基于分布式光伏運維的多類型資源調(diào)度技術(shù)

高 鵬，蘇雍賀，靳 健，謝祥穎，張長志，陶 飛

(1.北京航空航天大學(xué) 自動化科學(xué)與電氣工程學(xué)院，北京 100191;2.北京師范大學(xué)政府管理學(xué)院，北京 100875;3.國網(wǎng)電子商務(wù)有限公司光伏云事業(yè)部，北京 100053;4.國網(wǎng)天津市電力公司電力科學(xué)研究院，天津 300384)

0 引言

近年來，我國分布式光伏電站裝機總量逐年上升，因此對分布式光伏運維能力有了更高的要求。分布式光伏運維資源包括人員、輔助工具、備件等。當(dāng)前的調(diào)度方式主要是運維單位根據(jù)維護手冊或?qū)＜抑R庫給出的運維方案，通過人工手段為每個電站的運維任務(wù)分配運維資源，制定調(diào)度計劃。這種人工調(diào)度的方式成本高、效率低，難以對運維資源進行合理分配。為了滿足快速增長的運維調(diào)度需求，需要研究分布式光伏運維資源調(diào)度技術(shù)，用于替代人工調(diào)度方式，快速制定調(diào)度計劃，合理分配運維資源。

當(dāng)前分布式光伏運維方案信息中只包含任務(wù)操作流程信息，無法直接根據(jù)運維方案建立調(diào)度模型。因此，首先需要根據(jù)當(dāng)前的各項任務(wù)運維方案分析分布式光伏運維資源調(diào)度匹配規(guī)則，該匹配規(guī)則是構(gòu)建調(diào)度模型的基礎(chǔ)。其次，需要根據(jù)運維單位需求分析調(diào)度問題優(yōu)化目標(biāo)，并根據(jù)匹配規(guī)則構(gòu)建約束條件，建立分布式光伏運維資源調(diào)度模型。最后，在調(diào)度模型求解方面，分布式光伏運維資源調(diào)度存在資源多于任務(wù)需求數(shù)量與資源少于任務(wù)需求數(shù)量的兩種調(diào)度問題場景，需要通過實驗分析，為每種場景選擇合適的算法進行求解。實際應(yīng)用表明，本文所提方法可以降低光伏運維成本，提升服務(wù)效率，具有一定的工程應(yīng)用價值。

1 分布式光伏運維資源調(diào)度技術(shù)國內(nèi)外研究現(xiàn)狀

1.1 分布式光伏運維技術(shù)研究現(xiàn)狀

我國分布式光伏近年來發(fā)展迅速，運維需求逐年上升。分布式光伏電站站點分散，數(shù)量眾多，裝機容量小，這些特點使得集中式光伏的運維技術(shù)在分布式光伏上難以應(yīng)用[1]。為降低運維成本，提高服務(wù)質(zhì)量，當(dāng)前的分布式光伏運維技術(shù)發(fā)展逐漸趨向于智能化[2]。針對分布式光伏電站智能化運維技術(shù)，當(dāng)前國內(nèi)外的研究主要集中在光伏電站信息監(jiān)測技術(shù)、光伏發(fā)電量預(yù)測技術(shù)、光伏故障診斷技術(shù)、光伏并網(wǎng)配置優(yōu)化技術(shù)等方面[3-7]。

以上述分布式光伏智能化運維技術(shù)為基礎(chǔ)，研發(fā)了多種用于分布式光伏運維的服務(wù)系統(tǒng)[8-10]。當(dāng)前在運維資源調(diào)度方面，主要根據(jù)運維手冊或系統(tǒng)的智能運維知識庫給出對應(yīng)任務(wù)的運維方案，由運維人員進行人工調(diào)度[11]。這種方式下，調(diào)度人員無法了解所有運維人員技能水平差異與成本差異，難以制定合理的調(diào)度計劃。在運維方案中，主要是不同運維任務(wù)的操作流程信息，沒有對運維資源進行具體需求的描述。因此，需要根據(jù)當(dāng)前的運維方案，進行分布式光伏運維資源調(diào)度匹配規(guī)則分析。

