基于改進人工蜂群的電力檢修設備優化調度

李 志，余紹峰，張蔡洧，陳 鼎

(1. 浙江華電器材檢測研究院有限公司，浙江 杭州 310000；2. 國網浙江省電力有限公司寧波供電公司，浙江 寧波 315000； 3. 國網浙江省電力有限公司嘉興供電公司，浙江 嘉興 314033)

1 引言

隨著電力系統不斷發展壯大，對故障的檢修以及電力資產的管理要求日趨嚴格，科學合理安排檢修計劃，最大化利用電力資產已成為衡量電力部門運作管理水平的重要標準之一。因此，研究面向檢修計劃的電力設備物資調度方案，高效益的完成檢修任務，對電網安全穩定運行，電力部門高效運作管理有重要意義。

近年來，在資產管理中，文獻[1，2]使用射頻識別(Radio Frequency Identification， RFID)技術實現了電力資產管理并指出目前基于RFID是數字標簽存在存儲容量小、離線、被動等缺點；文獻[3]設計了eRFID標簽，具備數據交互與環境感知功能，克服了上述缺點，實現了全周期的電力資產智能管理，但造價較高。在資產優化調度方面，文獻[4]基于改進后的禁忌搜索算法，分析中大規模貨位優化分配問題，并通過實際案例仿真分析，驗證了算法的可行性；文獻[5]采用改進后的灰狼算法，對倉庫出入庫能量調度問題進行優化求解；文獻[6，7]基于離散ABC分別求解了多目標規劃且柔性調度車間和流水線調度車間問題；針對車間內調度問題，文獻[8]提出了混合ABC，并通過案例仿真進行驗證。而在電網調度問題求解中，文獻[9]提出一種能快速求解的改進二階錐(SOC)松弛方法，實現多區域電-氣綜合能源系統優化調度快速求解；文獻[10]基于蜂群算法結合削峰填谷，通過監測凈負荷和電價時段狀態等，得到能量最優調度計劃；文獻[11]基于烏鴉搜索算法，以微網最低運行成本和發電機最少出力為目標，構建了微網下多目標優化調度模型。

綜上所述，國內外研究人員設計了較為成熟的基于RFID資產管理為主的方案，提出的資產調度優化方法均能有效提高管理效率，但主要研究車間效率最大化作業安排，而研究戶外調度的方法尚少。在電網調度中，現主要研究大多限于電網內或微網間效率最大化負荷，研究其電力設備物資調度管理的方法尚少。本文在削峰填谷，分時電價的基礎上，以最大化電力資產利用率和最小化完工時間為目標，對電力資產調度問題進行建模。確定故障設備檢修順序和檢修設備使用方案，結合天氣、距離、工作經驗等，進一步確定各個檢修工作的起始時間，并考慮分時電價函數，計算檢修過程最低能耗成本。結合該調度優化問題的特點，提出一種基于交叉與變異的人工蜂群(CM-ABC)算法對電力設備資產進行優化調度的求解方法。

2 電力設備資產調度問題建模

根據國標要求和試驗系統操作規程，本文對檢修設備、待檢修設備及檢修作業的約束包括：① 所有的檢修設備在

t

=0時刻均可用；② 電力資產管理倉庫有固定功率，會產生固定能耗；③ 檢修設備具有固定功率和檢測功率，且所有的檢修設備在開始檢修到檢修結束之間保持開機狀態，當檢測設備未處于工作狀態時會因固定功率產生待機能耗；④ 同一時刻，某檢修設備只能對應檢修一道檢修工序，不可中斷。在該建模中，引入分時電價政策，使檢修作業獲得最大經濟效益，且兼顧削峰填谷，設分時電價函數為

f

(

t

)，該函數將一天劃分為

L

時段，每個時段連續，且在該時段內的電價為

p

。在考慮分時電價的基礎上，通過合理安排電力資產調度方案，使整個檢修過程耗最短、成本最低。因此，在考慮分時電價的情況下，

M

的能耗可表示為

(1)

(2)

(3)

