CN102968673A - 基于群智能的用电设备节电管理方法 - Google Patents
基于群智能的用电设备节电管理方法 Download PDFInfo
- Publication number
- CN102968673A CN102968673A CN2012104993476A CN201210499347A CN102968673A CN 102968673 A CN102968673 A CN 102968673A CN 2012104993476 A CN2012104993476 A CN 2012104993476A CN 201210499347 A CN201210499347 A CN 201210499347A CN 102968673 A CN102968673 A CN 102968673A
- Authority
- CN
- China
- Prior art keywords
- population
- consumer
- sub
- platform
- swarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于群智能的用电设备节电管理方法,其特征在于采用以下步骤:S1采集N台用电设备的用电参数;S2设置每台设备的约束标志,同时用二进制编码表示其用电电压值;S3依次将N台用电设备的编码序列连成一段染色体,并生成M个染色体;S4计算M个染色体的适应度函数;S5将M个染色体组成一个种群,按照群智能遗传算法生成该种群中的最优个体Qp;S6按照最优个体Qp中的用电电压值控制N台用电设备的供电状态。其显著效果是:将大型厂房的用电设备节电管理转化为一个多目标优化问题,利用群智能遗传算法进行优化,不但全局优化能力强,自适应能力强,而且算法的鲁棒性很好,智能化程度大大提高。
Description
技术领域
本发明涉及信息处理中的群智能遗传算法,具体地说,是一种基于群智能的用电设备节电管理方法。
背景技术
在当今能源紧张的前提下,许多大型厂房的电力消耗已经占到了生产成本的相当比例,减少用电能耗,不仅有利于提高工厂的利润,也符合国家节能减排的大政方针。
目前的节电管理往往是通过人工的控制,例如关闭不必要的照明设备,或者选用一些节能装置等方式,其智能化程度低,达不到最优控制的目的。
发明内容
为了克服现有技术中人工控制智能程度低、最优效果差的缺陷,本发明采用一种基于群智能的用电设备节电管理方法,对于各种大型厂房,能够进行全局优化,该方法将各种设备的节能优化转化成一个多目标优化问题,采用先进的群智能优化算法来加以解决,从而为节电管理提供一套最优的实施方案。
为达到上述目的,本发明所采用的具体技术方案如下:
一种基于群智能的用电设备节电管理方法,其关键在于采用以下步骤:
条件(1):
S5:将M个染色体Q1、Q2…QM组成一个种群,按照群智能遗传算法生成该种群中的最优个体Qp;
S6:按照最优个体Qp中的用电电压值控制所述N台用电设备的供电状态。
目前优化技术包括全局优化和局部优化两大类,群智能优化技术属于全局优化技术,它是一种全局优化能力强、自适应性强、鲁棒性强的现代优化技术,以其独有的优势已经在很多领域获得了广泛的应用,因此,将其用于大型厂房的节电管理中,具有可行性。尤其是遗传算法,通过与其他人工智能技术的结合,可以获得较高的改进效果。
作为进一步描述,步骤S5中的群智能遗传算法的包括:
S51:将M个染色体Q1、Q2…QM组成的种群按照基于双环式智能体结构分为多个子种群的步骤;
S52:在每个子种群中进行竞争选择的步骤;
S53:按照预设的交叉概率Pc对每个子种群中的个体进行交叉处理的步骤;
S54:按照预设的变异概率Pm对每个子种群中的个体进行变异处理的步骤;
S55:获得每个子种群中精英个体的步骤;
S56:根据每个子种群中的精英个体更新种群的步骤;
S57:判断是否满足终止条件的步骤,如果满足,则输出种群中的最优个体Qp,如果不满足,则返回步骤S52重复进行。