1.2 維修服務(wù)調(diào)度模型研究現(xiàn)狀

分布式光伏運維資源調(diào)度問題屬于維修服務(wù)人員調(diào)度問題，維修服務(wù)人員調(diào)度主要是委派服務(wù)工程師到現(xiàn)場，為客戶提供產(chǎn)品上門維修服務(wù)[12]。維修服務(wù)人員調(diào)度問題的求解主要分為兩個步驟:首先根據(jù)調(diào)度問題的任務(wù)與資源的匹配規(guī)則，建立調(diào)度模型;然后根據(jù)模型特點，選擇合適的算法進行模型求解[13]。

對于現(xiàn)有的維修服務(wù)人員調(diào)度相關(guān)問題，陳迪等[14]針對當(dāng)前多技能維修服務(wù)人員調(diào)度問題研究的不足，綜合考慮員工旅行費用和工作時間成本，以維修總成本最小為優(yōu)化目標(biāo)，建立了員工指派和旅行路徑聯(lián)合優(yōu)化問題模型。楊斌彬等[15]考慮了行為效應(yīng)對維修服務(wù)人員調(diào)度計劃制定的影響，以最小化任務(wù)總完工時間為目標(biāo)模型制定調(diào)度計劃。張敏超[16]針對電力運輸網(wǎng)的維修任務(wù)調(diào)度問題展開研究，以降低電力傳輸網(wǎng)全網(wǎng)運行風(fēng)險值和提升檢修工作時間效率為目標(biāo)函數(shù)建立了調(diào)度模型，進行維修人員調(diào)度。高建軍等[17]在武器裝備維修調(diào)度問題研究中，考慮了維修時間對裝備戰(zhàn)斗力的影響因素構(gòu)建調(diào)度模型，并制定維修計劃。

當(dāng)前研究中的維修服務(wù)人員調(diào)度模型只考慮了多技能人員調(diào)度，調(diào)度對象單一。在分布式光伏運維調(diào)度中，運維人員需要根據(jù)方案要求攜帶輔助工具、備件等進行運維任務(wù)處理，當(dāng)前的調(diào)度模型無法描述多類型對象間的匹配關(guān)系。需要針對分布式光伏運維資源調(diào)度問題特點，對調(diào)度模型的優(yōu)化目標(biāo)與約束條件進行分析，建立基于分布式光伏運維的多類型資源調(diào)度模型。

1.3 調(diào)度問題求解算法研究現(xiàn)狀

當(dāng)前，求解調(diào)度問題的啟發(fā)式算法主要有進化算法、群智能算法等[18]。進化算法中，遺傳模擬退火算法[19]是一種將遺傳算法[20]與模擬退火算法[21]相結(jié)合的算法，該算法具有兩種算法的優(yōu)點，收斂速度更快，求解質(zhì)量更好。方秋軍[22]使用遺傳模擬退火算法求解不確定性條件下的車間調(diào)度模型。王家海等[23]運用遺傳模擬退火算法求解柔性車間調(diào)度問題。群智能算法中的粒子群算法[24]也常用于調(diào)度問題的求解。劉江偉等[25]使用粒子群算法求解車間工位裝配序列規(guī)劃調(diào)度模型;呂學(xué)志等[26]運用粒子群算法對無人機維修任務(wù)調(diào)度計劃進行優(yōu)化。兩種算法的設(shè)計思路差異導(dǎo)致其在求解調(diào)度問題時性能表現(xiàn)存在不同。本文存在不同的調(diào)度場景，可以通過上述兩種算法分別求解，為每種場景選擇最優(yōu)算法。

遺傳模擬退火算法在進化過程存在一定的隨機性，每一代種群信息會覆蓋上一代種群，收斂速度較慢。但是遺傳模擬退火算法的全局搜索能力較強，易于求得全局最優(yōu)解。粒子群算法中所有粒子會朝種群最優(yōu)解方向移動，導(dǎo)致群體容易陷入局部最優(yōu)，但是粒子群算法的優(yōu)點是收斂速度快。本文制定調(diào)度計劃時考慮如下兩種情況:①資源多余任務(wù)要求數(shù)量，②資源少于任務(wù)要求數(shù)量。通過上述算法分別對兩種調(diào)度場景下的模型進行求解，為每種場景選擇最優(yōu)算法。

