一种成本最小化的综合运维调度方法与流程

1.本发明涉及运维调度方法技术领域，特别涉及一种成本最小化的综合运维调度方法。


背景技术：

2.目前，风电场运维水平的高低与其发电量以及产生的发电收益息息相关，传统的依靠经验或者随机进行运维安排的人员及车辆调度方法已经无法满足运维中心及业主的现实需求，急需一种综合考虑了风力发电机组未来发电收益的成本最小化的综合运维调度方法，从而帮助业主获取更大的收益。
3.现有技术中，运维中心在进行机组的运维调度过程中，在选择运维路线时，主要依靠员工经验，盲目、随机，缺乏科学合理的方法进行指导。
4.例如，一种在中国专利文献上公开的“一种车辆智能调度系统”，其公告号：cn112712243a，其申请日：2020年12月24日，该发明智能调度系统解决方案旨在帮助提高调度效率降低认为干预调度，提高车辆利用率，优化行车路线降低油料消耗节约成本和保证混凝土的运输时效性，降低浇筑任务的车辆积压和断料的风险同时保障每个司机的发车安排公平合理，但是存在选择运维路线时，运维车辆、人员调度方法盲目、随机的问题。


技术实现要素：

5.针对现有技术运维车辆、人员调度方法盲目、随机的不足，本发明提出了一种成本最小化的综合运维调度方法，考虑运维调度中多方面的因素，做出更优的综合运维调度决策。
6.以下是本发明的技术方案，一种成本最小化的综合运维调度方法，包括以下步骤：
7.s1:数据收集；
8.s2:建立调度模型；
9.s3:执行模型调度方案。
10.本方案中，收集数据信息，为建立调度模型提供数据支撑，建立调度模型，自动做出更优的综合运维调度决策，从而提出的改进遗传算法，种群多样性强，收敛速度快、探索范围广、交流进化深。
11.作为优选，步骤s1中，收集的数据包括运维机组信息、风况信息、故障信息和运维人员状态信息。
12.作为优选，所述运维机组信息包括机组的经度信息、机组的纬度信息；所述风况信息包括机组测风设备的实测数据、风场测风塔的实测数据、气象站的长期实测数据，判断机组测风设备数据的测风时长，若达到规定要求且具有有效性，则优先采用该数据，否则根据测风塔和气象站数据对该数据进行插补、修订；所述故障信息包括严重故障、一般故障和正常运行，严重故障的机组立马会产生损失，一般故障的机组会因报警的原因根据运行时间的长短产生不同程度的损失，正常运行的机组会产生因未及时巡检发现潜在故障的损失；
所述运维人员状态信息包括是否在岗、是否空闲、当前任务结束时间和当前所处位置，通过遍历运维人员数据库获得数据。
13.本方案中，建立了考虑人员成本、车辆成本、风机停机损失成本、潜在风险运行成本在内的综合成本最小化的运维调度模型；充分考虑了可能使风机产生发电量损失的各种情况，使调度目标更符合实际；多方面考虑测风数据的代表性，从而可以更准确的预测未来的风况；在调度过程中，考虑了竞争上网电价的影响以及机组的运行状态，使综合收益最大；人员的调度中，充分考虑人员的差异性，将运维成本和运维技能结合起来，更具可行性；车辆的调度中，充分考虑车辆类型对运维成本的影响，使结果更具实用性。
14.作为优选，步骤s2中，调度模型的建立，包括以下步骤：
15.s21:建立模型算法，初始化算法函数；
16.s22:生成初始种群；
17.s23:平均分成若干个族群；
18.s24:交叉进化；
19.s25:变异进化；
20.s26:精英选择、精英进化和精英保留。
21.本方案中，建立调度模型，初始种群为模型研究对象，将初始种群平均分成若干个族群，便于模型计算和对比，对模型进行交叉进化和变异进化处理，便于处理机组、车辆和工程师之间的协调关系，对模型进行精英选择、精英进化和精英保留处理，便于模型方案的确定，提高模型方案的效益。
22.作为优选，步骤s21中，模型算法如下：
23.min z＝c
