CN114067970A - 基于遗传算法的电源车应急救援调度方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法的电源车应急救援调度方法，包括以下步骤：步骤S1:获取应急电源车数据及事故初始数据，并预处理；步骤S2:基于事故点造成的损失值最小为目标建立应急电源车调度的模型，并构建相应的约束条件；步骤S3:基于步骤S2得到的应急电源车调度的模型及约束条件，采用传算法对事故点分配与电源车路径规划进行优化求解，得到最优的调度方案。本发明在供电所能提供的应急电源车数量有限的前提下，通过实现应急电源车的多次调度来完成救援方案。

Description

基于遗传算法的电源车应急救援调度方法

技术领域

本发明涉及电力应急救援领域，具体涉及一种基于遗传算法的电源车应急救援调度方法。

背景技术

自从进入电气时代，电的使用已经成为我们生活中无法缺失的东西。当今社会，很多的设备都需要靠电来维持运转，然而，近年来，国内外发生的一系列重大停电事故，不仅造成了经济的严重损失还对社会造成了极大的影响甚至造成了人员的伤亡，因此，移动电源车的出现有效的缓解了这一情况，但随之而来的电源车调度问题相应的成为了学者们一致发力的聚焦点。然而目前的调度状况在物流领域发展比较快速，而电力领域中，大多数学者都是致力于对电源车的单次调度，进而忽略了供电所的电源车数量，这与某些特殊情况不相吻合，而在大型事故应急时刻，电源车数量往往不足，这时就需要一个合理高效的应急调度方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于遗传算法的电源车应急救援调度方法，在供电所能提供的应急电源车数量有限的前提下，通过实现应急电源车的多次调度来完成救援方案。

为实现上述目的，本发明采用如下技术方案：

一种基于遗传算法的电源车应急救援调度方法，包括以下步骤：

步骤S1:获取应急电源车数据及事故初始数据，并预处理；

步骤S2:基于事故点造成的损失值最小为目标建立应急电源车调度的模型，并构建相应的约束条件；

步骤S3:基于步骤S2得到的应急电源车调度的模型及约束条件，采用传算法对事故点分配与电源车路径规划进行优化求解，得到最优的调度方案。

进一步的，所述步骤S1具体为：

步骤S11:获取供电局可用的应急电源车数量，并根据应急电源车的柴油容量对电源车进行分类；

步骤S12:获取各个事故点的相应位置坐标，计算出各个事故点之间的距离矩阵和电源车在两两事故点之间行驶的时间矩阵；

步骤S13:将各个事故点的缺电功率和维持各个事故点在其缺电时间中能够正常供电所需要的柴油量进行记录分析。

进一步的，所述应急电源车调度的模型，具体为：

在油量限制的前提，考虑事故点的位置与缺电功率所造成的影响，并以此建立了相应的目标函数，其表达式为：

其中：j—表示事故点编号；k、k’—表示第k、k’类柴油存量的电源车；△v—决策变量；X_jk—决策变量；n—表示事故点总个数；m—表示电源车共有m种；t_jk、t_jk’—表示第k、k’辆车从车库出发至到达事故点j的时间与对事故点j的救援时间总和；S_j—表示事故点的单位时间单位功率的停电损失；P_j—事故点j的缺电功率

在救援之前对每个事故点进行紧急度判定，其判定函数为：

E_j＝ω_aa_j+ω_bb_j+ω_cc_j

其中：ω_a—生命安全影响权重；ω_b—经济性影响权重；ω_c—特殊性影响权重；三种权重值相加为一；a表示事故点失电后对生命安全的影响程度；b表示事故点失电后对区域经济的影响程度；c表示事故点失电后产生的特殊性影响程度；

根据事故点的紧急程度与基本单位停电损失，从而计算出每个事故点在事故中造成的单位损失S_j,其表达式为：

S_j＝SE_j＝S(ω_aa_j+ω_bb_j+ω_cc_j)