2 分布式光伏運維資源調(diào)度技術(shù)總體研究方案

2.1 需求分析與應(yīng)用場景

當(dāng)前分布式光伏運維資源調(diào)度的方式難以制定合理的調(diào)度方案，對于日益增長的運維資源調(diào)度需求更加難以應(yīng)對。分布式光伏運維資源調(diào)度需要調(diào)度的任務(wù)類型分為兩類:①計劃型任務(wù)，即對當(dāng)日列入維修計劃中的任務(wù)制定調(diào)度計劃;②應(yīng)急型任務(wù)，即對突發(fā)的緊急故障進行運維資源調(diào)度。由于應(yīng)急型任務(wù)的調(diào)度需要以計劃型任務(wù)為基礎(chǔ)，本文主要針對計劃型任務(wù)研究運維資源調(diào)度技術(shù)。

本文提出的分布式光伏運維資源調(diào)度技術(shù)使用場景如下:分布式光伏運維單位會隨時將光伏電站的一般故障列入維修計劃，每天值班開始時根據(jù)當(dāng)日的維修計劃，獲取各項運維任務(wù)的運維方案，然后進行運維資源配置及算法參數(shù)配置，選擇調(diào)度場景，最終求解出當(dāng)日的運維資源調(diào)度計劃。分布式光伏運維調(diào)度技術(shù)的應(yīng)用場景如圖1所示。

2.2 調(diào)度技術(shù)框架

本文將分布式光伏運維資源調(diào)度技術(shù)劃分為分布式光伏運維資源匹配規(guī)則模塊、分布式光伏運維資源調(diào)度模型模塊與分布式光伏運維資源調(diào)度算法模塊3個模塊。匹配規(guī)則模塊是構(gòu)建調(diào)度模型的基礎(chǔ)，該模塊對電站類型、設(shè)備類型等進行分析，明確不同任務(wù)執(zhí)行的時間參數(shù)與運維要求。通過對人員類型、輔助工具類型、備件類型的分析，明確相關(guān)成本參數(shù)、效率提升系數(shù)及資源間匹配關(guān)系。調(diào)度模型模塊包含調(diào)度模型的約束條件模型、優(yōu)化目標(biāo)模型與目標(biāo)權(quán)重參數(shù)等。調(diào)度模型是對分布式光伏運維資源調(diào)度問題的數(shù)學(xué)描述。分布式光伏運維資源調(diào)度算法模塊包含多種調(diào)度問題求解方法，可以對不同調(diào)度場景下的調(diào)度模型進行求解，保證方案最優(yōu)。分布式光伏運維調(diào)度技術(shù)框架如圖2所示。

3 分布式光伏運維資源調(diào)度匹配規(guī)則

3.1 運維任務(wù)匹配規(guī)則分析

分布式光伏電站根據(jù)電站結(jié)構(gòu)不同，可以分為地面型光伏電站與屋頂型光伏電站兩類。地面型光伏電站主要是為了彌補部分偏遠(yuǎn)地區(qū)供電能力的不足，在滿足地區(qū)供電需求的同時將多余電能并網(wǎng)輸出產(chǎn)生收益，其裝機容量大，一般功率在10 kW 以上。地面型光伏的設(shè)備數(shù)量多，電站結(jié)構(gòu)比較復(fù)雜。屋頂型光伏電站的裝機容量相對于地面型光伏電站小，一般功率在1 kW～3 kW 之間。屋頂型光伏的設(shè)備數(shù)量較少，電路結(jié)構(gòu)相對簡單。因此，地面型光伏電站處理同樣類型故障需要花費的時間比屋頂型光伏電站更多。

分布式光伏電站的主要發(fā)電設(shè)備包括光伏組件、匯流箱與逆變器。光伏組件常見運維任務(wù)有組件清洗、熱斑檢測、隱裂檢測與EVA 脫層檢測等。光伏組件是光伏電站中占地面積最大的設(shè)備，通過借助輔助工具，可以較快地對光伏組件上述故障進行檢測。匯流箱常見運維任務(wù)包括保險絲、防雷模塊、斷路器等部件的損壞，需要及時更換。逆變器的主要運維任務(wù)包括風(fēng)扇積灰，并網(wǎng)異常，絕緣阻抗低等，這些故障不需要開箱處理，通過顯示面板操作即可。除此之外，逆變器還有顯示面板故障及內(nèi)部部件故障，這類故障需要開箱，必須配備安全員保護運維人員安全。同時，連接各設(shè)備間的電纜也需要定期更換，防止老化。

