CN111666706A - 一种基于粒子群算法的检修计划编制优化方法 - Google Patents
一种基于粒子群算法的检修计划编制优化方法 Download PDFInfo
- Publication number
- CN111666706A CN111666706A CN202010417884.6A CN202010417884A CN111666706A CN 111666706 A CN111666706 A CN 111666706A CN 202010417884 A CN202010417884 A CN 202010417884A CN 111666706 A CN111666706 A CN 111666706A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- overhaul
- constraints
- planning optimization
- model
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 210
- 238000005457 optimization Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000002245 particle Substances 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 12
- BZLVMXJERCGZMT-UHFFFAOYSA-N Methyl tert-butyl ether Chemical compound COC(C)(C)C BZLVMXJERCGZMT-UHFFFAOYSA-N 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 241001494479 Pecora Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- LTXREWYXXSTFRX-QGZVFWFLSA-N Linagliptin Chemical compound N=1C=2N(C)C(=O)N(CC=3N=C4C=CC=CC4=C(C)N=3)C(=O)C=2N(CC#CC)C=1N1CCC[C@@H](N)C1 LTXREWYXXSTFRX-QGZVFWFLSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于粒子群算法和多目标优化理论的检修计划编制优化方法，属于电网检修领域，包括：步骤S100，建立一组待编制优化检修任务的包含目标函数的检修计划编制优化模型；步骤S200，通过粒子群算法获得所述检修计划编制优化模型的一个最优解集；所述最优解集的一个最优解为一个检修计划；步骤S300，以所述最优解集为帕累托最优集的，并且，以一个所述目标函数的评价方法的，获取所述帕累托最优集的一个或多个最优折衷解。本发明通过模糊评价的方式筛选出适合决策者偏好的最优折中解，完成了电网检修计划的自动编制优化，提升了检修计划编制的效率。
Description
技术领域
本发明属于电网检修领域，特别涉及一种基于粒子群算法和多目标优化理论的检修计划编制优化方法。
背景技术
电力设备检修作为供电部门企业日常运行的重要工作，是提高设备健康水平、保证电网安全运行和持续可靠供电的一项必要措施。过去电网检修计划的制定和实施主要依靠人力完成，其准确性和经济性受专业技术能力、工作经验等人为因素影响较大。随着电网规模的不断扩大使得电网结构和运行方式日趋复杂，检修计划的制定和监控实施复杂度呈几何倍数的上升，人为方式已不太适用。同时，由于电网模型太过庞大，建模过于复杂，诸多因素耦合在一起，且难以量化，传统的优化算法大多是基于固定的规则进行推理决策，无法适用日趋复杂的检修模式，且容易陷入局部最优。
粒子群算法(PSO)属于群智能算法的一种，是通过模拟鸟群捕食行为设计的。假设区域里就只有一块食物(即通常优化问题中所讲的最优解)，鸟群的任务是找到这个食物源。鸟群在整个搜寻的过程中，通过相互传递各自的信息，让其他的鸟知道自己的位置，通过这样的协作，来判断自己找到的是不是最优解，同时也将最优解的信息传递给整个鸟群，最终，整个鸟群都能聚集在食物源周围，即我们所说的找到了最优解，即问题收敛。
帕累托(Pareto)多目标优化理论指出原因和结果、投入和产出、努力和报酬之间本来存在着无法解释的不平衡。在有多个目标时，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能是最差的。这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的解称为非支配解或帕累托(Pareto)解。一组目标函数最优解的集合称为帕累托(Pareto)最优集。最优集在空间上形成的曲面称为帕累托(Pareto)前沿面。
发明内容
本发明目的在于提供一种用于完成电网检修计划的检修计划编制优化方法，便于在电网检修计划编制系统的自动化实施，进一步提供检修计划编制评价策略。
本发明提供的技术方案是，一种基于粒子群算法的检修计划编制优化方法，包括：
步骤S100，建立一组待编制优化检修任务的包含目标函数的检修计划编制优化模型；
步骤S200，通过粒子群算法获得所述检修计划编制优化模型的一个最优解集；所述最优解集的一个最优解为一个检修计划；
步骤S300，以所述最优解集为帕累托最优集的，并且，以一个所述目标函数的评价方法的，获取所述帕累托最优集的一个或多个最优折衷解。
进一步的，在本发明的实施例中，所述检修计划编制优化模型的目标函数包括电网安全性模型、检修工作量模型和期望缺供电量模型中的一个或者多个。
进一步的，在本发明的实施例中，所述检修计划编制优化模型的约束条件的类别包括等式约束条件和非等式约束条件。
进一步的，在本发明的实施例中，所述等式约束条件包括设备检修时间约束、检修时间段约束、检修工作量约束、同时检修约束、顺序检修约束和不可变更的检修约束中的一个或者多个。
进一步的，在本发明的实施例中，所述非等式约束条件包括互斥检修约束和/或检修资源约束。
进一步的，在本发明的实施例中，步骤S300中，所述目标函数的评价方法为模糊满意度评价方法。
