CN108446840B - 一种基于遗传算法的光伏电站运维派工优化方法 - Google Patents

一种基于遗传算法的光伏电站运维派工优化方法 Download PDF

Info

Publication number
CN108446840B
CN108446840B CN201810191085.4A CN201810191085A CN108446840B CN 108446840 B CN108446840 B CN 108446840B CN 201810191085 A CN201810191085 A CN 201810191085A CN 108446840 B CN108446840 B CN 108446840B
Authority
CN
China
Prior art keywords
fault
maintenance
gene
power station
individuals
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
CN201810191085.4A
Other languages
English (en)
Other versions
CN108446840A (zh
Inventor
王椭
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.)
Wuxi Yingzhen Technology Co ltd
Original Assignee
Wuxi Igen Tech 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 Wuxi Igen Tech Co ltd filed Critical Wuxi Igen Tech Co ltd
Priority to CN201810191085.4A priority Critical patent/CN108446840B/zh
Publication of CN108446840A publication Critical patent/CN108446840A/zh
Application granted granted Critical
Publication of CN108446840B publication Critical patent/CN108446840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的光伏电站运维派工优化方法，包括以下步骤：步骤一：输入待解决故障信息，包括故障数量fn、故障电站地点fa、故障电站装机容量ca、故障电站故障等级fg、故障电站剩余维修等待时间rt、故障流水号sn；二：通过遗传算法得出路径优化算法；三：通过路径优化算法输出最优运维方案；四：通过运维人员执行最优路径，当运维耗时与预计耗时不符或运维期间出现新故障时，需要对待解决故障的信息进行更新，再次重复步骤二、三、四，直至运维人员成功执行最优路径；本发明可对多个光伏电站、多个运维人员、多点出发的运维派工问题进行优化，可以设置不同的派工限制条件或成本考量因素，加快了遗传算法的收敛速度与寻优能力。

