CN108181503B - 电力计量装置运维计划获取方法、装置、存储介质和设备 - Google Patents

电力计量装置运维计划获取方法、装置、存储介质和设备 Download PDF

Info

Publication number
CN108181503B
CN108181503B CN201711489681.2A CN201711489681A CN108181503B CN 108181503 B CN108181503 B CN 108181503B CN 201711489681 A CN201711489681 A CN 201711489681A CN 108181503 B CN108181503 B CN 108181503B
Authority
CN
China
Prior art keywords
maintenance
current
particle
function
maintenance work
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
Application number
CN201711489681.2A
Other languages
English (en)
Other versions
CN108181503A (zh
Inventor
崔卓
邓广昌
谷海彤
李慧
杨悦辉
李韫莛
蔡妙妆
张捷
吴晓强
陈恺妍
彭正阳
陈少梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau Co Ltd filed Critical Guangzhou Power Supply Bureau Co Ltd
Priority to CN201711489681.2A priority Critical patent/CN108181503B/zh
Publication of CN108181503A publication Critical patent/CN108181503A/zh
Application granted granted Critical
Publication of CN108181503B publication Critical patent/CN108181503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种电力计量装置运维计划获取方法、装置、存储介质和设备。电力计量装置运维计划获取方法包括：获取多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数；根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数；根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型；求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。如此，得到的运维计划合理编排、效果好，可降低整体运维作业消耗的时间和精力，从而提高运维效率。

Description

电力计量装置运维计划获取方法、装置、存储介质和设备
技术领域
本发明涉及运维管理技术领域，特别是涉及一种电力计量装置运维计划获取方法、装置、存储介质和设备。
背景技术
电力计量装置是用于测量、记录用户电量的计量器具。为确保电力计量装置的安全可靠运行，供电企业多采用运维工单的形式记录对应需要运维的电力计量装置，并对多个运维工单排列划分以编排得到运维计划，将各运维计划安排给运维人员对电力计量装置进行运维作业。运维计划编排的优劣决定运维人员是否就近派工，影响电力计量装置的运维效率，进而影响供电企业的效益与工作。
传统的编排运维计划的方式大多是人工根据经验对运维工单进行划分。然而，电力计量装置数量大、分布广，运维人员到运维工单所对应电力计量装置的现场位置需要花费时间，采用人工编排的方式带有随机性和主观性，容易出现派工作业不合理、运维作业花费时间长精力多的问题，运维效率低。
发明内容
基于此，有必要针对传统的运维计划编排易导致运维效率低的问题，提供一种可提高运维效率的电力计量装置运维计划获取方法、装置、存储介质和设备。
一种电力计量装置运维计划获取方法，包括：
获取多个待编排的运维工单的维修难度系数和所述运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数；
根据所述划分总数、所述路程量值和所述路况系数生成计算总体路径能耗的第一函数，根据所述划分总数、所述维修难度系数、所述路程量值和所述路况系数生成计算工作负荷均衡度的第二函数；
根据所述第一函数、所述第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型；
求解所述目标规划模型的最优解，根据所述最优解输出数量为所述划分总数的运维计划。
一种电力计量装置运维计划获取装置，包括：
信息获取模块，用于获取多个待编排的运维工单的维修难度系数和所述运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数；
函数生成模块，用于根据所述划分总数、所述路程量值和所述路况系数生成计算总体路径能耗的第一函数，根据所述划分总数、所述维修难度系数、所述路程量值和所述路况系数生成计算工作负荷均衡度的第二函数；
模型建立模块，用于根据所述第一函数、所述第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型；
计划编排模块，用于求解所述目标规划模型的最优解，根据所述最优解输出数量为所述划分总数的运维计划。