t
cd c
p
c
car
；
[0024][0025][0026]cdi
＝αθf(t
′i)c
ti
；
[0027][0028][0029]
模型的约束条件如下：
[0030][0031][0032]
[0033][0034][0035][0036][0037]
式中，c
t
表示风电机组停机时发电量的损失；cd表示风电机组延迟维修的损失，即带病运行产生的潜在风险以及对机组未来寿命的损失；c
p
表示运维过程中的人员成本；c
car
表示运维过程中的交通成本；z表示运维任务的总成本；c
ti
表示机组i的单位时间停机损失成本；表示机组i的停机时间函数；μi表示机组i的单位电价；ηi为机组i受尾流、机组利用率、能量损耗等影响的折减因子；pi表示机组i的功率；vi表示机组i的风速；f(pi,vi)表示机组i的功率函数；1到n表示需要维修的机组编号，0表示运维中心；c
di
表示机组i推迟维修的单位时间风险成本；t
′i表示机组i推迟维修的时间；α为小于1的风险因子；f(t
′i)表示推迟维修的时间函数，与维修时间成正比；ck表示员工k的单位时间维修成本；表示员工k在机组i的维修时间；x
ik
表示机组i被员工k维修时，其值为1，否则为0；ch表示车辆h的单位距离成本；d
ij
表示机组i和机组j之间的实际距离；表示车辆h由机组i到机组j时，否则其值为0；βh表示车辆h的固定成本；h表示运维中心可用的车辆总数；表示车辆h由机组i出发到达机组j时，车内总人数；qh表示车辆h的最大载人数；rj表示在机组j上车的人数；r
′j表示在机组j下车的人数；表示车辆h到达机组i的时间；表示员工k维修机组i所需的时间；表示车辆h从机组i行驶到机组j所需的时间。
[0038]
本方案中，在数据基础上，建立了考虑人员成本、车辆成本、风机停机损失成本、潜在风险运行成本在内的综合成本最小化的运维调度模型；充分考虑了可能使风机产生发电量损失的各种情况，使调度目标更符合实际；多方面考虑测风数据的代表性，从而可以更准确的预测未来的风况；在调度过程中，考虑了竞争上网电价的影响以及机组的运行状态，使综合收益最大；人员的调度中，充分考虑人员的差异性，将运维成本和运维技能结合起来，更具可行性；车辆的调度中，充分考虑车辆类型对运维成本的影响，使结果更具实用性；提出的改进遗传算法，种群多样性强，收敛速度快、探索范围广、交流进化深，可以有效解决此类问题。
[0039]
作为优选，步骤s22-s23中，初始化种群并平均分成若干个族群，包括以下步骤：
[0040]
s221：确定种群的规模g，最大迭代次数max，族群数量num_z；
[0041]
s222：随机方式生成g/2个个体；
[0042]
s223：优化方式生成g/2个个体；
[0043]
s224：将步骤s222和步骤s223生成的个体，充分混合，形成一个种群，规模为g，将g个个体随机分配到num_z个族群中，每个族群个体数为num_g。
[0044]
本方案中，初始化种群并平均分成若干个族群，通过随机方式和优化方式各生成
一半个体，从数据来源上解决数据单一性和偶然性问题，将个体进行充分混合，避免数据聚集情况，使模型实验结果更准确。
[0045]
作为优选，步骤s222随机生成个体的方法为：从车辆库中随机挑选一辆车，从风机库中随机选择一台风机，根据该风机的运维任务从运维工程师库中随机挑选一位满足风机运维要求的工程师分配给该车辆，检测车辆是否超载，如果不超载，则该风机和对应工程师由该车进行服务，否则，将该台风机及对应工程师随机分给其他车辆进行服务；步骤s223优化生成个体的方法为：随机挑选一辆车，从风机库中随机选择一台风机，根据该风机的运维任务从运维工程师库中随机挑选一位满足风机运维要求的工程师分配给该车辆，检测车辆是否超载，如果不超载，则该风机和对应工程师由该车进行服务，以运维中心为圆心，选择与该风机所成角度最小的风机，并随机安排对应的运维工程师进行运维，并分配给该车辆，判断车辆是否超载，直至该车辆已经满载，无法再服务更多风机；如果该车超载，则将风机与对应工程师随机分配给其它可用车辆。
