一种电力抢修队伍的智能调拨方法与流程

1.本发明涉及电力抢修技术领域，特别是涉及一种电力抢修队伍的智能调拨方法。


背景技术：

2.随着全球变暖，极端天气日益增加。恶劣的天气，尤其是台风天气，对于电力系统危害极大。强风会导致杆塔倒塌、线路断线；暴雨会造成杆塔倾倒、损害变电站电气绝缘，对电力系统的正常运行造成了极大危害，对人民的日常生活造成了极大不便。
3.为了保障人民的物质财产安全和正常的生产生活，需要在灾害发生后及时的进行抢修，然而现有的抢修方法都是在自然灾害发生后进行抢修队伍的调拨，需要等待和收集受灾信息，不能在第一时间对灾情进行响应，且灾后损失信息获取相对缓慢，在灾后损失信息获取完备后再进行抢修调拨，延误了宝贵的抢修时间，且可能产生二次危害并影响人民的正常生活。
4.因此需要对现有的自然灾害发生后的电力抢修队伍的调拨方法进行改进，使抢修队伍能在灾情发生后第一时间进行响应，避免二次危害保障人民的正常生活。


技术实现要素：

5.本发明的目的是：对现有的自然灾害发生后的电力抢修队伍的调拨方法进行改进，使抢修队伍能在灾情发生后第一时间进行响应，避免二次危害保障人民的正常生活。
6.为了实现上述目的，本发明提供了一种电力抢修队伍的智能调拨方法，包括：
7.将预测会发生自然灾害的区域划分为若干个标准网格，并采集每个标准网格各自对应的气象信息、地理信息和电网信息。
8.根据每个标准网格收集到的气象信息、地理信息、电网信息，结合随机森林算法，预测每个标准网格内的停电用户数量。
9.根据标准网格内的停电用户数量对每个标准网格进行危险度分级，并筛选危险度等级高于预设危险度等级的标准网格作为抢修网格。
10.根据得到的抢修网格和预设的决策模型得到调拨方案。
11.进一步的，所述根据得到的抢修网格和预设的决策模型得到调拨方案，具体为：
12.以所有抢修网格所需的总抢修路线最短和区域恢复时间最少作为优化目标建立决策模型，所述决策模型的约束条件包括：抢修队伍容量限制、抢修队伍独立性限制和抢修线路连续性限制。
13.根据nsga－ⅱ算法对决策模型求解，得到抢修队伍的多个调拨方案。
14.进一步的，所述智能调拨方法还包括：
15.对得到的抢修队伍的多个调拨方案进行满意度评价，选取满意度最高的调拨方案作为最终决策方案。
16.进一步的，所述根据每个标准网格收集到的气象信息、地理信息、电网信息，结合随机森林算法，预测每个标准网格内的停电用户数量，具体为：
17.所述根据每个标准网格收集到的气象信息、地理信息、电网信息确定每个网格的多个解释变量。
18.根据多个解释变量对每个标准网格应用随机森林算法预测每个标准网格内的停电用户数量。
19.进一步的，所述根据每个标准网格收集到的气象信息、地理信息、电网信息确定每个网格的多个解释变量，具体为：
20.根据收集的气象信息获取到的标准网格的解释变量为最大阵风风速；根据收集的地理信息获取到的标准网格的解释变量为经度、纬度、海拔、坡度、坡向、地表类型和下垫面类型；根据收集的电网信息获取到的标准网格的解释变量为用户数量、塔杆数量、线路长度、箱变数量、台变数量和塔杆拉线数量。
21.进一步的，所述根据多个解释变量对每个标准网格应用随机森林算法预测每个标准网格内的停电用户数量，具体为：
22.选取一个标准网格，从选取的标准网格的多个解释变量中随机选取若干个解释变量作为随机森林算法中回归树的第一输入变量。
23.根据所述第一输入变量构建第一回归树，所述第一回归树对应选取的标准网格在第一输入变量下的第一停电用户数量。
24.对选取的标准网格重复第一次数的随机选取解释变量并生成回归树，得到不同输入变量下的停电用户数量。
25.将不同输入变量下的停电用户数量的平均值作为选取的标准网格的停电用户数量。
26.遍历所有标准网格得到每个标准网格的停电用户数量。
27.进一步的，所述根据标准网格内的停电用户数量对每个标准网格进行危险度分级，并筛选危险度等级高于预设危险度等级的标准网格作为抢修网格，具体为：
28.当标准网格内的停电用户数量小于两百时，将标准网格设为低危险网格。
29.当标准网格内的停电用户数量大于等于两百小于四百时，将标准网格设为较危险网格。