其中：S值表示综合事故点的单位时间、单位功率缺电负荷所造成的基本损失值。

进一步的，所述约束条件包括

投入使用的电源车在前往下一个事故点之前，其柴油所剩余容量不低于维持下一个事故点缺电功率正常工作所需要的柴油量；

式中：V_k表示第k类电源车可用的柴油容量，

表示第K类电源车救援的事故点所需要的总柴油量。

事故点j被救援的次数为1，即：

X_jk是决策变量，表示第k类柴油容量的电源车是否对事故点j进行救援；

进一步的，所述步骤S3具体为：

步骤S31:将步骤S1中所处理过的数据放置于算法框架之中，并将事故点和应急电源车进行编码，形成初始种群：

步骤S32:将步骤S2中的目标函数以及约束条件输入遗传算法中，筛选出符合油量限制的染色体并对其进行解码，求得该条染色体的损失值；对不符合油量限制的染色体中的事故点进行重新分配，以形成新的染色体；

步骤S33:将种群进行选择、交叉、变异等遗传操作，计算每次产生新种群中的最优染色体损失值，直到寻找到最优解。

本发明与现有技术相比具有以下有益效果：

1、本发明在供电所能提供的应急电源车数量有限的前提下，通过实现应急电源车的多次调度来完成救援方案；

2、本发明根据所需要救援的事故点所需要消耗的电源车柴油量为主约束条件，实现应急电源车的合理化分配；

3、本发明综合考虑事故点的距离与缺电功率，从而有效避免出现近距离低紧急度，远距离高紧急度的情况，实现事故点造成的停电损失得以最小化。

附图说明

图1是本发明方法流程图；

图2是本发明一实施例中遗传算法流程图；

图3是本发明事故点分配及车辆路径图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于遗传算法的电源车应急救援调度方法，包括以下步骤：

步骤S1:获取应急电源车数据及事故初始数据，并预处理；

步骤S2:基于事故点造成的损失值最小为目标建立应急电源车调度的模型，并构建相应的约束条件；

步骤S3:基于步骤S2得到的应急电源车调度的模型及约束条件，采用传算法对事故点分配与电源车路径规划进行优化求解，得到最优的调度方案。

在本实施例中，步骤S1具体为：

设在供电所所能提供的电源车数目m小于该区域某次突发紧急停电事故的事故点数n的前提下，首先对车辆和各事故点进行数据处理，以为后续的车辆路径划分与事故点救援车辆分配做准备

设本次事故中，供电所仅有五辆可用电源车且该区域共有九个事故点，可用电源车的柴油容量和行驶于事故点间的时间矩阵为：

表1电源车容量种类

2000

1500

1500

1500

1000

其中2000L和1000L型应急电源车只有一辆，1500L型电源车共有三辆。

表2事故点救援时间矩阵

time	1	2	3	4	5	6	7	8	9	10
											1	0	0.3162	0.9617	0.8357	1.7337	1.4068	0.6203	1.4947	1.5212	0.5532
2	0.3162	0	1.0044	0.68	1.8004	1.6022	0.6106	1.6787	1.6377	0.7335
											3	0.9617	1.0044	0	0.5967	2.6924	2.2814	0.397	2.3803	2.4636	0.5064
4	0.8357	0.68	0.5967	0	2.4803	2.2395	0.3578	2.3242	2.3125	0.7518
											5	1.7337	1.8004	2.6924	2.4803	0	0.7782	2.3478	0.7023	0.3329	2.2326
6	1.4068	1.6022	2.2814	2.2395	0.7782	0	2.009	0.1077	0.4494	1.78
											7	0.6203	0.6106	0.397	0.3578	2.3478	2.009	0	2.1015	2.1415	0.3945
8	1.4947	1.6787	2.3803	2.3242	0.7023	0.1077	2.1015	0	0.3847	1.8804
											9	1.5212	1.6377	2.4636	2.3125	0.3329	0.4494	2.1415	0.3847	0	1.9849
10	0.5532	0.7335	0.5064	0.7518	2.2326	1.78	0.3945	1.8804	1.9849	0

