一种配网带电作业路径两阶段优化方法与流程

本发明涉及配网不停电作业检修技术，尤其是涉及一种配网带电作业路径两阶段优化方法。

背景技术

带电作业是指在不停电状态下对电网各电压等级线路、设备进行维护、检修或改造，对于提升供电企业服务水平和经济效益、降低用户停电损失有着十分重要的意义。近年来，随用户供电可靠性要求的提高，配网检修正逐步向“去停电化”方向发展，带电作业以其能够减少停电甚至不需要停电的优势已发展成为配网维护与检修的重要技术手段。

在电网公司实际配网带电作业工作中，为了增强现场工作的计划性与可控性，保证工作顺利开展，作业人员必须提前制订下一个作业周期内的工作计划，一般以周为时间尺度，将众多的工作任务分解至下一周的每个工作日内,然后由带电作业班组在每个工作日内依次前往若干作业点开展现场工作。配网线路分布的特点是“点多面广”，因此配网带电作业人员的工作地点地域分散，不同作业点之间的地理位置距离较远，作业点之间的转换效率就成为限制工作效率提升的重要因素。配电带电作业工作计划编制的决定了作业路径，但目前并没有有效的工作计划编制方法，仍然是依靠人工经验尽量将一些距离比较近的作业点安排同一天的同一作业车次，由于工作地点随机分布在城市内上百条配网线路的数万基杆塔上，计划编制人员不可能精确掌握这些地点的位置信息，同时涉及的工作任务数量可达到数十项，显然基于人工的信息获取、处理和计算能力达不到要求，传统经验便无法实现工作计划的最优化，导致大量时间与费用的浪费，大大降低了现场工作效率。尤其，绝缘斗臂车作为当前开展配网带电作业的主要绝缘承载工具与交通工具，其油耗巨大，不合理的作业路径所带来的行驶成本十分显著。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种配网带电作业路径两阶段优化方法。

本发明的目的可以通过以下技术方案来实现：

一种配网带电作业路径两阶段优化方法，包括：

步骤s1：获取下一周期带电作业工作计划或紧急任务需求，并根据所述工作计划或紧急需求采集作业点信息；

步骤s2：按照同一区域内的作业点在地理位置上尽量相近且具有相同的工作日时限要求的原则，依据地理位置及时限信息将作业点划分至若干区域，其中，区域的数目与下一周期的工作日数目相同，且各区域与各工作日一一对应；

步骤s3：在工作日的前一天，获取需要在所述工作日完成的紧急任务需求，并根据所述紧急任务勘察现场采集作业点信息，以完成所述工作日对应的区域内作业点工作任务所需全部车辆行驶里程最小为目标获得最优作业路径。

所述工作计划由多个工作任务组成，工作任务的信息包括：工作点的地理位置坐标、作业用时、最迟工作日时限和作业时间点窗口。

所述步骤s2具体包括：

步骤s21：载入工作计划中的所有工作任务的信息；

步骤s22：根据所有工作任务的信息，建立周前作业任务组合模型：

其中：d为下一周期内的工作日数目，nd为工作计划中工作任务的数量，lij为作业点i与j之间的路径距离，xijd表示在区域d内由作业点i行驶到作业点j，若是为1，否则为0，d为工作日/区域的序号变量；

步骤s23：确定单日最大劳动强度约束，并载入各工作任务对应作业点的工作日时限约束；

步骤s24：以各区域内各作业点地理位置连接成的多边形周长之和最小为优化目标，将最大劳动强度约束、各工作任务对应作业点的工作日时限约束作为优化条件，建立优化问题，并通过粒子群优化算法求解周前作业任务组合模型将作业点划分至若干区域。

所述单日最大劳动强度约束对应的约束条件为：

其中：tj为作业点j的作业用时，k为具备的作业车辆数，为每车次人员日最大劳动时间，rd为满足日前紧急任务需求而预留的时间。

所述各工作任务对应作业点的工作日时限约束对应的约束条件：

sdj≤xijd·d≤edjd＝1,2,…,d

i,j＝1,2,…,nd

其中：sdi、edi为作业点i的工作日时限。

所述步骤s3具体包括：

步骤s31：在工作日的前一天，获取需要在所述工作日完成的紧急任务，并根据所述紧急任务采集作业点信息；

步骤s32：将紧急任务需求的作业点添加至所述工作日的作业点中；

步骤s33：根据所述工作日的所有工作任务和紧急任务的信息，建立日前作业路径滚动优化模型：

其中：k为具备的作业车辆数，nd为考虑了紧急任务的第d个工作日内作业点数量，k为车辆序号变量，lij为作业点i与j之间的路径距离，yijk表示车辆k是否从i行驶至j，若为是则为1，否则为0；