30.当标准网格内的停电用户数量大于等于四百小于八百时，将标准网格设为危险网格。
31.当标准网格内的停电用户数量大于等于八百时，将标准网格设为高危险网格。
32.将危险度等级在较危险网格之上的标准网格作为抢修网格。
33.进一步的，所述决策模型中总抢修线路最短的优化目标的函数表达式为：
[0034][0035]
其中，f1表示总抢修路线距离；l
ijk
为决策变量，其等于1视为电力抢修队伍k从危险网格或高危险网格i到危险网格或高危险网格j；z
ij
表示从危险网格或高危险网格i与j间的运输距离；r为抢修队伍集，是所有可调度抢修队伍的集合；v是在所有受损点集合的基础上包含了起点所构成的集合；e表示所有危险网格或高危险网格的数量；r表示所有抢修队伍的数量。
[0036]
进一步的，所述决策模型中区域恢复总时间最少的优化目标的函数表达式为：
[0037][0038]
其中，f2表示区域整体修复时间；z
ij
表示从危险网格或高危险网格i与j间的运输距离；v为抢修队伍的行驶速度；为对第d个危险网格或高危险网格进行抢修所需的时间；r为抢修队伍集，是所有可调度抢修队伍的集合；v
′
为包括所有危险网格或高危险网格的集合；v是在所有受损点集合的基础上包含了起点所构成的集合；e表示所有危险网格或高危险网格的数量。
[0039]
进一步的，所述决策模型的约束条件包括：抢修队伍容量限制、抢修队伍独立性限制和抢修线路连续性限制，具体为：
[0040]
抢修队伍容量限制具体为：
[0041]
其中，o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k服务；gd表示修复第d个危险网格或高危险网格所需要的总抢修工时；q为抢修队伍的容量限制；r为抢修队伍集；
[0042]
抢修队伍独立性限制具体为：
[0043]
其中，o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k服务；v
′
为包括所有危险网格或高危险网格的集合；
[0044]
抢修线路连续性限制具体为：且且
[0045]
其中，l
ijk
为决策变量，其等于1视为电力抢修队伍k从危险网格或高危险网格l到危险网格或高危险网格j；o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k服务；v
′
为包括所有危险网格或高危险网格的集合；r为抢修队伍集。
[0046]
进一步的，所述修复第d个危险网格或高危险网格所需要的总抢修工时的函数表达式为：
[0047][0048]
其中，gd表示修复第d个危险网格或高危险网格所需要的总抢修工时；hd表示修复第d个危险网格或高危险网格所需要的电力抢修人员数量；表示第d个危险网格或高危险网格的修复时间。
[0049]
进一步的，所述对得到的抢修队伍的多个调拨方案进行满意度评价，选取满意度最高的调拨方案作为最终决策方案，具体为：
[0050]
所述多个调拨方案为决策模型的pareto解集；将pareto解集代入到满意度判断公式中，选取满意度最高的方案作为最终决策方案，所述满意度公式为：知
[0051]
其中，pb为pareto解集中第b个解，为解pb在第a个优化目标上的满意程度；fa(pb)为解pb第a个优化目标的函数值，和分别为整个pareto解集中第a个优化目标的最大函数值和最小函数值；b为pareto解集中解的个数；a为优化目标个数；μb为解pb对所有优化目标的满意程度。
[0052]
本发明公开了一种电力抢修队伍的智能调拨方法与现有技术相比，其有益效果在于：根据已经收集的可能会发生自然灾害区域的气象信息、地理信息和电网信息对该区域可能的停电数量进行预测，提前制定可行的抢修队伍调拨方案，可以在自然灾害发生后第一时间进行响应，避免发生二次损失，保障人民的正常生活。采用随机森林树算法对标准网格内的停电用户数量进行预测，采用了标准网格的多个解释变量，可以从更全面的角度对停电用户数量进行预测，结果更加真实可信。综合考虑多方目标，进行了兼顾多方利益的多目标优化，获取到的多个调拨方案，对获取到的多个调拨方案进一步进行筛选评价，并用模糊隶属度函数的方法选取最优解，准确高效地得到最优抢修调度方案。进一步的，本将灾前的损失预测与灾后抢修调度结合了起来，解决了抢修调度信息滞后的问题。
