CN110084382B - 一种配电网检修车辆调度方法及系统 - Google Patents
一种配电网检修车辆调度方法及系统 Download PDFInfo
- Publication number
- CN110084382B CN110084382B CN201811193711.XA CN201811193711A CN110084382B CN 110084382 B CN110084382 B CN 110084382B CN 201811193711 A CN201811193711 A CN 201811193711A CN 110084382 B CN110084382 B CN 110084382B
- Authority
- CN
- China
- Prior art keywords
- service
- center
- vehicle
- overhaul
- vehicles
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 88
- 238000009826 distribution Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 210000000349 chromosome Anatomy 0.000 claims description 82
- 230000007614 genetic variation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 108091026890 Coding region Proteins 0.000 claims description 5
- 230000002759 chromosomal effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种配电网检修车辆调度方法,包括:获取各检修中心车辆信息、需要检修的业务地点信息;将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;其中所述运营成本模型以运营成本最小为目标并结合边界约束条件构建;所述需要检修的业务包括:计划检修、故障抢修和临时检修。配电网电力故障检修业务水平的全体提高与资产管理水平的精益提升。
Description
技术领域
本发明涉及于配电网电力故障检修技术领域,具体涉及一种配电网检修车辆调度方法。
背景技术
随着城市建设与国民经济的迅速发展,居民用电负荷日益增长,电网控制与管理呈现出电网拓扑复杂化、故障类别多样化、数据利用率较低等特点,现有的管理手段已难以满足电网现代化生产以及建设发展的需要。传统的配电网电力故障检修中的检修车辆调度问题往往对电网规模、恶劣天气、道路拥挤等信息考虑不足,对计划检修的安排未能结合电网的实际情况进行制定,因而具体面临着以下几个方面的挑战:
其一,电力用户规模扩增导致的电力负荷增长,随之而来的是配电网的规模日益庞大,结构日趋复杂,从而使得电网故障数目大大增加。但由于政策、技术上等多方面原因的限制,计划检修偏于频繁,其方案制定依然没有一套科学合理的方法,一定程度上浪费了检修资源。
其二,配电网电力故障往往集中发生在台风、暴雨雪等极端天气情况下。对于一个供电区域,检修人员一天可能需要处理上百个故障点,检修车辆的科学合理车辆路径调度技术的缺失,使得故障响应时间大大延长,不利于服务质量的提升与企业形象的维护。
其三,传统的计划检修中并未考虑对配电网薄弱环节进行有针对性的处理,对现有配电网设备运行状态技术与配电网设备在线监测数据资源均构成了极大的浪费。
发明内容
本发明提供的技术方案是:一种配电网检修车辆调度方法,包括:
获取各检修中心车辆信息、需要检修的业务地点信息;
将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;
其中所述运营成本模型以运营成本最小为目标并结合边界约束条件构建;
所述需要检修的业务包括:计划检修、故障抢修和临时检修。
优选的,所述运营成本模型的目标函数,如下式所示:
式中:Z为整个系统的运营成本;w1为单位距离运输成本;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;w2为车辆早到每分钟的损失成本;Ei为车辆到达业务地点i的标准时间;Ti为车辆到达业务地点i的真实时间;w3为车辆晚到每分钟的损失成本;l为租车平均用车成本;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;c为自有车辆平均用车成本;K={kq|q=1,2,...,|K|}为自有车辆集合;I为对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合的并集;M为检修中心集合。
优选的,所述边界约束条件,包括:
当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
到达和离开任一业务地点的检修车辆数量相等的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
任一检修车辆的业务量不能超过其所承担最大业务量的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;qj为业务地点i的检修任务量;C为检修车辆所承担最大业务量。
任一检修车辆到达业务地点的时间约束如下式所示:
式中:Ti为车辆到达业务地点i的时间;ti为业务地点i所需的检修作业时间;V为车辆平均时速;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;dij为从业务地点或检修中心i到业务地点或检修中心j的距离。
任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心的约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
调度中心当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量。
调度中心当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
