CN114386631A - 电力负荷故障的抢修方法、装置及电子设备 - Google Patents
电力负荷故障的抢修方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114386631A CN114386631A CN202210037236.7A CN202210037236A CN114386631A CN 114386631 A CN114386631 A CN 114386631A CN 202210037236 A CN202210037236 A CN 202210037236A CN 114386631 A CN114386631 A CN 114386631A
- Authority
- CN
- China
- Prior art keywords
- repair
- emergency repair
- fault
- emergency
- rush
- 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
- 230000008439 repair process Effects 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 46
- 239000002245 particle Substances 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力故障抢修技术领域,提供了一种电力负荷故障的抢修方法、装置及电子设备,该方法包括:获取电力负荷故障处的故障数据;根据故障数据,预测故障处所需的抢修资源量;以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立约束条件;求解目标函数,得到各个抢修站需向故障处运输的抢修资源量;基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度;设计模糊综合评价方法,挑选出优秀的抢修小队派往故障现场。本发明能够实现抢修资源的合理调度,提高抢修效率,降低抢修成本和用户损失。
Description
技术领域
本发明属于电力故障抢修技术领域,尤其涉及一种电力负荷故障的抢修方法、装置及电子设备。
背景技术
用户电力负荷作为电网中的末端网络,与居民生活和工业生产息息相关。此类负荷特性具有时变性质,如在炎热的夏季、寒冷的冬季以及冷库等情况下,停电时间不能太长。然而,由于失电负荷的等级、大小各异,加之抢修前抢修人员、抢修资源以及抢修过程中现场突发情况的不确定性,以往仅凭调度员的经验确定故障抢修策略的方法已不再适用。
因此,当用户电力负荷发生故障中断后,资源调度中心如何根据故障情况合理做出资源的整体分配方案和抢修策略,具有重要的现实意义。
发明内容
有鉴于此,本发明实施例提供了一种电力负荷故障的抢修方法、装置及电子设备,以针对电力负荷故障进行抢修资源的合理调度。
本发明实施例的第一方面提供了一种电力负荷故障的抢修方法,包括:
获取电力负荷故障处的故障数据;
根据故障数据,预测故障处所需的抢修资源量;
以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立目标函数的约束条件;
求解目标函数,得到各个抢修站需向故障处运输的抢修资源量;
基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
可选的,根据故障数据,预测故障处所需的抢修资源量,包括:
获取专家系统根据故障数据预测的第一抢修资源量;
将故障数据输入至预训练的RBFNN预测模型中,预测得到故障处所需的第二抢修资源量;
对第一抢修资源量和第二抢修资源量进行加权融合,得到故障处所需的抢修资源量。
可选的,RBFNN预测模型的训练过程包括:
获取历史故障数据及其对应的抢修资源需求量;
根据历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,得到训练后的RBFNN预测模型。
可选的,根据历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,包括:
将RBFNN预测模型的参数作为IPSO算法的粒子进行迭代更新,并计算迭代过程中每个粒子的适应度以及确定适应度最小的粒子;当最小适应度不大于预设阈值或IPSO算法达到最大迭代次数时,将适应度最小的粒子确定为最终的RBFNN预测模型的参数;其中,适应度的计算公式为
式中,N为训练集中的样本个数;Ytrain.j为第i个历史故障数据对应的抢修资源需求量;为当RBFNN预测模型的参数为Xi时,将第i个历史故障数据输入至RBFNN预测模型后,RBFNN预测模型输出的抢修资源需求量。
可选的,目标函数为:
式中,cqi为单位距离内第i类抢修资源从第q个抢修站运输的成本;xqi为第q个抢修站运输的第i类抢修资源量;Lqi为第i类抢修资源从第q个抢修站运输需经过的距离。
可选的,约束条件包括:
每类抢修资源的需求量应等于各抢修站运输的该类抢修资源量之和:
各抢修站每类抢修资源的存储量之和应大于该类抢修资源的需求量:
各抢修站每类抢修资源的存储量应大于该抢修站运输的该类抢修资源量:
Aqi≥xqi q=1,2,...,h i=1,2,...,g
至少存在一个抢修站可以运输抢修资源:
xqi≥0 q=1,2,...,h i=1,2,...,g
抢修时间应不大于居民最长忍受时间:
T≤Tmax
上式中,Di为第i类抢修资源的需求量;h为抢修站数量;xqi为第q个抢修站运输的第i类抢修资源量;g为抢修资源的类别数量;Aqi为第q个抢修站第i类抢修资源的存储量;Tmax为居民最长忍受时间。
可选的,抢修资源包括抢修物资和抢修小队;
若某个抢修站需要向故障处派遣抢修小队,则方法还包括:
获取该抢修站内各个抢修小队的历史抢修数据,并应用模糊综合评价法对各个抢修小队的历史抢修数据进行评价,得到各个抢修小队的综合评价值;
基于各个抢修小队的综合评价值,确定该抢修站向故障处派遣的抢修小队。
本发明实施例的第二方面提供了一种电力负荷故障的抢修装置,包括:
获取模块,用于获取故障处的故障数据;
预测模块,用于根据故障数据,预测故障处所需的抢修资源量;
抢修调度模块,用于以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立目标函数的约束条件;求解目标函数,得到各个抢修站需向故障处运输的抢修资源量;基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面的电力负荷故障的抢修方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面的电力负荷故障的抢修方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例针对时变的电力负荷故障问题,首先合理预测了故障处所需的抢修资源量,然后以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数、以故障处所需的抢修资源量为约束,求解得到最优的资源分配调度策略,即各个抢修站需向故障处运输的抢修资源量。本发明能够实现抢修资源的合理调度,提高了抢修效率,降低了抢修成本和用户损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电力负荷故障的抢修方法的流程示意图;
图2是本发明实施例提供的IPSO算法寻找最优参数的流程示意图;
图3是本发明实施例提供的抢修小队评价流程示意图;
图4是本发明实施例提供的电力负荷故障的抢修方法的整体流程示意图;
图5是本发明实施例提供的电力负荷故障的抢修装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明实施例提供了一种电力负荷故障的抢修方法,参见图1所示,该方法具体包括以下步骤:
步骤S101,获取电力负荷故障处的故障数据。
在本发明实施例中,当发生重大电力负荷故障时,可以通过与故障处进行通信,将故障处的故障数据发送到资源调度中心。故障数据可以是故障程度、失负荷量等信息,资源调度中心根据这些信息做出相应的响应。
步骤S102,根据故障数据,预测故障处所需的抢修资源量。
在本发明实施例中,故障处的抢修资源需求量往往是不确定的,资源调度中心响应的第一步是对故障处所需的抢修资源量进行预测。
步骤S103,以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立目标函数的约束条件。
步骤S104,求解目标函数,得到各个抢修站需向故障处运输的抢修资源量。
步骤S105,基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
在本发明实施例中,当发生故障时,往往有一个或多个抢修站可以将抢修资源运送到故障点,因此以总的运输成本最低为目标,并制定合理的约束条件来构建资源调度的数学模型,寻找各个抢修站向故障处运输的抢修资源量进行抢修资源调度,有利于加快抢修时间,减少抢修成本和用户损失。
可见,本发明实施例针对时变的电力负荷故障问题,首先合理预测了故障处所需的抢修资源量,然后以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数、以故障处所需的抢修资源量为约束,求解得到最优的资源分配调度策略,即各个抢修站需向故障处运输的抢修资源量。本发明能够实现抢修资源的合理调度,提高了抢修效率,降低了抢修成本和用户损失。
可选的,根据故障数据,预测故障处所需的抢修资源量,包括:
获取专家系统根据故障数据预测的第一抢修资源量;
将故障数据输入至预训练的RBFNN预测模型中,预测得到故障处所需的第二抢修资源量;
对第一抢修资源量和第二抢修资源量进行加权融合,得到故障处所需的抢修资源量。
在本发明实施例中,可以采用径向基神经网络(radial basis function neuronnetwork,RBFNN)和专家系统结合的混合预测方法对所需抢修资源量进行合理预测,以提高预测的准确度。径向基神经网络作为一种由多个神经元以某种规则连接而成的层次网络结构,具有较好的不完全信息适应性和对非线性关系学习的优越性,对故障处所需抢修资源的非线性拟合产生良好效果。而专家系统不需要知道预测对象的具体数学模型,仅根据当前故障数据,调用历史故障信息做出预测。最终,结合RBFNN网络和专家系统的预测结果为:
式中,βRBFNN为预设的RBFNN网络预测结果的权重,DRBFNN为RBFNN网络预测结果,βR为预设的专家系统预测结果的权重,DR为专家系统预测结果。
在一种可能的实现方式中,如果最终的预测结果与实际值之间存在较大误差,可以重新训练RBFNN网络,直到预测结果满足误差要求。
可选的,RBFNN预测模型的训练过程包括:
获取历史故障数据及其对应的抢修资源需求量;
根据历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,得到训练后的RBFNN预测模型。
可选的,根据历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,包括:
将RBFNN预测模型的参数作为IPSO算法的粒子进行迭代更新,并计算迭代过程中每个粒子的适应度以及确定适应度最小的粒子;当最小适应度不大于预设阈值或IPSO算法达到最大迭代次数时,将适应度最小的粒子确定为最终的RBFNN预测模型的参数;其中,适应度的计算公式为
式中,N为训练集中的样本个数;Ytrain.j为第i个历史故障数据对应的抢修资源需求量;为当RBFNN预测模型的参数为Xi时,将第i个历史故障数据输入至RBFNN预测模型后,RBFNN预测模型输出的抢修资源需求量。
在本发明实施例中,RBFNN预测模型的输入数据可以为故障点的故障程度和失负荷量,其相应的输出结果是所需的物质资源和人力资源的数量。
RBFNN预测模型中的输入输出关系通常是:
在训练过程中,需要选择以下参数:k、cj、σi、wsg。对于这些参数,本发明实施例通过改进的粒子群算法(improved particle swarm optimization,IPSO)进行选择,以提高神经网络的训练效率。IPSO算法是在PSO算法的基础上加入了变异项,通过改变粒子运动轨迹的方式,提高优化算法跳出局部最优的能力。参见图2所示,利用IPSO算法寻找最优参数的具体步骤如下:
(1)初始化种群粒子,包括粒子速度位置、惯性因子、加速常数、最大迭代次数和算法结束允许的最小误差值。由于IPSO算法的目的是选择RBFNN网络的初始参数,因此,每个粒子代表含有权值和偏差的向量,即Xi=(k,cj,σj,wsj)。
(2)计算每个粒子的初始适应度值F(Xi),以及将初始位置作为每个粒子的个体最优位置F(Pi),其对应的位置为个体最优位置Pi=Xi。
(3)比较各粒子的适应度值,最小的适应度值作为全局最优值F(Pg)=min{F(P)1,F(P)2,...,F(Pm)},其对应的位置为全局最优位置Pg。
(4)更新粒子的飞行速度。
(5)对粒子的飞行速度进行限速处理,使之不能超过最大飞行速度。
(6)更新粒子的位置。
(7)将当前粒子的适应度值与粒子个体最优适应度值进行比较,较小值对应的位置为粒子当前的个体最优位置Pi。
(8)比较各粒子历史最优值f(Pi),最小的适应度值作为全局最优值F(Pg)=min{F(P)1,F(P)2,...,F(Pm)},其对应的位置为全局最优位置Pg。
(9)重复步骤(4)-(8),直到满足设置的最小误差(例如当F≤ε×100%时,则认为目标函数满足误差要求),或者达到最大迭代次数,输出全局最优值F(Pg)和全局最优位置Pg,全局最优位置Pg即为RBFNN网络的最优参数。
可选的,目标函数为:
式中,cqi为单位距离内第i类抢修资源从第q个抢修站运输的成本;xqi为第q个抢修站运输的第i类抢修资源量;Lqi为第i类抢修资源从第q个抢修站运输需经过的距离。
可选的,约束条件包括:
每类抢修资源的需求量应等于各抢修站运输的该类抢修资源量之和:
各抢修站每类抢修资源的存储量之和应大于该类抢修资源的需求量:
各抢修站每类抢修资源的存储量应大于该抢修站运输的该类抢修资源量:
Aqi≥xqi q=1,2,...,h i=1,2,...,g
至少存在一个抢修站可以运输抢修资源:
xqi≥0 q=1,2,...,h i=1,2,...,g
抢修时间应不大于居民最长忍受时间:
T≤Tmax