附图说明
[0053]
图1是本发明一种电力抢修队伍的智能调拨方法的第一流程示意图；
[0054]
图2是本发明一种电力抢修队伍的智能调拨方法的第二流程示意图；
[0055]
图3是本发明一种电力抢修队伍的智能调拨方法的第三流程示意图。
具体实施方式
[0056]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0057]
如图1所示，本发明公开了一种电力抢修队伍的智能调拨方法，应用于自然灾害发生前对某个区域进行预先的抢修队伍调拨，可在自然灾害发生后第一时间进行应急响应，包括：
[0058]
步骤s1，将预测会发生自然灾害的区域划分为若干个标准网格，并采集每个标准网格各自对应的气象信息、地理信息和电网信息；
[0059]
步骤s2，根据每个标准网格收集到的气象信息、地理信息、电网信息，结合随机森林算法，预测每个标准网格内的停电用户数量；
[0060]
步骤s3，根据标准网格内的停电用户数量对每个标准网格进行危险度分级，并筛选危险度等级高于预设危险度等级的标准网格作为抢修网格；
[0061]
步骤s4，根据得到的抢修网格和预设的决策模型得到调拨方案。
[0062]
在步骤s1中，将预测会发生自然灾害的区域划分为若干个标准网格，并采集每个标准网格各自对应的气象信息、地理信息和电网信息。由于自然灾害频发，对电网系统造成了多次破坏，为了降低损失提高抢修效率，电网系统对历次自然灾害发生后的电网受损情况以及自然灾害发生区域的气象信息、地理信息和电网信息进行了收集整理，寻找电网损坏后停电用户数量和这些信息之间的关系。
[0063]
在本实施例中，由于自然灾害所发生的区域较大，直接对整体进行分析难以精细化的得出停电用户数量和气象信息、地理信息和电网信息直接的关系，因此申请人将自然灾害发生的区域分解为标准网格。
[0064]
一种可选的实施方式为：把区域划分为1km＊1km的标准网格，并获取每个标准网格中搜集气象信息、地理信息和电网信息。本领域技术人员可以对标准网格的大小进行适应性调整，可以综合人口密度进行调整，在人口稠密地区和人口稀疏地区可以对标准网格的大小进行调整。
[0065]
参照图2或图3，在本实施例中，为了更加清楚的对本技术方案进行说明，步骤s2可以进一步划分为两个步骤。
[0066]
所述根据每个标准网格收集到的气象信息、地理信息、电网信息，结合随机森林算法，预测每个标准网格内的停电用户数量，具体为：
[0067]
步骤s21，所述根据每个标准网格收集到的气象信息、地理信息、电网信息确定每个网格的多个解释变量；
[0068]
步骤s22，根据多个解释变量对每个标准网格应用随机森林算法预测每个标准网格内的停电用户数量。
[0069]
在步骤s21中，所述根据每个标准网格收集到的气象信息、地理信息、电网信息确定每个网格的多个解释变量，具体为：
[0070]
根据收集的气象信息获取到的标准网格的解释变量为最大阵风风速；根据收集的地理信息获取到的标准网格的解释变量为经度、纬度、海拔、坡度、坡向、地表类型和下垫面类型；根据收集的电网信息获取到的标准网格的解释变量为用户数量、塔杆数量、线路长度、箱变数量、台变数量和塔杆拉线数量。
[0071]
根据自然灾害的类型可以对标准网格内所收集的解释变量进行调整，本实施例中公开的多个解释变量可以作为一种基础的解释变量类型，本领域技术人员可以根据实际情况进行调整。
[0072]
在本实施例所公开的解释变量，适应于台风等具备强烈空气对流的自然灾害，在此基础上可以对气象信息中的解释变量进行增减，适应于其它自然灾害下的停电用户数量的预测。
[0073]
在本实施例中，以某个区域发生台风灾害为背景进行实际举例说明。该区域层历次发生台风灾害，积累了多次台风灾害发生前后的气象信息、地理信息和电网信息。现将该区域划分为1641个标准网格，选取了三场台风数据，得到共计3