Description

一种基于遗传算法的光伏电站运维派工优化方法
技术领域
本发明涉及一种运维派工优化方法，尤其涉及一种基于遗传算法的光伏电站运维派工优化方法。
背景技术
光伏电站是电网的核心组成部分，由于户用分布式光伏电站地理位置分布较为分散，结构复杂，设备数量多，对电网的安全运行具有重要作用，影响的用户数量也较多，目前对光伏电站维护主要依照国家规定的定期检修执行，存在维护不足降低可靠性，以及不必要维护增加成本的问题。
光伏电站运行维护既与设备品质、光伏电站结构有关，又与依据光伏电站设备的故障数量、故障电站地点、故障电站装机容量、故障电站故障等级、故障电站剩余维修等待时间和故障流水号等相关，且数据类型不同、随时间变化且相互关系复杂，目前尚无较好的方法能描述上述关系。
发明内容
本发明目的是针对现有技术存在的缺陷提供了一种基于遗传算法的光伏电站运维派工优化方法，该方法可对多个光伏电站、多个运维人员、多点出发的运维派工问题进行优化，可以设置不同的派工限制条件或成本考量因素，加快了遗传算法的收敛速度与寻优能力。
本发明为实现上述目的，采用如下技术方案：一种基于遗传算法的光伏电站运维派工优化方法，该方法采用如下步骤：
步骤一：输入待解决故障信息，包括故障数量fn、故障电站地点fa、故障电站装机容量ca、故障电站故障等级fg、故障电站剩余维修等待时间rt、故障流水号sn；
步骤二：通过遗传算法得出路径优化算法；
步骤三：通过路径优化算法输出最优运维方案；
步骤四：通过运维人员执行最优路径，当运维耗时与预计耗时不符或运维期间出现新故障时，需要对待解决故障的信息进行更新，再次重复步骤二、步骤三和步骤四，直至运维人员成功执行最优路径。
优选的，所述步骤二中的路径优化算法过程如下：
S21：输入交通成本矩阵，即各故障地点以及出发地点两两之间的交通成本C；
S22：将故障流水号sn随机排序，构成初始基因gene0_0＝[sn_a1,sn_a2,…sn_an]；
S23：重复步骤S22N次，形成N条初始基因gene0_1、gene0_2…gene0_N；N条初始基因构成初始种群P；
S24：构造适应度函数F(gene)，
F(gene)＝a/(Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n)+b/(I(sn_1)*ca_sn_1
+I(sn_2)*ca_sn_2+…)+c/(I(sn_1)*fg_sn_1+I(sn_2)*fg_sn_2+…)
+d/(I(sn_1)*rt_sn_1+I(sn_2)*rt_sn_2+…)
其中，gene表示适应度函数评价适应度的基因，sn_1、sn_2…sn_n表示基因中各故障流水号，Csn_i,sn_i+1表示由故障流水号sn_i、sn_i+1与交通成本矩阵C确定的两个故障地点之间的交通成本，Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n表示按gene中流水号顺序进行维修的总交通成本，I(sn_i)表示sn_i在gene中的顺序，如sn_i在gene中排在第一位，则I(sn_i)＝1，ca_sn_i表示故障流水号sn_i对应故障电站的装机容量，fg_sn_i表示故障流水号sn_i对应故障电站的故障等级，rt_sn_i表示故障流水号sn_i对应故障电站的剩余维修等待时间，a表示交通成本惩罚系数，默认为1000，a越大则算法越重视交通成本的影响，优先选择交通成本较低的路线，b表示装机容量惩罚系数，默认为100，b越大则算法越重视交通成本的影响，优先选择维修装机容量较大的电站，c表示故障等级惩罚系数，默认为500，c越大则算法越重视故障等级的影响，优先选择维修故障等级较高的电站，d表示维修时间惩罚系数，默认为300，d越大则算法越重视维修时间的影响，优先选择维修维修等待时间较少的电站；
S25：从种群P中随机选择2m个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene)),即适应度越大，被选择概率越高，对2m个个体两两进行交叉操作，即以概率pc随机抽取若干个个体基因片段与配对个体进行交换，形成m个新个体加入种群；
S26：从种群P中随机选择n个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene)),即适应度越大，被选择概率越高；对选中的n个个体分别进行突变操作，即随机选择基因中两个基因片段，互相交换位置，形成n个新个体加入种群，形成新种群；
S27：重复步骤S25和S26，直至达到算法最大迭代次数，或存在个体的适应度函数达到给定阈值；
S28：输出适应度最大的个体，个体中的流水号顺序即算法给出的电站维修顺序。
本发明达到的有益效果是：本发明提出了一种基于遗传算法的光伏电站运维派工优化方法，该方法针对大批量户用分布式光伏电站的运维任务，应用针对m-tsp问题的GA算法，为多电站的运维派工提供优化路径，支持对多个光伏电站、多运维人员、多目标、多点出发的运维派工问题进行优化，支持多类型成本函数；可以设置不同的派工限制条件或成本考量因素，如必须在规定时间内到达，或时间成本最小交通成本最小等；加快了遗传算法的收敛速度与寻优能力。