进一步的，在本发明的实施例中，所述电网安全性模型根据设备影响因素的权重计算电网安全风险，所述影响因素包括保护设备电压等级、保护设备类别和保护配置中的一个或者多个。
进一步改进的实施例中，所述检修工作量模型采用样本方差衡量检修工作量分布情况，使检修计划的检修工作段平均分布在检修期间。
在本发明的一个实施例中，所述期望缺供电模型采用蒙特卡洛模拟法进行计算求解。
在本发明的一个实施例中，所述一组待编制优化检修任务筛选于一组建议检修任务，所述筛选条件为每个待编制优化检修任务对应于筛选时到期需要检修的设备。
本发明的一个实施例中，通过粒子群算法模型解耦电网检修计划编制中各因素的耦合关系，实例化检修计划编制优化可计算模型，结合粒子群算法全局寻优的能力和多目标优化理论中对解的博弈判定，形成帕累托非支配解集，最后通过模糊评价的方式衡量各个目标的比重，选出符合决策者偏好的最优折中解。
本发明至少一个方面的有益效果是，通过结合粒子群算法在复杂模型解耦和全局寻优的能力，以及多目标优化理论中关于解的博弈判定，综合电网检修实际经验，建立电网检修计划编制优化可计算模型，通过迭代判定，计算出电网检修计划编制优化最优解集，再在衡量多目标比重的基础上，通过模糊评价的方式筛选出适合决策者偏好的最优折中解，完成了电网检修计划的自动编制优化，提升了检修计划编制的效率。
附图说明
图1为本发明一个实施例中检修计划编制优化方法的流程图；
图2为本发明一个实施例中元件状态持续时间抽样原理图；
图3为本发明一个实施例中粒子群优化算法流程图。
具体实施方式
首先应当说明的是，现有技术中，电网检修计划的编制全部是基于收集资料，在电网检修计划编制系统由人工进行编制调整，该方案依赖于编制人员的专业素质和行业经验，编制思路以主观判断为主，难以实施自动化编制。本发明的发明构思在于通过将电网检修考虑的主要因素与粒子群算法和多目标优化理论进行结合，通过实例化模型和算法迭代的方式，求得并输出最优的一组解决方案，以供决策人选择。该技术方案尤其适于电网检修计划的编制，使电网检修计划编制系统的实现对推选电网检修计划的自动化实施。
一般电力行业会在年底制定第二年的检修计划，通过年计划-月计划-日计划的方式进行逐层次推理，耗时大概在2个月左右，且需要检修部门从上到下的通力合作，在制定完成后，任何的现场突发情况和缺陷信息都会导致计划的调整，工作量十分巨大，而采用计算机算法的方式进行的话，大概在2天左右可以给出预计划，大大节省计划制定的时间周期。
本发明的多个实施例提供的检修计划编制优化方法是一种基于粒子群算法原理和多目标优化理论的电网检修计划编制优化数学建模方法。一个电网检修计划是针对多个检修任务对象符合约束条件的时间列表，每个检修任务对象是运行计算机程序的存储设备中的一个固定的数据结构，这种检修任务对象的数据结构以下简称任务，当涉及多个不同任务时采用任务1、任务2…的有序方式描述用以区别。在一个实施例中，同一序号的任务指同一任务。在不同实施例中如非特别说明，具用相同序号的任务无相关性。本发明涉及的多个公式中，以i作为公共的不确定序数，在不同公式中i的范围和单位由公式本身决定，与其在其他公式的意义无关。
如图1所示，本发明的以下多个实施例的基于粒子群算法的检修计划编制优化方法，包括步骤S100至S300。其中，
步骤S100，建立一组待编制优化检修任务的包含目标函数的检修计划编制优化模型；
步骤S200，通过粒子群算法获得所述检修计划编制优化模型的一个最优解集；所述最优解集的一个最优解为一个检修计划；
步骤S300，以所述最优解集为帕累托最优集的，并且，以一个所述目标函数的评价方法的，获取所述帕累托最优集的一个或多个最优折衷解。
本发明的多个实施例中用于粒子群算法的检修计划编制优化模型指形如下式的迭代公式，以下简称优化模型：
其中，f1(X),f2(X),f3(X)…为与一组待编制优化检修任务的决策向量X相关多个目标函数，一组具有确定的n个待编制优化检修任务的决策向量表示为形如X＝(x1,x2,x3...xn)的n维决策向量，x1至xn的每一个元素xi为代表一个待编制优化检修任务特征的数学表达式；在一些实施例中目标函数至少包括以下模型之一，电网安全性模型f1(X)、检修工作量模型f2(X)和期望缺供电量模型f3(X)；对于一个目标函数，min意为求解的收敛方向是最小值方向；s.t.为式中各个目标函数共同的约束条件，即“约束于”，包括l个第一约束条件gj(X)和m个第二约束条件hk(X)，其中gj(X)表示第j个等式约束条件，hk(X)表示第k个非等式约束条件，即，式中l为模型中选用的第一约束条件的数量，，gj(X)为第j个等式约束条件，gj(X)＝0代表必须满足等式约束条件；k为非等式约束条件的数量，hk(X)为第k个非等式约束条件，hk(X)≤0代表必须满足非等式约束条件。
在一个具体的实施例中，X是一组表示要编制的一组检修任务中每个任务的检修开始时间矢量，式(1)模型的目的就是要求解这个矢量X的一个最优集合，f1(X),f2(X)为需要考虑的目标通过量化建模后确定的目标函数，所述目标包括制定的检修计划的成本，对人力的负荷(工作量)、对损失的估计(缺供电量)等等；第一类约束条件gj(X)是等式约束条件，比如任务1和任务2在同一次停电范围内，那么他们应同时开始检修；第二类约束条件hk(X)是非等式约束条件，比如任务1和任务2存在资源冲突，不能同时检修，那么任务1的检修开始时间必须小于或大于任务的检修开始时间。每一类约束条件包括多类具体的约束条件，即对于优化模型中的约束条件，对于一组检修任务的优化模型，由于涉及不同具体分组的设备或者任务，可以包括多个同一类型的约束条件。
在以下第一实施例中，涉及多个一次设备，对于各个一次设备包括下表的一组待编制优化检修任务，检修任务供13项，n＝13，约束条件中“宜同时检修”的等式约束条件为5项，l＝5，约束条件中“宜同时检修”的非等式约束条件为8项，m＝8。
表一
作为示范的，其中对于任务1至13的等式约束条件包括：g1(x1,x2,x3)＝0，即x1＝x2＝x3，任务1、任务2和任务3必须同时开始；g2(x4,x5,x6)＝0，即x4＝x5＝x6，任务4、任务5和任务6必须同时开始；g3(x7,x8)＝0，即x7＝x8，任务7和任务8必须同时开始；g4(x9,x10)＝0，即x9＝x10，任务9和任务10必须同时开始；g5(x12,x13)＝0，即x12＝x13，任务12和任务13必须同时开始。