×
1641＝4923个数据样本。结合步骤s1中的多个解释变量，根据多个解释变量对每个标准网格应用随机森林算法预测每个标准网格内的停电用户数量。
[0074]
在步骤s22中，根据多个解释变量对每个标准网格应用随机森林算法预测每个标准网格内的停电用户数量，具体为：
[0075]
选取一个标准网格，从选取的标准网格的多个解释变量中随机选取若干个解释变量作为随机森林算法中回归树的第一输入变量。
[0076]
根据所述第一输入变量构建第一回归树，所述第一回归树对应选取的标准网格在第一输入变量下的第一停电用户数量。
[0077]
对选取的标准网格重复第一次数的随机选取解释变量并生成回归树，得到不同输入变量下的停电用户数量。
[0078]
将不同输入变量下的停电用户数量的平均值作为选取的标准网格的停电用户数量。
[0079]
遍历所有标准网格得到每个标准网格的停电用户数量。
[0080]
结合具体的数据进行举例说明如下：
[0081]
用得到的解释变量对每个标准网格运用随机森林算法对标准网格内的停电用户数量进行预测。随机森林是以回归决策树为基础集成而成的，对于每个标准网格，首先从获取到的14个解释变量中任意选取若干个解释变量进行回归树的构建。
[0082]
设x为回归树的输入变量，即随机选择的若干个解释变量，y为回归树的输出变量，即网格内的停电用户数量，则样本训练数据集d为：
[0083]
d＝{(x1，y1)，(x2，y2)，...，(x
4923
，y
4923
)}；
[0084]
则回归树可以表示为：
[0085][0086]
一个回归树对应着输入空间(表示一个网格内所选择的所有解释变量所构成的数据空间)的一种划分以及在划分的网格上的输出值。假设已将输入空间划分为m个单元r1，r2，...，rm。并且在每个单元rm上有一个固定的输出值cm。i为决策变量，当x∈rm时其值为1。
[0087]
在建立回归树的过程中将输入空间划分为2部分，即m＝2。针对选取的若干变量，选择第n个变量x
(n)
和它取的值s，分别作为切分变量和切分点，并定义两个区域r1(n，s)和r2(n，s)，为切分点划分后的输入空间：
[0088]
r1(n，s)＝{x|x
(n)
≤s}和r2(n，s)＝{x|x
(n)
＞s}；
[0089]
然后寻找最优切分变量n和最优切分点s：
[0090][0091]
其中，xw为第w个样本训练数据中的输入变量，yw为第w个样本训练数据中的输出变量。
[0092]
遍历所有输入变量，找到最优的切分变量最优切分变量n和最优切分点s，这样就生成一颗回归树。
[0093]
以此重复随机选择若干解释变量构建回归树，重复500次，并取500个回归树在预测数据集下的平均值作为随机森林算法的最终输出结果。
[0094]
在步骤s3中，根据标准网格内的停电用户数量对每个标准网格进行危险度分级，并筛选危险度等级高于预设危险度等级的标准网格作为抢修网格。
[0095]
在本实施例中，一种可选的实施方式为：
[0096]
当标准网格内的停电用户数量小于两百时，将标准网格设为低危险网格。
[0097]
当标准网格内的停电用户数量大于等于两百小于四百时，将标准网格设为较危险网格。
[0098]
当标准网格内的停电用户数量大于等于四百小于八百时，将标准网格设为危险网格。
[0099]
当标准网格内的停电用户数量大于等于八百时，将标准网格设为高危险网格。
[0100]
将危险度等级在较危险网格之上的标准网格作为抢修网格。
[0101]
针对抢修网格(危险网格与高危险网格)，其发生停电的风险更大，需要优先对它们的抢修工作进行调度。提取研究区域中的危险网格和高危险网格，并对危险网格和高危险网格的抢修路线进行规划。
[0102]
参照图2或图3，在本实施例中，为了更好的对技术方案进行说明，步骤s4可以进一步划分为两个步骤。
[0103]
所述根据得到的抢修网格和预设的决策模型得到调拨方案，具体为：
[0104]
步骤s41，以所有抢修网格所需的总抢修路线最短和区域恢复时间最少作为优化目标建立决策模型，所述决策模型的约束条件包括：抢修队伍容量限制、抢修队伍独立性限制和抢修线路连续性限制；