上述电力计量装置运维计划获取方法和装置，获取划分总数、多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数后，根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数，再根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型，求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。通过综合表征路程远近的路程量值、表征交通拥堵情况的路况系数和表征工作困难度的维修难度系数建立目标规划模型进行最优求解，自动编排输出的运维计划将路程远近、交通拥堵情况、困难度考虑在内，合理编排、效果好，可降低整体运维作业消耗的时间和精力，从而提高运维效率。
一种存储介质，存储有计算机程序，存储的计算机程序被处理器执行时实现上述电力计量装置运维计划获取方法的步骤。
一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电力计量装置运维计划获取方法的步骤。
上述存储介质和设备，由于实现了上述电力计量装置运维计划获取方法，同理可得到合理编排、效果好的运维计划，可降低整体运维作业消耗的时间和精力，从而提高运维效率。
附图说明
图1为一实施例中电力计量装置运维计划获取方法的流程图；
图2为运维计划编排及划分的示意图；
图3为一实施例中求解目标规划模型的最优解的具体流程图；
图4为一实施例中电力计量装置运维计划获取装置的结构图；
图5为一应用例中粒子的优化结果示意图；
图6为一应用例中运维工单的编排计划示意图。
具体实施方式
参考图1，在一个实施例中，提供了一种电力计量装置运维计划获取方法，包括如下步骤：
S110：获取多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数。
待编排的运维工单是生成运维计划所需要的运维工单，运维工单对应故障或需要护理的电力计量设备的相关信息。运维工单两两之间对应的路程量值和路况系数，具体是指运维工单对应电力计量设备的地理位置两两之间的路程量值和路况系数，也可以是由人工根据地理位置计算后输入，也可以是自动计算得到。对多个运维工单排列划分、编排得到运维计划。其中，划分总数等于需要编排得到的运维计划的数量。
S130：根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数。
路程量值是用于表征路程远近的数值，路况系数是用于表征交通拥堵情况的数值，维修难度系数是用于表征运维人员进行维修护理工作的困难度的数值。总体路径能耗是周转于各运维工单对应的电力计量设备之间路途上的耗能，工作负荷均衡度是用于表征各运维计划之间工作负荷差异性的值。
S150：根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型。
预设阈值根据实际需要具体设置。具体地，步骤S150可以是建立第一函数最小为目标的目标函数、第二函数小于或等于所述预设阈值的约束条件，得到目标规划模型；步骤S150也可以是建立第二函数最小为目标的目标函数、第一函数小于或等于所述预设阈值的约束条件，得到目标规划模型。
S170：求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。
根据求解目标规划模型得到的最优解输出运维计划，从而自动完成运维计划的编排。具体地，求解得到的最优解可以对应运维工单两两组合的结果，根据两两组合的结合关系，将相互之间有联系的运维工单作为一个运维计划。
上述电力计量装置运维计划获取方法，获取划分总数、多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数后，根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数，再根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型，求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。通过综合表征路程远近的路程量值、表征交通拥堵情况的路况系数和表征工作困难度的维修难度系数建立目标规划模型进行最优求解，自动编排输出的运维计划将路程远近、交通拥堵情况、困难度考虑在内，合理编排、效果好，可降低整体运维作业消耗的时间和精力，从而提高运维效率。
在一个实施例中，步骤S110中，获取对所有运维工单进行划分的划分总数，包括步骤(a1)至步骤(a2)。
步骤(a1)：获取运维工单的数量。
运维工单的数量是待编排的运维工单的总体量，可由人工输入。
步骤(a2)：计算运维工单的总数和预设的单位计划内工单数的比值，得到划分总数。
单位计划内工单数是一个运维计划内包含的运维工单的数量，可以根据实际需要预先存储。通过根据运维工单的数量和单位计划内工单数可自动得到划分总数。可以理解，在其他实施例中，也可以是直接接收人工输入的划分总数。
例如，参考图2，假设运维工单的数量为M，那么构建运维计划列表可以表示为以下离散编码的方式：
x＝(x1,x2,x3,...xM)；
式中，x1、x2、x3...xM分别表示第1个运维工单的工单编号、第2个运维工单的工单编号和第M个运维工单的工单编号。令单位计划内工单数为n，即每一个运维计划包含的运维工单的数量为n，那么可以从运维计划列表从左到右依
次截取n个运维工单，即可划分成M/n个运维计划。
具体地，若运维工单的总数和单位计划内工单数的比值为非整数，则对比值进行向上取整，得到计划总数。
在一个实施例中，步骤S110中，获取多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数，包括步骤(b1)至步骤(b4)。
步骤(b1)：获取多个运维工单的运维类型和地理位置，根据各运维工单的地理位置获取运维工单两两之间对应的实际路程和实时交通状态。
每个运维工单对应故障或需要护理的电力计量设备的运维类型和地理位置，例如，可以是运维工单中记录有电力计量设备的运维类型和地理位置。两个运维工单之间的实际路程即为运维工单对应电力计量设备的地理位置之间的距离。具体地，可以是根据地理位置从网络地图中获取运维工单两两之间对应的实际路程和实时交通状态。
步骤(b2)：从已存的运维类型-难度系数对应表中查找运维类型匹配的维修难度系数，得到运维类型所对应运维工单的维修难度系数。
