电力设备运维生产计划排程调度模型的构建

王慧勇李鹏

摘要：电力行业涉及到大量的现场作业的情况，如何更高效的分配工作人员，对于电力行业系统自身的完善以及基本实现并行各个工序来说有着极为重要的价值，这通常涉及到的现场作业会包括工程建设、抄表、巡线、装表、消缺等工序。

关键词：电力设备运维；生产计划；调度模型；构建

关于车间调度方面的问题一直是学术界研究的热点问题，通常又可下分为柔性设备调度以及非柔性设备调度的问题。非柔性调度问题是比较传统的调度问题，依据某些固定的假设和约束推演出的最优算法;柔性调度的问题是非柔性调度的补充。变电站作业从形式上是柔性车间调度的一部分，即允许一台机器并行工作多种工序，而且同样的一道工序能够同时几台机器上进行。基于非柔性调度问题的特点，其算法对于智能化技术的要求会更高，国外在柔性调度问题的算法设计中会用到一些智能搜索方面的算法，其中会包括遗传算法、模拟退火算法、禁忌搜索算法、蚁群搜索算法、粒子群搜索算法、混合搜索算法等。

1现场作业调度系统设计

1.1问题描述

电力公司安排n项现场作业任务，由m个可供调度的作业班组完成，当人力资源有限的情况下，如果同时派遣出去，就会注定让一些现场工作的任务处在停滞的状态，如果停滞的时间过长，就会给电力行业带来更大的损失。为达到优化工作人员调度目的，故作假设如下:(1)需根据每组工序中人员能力以及设备水平的不同分为Ⅰ，Ⅱ，Ⅲ三个等级;(2)在制定任务时依照标准工时来进行统一设计;(3)一些特殊的工作只能安排特定等级的人员和设备进行工作;(4)工作任务之间具有紧急不同的优先级顺序;(5)工作人员每日的工作时长受到国家法律约束，最高标准是8个小时。

1.2业务建模

业务建模模型的框架图如图1所示。

图1现场作业业务模型

在业务模型计划表中包含的信息有任务的编号极其对应的优先级水平。如果优先级的数字越高的话，那么该任务的优化程度就越低，因而拖延导致的损失也就越低，因此根据以上的业务模型图，需要优先处理优先级数字低的任务。而对于人员的编号则说明人员的能力水平，编号总共有Ⅰ级、Ⅱ级、Ⅲ级三类，等级越高的工程师其业务能力也就越高。反映其业务水准的两个考量因素是效率以及可靠性。

1.3优化模型

上述模型在设计中侧重的是对于工作人员工作顺序的设定，通常顺序确定之后，计划的时间以及完成度就能做到比较好的掌控。为了进一步优化决策顺序序列，建立以下的适应度函数:

（1）

Tmax即所有任务完成所需要的最大时间，C是因为延迟工序导致的成本损失;D是工作任务第i项延迟的天数。

2算法实现

在进行算法实现的过程中，工序优化使用的算法是类似了生物学上的自然选择算法，以仿生的理论从潜在解集的一个种群开始，一个种群都会有着一些基础共性的基因编码，在此基础之上按照优胜劣汰的方式进行演化，并得出近似的最优解。从基因演化算法的角度，这一过程可以分为选择、交叉以及变异三个过程。而电力业务作业调度优化问题便可参照同样的设计思路。具体来说，可以包括以下几个层面:

2.1个体编码

在调度作业工序的编码方面用整数的形式进行命名，如染色体编码一样，每个调度工序依次进行序号编写。在工序假想的染色体中，可以分为两个组成部分，前部分是计划任务的分配作业序列，后部分则是班组的序列。

2.2适应度值

适应度指的定义是染色体在完成其对应任务所需要的所有时间以及因延迟工作所带来的成本损失。延迟损失越小则适应度指越好。选择操作过程使用的是适应度值比较高的染色体，并按照轮盘赌法来进行选取。