[0105]
步骤s42，根据nsga-ii算法对决策模型求解，得到抢修队伍的多个调拨方案。
[0106]
在步骤s41中，以所有抢修网格所需的总抢修路线最短和区域恢复时间最少作为优化目标建立决策模型，所述决策模型的约束条件包括：抢修队伍容量限制、抢修队伍独立性限制和抢修线路连续性限制。
[0107]
本发明所要解决的问题是一个考虑多目标的台风灾害下电力抢修队伍调度策略，在网格样本经纬度坐标和重要性等级已知的前提之下，对抢救路线进行寻优，寻找遍历所有受损网格并返回供电局、同时使电网侧和用户侧目标尽可能小的电力抢修调度方案。
[0108]
在本实施例中，所述决策模型中总抢修线路最短的优化目标的函数表达式为(电网侧的优化目标)：
[0109][0110]
其中，f1表示总抢修路线距离；l
ijk
为决策变量，其等于1视为电力抢修队伍k从危险网格或高危险网格i到危险网格或高危险网格j；z
ij
表示从危险网格或高危险网格i与j间的运输距离；r为抢修队伍集，是所有可调度抢修队伍的集合；v是在所有受损点集合的基础上包含了起点所构成的集合；e表示所有危险网格或高危险网格的数量；r表示所有抢修队伍的数量。
[0111]
在本实施例中，所述决策模型中区域恢复总时间最少的优化目标的函数表达式为(用户侧的优化目标)：
[0112][0113]
其中，f2表示区域整体修复时间；z
ij
表示从危险网格或高危险网格i与j间的运输距离；v为抢修队伍的行驶速度；为对第d个危险网格或高危险网格进行抢修所需的时间；r为抢修队伍集，是所有可调度抢修队伍的集合；v
′
为包括所有危险网格或高危险网格的集合；v是在所有受损点集合的基础上包含了起点所构成的集合；e表示所有危险网格或高危险网格的数量。
[0114]
所述决策模型的约束条件包括：抢修队伍容量限制、抢修队伍独立性限制和抢修线路连续性限制，具体为：
[0115]
电力抢修车辆容量有限，不可能携带无限的人员和装备。而且电力抢修人员的精力也有限，不可能不停的进行抢修作业。所以每个电力抢修队伍所具备的抢修工时是有限的，有必要对此加以容量限制。
[0116]
抢修队伍容量限制具体为：
[0117]
其中，o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k
服务；gd表示修复第d个危险网格或高危险网格所需要的总抢修工时；q为抢修队伍的容量限制；r为抢修队伍集。
[0118]
保证每个抢修队伍的独立性，防止他们之间相互影响，添加抢修队伍独立性限制。
[0119]
抢修队伍独立性限制具体为：
[0120]
其中，o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k服务；v
′
为包括所有危险网格或高危险网格的集合。
[0121]
为了保证抢修车辆运输路线的连续性，添加运输路线连续性限制。
[0122]
抢修线路连续性限制具体为：且且
[0123]
其中，l
ijk
为决策变量，其等于1视为电力抢修队伍k从危险网格或高危险网格i到危险网格或高危险网格j；o
dk
为决策变量，其等于1表示第d个危险网格或高危险网格由电力抢修队伍k服务；v
′
为包括所有危险网格或高危险网格的集合；r为抢修队伍集。
[0124]
在大台风灾害到来时，一个网格内甚至会达到上千用户停电，受到电网公司维修车辆、人员和装备的限制，无法实现这样“一对一”的电力抢修方案，一支电力抢修队伍需要承担多个标准网格的电力抢修任务。而相对于普通车辆路径问题，台风造成的电力故障是多种多样的，对这些故障的抢修方式也有所不同。跟常规的车辆路径问题不同的是，电力抢修过程消耗的多是“人力”而不是“物力”。相对于可以重复使用的抢修工具和替换元件，电力抢修人员所付出的工作量是巨大的，所以本发明将以抢修危险网格与高危险网格所需要的总抢修工时作为该抢修网格(危险网格与高危险网格)的“工作量”，一个抢修网格的总抢修工时如下所示：
[0125]
在本实施例中，所述修复第d个危险网格或高危险网格所需要的总抢修工时的函数表达式为：