[0046]
本方案中，随机方式和优化方式存在显著差异，进一步避免两种方式选取的个体相似度高的问题，使模型实验结果更准确。
[0047]
作为优选，步骤s24中交叉进化根据产生的随机数范围，进行随机进化或优选进化，随机进化包括以下步骤：
[0048]
s241:选择族群内适应度最大的个体pb；
[0049]
s242:随机挑选两个pb之外的个体，分别记为a和d；
[0050]
s243:在个体a和d中随机挑选两辆车的服务链，分别记为a和d，对比分析a和d的运维机组，将两辆车共有的运维机组放在tab中，a独有的机组存放在ta中，d独有的机组存放在td中；
[0051]
s244:将a和d所服务的机组进行互换；
[0052]
s245:遍历检查个体a中其余车辆的服务链，将a与td中相同机组删除；遍历检查个体d中其余车辆的服务链，将d与ta中相同机组删除；
[0053]
s246:从ta中随机选择一个机组，将该机组及其对应工程师转由a个体中其它随机车辆进行服务，若车辆超载或者工程师冲突，更换其他车辆，直至将ta中机组全部分配出去由a个体的其它车辆进行服务为止；
[0054]
s247:从td中随机选择一个机组，将该机组及其对应工程师转由d个体中其它随机车辆进行服务，若车辆超载或者工程师冲突，更换其他车辆，直至将td中机组全部分配出去由d个体的其它车辆进行服务为止；
[0055]
s248:进化后的个体分别为a
′
和d
′
,分别计算适应度，如果f(a
′
)≤f(a)，则用a
′
替代a，否则，保持a不变，f(d
′
)≤f(d)，则用d
′
替代d，否则,保持d不变；
[0056]
s249:如果a和d都没有被更新替换，执行步骤s244至步骤s248，如果a和d有更新情况，执行步骤s25，否则循环执行步骤s243至步骤s248，直到满足最大交叉进化次数跳出循环，此时，根据步骤s222和步骤s223所述方法，重新生成两只个体，分别替换a和d，然后执行步骤s25；
[0057]
本方案中，根据产生的随机数范围，对个体进行随机进化或优选进化，使个体进化方向不一致，进一步提高差异性，根据个体适应度，对个体进行更新替换，提高模型系统性和准确性。
[0058]
作为优选，步骤s25中变异进化，包括以下步骤：
[0059]
s251：在族群中，随机选择一个个体，命名为e，进行随机变异进化；
[0060]
s252：制定随机变异进化策略，所述进化策略如下：
[0061]
①
车辆间运维机组互换；
[0062]
②
车辆间运维机组增加；
[0063]
③
车辆内路径插入；
[0064]
④
车辆内路径互换；
[0065]
⑤
工程师作业顺序互换；
[0066]
⑥
工程师操作机组互换；
[0067]
s253：对个体e依次执行进化策略
③‑⑥
，形成新个体e
′
，如果f(e
′
)≤f(e)，则用e
′
替换e，否则,保持e不变，继续执行步骤s254；
[0068]
s254：对个体e依次执行进化策略
①‑②
和
⑤‑⑥
，形成新个体e
′
，如果f(e
′
)≤f(e)，则用e
′
替换e，否则,保持e不变。
[0069]
本方案中，对个体进行进化策略处理，进一步调节机组、车辆和工程师之间的协调关系，
[0070]
使模型结果更准确。
[0071]
作为优选，步骤s26中精英选择、精英进化和精英保留，包括以下步骤：
[0072]
s261：计算族群中个体的适应度，将每个族群中适应度最高的个体挑选出来，组成精英群体；