附图说明
图1是本发明运维派工优化方法的操作流程图；
图2是本发明中路径优化算法的交叉和变异的示意图；
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1、2所示，本发明所采用的技术方案是：一种基于遗传算法的光伏电站运维派工优化方法，该方法采用如下步骤：
步骤一：输入待解决故障信息，包括故障数量fn、故障电站地点fa、故障电站装机容量ca、故障电站故障等级fg、故障电站剩余维修等待时间rt、故障流水号sn；
步骤二：通过遗传算法得出路径优化算法；
步骤三：通过路径优化算法输出最优运维方案；
步骤四：通过运维人员执行最优路径，当运维耗时与预计耗时不符或运维期间出现新故障时，需要对待解决故障的信息进行更新，再次重复步骤二、步骤三和步骤四，直至运维人员成功执行最优路径。
优选的，所述步骤二中的路径优化算法过程如下：
S21：输入交通成本矩阵，即各故障地点以及出发地点两两之间的交通成本C；
S22：将故障流水号sn随机排序，构成初始基因gene0_0＝[sn_a1,sn_a2,…sn_an]；
S23：重复步骤S22N次，形成N条初始基因gene0_1、gene0_2…gene0_N；N条初始基因构成初始种群P；
S24：构造适应度函数F(gene)，
F(gene)＝a/(Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n)+b/(I(sn_1)*ca_sn_1
+I(sn_2)*ca_sn_2+…)+c/(I(sn_1)*fg_sn_1+I(sn_2)*fg_sn_2+…)
+d/(I(sn_1)*rt_sn_1+I(sn_2)*rt_sn_2+…)
其中，gene表示适应度函数评价适应度的基因，sn_1、sn_2…sn_n表示基因中各故障流水号，Csn_i,sn_i+1表示由故障流水号sn_i、sn_i+1与交通成本矩阵C确定的两个故障地点之间的交通成本，Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n表示按gene中流水号顺序进行维修的总交通成本，I(sn_i)表示sn_i在gene中的顺序，如sn_i在gene中排在第一位，则I(sn_i)＝1，ca_sn_i表示故障流水号sn_i对应故障电站的装机容量，fg_sn_i表示故障流水号sn_i对应故障电站的故障等级，rt_sn_i表示故障流水号sn_i对应故障电站的剩余维修等待时间，a表示交通成本惩罚系数，默认为1000，a越大则算法越重视交通成本的影响，优先选择交通成本较低的路线，b表示装机容量惩罚系数，默认为100，b越大则算法越重视交通成本的影响，优先选择维修装机容量较大的电站，c表示故障等级惩罚系数，默认为500，c越大则算法越重视故障等级的影响，优先选择维修故障等级较高的电站，d表示维修时间惩罚系数，默认为300，d越大则算法越重视维修时间的影响，优先选择维修维修等待时间较少的电站；
S25：从种群P中随机选择2m个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene)),即适应度越大，被选择概率越高，对2m个个体两两进行交叉操作，即以概率pc随机抽取若干个个体基因片段与配对个体进行交换，形成m个新个体加入种群，
S26：从种群P中随机选择n个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene)),即适应度越大，被选择概率越高；对选中的n个个体分别进行突变操作，即随机选择基因中两个基因片段，互相交换位置，形成n个新个体加入种群，形成新种群；交叉方法和变异方法如图2所示；
随机选择两个个体后，以概率Pc交叉，子代分别继承父母的部分基因，且保持顺序与父代一致，如图2中的父代的基因序列；
随机选取Parent1的部分基因，如678，与Parent2交叉，交叉结果如图2所示；
变异以Pm的概率发生，在TSP问题中因为每个城市只经过一次，所以在变异的时候不能只是改变基因序列中的某一位的值(这会导致一个城市经过两次)，应该随机交换两个位置的值，如图2所示，交换了3和8的位置。
S27：重复步骤S25和S26，直至达到算法最大迭代次数，或存在个体的适应度函数达到给定阈值；
S28：输出适应度最大的个体，个体中的流水号顺序即算法给出的电站维修顺序。
为了更好地证明基于遗传算法的光伏电站运维派工优化方法的合理性，分别采用随机法、贪心算法和遗传算法三种方法进行实验：
故障频发地区两地间交通时间成本如下表所示，包括了杭州、德清、海宁、湖州、建德、开化、柯城、临安、临海、龙泉、磐安、衢州、上虞、绍兴、嵊州、台州、天台、桐庐、桐乡、余姚、诸暨等地。
各地区间平均交通时间花费：159分钟，其中，
(1)采用随机路线法巡检21地平均总耗时：3340分钟；
(2)采用贪心算法(下一个目的地为离当前位置的最近的地点)，选取路线为：
杭州>桐乡>海宁>上虞>绍兴>余姚>嵊州>天台>临海>台州>磐安>诸暨>临安>德清>湖州>桐庐>建德>柯城>衢州>开化>龙泉>杭州；