作为示范的，其中对于任务1至13的非等式约束条件包括：h1(x1,x4)！＝0，即x1≠x4，任务1与任务4不能同时进行；h2(x7,x1)<0，即x7>x1，任务7比任务1必须早开始；h3(x7,x4)<0，即x7>x4，任务7比任务4必须早开始；h4(x9,x7)<0，即x9>x7，任务9比任务7必须早开始；h5(x9,x1)<0，即x9>x1，任务9比任务1必须早开始；h6(x9,x4)<0，即x9>x4，任务9比任务4必须早开始；h7(x7,x11)<0，即x7>x11，任务7比任务11必须早开始；h8(x11,x9)<0，即x11>x9，任务11比任务9必须早开始。
进一步的示范性选择，本实施例中，以每个检修任务的开始时间为自变量，即xi为检修任务i的开始时间，n个待编制优化检修任务构成n维决策向量，确立目标函数的优化方向统一按最小化发展，确立检修规则的等式约束和不等式约束。
在以下第二实施例中，检修计划编制优化模型的目标函数包括以下式表述的电网安全性模型。
其中，Rs为待检修设备失效风险值，无单位，I为二次设备对电网安全影响的重要程度，无单位，n为统计的电网待检修设备数。
本实施例考虑待检修设备为二次设备，二次设备运行风险直接影响到电网运行的可靠性。所谓设备运行的风险，就是指其发生故障的概率以及故障后带来损失后果的综合。电网运行安全评估主要是进行二次设备失效模式研究和后果分析，并推断设备以及对整个系统安全的影响、可能引发的损失与后果及如何避免或减少损失。根据风险评估与状态评价结果可以形成设备的管控级别，从而对设备进行差异化运维，实现检修周期的科学调整。综合考虑配电网二次设备的重要度以及设备失效风险，建立式(2)风险模型作为本实施例的一个目标函数。
本实施例中，式(2)中二次设备失效风险值Rs可依据设备的最后一次检验时间和故障率进行评价，最近得到检验的设备、故障率较低的设备失效风险较低。计算公式如下。
其中，t为检修开始时间，单位为小时，t1为上一次装置得到完整检验的时间，单位为小时；t2为上一次二次回路得到完整检验的时间，单位为小时；λ1为设备本体失效率；λ2为设备所在二次回路失效率。
作为示范的，本实施例中λ1和λ2分别通过式(4)、式(5)得到。
其中，MTBF1为装置本体平均无故障时间计算值，单位为小时；MTBF2为二次回路平均无故障时间计算值，单位为小时；MTBF1和MTBF2均可由现有的状态检修辅助决策系统查询得知。
作为示范的，本实施例式(2)中对电网安全影响重要程度I可通过保护设备电压等级、保护设备类别、保护配置等若干独立方面，即影响因素来描述，以保护设备电压等级、保护设备类别、保护配置3个影响因素为例，重要度I表达式为：
其中，ωi为影响因素的权重系数，无单位，fi为影响因素i对应的重要度等级，无单位。示范性的，依据式(6)中权重系数ωi的一个预设方案：保护设备电压等级04；保护设备类别04；保护配置0.2，本实施例涉及各设备重要程度量化模型获得的重要度如下表所示。
| 重要度I | 电压等级(kV) | 保护类别 | 配置 |
| 7 | 区域联络线 | ||
| 6 | 1000 | 母线 | |
| 5 | 单回线 | ||
| 4 | 500 | 其他线路 | |
| 3 | 220 | 变压器 | 双套配置 |
| 2 | 110 | 断路器、母联保护 | |
| 1 | 35 | 其他 | 单套配置 |
表二
其中，重要度数值越大代表其越重要。结合式(2)、(3)、(4)、(5)和(6)即可确定本实施例优化模型中的一个目标函数，即电网安全性模型，
在以下第三实施例中，检修计划编制优化模型的目标函数包括检修工作量模型f2(X)。本实例例考虑由于实际电网中管辖设备的地理范围较大，在设备检修申报计划中常常出现某些时间段内的检修工作特别密集，而其他时间段的检修工作又特别少，造成检修工作量分布的不均勻。对于供电企业而言，分布不均勾的检修工作任务不仅会对电网的安全稳定运行会产生较大的影响，而且容易造成检修资源的浪费。因此，将检修工作量作为优化目标，采用样本方差衡量检修工作量分布情况，使检修工作尽量平均分布在检修期间。作为示范的，本实施例的检修工作量模型通过下式表述：
其中，f2表示目标函数检修工作量模型，min f2表示其求解的方向是最小，Si为第i个固定周期检修工作量，单位为小时，
为一个固定周期检修工作数量的平均值，可优选包括计算时间点的一个固定周期，单位为小时，N为全部固定周期的个数，优选的，本实施例一个固定周期为一个月度，对于当本约束涉及全年时，即涉及计算一年12个月的检修工作量平均分布情况时，N＝12。本实施例中，对于已有的一套检修计划，每个检修任务对应的开始时间及持续时间可以计算到每个固定周期的工作量中去，由此计算出每个固定周期的检修工作量。
基于本实施例的构思，在其他选用检修工作量模型为目标函数的实施例中，固定周期为一个月度中的一天，Si为每月第i天检修工作数量，单位为小时，S为该月每天检修工作数量的平均值，单位为小时，N为当月检修总的工作天数，如对于约束范围涉及某年三月份时，N＝31。由式(7)即可得出本实施例优化模型中一个目标函数，即检修工作量模型f2(X)。
在以下第四实施例中，检修计划编制优化模型的目标函数包括期望缺供电模型f3(X)。本实施例期望缺供电模型考虑对系统可靠性指标影响最大的几类元件的随机故障，建立这些设备的期望缺供电模型作为优化模型中的一个目标函数。作为示范的，本实施例期望缺供电模型采用蒙特卡洛(Monte-Carlo)模拟法进行计算求解。Monte-Carlo模拟法依据系统中每个元件的概率参数，釆用随机抽样的方法模拟并分析系统故障情况，从而统计得到可靠性指标。当抽样次数足够多时，仿真结果趋近于系统的实际情况，并以仿真获得的模型作为本实施例的期望缺供电模型。在Monte-Carlo模拟法中，系统状态是从设备的概率分布函数中抽样确定的，本实施例以发电机、线路(包括变压器)两类设备的随机故障建模获得期望缺供电模型为例，建立下式的期望缺供电模型。
其中，T为检修时段数，St为检修期间第t个时段有切负荷的系统集合，x＝(x1,...xn)为系统的元件状态向量，代表一个系统状态，Cx为系统x的切负荷量，M为系统元件数，xi为元件i的状态，xi＝1表示其处于停运状态，xi＝0表示其处于运行状态，Pi为元件i的停运概率，Tt为检修时段单位小时数。
本实施例中，优化模型的策略向量X为每个检修任务的开始时间组成的矢量，而每个任务中都会涉及到一定的设备，本实施例的期望缺供电模型就是求解在何种检修模式(各任务检修开始时间)下目标系统缺供电的极值。