[0073]
s262：精英群体中适应度最大的个体pg，进化交叉进化或变异进化；
[0074]
s263：交流后的最优个体pg
′
，最差个体pw，如果f(pg
′
)≤f(pg)，则用pg
′
替换pg，否则，保持pg不变，用pg
′
替换pw；
[0075]
s264：精英群体进行次交流、进化；
[0076]
s265：对所有个体进行混和、重排；
[0077]
s266：一次迭代进化完成，迭代次数max＝max 1；
[0078]
s267：迭代次数达到最大迭代次数max；
[0079]
s268：输出种群所有个体中适应度最大的个体pg，对应的适应度f(pg)；
[0080]
s269：根据个体pg的车辆服务链，形成具体的车辆、人员运维调度方案。
[0081]
本方案中，对个体进行精英选择、精英进化和精英保留处理，选择适应度最高的个体组成精英群体，将精英群体进行进化处理并进行混和、重排，迭代选择适应度最大的个体，提高了模型方案的准确性。
[0082]
本发明的有益效果是：考虑运维调度中多方面的因素，做出更优的综合运维调度决策。
附图说明
[0083]
图1本发明一种成本最小化的综合运维调度方法的流程示意图。
[0084]
图2本发明一种成本最小化的综合运维调度方法的调度模型流程示意图。
[0085]
图3本发明一种成本最小化的综合运维调度方法的选择交叉进化示意图。
[0086]
图4本发明一种成本最小化的综合运维调度方法的方案示意图。
具体实施方式
[0087]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0088]
实施例：如图1、图2、图3和图4所示，一种成本最小化的综合运维调度方法，包括以下步骤：
[0089]
步骤1：通过scada系统收集需要运维机组的信息，包括位置、风速、故障等；
[0090]
位置包括机组的经度、纬度等信息。
[0091]
风速包括以下三种：该机组所带测风设备的实测数据；该风场中测风塔的实测数据；风场附近参证气象站的长期实测数据。
[0092]
故障包括以下三种：故障严重，已经导致机组停机；故障一般，机组产生报警需要检修，但尚未停机；机组正常运行，需要定期巡检。
[0093]
不同故障产生的潜在损失不同，已经停机机组立马会产生损失；已经报警但尚未停机机组，会因报警的原因根据运行时间的长短产生不同程度的损失；正常巡检的机组会产生因未及时巡检发现潜在故障的损失；
[0094]
步骤2：根据搜集到的风况信息，预测未来一段时间该机组所在位置的风速，具体步骤如下；
[0095]
步骤2.1：首先判断该机组测风设备数据的测风时长，是否达到规定要求，是否具有有效性，如果具有有效性，则优先采用该数据；否则需要根据测风塔和气象站数据对该数据进行插补、修订；
[0096]
步骤2.2：将搜集到的有效数据，导入风速预测模块中，分析预测未来一段时间内的风速情况；
[0097]
步骤3：根据搜集到的故障信息，判断每台风机所需的潜在维修时间，以及相关所需备品备件的库存情况；
[0098]
判断风机维修时间的方法有两种：依靠现场运维工程师的经验，判断某故障修复所要耗费时间；依靠风电场的故障数据库进行判断。
[0099]
数据库中，存储了以往风机出现的故障以及对应的故障恢复时间，通过故障的对比分析，系统给出一个故障修复时间的预测值。
[0100]
故障时间的确定与故障类型有关，如果该故障在故障库中有明显的参照，则以故障库的预测时间为准，否则以现场运维工程师的经验为准；
[0101]
备品备件的库存情况也会对故障的恢复产生影响，如果备品备件缺失，需要重新购买则会明显增加故障的恢复时间。
[0102]
步骤4：遍历运维人员数据库，获取每个运维人员的状态；