根据维持各事故点在停电时间内满足其缺电功率正常供电所需要的电源车柴油量为出发点对应急电源车进行合理调度，其计算公式为：

V_j＝(P_j×t_j×m)/ρ

其中P_j表示事故点j的缺电功率(kw)，t_j表示电源车对事故点j的救援时间(h)，m表示每小时油耗量(g/kw/h)，ρ表示柴油的密度(kg/L)。

在本实施例中，应急电源车调度的模型，具体为：

在油量限制的前提，考虑事故点的位置与缺电功率所造成的影响，并以此建立了相应的目标函数，其表达式为：

其中：j—表示事故点编号；k、k’—表示第k、k’类柴油存量的电源车；△v—决策变量；X_jk—决策变量；n—表示事故点总个数；m—表示电源车共有m种；t_jk、t_jk’—表示第k、k’辆车从车库出发至到达事故点j的时间与对事故点j的救援时间总和；S_j—表示事故点的单位时间单位功率的停电损失；P_j—事故点j的缺电功率

在救援之前对每个事故点进行紧急度判定，其判定函数为：

E_j＝ω_aa_j+ω_bb_j+ω_cc_j

其中：ω_a—生命安全影响权重；ω_b—经济性影响权重；ω_c—特殊性影响权重；三种权重值相加为一；a表示事故点失电后对生命安全的影响程度；b表示事故点失电后对区域经济的影响程度；c表示事故点失电后产生的特殊性影响程度；

根据事故点的紧急程度与基本单位停电损失，从而计算出每个事故点在事故中造成的单位损失S_j,其表达式为：

S_j＝SE_j＝S(ω_aa_j+ω_bb_j+ω_cc_j)

其中：S值表示综合事故点的单位时间、单位功率缺电负荷所造成的基本损失值。

优选的，在本实施例中，约束条件，具体如下：

投入使用的电源车在前往下一个事故点之前，其柴油所剩余容量(△V是决策变量)要不低于维持下一个事故点缺电功率正常工作所需要的柴油量。

式中：V_k表示第k类电源车可用的柴油容量，

表示第K类电源车救援的事故点所需要的总柴油量。

事故点j被救援的次数为1，即：

X_jk是决策变量，表示第k类柴油容量的电源车是否对事故点j进行救援。

每辆电源车都从供电所出发，经过救援之后，全部返回供电所。

X_0j＝X_j0

式中X_0j表示电源车从供电所出发，前往事故点进行救援，X_j0表示电源车经过救援之后返回供电所。

在本实施例中，步骤S3具体为：

S31：将步骤S1中所处理过的数据放置于算法框架之中，并将事故点和应急电源车进行编码，形成初始种群：

上表为种群中的一条初始染色体，染色体是由事故点和应急电源车共同形成的基因位组成的。

S32：将步骤S2中的目标函数以及约束条件输入遗传算法中，筛选出符合油量限制的染色体并对其进行解码，求得该条染色体的损失值。对不符合油量限制的染色体中的事故点进行重新分配，以形成新的染色体。

S33：将种群进行选择、交叉、变异等遗传操作，计算每次产生新种群中的最优染色体损失值，直到寻找到最优解。

本实施例通过电源车的柴油容量和事故点所需要的消耗柴油量进行对比，对随机生成的染色体种群进行容量判断，依次计算每辆应急电源车所分配到的事故点是否满足应急电源车的柴油存储量，若是符合，则计算出该条染色体上事故点造成的损失值，若是不符合，则找出不满足容量需求的电源车，并将超出容量的事故点分配给还有剩余柴油容量的电源车，直到该条染色体上的所有电源车都满足容量限制后，记出种群中每条染色体的损失值。通过遗传算法，对路径种群不断迭代寻优，最后得出应急电源车的优化调度方案和路径规划，若是某些事故点区域有相应的油量限制，则也可以根据修改事故点的油量需求，从而灵活的避免了车辆在行驶过程中由于交通规则的限定而导致电源车不能进行正常救援的情况。在一定程度上规避了事故点的损失非正常增大。