為實現未來數天調度計劃安排，在對電力設備資產模型求解前，應先確定每天檢修設備安排，以此確定電力設備調度方案。根據待檢修設備檢修工序

Q

，計算平均工作時間

(4)

式中，

h

代表第

i

個待檢修設備第

j

道檢修工序在檢修設備

k

上所使用的的時間，

h

代表第

i

個待檢修設備平均檢修時間。通過平均工作時間，結合天氣、人員安排等情況，確定未來數天內檢修調度方案。為了實現最小戶外檢修時長，需對總出工時間進行分析，在考慮行程時間，天氣，工作人員能力等前提下，待檢修設備

N

的總出工時間可表示為

(5)

(6)

(7)

式中，Δ

d

為上一檢修地

N

-1距

N

的相對距離，

v

為檢修隊平均前進速度，

t

為待檢測設備

i

的第

j

道檢測工序的標準檢修時間，

λ

為調整系數，在實際作業現場，現場環境

λ

、操作人員能力

λ

、外界影響

λ

及天氣因素

λ

等，都會影響作業時長，故最終調整系數

λ

=

λ

×

λ

×

λ

×

λ

，Δ

t

為作業時長修正偏差。

本文將最小化能耗成本作為電力物資調度的目標之一，同時還考慮了最大完工時間、檢修設備的總負載量及檢測作業完工總延期時長最優，模型的多目標函數調度模型為

f

=min(

f

，

f

，

f

，

f

)

(8)

f

=

T

，

f

=

C

，

f

=

M

，

f

=

T

(9)

式中，

T

為最大化最小戶外檢修時長，

C

為總能耗消耗，

M

為檢測設備的總負載量，

T

為檢修作業總時長。

約束條件如下

(10)

(11)

(12)

(13)

(14)

(15)

(16)

式中，

P

電力資產調度車間的固定損耗，式(13)為分時電價模型；式(14)為檢測作業約束，即檢測過程一旦開始不允許中斷；式(15)為檢測流程的先后約束。

3 電力設備資產調度模型求解

人工蜂群(ABC)算法包含引領蜂、跟隨蜂以及偵查蜂3類蜂群。在食物源的開發上，引領蜂與跟隨蜂在單一領域內搜索食物源；而偵查蜂于整個可行解空間中隨機“開發”新食物源，易造成早熟收斂等問題，對全局最優解的搜索效率低。為此，本文提出基于交叉-變異的人工蜂群(CM-ABC)算法，以最小化總能耗C為優化目標，生成多維度多類型初始種群參數，根據參數類型確定不同搜索方案，充分利用全局最優解中的優質信息，增強搜索能力；并采用交叉、變異操作，多樣化子代種群數量，避免局部最優。

3.1 初始化階段

初始化階段主要包括控制參數和食物源初始化。本文針對電力資產調度能耗優化問題，將不同類型的參數變量，構建為一個高維矩陣進行求解，具體參數包括電力檢修設備

M

的消耗

C

()、檢修設備工作狀態

y

(

t

)、待檢修設備

N

的總出工時間

T

。構建的參數矩陣表達式如下(以每小時為優化時間間隔)

(17)

在控制參數初始化中，令引領蜂和跟隨蜂均為N，可行解更新的過程中，跟隨蜂向引領蜂轉變的條件由參數MaxLimit控制，算法的迭代終止次數由參數MaxCycle控制。食物源初始化中，每個食物源對應一個可行解。

3.2 初始化階段

初始化后，引領蜂為獲取更優質的食物源，基于貪婪選擇方案對鄰域展開搜索。本文根據參數特征，對可行解X中不同類型參數采用分類鄰域搜索策略，若當前迭代隨機選擇的變化參數為檢修設備參與的能耗消耗量，鄰域搜索策略為直接將當前狀態值改變作為對應狀態取值集合中的其余狀態值；若選擇的變化參數為最大化檢修時長，則鄰域搜索策略如下

v

=

x

+

α

(

x

-

x

′)

(18)