上式中,Di为第i类抢修资源的需求量;h为抢修站数量;xqi为第q个抢修站运输的第i类抢修资源量;g为抢修资源的类别数量;Aqi为第q个抢修站第i类抢修资源的存储量;Tmax为居民最长忍受时间。
在本发明实施例中,第i类抢修资源从第q个抢修站运输,中间需要经过多个传输节点。传输路径可以是预先确定的,此种情况下,传输距离也是确定的。另外,还可以建立一目标函数求解最短运输路径,根据最短运输路径确定最短距离,保证抢修资源的快速送达。具体的,该目标函数如下:
其中,w为传输节点个数,h为抢修节点(抢修站)个数;sgn为符号函数;Lij为第i个传输节点到第j个传输节点或抢修节点的距离;Lq为第q个传输节点到故障节点(故障处)的距离;Lf为第f个抢修节点到故障节点的距离。如果第i个传输节点可以与第j个传输节点或抢修节点直接连接,aij=1,否则aij=0。如果第q个传输节点可以直接与故障节点连接,bq=1,否则bq=0。如果第f个抢修节点可以直接与故障节点连接,bf=1,否则bf=0。
该目标函数的约束如下:
在最短路径上至少连接一个抢修节点:
故障节点必须在最短路径上:
求解该目标函数,即可获取抢修节点与故障节点的最短运输路径。
可选的,抢修资源包括抢修物资和抢修小队;若某个抢修站需要向故障处派遣抢修小队,则该方法还包括:
获取该抢修站内各个抢修小队的历史抢修数据,并应用模糊综合评价法对各个抢修小队的历史抢修数据进行评价,得到各个抢修小队的综合评价值;
基于各个抢修小队的综合评价值,确定该抢修站向故障处派遣的抢修小队。
在本发明实施例中,通过设计模糊综合评价方法,挑选出最优秀的抢修小队派往故障现场,确定最终抢修方案。由于每个抢修站往往有多个抢修小队,本发明提出一种基于前景理论的模糊评价方法,以确定最适合维修任务的维修团队。参见图3所示,具体的评价方法分为以下步骤:
构建抢修小队适应性评价因子集U=(u1,u2,u3,u4),其中u1为抢修小队的维修效率;u2为资源利用效率;u3为抢修完成后安全检测效率;u4为根据上述三个指标计算的抢修前景值。前三个指标由过去的历史数据确定,第四个指标u4可以由价值函数v(ξij)和权重函数π(ψi)确定,使评价结果具有一定的前瞻性。
累积预期值方程为:
对应方程如下:
建立救援队评价集V=(v1,v2,v3,v4),其中v1代表“非常高”;v2代表“高”;v3代表“正常”;v4代表“低”,以此构造评价矩阵R,即通过专家评价得分来确定各因素在不同评价指标中的隶属度,将专家评价结果平均后,得到适应性矩阵B。根据B只能做定性分析,无法确定每个团队的修复效果的质量,因此,本发明实施例将每个团队的修复效应转化为计算每个团队的得分进行定量分析,即先给出评价向量V对应的级分向量S,然后根据等式F=B*ST计算出每个小队的具体得分。事实上,不同的评估问题需要的专家数量是不同的。一般来说,所需的专家人数与所评价的指标的数目成比例。专家过多或过少都会影响最终评价结果的准确性。专家的具体人数只能通过反复调试来确定。
基于以上内容,本发明实施例提供的电力负荷故障的抢修方法的整体流程可以参见图4所示:
(1)采用RBFNN网络和专家系统,对预测故障处所需的抢修资源进行合理预测,并通过IPSO提高神经网络的预测效率;
(2)在抢修资源调度中,以从抢修站到故障处的总运输费用最低为目标,同时考虑道路限制和失负荷用户最长忍受时间,求解抢修资源分配调度策略;
(3)通过设计模糊综合评价方法,选择抢修小队派往故障现场。
本发明实施例提供的电力负荷故障的抢修方法具有以下优势:针对电网中的时变负荷故障问题,提出了一种基于预测-调度-评估的整体故障抢修分配策略。在资源预测方案中,采用混合预测方法对所需应急资源进行合理预测,并通过IPSO提高了神经网络的预测效率。在应急资源调度中,以从维修中心到故障处的总运输费用最低为目标,同时考虑道路限制和失负荷用户最长忍受时间,建立抢修资源分配调度策略。采用模糊评价方法挑选最优秀的抢修小队派往故障现场,提高故障处的维修效率并缩短维修时间。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供了一种电力负荷故障的抢修装置,参见图5所示,该装置50包括:
获取模块51,用于获取故障处的故障数据。
预测模块52,用于根据故障数据,预测故障处所需的抢修资源量。
抢修调度模块53,用于以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立目标函数的约束条件;求解目标函数,得到各个抢修站需向故障处运输的抢修资源量;基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
可选的,预测模块52具体用于:
获取专家系统根据故障数据预测的第一抢修资源量;
将故障数据输入至预训练的RBFNN预测模型中,预测得到故障处所需的第二抢修资源量;