运维类型-难度系数对应表中记录各种运维类型对应的维修难度系数，从运维类型-难度系数对应表中可查找到运维类型所对应的维修难度系数。
例如，针对日常运维的常见故障进行故障分类，对每种故障类型的工作难度进行评级打分，取值范围在0到10之间，0代表难度最小，10代表难度最大，梳理得到运维类型-难度系数对应表，如表1所示。
表1
Figure BDA0001535383130000061
步骤(b3)：从已存的交通状态-路况系数对应表中查找实时交通状态匹配的路况系数，得到实时交通状态所对应两个运维工单之间的路况系数。
实时交通状态反映的是实时的路况。交通状态-路况系数对应表中记录各种交通状态对应的路况系数，从交通状态-路况系数对应表中可查找到实时交通状态所对应的维修难度系数。
例如，交通状态可以划分成通畅、缓行、拥堵、严重拥堵4种，将其转化成路况系数ρ，则4种交通状态对应的路况系数如表2所示。
表2
步骤(b4)：从所有实际路程中选取最大路程和最小路程，根据最大路程、最小路程分别对各实际路程进行标准化处理，得到实际路程所对应两个运维工单之间的路程量值。
实际路程衡量路途的长度，实际路程越长意味着维修员工在路途上消耗的能量和时间都比较多。实际的计量单位通常为公里，取值相对较大，与路况系数和维修难度系数的度量上存在明显的量纲差异，因此通过对实际路程进行标准化处理，可消除量纲。
通过步骤(b1)至步骤(b4)，根据运维工单的运维类型和地理位置可自动获取到运维工单的维修难度系数、运维工单两两之间的路况系数和路程量值，自动化程度高。可以理解，在其他实施例中，也可以采用其他方式获取各运维工单的维修难度系数以及运维工单两两之间的路程量值和路况系数，例如，可以直接接收人工输入的各运维工单的维修难度系数以及运维工单两两之间的路程量值和路况系数。
在一个实施例中，步骤(b4)中，根据最大路程、最小路程分别对各实际路程进行标准化处理，得到实际路程所对应两个运维工单之间的路程量值，包括：
Figure BDA0001535383130000071
其中，Smin表示最小路程，Smax表示最大路程，Si表示第i个实际路程，S′i表示标准化处理后的路程量值，取值范围为0～10。通过公式(1)对实际路程进行标准化处理，得到的路程量值在度量上与维修难度系数、路况系数接近，可有效消除量纲。
在一个实施例中，步骤S130中，根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，包括：
Figure BDA0001535383130000072
根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数，包括：
Figure BDA0001535383130000073
Figure BDA0001535383130000074
本实施例中，目标规划模型为：
Figure BDA0001535383130000081
其中，f1为第一函数，f2为第二函数，n为一个运维计划所包含的运维工单的数量，N为划分总数，
Figure BDA0001535383130000082
和
Figure BDA0001535383130000083
表示第i个运维计划中第j个运维工单和第j+1个运维工单之间的路程量值和路况系数，θi表示第i个运维计划的工作负荷，
Figure BDA0001535383130000084
表示第i个运维计划中第k个运维工单的维修难度系数，a1为预设的第一权重，a2为预设的第二权重，δ为预设阈值。
具体地，鉴于问题的本质是实现电力计量设备运维工作的高效执行，事件本体在于对电力计量设备进行维修护理，综合实际经验，本实施例中，a1和a2分别设定为1和3。
本申请以使得运维计划中的路径规划最合理、尽可能减少运维员工在往返运维工单对应电力计量设备的途中消耗的能耗、保证运维计划之间工作负荷差异性小、工作负荷均衡为合理编排效果，为达到这个编排效果，确保运维员工获得的运维计划之间有较好的公平性，则电力计量设备的运维计划编排问题可以被转化为一个多目标最优化问题MOP(multi-objective programming)进行求解。将目标分解后得到如下两个目标：
目标一、在两两运维工单之间进行周转所需路途上消耗的总体路径能耗最小。
目标二、在综合考虑路程远近、交通拥堵情况和运维作业困难度的情况下，运维计划之间的工作负荷差异最小。
多目标最优化问题的求解受限于多个目标函数，目标之间相互制约相互亦相互矛盾，使得求解过程非常复杂。通过采用公式(5)的目标规划模型，设定第一函数为主要目标、第二函数为次要目标，将第二函数小于等于预设阈值作为约束条件，采用化多为少的方法对多目标最优化问题进行变换，降低求解复杂度，使得求解更简单快速。
在一个实施例中，步骤S170中求解目标规划模型的最优解，具体是基于粒子群优化算法求解目标规划模型的最优解。粒子群优化算法是群体智能算法的一种，其原理简单，易于实现，且受限参数较少，能够很好地解决复杂优化问题。
具体地，参考图3，步骤S170中求解目标规划模型的最优解，包括步骤S171至步骤S179。
S171：以运维工单两两之间对应的路程量值和路况系数的乘积为当代粒子，初始化当代粒子的位置和速度，使各当代粒子符合目标规划模型中的约束条件。
记运维工单的数量为M，运维工单两两之间对应的路程量值存在可能情况有m种，
Figure BDA0001535383130000091
当代粒子的位置可表示为xi(i＝1,2,…,m)，当代粒子的速度可表示为vi0(i＝1,2,…,m)。
S172：将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值。
适应度函数用于计算粒子的适应值。当代粒子的当前适应值为当代粒子的位置和速度代入适应度函数求得的适应值。
S173：根据各当代粒子的当前适应值和对应当代粒子历史搜索的最优适应值更新得到各当代粒子的当前最优适应值，并更新全局粒子的当前全局最优适应值。