所耗时间为：61min，35min，65min，45min，40min，86min，69min，54min，68min，144min，99min，98min，73min，58min，140min，66min，71min，13min，61min，217min，313min，总计1876分钟；
(3)采用改进后的遗传算法，
运维地点时间成本矩阵如表1所示：
表1：运维地点时间成本矩阵
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
杭州 德清 海宁 湖州 建德 开化 柯城 临安 临海 龙泉 磐安 衢州 上虞 绍兴 嵊州 台州 天台 桐庐 桐乡 余姚 诸暨
0 杭州 0 68 67 96 114 198 166 62 189 313 154 170 71 70 104 221 144 78 61 88 82
1 德清 68 0 83 58 143 226 194 73 216 339 176 209 101 100 132 248 170 110 92 115 110
2 海宁 67 83 0 98 154 238 204 114 176 313 162 209 65 83 94 210 132 119 35 79 103
3 湖州 96 58 98 0 175 265 230 119 245 370 206 237 131 132 160 283 200 140 87 146 139
4 建德 114 143 154 175 0 102 71 125 219 210 170 76 149 139 177 258 213 66 169 165 136
5 开化 198 226 238 265 102 0 56 197 241 217 191 61 227 216 199 281 235 135 250 254 166
6 柯城 166 194 204 230 71 56 0 182 197 189 150 13 188 177 156 236 194 100 214 207 127
7 临安 62 73 114 119 125 197 182 0 244 315 167 176 129 105 164 281 200 89 104 144 98
8 临海 189 216 176 245 219 241 197 244 0 228 97 208 148 167 112 68 54 261 205 151 172
9 龙泉 313 339 313 370 210 217 189 315 228 0 187 192 280 281 241 276 267 247 331 313 255
10 磐安 154 176 162 206 170 191 150 167 97 187 0 164 132 127 88 144 88 171 175 156 99
11 衢州 170 209 209 237 76 61 13 176 208 192 164 0 195 187 173 248 210 108 226 213 136
12 上虞 71 101 65 131 149 227 188 129 148 280 132 195 0 45 67 186 117 120 99 55 87
13 绍兴 70 100 83 132 139 216 177 105 167 281 127 187 45 0 68 187 109 120 99 40 77
14 嵊州 104 132 94 160 177 199 156 164 112 241 88 173 67 68 0 153 69 154 117 86 107
15 台州 221 248 210 283 258 281 236 281 68 276 144 248 186 187 153 0 90 273 234 179 212
16 天台 144 170 132 200 213 235 194 200 54 267 88 210 117 109 69 90 0 191 161 127 144
17 桐庐 78 110 119 140 66 135 100 89 261 247 171 108 120 120 154 273 191 0 121 136 107
18 桐乡 61 92 35 87 169 250 214 104 205 331 175 226 99 99 117 234 161 121 0 101 105
19 余姚 88 115 79 146 165 254 207 144 151 313 156 213 55 40 86 179 127 136 101 0 97
20 诸暨 82 110 103 139 136 166 127 98 172 255 99 136 87 77 107 212 144 107 105 97 0
则采用改进后的遗传算法选取路线为：
杭州>临安>德清>湖州>桐乡>海宁>诸暨>绍兴>余姚>上虞>嵊州>天台>台州>临海>磐安>龙泉>开化>柯城>衢州>建德>桐庐>杭州；
所耗时间为：62min，73min，58min，87min，35min，103min，77min，40min，55min，67min，69min，90min，68min，97min，187min，217min，56min，13min，76min，66min，78min，总计1674分钟。
对于21个地点内的运维路线，经与穷举法获得的最优路径相对比，确认改进后的遗传算法可获得最优路径。
遗传算法是计算数学中用于解决最佳化的搜索算法，遗传算法通过将一定数量的候选解(称为个体)抽象表示为染色体，经过不断进化与优胜劣汰，最终找到最优解。
选择遗传算法求解最优运维策略主要有两大优势：基于遗传算法求解各类TSP问题已有大量研究成果可供参考，算法成熟，性能可靠；通过调整染色体编码方式、适应度函数，遗传算法可以满足不同问题的需要，(如通过修改染色体编码方式，可适应多点出发，多人运维的问题，通过修改适应度函数，可适应不同的时间限制条件或不同的成本计算方式)，算法便于迭代优化，满足实际运维环境下出现的新需求。
本发明提出了一种基于遗传算法的光伏电站运维派工优化方法，该方法针对大批量户用分布式光伏电站的运维任务，应用针对m-tsp问题的GA算法，为多电站的运维派工提供优化路径，支持对多个光伏电站、多运维人员、多目标、多点出发的运维派工问题进行优化，支持多类型成本函数；可以设置不同的派工限制条件或成本考量因素，如必须在规定时间内到达，或时间成本最小交通成本最小等；加快了遗传算法的收敛速度与寻优能力。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于遗传算法的光伏电站运维派工优化方法，其特征在于，包括以下步骤：
步骤一：输入待解决故障信息，包括故障数量fn、故障电站地点fa、故障电站装机容量ca、故障电站故障等级fg、故障电站剩余维修等待时间rt、故障流水号sn；
步骤二：通过遗传算法得出路径优化算法；
所述步骤二中的路径优化算法过程如下：
S21：输入交通成本矩阵，即各故障地点以及出发地点两两之间的交通成本C；
S22：将故障流水号sn随机排序，构成初始基因gene0_0＝[sn_a1,sn_a2,…sn_an]；
S23：重复步骤S22 N次，形成N条初始基因gene0_1、gene0_2…gene0_N；N条初始基因构成初始种群P；
S24：构造适应度函数F(gene)，
F(gene)＝a/(Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n)+b/(I(sn_1)*ca_sn_1+I(sn_2)*ca_sn_2+…)+c/(I(sn_1)*fg_sn_1+I(sn_2)*fg_sn_2+…)+d/(I(sn_1)*rt_sn_1+I(sn_2)*rt_sn_2+…)
其中，gene表示适应度函数评价适应度的基因，sn_1、sn_2…sn_n表示基因中各故障流水号，Csn_i,sn_i+1表示由故障流水号sn_i、sn_i+1与交通成本矩阵C确定的两个故障地点之间的交通成本，Csn_1,sn_2+Csn_2,sn_3+…+Csn_n-1,sn_n表示按gene中流水号顺序进行维修的总交通成本，I(sn_i)表示sn_i在gene中的顺序，则I(sn_i)＝1，ca_sn_i表示故障流水号sn_i对应故障电站的装机容量，fg_sn_i表示故障流水号sn_i对应故障电站的故障等级，rt_sn_i表示故障流水号sn_i对应故障电站的剩余维修等待时间，a表示交通成本惩罚系数，默认为1000，b表示装机容量惩罚系数，默认为100，c表示故障等级惩罚系数，默认为500，d表示维修时间惩罚系数，默认为300；
S25：从种群P中随机选择2m个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene))，对2m个个体两两进行交叉操作，即以概率pc随机抽取若干个个体基因片段与配对个体进行交换，形成m个新个体加入种群；
S26：从种群P中随机选择n个个体，个体gene_i被选中的概率为F(gene_i)/sum(F(gene)),对选中的n个个体分别进行突变操作，即随机选择基因中两个基因片段，互相交换位置，形成n个新个体加入种群，形成新种群；
S27：重复步骤S25和S26，直至达到算法最大迭代次数，或存在个体的适应度函数达到给定阈值；
S28：输出适应度最大的个体，个体中的流水号顺序即算法给出的电站维修顺序；
步骤三：通过路径优化算法输出最优运维方案；
步骤四：通过运维人员执行最优路径，当运维耗时与预计耗时不符或运维期间出现新故障时，需要对待解决故障的信息进行更新，再次重复步骤二、步骤三和步骤四，直至运维人员成功执行最优路径。
CN201810191085.4A 2018-03-08 2018-03-08 一种基于遗传算法的光伏电站运维派工优化方法 Active CN108446840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810191085.4A CN108446840B (zh) 2018-03-08 2018-03-08 一种基于遗传算法的光伏电站运维派工优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810191085.4A CN108446840B (zh) 2018-03-08 2018-03-08 一种基于遗传算法的光伏电站运维派工优化方法

Publications (2)

Publication Number Publication Date
CN108446840A CN108446840A (zh) 2018-08-24
CN108446840B true CN108446840B (zh) 2021-09-17

Family

ID=63193810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810191085.4A Active CN108446840B (zh) 2018-03-08 2018-03-08 一种基于遗传算法的光伏电站运维派工优化方法

Country Status (1)

Country Link
CN (1) CN108446840B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284840A (zh) * 2018-10-30 2019-01-29 安徽尚特杰清洁能源集团有限公司 一种分布式光伏电站的故障处理方法
CN111027800A (zh) * 2019-10-25 2020-04-17 南昌轨道交通集团有限公司 设备巡检异常信息的处理方法、装置和电子设备
CN110648085B (zh) * 2019-10-30 2022-04-29 新奥数能科技有限公司 一种综合能源园区运维方法及系统
CN114462665A (zh) * 2021-12-15 2022-05-10 国家电投集团数字科技有限公司 一种光伏场站维修路径的规划方法及系统
CN117239946B (zh) * 2023-09-20 2024-08-23 厦门矿通科技有限公司 一种应用于光伏电站的大规模光伏组件的智能监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
CN103366223A (zh) * 2013-06-26 2013-10-23 贵州电网公司电力调度控制中心 灾难性事故下电力系统路径恢复方法
CN104572438A (zh) * 2014-08-20 2015-04-29 国家电网公司 多变电站设备运行维护优化方法
CN105574611A (zh) * 2015-12-14 2016-05-11 国家电网公司 一种含分布式电源配电网络的检修计划优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
CN103366223A (zh) * 2013-06-26 2013-10-23 贵州电网公司电力调度控制中心 灾难性事故下电力系统路径恢复方法
CN104572438A (zh) * 2014-08-20 2015-04-29 国家电网公司 多变电站设备运行维护优化方法
CN105574611A (zh) * 2015-12-14 2016-05-11 国家电网公司 一种含分布式电源配电网络的检修计划优化方法

Also Published As

Publication number Publication date
CN108446840A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108446840B (zh) 一种基于遗传算法的光伏电站运维派工优化方法
Tang et al. A survey on distribution system feeder reconfiguration: Objectives and solutions
CN103136585B (zh) 基于混沌遗传策略的加权Voronoi图变电站规划方法
CN105098762B (zh) 一种含分布式电源配电网的孤岛划分方法
Sahoo et al. Simple heuristics-based selection of guides for multi-objective PSO with an application to electrical distribution system planning
CN107025518A (zh) 一种电动汽车充电站规划方法及装置
CN115310378A (zh) 一种极端台风灾害下电网韧性评估及差异化规划方法
CN112865118B (zh) 一种用于电网动态无功储备需求计算的深度学习模型生成方法
CN106941256A (zh) 计及最大供电能力和最小联络建设费用的配电网主变联络结构优化规划方法
CN111200290A (zh) 一种用于台区三相不平衡治理的换相开关智能控制方法
CN111159922A (zh) 一种电力系统连锁故障的关键线路辨识方法和装置
CN115034510A (zh) 适用于台风场景的电网安全风险全过程闭环管控优化方法及装置
CN112558601A (zh) 一种基于Q-learning算法和水滴算法的机器人实时调度方法及系统
CN115423242A (zh) 一种基于配电网重构的供电能力挖掘方法
CN111369388A (zh) 用于城市电网的对抗脆弱性评估方法及系统
CN113222286B (zh) 设备检修策略优化方法及装置、存储介质
CN103489336B (zh) 一种适用于广域空中交通流量调控的方法
CN112686472A (zh) 一种分布式光伏等效电站的功率预测方法
CN105514925A (zh) 一种基于遗传算法的750kV变电站故障恢复方法
CN114977185A (zh) 一种基于ap聚类算法的电网分区与电网关键断面识别方法
CN110571791B (zh) 一种新能源接入下的输电网规划的优化配置方法
CN110365006B (zh) 一种基于nwbbo算法的电网分区方法
Rahmani et al. A combinatorial approach for transmission expansion & reactive power planning
CN107944641B (zh) 一种减小频率时空分布的输电线路规划方案优选方法
Wu Multi-objective distribution network reconstruction based on decimal coding

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: F4, 200 Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province, 214000

Patentee after: Wuxi Yingzhen Technology Co.,Ltd.

Address before: 214000 Tianan smart city 2-405, 406, New District, Wuxi City, Jiangsu Province

Patentee before: WUXI YINGZHEN TECHNOLOGY CO.,LTD.