[0103]
运维人员状态包括：是否在岗、是否空闲、当前任务结束时间、当前所处位置等；
[0104]
步骤5：调度模块根据运维人员状态、所需维修机组信息、备品备件信息等资料，计算出成本最小的运维调度方案，主要步骤如下：
[0105]
步骤5.1以运维总成本最小为目标，即适应度，建立目标函数如下：
[0106]
min z＝c
t
cd c
p
c
car
ꢀꢀ⑴
[0107]
上式中，z表示运维任务的总成本，c
t
表示风电机组停机时发电量的损失，cd表示风电机组延迟维修的损失，即带病运行产生的潜在风险以及对机组未来寿命的损失，c
p
表示运维过程中的人员成本，c
car
表示运维过程中的交通成本。
[0108]
算式
⑴
中，
[0109][0110][0111]cdi
＝αθf(t
′i)c
ti
ꢀꢀ⑷
[0112][0113][0114]
模型的约束条件如下：
[0115][0116][0117][0118][0119][0120][0121][0122]
上式
⑴
至
⒀
中，z表示运维任务的总成本；c
ti
表示机组i的单位时间停机损失成本；表示机组i的停机时间函数；μi表示机组i的单位电价；ηi为机组i受尾流、机组利用率、能量损耗等影响的折减因子；pi表示机组i的功率；vi表示机组i的风速；f(pi,vi)表示机组i的功率函数；1到n表示需要维修的机组编号，0表示运维中心；c
di
表示机组i推迟维修的单位时间风险成本；t
′i表示机组i推迟维修的时间；α为小于1的风险因子；f(t
′i)表示推迟维修的时间函数，与维修时间成正比；ck表示员工k的单位时间维修成本；表示员工k在机组i的维修时间；x
ik
表示机组i被员工k维修时，其值为1，否则为0；ch表示车辆h的单位距离成本；d
ij
表示机组i和机组j之间的实际距离；表示车辆h由机组i到机组j时，否则其值为0；βh表示车辆h的固定成本；h表示运维中心可用的车辆总数；表示车辆h由机组i出发到达机组j时，车内总人数；qh表示车辆h的最大载人数；rj表示在机组j上车的人数；r
′j表示在机组j下车的人数；表示车辆h到达机组i的时间；表示员工k维修机组i所需的时间；
表示车辆h从机组i行驶到机组j所需的时间。
[0123]
其中，公式
⑺
表示使用车辆数不得超过可用车辆总数；公式
⑻
和公式
⑼
表示，车辆从任意机组出发，所载人数不得超出车辆最大可载人数；公式
⑽
表示从运维中心出发的人员最终都将返回运维中心；公式
⑾
表示对于有先后到达顺序的机组i和j，机组j的开始维修时间在机组i维修时间结束之后；公式
⑿
表示每台机组每天只由一辆车服务一次；公式
⒀
表示车辆从运维中心出发后最后再回到运维中心。
[0124]
风电机组发电量的损失成本会受到风机的发电功率、竞争电价以及停机时间的影响，发电功率越大、竞争电价越高、停机时间越长，发电量的损失成本就越大，反之则越小。
[0125]
风电机组停机主要有以下几种情况：正常检修，手动停机；发生故障，被迫停机；进行维修，正常停机；运维中，极端天气产生，如大风、雷雨，造成延误型停机；天气恶劣，风速大于最大风速，避险型停机；机组升级，计划性停机。
[0126]
人工成本会受到运维人员的级别以及维修时间的影响，运维人员级别越高，维修时间越长，所消耗的人工成本就越大，反之则越小。
[0127]
交通成本会受到车辆的单位距离成本和路程远近的影响，单位距离成本越大、路程越远，则交通成本越大，反之则越小。
[0128]
步骤5.2：种群初始化，确定种群的规模g，最大迭代次数max，族群数量num_z。
[0129]
步骤5.3：随机方式生成g/2个个体，具体过程如下：
[0130]