通過上述分析，本文選取了部分常見的光伏運維任務(wù)類型進行分析。為了更準(zhǔn)確地計算任務(wù)時間，不使用輔助工具協(xié)助時，單臺設(shè)備任務(wù)處理時間按兩種電站類型分別計算。分布式光伏的所有任務(wù)均可并行處理，沒有先后順序。任務(wù)處理時間是統(tǒng)計國電電網(wǎng)電子商務(wù)公司分布式光伏近半年歷史運維記錄得出的平均值。最終，統(tǒng)計出分布式光伏電站常見任務(wù)類型、運維資源要求及處理時間如表1所示。

表1 分布式光伏電站常見任務(wù)類型及處理時間

3.2 運維資源匹配規(guī)則分析

分布式光伏運維單位負(fù)責(zé)管轄范圍內(nèi)的電站運維工作。運維單位的運維資源主要包括運維人員、輔助工具、備件3類。運維資源在完成當(dāng)前任務(wù)后可直接前往下一任務(wù)站點繼續(xù)執(zhí)行下一任務(wù)。

運維單位人員職稱分為4類:電氣技術(shù)員、值班長、值班電工、值班員等。本文中運維單位的職稱等級劃分與主要職責(zé)如表2所示。運維人員的成本計算是指運維人員完成單臺設(shè)備運維任務(wù)后，運維單位所需要支付的人工成本。不同員工的職稱水平、工齡等差異導(dǎo)致時薪有所不同。員工的任務(wù)成本為時薪與子任務(wù)完成時間的乘積。運維人員需要通過技能考核獲得輔助工具的操作資質(zhì)。

表2 職稱等級劃分與主要職責(zé)

分布式光伏運維過程中，無人機、清潔機器人、手持熱成像儀、EL測試儀這4種輔助工具因為單件成本較高、數(shù)量較少，需要根據(jù)任務(wù)情況進行合理的分配，因此本文主要考慮這4種工具的調(diào)度。不同類型電站使用輔助工具進行運維時效率存在差異，地面型光伏電站的光伏組件范圍大，相較于屋頂型電站，使用無人機、清潔機器人執(zhí)行任務(wù)時，效率提升更大。綜上所述，針對兩種類型電站，根據(jù)國電電網(wǎng)電子商務(wù)公司分布式光伏近半年的歷史運維記錄，對相同電站同類型任務(wù)使用不同工具的運維時間進行統(tǒng)計，計算平均任務(wù)時間之比作為效率提升系數(shù)，如表3所示。使用輔助工具時，人員的任務(wù)成本仍然按照原任務(wù)完成時間計算。

表3 輔助工具類型的任務(wù)效率提升系數(shù)

部分運維任務(wù)涉及到設(shè)備某部分器件的更換，運維單位會存儲一部分常用備件。當(dāng)前運維單位備件數(shù)量不足時，可以從相鄰的單位調(diào)用。部分運維任務(wù)對備件的需求如表4所示。

表4 備件與運維任務(wù)關(guān)系表

4 分布式光伏運維資源調(diào)度模型

4.1 調(diào)度模型描述

針對運維中心在某時刻T0接收到的運維任務(wù)信息與運維資源信息建立調(diào)度模型，首先對相關(guān)的任務(wù)信息與運維資源信息進行參數(shù)設(shè)定。假設(shè)某區(qū)域光伏電站在時刻T0的待調(diào)度任務(wù)集合J={J1，J2，…，Jn}(Ji∈J)為某一光伏電站待執(zhí)行的運維任務(wù)。其中Ji={Ji1，Ji2，…}，Jil∈Ji為任務(wù)Ji根據(jù)子任務(wù)生成規(guī)則所生成的一個子任務(wù)。子任務(wù)生成規(guī)則如下:將一個電站中所有待執(zhí)行的運維任務(wù)類型稱為一個任務(wù)。一個電站中所有同類型的運維任務(wù)稱為一個子任務(wù)。當(dāng)存在多臺設(shè)備需要進行某一類型運維任務(wù)時，子任務(wù)完成時間為設(shè)備數(shù)量與單臺設(shè)備任務(wù)完成時間乘積。對于需安全員的任務(wù)類型，在子任務(wù)集合中生成一個虛擬子任務(wù)，作為安全監(jiān)督任務(wù)。一次任務(wù)中，最多僅需安排一名員工擔(dān)任安全員。