本实施例中，对于系统中除检修元件外的任一发电机或线路元件，其停运模型一般采用两状态模型，即工作状态和故障停运状态，如下式所示：
其中，Xk为任一元件k的运行状态，P(Xk)为Xk的概率函数，ek元件k的强迫停运率，Xk＝1表示元件k为故障停运状态，Xk＝0表示元件k为工作状态。
作为示范的，本实施例提供式(8)中元件k的强迫停运率的一种计算方法，根据下式可得。
其中，λk、μk分别为元件k的故障率和修复率，可通过对元件长期运行的寿命过程和随机状态信息统计得到。
假定系统中除检修元件外的各元件初始状态为正常运行状态，且各元件的无故障工作时间和维修时间均为服从指数分布的随机变量，则可对每个元件当前的状态持续时间依据下式进行抽样。
其中，Tm、Tr为元件的无故障工作时间和维修时间，单位为小时，ξi、ξ2为[0，1]上均匀分布的随机数。抽样得到系统中各元件的工作状态和故障状态的持续时间序列后，综合所有元件的信息，即可获得系统的状态序列和持续时间，作为示范的，本实施例为简单系统，由元件A、B、C构成，具体如图2所示，对3个元件A、B、C的运行和故障状态持续时间模拟，合并后获得系统状态和状态持续时间。在随机抽样产生的系统状态序列中，如果状态中故障元件完全相同，计算出的切负荷量是完全相同的，而对可靠性指标的贡献只与该状态的持续时间有关，因此可以通过系统状态持续时间相加的方法将两状态进行合并。
对每一个不同的系统状态进行分析，具体步骤包括：S141，对系统的状态进行网络解列判断和潮流分析，判断是否有节点功率失衡、节点电压越限、线路拥塞等故障状态的出现；S142，在潮流分析的基础上，模拟实际的校正策略进行优化调整，消除系统的故障状态、保证系统的安全稳定运行。校正措施包括发电机的有功和无功出力调整、变压器的档位调整等，如经过优化调整后仍不能使系统恢复至安全状态，则最后采用的校正措施就是负荷削减；S143，最后，根据每个系统状态的分析结果，得出各个检修方式下系统的切负荷量，从而结合式(8)、(9)、(10)、(11)根据式(8)所示的本实施例的期望缺供电模型便可求得检修周期内的期望缺供电量EENS，即可求解一个目标函数包含期望缺供电量模型f3(X)的优化模型。
在以下第五实施例中，检修计划编制优化模型的多类等式约束条件包括检修时间约束条件，表述为等式约束条件g1(X)。检修时间约束条件假设，检修工作应贯彻“应修必修，修必修好”的原则，所以任何设备检修均应在规定时间段内完成，因此对于每一个具体的检修时间约束条件g1(X)均可表述为下式形式。
其中，中
为设备检修状态，表示第i个设备在第t个时间段内的检修状态，
为设备i在第t个时间段停电检修，
为设备i在第t个时间段正常运行，si表示设备i在第si时段开始检修，ei和li分别表示设备i可开始检修的最早时间段和最迟时间段，mi为设备i检修持续时间段。
在以下第六实施例中，检修计划编制优化模型的多类等式约束条件包括检修时间段约束条件g2(X)。检修时间段约束条件考虑检修工作可分配的时间段对检修任务进行分配，作为示范的，本实施例考虑，检修工作应尽量安排在工作日，国家法定节假日不安排检修工作，因此本实施例每个检修时间段约束条件通过下式表述。
其中，si为检修工作开始时间，具体的，单位为天，mi为检修工作持续时间，具体的，单位为天。
在以下第七实施例中，检修计划编制优化模型的多类等式约束条件包括工作量约束条件g3(X)。工作量约束条件考虑同一设备釆用不同时间安排的检修方式所占用的工作量之间的固定关系。本实施例考虑该关系应保持不变，因此每一个工作量约束条件均通过下式表示。
其中，
为第t个时段设备i安排的检修工作量，单位为小时，
为设备检修状态，表示第i个设备在第t个时间段内的检修状态，bi为设备i检修所需的工作量，T为总的检修方式数。
在以下第八实施例中，检修计划编制优化模型的多类等式约束条件包括同时检修约束条件g4(X)。同时检修约束条件考虑检修计划应尽量避免重复检修操作，一次停电可以解决的问题要全面解决，不允许因考虑不周而发生重复停电的问题。因此，有些设备必须同时检修。当月所有检修中，凡是使同一条线路、相同节点失电的检修，都认为是重复停电检修，在进行检修计划时间编排时，将重复停电检修安排在相同的时间段内，即在此检修计划执行过程中只允许停电一次。具体的，本实施例的策略向量每个任务选取的任务特征包括开始检修时间，本实施例的每个同时检修约束条件可表述为下式形式。
sk＝si (15)
其中si为设备i开始检修时间，sk为与设备i造成同一区域失电的设备k开始检修时间。
在以下第九实施例中，检修计划编制优化模型的多类等式约束条件包括顺序检修约束条件g5(X)。顺序检修约束条件考虑，由于供电系统覆盖较大的地理区域，考虑到检修工作人员及检修资金的数量限制，在制定检修计划时要充分考虑检修人员检修路线的合理性，尽量按照地理位置就近原则合理安排检修顺序，这样既减轻劳动强度又可以减少差旅费等检修管理费用从而提高经济效益。示范性的，本实施例优化模型的多个顺序检修约束条件约束均用下式形式表达。
sj＝si+mi+1 (16)
其中，si为设备i开始检修时间，sj为设备j开始检修时间，mi为设备i检修持续时间段。
在以下第十实施例中，检修计划编制优化模型的多类等式约束条件包括不可变更的检修约束条件g6(X)。不可变更的检修约束条件考虑在一组检修任务中存在多个不可变更的检修任务，在对优化模型的粒子群算法迭代中，不应参加检修时间的优化变更。本实施例中，不可变更的检修任务包括：上级调度部门制定的检修计划包括的任务，上月延续至本月的遗留任务以及事故检修任务。本实施例中，任务特征选为任务起始时间，根据上述条件约束的表述，这类检修的起始时间可以认为是确定的，不参加检修计划时间的优化编排，因此本实施例中，每个不可变更的检修约束条件可使用下式形式表述。
其中，
为设备i在第t时间段内检修状态，
表示设备i处于检修状态，
表示设备i处于正常运行状态。
在以下第十一实施例中，检修计划编制优化模型的多类非等式约束条件包括互斥检修约束条件h1(X)。互斥检修约束条件考虑，为了避免负荷点在检修时停电，或者对于某些特殊的电气结构，有些设备不能同时检修，因此不能将其安排在相同的时间段内检修。本实施例中，任务特征选择开始检修时间，优化模型中的每个互斥检修约束条件通过下式形式表述。
sj>si+mi+1 (18)