检修车辆的0-1变量约束:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0。
优选的,所述运营成本模型还包括,对所述需要检修的各业务设定其业务权重。
优选的,所述对需要检修的各业务设定其业务权重包括:
根据历史数据信息设定业务权重;
其中所述业务权重包括:业务地点的检修任务量、业务地点进行检修作业的时间窗、业务地点所需的检修作业时间。
优选的,所述将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案,包括:
基于各检修中心设定一个虚拟检修中心,所述虚拟检修中心包括所有检修中心的车辆;
基于所述虚拟检修中心设定染色体,并为所述染色体进行编码;
针对所述染色体进行初始化;
将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解;
基于所述最优染色体获得车辆调度方案;
所述染色体包括:虚拟检修中心、车辆编码、出发的检修中心、业务地点、返回的检修中心;
所述染色体编码包括:虚拟检修中心+车辆编码+出发的检修中心+业务地点编码+返回的检修中心+虚拟检修中心。
优选的,所述将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案之前还包括:
为所述各检修中心编码,构建检修中心集合;
为车辆进行编码;
为业务地点进行编码,构建业务地点集合。
优选的,所述将所述染色体进行初始化,包括:
将所述染色体分为第一部分和第二部分:
基于预设的规则对所述染色体的第一部分和染色体的第二部分分别进行构造
所述第一部分为“车辆编码+出发检修中心”;
所述第二部分为“虚拟检修中心+出发检修中心+业务地点编码+返回检修中心+虚拟检修中心”。
优选的,所述基于预设的规则对染色体的第一部分进行构造,包括:
基于各检修中心,所述检修中心自有车辆优先满足所述车辆所在配电网电力检修业务的需求,这部分自有车辆设为本地车辆;当运力充足时,自有车辆中多余的车辆优先调配给最近的运力不足的检修中心,这部分自有车辆设为调拨车辆;
当运力不足时,判断从其他检修中心调配的调拨车辆是否满足运力,当运力仍不足时,向外界租赁车辆;
按照本地车辆、调拨车辆和租赁车辆的先后顺序进行编码;
基于所述编码对第一部分进行构造。
优选的,所述对染色体的第二部分进行构造,包括:
步骤1:在直角坐标系上求出所有检修中心的重心坐标,作为虚拟检修中心的坐标;
步骤2:建立以虚拟检修中心为极点,以虚拟检修中心和任一客户的连线为极轴的极坐标系;
步骤3:利用逆时针扫描法进行客户分群;
步骤4:对于每个客户分群,利用C-W节约算法优化形成一条以虚拟检修中心为始点和终点的车辆路径;
步骤5:对于每条路径,分别计算其中首末客户与各个检修中心的距离:并将各自最近的检修中心插入首末客户与虚拟检修中心之间,形成一条完整的路径;
步骤6:将调拨车辆的车辆编号按照染色体编码顺序插入上述各条路径;
步骤7:将极轴偏移某一角度,重复步骤3-步骤6,直至产生N/2条染色体的种群;
步骤8:再用顺时针扫描法进行客户分群,重复步骤4-步骤6,形成N/2条染色体。
优选的,所述对需要检修的各业务设定其业务权重还包括:
基于固定时间周期对各检修业务的地点及其业务权重进行更新。
优选的,所述各检修中心车辆信息、需要检修的业务地点信息,包括:
检修中心的数据、检修中心位置信息、计划检修信息、故障抢修的业务点、故障抢修的业务点位置信息、基于设备运行状态提出的临时检修业务点、设备运行状态、位置信息、自有车辆检修中心和自有车辆检修中心的位置信息;
设备运行状态预警阈值、最大迭代次数、拥有的自有车辆数量、自有车辆执行检修业务的固定成本、租用车辆执行检修业务的固定成本、车辆早到每分钟的损失成本、车辆晚到每分钟的损失成本、车辆平均时速。
一种配电网检修车辆调度系统,包括:
获取模块:用于获取各检修中心车辆信息、需要检修的业务地点信息;
计算模块:用于将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案。
优选的,所述获取模块,包括检修中心车辆信息获取子模块和检修的业务地点信息获取子模块;
所述检修中心车辆信息获取子模块:用于获取设备运行状态预警阈值、最大迭代次数、拥有的自有车辆数量、自有车辆执行检修业务的固定成本、租用车辆执行检修业务的固定成本、车辆早到每分钟的损失成本、车辆晚到每分钟的损失成本、车辆平均时速;
所述业务地点信息获取子模块:用于获取检修中心的数据、检修中心位置信息、计划检修信息、故障抢修的业务点、故障抢修的业务点位置信息、基于设备运行状态提出的临时检修业务点、设备运行状态、位置信息、自有车辆检修中心和自有车辆检修中心的位置信息
优选的,所述计算模块,包括:
目标函数子模块;
边界约束条件子模块;
遗传基因算法子模块。
优选的,所述目标函数子模块,包括:
式中:Z为整个系统的运营成本;w1为单位距离运输成本;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;w2为车辆早到每分钟的损失成本;Ei为车辆到达业务地点i的标准时间;Ti为车辆到达业务地点i的真实时间;w3为车辆晚到每分钟的损失成本;l为租车平均用车成本;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;c为自有车辆平均用车成本;K={kq|q=1,2,...,|K|}为自有车辆集合;I为对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合的并集;M为检修中心集合。
优选的,所述边界约束条件子模块,包括:
当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
到达和离开任一业务地点的检修车辆数量相等的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
任一检修车辆的业务量不能超过其所承担最大业务量的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;qj为业务地点i的检修任务量;C为检修车辆所承担最大业务量。
任一检修车辆到达业务地点的时间约束如下式所示:
式中:Ti为车辆到达业务地点i的时间;ti为业务地点i所需的检修作业时间;V为车辆平均时速;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;dij为从业务地点或检修中心i到业务地点或检修中心j的距离。
任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心的约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
调度中心当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量。
调度中心当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
检修车辆的0-1变量约束:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0。
优选的,所述遗传基因算法子模块,用于:
基于各检修中心设定一个虚拟检修中心,所述虚拟检修中心包括所有检修中心的车辆;
基于所述虚拟检修中心设定染色体,并为所述染色体进行编码;
针对所述染色体进行初始化;
将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解;
基于所述最优染色体获得车辆调度方案。
优选的,所述遗传基因算法子模块,包括:染色体第一构建单元、染色体第二构建单元和染色体遗传变异计算单元;
所述染色体第一构建单元:用于基于各检修中心,所述检修中心自有车辆优先满足所述车辆所在配电网电力检修业务的需求,这部分自有车辆设为本地车辆;当运力充足时,自有车辆中多余的车辆优先调配给最近的运力不足的检修中心,这部分自有车辆设为调拨车辆;
当运力不足时,判断从其他检修中心调配的调拨车辆是否满足运力,当运力仍不足时,向外界租赁车辆;
按照本地车辆、调拨车辆和租赁车辆的先后顺序进行编码;
基于所述编码对第一部分进行构造;
所述染色体第二构建单元:用于通过所述编码对第二部分进行构造
步骤1:在直角坐标系上求出所有检修中心的重心坐标,作为虚拟检修中心的坐标;
步骤2:建立以虚拟检修中心为极点,以虚拟检修中心和任一客户的连线为极轴的极坐标系;
步骤3:利用逆时针扫描法进行客户分群;
步骤4:对于每个客户分群,利用C-W节约算法优化形成一条以虚拟检修中心为始点和终点的车辆路径;
步骤5:对于每条路径,分别计算其中首末客户与各个检修中心的距离:并将各自最近的检修中心插入首末客户与虚拟检修中心之间,形成一条完整的路径;
步骤6:将调拨车辆的车辆编号按照染色体编码顺序插入上述各条路径;
步骤7:将极轴偏移某一角度,重复步骤3-步骤6,直至产生N/2条染色体的种群;
步骤8:再用顺时针扫描法进行客户分群,重复步骤4-步骤6,形成N/2条染色体。
所述染色体遗传变异计算单元:用于将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解。
与现有技术相比,本发明的有益效果为:
1、一种配电网检修车辆调度方法,其特征在于,包括:获取各检修中心车辆信息、需要检修的业务地点信息;将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;其中所述运营成本模型以运营成本最小为目标并结合边界约束条件构建;所述需要检修的业务包括:计划检修、故障抢修和临时检修。本申请技术方案实现了检修车辆的科学合理车辆路径调度,使得故障响应时间降低。
2、本申请技术方案实现科学合理检修方案的方法,节约了检修资源。
3、本申请技术方案对配电网薄弱环节进行有针对性的处理,实现了对配电网设备运行状态技术与配电网设备在线监测数据资源的充分利用。
附图说明
图1为本发明的一种配电网检修车辆调度方法流程图;
图2为本发明的配电网检修车辆调度及其染色体示意图;
图3为本发明的具体实施例配电网检修车辆调度方法流程图;
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明公开了一种配电网检修车辆调度技术。假设某地区配电网有多个检修中心,均拥有充足的检修人力资源。每个配电网计划检修、临时检修或抢修的业务地点所需检修人力资源已知。各检修中心、业务地点等节点之间的距离已知,且具有对称性。该某地区电力公司拥有一批容量相同的配电网检修作业车辆分布在其所辖多个检修中心;当运力不足时,可立即从其企业支付较高的租金租到同类车辆。此外,各检修中心之间共享上述电力公司的自有车辆,根据需要进行动态部署。每个配电网检修决策周期中,每辆车只执行一次检修任务:车辆从某一检修中心出发,完成配电网检修任务回到任一检修中心:当前配电网检修决策周期备检修中心初始拥有的自有车辆为上一周期结束时该检修中心的自有车辆:每位业务地点所需的检修人力资源需求均能得到满足。各业务地点的检修业务一次完成,且有时间窗限制。需要解决的问题是:在电力公司自有车辆对检修人员运力有限的情况下,如何合理部署各检修中心之间的车辆调动及其检修作业路径,以满足配电网计划检修、临时检修或抢修的业务地点的多权重检修需求及时间窗限制,并使整个系统的运营成本最小。
如图1所示包括:
S1、获取各检修中心车辆信息、需要检修的业务地点信息;
S2、将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;
其中所述运营成本模型以运营成本最小为目标并结合边界约束条件构建;
所述需要检修的业务包括:计划检修、故障抢修和临时检修。
具体实施步骤如下:如图3
S1、获取各检修中心车辆信息、需要检修的业务地点信息:
步骤1:数据导入与参数初始化。
步骤1.1:节点数据导入与参数初始化。
导入检修中心集合M={mq|q=1,2,...,|M|}及其位置信息导入计划检修、故障抢修的业务地点集合/>及其位置信息/>导入基于设备运行状态提出的临时检修业务地点集合/>设备运行状态/>及其位置信息/>检修中心与业务地点共同构成节点集合;对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合I1、I2、I3,满足(I1∩I2)∪(I3∩I2)∪(I3∩I1)=φ。依据目标配电网的当地地图数据信息与各节点位置信息,对于/>j∈M∪I1∪I2∪I3,计算节点i和j之间的距离dij;初始化设备运行状态预警阈值ε,最大迭代次数Tmax。