步骤5.3.1：从车辆库中随机挑选一辆车，然后从风机库中随机选择一台风机，根据该风机的运维任务从运维工程师库中，随机挑选一位满足风机运维要求的工程师分配给该车辆，检测车辆是否超载，如果不超载，则该风机和对应工程师由该车进行服务，否则，将该台风机及对应工程师随机分给其他车辆进行服务，并判断是否超载，以此类推，依次将风机和对应工程师分配给不同的车辆进行服务，直至所有风机都有对应的车辆及工程师进行服务。
[0131]
步骤5.3.2：循环执行步骤5.3.1共g/2次，生成g/2个个体；
[0132]
步骤5.4：优化方式生成g/2个个体，具体过程如下：
[0133]
步骤5.4.1：随机挑选一辆车，然后从风机库中随机选择一台风机，根据该风机的运维任务从运维工程师库中，随机挑选一位满足风机运维要求的工程师分配给该车辆，检测车辆是否超载，如果不超载，则该风机和对应工程师由该车进行服务，然后以运维中心为圆心，选择与该风机所成角度最小的风机，并随机安排对应的运维工程师进行运维，并分配给该车辆，判断车辆是否超载，以此类推，直至该车辆已经满载，无法再服务更多风机；如果该车超载，则将风机与对应工程师随机分配给其它可用车辆，循环进行，直到所有风机都有对应的车辆及工程师进行服务；
[0134]
步骤5.4.2：循环执行步骤5.4.1共g/2次，生成g/2个个体；
[0135]
步骤5.5：将步骤5.3、步骤5.4生成的各g/2个个体，充分混合，形成一个种群，规模为g；
[0136]
步骤5.6：根据公式
⑴
计算g个个体的适应度，其中，适应度最大的个体，即总成本最小的个体被命名为pg，然后将g个个体随机分配到num_z个族群中，每个族群个体数为num_g；g＝num_z
·
num_g。
[0137]
步骤5.7：在每个族群内部依次进行选择交叉进化、变异进化，具体过程如下：
[0138]
步骤5.7.1：族群内适应度最大的个体，被命名为pb；
[0139]
步骤5.7.2：产生一个随机数，如果该值大于0.5，则进行步骤5.7.3，进行随机进化，否则执行步骤5.7.4，进行优选进化；
[0140]
步骤5.7.3：进行随机进化，具体步骤如下：
[0141]
步骤5.7.3.1：随机挑选两个pb之外的个体，分别记为a和d；
[0142]
步骤5.7.3.2：在个体a和d中随机挑选两辆车的服务链，分别记为a和d，对比分析a和d的运维机组，然后将两辆车共有的运维机组放在tab中，a独有的机组存放在ta中，d独有的机组存放在td中；
[0143]
步骤5.7.3.3：将a和d所服务的机组进行互换；
[0144]
步骤5.7.3.4：遍历检查个体a中其余车辆的服务链，将其中与td中机组相同的删除；
[0145]
步骤5.7.3.5：遍历检查个体d中其余车辆的服务链，将其中与ta中机组相同的删除；
[0146]
步骤5.7.3.6：从ta中随机选择一个机组，将该机组及其对应工程师转由a个体中其它随机车辆进行服务，并判断车辆是否超载，工程师是否冲突，如果超载，或者工程师冲突，则更换其他车辆进行服务，并再次判断是否超载，工程师是否冲突，以此类推，直至将ta中机组全部分配出去由a个体的其它车辆进行服务为止；
[0147]
步骤5.7.3.7：从td中随机选择一个机组，将该机组及其对应工程师转由d个体中其它随机车辆进行服务，并判断车辆是否超载，工程师是否冲突，如果超载，或者工程师冲突，则更换其他车辆进行服务，并再次判断是否超载，工程师是否冲突，以此类推，直至将td中机组全部分配出去由d个体的其它车辆进行服务为止；
[0148]
步骤5.7.3.8：进化后的个体分别命名为a
′
和d
′
,根据公式
⑴
分别计算其适应度，如果f(a
′
)≤f(a)，则用a
′
替代a，否则，保持a不变，f(d
′
)≤f(d)，则用d
′
替代d，否则,保持d不变；
[0149]