其中si为设备i开始检修时间，sj为与设备i存在检修冲突的设备j开始检修时间，mi为设备i检修持续时间段，时间单位为小时，本实施例中，设备i与设备j每次检修之间应当间隔1小时，故设置mi后的间隔常量为1。
本实施例中，mi为设备i一次检修所需时长，可由外部获取的典型检修工作时长表得到，具体的，本实施例提供整组待编制优化检修任务的检修任务表中每个任务记录包含预估检修时长字段。
在基于本实施例发明构思的一个改进实施例中，每个mi可以通过如下公式(19)计算。
其中，zi为设备i安排的最小检修次数，bi为设备i检修所需的总工作量，单位为小时。
在以下第十二实施例中，检修计划编制优化模型的多类非等式约束条件包括检修资源约束条件h2(X)。检修资源约束条件考虑，检修人员数量及技术能力、设备能力等，由于资源有限使得能同时进行检修的设备数量有限。本实施例考虑检修人员数量及技术能力、设备能力的一个指标为一个时段内所能进行检修的工作量上限，即优化模型中的各个检修资源约束条件以下式形式表述。
其中，
为设备i在第t时间段内检修状态，
为设备i在第t时间段内安排的检修工作量，单位为小时，N为设备数目，Zmax为第t时段所能进行检修的工作量上限。
在以下第十三实施例中，提供了一种步骤S100的具体的实施步骤，以获取可以在步骤S200中可参与粒子群算法迭代计算的优化模型，具体的，其包括以下步骤S101至S104。
S101，获取一组待编制优化检修任务。该组任务在实施步骤S100、S200及S300期间应当是固定的。具体的，对于一组待编制优化检修任务可以是如表一所示的数据形式。
S102，获取该组待编制优化检修任务的编制原则，根据编制原则选择目标函数的类别和约束条件的类别。第二实施例、第三实施例和第四实施例分别提供了一种目标函数的类别，第五实施例至第十二实施例分别提供了一种约束条件的类别。
具体的，本步骤依据的编制原则包括检修工作的基本实施原则、实际检修工作安排中的惯例以及其他考量因素，根据编制原则列举出对检修工作编制起约束作用的约束条件，如检修时间约束、检修工作量约束、同时检修约束、互斥检修约束、顺序检修约束、不可变更检修约束、设备重要程度和设备状态约束、检修资源约束和安全约束等。进一步的，根据编制原则列举对于一个具体的检修计划的评价模型的类别，即目标函数的类别。
本步骤综合考虑电网检修计划编制中的安全性、可靠性和经济性，从不同角度考量检修计划编制的合适度，如安全性、工作量、期望缺供电量等。具体的，根据目标函数之间相似和互斥的原则，选定具代表性的互斥的优化目标，如检修工作量和安全性，检修工作量与期望缺供电量，通过对检修任务工时、起止时间、设备重要程度、系统负荷实时数据综合考虑，将目标函数通过数学模型的方式具体量化。
本步骤考虑，确定检修计划编制优化的约束条件，如检修时间约束、检修工作量约束、同时检修约束等。具体的，根据检修工作的基本实施原则和实际检修工作安排中的惯例和其他考量因素，列举出对检修工作编制起约束作用的条件，如检修时间约束、检修工作量约束、同时检修约束、互斥检修约束、顺序检修约束、不可变更检修约束、设备重要程度和设备状态约束、检修资源约束和安全约束。
S103，读取该组待编制优化检修任务涉及的待检修设备信息、负荷预测数据和网络参数信息，对决策向量进行初始化处理。具体的，本实施例以每个检修任务的开始时间为自变量，n个待编制优化检修任务构成n维决策向量。
S104，根据目标函数的类别和约束条件的类别，构建检修计划编制优化模型的目标函数和约束条件的数学模型，量化约束条件对各个目标函数所代表的优化目标的约束程度，确立目标函数的优化方向统一按最小化发展，即确定全部目标函数和约束条件的表达式形式和具体参数，示范性的获取方式已由第二实施例指第十二实施例提供，本领域技术人员根据本发明启示可以进一步提供其他目标函数和约束条件以便获取更优效果。
在以下第十四实施例中，提供了一种步骤S100的具体的实施步骤，与第十三实施例的区别在于，本实施例中，已有先验具备的一个检修计划编制优化模型，该优化模型至少包括检修时间约束，待编制优化检修任务来自于一组建议检修任务，首先根据检修时间约束从建议检修任务中筛选获得到期需要检修的设备作为进一步调整优化模型的一组待编制优化检修任务，再根据该组待编制优化检修任务，重新调整优化模型的形式和参数。具体的步骤为，读取待检修的设备信息、约束条件以及负荷预测数据和网络参数信息，对约束条件进行初始化处理；根据检修时间约束，整理出到期需要检修的设备；对需要检修的设备进行同时检修约束、互斥检修约束、顺序检修约束和不可变更检修约束等规则判断，形成检修有效变量集作为决策向量。
在以下第十五实施例中，提供了一种步骤S200的具体的实施步骤。本实施例中，如图3所示，步骤S200包括初始化粒子种群，设置粒子群算法中粒子变异参数，确立迭代次数作为算法终止条件，开始全局搜索和迭代计算，形成帕累托非支配解集。具体的，对于如表一所示的一组检修任务，本实施例目标是求解出这一组任务中每个任务的检修开始时间；通过以下步骤S201至S203实现。
S201，对这一组检修任务采用gj(X)和hk(X)的约束条件进行校验，如果不能满足要求，将随机选出个别检修任务的检修时间进行变更，即粒子群算法中的速度和位移变换，直到有一组满足约束条件的解；
S202，对满足约束条件的解求解其目标函数，依据目标函数的计算方向与上次求解的结果进行比较，如果更优，就将这个解纳入可用的解集中，若解集满，则更新解集；
S203，依次过程不断迭代，直至迭代次数满，得到一个最优解集。
本实施例在一组检修任务作为输入的情况下，通过粒子群算法迭代获得的一个解为如下表形式的具体的检修计划。
| 任务编号 | 厂站名称 | 一次设备名称 | 保护设备名称 | 拟求出检修开始时间(X) |
| 1 | 守敬站 | #2主变 | 守敬站220kV2号主变RCS974A非电量保护装置 | x1＝2018/01/17：9：00 |
| 2 | 守敬站 | #2主变 | 守敬站220kV2号主变第2套RCS978N2变压器保护装置 | x2＝2018/01/17：9：00 |
| 3 | 守敬站 | #2主变 | 守敬站220kV2号主变第1套RCS978N2变压器保护装置 | x3＝2018/01/17：9：00 |
| 4 | 守敬站 | #3主变 | 守敬站220kV3号主变RCS974A非电量保护装置 | x4＝2018/02/19：9：00 |
| 5 | 守敬站 | #3主变 | 守敬站220kV3号主变第2套RCS978N2变压器保护装置 | x5＝2018/02/19：9：00 |
