本发明涉及变电运维，特别是一种基于边云协同的变电运维人力资源调度方法。
背景技术：
1、作为连接不同电压网络的枢纽，变电站是电力系统的重要组成部分。随着中国社会的不断发展，对电力的需求迅速增长。为了确保变电站设备的安全运行，对变电站的日常运维工作提出了更多的任务需求。由于安全性引起的任务数量和任务之间的复杂约束加剧了对变电站技术人员调度的影响。此外，变电站运维中产生的任务是具有时效性的，需要在有限的时间内生成任务调度计划。因此，变电站运维的最优调度引起了广泛关注。
2、对电力系统维护优化的现有研究：有许多研究侧重于为电力系统中的设备制定维护计划，如输电组件、发电机、变压器、变电站设备等。王等人提出了一种基于动态博弈的天然气和电网维护调度机制，以确保生成的维护计划具有最大的收益和最小的负荷损失。钟等人制定了一个模糊多目标非线性可行性约束规划模型，以获得满足风力发电机维护的可行调度。然而，在这些现有的工作中，电力系统中的工作人员路由和调度（wsrp）也很少被考虑到。
3、对工作人员路由和调度（wsrp）的现有研究：在医疗系统、制造业等应用领域中得到了许多研究人员的频繁研究。zamorano等人制定了一个多周期技术人员路由和调度问题（mtrsp），以最小化操作成本。goel等人提供了一个在电力网络中最小化停机时间和技术人员出行工作量的wrsp数学形式。irawan等人针对海上风电场的维护路由和调度问题提出了一个优化模型和解决方法，以最小化维护成本。在wsrp建模中，许多研究是在原始模型（如tsp 、vrp ）的基础上进行改进，使其适用于实际情况。然而，由于变电站系统中设备之间的复杂关联，变电站运维和大修任务之间存在许多耦合约束。这些现有模型无法应用于变电站运维的人力资源调度问题，因为它具有特殊的要求。
4、相关解决方法中的现有研究：大多使用启发式/元启发式方法，因为它们具有灵活性和较短的计算时间。chen等人提出了一种自适应大邻域搜索（alns）算法来解决动态vrp问题。xie等人提出了一种迭代局部搜索（ils）算法用于wsrp问题。schneider等人提出了一种变邻域搜索（vns）算法，结合禁忌搜索（ts）启发式，用于具有时间窗口和充电站的电力vrp问题。hannan等人提出了一种改进的粒子群优化（pso）算法用于容量约束的vrp问题。此外，数学规划方法也被使用，因为可以得到最优解或具有可接受间隙的次优解。zamorano等人提出了一个混合整数规划和分支定价算法来在可接受的时间范围内解决mtrsp问题。mahmoudi等人提出了一个新的数学规划模型，用于具有取送和时间窗口的vrp问题，并通过拉格朗日松弛方法结合子梯度算法来求解。
5、对变电站运维的人力资源和任务协调问题的现有研究：在之前的工作中，将变电站运维的人力资源和任务协调问题建立为一个混合整数线性规划问题，并使用gurobi求解。电气技术人员执行的日常运维任务包括预防性和修正性维护、检查、故障诊断、设备更换等等。这些任务在不同的变电站进行，它们需要不同班组的技术人员同时到达，根据任务的要求进行工作。因为在这项研究中考虑的是预定的运维任务，任务的需求和位置是确定性的，并且提前知道（例如，基于年度合同的预防性维护、计划维修、非紧急异常维修等）。根据ernst等人的综述，优化的人员排班可以带来巨大的好处。因此，提高变电站系统的效率的关键是在变电站之间的行程条件下协调各种技术人员的任务安排。然而，在这个领域缺乏足够的研究，仍然存在许多待解决的挑战。首先，由于变电站系统需要长期的安全稳定运行，任务安排的及时性以及变电站运维任务之间的复杂耦合关系需要在模型中考虑。其次，变电站运维的人力资源和任务协调涉及到时间和空间两个维度上各种人力资源的协同调度问题，这是一个时空多尺度耦合问题。第三，人力资源和任务协调问题的决策空间随着任务数量和时间粒度的增加呈指数增长。这个问题通常被建立为整数规划问题，是np困难问题。
6、综上，现有研究存在以下几方面的缺点：
7、缺点1：在现有的工作中，电力系统中的工作人员路由和调度（wsrp）也很少被考虑到。
8、缺点2：由于变电站系统中设备之间的复杂关联，变电站运维和大修任务之间存在许多耦合约束。这些现有模型无法应用于变电站运维的人力资源调度问题。