表3该实施例中的各项事故点指标

表4电源车事故点救援分配与电源车路径安排

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于遗传算法的电源车应急救援调度方法，其特征在于，包括以下步骤：

步骤S1:获取应急电源车数据及事故初始数据，并预处理；

步骤S2:基于事故点造成的损失值最小为目标建立应急电源车调度的模型，并构建相应的约束条件；

步骤S3:基于步骤S2得到的应急电源车调度的模型及约束条件，采用传算法对事故点分配与电源车路径规划进行优化求解，得到最优的调度方案。

2.根据权利要求1所述的基于遗传算法的电源车应急救援调度方法，其特征在于，所述步骤S1具体为：

步骤S11:获取供电局可用的应急电源车数量，并根据应急电源车的柴油容量对电源车进行分类；

步骤S12:获取各个事故点的相应位置坐标，计算出各个事故点之间的距离矩阵和电源车在两两事故点之间行驶的时间矩阵；

步骤S13:将各个事故点的缺电功率和维持各个事故点在其缺电时间中能够正常供电所需要的柴油量进行记录分析。

3.根据权利要求1所述的基于遗传算法的电源车应急救援调度方法，其特征在于，所述应急电源车调度的模型，具体为：

在油量限制的前提，考虑事故点的位置与缺电功率所造成的影响，并以此建立了相应的目标函数，其表达式为：

其中：j—表示事故点编号；k、k’—表示第k、k’类柴油存量的电源车；△v—决策变量；X_jk—决策变量；n—表示事故点总个数；m—表示电源车共有m种；t_jk、t_jk’—表示第k、k’辆车从车库出发至到达事故点j的时间与对事故点j的救援时间总和；S_j—表示事故点的单位时间单位功率的停电损失；P_j—事故点j的缺电功率

在救援之前对每个事故点进行紧急度判定，其判定函数为：

E_j＝ω_aa_j+ω_bb_j+ω_cC_j

其中：ω_a—生命安全影响权重；ω_b—经济性影响权重；ω_c—特殊性影响权重；三种权重值相加为一；a表示事故点失电后对生命安全的影响程度；b表示事故点失电后对区域经济的影响程度；c表示事故点失电后产生的特殊性影响程度；

根据事故点的紧急程度与基本单位停电损失，从而计算出每个事故点在事故中造成的单位损失S_j,其表达式为：

S_j＝SE_j＝S(ω_aa_j+ω_bb_j+ω_cc_j)

其中：S值表示综合事故点的单位时间、单位功率缺电负荷所造成的基本损失值。

4.根据权利要求1所述的基于遗传算法的电源车应急救援调度方法，其特征在于，所述约束条件包括

投入使用的电源车在前往下一个事故点之前，其柴油所剩余容量不低于维持下一个事故点缺电功率正常工作所需要的柴油量；

式中：V_k表示第k类电源车可用的柴油容量，

表示第K类电源车救援的事故点所需要的总柴油量。

事故点j被救援的次数为1，即：

X_jk是决策变量，表示第k类柴油容量的电源车是否对事故点j进行救援；

5.根据权利要求1所述的基于遗传算法的电源车应急救援调度方法，其特征在于，所述步骤S3具体为：

步骤S31:将步骤S1中所处理过的数据放置于算法框架之中，并将事故点和应急电源车进行编码，形成初始种群：

步骤S32:将步骤S2中的目标函数以及约束条件输入遗传算法中，筛选出符合油量限制的染色体并对其进行解码，求得该条染色体的损失值；对不符合油量限制的染色体中的事故点进行重新分配，以形成新的染色体；

步骤S33:将种群进行选择、交叉、变异等遗传操作，计算每次产生新种群中的最优染色体损失值，直到寻找到最优解。

Images