式中，

v

為鄰域搜索后的參數值，

x

參數當前值，

α

為(-1，1)的隨機數，

x

′為另一個隨機可行解中相同位置的參數值。

本文使用CM-ABC算法，通過交叉和變異操作，提高算法“搜索”和“開發”能力。任選兩個可行解的某一位置，按上述鄰域搜索策略得到新的可行解后，按如圖1所示方案，進行交叉變換，得到新的可行解V1、V2。

利用本文適應性度函數，分別計算各解的適應度值，選取總能耗最低兩個解進行變異操作，本文所進行的變異操作，只在實數范圍內，針對各電力檢修設備當前能耗C進行，如圖2所示，得到新可行解。對比生成子代可行解與原可行解，選取適應度值高的構成新種群以進行下一次迭代。

圖1 交叉變換

圖2 變異變換

3.3 初始化階段

跟隨蜂階段，食物源的信息被跟隨蜂獲取，并由式(19)的概率

P

，通過輪盤賭策略選擇合適的引領蜂。并按2

.

2節所述的交叉-變異操作，在當前最優解鄰域內，進一步搜索適應度高的可行解。

(19)

偵查蜂階段，ABC算法使用隨機搜索方案，這導致新解的確立具有盲目性，沒有利用優化算法得到最優解中的優質信息。

針對這一問題，本文在確定偵查蜂可行解初始化策略時，考慮優化參數的變化特征，并選用當前記錄的全局最優解，保留其中檢修設備參與的能耗消耗量，僅將最大化檢修時長和檢修設備工作狀態

y

(

t

)初始化，并將其作為偵查蜂確定的新解。

偵查蜂初始化策略經過優化后，當前解的部分優質信息得以保留，使算法更多地向全局最優解方向收斂，提高搜索效率。

3.4 求解過程描述

電力設備資產調度求解流程，如圖3所示，具體實現步驟如圖3所示。

圖3 CM-ABC算法

1)根據式(4)平均工作時間，確定未來數天檢修計劃安排。

2)

CM

-

ABC

算法參數初始化。3)構建代表目標調度計劃可行解的初始調度方案

X

(

i

=1，2…

N

)，并根據適應性函數

f

=

C

()計算所有方案的適應度，將當前適應度最高的電力設備調度方案，作為全局最優可行解

X

。

4)引領蜂搜索階段，引領蜂操作步驟如下：

① 對初始調度方案

X

(

i

=1，2…

N

)中所有可行解先采用進行鄰域搜索，然后進行交叉、變異操作，獲得新的方案

X

′(

i

=1，2…

N

)；② 確定新方案中，每個可行解的適應度值

f

(

X

′)；③ 參數更新，使用適應度值高的電力設備調度方案替換舊的方案，每個電力設備調度方案未被提示的次數由參數

Limit

表示，

Limit

=0，表示

X

′的適應度值大于

X

，此時令

X

=

X

′，方案被優化；否則，方案未被優化，此時令

Limit

=

Limit

+1；

5)跟隨蜂搜索階段，由式(18)算的各電力設備調度方案被選概率，采用輪盤賭的方式選擇可行解，每個觀察蜂選擇對應調度方案后，采用步驟3)的方案，執行搜索過程。

6)偵查蜂搜索階段，舍棄大于MaxLimit的調度方案，采用2.4節中描述的初始化電力設備調度規劃確定新的調度方案，繼續執行優化過程。

7)經過引領蜂、跟隨蜂和偵查蜂的優化過程后，計算新方案中所有可行解的適應度值，對比之前記錄的全局最優調度方案，更新

X

。8)判斷是否達到最終迭代次數MaxCycle，若達到，輸出最終的全局最優調度方案

X

；否則，跳轉到步驟3)，繼續進行優化搜索過程。

4 案例仿真分析

4.1 案例說明

通過實例仿真驗證本文所建立電力物資調度管理模型的正確性及其求解算法的有效性。以某地區某周安排的檢修任務為例，在本周中，周三為雨天，不安排檢修計劃，且本周檢修人員工作出勤狀態良好。表1包括對戶外變壓器、斷路器、互感器等設備檢修作業調度問題的具體數據，表中給出了各設備不同檢測工序對應的可選檢測設備和其檢測時間，此外表中還給出了不同檢修設備的檢修功率和待機功率，該檢測作業調度問題為8*8(10臺待檢修設備，8臺檢修設備)的柔性調度問題。通過Matlab軟件進行仿真分析，算法各參數設置如下：初始可行解數量(N)設置為20，可行解上升次數(MaxLimit)限制為50，算法最大循環次數(MaxCycle)設置為5 000。