步骤s34：确定单日可用作业车辆约束、每车次人员日最大劳动强度约束，每车次人员的日最大工时约束和该工作日各任务的作业时间点窗口约束；

步骤s35：对于指定工作日，以完成该工作日对应区域内作业点工作任务所需全部车辆行驶里程最小为目标，，将单日可用作业车辆约束、每车次人员日最大劳动强度约束，每车次人员的日最大工时约束和该工作日各任务的作业时间点窗口约束作为优化条件，建立优化问题，并通过粒子群优化算法求解日前作业路径滚动优化模型获得最优作业路径。

所述单日可用作业车辆约束对应的约束条件为：

其中：y0ik表示车辆k是否从出发点行驶至工作点i，若是则为1，否则为0。

所述每车次人员日最大劳动强度约束对应的约束条件为：

其中：tj为作业点j的作业用时，为每车次人员日最大劳动时间。

所述每车次人员日最大工时约束对应的约束条件为：

其中：分别为车辆k到达作业点i、j的时间，为每车次人员日最大工时。

所述该工作日各任务的作业时间点窗口约束对应的约束条件为：

k＝1,2,…,k

lij＝vktijkyijki,j＝0,1,2,…,nd；

k＝1,2,…,k

其中：分别为车辆k到达作业点i、j的时间，tijk表示车辆k从i到j之间的路程行驶用时，ti为作业点i的作业用时，vk表示车辆k的平均行驶速度，sti、eti表示作业点i的日内作业时间点时限。

与现有技术相比，本发明具有以下有益效果：

1)采用两阶段优化方法，先将工作任务分解至工作日，再确定每个工作日作业车辆行驶路径，分阶段解决了配网带电作业工作计划的编制问题。

2)两阶段优化方法不仅考虑了周前计划类工作任务需求也有效考虑了日前紧急任务需求，解决了周前与日前两个时间尺度的协调问题；

3)两阶段优化方法分阶段解决了作业人员的劳动强度约束、作业人员工时约束、可用作业车辆约束及各作业点的工作时间点窗口约束问题；

4)一阶段分区能够缩小二阶段的优化范围，降低了组合优化问题的求解难度；

5)针对一、二阶段模型，设计了作业点排序与分段的整数编码与解码方式，解决了采用粒子群算法求解该组合优化模型的问题。

附图说明

图1为本发明的主要步骤流程；

图2为实施例中周前作业任务组合模型优化结果；

图3为实施例中日前作业路径滚动优化结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种配网带电作业路径两阶段优化方法，本发明针对配网带电作业工作计划的编制问题，提出一种配网带电作业路径两阶段优化方法，该方法首先采用一阶段周前作业任务组合模型，依据作业点的地理位置信息及工作日时限信息将作业点划分至若干区域，区域与工作日一一对应；然后采用二阶段日前作业路径滚动优化模型，在考虑周前作业任务分区结果和日前紧急任务需求基础上，确定次日作业车辆的具体行驶路径；针对该组合优化问题，设计了作业点排序与分段的整数编码与解码方式，从而实现粒子与解的对应，并采用混沌粒子群算法有效求解该问题。一、二阶段模型有效解决了周前与日前两个时间尺度的协调问题，

如图1所示，包括：

步骤s1：获取下一周期带电作业工作计划，并根据工作计划采集作业点信息，工作计划由多个工作任务组成，工作任务的信息包括：作业点的地理位置坐标、作业用时、最迟工作日时限和作业时间点窗口；

步骤s2：按照同一区域内的作业点在地理位置上尽量相近且具有相同的工作日时限要求的原则，依据地理位置及工作日时限信息将作业点划分至若干区域，其中，区域的数目与下一周期的工作日数目相同，且各区域与各工作日一一对应，

周前作业任务组合模型的目的是将确定性的周计划任务分配至下一周的工作日内，本文提出一阶段作业点分区的处理方法，即依据地理位置及时限信息将作业点划分至若干区域，区域与工作日一一对应，为尽可能缩短作业车辆行驶路程，便于二阶段开展最优路径的搜索，一阶段分区的原则应是同一区域内的作业点在地理位置上尽量相近且具有相同的工作日时限要求，具体包括：

步骤s21：载入工作计划中的所有工作任务的信息；

步骤s22：根据所有工作任务的信息，建立周前作业任务组合模型：

其中：d为下一周期内的工作日数目，nd为工作计划中工作任务的数量，lij为作业点i与j之间的路径距离，xijd表示区域d内由作业点i行驶到作业点j，若是为1，否则为0，d为工作日的序号变量；

步骤s23：确定单日最大劳动强度约束，并载入各工作任务对应作业点的工作日时限约束；

日最大劳动强度约束对应的约束条件为：

其中：tj为作业点j的作业用时，k为具备的作业车辆数，为每车次人员日最大劳动时间，rd为满足日前紧急任务需求而预留的时间。

各工作任务对应作业点的工作日时限约束条件：

sdj≤xijd·d≤edjd＝1,2,…,d

i,j＝1,2,…,nd

其中：sdi、edi为作业点i的工作日时限。

步骤s24：将周前作业任务组合模型作为目标函数，将最大劳动强度约束、各工作任务对应作业点的工作日时限约束作为优化条件，建立优化问题，最终，基于“分区”的理念，本文以各区域(工作日)内作业点地理位置连接成的多边形周长之和最小为优化目标，建立如下周前作业任务组合模型：

约束条件

式中，d为计划周期内的工作日数，若以周为单位，则d取值为5，nd为周计划任务数量，d为某区域即工作日，lij表示作业点i与j之间的路径距离，tj表示点j的作业用时，k为带电作业中心具备的作业车辆数，表示每车次人员日最大劳动时间，rd为满足日前紧急任务需求而预留的时间，sdi、edi为作业点i的工作日时限。

式(2)表示日最大劳动强度约束，式(3)表示作业点的工作日时限约束，式(4)、(5)表示每个作业点只能安排在一个工作日，式(6)表示变量定义规则。

然后通过粒子群优化算法求解周前作业任务组合模型将作业点划分至若干区域。

步骤s3：在工作日的前一天，获取需要在工作日完成的紧急任务，并根据紧急任务采勘察现场集作业点信息，以完成工作日对应的区域内所有作业点工作任务所需全部车辆行驶里程最小为目标获得最优作业路径，日前作业路径优化是在周前作业任务分区的基础上，进一步确定次日作业车辆的具体行驶路径，同时考虑紧急任务需求对作业路径进行滚动优化。二阶段的计算时间点是日前，优化的周期为日，能够利用最新的人员、车辆和任务边界信息，结果具有实际的可执行性。一阶段分区结果缩小了二阶段优化范围，降低了计算难度。

具体包括：

步骤s31：在工作日的前一天，获取需要在工作日完成的紧急任务，并根据紧急任务勘察现场采集作业点信息；

步骤s32：将紧急任务的作业点添加至工作日的工作点中；

步骤s33：根据工作日的所有工作任务和紧急任务的信息，建立日前作业路径滚动优化模型：

其中：k为具备的作业车辆数，nd为考虑了紧急任务的第d个工作日内作业点数量，k为车辆序号变量，lij为作业点i与j之间的路径距离，yijk表示车辆k是否从i行驶至j，若为是则为1，否则为0；

步骤s34：确定单日可用作业车辆约束、每车次人员日最大劳动强度约束，每车次人员的日最大工时约束和该工作日各任务的作业时间点窗口约束，

单日可用作业车辆约束对应的约束条件为：

其中：y0ik表示车辆k是否从出发点行驶至工作点i。

每车次人员日最大劳动强度约束对应的约束条件为：

其中：tj为作业点j的作业用时，为每车次人员日最大劳动时间。

每车次人员日最大工时约束对应的约束条件为：

其中：分别为车辆k到达作业点i、j的时间，为每车次人员日最大工时。

该工作日各任务的作业时间点窗口约束条件为：

k＝1,2,…,k

lij＝vktijkyijki,j＝0,1,2,…,nd；

k＝1,2,…,k

其中：分别为车辆k到达作业点i、j的时间，tijk表示i与j之间的路程行驶用时，ti为作业点i的作业用时，vk表示车辆k的平均行驶速度，sti、eti表示作业点i的日内作业时间点时限。

步骤s35：将日前作业路径滚动优化模型作为目标函数，将单日可用作业车辆约束、每车次人员日最大劳动强度约束，每车次人员的日最大工时约束和该工作日日各任务的作业时间点窗口约束作为优化条件，建立优化问题，对于某区域(工作日)，以完成该区域内作业点工作任务所需全部车辆行驶里程最小为目标，建立如下日前作业路径滚动优化模型：

约束条件

式中，nd为d区域(工作日)内作业点数量(考虑了紧急任务需求)，下标0表示带电作业中心，为每车次人员日最大工时，表示车辆k到达作业点i、j的时间，tijk表示i与j之间的路程行驶用时，vk表示车辆k的平均行驶速度，sti、eti表示作业点i的日内作业时间点时限。

式(8)表示单日可用作业车辆约束，式(9)表示每车次人员日最大劳动强度约束，式(10)、(11)表示每个作业点有且仅有1辆车次完成，式(12)表示每辆作业车辆都是从带电作业中心出发并返回该中心，式(13)～(15)表示作业点的工作时间点时限约束；式(16)表示每车次人员的日最大工时约束，式(17)表示变量定义规则。

然后通过粒子群优化算法求解日前作业路径滚动优化模型获得最优作业路径。

模型求解过程具体如下：

与其他智能算法类似，粒子群优化算法(pso)在优化复杂函数时也存在陷入局部最优解的问题，其根本原因为粒子多样性的缺乏与丧失。为此，本文利用混沌序列的随机性与遍历性来增强算法搜索的多样性：采用混沌序列生成初始粒子位置，保证初始粒子在解空间内均匀分布；当检测到算法陷入局部最优后，对最优解进行混沌变异，扰乱粒子当前的搜索轨迹，以跳出局部最优。

pso适用于求解连续型变量问题，而本文vrp模型则是离散型组合优化问题，为此本文构造以下编码与解码方式，实现粒子位置与解的对应。以一阶段作业任务组合模型的求解为例，对于m个作业点与d个区域(工作日)的问题，以0代表作业中心，以正整数i表示第i个作业点，随机生成作业点序列，并在序列中插入d-1个0，这样就把作业点序列分为d段，每一段代表一个区域(工作日)。每个粒子为m+d-1维向量。

例如，作业点数目为6、区域数为3，某粒子的位置向量为[53061402]，则第1个工作日包含的作业点为5和3，第2个工作日包含的作业点为6、1和4，第3个工作日包含的作业点为2；同理，同样的编码方式可用于本文二阶段路径优化问题的求解。

具体求解流程如图1所示。

为了验证本申请的有益效果，进行了以下仿真实验：

假设某一周需完成40项工作计划，每个作业点的地理位置横纵坐标在[0，100]km内随机取值，带电作业中心的坐标为(50，50)，作业点之间的路程距离以直线距离来模拟，有10项任务有工作时限要求，各点位置、作业用时、作业时限信息见表1。带电作业中心现有作业车辆3辆，每日出发时间为上午9：00，车辆行驶速度为40km/h，每车次作业人员单日最大劳动强度为3h，单日最大工作时间7h，紧急任务预留用时为1.5h。

表1

图2为一阶段周前作业任务组合模型优化结果，结果显示40个作业点被分配至5个区域，分别对应5个工作日，区域的划分满足了特定作业点(1-10项任务)的工作日时限要求；此外，从图2中作业点的分布可以看出，一阶段模型能够满足每个区域内所含作业点在地理位置上相近的原则。区域、作业点及工作日具体对应关系见表2。

表2

图3为二阶段日前作业路径滚动优化结果，根据一阶段对区域的划分(同时考虑日前紧急任务需求)，二阶段模型依次对每个工作日进行作业路径的优化，得到了车辆最优行驶路径，从图3中的路径分布可以看出，本文算法能够实现配网带电作业路径的最优选择。对于该规模为40个作业点的问题，最优路径方案所需作业车次为12辆，各车次路径均能够满足日最大劳动强度约束及特定点的作业时间点时限要求。具体结果见表3。

表3