步骤5.7.3.9：如果a和d都没有被更新替换，则再次执行步骤5.7.3.2至步骤5.7.3.8，如果a和d有更新情况，则执行步骤5.7.5，否则循环执行步骤5.7.3.2至步骤5.7.3.8，直到满足最大交叉进化次数n_s，跳出循环，此时，根据步骤5.3和步骤5.4方法，重新生成两只个体，分别替换a和d，然后执行步骤5.7.5；
[0150]
步骤5.7.4：进行优选进化，具体步骤如下：
[0151]
步骤5.7.4.1：随机挑选一个个体，命名为r；
[0152]
步骤5.7.4.2：在个体r中随机挑选一辆车的服务链，命名为r，在pb中随机挑选一辆车的服务链，命名为b，对比分析r和b的运维机组，然后将两辆车共有的运维机组放在trb中，r独有的机组存放在tr中，b独有的机组存放在tb中；
[0153]
步骤5.7.4.3：将r和b所服务的机组进行互换；
[0154]
步骤5.7.4.4：遍历检查个体r中其余车辆的服务链，将其中与tb中机组相同的删除；
[0155]
步骤5.7.4.5：遍历检查个体pb中其余车辆的服务链，将其中与tr中机组相同的删除；
[0156]
步骤5.7.4.6：从tr中随机选择一个机组，将该机组及其对应工程师转由r个体中
其它随机车辆进行服务，并判断车辆是否超载，工程师是否冲突，如果超载，或者工程师冲突，则更换其他车辆进行服务，并再次判断是否超载，工程师是否冲突，以此类推，直至将tr中机组全部分配出去由r个体的其它车辆进行服务为止；
[0157]
步骤5.7.4.7：从tb中随机选择一个机组，将该机组及其对应工程师转由pb个体中其它随机车辆进行服务，并判断车辆是否超载，工程师是否冲突，如果超载，或者工程师冲突，则更换其他车辆进行服务，并再次判断是否超载，工程师是否冲突，以此类推，直至将tb中机组全部分配出去由pb个体的其它车辆进行服务为止；
[0158]
步骤5.7.4.8：进化后的个体分别命名为r
′
和pb
′
,根据公式
⑴
分别计算其适应度，如果f(r
′
)≤f(r)，则用r
′
替代r，否则,保持r不变，f(pb
′
)≤f(pb)，则用pb
′
替代pb，否则，保持pb不变；
[0159]
步骤5.7.4.9：如果r和pb都没有被更新替换，则再次执行步骤5.7.4.2至步骤5.7.4.8，如果r和pb有更新情况，则执行步骤5.7.5，否则循环执行步骤5.7.4.2至步骤5.7.4.8，直到满足最大交叉进化次数n_s，跳出循环，此时，根据步骤5.4方法，重新生成一只个体，替换r，然后执行步骤5.7.5；
[0160]
步骤5.7.5：进行变异进化操作，具体步骤如下：
[0161]
步骤5.7.5.1：在族群中，随机选择一个个体，命名为e，进行随机变异进化；
[0162]
步骤5.7.5.2：随机变异进化策略有如下几种：
[0163]
1.车辆间运维机组互换：随机挑选两辆车，然后分别从各自的运维机组中挑选一段路线进行互换；
[0164]
2.车辆间运维机组增加：随机挑选一台机组，将该机组及其对应工程师一同插入到另一辆车的运维路线中；
[0165]
3.车辆内路径插入：随机挑选一台机组，将该机组及其对应工程师插入到该车辆路径的其他位置；
[0166]
4.车辆内路径互换：随机挑选两台机组，将两台机组的位置互换；
[0167]
5.工程师作业顺序互换：随机选择一个进行多次运维作业的工程师，将其操作机组的顺序进行互换；
[0168]
6.工程师操作机组互换：随机选择两个工程师，将其操作机组进行互换；
[0169]
步骤5.7.5.3：对个体e依次执行进化策略3-6，形成新个体e
′
，如果f(e
′
)≤f(e)，则用e
′
替换e，否则,保持e不变，继续执行步骤5.7.5.4；
[0170]