| 6 | 守敬站 | #3主变 | 守敬站220kV3号主变第1套RCS978N2变压器保护装置 | x6＝2018/02/19：9：00 |
| 7 | 守敬站 | 门守线 | 守敬站220kV门守线PSL603GC线路保护装置 | x7＝2018/05/0g：19：00 |
| 8 | 守敬站 | 门守线 | 守敬站220kV门守线RCS931BMV-HB线路保护装置 | x8＝2018/05/09：19：00 |
| 9 | 守敬站 | 220kV母线 | 守敬站220kV母线BP2B母线保护装置 | x9＝2018/03/12：11：00 |
| 10 | 守敬站 | 220kV母线 | 守敬站220KV母线RCS915CDHB母线保护装置 | x10＝2018/03/12：11：00 |
| 11 | 守敬站 | 220kV母联 | 守敬站220kV母联RCS923C断路器保护装置 | x11＝2018/04/03：15：00 |
| 12 | 羊范站 | #2主变 | 羊范站220kV#2主变第一套RCS978N2变压器保护装置 | x12＝2018/06/09：13：00 |
| 13 | 羊范站 | #2主变 | 羊范站220kV#2主变RCS974A非电量保护 | x13＝2018/06/09：13：00 |
表三
在以下第十六实施例中，提供了一种步骤S200的具体的实施步骤。本实施例与第十五实施例的区别在于，在粒子群算法中以一个预设的帕累托非支配解个数作为其算法终止条件。
在以下第十七实施例中，提供了一种步骤S300的具体的实施步骤。本实施例中，根据模糊评价计算步骤S200获得的帕累托非支配解集中所有解的满意度，选择满意度最大的解作为最优折中解。本实施例考虑，在电网检修计划优化问题中，各个目标函数的重要程度并不相同，在得到满足复杂约束条件的一组后，仍需要由决策者依据自身偏好从中选择唯一的满意解，也即最优折衷解。根据决策者偏好的不明确特点，具体的，本实施例采用模糊满意度对各目标进行模糊评价，并通过满意度比较找出符合决策者偏好的最优折衷解。模糊满意度用于表示决策者对帕累托(Pareto)最优解中各个目标函数对应的满意程度，其隶属度函数如公式所示：
其中，fi为第i个目标函数值，fimax和fimin分别为目标函数的上下限，当μi＝0时表示对某个目标函数完全不满意，μi＝1表示对某个目标函数完全满意，模糊满意度越高，目标评价越好，反之则目标评价越差。
对于每个帕累托(Pareto)最优解，根据如下公式求解其标准化满意度值，其中满意度值最大的解即为最优折衷解。
其中，μi为标准化满意度值，m为待优化的目标函数个数。
以上提供了本发明的多个实施例以及改进实施例，在本发明的构思中这些实施例中任何两个以上的组合技术方案也视为本发明提供的实施例之一。这些实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围。凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均应在本发明的保护范围之内。
Claims (10)
1.一种基于粒子群算法的检修计划编制优化方法，其特征在于，包括： 步骤S100，建立一组待编制优化检修任务的包含目标函数的检修计划编制优化模型； 步骤S200，通过粒子群算法获得所述检修计划编制优化模型的一个最优解集；所述最优解集的一个最优解为一个检修计划； 步骤S300，以所述最优解集为帕累托最优集的，并且，根据一个所述目标函数的评价方法的，获取所述帕累托最优集的一个或多个最优折衷解。
2.根据权利要求1所述的检修计划编制优化方法，其特征在于：所述检修计划编制优化模型的目标函数包括电网安全性模型 、检修工作量模型和期望缺供电量模型中的一个或者多个。
3.根据权利要求1所述的检修计划编制优化方法，其特征在于：所述检修计划编制优化模型的约束条件的类别包括等式约束条件和非等式约束条件。
4.根据权利要求3所述的检修计划编制优化方法，其特征在于：所述等式约束条件包括设备检修时间约束、检修时间段约束、检修工作量约束、同时检修约束、顺序检修约束和不可变更的检修约束中的一个或者多个。
5.根据权利要求3所述的检修计划编制优化方法，其特征在于：所述非等式约束条件包括互斥检修约束和/或检修资源约束。
6.根据权利要求1所述的检修计划编制优化方法，其特征在于：在步骤S300中，所述目标函数的评价方法为模糊满意度评价方法。
7.根据权利要求2所述的检修计划编制优化方法，其特征在于：所述电网安全性模型根据设备影响因素的权重计算电网安全风险，所述影响因素包括保护设备电压等级、保护设备类别和保护配置中的一个或者多个。
8.根据权利要求2所述的检修计划编制优化方法，其特征在于：所述检修工作量模型采用样本方差衡量检修工作量分布情况，使检修计划的检修工作段平均分布在检修期间。
9.根据权利要求2所述的检修计划编制优化方法，其特征在于：所述期望缺供电模型采用蒙特卡洛模拟法进行计算求解。
10.根据权利要求1所述的检修计划编制优化方法，其特征在于：一组所述待编制优化检修任务筛选于一组建议检修任务，所述筛选条件为每个待编制优化检修任务对应于筛选时到期需要检修的设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417884.6A CN111666706A (zh) | 2020-05-18 | 2020-05-18 | 一种基于粒子群算法的检修计划编制优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417884.6A CN111666706A (zh) | 2020-05-18 | 2020-05-18 | 一种基于粒子群算法的检修计划编制优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111666706A true CN111666706A (zh) | 2020-09-15 |
Family