对第一抢修资源量和第二抢修资源量进行加权融合,得到故障处所需的抢修资源量。
可选的,预测模块52还用于:
获取历史故障数据及其对应的抢修资源需求量;
根据历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,得到训练后的RBFNN预测模型。
可选的,预测模块52具体用于:
将RBFNN预测模型的参数作为IPSO算法的粒子进行迭代更新,并计算迭代过程中每个粒子的适应度以及确定适应度最小的粒子;当最小适应度不大于预设阈值或IPSO算法达到最大迭代次数时,将适应度最小的粒子确定为最终的RBFNN预测模型的参数;其中,适应度的计算公式为
式中,N为训练集中的样本个数;Yyrain.j为第i个历史故障数据对应的抢修资源需求量;为当RBFNN预测模型的参数为Xi时,将第i个历史故障数据输入至RBFNN预测模型后,RBFNN预测模型输出的抢修资源需求量。
可选的,目标函数为:
式中,cqi为单位距离内第i类抢修资源从第q个抢修站运输的成本;xqi为第q个抢修站运输的第i类抢修资源量;Lqi为第i类抢修资源从第q个抢修站运输需经过的距离。
可选的,约束条件包括:
每类抢修资源的需求量应等于各抢修站运输的该类抢修资源量之和:
各抢修站每类抢修资源的存储量之和应大于该类抢修资源的需求量:
各抢修站每类抢修资源的存储量应大于该抢修站运输的该类抢修资源量:
Aqi≥xqi q=1,2,...,h i=1,2,...,g
至少存在一个抢修站可以运输抢修资源:
xqi≥0 q=1,2,...,h i=1,2,...,g
抢修时间应不大于居民最长忍受时间:
T≤Tmax
上式中,Di为第i类抢修资源的需求量;h为抢修站数量;xqi为第q个抢修站运输的第i类抢修资源量;g为抢修资源的类别数量;Aqi为第q个抢修站第i类抢修资源的存储量;Tmax为居民最长忍受时间。
可选的,抢修资源包括抢修物资和抢修小队,抢修调度模块53还用于:
获取该抢修站内各个抢修小队的历史抢修数据,并应用模糊综合评价法对各个抢修小队的历史抢修数据进行评价,得到各个抢修小队的综合评价值;
基于各个抢修小队的综合评价值,确定该抢修站向故障处派遣的抢修小队。
图6是本发明一实施例提供的电子设备60的示意图。如图6所示,该实施例的电子设备60包括:处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63,例如电力负荷故障的抢修程序。处理器61执行计算机程序63时实现上述各个电力负荷故障的抢修方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,处理器61执行计算机程序63时实现上述各装置实施例中各模块的功能,例如图5所示模块51至53的功能。
示例性的,计算机程序63可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器62中,并由处理器61执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序63在电子设备60中的执行过程。例如,计算机程序63可以被分割成获取模块51、预测模块52、抢修调度模块53(虚拟装置中的模块),各模块具体功能如下:
获取模块51,用于获取故障处的故障数据。
预测模块52,用于根据故障数据,预测故障处所需的抢修资源量。
抢修调度模块53,用于以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立目标函数的约束条件;求解目标函数,得到各个抢修站需向故障处运输的抢修资源量;基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
电子设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备60可包括,但不仅限于,处理器61、存储器62。本领域技术人员可以理解,图6仅仅是电子设备60的示例,并不构成对电子设备60的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备60还可以包括输入输出设备、网络接入设备、总线等。
所称处理器61可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器62可以是电子设备60的内部存储单元,例如电子设备60的硬盘或内存。存储器62也可以是电子设备60的外部存储设备,例如电子设备60上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器62还可以既包括电子设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及电子设备60所需的其他程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力负荷故障的抢修方法,其特征在于,包括:
获取电力负荷故障处的故障数据;
根据所述故障数据,预测故障处所需的抢修资源量;
以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立所述目标函数的约束条件;
求解所述目标函数,得到各个抢修站需向故障处运输的抢修资源量;
基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
2.如权利要求1所述的电力负荷故障的抢修方法,其特征在于,根据所述故障数据,预测故障处所需的抢修资源量,包括:
获取专家系统根据所述故障数据预测的第一抢修资源量;
将所述故障数据输入至预训练的RBFNN预测模型中,预测得到故障处所需的第二抢修资源量;
对所述第一抢修资源量和所述第二抢修资源量进行加权融合,得到故障处所需的抢修资源量。
3.如权利要求2所述的电力负荷故障的抢修方法,其特征在于,所述RBFNN预测模型的训练过程包括:
获取历史故障数据及其对应的抢修资源需求量;
根据所述历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,得到训练后的RBFNN预测模型。
4.如权利要求3所述的电力负荷故障的抢修方法,其特征在于,根据所述历史故障数据及其对应的抢修资源需求量,利用IPSO算法确定RBFNN预测模型的参数,包括:
将RBFNN预测模型的参数作为IPSO算法的粒子进行迭代更新,并计算迭代过程中每个粒子的适应度以及确定适应度最小的粒子;当最小适应度不大于预设阈值或IPSO算法达到最大迭代次数时,将适应度最小的粒子确定为最终的RBFNN预测模型的参数;其中,适应度的计算公式为
6.如权利要求1所述的电力负荷故障的抢修方法,其特征在于,所述约束条件包括:
每类抢修资源的需求量应等于各抢修站运输的该类抢修资源量之和:
各抢修站每类抢修资源的存储量之和应大于该类抢修资源的需求量:
各抢修站每类抢修资源的存储量应大于该抢修站运输的该类抢修资源量:
Aqi≥xqi q=1,2,...,h i=1,2,...,g
至少存在一个抢修站可以运输抢修资源:
xqi≥0 q=1,2,...,h i=1,2,...,g
抢修时间应不大于居民最长忍受时间:
T≤Tmax
上式中,Di为第i类抢修资源的需求量;h为抢修站数量;xqi为第q个抢修站运输的第i类抢修资源量;g为抢修资源的类别数量;Aqi为第q个抢修站第i类抢修资源的存储量;Tmax为居民最长忍受时间。
7.如权利要求1所述的电力负荷故障的抢修方法,其特征在于,所述抢修资源包括抢修物资和抢修小队;
若某个抢修站需要向故障处派遣抢修小队,则所述方法还包括:
获取该抢修站内各个抢修小队的历史抢修数据,并应用模糊综合评价法对各个抢修小队的历史抢修数据进行评价,得到各个抢修小队的综合评价值;
基于各个抢修小队的综合评价值,确定该抢修站向故障处派遣的抢修小队。
8.一种电力负荷故障的抢修装置,其特征在于,包括:
获取模块,用于获取故障处的故障数据;
预测模块,用于根据所述故障数据,预测故障处所需的抢修资源量;
抢修调度模块,用于以各个抢修站向故障处运输抢修资源的总运输成本最低为目标建立目标函数,并根据故障处所需的抢修资源量,建立所述目标函数的约束条件;求解所述目标函数,得到各个抢修站需向故障处运输的抢修资源量;基于各个抢修站需向故障处运输的抢修资源量进行抢修资源调度。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037236.7A CN114386631A (zh) | 2022-01-13 | 2022-01-13 | 电力负荷故障的抢修方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037236.7A CN114386631A (zh) | 2022-01-13 | 2022-01-13 | 电力负荷故障的抢修方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386631A true CN114386631A (zh) | 2022-04-22 |
Family
ID=81201316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037236.7A Pending CN114386631A (zh) | 2022-01-13 | 2022-01-13 | 电力负荷故障的抢修方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619382A (zh) * | 2022-12-16 | 2023-01-17 | 速度时空信息科技股份有限公司 | 一种电力调度可视化管理方法及系统 |