運維人員集合M={M1，M2，…，Mp}，Mj表示一名運維人員。輔助工具集合E={E1，E2，…，Eq}，Ek表示一臺輔助工具。備件數(shù)量集合B={b1，b2，…，br}，備件bl表示運維中心的Bl類型備件存儲數(shù)量。運維人員的時薪集合C={c1，c2，…，cp}，其中cj表示運維人員Mj每小時的時薪。Sn×n表示區(qū)域運維中心與各電站間的距離矩陣，n為區(qū)域中運維中心與電站數(shù)量的總數(shù)。Cp×16為人員技能矩陣，Op×q為人員輔助工具操作技能矩陣，其中:元素為1時，表示運維人員具備該項技能;元素為0時，表示運維人員不具備該項技能。

為簡化問題模型，突出重點，本文依據(jù)分布式光伏運維實際情況，對調(diào)度場景作如下假設(shè):

(1)本文中的所有子任務(wù)均可同時進行，相互之間沒有先后順序的影響。

(2)當(dāng)前任務(wù)相同且下一任務(wù)相同的運維資源一同前往下一任務(wù)點，運輸速度按照固定速度計算。

(3)不考慮突發(fā)情況對已經(jīng)制定的調(diào)度計劃的影響，所有任務(wù)均按調(diào)度計劃正常執(zhí)行。

(4)運維資源派出后不用回到運維單位，完成當(dāng)前任務(wù)后直接前往下一個任務(wù)站點。

(5)必須所有運維資源均達(dá)到任務(wù)站點后，才可以開始執(zhí)行當(dāng)前電站的運維任務(wù)，按照任務(wù)完成時間計算人工成本。

4.2 調(diào)度模型建立

本文將運維資源執(zhí)行任務(wù)的過程分為任務(wù)運輸過程與任務(wù)執(zhí)行過程。基于這兩個過程，考慮運維任務(wù)完成的成本與時間，對優(yōu)化目標(biāo)進行分析。根據(jù)上述匹配規(guī)則，對約束條件進行分析。最后，根據(jù)分析結(jié)果，建立調(diào)度模型。

4.2.1 優(yōu)化目標(biāo)分析

運維資源的調(diào)度需要降低運維單位的運維成本，同時需要減少電站用戶的發(fā)電收益損失。根據(jù)這兩點要求從以下3方面建立優(yōu)化指標(biāo)，進行運維資源的調(diào)度。

(1)任務(wù)運輸總路程 優(yōu)先調(diào)度距離任務(wù)站點最近的運維資源，同時運維資源當(dāng)前位置盡可能集中，以此減少運輸成本。

(2)任務(wù)處理總成本 該指標(biāo)指除運輸成本外的任務(wù)執(zhí)行的成本，即所有人員到達(dá)任務(wù)站點開始到全部子任務(wù)完成期間所產(chǎn)生的人工成本。

(3)任務(wù)完成總時間 任務(wù)完成總時間需要考慮運輸時間與任務(wù)執(zhí)行時間，通過這兩個指標(biāo)計算當(dāng)前所有任務(wù)完成消耗時間，通過對該指標(biāo)的優(yōu)化，可以提升運維單位的任務(wù)處理效率。

4.2.2 約束條件分析

由于分布式光伏運維任務(wù)與運維資源間存在匹配規(guī)則。為了描述這些規(guī)則，需要分析模型約束條件。為了避免產(chǎn)生非法解，影響迭代過程，本文采用懲罰系數(shù)的形式建立約束條件。

(1)人員技能分析 運維人員的技能學(xué)習(xí)主要通過運維單位日常培訓(xùn)，考核通過后獲得處理該類任務(wù)的資格。對于不具備某項任務(wù)執(zhí)行資格的人員，在進行成本目標(biāo)函數(shù)計算時，將使用一個較大的數(shù)進行成本計算。cilj表示人員Mj的時薪，