每个当代粒子具有记忆功能，能记住所搜寻到的最优适应值，即最佳位置。更新当代粒子的当前最优适应值，具体是从当前适应值和历史搜索的最优适应值中选取最优的值作为当前最优适应值。例如，适应值为数值，从当前适应值和历史搜索的最优适应值中选取数值最小的作为当前最优适应值。更新全局粒子的当前全局最优适应值，具体是从全局粒子的当前的全局最优适应值和历史搜索过的全局最优适应值中选取最优的值作为当前全局最优适应值。
S174：根据各当代粒子的当前最优适应值、当前全局最优适应值、各粒子的位置和的速度、预设的惯性权重和预设的学习因子，分别计算得到各当代粒子的下一代粒子的位置和速度。
S175：判断下一代粒子是否满足目标规划模型中的约束条件。
若不满足约束条件，则执行步骤S176，若满足约束条件，则执行步骤S177。
S176：不满足约束条件的下一代粒子在设定的半径范围内随机跳动，并返回步骤S175。
S177：更新迭代次数，判断当前的迭代次数是否达到预设最大迭代次数或者当前全局最优适应值是否达到预设精度。
更新迭代次数，具体是在已记录的迭代次数基础上增加1。预设最大迭代次数和预设精度可以根据实际需要具体设置。若当前的迭代次数没有达到预设最大迭代次数，且当前全局最优适应值没有达到预设精度，则执行步骤S178；否则，若当前的迭代次数达到预设最大迭代次数，或者当前全局最优适应值达到预设精度，则执行步骤S179。
S178：以下一代粒子作为新的当代粒子，返回步骤S172。
S179：根据当前全局最优适应值输出最优解。
本实施例中，在传统的粒子群优化算法的基础上，结合所要求解的目标规划函数，对求解过程作些许调整，确保初始化和更新后的每一个粒子都符合约束条件。
具体地，步骤S174包括：
Figure BDA0001535383130000101
xi(t+1)＝xi(t)+νi(t+1)；
其中，t为当前的迭代次数，w为预设的速度的惯性权重，c1和c2是预设的学习因子，为非负常数；r1和r2是随机因素，为0～1之间的随机数；粒子群有一个解空间的搜索范围，当粒子跳出该限制范围时，以临界点代替；
Figure BDA0001535383130000102
是第i个当代粒子的当前最优适应值，Gbest是当前全局最优适应值；νi(t)为当代粒子的速度，xi(t)为当代粒子的位置，νi(t+1)为下一代粒子的速度，xi(t+1)下一代粒子的位置。
在一个实施例中，参考图4，一实施例中的电力计量装置运维计划获取装置，包括信息获取模块110、函数生成模块130、模型建立模块150和计划编排模块170。
信息获取模块110用于获取多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数。其中，划分总数等于需要编排得到的运维计划的数量。
函数生成模块130用于根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数。
路程量值是用于表征路程远近的数值，路况系数是用于表征交通拥堵情况的数值，维修难度系数是用于表征运维人员进行维修护理工作的困难度的数值。总体路径能耗是周转于各运维工单对应的电力计量设备之间路途上的耗能，工作负荷均衡度是用于表征各运维计划之间工作负荷差异性的值。
模型建立模块150用于根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型。
具体地，可以是建立第一函数最小为目标的目标函数、第二函数小于或等于所述预设阈值的约束条件，得到目标规划模型；步骤S150也可以是建立第二函数最小为目标的目标函数、第一函数小于或等于所述预设阈值的约束条件，得到目标规划模型。
计划编排模块170用于求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。
根据求解目标规划模型得到的最优解输出运维计划，从而自动完成运维计划的编排。具体地，求解得到的最优解可以对应运维工单两两组合的结果，根据两两组合的结合关系，将相互之间有联系的运维工单作为一个运维计划。
上述电力计量装置运维计划获取装置，信息获取模块110获取划分总数、多个待编排的运维工单的维修难度系数和运维工单两两之间对应的路程量值和路况系数后，函数生成模块130根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数，模型建立模块150根据第一函数、第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型，计划编排模块170求解目标规划模型的最优解，根据最优解输出数量为划分总数的运维计划。通过综合表征路程远近的路程量值、表征交通拥堵情况的路况系数和表征工作困难度的维修难度系数建立目标规划模型进行最优求解，自动编排输出的运维计划将路程远近、交通拥堵情况、困难度考虑在内，合理编排、效果好，可降低整体运维作业消耗的时间和精力，从而提高运维效率。
在一个实施例中，信息获取模块110获取运维工单的数量，计算运维工单的总数和预设的单位计划内工单数的比值，得到划分总数。通过根据运维工单的数量和单位计划内工单数可自动得到划分总数。可以理解，在其他实施例中，也可以是直接接收人工输入的划分总数。
具体地，若运维工单的总数和单位计划内工单数的比值为非整数，则对比值进行向上取整，得到计划总数。
在一个实施例中，信息获取模块110获取多个运维工单的运维类型和地理位置，根据各运维工单的地理位置获取运维工单两两之间对应的实际路程和实时交通状态；从已存的运维类型-难度系数对应表中查找运维类型匹配的维修难度系数，得到运维类型所对应运维工单的维修难度系数；从已存的交通状态-路况系数对应表中查找实时交通状态匹配的路况系数，得到实时交通状态所对应两个运维工单之间的路况系数；从所有实际路程中选取最大路程和最小路程，根据最大路程、最小路程分别对各实际路程进行标准化处理，得到实际路程所对应两个运维工单之间的路程量值。
通过根据运维工单的运维类型和地理位置可自动获取到运维工单的维修难度系数、运维工单两两之间的路况系数和路程量值，自动化程度高。可以理解，在其他实施例中，也可以采用其他方式获取各运维工单的维修难度系数以及运维工单两两之间的路程量值和路况系数，例如，可以直接接收人工输入的各运维工单的维修难度系数以及运维工单两两之间的路程量值和路况系数。