ID=72383884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010417884.6A Pending CN111666706A (zh) | 2020-05-18 | 2020-05-18 | 一种基于粒子群算法的检修计划编制优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666706A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287591A (zh) * | 2020-10-21 | 2021-01-29 | 中国人民解放军海军工程大学 | 基于期望体系效能的舰艇编队等级修理计划编制方法 |
| CN112347590A (zh) * | 2020-11-30 | 2021-02-09 | 北海职业学院 | 一种基于逆向技术的失效零件优化设计方法 |
| CN112365069A (zh) * | 2020-11-17 | 2021-02-12 | 国家电网有限公司 | 电网定检计划编排的优化方法 |
| CN112537229A (zh) * | 2020-12-18 | 2021-03-23 | 西南交通大学 | 一种提高接触网检修效率的作业人员优化配置方法 |
| CN114444762A (zh) * | 2021-12-15 | 2022-05-06 | 国网江苏省电力有限公司徐州供电分公司 | 基于多目标粒子群的停电检修优化方法 |
| CN114548500A (zh) * | 2022-01-14 | 2022-05-27 | 北京全路通信信号研究设计院集团有限公司 | 一种检查计划优化方法、系统及装置 |
| CN118014168A (zh) * | 2024-04-10 | 2024-05-10 | 沈阳德成软件技术有限公司 | 一种基于粒子群算法的企业运营管理优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400209A (zh) * | 2013-04-18 | 2013-11-20 | 国家电网公司 | 配电网检修实施方案优化方法 |
| CN106339777A (zh) * | 2016-09-19 | 2017-01-18 | 广西电网有限责任公司 | 一种发电机组检修计划优化的最小失负荷期望模型计算方法 |
| 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 |
| CN109347151A (zh) * | 2018-11-30 | 2019-02-15 | 国家电网公司西南分部 | 一种新能源参与调峰的送端电网电源结构优化方法 |
| CN110060179A (zh) * | 2019-04-24 | 2019-07-26 | 国网山东省电力公司济南供电公司 | 基于风险重叠度的多电压等级检修计划优化方法及装置 |
-
2020
- 2020-05-18 CN CN202010417884.6A patent/CN111666706A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400209A (zh) * | 2013-04-18 | 2013-11-20 | 国家电网公司 | 配电网检修实施方案优化方法 |
| CN106339777A (zh) * | 2016-09-19 | 2017-01-18 | 广西电网有限责任公司 | 一种发电机组检修计划优化的最小失负荷期望模型计算方法 |
| 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 |
| CN109347151A (zh) * | 2018-11-30 | 2019-02-15 | 国家电网公司西南分部 | 一种新能源参与调峰的送端电网电源结构优化方法 |
| CN110060179A (zh) * | 2019-04-24 | 2019-07-26 | 国网山东省电力公司济南供电公司 | 基于风险重叠度的多电压等级检修计划优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘文颖 等: "基于小生境多目标粒子群算法的输电网检修计划优化", 《中国电机工程学报》, 5 February 2013 (2013-02-05), pages 141 - 148 * |
| 方交通大学铁道经济系统计教研室: "300MW火力发电机组运行与检修技术培训教材", 人民铁道出版社, pages: 134 - 135 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287591A (zh) * | 2020-10-21 | 2021-01-29 | 中国人民解放军海军工程大学 | 基于期望体系效能的舰艇编队等级修理计划编制方法 |
| CN112365069A (zh) * | 2020-11-17 | 2021-02-12 | 国家电网有限公司 | 电网定检计划编排的优化方法 |
| CN112365069B (zh) * | 2020-11-17 | 2024-05-31 | 国家电网有限公司 | 电网定检计划编排的优化方法 |
| CN112347590A (zh) * | 2020-11-30 | 2021-02-09 | 北海职业学院 | 一种基于逆向技术的失效零件优化设计方法 |
| CN112537229A (zh) * | 2020-12-18 | 2021-03-23 | 西南交通大学 | 一种提高接触网检修效率的作业人员优化配置方法 |
| CN114444762A (zh) * | 2021-12-15 | 2022-05-06 | 国网江苏省电力有限公司徐州供电分公司 | 基于多目标粒子群的停电检修优化方法 |
| CN114548500A (zh) * | 2022-01-14 | 2022-05-27 | 北京全路通信信号研究设计院集团有限公司 | 一种检查计划优化方法、系统及装置 |
| CN118014168A (zh) * | 2024-04-10 | 2024-05-10 | 沈阳德成软件技术有限公司 | 一种基于粒子群算法的企业运营管理优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666706A (zh) | 一种基于粒子群算法的检修计划编制优化方法 | |