-
2022
- 2022-01-13 CN CN202210037236.7A patent/CN114386631A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619382A (zh) * | 2022-12-16 | 2023-01-17 | 速度时空信息科技股份有限公司 | 一种电力调度可视化管理方法及系统 |
CN115619382B (zh) * | 2022-12-16 | 2023-08-08 | 速度科技股份有限公司 | 一种电力调度可视化管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Multi-objective scheduling of priority-based rescue vehicles to extinguish forest fires using a multi-objective discrete gravitational search algorithm | |
Donnot et al. | Introducing machine learning for power system operation support | |
CN109523224A (zh) | 一种建筑工程造价用的分析仪及控制方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN105894125A (zh) | 一种输变电工程造价预测方法 | |
CN110794308B (zh) | 列车电池容量预测方法及装置 | |
Ahmadi et al. | Learning fuzzy cognitive maps using imperialist competitive algorithm | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
Murzakhanov et al. | Neural networks for encoding dynamic security-constrained optimal power flow | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及系统 | |
Chen et al. | Deep-quantile-regression-based surrogate model for joint chance-constrained optimal power flow with renewable generation | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
CN114386631A (zh) | 电力负荷故障的抢修方法、装置及电子设备 | |
Chen et al. | Optimization of maintenance personnel dispatching strategy in smart grid | |
Ming et al. | Cooperative modular reinforcement learning for large discrete action space problem | |
CN118114560A (zh) | 一种装备维修保障资源配置优化系统 | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及系统 | |
CN108898245A (zh) | 一种用于风电机组零部件的需求预测方法 | |
CN115471084A (zh) | 配电网承载能力的评估方法及装置 | |
Ma et al. | Highway construction investment risk evaluation using BP neural network model | |
CN113822441A (zh) | 决策模型训练方法、装置、终端设备及存储介质 | |
Wei et al. | Long-term autonomous mission planning of AUV in large-scale complex marine environment | |
Septiarini et al. | Adaptive Neuro Fuzzy Inference System (ANFIS) for Predicting the Hourly Temperature in Pattani, Thailand |
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 |