk表示任务i，j之间路径方式，值为0或1；ehi表示任务i规定最早开始时刻；lhi表示任务i 规定最晚结束时刻；ssi表示任务i的开始作业时刻；ski表示完成任务i 的结束时刻；skp,skr表示有强制先后次序的工作任务工作结束时刻；
[0023] 式(1)为目标函数式，为了更好的处理目标函数，在目标函数里添加了Q、L、P三个惩罚函数式；式(2)表示完成所有任务驾车行驶需要的总时间，式(3)至式(5)分别表示Q、L、P三个惩罚函数式，Q表示到达任务 i的时间与任务i规定最早开始时刻的惩罚函数，当早于规定最早时刻到达任务i，则在目标函数式里添加惩罚权重，否则为0；L表示当晚于规定最晚时刻完成任务i，则在目标函数式里添加惩罚权重，否则为0；P表示当有强制次序任务r的结束时刻早于任务q，则在目标函数式里添加惩罚权重，否则为0；式(6)表示到达任务i工作地点的时刻，为上一个任务j 完成时刻加上任务j到任务i之间的行驶时间；式(7)表示任务i结束时刻等于到达任务i的时刻加上任务i的工作时间；式(8)表示每个任务点只安排一辆车前往作业。
[0024] 进一步的，所述步骤7中采用整数编码与浮点数编码混合的级联编码
遗传算法对数学模型进行求解的具体方法为：
[0025] 步骤7.1，产生初始种群和初始解：
[0026]
染色体由两部分组成，一是车辆规划路径，按照行驶顺序进行整数编码；二是是车辆出发时间，采用实数编码；染色体按照上面的结构，随机生成规模为W的初始种群；
[0027] 步骤7.2，染色体选择复制：
[0028] 将每代种群中适应值最大的染色体直接复制进入下一代种群，剩下的染色体采用比例选择法选择复制；
[0029] 步骤7.3，遗传交叉重组：
[0030] 对染色体采用算术交叉，如交叉的父代为v1和v2，则子代v1’和v2’为：
[0031]
[0032] 其中r为[0,1]间的随机数；
[0033] 步骤7.4，遗传变异：
[0034] 对染色体采用变异算法，父代v的变异为：
[0035] v＝vmin+r*(vmax-vmin)
[0036] 其中，其中r为[0,1]间的随机数，vmin,vmax为v的取值范围；
[0037] 步骤7.5，结束并输出：
[0038] 当
迭代次数达到预设值时，算法终止，对基因进行解码并输出较优解结果。
[0039] 本发明的一种停役任务智能分配方法，其作用在于对特定日的全部停役任务进行路线和出发时间的分配，包括如下步骤：步骤1，获取停役任务数量信息和班组数量信息；步骤2，获取各个停役任务的地理坐标信息；步骤3，获取各个停役任务所要求的时间窗口信息和工作时间信息；步骤 4，标注每个单独停役任务的前置任务；步骤5，获取每个单独停役任务的停电时用户数信息；步骤6，将数据输入停役任务分配数学模型；步骤7，采用整数编码与浮点数编码混合的级联编码遗传算法对数学模型进行求解；步骤8，输出路线规划结果和触发时间结果。通过本方法得到的路线和出发时间能够最大程度上地将无效检修状态时间降到最低，较传统分配方式更加科学，高效，有说服力，遇到大量工程集中的情况效率提升显著。新的分配系统使停役任务与后续工程施工有序、紧凑地进行，为电力用户的用电可靠性提供了保障。
附图说明
[0040] 图1为本发明的一种停役任务智能分配方法的染色体的车辆规划路径按照行驶顺序编码，以及车辆出发时间按照实数编码的示意图。
具体实施方式
[0041] 为了能更好地对本发明的技术方案进行理解，下面通过具体地
实施例进行详细地说明：
[0042] 如何更加科学合理的对停役任务进行分配规划是个带时间窗的路径规划问题(VRPTW)。在电力生产实际中，出发时间会对停电时户数产生重要影响，如何同时高效正确地计算出每个工作队伍的任务分配、路径、出发时间，使设备处于无效检修状态的时间降到最低，提高工作效率，提高供电可靠性是本发明解决的问题。
[0043] 在本发明中，通过一系列步骤流程以获得对某一日全部停役任务进行分配的必要信息，然后将信息输入停役任务分配数学模型，通过算法求解出停役任务分配的最优解，其具体步骤如下：
[0044] 步骤1，获取停役任务数量信息和班组数量信息；
[0045] 步骤2，获取各个停役任务的地理坐标信息。
[0046] 步骤3，获取各个停役任务所要求的时间窗口信息和工作时间信息。
[0047] 步骤4，标注每个单独停役任务的前置任务。
[0048] 步骤5，获取每个单独停役任务的停电时用户数信息
[0049] 步骤6，将数据输入停役任务分配数学模型。
[0050] 该数学模型为：
[0051]
[0052]
[0053]
[0054]
[0055]
[0056] ssi＝skj+tij i,j＝1,2,…,N(i≠j) (6)
[0057] ski＝ssi+ti i＝1,2,…,N (7)
[0058]
[0059] 参数变量说明：N表示任务总量，k表示车辆数量；表示任务i，j 之间的驾车行驶时间；表示任务i工作需要的时间；表示任务i，j之间路径方式，值为0或1；表示任务i规定最早开始时刻；表示任务i 规定最晚结束时刻；表示任务i的开始作业时刻；表示完成任务i的结束时刻；表示有强制先后次序的工作任务工作结束时刻。