| Wang et al. | A data-driven multi-agent autonomous voltage control framework using deep reinforcement learning | |
| CN110826818A (zh) | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 | |
| CN111667201A (zh) | 一种工业互联网智能监控的信息处理方法和装置 | |
| CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
| CN116933945A (zh) | 一种基于多元线性回归的工程项目工期预测方法 | |
| CN114971356A (zh) | 一种电力工程项目进度预测系统及方法 | |
| CN110956374A (zh) | 一种基于dea分析的电网技改项目投资效率效益评价方法 | |
| Kazaryan et al. | Scheduling of processes and results of the reorganization of construction objects building constructions, and their internal rooms | |
| RU114186U1 (ru) | Автоматизированная система мониторинга технического состояния и поддержки принятия управляющих решений по повышению безопасности и надежности комплексов гидротехнических сооружений гидроэлектростанций и иных объектов | |
| CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
| RU2549514C2 (ru) | Система прогнозирования и оценки безопасности опасного производственного объекта с использованием комплексной модели обеспечения безопасности | |
| RU2460127C1 (ru) | Автоматизированная система мониторинга технического состояния и поддержки принятия управляющих решений по повышению безопасности и надежности комплексов гидротехнических сооружений гидроэлектростанций и иных объектов | |
| CN116011722A (zh) | 一种面向大电网的人机协作的调控方法、模块及装置 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
| CN116307481A (zh) | 基于bim和模糊决策的配电台区进度编排方法、系统及设备 | |
| Listopad | Architecture of the Hybrid Intelligent Multi-agent System of Heterogeneous Thinking for Planning of Distribution Grid Restoration. | |
| Zhang et al. | Development of risk assessment model in construction project using fuzzy expert system | |
| CN107862476A (zh) | 一种基于数据分析的计量用表需求计算方法 | |
| He et al. | A survey on software reliability demonstration | |
| Xue et al. | Research on joint scheduling method of heterogeneous TT&C network resources based on improved DQN algorithm | |
| Sarmento et al. | Sizing an artificial neural network for modelling piping assembly labor productivity under different conditions | |
| Pan et al. | Research on project duration prediction based on multiple linear regression | |
| Mele et al. | Supply chain management through a combined simulation-optimisation approach | |
| Xu et al. | A Cost Prediction Model for Construction Projects Based on Bayesian Networks |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chang Fengran Inventor after: Gao Yan Inventor after: Zhang Lei Inventor after: Zhao Zigen Inventor after: Liu Hongjun Inventor after: He Yakun Inventor before: Chang Fengran Inventor before: Zhao Zigen Inventor before: Gao Yan Inventor before: Liu Hongjun Inventor before: He Yakun Inventor before: Zhang Lei |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |