CN112232579A - 一种基于蚁群算法的电力物资调配方法 - Google Patents

Abstract

本发明公开了一种基于蚁群算法的电力物资调配方法，其包括电力物资数据采集、电力物资数据预处理、建立基于自适应蚁群算法的电力物资调配模型以及获得电力物资最佳调配方案四个步骤流程。在蚁群算法的基础上，提出了适用于电力物资调配需求的算法模型，可以获得电力物资调配的最佳方案，最大程度降低电力物资调配的成本和时间，有效提高了电力物资的调配效率和电力系统的管理水平。

Description

一种基于蚁群算法的电力物资调配方法

技术领域

本发明涉及一种电力物资调配方法，尤其涉及一种基于蚁群算法的电力物资调配方法，属于电力系统运维技术领域。

背景技术

随着我国经济的快速发展，电网建设也随之进入了发展的快车道。智能电网、特高压、直流输电、新能源等技术得到了大力发展。目前，电力系统内各类设备的安装量和使用量不断增加，同时电力企业减员增效工作持续推进，全面加强电力物资的调配效率和管理水平、提高高弹性电网的可靠性和效能性的现实需求逐渐明确。因此，借助人工智能等新技术来提高电力物资的调配效率和管理水平是一种有效的解决途径。

发明内容

本发明主要是解决现有技术中存在的不足，提供一种智能制定电力物资的最佳调配方案，以提高电力系统的运维效率和管理水平的一种基于蚁群算法的电力物资调配方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于蚁群算法的电力物资调配方法，按以下步骤进行：包括：电力物资数据采集、电力物资数据预处理、建立基于自适应蚁群算法的电力物资调配模型、获得电力物资最佳调配方案四个步骤流程；

(一)、电力物资数据采集：

通过电力物资台账系统、PMS系统获取各供应点的电力物资数据，如各供应点A₁，A₂，A₃，…，A_n的地理位置、所储存的物资种类、物资数量相关数据；同时，采集各需求点B₁，B₂，B₃，…，B_m的地理位置、所需求的物资种类、物资数量相关数据；

PMS系统是指电网工程生产管理系统；

(二)、电力物资数据预处理：

将电力物资需求划分为计划性需求和应急性需求两类；针对不同需求所考虑的因素不同，建立了集成运输成本因素C_ij和运输时效因素D_ij的综合评价指标模型；通过对运输成本因素和运输时效因素的权重调整，实现对计划性需求和应急性需求的电力物资调配策略的自适应制定；

在运输成本因素C_ij中，考虑了综合用工成本、车辆损耗、燃油费用、保养费用相关多种参量；在运输时效因素D_ij中，考虑了不同电力物资的运输条件；

(三)、建立基于自适应蚁群算法的电力物资调配模型：

根据第一步和第二步输入的相关数据，完成电力物资调配的最优策略制定；

(四)、获得电力物资最佳调配方案：

结合第一步和第二步输入的相关数据，以及第三步中基于自适应蚁群算法的电力物资调配模型的输出结果，进行路径翻译，以文本信息的形式输出电力物资最佳调配方案。

作为优选，其特征在于按以下步骤进行：

步骤(一)中，结合地图软件获得各供应点至各需求点的运输距离L_ij、车辆油耗o_1i、路程时间T_ij相关数据；

步骤(二)中，电力物资需求事件发生后，可以划分为计划性需求和应急性需求两类；对于计划性需求来说，其主要根据检修计划、建设规划相关工作提前开展有针对性的电力物资调配；对于这类需求，运输成本是主要考虑的指标；而对于应急性需求来说，其需求较为急迫，必须快速地将物资运达需求点，避免因缺乏物资而导致的工作延期、停电延长、人员浪费相关情况，影响正常社会用电，造成经济损失及其他连锁效应；为获取最优的运输计划，两方面因素分别为运输成本因素C_ij和运输时效因素D_ij；通常，计划性需求主要考虑运输成本因素，而应急性需求则主要考虑运输时效因素，其综合评价指标F_ij为

其中，γ为运输成本因素的参考权重，φ为运输时效因素的参考权重；这两个权重参量的设置主要依据电力物资调配需求来制定，进而可以实现对计划性需求和应急性需求的电力物资调配策略自适应制定；

(1)运输成本因子C_ij：

运输成本因素C_ij包括综合用工成本、车辆损耗、燃油费用、保养费用相关多种参量；具体而言，运输成本因素C_ij越大，则运输成本越高；因此，运输成本因素C_ij越小越好；

综合用工成本C_ij1为每位司机驾车每公里的工资c_1i与运输计划公里数L_ij的乘积，即

C_ij1＝c_1i×L_ij

车辆损耗C_ij2为此次运输任务的损耗，即

其中，L_max为同型号或相近型号车辆报废平均公里数，c₂为车辆价格；

燃油费用C_ij3为

C_ij3＝o_1i×L_ij

其中，o_1i为同型号或相近型号车辆平均每公里油耗；

保养费用C_ij4为

C_ij4＝h_i×L_ij

其中，h_i为同型号或相近型号车辆平均每公里的保养费用；

本次运输任务的总运输成本C_ij为

C_ij＝C_ij1+C_ij2+C_ij3+C_ij4

(2)运输时间因子D_ij：

由于地图软件输出的路程时间T_ij为标准车辆的运输时间，对于大型或是易碎的电力物资而言，其需要的运输时间将会更长；为此，本发明引入运输系数m_i的概念；该运输系数m_i针对不同类型的电力物资运输条件设置了不同的参数；具体而言，在运输小型的备品备件、安全工器具相关运输条件不苛刻的物资时，m_i设置为1.0；在运输较为易碎、变形的物资，需要较为合适的路况时，m_i设置为1.25；在运输昂贵、易碎的物资需，要更为平稳的路况时， m_i设置为1.5；在运输体积很大、重量很大且昂贵的设备时，m_i设置为2；

因此，运输时间因子D_ij可以表示为

D_ij＝m_i·T_ij

步骤(三)中，根据第一步和第二步输入的相关数据，同时在第二步的综合评价指标F_ij为的约束条件下，建立基于自适应蚁群算法的电力物资调配模型，其步骤为：

(1)初始化参数：令时间t＝0和循环次数τ＝0，设置最大循环次数即迭代次数N_c＝0，将m只蚂蚁放在n个位置上，令有向图上每条边(i，j)的初始化信息量τ_ij(t)＝const，其中const表示常数，且初始时刻Δτ_ij(0)＝0；

(2)循环次数N_c+1→N_c；

(3)蚂蚁的禁忌索引号k＝1，且蚂蚁数目k+1→k；

(4)蚂蚁个体根据状态转移概率公式计算的概率选择位置j并前进，j ∈C-tabu_k，并且

其中，ρ^k _ij(t)表示在t时刻蚂蚁k由位置i转移到位置j的状态转移概率；j∈allowed_k＝C-tabu_k表示蚂蚁k下一步允许选择的位置；α为启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息，在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间的协作性越强；β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态转移概率越接近于贪心规则；η_is(t)为启发函数，表达式为

(5)修改禁忌表指针，即选择好之后将蚂蚁移动到新的位置，并把该位置移动到该蚂蚁个体的禁忌表中；

(6)若集合C中位置未遍历完，即k<m，则跳转到第(3)步，否则执行第(7)步；

(7)根据公式更新每条路径上的信息量：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

(8)若满足结束条件，即如果循环次数，则循环结束并输出程序计算结果，否则清空禁忌表并跳转到第(2)步；

步骤(四)中，将需求点的地理位置、需求的电力物资种类与数量输入本电力物资调配模型，通过调用当前电力物资分布状况数据、路况信息等，利用基于自适应蚁群算法的电力物资调配模型的输出结果，并进行路径翻译，以文本信息的形式输出电力物资最佳调配方案。

蚁群算法是一种基于仿生学的人工智能优化算法，用以模拟自然界蚁群在搜寻食物过程中探索线路的行为。蚁群优化算法是指蚂蚁在路径上前进时会根据前边走过的蚂蚁所分泌的信息素来选择路径，其选择一条路径的概率与该线路上分泌的信息素强度成正比。因此，在蚂蚁经过的路径上会形成一种信息的反馈现象，即选择某一条路径的蚂蚁数量越多，该路径上所留下的信息素就越多，后面的蚂蚁选择该条路径的可能性就越大，以此达到寻找到最短路径的目的。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)高效性。本发明通过建立基于自适应蚁群算法的电力物资调配模型对电力物资调配事件进行分析，可以获得电力物资调配最佳方案，极大地提高电力物资的调配效率和电力系统的管理水平。

(2)智能性。本发明建立了一种自适应的调配策略，充分考虑电力物资调配需求，可以对计划性需求和应急性需求制定相应的调配策略，以更高的智能程度来提高电网物资调配的科学性和合理性。

(3)经济性。本发明的基于自适应蚁群算法的电力物资调配模型，在保证完成电力物资调配任务完成的前提下，可智能实现最优路径规划，最大程度降低电力物资调配的成本和时间。

本发明提供一种基于蚁群算法的电力物资调配方法，实现最优化。

附图说明

图1为本发明提供的基于自适应蚁群算法的电力物资调配方法的步骤图；

图2为本发明提供的基于自适应蚁群算法的流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例1：如图所示，一种基于自适应蚁群算法的电力物资调配方法，其流程包括电力物资数据采集、电力物资数据预处理、建立基于自适应蚁群算法的电力物资调配模型、获得电力物资最佳调配方案四个部分。

第一步：电力物资数据采集。

通过电力物资台账系统、PMS系统(电网工程生产管理系统)等信息系统获取各供应点的电力物资数据，如各供应点(A₁，A₂，A₃，…，A_n)的地理位置、所储存的物资种类、物资数量等数据。同时，采集各需求点(B₁，B₂，B₃，…， B_m)的地理位置、所需求的物资种类、物资数量等数据。

进一步，结合地图软件获得各供应点至各需求点的运输距离L_ij、车辆油耗o_1i、路程时间T_ij等相关数据。

第二步：电力物资数据预处理。

电力物资需求事件发生后，可以划分为计划性需求和应急性需求两类。对于计划性需求来说，其主要根据检修计划、建设规划等工作提前开展有针对性的电力物资调配。对于这类需求，运输成本是主要考虑的指标。而对于应急性需求来说，其需求较为急迫，必须快速地将物资运达需求点，避免因缺乏物资而导致的工作延期、停电延长、人员浪费等情况，影响正常社会用电，造成经济损失及其他连锁效应。为获取最优的运输计划，本发明令这两方面因素分别为运输成本因素C_ij和运输时效因素D_ij。通常，计划性需求主要考虑运输成本因素，而应急性需求则主要考虑运输时效因素，其综合评价指标F_ij为

其中，γ为运输成本因素的参考权重，φ为运输时效因素的参考权重。这两个权重参量的设置主要依据电力物资调配需求来制定，进而可以实现对计划性需求和应急性需求的电力物资调配策略自适应制定。

(1)运输成本因子C_ij

运输成本因素C_ij包括综合用工成本、车辆损耗、燃油费用、保养费用等多种参量。具体而言，运输成本因素C_ij越大，则运输成本越高。因此，运输成本因素C_ij越小越好。

综合用工成本C_ij1为每位司机驾车每公里的工资c_1i与运输计划公里数L_ij的乘积，即

C_ij1＝c_1i×L_ij

车辆损耗C_ij2为此次运输任务的损耗，即

其中，L_max为同型号或相近型号车辆报废平均公里数，c₂为车辆价格；

燃油费用C_ij3为

C_ij3＝o_1i×L_ij

其中，o_1i为同型号或相近型号车辆平均每公里油耗；

保养费用C_ij4为

C_ij4＝h_i×L_ij

其中，h_i为同型号或相近型号车辆平均每公里的保养费用；

本次运输任务的总运输成本C_ij为

C_ij＝C_ij1+C_ij2+C_ij3+C_ij4

(2)运输时间因子D_ij

由于地图软件输出的路程时间T_ij为标准车辆的运输时间，对于大型或是易碎的电力物资而言，其需要的运输时间将会更长。为此，本发明引入运输系数m_i的概念。该运输系数m_i针对不同类型的电力物资运输条件设置了不同的参数。具体而言，在运输小型的备品备件、安全工器具等运输条件不苛刻的物资时，m_i设置为1.0；在运输较为易碎、变形的物资，需要较为合适的路况时，m_i设置为1.25；在运输昂贵、易碎的物资需，要更为平稳的路况时， m_i设置为1.5；在运输体积很大、重量很大且昂贵的设备时，m_i设置为2。

因此，运输时间因子D_ij可以表示为

D_ij＝m_i·T_ij

第三步：建立基于自适应蚁群算法的电力物资调配模型

根据第一步和第二步输入的相关数据，同时在第二步的综合评价指标F_ij为的约束条件下，建立基于自适应蚁群算法的电力物资调配模型，其步骤为：

(1)初始化参数。令时间t＝0和循环次数τ＝0，设置最大循环次数即迭代次数N_c＝0，将m只蚂蚁放在n个位置上，令有向图上每条边(i，j)的初始化信息量τ_ij(t)＝const，其中const表示常数，且初始时刻Δτ_ij(0)＝0；

(2)循环次数N_c+1→N_c

(3)蚂蚁的禁忌索引号k＝1，且蚂蚁数目k+1→k

(4)蚂蚁个体根据状态转移概率公式计算的概率选择位置j并前进，j ∈C-tabu_k，并且

其中，ρ^k _ij(t)表示在t时刻蚂蚁k由位置i转移到位置j的状态转移概率；j∈allowed_k＝C-tabu_k表示蚂蚁k下一步允许选择的位置；α为启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息，在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间的协作性越强；β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态转移概率越接近于贪心规则；η_is(t)为启发函数，表达式为

(5)修改禁忌表指针，即选择好之后将蚂蚁移动到新的位置，并把该位置移动到该蚂蚁个体的禁忌表中；

(6)若集合C中位置未遍历完，即k<m，则跳转到第(3)步，否则执行第(7)步。

(7)根据公式更新每条路径上的信息量：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

(8)若满足结束条件，即如果循环次数，则循环结束并输出程序计算结果，否则清空禁忌表并跳转到第(2)步。

综合步骤(1)-(8)，其流程图如附图2所示。

第四步：获得电力物资最佳调配方案。

将需求点的地理位置、需求的电力物资种类与数量输入本电力物资调配模型，通过调用当前电力物资分布状况数据、路况信息等，利用基于自适应蚁群算法的电力物资调配模型的输出结果，并进行路径翻译，以文本信息的形式输出电力物资最佳调配方案。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于蚁群算法的电力物资调配方法，其特征在于按以下步骤进行：包括：电力物资数据采集、电力物资数据预处理、建立基于自适应蚁群算法的电力物资调配模型、获得电力物资最佳调配方案四个步骤流程；

(一)、电力物资数据采集：

通过电力物资台账系统、PMS系统获取各供应点的电力物资数据，如各供应点A₁，A₂，A₃，…，A_n的地理位置、所储存的物资种类、物资数量相关数据；同时，采集各需求点B₁，B₂，B₃，…，B_m的地理位置、所需求的物资种类、物资数量相关数据；

PMS系统是指电网工程生产管理系统；

(二)、电力物资数据预处理：

将电力物资需求划分为计划性需求和应急性需求两类；针对不同需求所考虑的因素不同，建立了集成运输成本因素C_ij和运输时效因素D_ij的综合评价指标模型；通过对运输成本因素和运输时效因素的权重调整，实现对计划性需求和应急性需求的电力物资调配策略的自适应制定；

在运输成本因素C_ij中，考虑了综合用工成本、车辆损耗、燃油费用、保养费用相关多种参量；在运输时效因素D_ij中，考虑了不同电力物资的运输条件；

(三)、建立基于自适应蚁群算法的电力物资调配模型：

根据第一步和第二步输入的相关数据，完成电力物资调配的最优策略制定；

(四)、获得电力物资最佳调配方案：

结合第一步和第二步输入的相关数据，以及第三步中基于自适应蚁群算法的电力物资调配模型的输出结果，进行路径翻译，以文本信息的形式输出电力物资最佳调配方案。

2.根据权利要求1所述的一种基于蚁群算法的电力物资调配方法，其特征在于按以下步骤进行：

步骤(一)中，结合地图软件获得各供应点至各需求点的运输距离L_ij、车辆油耗o_1i、路程时间T_ij相关数据；

步骤(二)中，电力物资需求事件发生后，可以划分为计划性需求和应急性需求两类；对于计划性需求来说，其主要根据检修计划、建设规划相关工作提前开展有针对性的电力物资调配；对于这类需求，运输成本是主要考虑的指标；而对于应急性需求来说，其需求较为急迫，必须快速地将物资运达需求点，避免因缺乏物资而导致的工作延期、停电延长、人员浪费相关情况，影响正常社会用电，造成经济损失及其他连锁效应；为获取最优的运输计划，两方面因素分别为运输成本因素C_ij和运输时效因素D_ij；通常，计划性需求主要考虑运输成本因素，而应急性需求则主要考虑运输时效因素，其综合评价指标F_ij为

其中，γ为运输成本因素的参考权重，φ为运输时效因素的参考权重；这两个权重参量的设置主要依据电力物资调配需求来制定，进而可以实现对计划性需求和应急性需求的电力物资调配策略自适应制定；

(1)运输成本因子C_ij：

运输成本因素C_ij包括综合用工成本、车辆损耗、燃油费用、保养费用相关多种参量；具体而言，运输成本因素C_ij越大，则运输成本越高；因此，运输成本因素C_ij越小越好；

综合用工成本C_ij1为每位司机驾车每公里的工资c_1i与运输计划公里数L_ij的乘积，即

C_ij1＝c_1i×L_ij

车辆损耗C_ij2为此次运输任务的损耗，即

其中，L_max为同型号或相近型号车辆报废平均公里数，c₂为车辆价格；

燃油费用C_ij3为

C_ij3＝o_1i×L_ij

其中，o_1i为同型号或相近型号车辆平均每公里油耗；

保养费用C_ij4为

C_ij4＝h_i×L_ij

其中，h_i为同型号或相近型号车辆平均每公里的保养费用；

本次运输任务的总运输成本C_ij为

C_ij＝C_ij1+C_ij2+C_ij3+C_ij4

(2)运输时间因子D_ij：

由于地图软件输出的路程时间T_ij为标准车辆的运输时间，对于大型或是易碎的电力物资而言，其需要的运输时间将会更长；为此，本发明引入运输系数m_i的概念；该运输系数m_i针对不同类型的电力物资运输条件设置了不同的参数；具体而言，在运输小型的备品备件、安全工器具相关运输条件不苛刻的物资时，m_i设置为1.0；在运输较为易碎、变形的物资，需要较为合适的路况时，m_i设置为1.25；在运输昂贵、易碎的物资需，要更为平稳的路况时，m_i设置为1.5；在运输体积很大、重量很大且昂贵的设备时，m_i设置为2；

因此，运输时间因子D_ij可以表示为

D_ij＝m_i·T_ij

步骤(三)中，根据第一步和第二步输入的相关数据，同时在第二步的综合评价指标F_ij为的约束条件下，建立基于自适应蚁群算法的电力物资调配模型，其步骤为：

(1)初始化参数：令时间t＝0和循环次数τ＝0，设置最大循环次数即迭代次数N_c＝0，将m只蚂蚁放在n个位置上，令有向图上每条边(i，j)的初始化信息量τ_ij(t)＝const，其中const表示常数，且初始时刻Δτ_ij(0)＝0；

(2)循环次数N_c+1→N_c；

(3)蚂蚁的禁忌索引号k＝1，且蚂蚁数目k+1→k；

(4)蚂蚁个体根据状态转移概率公式计算的概率选择位置j并前进，j∈C-tabu_k，并且

其中，ρ^k _ij(t)表示在t时刻蚂蚁k由位置i转移到位置j的状态转移概率；j∈allowed_k＝C-tabu_k表示蚂蚁k下一步允许选择的位置；α为启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息，在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间的协作性越强；β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态转移概率越接近于贪心规则；η_is(t)为启发函数，表达式为

(5)修改禁忌表指针，即选择好之后将蚂蚁移动到新的位置，并把该位置移动到该蚂蚁个体的禁忌表中；

(6)若集合C中位置未遍历完，即k<m，则跳转到第(3)步，否则执行第(7)步；

(7)根据公式更新每条路径上的信息量：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

(8)若满足结束条件，即如果循环次数，则循环结束并输出程序计算结果，否则清空禁忌表并跳转到第(2)步；

步骤(四)中，将需求点的地理位置、需求的电力物资种类与数量输入本电力物资调配模型，通过调用当前电力物资分布状况数据、路况信息等，利用基于自适应蚁群算法的电力物资调配模型的输出结果，并进行路径翻译，以文本信息的形式输出电力物资最佳调配方案。

Images