[0060] 式(1)为目标函数式，为了更好的处理目标函数，在目标函数里添加了Q、L、P三个惩罚函数式。式(2)表示完成所有任务驾车行驶需要的总时间，式(3)--式(5)分别表示Q、L、P三个惩罚函数式，Q表示到达任务 i的时间与任务i规定最早开始时刻的惩罚函数，当早于规定最早时刻到达任务i，则在目标函数式里添加一个很大的惩罚权重，否则为0；L表示当晚于规定最晚时刻完成任务i，则在目标函数式里添加很大的惩罚权重，否则为0；P表示当有强制次序任务r的结束时刻早于任务q，则在目标函数式里添加很大的惩罚权重，否则为0。式(6)表示到达任务i工作地点的时刻，为上一个任务j完成时刻加上任务j到任务i之间的行驶时间。式 (7)表示任务i结束时刻等于到达任务i的时刻加上任务i的工作时间。式(8)表示每个任务点只安排一辆车前往作业。
[0061] 值得注意的是，因为最终目标是使停电时户数总和最小，至于整个路径距离是不是最优不在考虑的范围内，所以在建立数学模型时使整个路径行驶时间在目标函数中只占有一个很小的惩罚项，只有当整个任务没有停电时户数要求时，目标函数才以路径最优来分配任务。
[0062] 步骤7，采用整数编码与浮点数编码混合的级联编码遗传算法对数学模型进行求解。在本应用场景中需要同时求解出任务分配、路径规划、出发时间三项，为了同时求解出工作规划路径和车辆出发时间，本发明采用整数编码与浮点数编码混合的级联编码遗传算法进行求解，其具体包括如下步骤。
[0063] 步骤7.1，产生初始种群和初始解：
[0064] 为了更高效、更直观的体现求解结果，染色体由两部分组成，一是车辆规划路径，按照行驶顺序进行整数编码；二是是车辆出发时间，采用实数编码，分别如图1所示。
[0065] 整数编码部分两个0之间表示一辆车的路径，整数代表工作任务；浮点实数编码表示出发时刻距最早发车时刻的分钟数，在本文中规定最早发车时刻为04:00，假设图1中ts1＝135，则第一辆车的出发时刻为：06：15(时刻04:00加上135分钟)。其中n表示停役任务数，k表示派出的车辆数，出发地的路径编码为0。
[0066] 染色体按照上面的结构，随机生成规模为W的初始种群。适应度函数设为求目标函数倒数的最大值，因为在目标函数中添加了较大的惩罚权重，这样目标函数值比较大，为了便于观察适应度函数值，所以适应度函数进行了放大处理，如下式：
[0067]
[0068] 步骤7.2，染色体选择复制：
[0069] 采用比例选择和精华模型相结合的选择策略，将每代种群中适应值最大的染色体直接复制进入下一代种群，剩下的染色体采用比例选择法选择复制。这样选择复制的方法既保证了最优个体进入下一代，又保证了个体进入下一代的概率不会相差悬殊。
[0070] 步骤7.3，遗传交叉重组：
[0071] 由于染色体采用了整数与浮点实数混合编码的方式，所以在进行交叉操作时应对不同的编码采用不同的交叉方式。
[0072] 对浮点实数的交叉操作采用算术交叉。例如交叉的父代为v1和v2，那么子代为：
[0073]
[0074] 其中r为[0,1]间的随机数。
[0075] 对整数路径的交叉操作，不同于一般的遗传算法交叉，本发明中采用改进的部分匹配交叉法。下面通过具体的示例来说明。
[0076] S1＝012304560780→S1*＝02460135780
[0077] S2＝035701802460→S2*＝07803512460
[0078] S1，S2是两个父代染色体的整数编码部分，分别随机选择一个子路径0780、02460，然后将0780、02460子路径分别放到S2和S1最前面，并删掉后面重复的整数并在末尾添加0得到S1*,S2*。针对子代染色体S1*，在子路经02460后面的6个位置中的一个的位置添加0，分别计算6种情况的适应度，把适应度值最大的作为子代染色体S1，用同样的方法得到子代染色体S2。
[0079] 步骤7.4，遗传变异：
[0080] 和交叉操作一样，对不同编码部分采用不同的变异方法。
[0081] 对浮点实数部分采用均匀变异，r为[0,1]间的随机数，定义父代v的变异为：
[0082] v＝vmin+r*(vmax-vmin)
[0083] 其中，vmin,vmax为v的取值范围。
[0084] 对路径整数编码部分，随机选择3个位置进行相互交换，分别计算5 种情况下的适应度，选择适应度最高的作为子代种群。
[0085] 因为解的空间比较大，为防止陷入局部最优，需要将变异概率设的比较大(大于0.5，否则种群进化到一定阶段容易不再变化)，本文设置的变异概率为0.8。
[0086] 步骤7.5，结束并输出：
[0087] 当迭代次数达到预设值时，算法终止，对基因进行解码并输出较优解结果。
[0088] 步骤8，输出路线规划结果和触发时间结果到终端以进行结果呈现。最终的输出结果为各个班组由不同停役点相互连接的行进路线图以及各个班组的出发时间。
[0089] 本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的
权利要求书范围内。