(2)輔助工具技能分析 輔助工具只能協(xié)助部分運維任務(wù)的處理，假設(shè)效率提升系數(shù)為uilk。為了避免輔助工具與運維任務(wù)的不匹配，對uilk進行如下設(shè)置:

式中:Ff表示任務(wù)Jil對應(yīng)的故障類型，ukf表示輔助工具參與處理故障Ff的效率提升系數(shù)。當(dāng)輔助工具不能處理該故障時，uilk取一個較大的值作為懲罰系數(shù)。

(3)操作技能約束 使用Ojk表示人員Mj操作輔助工具EK的能力系數(shù)，將該系數(shù)填入矩陣Op×q中。若人員具備操作輔助工具的能力，則其值為1，若人員不具備操作輔助工具的能力，則該系數(shù)為一個極大值。

(4)備件數(shù)量約束 一個運維單位存儲的備件數(shù)量是有限的，如果該運維單位某型號備件數(shù)量不足時，需要由其他運維單位提供備件。假設(shè)有兩個運維單位A、B，其中運維單位A 的型號Bl備件數(shù)量為，運維單位B的型號Bl備件數(shù)量為。則對于所有備件類型，應(yīng)滿足如下不等式。其中表示任務(wù)集合中，由運維單位A 提供的備件Bl的數(shù)量。表示任務(wù)集合中運維單位B提供的備件Bl數(shù)量。

當(dāng)上述不等式不成立時，將引入備件不足的時間懲罰系數(shù)βB，該系數(shù)為一個較大的值，直接作用于總?cè)蝿?wù)的完成時間。

4.2.3 數(shù)學(xué)模型建立

根據(jù)約束條件與優(yōu)化目標(biāo)分析，建立如下數(shù)學(xué)模型公式:

其中:式(6)表示任務(wù)Ji的運輸里程;式(7)表示任務(wù)Ji的成本;式(8)表示完成任務(wù)Ji花費時間;式(9)～式(11)分別表示參與任務(wù)Ji的人員、工具、備件完成任務(wù)的時刻，包括運維資源上一個任務(wù)完成時刻，路程時間及任務(wù)時間3部分;式(12)為任務(wù)Ji的完成時刻;式(13)～式(15)對應(yīng)任務(wù)集合J的運輸總路程，任務(wù)處理總成本及故障恢復(fù)所用總時間。

由于本文存在3個目標(biāo)，在進行適應(yīng)度函數(shù)計算時采取歸一化處理，首先對每一項指標(biāo)按照式(16)統(tǒng)一不同指標(biāo)的值域。然后對不同指標(biāo)的權(quán)重進行設(shè)置，實現(xiàn)歸一化，最終的多目標(biāo)優(yōu)化函數(shù)如式(17)所示。

式中:a1、a2、a3分別代表運輸路程、任務(wù)成本、任務(wù)時間的權(quán)重值，取0～1之間小數(shù)，3項權(quán)重值總和為1;F1-max、F2-max、F3-max為3項優(yōu)化目標(biāo)可取到的理論最大值，F(xiàn)1-min、F2-min、F3-min為3項優(yōu)化目標(biāo)可取到的理論最小值。運維單位可以在每次制定調(diào)度計劃時，根據(jù)任務(wù)的需求，對權(quán)重值進行自定義調(diào)整。

5 分布式光伏運維資源調(diào)度算法

5.1 遺傳模擬退火算法

遺傳模擬退火算法(Genetic Algorithm-Simulated Annealing algorithm，GASA)[27]屬于進化算法。它既保留了遺傳算法收斂快，模擬退火算法求解質(zhì)量較高的優(yōu)點，又克服了前者易早熟而后者收斂速度較慢的問題。它主要是在遺傳算法的子代種群生成階段，引入模擬退火算法過程，概率性地接受質(zhì)量較差的子代個體。通過該方式，增強了算法的爬坡能力，同時提升求解速度。遺傳模擬退火算法在迭代過程中，子代種群會整體向較優(yōu)解區(qū)域移動，該方式下不易陷入局部最優(yōu)，對大規(guī)模問題求解質(zhì)量較好。