在一个实施例中，信息获取模块110根据最大路程、最小路程分别对各实际路程进行标准化处理，得到实际路程所对应两个运维工单之间的路程量值，包括：
Figure BDA0001535383130000121
其中，Smin表示最小路程，Smax表示最大路程，Si表示第i个实际路程，S′i表示标准化处理后的路程量值，取值范围为0～10。通过对实际路程进行标准化处理，得到的路程量值在度量上与维修难度系数、路况系数接近，可有效消除量纲。
在一个实施例中，函数生成模块130根据划分总数、路程量值和路况系数生成计算总体路径能耗的第一函数，包括：
Figure BDA0001535383130000131
函数生成模块130根据划分总数、维修难度系数、路程量值和路况系数生成计算工作负荷均衡度的第二函数，包括：
Figure BDA0001535383130000132
Figure BDA0001535383130000133
本实施例中，目标规划模型为：
Figure BDA0001535383130000134
其中，f1为第一函数，f2为第二函数，n为一个运维计划所包含的运维工单的数量，N为划分总数，
Figure BDA0001535383130000135
和表示第i个运维计划中第j个运维工单和第j+1个运维工单之间的路程量值和路况系数，θi表示第i个运维计划的工作负荷，
Figure BDA0001535383130000137
表示第i个运维计划中第k个运维工单的维修难度系数，a1为预设的第一权重，a2为预设的第二权重，δ为预设阈值。本实施例中，a1和a2分别设定为1和3。
通过设定第一函数为主要目标、第二函数为次要目标，将第二函数小于等于预设阈值作为约束条件，采用化多为少的方法对多目标最优化问题进行变换，降低求解复杂度，使得求解更简单快速。
在一个实施例中，计划编排模块170具体是基于粒子群优化算法求解目标规划模型的最优解。粒子群优化算法是群体智能算法的一种，其原理简单，易于实现，且受限参数较少，能够很好地解决复杂优化问题。
具体地计划编排模块170用于：以运维工单两两之间对应的路程量值和路况系数的乘积为当代粒子，初始化当代粒子的位置和速度，使各当代粒子符合目标规划模型中的约束条件；将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值；根据各当代粒子的当前适应值和对应当代粒子历史搜索的最优适应值更新得到各当代粒子的当前最优适应值，并更新全局粒子的当前全局最优适应值；根据各当代粒子的当前最优适应值、当前全局最优适应值、各粒子的位置和的速度、预设的惯性权重和预设的学习因子，分别计算得到各当代粒子的下一代粒子的位置和速度；判断下一代粒子是否满足目标规划模型中的约束条件；若不满足约束条件，则不满足约束条件的下一代粒子在设定的半径范围内随机跳动，返回重新判断下一代粒子是否满足目标规划模型中的约束条件；若满足预设条件，更新迭代次数，判断当前的迭代次数是否达到预设最大迭代次数或者当前全局最优适应值是否达到预设精度；若否，则以下一代粒子作为新的当代粒子，返回重新将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值；若是，则根据当前全局最优适应值输出最优解。
通过在传统的粒子群优化算法的基础上，结合所要求解的目标规划函数，对求解过程作些许调整，确保初始化和更新后的每一个粒子都符合约束条件。
具体地，计划编排模块根据各当代粒子的当前最优适应值、当前全局最优适应值、各粒子的位置和的速度、预设的惯性权重和预设的学习因子，分别计算得到各当代粒子的下一代粒子的位置和速度，包括：
Figure BDA0001535383130000141
xi(t+1)＝xi(t)+νi(t+1)；
其中，t为当前的迭代次数，w为预设的速度的惯性权重，c1和c2是预设的学习因子，为非负常数；r1和r2是随机因素，为0～1之间的随机数；粒子群有一个解空间的搜索范围，当粒子跳出该限制范围时，以临界点代替；
Figure BDA0001535383130000142
是第i个当代粒子的当前最优适应值，Gbest是当前全局最优适应值；νi(t)为当代粒子的速度，xi(t)为当代粒子的位置，νi(t+1)为下一代粒子的速度，xi(t+1)下一代粒子的位置。
为了验证上述电力计量装置运维计划获取方法和装置的有效性和适用性，通过一具体应用例模拟现实数据对问题进行数值实验，并对结果进行分析评价。以12个电力计量装置故障的运维工单为例，将每个运维计划包括的运维工单的数量初定为3，初始粒子种群规模为60，粒子群优化算法调用目标函数的最大迭代次数为1×104。运维工单的电力计量装置的地理位置坐标信息如表3所示。
表3
工单编号 8 9 10 11 12
X坐标 34.52 19.70 39.12 45.60 22.49
Y坐标 9.18 31.70 4.99 37.02 21.79
如图5，粒子群优化算法求解过程中，目标函数的结果越来越好，且在迭代次数到1000多次时就已经有了很好的收敛效果，相比传统的随机编排效果好了3倍。此外，传统的基于穷举法得到的最优结果需要计算次，计算量极其庞大，且实际中需要编排的运维工单的数量远比12要大得多。
运维计划的编排结果如图6所示，共生成4组运维计划，具体计划安排见表4。
表4
运维计划编号 工单编号
① 9，4，11
② 3，1，12
③ 6，5，7
④ 8，10，2
在一个实施例中，提供一种存储介质，存储有计算机程序，存储的计算机程序被处理器执行时实现上述电力计量装置运维计划获取方法的步骤。具体地，存储介质可以为计算机可读存储介质。
在一个实施例中，提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述电力计量装置运维计划获取方法的步骤。具体地，设备可以为计算机设备。
上述存储介质和设备，由于实现了上述电力计量装置运维计划获取方法，同理可得到合理编排、效果好的运维计划，可降低整体运维作业消耗的时间和精力，从而提高运维效率。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种电力计量装置运维计划获取方法，其特征在于，包括：
获取多个待编排的运维工单的维修难度系数和所述运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数；
根据所述划分总数、所述路程量值和所述路况系数生成计算总体路径能耗的第一函数，包括：
Figure FDA0002269029780000011
根据所述划分总数、所述维修难度系数、所述路程量值和所述路况系数生成计算工作负荷均衡度的第二函数，包括：
Figure FDA0002269029780000012
Figure FDA0002269029780000013
根据所述第一函数、所述第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型，所述目标规划模型为：
Figure FDA0002269029780000014
求解所述目标规划模型的最优解，根据所述最优解输出数量为所述划分总数的运维计划；
其中，f1为所述第一函数，f2为所述第二函数，n为一个运维计划所包含的运维工单的数量，N为所述划分总数，和表示第i个运维计划中第j个运维工单和第j+1个运维工单之间的路程量值和路况系数，θi表示第i个运维计划的工作负荷，
Figure FDA0002269029780000017
表示第i个运维计划中第k个运维工单的维修难度系数，a1为预设的第一权重，a2为预设的第二权重，δ为所述预设阈值；
其中，所述求解所述目标规划模型的最优解，包括：
以所述运维工单两两之间对应的路程量值和路况系数的乘积为当代粒子，初始化当代粒子的位置和速度，使各当代粒子符合所述目标规划模型中的约束条件；
将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值；
根据各当代粒子的当前适应值和对应当代粒子历史搜索的最优适应值更新得到各当代粒子的当前最优适应值，并更新全局粒子的当前全局最优适应值；
根据各当代粒子的当前最优适应值、所述当前全局最优适应值、各粒子的位置和速度、预设的惯性权重和预设的学习因子，分别计算得到各当代粒子的下一代粒子的位置和速度，包括：
Figure FDA0002269029780000021
xi(t+1)＝xi(t)+νi(t+1)；
判断下一代粒子是否满足所述目标规划模型中的约束条件；
若不满足，则不满足所述约束条件的下一代粒子在设定的半径范围内随机跳动，并返回所述判断下一代粒子是否满足所述目标规划模型中的约束条件的步骤；
若满足，则更新迭代次数，判断当前的迭代次数是否达到预设最大迭代次数或者所述当前全局最优适应值是否达到预设精度；
若否，则以下一代粒子作为新的当代粒子，返回所述将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值的步骤；
若是，则根据所述当前全局最优适应值输出最优解；
其中，t为当前的迭代次数，w为预设的速度的惯性权重，c1和c2是预设的学习因子，为非负常数；r1和r2是随机因素，为0～1之间的随机数；
Figure FDA0002269029780000022
是第i个当代粒子的当前最优适应值，Gbest是当前全局最优适应值；νi(t)为当代粒子的速度，xi(t)为当代粒子的位置，νi(t+1)为下一代粒子的速度，xi(t+1)下一代粒子的位置。
2.根据权利要求1所述的电力计量装置运维计划获取方法，其特征在于，所述获取对所有运维工单进行划分的划分总数，包括：
获取所述运维工单的数量；
计算所述运维工单的总数和预设的单位计划内工单数的比值，得到所述划分总数。
3.根据权利要求1所述的电力计量装置运维计划获取方法，其特征在于，所述获取多个待编排的运维工单的维修难度系数和所述运维工单两两之间对应的路程量值和路况系数，包括：
获取多个运维工单的运维类型和地理位置，根据各运维工单的地理位置获取所述运维工单两两之间对应的实际路程和实时交通状态；
从已存的运维类型-难度系数对应表中查找所述运维类型匹配的维修难度系数，得到所述运维类型所对应运维工单的维修难度系数；
从已存的交通状态-路况系数对应表中查找所述实时交通状态匹配的路况系数，得到所述实时交通状态所对应两个运维工单之间的路况系数；
从所有实际路程中选取最大路程和最小路程，根据所述最大路程、所述最小路程分别对各实际路程进行标准化处理，得到所述实际路程所对应两个运维工单之间的路程量值。
4.根据权利要求3所述的电力计量装置运维计划获取方法，其特征在于，所述根据所述最大路程、所述最小路程分别对各实际路程进行标准化处理，得到所述实际路程所对应两个运维工单之间的路程量值，包括：
Figure FDA0002269029780000031
其中，Smin表示最小路程，Smax表示最大路程，Si表示第i个实际路程，S′i表示标准化处理后的路程量值。
5.一种电力计量装置运维计划获取装置，其特征在于，包括：
信息获取模块，用于获取多个待编排的运维工单的维修难度系数和所述运维工单两两之间对应的路程量值和路况系数，以及获取对所有运维工单进行划分的划分总数；
函数生成模块，用于根据所述划分总数、所述路程量值和所述路况系数生成计算总体路径能耗的第一函数，包括：
Figure FDA0002269029780000041
以及所述函数生成模块用于根据所述划分总数、所述维修难度系数、所述路程量值和所述路况系数生成计算工作负荷均衡度的第二函数，包括：
Figure FDA0002269029780000042
Figure FDA0002269029780000043
模型建立模块，用于根据所述第一函数、所述第二函数和预设阈值建立包括目标函数和约束条件的目标规划模型，所述目标规划模型为：
Figure FDA0002269029780000044
计划编排模块，用于求解所述目标规划模型的最优解，根据所述最优解输出数量为所述划分总数的运维计划；
其中，f1为所述第一函数，f2为所述第二函数，n为一个运维计划所包含的运维工单的数量，N为所述划分总数，和
Figure FDA0002269029780000046
表示第i个运维计划中第j个运维工单和第j+1个运维工单之间的路程量值和路况系数，θi表示第i个运维计划的工作负荷，
Figure FDA0002269029780000047
表示第i个运维计划中第k个运维工单的维修难度系数，a1为预设的第一权重，a2为预设的第二权重，δ为所述预设阈值；
其中，所述计划编排模块求解所述目标规划模型的最优解，包括：
以所述运维工单两两之间对应的路程量值和路况系数的乘积为当代粒子，初始化当代粒子的位置和速度，使各当代粒子符合所述目标规划模型中的约束条件；
将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值；
根据各当代粒子的当前适应值和对应当代粒子历史搜索的最优适应值更新得到各当代粒子的当前最优适应值，并更新全局粒子的当前全局最优适应值；
根据各当代粒子的当前最优适应值、所述当前全局最优适应值、各粒子的位置和速度、预设的惯性权重和预设的学习因子，分别计算得到各当代粒子的下一代粒子的位置和速度，包括：
Figure FDA0002269029780000051
xi(t+1)＝xi(t)+νi(t+1)；
判断下一代粒子是否满足所述目标规划模型中的约束条件；
若不满足，则不满足所述约束条件的下一代粒子在设定的半径范围内随机跳动，并返回所述判断下一代粒子是否满足所述目标规划模型中的约束条件的步骤；
若满足，则更新迭代次数，判断当前的迭代次数是否达到预设最大迭代次数或者所述当前全局最优适应值是否达到预设精度；
若否，则以下一代粒子作为新的当代粒子，返回所述将各当代粒子的位置和速度代入适应度函数，得到各当代粒子的当前适应值的步骤；
若是，则根据所述当前全局最优适应值输出最优解；
其中，t为当前的迭代次数，w为预设的速度的惯性权重，c1和c2是预设的学习因子，为非负常数；r1和r2是随机因素，为0～1之间的随机数；
Figure FDA0002269029780000052
是第i个当代粒子的当前最优适应值，Gbest是当前全局最优适应值；νi(t)为当代粒子的速度，xi(t)为当代粒子的位置，νi(t+1)为下一代粒子的速度，xi(t+1)下一代粒子的位置。
6.根据权利要求5所述的电力计量装置运维计划获取装置，其特征在于，所述信息获取模块获取所述运维工单的数量，计算所述运维工单的总数和预设的单位计划内工单数的比值，得到所述划分总数。
7.一种存储介质，存储有计算机程序，其特征在于，存储的计算机程序被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。
8.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述方法的步骤。
CN201711489681.2A 2017-12-30 2017-12-30 电力计量装置运维计划获取方法、装置、存储介质和设备 Active CN108181503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711489681.2A CN108181503B (zh) 2017-12-30 2017-12-30 电力计量装置运维计划获取方法、装置、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711489681.2A CN108181503B (zh) 2017-12-30 2017-12-30 电力计量装置运维计划获取方法、装置、存储介质和设备

Publications (2)

Publication Number Publication Date
CN108181503A CN108181503A (zh) 2018-06-19
CN108181503B true CN108181503B (zh) 2020-02-18

Family

ID=62549286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711489681.2A Active CN108181503B (zh) 2017-12-30 2017-12-30 电力计量装置运维计划获取方法、装置、存储介质和设备

Country Status (1)

Country Link
CN (1) CN108181503B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830486A (zh) * 2018-06-20 2018-11-16 广东电网有限责任公司 一种用于电力通信的检修任务调度方法、装置及设备
CN112036650A (zh) * 2020-09-04 2020-12-04 新健姑苏停车管理(苏州)有限公司 一种停车位管理装置的电池更换管理方法及管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150635A (zh) * 2013-03-29 2013-06-12 广东电网公司 电力设备运维方法
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
JP2013232172A (ja) * 2012-04-29 2013-11-14 Yuji Hisamatsu 自動車の点検整備および点検整備記録簿の作成方法
CN104517194A (zh) * 2014-12-30 2015-04-15 国家电网公司 基于动态规划的电力运维派工单生成方法
CN105871724A (zh) * 2016-03-21 2016-08-17 广州供电局有限公司 电力通信网线路优化方法及系统
CN106682743A (zh) * 2016-12-15 2017-05-17 南京南瑞信息通信科技有限公司 一种电力通信现场运维工单调度管理方法及系统
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013232172A (ja) * 2012-04-29 2013-11-14 Yuji Hisamatsu 自動車の点検整備および点検整備記録簿の作成方法