步骤1.2:车辆数据导入与参数初始化。
导入自有车辆集合K={kq|q=1,2,...,|K|}及其位置信息统计检修中心mq初始拥有的自有车辆数量/>则有等于电力公司自有车辆的总数|K|。初始化自有车辆执行检修业务的固定成本c;初始化租用车辆执行检修业务的固定成本l>c;初始化单个车辆所承担最大业务量C,单位距离运输成本w1,车辆早到每分钟的损失成本w2,车辆晚到每分钟的损失成本w3,车辆平均时速V。
步骤2:建立/更新当日业务地点集合及其业务权重。
对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合 依据专家经验或历史数据信息设定对应的业务权重集合设定业务地点i∈I1∪I2∪I3的检修任务量qi;设定业务地点i进行检修作业的时间窗[Ei,Li];设定业务地点i所需的检修作业时间ti。
运营成本模型以运营成本最小为目标并结合边界约束条件构建;
步骤3:建立运营成本模型以及边界约束条件。
步骤3.1:建立运营成本模型。
根据上述假设和定义,建立配电网检修车辆调度运营成本的混合整数规划模型如下式(3-1)所示,以便使整个系统的运营成本最小:
其中,Ti表示车辆到达业务地点i的时间;zm表示检修中心m需要的租车数量;xijk表示车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1;否则为0;yijk表示车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1;否则为0。
步骤3.2:建立边界约束条件。
为了使式(3-1)所示的运营成本最小,建立以下边界约束:
考虑当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务:
考虑到达和离开任一业务地点的检修车辆数量相等:
考虑任一检修车辆的业务量不能超过其所承担最大业务量:
考虑任一检修车辆到达业务地点的时间约束:
考虑任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心:
考虑电力公司当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制:
考虑电力公司当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
/>
考虑检修车辆的0-1变量约束:
S2、将各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案:
步骤4:应用遗传算法求解配电网检修车辆调度混合整数规划问题。
步骤4.1:染色体设计。为了求解配电网检修车辆调度问题,引入一个虚拟检修中心,并将检修中心与虚拟检修中心合并为一个虚拟节点。其中,虚拟检修中心与各个检修中心均相连,且距离为0。配电网检修车辆由虚拟检修中心出发,经由各个检修中心前往各个业务地点,并最终经由任一检修中心返回虚拟检修中心。同时,考虑虚拟检修中心为租用车辆提供商,可租用车辆数量无上限。采用自然数编码方式避免二进制与十进制转换过程中常见的Hamming悬崖问题。染色体由“虚拟检修中心+车辆编码+出发检修中心+业务地点编码+返回检修中心+虚拟检修中心”构成,如下图2所示。
步骤4.2:种群初始化。针对步骤4.1所述染色体结构,将完整的染色体分为两部分:第一部分为“车辆编码+出发检修中心”,表示检修中心与检修车辆之间的对应关系;第二部分为“虚拟检修中心+出发检修中心+业务地点编码+返回检修中心+虚拟检修中心”,表示检修车辆进行检修作业的车辆路线。提出种群初始化方法如下:
步骤4.2.1:种群初始化中,根据以下规则构造染色体的第一部分:
步骤4.2.1.1每个检修中心的自有车辆必须优先满足本地的配电网电力检修业务需求,之后空闲的车辆才能调拨给其他检修中心使用:
步骤4.2.1.2车辆优先调配给最近的运力不足的检修中心;
步骤4.2.1.3企业自有车辆进行共享调拨之后运力仍有不足,才能向外界租车;
步骤4.2.1.4每个检修中心按照本地车辆、调拨车辆和租赁车辆的编码先后顺序来安排检修任务。
因此,当实际出发的检修中心确定后,检修车辆的编码也即确定。
步骤4.2.2:种群初始化中,根据以下规则构造染色体的第二部分:
步骤4.2.2.1在直角坐标系上求出所有检修中心的重心坐标,作为虚拟检修中心的坐标;
步骤4.2.2.2建立以虚拟检修中心为极点,以虚拟检修中心和任一客户的连线为极轴的极坐标系;
步骤4.2.2.3利用逆时针扫描法进行客户分群;
步骤4.2.2.4对于每个客户分群,利用C-W节约算法优化形成一条以虚拟检修中心为始点和终点的车辆路径;
步骤4.2.2.5对于每条路径,分别计算其中首末客户与各个检修中心的距离:并将各自最近的检修中心插入首末客户与虚拟检修中心之间,形成一条完整的路径;
步骤4.2.2.6根据步骤4.2.1中的车辆调派规则.将安排好的车辆编号按照染色体编码顺序插入上述各条路径.从而实现染色体两部分的“嫁接”,构成一条完整的染色体;
步骤4.2.2.7将极轴偏移某一角度,重复步骤4.2.2.3-步骤4.2.2.6,直至产生N/2条染色体的种群;
步骤4.2.2.8为保证种群的多样性:再用顺时针扫描法进行客户分群,重复步骤4.2.2.4-步骤4.2.2.6,形成N/2条染色体。
步骤4.3:染色体遗传变异求解。设适应度函数为(3-1)式所示目标函数的倒数,采用如下方法进行染色体遗传变异求解:
步骤4.3.1进行染色体的交叉和变异操作;
步骤4.3.2对子代染色体采用适应度函数进行选择操作;
步骤4.3.3依据最大迭代次数Tmax,终止迭代并输出对(3-1)式表现最优的染色体。
步骤4.4:输出配电网检修车辆调度方案。
采用步骤4.3.3输出的最优的染色体作为配电网检修车辆调度方案。
实施例2:
一种配电网检修车辆调度系统,包括:
获取模块:用于获取各检修中心车辆信息、需要检修的业务地点信息;
计算模块:用于将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案。
优选的,所述获取模块,包括检修中心车辆信息获取子模块和检修的业务地点信息获取子模块;
所述检修中心车辆信息获取子模块:用于获取设备运行状态预警阈值、最大迭代次数、拥有的自有车辆数量、自有车辆执行检修业务的固定成本、租用车辆执行检修业务的固定成本、车辆早到每分钟的损失成本、车辆晚到每分钟的损失成本、车辆平均时速;