根據(jù)分布式光伏運維資源調(diào)度問題模型特點，本文設(shè)計了遺傳模擬退火算法流程，如圖3所示。

5.2 粒子群算法

粒子群算法(Particle Swarm Optimization，PSO)[28]屬于群智能算法。PSO 算法具有參數(shù)少、結(jié)構(gòu)簡單、搜索速度快的優(yōu)點。粒子群算法通過模擬鳥類覓食行為，使當(dāng)前群體所有個體朝著當(dāng)前搜索到的最優(yōu)解移動，從而找到全局最優(yōu)解。這種方式與遺傳模擬退火算法的種群迭代有明顯區(qū)別，在求解較小規(guī)模的調(diào)度問題時，粒子群算法收斂速度較快，同時求解質(zhì)量也較好。但是在求解大規(guī)模問題時，容易陷入局部最優(yōu)。

根據(jù)分布式光伏運維資源調(diào)度問題模型特點，本文設(shè)計了粒子群算法流程，如圖4所示。

6 調(diào)度系統(tǒng)開發(fā)與驗證分析

6.1 分布式光伏運維資源調(diào)度系統(tǒng)設(shè)計

運維資源調(diào)度系統(tǒng)主要包括運維資源調(diào)度、匹配規(guī)則庫、調(diào)度模型庫、調(diào)度算法工具庫及系統(tǒng)管理5項功能。運維資源調(diào)度主要用于制定調(diào)度計劃。運維單位通過該功能，可以查看當(dāng)前待調(diào)度的任務(wù)信息，通過配置運維資源及算法參數(shù)，制定調(diào)度計劃。在匹配規(guī)則庫模塊中，實現(xiàn)運維任務(wù)匹配規(guī)則與運維資源匹配規(guī)則的管理。在調(diào)度模型庫模塊中，可以對優(yōu)化目標(biāo)的權(quán)重與約束條件的懲罰系數(shù)進行自定義配置。在算法工具庫模塊中，可以導(dǎo)入新的算法工具，也可以對當(dāng)前的算法工具部分參數(shù)自定義設(shè)置。系統(tǒng)管理主要包括數(shù)據(jù)接口配置、電站信息配置、運維資源信息配置、系統(tǒng)管理等功能。數(shù)據(jù)接口主要是獲取任務(wù)故障信息、電站運行信息及資源狀態(tài)信息等;電站信息配置是指對管轄區(qū)域內(nèi)的負(fù)責(zé)維護的電站信息進行配置;運維資源信息配置是指對運維單位所有運維資源的信息進行配置;系統(tǒng)管理包含了權(quán)限管理與數(shù)據(jù)導(dǎo)出兩項功能。分布式光伏運維調(diào)度系統(tǒng)功能框架圖如圖5所示。

6.2 驗證方案設(shè)置

為了驗證本文調(diào)度技術(shù)的可行性，根據(jù)國電電網(wǎng)電子商務(wù)公司光伏運維數(shù)據(jù)，構(gòu)建如下兩種調(diào)度場景。使用上述兩種算法進行求解，對比不同場景下不同算法性能。現(xiàn)假設(shè)場景一為運維資源數(shù)量大于任務(wù)需求數(shù)量，其在0時刻任務(wù)信息如表5所示，場景二為運維資源數(shù)量小于任務(wù)需求數(shù)量，其在0時刻任務(wù)信息如表6所示。區(qū)域內(nèi)運維資源配置如表7所示。其中，運維人員與輔助工具均由運維單位A提供，運維單位B只提供備件。

國電電網(wǎng)電子商務(wù)公司的光伏運維工作中，為了減少發(fā)電收益，首要目標(biāo)是在較短時間內(nèi)處理完當(dāng)前的運維任務(wù)。其次由于人員的薪資差異較大，希望減少任務(wù)執(zhí)行成本。最后考慮運輸成本因素。因此，將式(17)中的權(quán)重設(shè)置為a1=0.2，a2=0.3，a3=0.5。以任務(wù)時間為首要優(yōu)化目標(biāo)，制定調(diào)度計劃。