[0126][0127]
其中，gd表示修复第d个危险网格或高危险网格所需要的总抢修工时；hd表示修复第d个危险网格或高危险网格所需要的电力抢修人员数量；表示第d个危险网格或高危险网格的修复时间。
[0128]
在步骤s42中，根据nsga-ii算法对决策模型求解，得到抢修队伍的多个调拨方案，具体为：在上述两个优化目标以及三个约束条件的限制下，使用nsga-ii算法对问题进行求解。
[0129]
首先，将所有的危险网格或高危险网格按1，2，3...的顺序进行编码然后进行随机排列组合形成染色体，重复500次，随机生成含有500个个体的初始种群。其中每条染色体代表一种抢修队伍的调度方案，数字排列的顺序即为对危险网格或高危险网格的抢修先后顺序。
[0130]
然后，对初始种群进行交叉操作，在500个个体的初始种群中以0.8的概率随机选择两个个体作为父代，在两个父代中随机选择两个切点，切点之间的点保留，切点两边的点按照对方的排列顺序从第二个切点右侧开始排列。之后对种群进行变异操作，每条染色体某片段按0.2的概率进行逆转，发生逆转的片段长度是随机的。以此生成子代种群。
[0131]
随后，将生成的子代种群与之前的父代种群混合在一起，剔除掉不满足约束条件
的解，并对剩下的满足约束条件的解进行支配关系比较。假设一个解在两个优化目标上都优于另一个解，则称该解对另一个解成支配关系。以此对混合种群中的解进行支配关系比较，选出支配关系靠前的500个解成为新的父代种群。
[0132]
在此基础上继续交叉变异操作、生成新的种群，重复1000次。经过反复迭代，最后一次生成的种群中的500个解即为nsga－ⅱ算法的最终优化结果，即为pareto解集。
[0133]
所述pareto解集包括多个可选的调拨方案，但是由于目标间的相互制约、相互排斥，最后得到的解中没有明显的支配关系，往往是在一个优化目标上优于其他解，但在另一个优化目标上劣于其他解。所以在定量分析中应加入决策者的某种主观判断，对pareto解集中的多个调拨方案进行筛选。
[0134]
在本实施例中，所述智能调拨方法还包括：
[0135]
步骤s5，对得到的抢修队伍的多个调拨方案进行满意度评价，选取满意度最高的调拨方案作为最终决策方案。
[0136]
参照图2和图3，因此本发明的技术方案还包括步骤s5：对得到的抢修队伍的多个调拨方案进行满意度评价，选取满意度最高的调拨方案作为最终决策方案。
[0137]
在本实施例中，所述对得到的抢修队伍的多个调拨方案进行满意度评价，选取满意度最高的调拨方案作为最终决策方案，具体为：
[0138]
所述多个调拨方案为决策模型的pareto解集；将pareto解集代入到满意度判断公式中，选取满意度最高的方案作为最终决策方案，所述满意度公式为：和
[0139]
其中，pb为pareto解集中第b个解，为解pb在第a个优化目标上的满意程度；fa(pb)为解pb第a个优化目标的函数值，和分别为整个pareto解集中第a个优化目标的最大函数值和最小函数值；b为pareto解集中解的个数；a为优化目标个数；μb为解pb对所有优化目标的满意程度。
[0140]
综上，本发明公开了一种电力抢修队伍的智能调拨方法，有益效果在于：根据已经收集的可能会发生自然灾害区域的气象信息、地理信息和电网信息对该区域可能的停电数量进行预测，提前制定可行的抢修队伍调拨方案，可以在自然灾害发生后第一时间进行响应，避免发生二次损失，保障人民的正常生活。采用随机森林树算法对标准网格内的停电用户数量进行预测，采用了标准网格的多个解释变量，可以从更全面的角度对停电用户数量进行预测，结果更加真实可信。综合考虑多方目标，进行了兼顾多方利益的多目标优化，获取到的多个调拨方案，对获取到的多个调拨方案进一步进行筛选评价，并用模糊隶属度函数的方法选取最优解，准确高效地得到最优抢修调度方案。进一步的，本将灾前的损失预测与灾后抢修调度结合了起来，解决了抢修调度信息滞后的问题。
[0141]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。