步骤5.7.5.4：对个体e依次执行进化策略1-2和5-6，形成新个体e
′
，如果f(e
′
)≤f(e)，则用e
′
替换e，否则,保持e不变；
[0171]
步骤5.7.6：进行优选变异进化操作，将步骤5.7.5中的随机个体e更换为族群内最优个体pb，然后再次执行步骤5.7.5；
[0172]
步骤5.8：依次执行步骤5.7.1至步骤5.7.6共n_z次，在族群内部进行n_z次进化；
[0173]
步骤5.9：计算num_z个族群中个体的适应度，并将每个族群中适应度最高的个体挑选出来，组成精英群体；
[0174]
步骤5.10：精英群体中适应度最大的个体被命名为pg，按照步骤5.7所述方式进行进化交流；
[0175]
步骤5.11：交流后的最优个体被命名为pg
′
，最差个体被命名为pw，如果f(pg
′
)≤f
(pg)，则用pg
′
替换pg，否则，保持pg不变，用pg
′
替换pw；
[0176]
步骤5.12：依次执行步骤5.10、5.11，精英群体进行n_j次交流、进化；
[0177]
步骤5.13：对所有个体进行混和、重排；
[0178]
步骤5.14：一次迭代进化完成，迭代次数max＝max 1；
[0179]
步骤5.15：判断是否满足终止条件，迭代次数达到最大迭代次数max，如果满足，则执行步骤5.16，否则返回执行步骤5.6；
[0180]
步骤5.16：输出种群所有个体中适应度最大的个体pg，以及其对应的适应度f(pg)；
[0181]
步骤5.17：根据个体pg的车辆服务链，形成具体的车辆、人员运维调度方案；
[0182]
步骤6：根据运维调度方案，将每个机组的运维任务分配给具体的运维人员；
[0183]
步骤7：各运维人员根据任务安排，开始对风机进行运维工作；
[0184]
步骤8：工作人员完成一个任务后，更新机组状态以及自己状态，并检索自己的任务安排列表，如果不为空，则继续进行后续的运维任务，否则，返回运维中心，等待任务安排。
[0185]
实例：某风电运维中心有一批机组需要进行运维，各机组位置、运行状态、故障原因等信息如下表1、2、3所示，目前该运维中心有空闲运维工程师7名，其能力、职位等信息如表4所示，该运维中心有5辆车可供使用，每辆车的信息如表5所示，风机带病运行潜在风险因子为0.05，车辆平均行驶速度60km/h，安排合理的运维方案，使得总维修成本最小。
[0186]
表1运维机组信息表
[0187][0188][0189]
表2运维机组风速(m/s)-功率(kw)曲线表
[0190][0191]
表3运维机组风速预测表
[0192][0193]
表4工程师信息表
[0194][0195]
表5可用车辆信息表。
[0196][0197][0198]
根据本技术方法，确定种群规模g＝100，最大迭代次数max＝100,族群数num_z＝5，族群进化次数n_z＝5,精英团体进化次数n_j＝5,该实例以最小化总运维成本为目标，执行了本发明所述的一种成本最小化综合运维调度方法后，得到了表6所示的运维调度方案，具体形式路径如图4所示。
[0199]
表6运维调度方案表。
[0200][0201]
建立了考虑人员成本、车辆成本、风机停机损失成本、潜在风险运行成本在内的综合成本最小化的运维调度模型；充分考虑了可能使风机产生发电量损失的各种情况，使调度目标更符合实际；多方面考虑测风数据的代表性，从而可以更准确的预测未来的风况；在调度过程中，考虑了竞争上网电价的影响以及机组的运行状态，使综合收益最大；人员的调度中，充分考虑人员的差异性，将运维成本和运维技能结合起来，更具可行性；车辆的调度中，充分考虑车辆类型对运维成本的影响，使结果更具实用性；提出的改进遗传算法，种群多样性强，收敛速度快、探索范围广、交流进化深，可以有效解决此类问题。