表5 場景一0時刻任務(wù)信息表

表6 場景二0時刻任務(wù)信息表

表7 運維資源信息表

故障電站與運維單位間路程如表8所示。設(shè)運輸速度為40 km/h。人員的時薪與人員技能矩陣如表9所示，人員對各類型輔助工具的操作能力矩陣如表10所示。

表8 運維單位與電站間距離 km

表9 人員時薪與技能矩陣

表10 人員對輔助工具操作能力矩陣

根據(jù)上述驗證方案，在運維調(diào)度系統(tǒng)中設(shè)置任務(wù)信息。驗證平臺的CPU 處理器為Intel Core i7-4710MQ，內(nèi)存為8 GB，操作系統(tǒng)為64位Windows 10。由于算法實現(xiàn)思路不同，為了保證實驗的一致性，對迭代次數(shù)取值及其他參數(shù)設(shè)計如表11所示。

表11 算法參數(shù)配置方案

6.3 驗證結(jié)果分析

在本文開發(fā)的分布式光伏運維資源調(diào)度系統(tǒng)中輸入上述任務(wù)信息，分別針對場景一與場景二進行兩次實驗。兩次實驗中，加入了求解調(diào)度問題常用的遺傳算法及模擬退火算法與本文的兩種方法進行對比。重點比較了不同場景下各算法求解調(diào)度模型的求解速度與指標(biāo)優(yōu)化情況，為每種場景選擇最優(yōu)求解算法。

6.3.1 實驗一驗證結(jié)果分析

實驗一是對場景一下的調(diào)度模型進行調(diào)度計劃制定。該場景下的運維資源大于任務(wù)需求數(shù)量，算法優(yōu)化目標(biāo)對比及求解時間對比如圖6 和圖7所示。

通過實驗對比，可以發(fā)現(xiàn)當(dāng)運維資源數(shù)量大于任務(wù)要求時，粒子群算法各項指標(biāo)優(yōu)化效果更好且求解速度明顯更快。因此，該場景下調(diào)度模型適合使用粒子群算法求解。在實際應(yīng)用中，對于管轄區(qū)域小，每日運維任務(wù)量少的運維單位，建議使用粒子群算法。求得場景一的最優(yōu)調(diào)度計劃如表12所示。

6.3.2 實驗二驗證結(jié)果分析

實驗二是對場景二下的調(diào)度模型進行調(diào)度計劃制定。該場景下的運維資源小于任務(wù)需求數(shù)量，算法優(yōu)化目標(biāo)對比及求解時間對比如圖8和圖9所示。

表12 場景一最優(yōu)調(diào)度計劃

在上述4種算法求解結(jié)果中，綜合比較3項優(yōu)化目標(biāo)及求解時間，可以發(fā)現(xiàn)遺傳模擬退火算法求解質(zhì)量較好且求解時間較快。因此，該場景下調(diào)度模型適合使用遺傳模擬退火算法求解。在實際應(yīng)用中，對于管轄區(qū)域較大，每日任務(wù)量較多的運維單位，建議使用遺傳模擬退火算法。求得場景二的最優(yōu)調(diào)度計劃如表13所示。

表13 場景二最優(yōu)調(diào)度計劃

7 結(jié)束語

近年來，隨著分布式光伏的快速發(fā)展，運維需求也與日俱增。分布式光伏運維資源調(diào)度技術(shù)相對于人工調(diào)度方式，可以節(jié)省人工成本，更快地制定出合理的調(diào)度計劃，保障運維單位服務(wù)質(zhì)量。本文通過對分布式光伏運維資源調(diào)度匹配分析，明確了分布式光伏運維任務(wù)匹配規(guī)則與運維資源匹配規(guī)則?；谏鲜鲆?guī)則，建立了分布式光伏運維資源調(diào)度模型。根據(jù)實際運維情況，構(gòu)建了兩種調(diào)度場景，并分別使用遺傳模擬退火算法與粒子群算法求解，為每種調(diào)度場景確定了最優(yōu)的求解算法。經(jīng)過實際應(yīng)用，本文研究的調(diào)度技術(shù)降低了運維單位運維成本，提升了服務(wù)質(zhì)量。本文是對分布式光伏運維資源調(diào)度問題的初步探索，沒有考慮運維過程中可能發(fā)生的動態(tài)因素，未來將進一步對分布式光伏運維資源調(diào)度動態(tài)因素分析，研究分布式光伏運維資源動態(tài)調(diào)度方法。