9、缺点3：在现有的工作中，电力系统中的工作人员路由和调度（wsrp）也很少被考虑到。
10、缺点4：提高变电站系统的效率的关键是在变电站之间的行程条件下协调各种技术人员的任务安排。在这个领域缺乏足够的研究，仍然存在许多待解决的挑战。
技术实现思路
1、为解决现有技术中存在的问题，本发明的目的是提供一种基于边云协同的变电运维人力资源调度方法，本发明实现了节点间分布式协同优化决策。
2、为实现上述目的，本发明采用的技术方案是：一种基于边云协同的变电运维人力资源调度方法，包括以下步骤：
3、步骤1、构建变电站运维技术人员调度的节点模型和关联模型；将变电站运维中的技术人员视为边缘节点，并利用图论建立了每个技术人员的节点模型，用于描述任务的复杂时空约束和技术人员的流动灵活性；建立关联模型用于描述技术人员节点之间的协同耦合关系来执行任务；
4、步骤2、基于节点和关联模型的分布式结构，利用基于节点之间任务协作的边缘-云信息交互机制，设计基于边缘-云协作的分布式迭代优化算法，实现节点之间的分布式协同优化决策。
5、作为本发明的进一步改进，在步骤1中，构建变电站运维技术人员调度的节点模型具体包括：
6、首先，假设任务在开始后不能中断；其次，假设一个技术人员在同一时间只能执行一个任务；第三，假设任务执行效率不考虑个体技术人员的差异：
7、0-1变量用于在调度期间将任务分配给技术人员：
8、；
9、0-1变量表示在调度期间将一系列任务分配给技术人员的顺序：
10、；
11、每个技术人员都是一个边缘节点，其任务之间的流动约束和目标函数通过节点模型来描述，引入技术人员分配成本和相对工时成本用于描述技术人员之间的交互成本；目标是提高变电站运维的效率，减少运营成本和技术人员的交互成本，则目标如下：
12、；
13、表示技术人员在执行任务时的通行成本，表示任务的执行时间，表示相对工时成本，是任务所需的班组人员数量；是班组的技术人员集合；
14、技术人员在执行任务和任务之间的流程中，遵循以下原则：技术人员从虚拟任务开始，按计划在任务之间流动，最后返回虚拟任务，从而为技术人员形成一个任务执行循环；对于同一位技术人员，每个任务只被视为起始点一次，每个任务只被视为结束点一次；根据原则，有：
15、；
16、为了防止技术人员的任务执行循环中出现自环：
17、；
18、任务执行时间符合以下约束条件：首先，任务需要在其时间窗口内执行和完成；其次，一些任务具有优先级或互斥关系；则：
19、；
20、表示任务开始时间，表示任务结束时间，表示任务的可执行时间窗口，是一个足够大的正数，是一个表示互斥任务秩序列的0-1变量，决定哪个互斥任务首先执行；当技术人员在任务之间移动时，受到行程时间限制，则：
21、；
22、表示任务之间的通行时间；引入休息时间任务，以确保技术人员在休息期间不被指派执行任务；任务需要所有技术人员完成，这些任务的位置是技术人员的基地，表示一组下班任务，表示运维任务数量：
23、；
24、休息时间任务的开始时间和结束时间表示为：
25、；
26、表示一天时间，表示一天中的下班时间，表示一天中的休息时间，是集合中元素的下标。
27、作为本发明的进一步改进，在步骤1中，构建变电站运维技术人员调度的关联模型具体如下：
28、；
29、式中，表示调度期间班组内技术人员总工作时间的最大差异。
30、作为本发明的进一步改进，所述步骤2具体如下：
31、在节点模型的目标函数中引入与关联模型相关的信息协调项，如下所示：
32、；
33、目标函数中第三项是信息协调项，和是关联约束模型中的信息协调因子，是惩罚因子；
34、根据节点模型、关联模型和信息协调项，设计基于边缘云的信息交互机制，变电站运维中心被设置为云端中心，即集中的信息协调中心，用于实现技术人员节点之间的信息交互；云端中心还与每个节点模型合作，通过迭代更新调度策略，以获得问题的最优解；
35、基于边缘云的信息交互机制中，边缘节点的优化模型是带有信息协调项的技术人员节点模型；每个节点模型中的技术人员交互成本信息从云端中心获得，并根据当前解决的节点模型调度策略更新信息协调项；在获取云端中心和其他边缘节点模型的信息后，当前边缘节点结合自身属性、任务需求、位置属性完成局部优化，得到边缘节点的调度策略，并将信息传递给下一个边缘节点；之后，当前边缘节点的局部解决方案被传递给下一个边缘节点和云端中心，直到所有节点模型都被解决。
36、作为本发明的进一步改进，步骤2具体包括以下步骤：
37、（1）初始化：对于给定的技术人员交互成本和惩罚因子，通过集中求解所有节点模型，获得初始调度计划；然后，给定并调整为：
38、；
39、其中：
40、；
41、由此可以得到：
42、；
43、初始化迭代数索引；
44、（2）更新云中心的技术人员交互成本：
45、交互成本修正的方向为：
46、;
47、校正后的步长由下式确定：
48、;
49、乘数根据以下规则更新：
50、;
51、其中是代理子梯度的二次范数，定义如下：
52、;
53、（3）完成节点模型的优化计算：
54、;
55、由于决策变量和信息协调项导致了技术节点模型之间的耦合，因此采用连续方法求解节点模型，以避免耦合问题，得到符合要求的解：
56、首先，选择一个在迭代中尚未求解的节点模型，并为其设置与该节点模型无关的决策变量；其次，为了防止技术人员之间的任务顺序冲突，将节点模型中的更改为如下：
57、;
58、其中由迭代中求解的节点模型组成；通过求解组成的节点模型来获得，重复此操作，直到所有节点模型都已连续求解，从而获得整个解并上传到云中心；
59、如果无法满足，则让；因此，始终满足以下条件：
60、;
61、（4）检查停止条件：
62、如果，其中为小正数，或大于预设数，停止；否则，令转到步骤（1）。
63、作为本发明的进一步改进，还包括：通过以下步骤来求取可行解：
64、（1）初始化：是得到的对偶解；初始化迭代数索引，和；
65、（2）数据检查：
66、，初始化；对于任务，如果 ,让;如果，让;如果，让;
67、（3）引入约束：
68、;
69、要如果能得到解，就停止程序;如果没有，则执行下一步；
70、（4）数据迭代：
71、随机选择下标组 满足以下条件：
72、;
73、然后，设置；然后令；；；然后转到步骤（2）；
74、在近似优化算法中，设定：求解顺序为继保班全体-检修班全体-运维班全体；每个子问题设定求解时间上限。
75、作为本发明的进一步改进，可行解构造方法如下：
76、人员任务量极差约束：
77、;
78、若对偶解违反人员任务量极差约束，则将任务量多的员工任务分配列表中删去值低的任务;
79、任务需求人员约束：
80、;
81、根据对偶解任务需求人员约束违背值，结合原人力资源调度模型将未安排的任务重新优化分配，以分配好的任务作为参数输入；空缺的任务安排通过原优化调度模型，进行对个别任务的调度，并求解时设定最大求解时间。
82、本发明的有益效果是：
83、（1）本发明采用节点和相关模型来描述变电站运维技术人员调度问题，针对节点的分布式结构和关联模型，提出一种基于节点间任务协同的边云信息交互机制；基于边云协同框架，设计了一种分布式迭代优化算法，实现技术人员节点间的分布式协同优化决策，该算法具有最优收敛性；所提方法对比集中式方法在几乎不损失求解精度的条件下有效提升求解速度，设计了一种分布式迭代优化算法，实现技术人员节点间的分布式协同优化决策，该算法具有最优收敛性。
1.一种基于边云协同的变电运维人力资源调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于边云协同的变电运维人力资源调度方法，其特征在于，在步骤1中，构建变电站运维技术人员调度的节点模型具体包括：
3.根据权利要求2所述的基于边云协同的变电运维人力资源调度方法，其特征在于，在步骤1中，构建变电站运维技术人员调度的关联模型具体如下：
4.根据权利要求3所述的基于边云协同的变电运维人力资源调度方法，其特征在于，所述步骤2具体如下：
5.根据权利要求4所述的基于边云协同的变电运维人力资源调度方法，其特征在于，步骤2具体包括以下步骤：
6.根据权利要求5所述的基于边云协同的变电运维人力资源调度方法，其特征在于，还包括：通过以下步骤来求取可行解：
7.根据权利要求6所述的基于边云协同的变电运维人力资源调度方法，其特征在于，还包括：基于边云协同的变电运维人力资源调度可行解构造方法如下：