2.3交叉操作

染色体在发生信息传递之后，种群内部就会因染色体的交叉产生新的信息，并以此为基础推动整个种群的演进，交叉过程也是以整数标注作为基础的，随机挑选两条染色体，然后提取出每个染色体前面的若干位以随机的方式发生交叉操作，以完成所有可能性的遍历。

2.4变异操作

变异操作能够产生新的个体，从而让种群进一步发生演化，而变异的机理是从变异的个体中找到发生变异的染色体位置，把个体中posl和pos2的代表的任务序号以及相对应的班组序号相对换。

2.6具体流程

具体的遗传算法可描述如下:(1)随机设置初始的种群类型以及染色体形式;(2)分别计算初代每个个体染色体的适应度值，选择最高适应度值对应的染色体参数，看是否达到标准，如果是，则结束循环，否则进入下一步;(3)遗传，以自然选择的方式产生新的个体，在子代中再计算适应度值，并将适应度值和目标参数进行比较;(4)按照交叉操作的方式产生新的个体，计算并且比较适应度值;(5)按照变异操作的方式产生新的子代种群，计算并比较适应度值，如果还未实现要求，则循环到步骤(2)。

3算例验证与分析

为了验证以上算法的可行性，决定做以下实验论证。设电力作业调度的总共的计划数量有12个，可支配的技术人员班组有5组，根据优先级水平分别对计划以及技术人员进行分组，比如人员班组分为I，II，III三个等级。工作时间设定是从0开始，并以矩阵的形式分别标注工作任务以及人员调度状况，因为一些工作任务是能够由固定的几个班组来实现的，因此在矩阵记录中，这些任务参数对应的班组是不能为空的。矩阵中的D来表示没想任务延迟所导致的成本损失值，比如当计划任务i被延迟时，每天会导致5万元的成本损失。在设计遗传算法中使用的软件是MATLAB，关于一些基本的参数设定如下:初始种群的规模是50，交叉率0.6，变异率0.3;而最大的遗传代数为300，并在MATLAB上进行编译运行，计算时间大概是在3秒左右，观察到大概在100步左右，迭代过程就基本达到收敛。通过上述计算结果分析得出，12个工作计划在5个人员班次的调度下，基本实现了在12个工作日完成所有工作任务的基本要求，累积总成本损失(因工序延迟导致)大概在70万左右。该算法基本能够快速实现多元路径自生的最优设计，而且该算法具有并行计算的功能，具有较强的智能性。随着个体数目的上升，该算法的精度会越来越高，因此可以根据实际工作上的需要对于基础原始数据进行重新规划，该算法表现出了较强的可拓展性和可移植性。

结论

本文在大量柔性车间调度理论的算法基础之上以变电站多工序并行、效率最优的方式来构建多目标优化调度的模型，并在该模型的基础之上设计了算法。算法的原理本质上是数学上的最优化问题，为了使用计算机的算法手段，提高模型的智能程度，模仿了生物学上种群自生的原理，以延迟损失最小，完成时间最短为目标函数展开设计。经过实际的模拟过程，验证了该算法能够在MATLAB上基本实现预期的功能，且能够根据实际的工作需求做进一步的调整。

参考文献：

［1］宋晓宇．孟秋宏，曹阳．求解JobShop调度问题的改进禁忌搜索算法［J］．系统工程与电子技术，2017，30(1):93－96．

［2］王万良，赵澄，熊蜻，等．基于改进蚁群算法的柔性作业车间调度问题的求解方法［J］．系统仿真学报，2017，20(16):4326－4329．

［3］吴秀丽，孙树栋，杨展，等．多目标柔性JobShop调度问题的技术现状和发展趋势［J］．计算机应用研究，2017，24(3):1－4．

［4］刘胜辉，张淑丽，王波，等．单件车间调度问题的改进型病毒进化遗传算法［J］．电机与控制学报，2014，12(2):234－238．