一种基于遗传-分布估计算法的电力检修工序优化方法

摘要

本发明涉及一种基于遗传‑分布估计算法的电力检修工序优化方法，其包括如下步骤：1）基于工件和操作进行编码；2）采用基于GA的概率模型训练操作得到初始化概率矩阵，对初始化概率矩阵的采样得到初始化种群；3）利用EDA从宏观层面对问题解空间进行全局搜索，利用GA对每一代产生的解进行局部遗传操作，在全局和局部搜索之间达到平衡，获得检修工序的优良解，再通过解码获得最优电力检修工序。本发明提供的方法适合复杂环境下电力检修的工序优化，降低了检修工作中的人力、财力和物资的投入，对保证电力系统的安全运行起到了重要作用。

说明书

技术领域

本发明涉及一种基于遗传-分布估计算法的电力检修工序优化方法。

背景技术

电力作为国民工业的先行官，关系到国民经济的可持续发展。随着现代社会和经济的快速发展，使得电力系统向超大容量、跨区域和超高压的方向发展。但是，随着电力系统容量的增大和电力网络规模的扩大，电力设备故障给人们的生产和现代生活所带来的影响越来越大，并且对系统的稳定经济运行也提出了越来越高的要求，而保证电力系统的经济性以及稳定性的一个有力措施就是在提高电力设备使用率的同时保障其正常运行。这样的检修策略在我国长期采用，积累了较为丰富的经验，对保证设备安全及可靠地运行起到了积极的作用。然而，随着电力工业的飞速发展，电力设备趋于高参数、大容量、复杂化，现行的检修体制逐渐暴露出了一些缺点。

电气设备检修技术质量对电力系统运行故障处理效率具有直接影响，这也是保障电力系统安全稳定运行的重要技术之一，相关人员必须加强对电气设备检修技术和检修流程的重视，结合其应用过程中出现的问题进行针对性的处理，维护电力系统供电安全，保障用户用电稳定性。

导致电网检修时间冗长且效果不突出的重要原因之一即检修流程不完善，相关人员可以综合信息技术和电力检修技术特点进行检修流程规范研究，通过将检修进度和检修重点等用网络结构图表现出来，明确关键位置应当采取的检修措施，制定检修进度控制方案，可有效提高检修工作效率。检修单位在检修的各个阶段都要加强对信息汇总和检修进度控制工作的重视，设置必要的监督措施来监督工作人员的工作状况，对提高变电检修监控质量等具有重要意义。

对于电力检修过程中的工序问题，是目前电力行业研究中难以攻克的瓶颈所在。传统变电系统检修工作开展过程中，不同工作的输入和输出比较确定，其检修工作流程也比较固定，因而可以保障检修工作顺利开展。但是在实际检修过程中可以发现，部分检修环节并不合理，资源浪费率相对较高，部分步骤之间的相关性较差且检修意义不大，浪费人力资源。而检修部门在检修过程中可以加强对该类流程问题的重视，通过对检修流程和检修步骤等进行梳理，发现不必要的检修步骤和检修价值相对较低的环节，通过调整其所占比例和取消该类检修步骤等方式，逐渐提高检修质量。而应用业务流程再造优化的主要目的即在数据库和计算机网络等的帮助下，对检修网络进行进一步的调控处理，方便定期开展优化工作，对提高其检修质量具有重要意义。工作人员在该过程中要加强对信息处理工作的重视，结合传统信息处理过程中存在的问题，在信息化技术的帮助下，将各类检修项目情况用表格和数据等呈现出来，将变电检修工作落到实处，减少在重复审核等环节浪费的时间和成本，对提高检修工作流程质量、优化变电系统检修方案等具有重要意义。

发明内容

本发明所要解决的技术问题是提供一种基于遗传-分布估计算法的电力检修工序优化方法，适合复杂环境下的电力检修工序优化。

本发明所采用的技术方案是：

一种基于遗传-分布估计算法的电力检修工序优化方法，其包括如下步骤：

1)基于工件和操作进行编码；

2)采用基于GA的概率模型训练操作得到初始化概率矩阵，对初始化概率矩阵的采样得到初始化种群；

3)利用EDA从宏观层面对问题解空间进行全局搜索，利用GA对每一代产生的解进行局部遗传操作，在全局和局部搜索之间达到平衡，获得检修工序的优良解，再通过解码获得最优电力检修工序。

进一步的，在步骤1)中，通过单元选择规则，建立编码排列和问题解之间的映射关系，形成可行调度。

进一步的，在步骤1)之后按照最早完工时间规则进行解码。

进一步的，GA-EDA的初始化过程包括概率矩阵的初始化和种群的初始化。

进一步的，通过采用基于GA的概率模型训练操作得到初始化概率矩阵，然后再通过对初始化概率矩阵的采样得到初始化种群。

进一步的，GA-EDA使用概率矩阵作为概率模型。

进一步的，采用种群搜索过程中的历史最优个体更新概率矩阵。

进一步的，GA-EDA通过对GA和EDA进行合理融合，使得算法同时具有 EDA和GA的搜索特性，进而可在全局探索和局部开发能力上达到合理平衡。

进一步的，在步骤3)中，随着迭代的进行逐渐减少EDA产生个体的数量，增加GA产生个体的数量以补充种群多样性。

一种计算机可读存储介质，其上存储有计算机指令，其特征在于该指令被处理器执行时实现上述方法的步骤。

本发明的积极效果为：本发明提供了一种基于遗传-分布估计算法的电力检修工序优化方法，能够解决现有技术的不足，适合复杂环境下电力检修的工序优化，降低了检修工作中的人力、财力和物资的投入，对保证电力系统的安全运行起到了重要作用。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明总体框图；

图2为本发明流程图；

图3为本发明提供的终端设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。

如附图1-3所示，本发明一个具体实施方式包括：

A、通过编码操作可将问题解转化为编码排列，由于算法的操作对象是编码排列，因此编码是算法进行迭代寻优的前提；在本发明中主要采用基于工件和操作的编码方式；此外，GA-EDA使用最早完工时间(early completion time，ECT) 规则进行解码；

B、本发明采用了基于GA的概率模型训练机制，来提高概率模型在算法进化初期的有效信息累积量，使用训练后的概率模型采样产生初始化种群，为算法进一步搜索提供较好的初始搜索区域；

C、EDA与GA各司其职，EDA负责从宏观层面对问题解空间进行全局搜索， GA通过对每一代产生的解进行局部遗传操作，实现对问题解空间的局部搜索，并在全局和局部搜索之间达到了合理的平衡，从而获得检修工序的优良解，再通过解码获得最优电力检修工序。

作为优选，步骤A中，采用基于工件和基于操作的编码方式；通过特定的单元选择规则，建立编码排列和问题解之间的一一映射关系，进而形成可行调度，并按照最早完工时间(early completion time，ECT)规则进行解码。

作为优选，步骤B中，GA-EDA的初始化过程包括概率矩阵的初始化和种群的初始化，通过采用基于GA的概率模型训练操作得到初始化概率矩阵，然后再通过对初始化概率矩阵的采样得到初始化种群。

作为优选，步骤C中，对于求解排列组合优化问题的EDA，常采用概率矩阵作为概率模型，GA-EDA同样使用概率矩阵作为概率模型，为了提高算法的搜索效率，GA-EDA采用种群搜索过程中的历史最优个体更新概率矩阵；GA-EDA通过对GA和EDA进行合理融合，使得算法同时具有EDA和GA的搜索特性，进而可在全局探索和局部开发能力上达到合理平衡；在步骤C中，每一代种群由 EDA和GA共同产生，由于EDA在前期收敛速度快，在若干次迭代后会失去种群多样性继而早熟收敛，而GA通过交叉变异可以产生多样性解，但是计算时间大于EDA，因此为了兼顾计算时间与种群多样性，在进化前期种群的产生由 EDA主宰，随着迭代的进行逐渐减少EDA产生个体的数量，增加GA产生个体的数量以补充种群多样性。

采用上述技术方案所带来的有益效果在于：本发明提供了一种基于遗传-分布估计算法的电力检修工序优化方法，能够解决现有技术的不足，适合复杂环境下电力检修的工序优化，降低了检修工作中的人力、财力和物资的投入，对保证电力系统的安全运行起到了重要作用。

本发明实施例还提供了一种终端设备，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实施例中所述的各实施例中的步骤。

所述终端设备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。所述终端设备可包括，但不仅限于，处理器、存储器。例如所述终端设备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

FieldProgrammable 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。

所述存储器可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备，例如所述终端设备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，所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例还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实施例1中所述的各实施例中的步骤。

所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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是电载波信号和电信信号。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。

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实施例技术方案的精神和范围。