所述业务地点信息获取子模块:用于获取检修中心的数据、检修中心位置信息、计划检修信息、故障抢修的业务点、故障抢修的业务点位置信息、基于设备运行状态提出的临时检修业务点、设备运行状态、位置信息、自有车辆检修中心和自有车辆检修中心的位置信息
优选的,所述计算模块,包括:
目标函数子模块;
边界约束条件子模块;
遗传基因算法子模块。
优选的,所述目标函数子模块,包括:
式中:Z为整个系统的运营成本;w1为单位距离运输成本;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;w2为车辆早到每分钟的损失成本;Ei为车辆到达业务地点i的标准时间;Ti为车辆到达业务地点i的真实时间;w3为车辆晚到每分钟的损失成本;l为租车平均用车成本;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;c为自有车辆平均用车成本;K={kq|q=1,2,...,|K|}为自有车辆集合;I为对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合的并集;M为检修中心集合。
优选的,所述边界约束条件子模块,包括:
当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
到达和离开任一业务地点的检修车辆数量相等的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
任一检修车辆的业务量不能超过其所承担最大业务量的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;qj为业务地点i的检修任务量;C为检修车辆所承担最大业务量。
任一检修车辆到达业务地点的时间约束如下式所示:
式中:Ti为车辆到达业务地点i的时间;ti为业务地点i所需的检修作业时间;V为车辆平均时速;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;dij为从业务地点或检修中心i到业务地点或检修中心j的距离。
任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心的约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
调度中心当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量。
调度中心当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0。
检修车辆的0-1变量约束:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0。
优选的,所述遗传基因算法子模块,用于:
基于各检修中心设定一个虚拟检修中心,所述虚拟检修中心包括所有检修中心的车辆;
基于所述虚拟检修中心设定染色体,并为所述染色体进行编码;
针对所述染色体进行初始化;
将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解;
基于所述最优染色体获得车辆调度方案。
优选的,所述遗传基因算法子模块,包括:染色体第一构建单元、染色体第二构建单元和染色体遗传变异计算单元;
所述染色体第一构建单元:用于基于各检修中心,所述检修中心自有车辆优先满足所述车辆所在配电网电力检修业务的需求,这部分自有车辆设为本地车辆;当运力充足时,自有车辆中多余的车辆优先调配给最近的运力不足的检修中心,这部分自有车辆设为调拨车辆;
当运力不足时,判断从其他检修中心调配的调拨车辆是否满足运力,当运力仍不足时,向外界租赁车辆;
按照本地车辆、调拨车辆和租赁车辆的先后顺序进行编码;
基于所述编码对第一部分进行构造;
所述染色体第二构建单元:用于通过所述编码对第二部分进行构造
步骤1:在直角坐标系上求出所有检修中心的重心坐标,作为虚拟检修中心的坐标;
步骤2:建立以虚拟检修中心为极点,以虚拟检修中心和任一客户的连线为极轴的极坐标系;
步骤3:利用逆时针扫描法进行客户分群;
步骤4:对于每个客户分群,利用C-W节约算法优化形成一条以虚拟检修中心为始点和终点的车辆路径;
步骤5:对于每条路径,分别计算其中首末客户与各个检修中心的距离:并将各自最近的检修中心插入首末客户与虚拟检修中心之间,形成一条完整的路径;
步骤6:将调拨车辆的车辆编号按照染色体编码顺序插入上述各条路径;
步骤7:将极轴偏移某一角度,重复步骤3-步骤6,直至产生N/2条染色体的种群;
步骤8:再用顺时针扫描法进行客户分群,重复步骤4-步骤6,形成N/2条染色体。
所述染色体遗传变异计算单元:用于将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种配电网检修车辆调度方法,其特征在于,包括:
获取各检修中心车辆信息、需要检修的业务地点信息;
将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;
其中所述运营成本模型以运营成本最小为目标并结合边界约束条件构建;
所述需要检修的业务包括:计划检修、故障抢修和临时检修;
所述运营成本模型的目标函数,如下式所示:
式中:Z为整个系统的运营成本;w1为单位距离运输成本;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;w2为车辆早到每分钟的损失成本;Ei为车辆到达业务地点i的标准时间;Ti为车辆到达业务地点i的真实时间;w3为车辆晚到每分钟的损失成本;l为租车平均用车成本;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;c为自有车辆平均用车成本;K={kq|q=1,2,...,|K|}为自有车辆集合;I为对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合的并集;M为检修中心集合;
所述边界约束条件,包括:
当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
到达和离开任一业务地点的检修车辆数量相等的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
任一检修车辆的业务量不能超过其所承担最大业务量的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;qj为业务地点i的检修任务量;C为检修车辆所承担最大业务量;
任一检修车辆到达业务地点的时间约束如下式所示:
式中:Ti为车辆到达业务地点i的时间;ti为业务地点i所需的检修作业时间;V为车辆平均时速;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;
任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心的约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
调度中心当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;
调度中心当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
检修车辆的0-1变量约束:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;
所述将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案,包括:
基于各检修中心设定一个虚拟检修中心,所述虚拟检修中心包括所有检修中心的车辆;
基于所述虚拟检修中心设定染色体,并为所述染色体进行编码;
针对所述染色体进行初始化;
将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解;
基于所述最优染色体获得车辆调度方案;
所述染色体包括:虚拟检修中心、车辆编码、出发的检修中心、业务地点、返回的检修中心;
所述染色体编码包括:虚拟检修中心+车辆编码+出发的检修中心+业务地点编码+返回的检修中心+虚拟检修中心。
2.如权利要求1所述的一种配电网检修车辆调度方法,其特征在于,所述运营成本模型还包括,对所述需要检修的各业务设定其业务权重。
3.如权利要求2所述的一种配电网检修车辆调度方法,其特征在于,所述对需要检修的各业务设定其业务权重包括:
根据历史数据信息设定业务权重;
其中所述业务权重包括:业务地点的检修任务量、业务地点进行检修作业的时间窗、业务地点所需的检修作业时间。
4.如权利要求1所述的一种配电网检修车辆调度方法,其特征在于,所述将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案之前还包括:
为所述各检修中心编码,构建检修中心集合;
为车辆进行编码;
为业务地点进行编码,构建业务地点集合。
5.如权利要求1所述的一种配电网检修车辆调度方法,其特征在于,所述将所述染色体进行初始化,包括:
将所述染色体分为第一部分和第二部分:
基于预设的规则对所述染色体的第一部分和染色体的第二部分分别进行构造
所述第一部分为“车辆编码+出发检修中心”;
所述第二部分为“虚拟检修中心+出发检修中心+业务地点编码+返回检修中心+虚拟检修中心”。
6.如权利要求4所述的一种配电网检修车辆调度方法,其特征在于,所述基于预设的规则对染色体的第一部分进行构造,包括:
基于各检修中心,所述检修中心自有车辆优先满足所述车辆所在配电网电力检修业务的需求,这部分自有车辆设为本地车辆;当运力充足时,自有车辆中多余的车辆优先调配给最近的运力不足的检修中心,这部分自有车辆设为调拨车辆;
当运力不足时,判断从其他检修中心调配的调拨车辆是否满足运力,当运力仍不足时,向外界租赁车辆;
按照本地车辆、调拨车辆和租赁车辆的先后顺序进行编码;
基于所述编码对第一部分进行构造。
7.如权利要求4所述的一种配电网检修车辆调度方法,其特征在于,所述对染色体的第二部分进行构造,包括:
步骤1:在直角坐标系上求出所有检修中心的重心坐标,作为虚拟检修中心的坐标;
步骤2:建立以虚拟检修中心为极点,以虚拟检修中心和任一客户的连线为极轴的极坐标系;
步骤3:利用逆时针扫描法进行客户分群;
步骤4:对于每个客户分群,利用C-W节约算法优化形成一条以虚拟检修中心为始点和终点的车辆路径;
步骤5:对于每条路径,分别计算其中首末客户与各个检修中心的距离:并将各自最近的检修中心插入首末客户与虚拟检修中心之间,形成一条完整的路径;
步骤6:将调拨车辆的车辆编号按照染色体编码顺序插入上述各条路径;
步骤7:将极轴偏移某一角度,重复步骤3-步骤6,直至产生N/2条染色体的种群;
步骤8:再用顺时针扫描法进行客户分群,重复步骤4-步骤6,形成N/2条染色体。
8.如权利要求3所述的一种配电网检修车辆调度方法,其特征在于,所述对需要检修的各业务设定其业务权重还包括:
基于固定时间周期对各检修业务的地点及其业务权重进行更新。
9.如权利要求1所述的一种配电网检修车辆调度方法,其特征在于,所述各检修中心车辆信息、需要检修的业务地点信息,包括:
检修中心的数据、检修中心位置信息、计划检修信息、故障抢修的业务点、故障抢修的业务点位置信息、基于设备运行状态提出的临时检修业务点、设备运行状态、位置信息、自有车辆检修中心和自有车辆检修中心的位置信息;
设备运行状态预警阈值、最大迭代次数、拥有的自有车辆数量、自有车辆执行检修业务的固定成本、租用车辆执行检修业务的固定成本、车辆早到每分钟的损失成本、车辆晚到每分钟的损失成本、车辆平均时速。
10.一种配电网检修车辆调度系统,其特征在于,包括:
获取模块:用于获取各检修中心车辆信息、需要检修的业务地点信息;
计算模块:用于将所述各检修中心车辆信息、需要检修的业务地点信息带入预先设定的运营成本模型,采用遗传算法进行求解获得车辆调度方案;
所述计算模块,包括:目标函数子模块;边界约束条件子模块;遗传基因算法子模块;
所述目标函数子模块,包括:
式中:Z为整个系统的运营成本;w1为单位距离运输成本;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;w2为车辆早到每分钟的损失成本;Ei为车辆到达业务地点i的标准时间;Ti为车辆到达业务地点i的真实时间;w3为车辆晚到每分钟的损失成本;l为租车平均用车成本;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;c为自有车辆平均用车成本;K={kq|q=1,2,...,|K|}为自有车辆集合;I为对于计划检修、故障抢修的业务地点集合以及基于设备运行状态提出的临时检修业务地点集合的并集;M为检修中心集合;
所述边界约束条件子模块,包括:
当日业务地点集合中的任一业务地点必须被检修一次,且仅由一辆自有或租赁车辆进行配电网检修业务的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
到达和离开任一业务地点的检修车辆数量相等的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
任一检修车辆的业务量不能超过其所承担最大业务量的约束条件如下式所示:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;qj为业务地点i的检修任务量;C为检修车辆所承担最大业务量;
任一检修车辆到达业务地点的时间约束如下式所示:
式中:Ti为车辆到达业务地点i的时间;ti为业务地点i所需的检修作业时间;V为车辆平均时速;xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;dij为从业务地点或检修中心i到业务地点或检修中心j的距离;
任一检修车辆当日必须仅从某一检修中心出发,并最终回到某一检修中心的约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
调度中心当日调动车辆数量应满足可用的自有以及租赁车辆数量的限制约束条件如下式所示:
式中:yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;km为检修中心m自有的车辆数量;zm为检修中心m需要的租车数量;
调度中心当日调动车辆数量应满足任一检修中心可用的自有以及租赁车辆数量的限制:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;yijk为车辆k从检修中心i到业务地点j或者从业务地点i到检修中心j时为1,否则为0;
检修车辆的0-1变量约束:
式中:xijk为车辆k从业务地点i到业务地点j或者从检修中心i到检修中心j时为1,否则为0;
所述遗传基因算法子模块,用于:
基于各检修中心设定一个虚拟检修中心,所述虚拟检修中心包括所有检修中心的车辆;
基于所述虚拟检修中心设定染色体,并为所述染色体进行编码;
针对所述染色体进行初始化;
将所述运营成本模型的目标函数的倒数,设为适应度函数,进行染色体遗传变异求解;
基于所述最优染色体获得车辆调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811193711.XA CN110084382B (zh) | 2018-10-12 | 2018-10-12 | 一种配电网检修车辆调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811193711.XA CN110084382B (zh) | 2018-10-12 | 2018-10-12 | 一种配电网检修车辆调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084382A CN110084382A (zh) | 2019-08-02 |
CN110084382B true CN110084382B (zh) | 2024-03-19 |
Family
ID=67412887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811193711.XA Active CN110084382B (zh) | 2018-10-12 | 2018-10-12 | 一种配电网检修车辆调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084382B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465280A (zh) * | 2019-09-09 | 2021-03-09 | 顺丰科技有限公司 | 任务的调整方法、装置、服务器及计算机可读存储介质 |
CN111080073A (zh) * | 2019-11-20 | 2020-04-28 | 国网上海市电力公司 | 一种停役任务智能分配方法 |
CN111754095A (zh) * | 2020-06-16 | 2020-10-09 | 北京汽车研究总院有限公司 | 基于人工智能的车辆调度方法、装置及系统 |
CN113762667A (zh) * | 2020-08-13 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种车辆调度方法和装置 |
CN116128258B (zh) * | 2023-04-17 | 2023-07-14 | 通号(长沙)轨道交通控制技术有限公司 | 一种铁路接触网检修人员配置方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986227A (zh) * | 2014-05-04 | 2014-08-13 | 国网河南省电力公司南阳供电公司 | 一种基于gis平台的电力配网监控运营方法及系统 |
CN106203830A (zh) * | 2016-07-12 | 2016-12-07 | 国网江西省电力公司南昌供电分公司 | 提升配网故障响应和抢修能力的供电服务体系 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN107464005A (zh) * | 2017-08-21 | 2017-12-12 | 中国人民解放军国防科技大学 | 一种用于车辆预约的拓展型路径规划方法 |
CN107844935A (zh) * | 2017-09-30 | 2018-03-27 | 中国汽车技术研究中心 | 一种基于环保和成本节约的车辆调度和路径规划方法 |
CN108182485A (zh) * | 2017-12-05 | 2018-06-19 | 中国电力科学研究院有限公司 | 一种配电网检修时机优化方法及系统 |