本文通過引入分時電價來達到削峰填谷的目的，根據該市采用的分時電價標準，低谷時段為11：00-13：00及22：00-次日8：00；高峰時段為8：00-11：00、13：00-19：00以及21：00-22：00；尖峰時段為19：00-21：00。一天24h內的分時電價函數如下式所示

(20)

表1 某市電力設備檢修具體參數

4.2 仿真結果分析

根據本文的建模求解方法，首先根據檢修計劃，確定每天的工作安排；然后，采用

CM

-

ABC

算法，通過

matlab

求解，最終得出的電力物資最優檢調度甘特圖，如圖4所示。其中最大完工時間為18

h

，機器最小負載為81

kw

，能耗成本為1 272

.

20元，算法的運行時間為569

.

81

s

。

圖4中，橫坐標表示待檢修設備所需的檢修時間，左側縱坐標表示不同的待檢修設備，不同顏色代表不同的檢修設備，同一顏色表示同一檢修設備，矩形長度表示檢修時長。本周的調度計劃為，周一檢修設備2；周二檢修設備6和設備8；周三不安排檢修計劃；周四檢修設備1、設備4和設備7；周五檢修設備3和設備5。

圖4 電力物資最優檢調度甘特圖

圖中，Q(i，j，k)表示第i個待檢修設備的第j個檢修工序在k號檢修設備上執行，如Q(2，1，2)代表第2個待檢修設備的第1道檢修工序在2號檢修設備上執行，根據圖不難看出，該道工序檢修時長為3小時。

4.3 對比分析

通過傳統

ABC

算法與

CM

-

ABC

算法進行對比，以驗證本文算法的優越性，分別對5*8和8*8兩種電力物資調度問題，在參數設置相同的情況下，進行多次試驗，并分別對比最優值和10次平均值，仿真對比結果如表2所示。由表2可知，本文所提出的

CM

-

ABC

算法所得的最優值和平均值優化目標優于傳統

ABC

算法。不論是在檢修設備負載的消耗，還是在能耗成本上，

CM

-

ABC

算法均具有明顯的優越性。并且，通過算法的運行時間對比可知本文時間復雜度低。在建模方面，未引入分時電價模型，在8*8的算例規模下，通過

CM

-

ABC

算法，平均運行成本為2047

.

87元，在5*8的算例規模下，平均運行成本為1785

.

68元；綜合運算結果，引入分時電價后，運行成本平均降低37

.

4

%

，本文所建立的分時電價下電力資產調度模型，在降低電力部門運行成本上，具有明顯的優越性。

表2 傳統ABC算法與CM-ABC算法對比

5 結論

本文在提高電力部門物資調度效率的基礎上，結合分時電價政策，為實現多目標電力設備資產管理優化調度方案，建立了以最小化完工時間、檢修作業最低能耗成本、檢修設備最小總負載量及檢修作業完工總延期時長最短的電力資產管理優化調度模型；在傳統ABC算法的基礎上，為確保子代種群多樣性，提高算法搜索全局最優解的能力，設計了CM-ABC算法進行求解，通過所求得的最小機器負載、最小完工時間以及最低運行成本，表明了本文所建立的電力設備資產調度模型的合理性與有效性。同時，將傳統的ABC算法與CM-ABC算法進行對比仿真，表明CM-ABC算法求解能力明顯優于傳統ABC算法，驗證了本文提出的CM-ABC算法的可行性及優越性。