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
CN103150635A (zh) * 2013-03-29 2013-06-12 广东电网公司 电力设备运维方法
CN104517194A (zh) * 2014-12-30 2015-04-15 国家电网公司 基于动态规划的电力运维派工单生成方法
CN105871724A (zh) * 2016-03-21 2016-08-17 广州供电局有限公司 电力通信网线路优化方法及系统
CN106682743A (zh) * 2016-12-15 2017-05-17 南京南瑞信息通信科技有限公司 一种电力通信现场运维工单调度管理方法及系统
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法

Also Published As

Publication number Publication date
CN108181503A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN113610303B (zh) 一种负荷预测方法及系统
Lvovich et al. Modelling of information systems with increased efficiency with application of optimization-expert evaluation
Nguyen et al. Collective multiagent sequential decision making under uncertainty
CN108181503B (zh) 电力计量装置运维计划获取方法、装置、存储介质和设备
CN110335075A (zh) 适于消费金融的智能营销系统及其工作方法
Chen et al. Decentralised cooperative cruising of autonomous ride-sourcing fleets
CN109583086A (zh) 配电变压器重过载预测方法及终端设备
Guo et al. Real-time self-dispatch of a remote wind-storage integrated power plant without predictions: Explicit policy and performance guarantee
Shen An uncertain parallel machine problem with deterioration and learning effect
Liu et al. Integrated optimization of mixed-model assembly line balancing and buffer allocation based on operation time complexity
Hurley Taskgraph mapping using a genetic algorithm: a comparison of fitness functions
CN111260161A (zh) 一种众包任务下发的方法及设备
Rokni et al. A multi-criteria optimization framework for industrial shop scheduling using fuzzy set theory
Yu et al. Risk-averse flexible policy on ambulance allocation in humanitarian operations under uncertainty
Fajar et al. Optimization of time and cost of multi organization business processes in a port container terminal
Nigam et al. Sales forecasting using Box Jenkins method based ARIMA model considering effect of COVID-19 pandemic situation
Liu An analysis of particle swarm optimization of multi-objective knapsack problem
CN104102957B (zh) 一种基于轨迹跟踪控制的负荷预测方法
CN114492979A (zh) 一种基于ipso的电网检修作业标准成本预测方法
Kat et al. Using aggregate fill rate for dynamic scheduling of multi-class systems
Yinglong et al. A distribution Network identification of cause of line loss method based on Markov random field
Liu et al. Multi-objective optimal computing budget allocation for multi-objective particle swarm optimisation with particle-dependent weights
Guerreiro et al. Online Scheduling: A Survey
CN107798124A (zh) 基于预测建模技术的搜索系统及方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200924

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Patentee before: GUANGZHOU POWER SUPPLY Co.,Ltd.