-
2018
- 2018-10-12 CN CN201811193711.XA patent/CN110084382B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986227A (zh) * | 2014-05-04 | 2014-08-13 | 国网河南省电力公司南阳供电公司 | 一种基于gis平台的电力配网监控运营方法及系统 |
CN106203830A (zh) * | 2016-07-12 | 2016-12-07 | 国网江西省电力公司南昌供电分公司 | 提升配网故障响应和抢修能力的供电服务体系 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN107464005A (zh) * | 2017-08-21 | 2017-12-12 | 中国人民解放军国防科技大学 | 一种用于车辆预约的拓展型路径规划方法 |
CN107844935A (zh) * | 2017-09-30 | 2018-03-27 | 中国汽车技术研究中心 | 一种基于环保和成本节约的车辆调度和路径规划方法 |
CN108182485A (zh) * | 2017-12-05 | 2018-06-19 | 中国电力科学研究院有限公司 | 一种配电网检修时机优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于GIS 的电网抢修车辆综合调度技术研究;汤继生等;系统开发与应用;第14卷(第2期);123-126 * |
基于GIS的配网抢修指挥业务关键技术研究;赵勇等;科技创新导报;22-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN110084382A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084382B (zh) | 一种配电网检修车辆调度方法及系统 | |
WO2021248607A1 (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Liu et al. | Coordinated charging scheduling of electric vehicles: A mixed-variable differential evolution approach | |
Liu et al. | Multi-agent based optimal scheduling and trading for multi-microgrids integrated with urban transportation networks | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
An et al. | Battery-swapping facility planning for electric buses with local charging systems | |
Yao et al. | A real-time charging scheme for demand response in electric vehicle parking station | |
US10320203B2 (en) | Adaptive charging algorithms for a network of electric vehicles | |
James | Two-stage request scheduling for autonomous vehicle logistic system | |
Frendo et al. | Real-time smart charging based on precomputed schedules | |
Alizadeh et al. | Optimized path planning for electric vehicle routing and charging | |
CN113780808B (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
CN111612358A (zh) | 共享汽车车辆调度及调度员路径优化方法 | |
CN110309436B (zh) | 考虑车主选择行为的汽车服务网络协同选址方法与系统 | |
CN112356721A (zh) | 基于云平台的电动汽车充电引导方法及系统 | |
CN111967804B (zh) | 基于移动充电设备主动配电的调度系统 | |
CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及系统 | |
CN105489061A (zh) | 公共自行车云端智能泊车及调配系统 | |
CN107832957A (zh) | 一种基于多类型自行车装卸的公共租赁自行车调度方法 | |
Shen et al. | Integrated optimization of electric vehicles charging location and allocation for valet charging service | |
CN112149906A (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
Walraven et al. | Planning under uncertainty for aggregated electric vehicle charging with renewable energy supply | |
Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
Li et al. | A solution for reallocating public bike among bike stations | |
CN109460844B (zh) | 基于gis的保电车辆优化调度方法 |
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 |