基于双环式智能体结构的遗传算法具有多子种群结构,可用于并行处理,能比较好的适用于多目标优化问题。大型厂房的各种设备的节电管理从而可以转化为一个多目标优化问题,根据算法求解,从而得到最优个体。
本发明的显著效果是:将大型厂房的用电设备节电管理转化为一个多目标优化问题,利用群智能遗传算法进行优化,得到最优个体,从而为节电管理提供一套最优的实施方案。不但全局优化能力强,自适应能力强,而且算法的鲁棒性很好,智能化程度大大提高。
附图说明
图1是本发明的方法步骤图;
图2是群智能优化算法的种群结构图;
图3是群智能优化算法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
实施场景以钢厂为例,用电设备包括工业电机、水泵、风扇、空调、照明装置、炼炉、鼓风机等,由于各种设备的负载值和工作电压都可能不一样,现选定3台工业电机,2台为炼炉以及8台照明灯作为优化对象。
图1所示为一种基于群智能的用电设备节能管理方法的控制流程图,具体步骤如下:
在本场景中,分别采集13台设备的用电参数,记录每台设备的负载大小为Ri以及电压调节范围i∈[0,12],为了简化计算,选定3台工业电机的电阻均为50欧,2台炼炉的电阻也为50欧,8台照明灯的电阻分别500欧,工业电机的电压调节范围为110-220V,炼炉的电压调节范围为110-220V,照明电灯的电压调节范围为200-240V。
条件(1):
由于每台设备需要10位编码序列作为特征向量,用于表示该设备的开关状态以及用电电压,因此,13台用电设备组成一个染色体,其序列长度就为130,随机生成M个染色体组成一个种群,这里M取130,使得一个种群的特征数据可以构建为130*130的方阵。
S5:将M个染色体Q1、Q2…QM组成一个种群,按照群智能遗传算法生成该种群中的最优个体Qp;
由于群智能遗传算法中对整个种群进行了选择、交叉、变异,最终获得最优个体Qp,因此该算法的自适应能力强、鲁棒性好、全局优化性能高,得到的控制策略节电效果也就更好。
如图2,图3所示,步骤S5中的群智能遗传算法的包括:
S51:将M个染色体Q1、Q2…QM组成的种群按照基于双环式智能体结构分为多个子种群的步骤;
S52:在每个子种群中进行竞争选择的步骤;
所谓基于双环式智能体结构,是指两个子种群之间存在重叠个体,如图2中,假设第一子种群包括第1至第6个染色体,那么第二子种群就包括第5到底10个染色体,依次类推。从而在竞争选择过程中,个体与个体之间以及子种群与子种群之间均能选出最好个体。
S53:按照预设的交叉概率Pc对每个子种群中的个体进行交叉处理的步骤;
这里的交叉概率Pc预设为0.8,系统随机产生一个范围在[0,1]的数,用以比较交叉概率并确定交叉位置,相邻奇偶行进行交叉。根据交叉概率,将个体分割为头尾两部分,两个个体的头尾部分相互交换,完成交叉。
S54:按照预设的变异概率Pm对每个子种群中的个体进行变异处理的步骤;
这里的变异概率Pm预设为0.05,变异后的个体记为Newi,
Newi=(ne1,ne2,…,nen)按照 生成,式中Pm是变异概率,G(0,1/t)是一个高斯随机数发生器,t是迭代次数。这里Pm通常为0.05或者设置为个体长度的倒数,即1/n,n为染色体体长度,这里为130。
S55:获得每个子种群中精英个体的步骤;
S56:根据每个子种群中的精英个体更新种群的步骤;
S57:判断是否满足终止条件的步骤,如果满足,则输出种群中的最优个体Qp,如果不满足,则返回步骤S52重复进行。
终止条件即满足迭代次数的上限或者前后两代的差值小于阈值10-5即可。最后按照最优个体Qp中的用电电压值控制所述N台用电设备的供电状态,如果某个个体中标记位不是1,将不对其进行控制。
Claims (2)
1.一种基于群智能的用电设备节电管理方法,其特征在于采用以下步骤:
条件(1):
S5:将M个染色体Q1、Q2…QM组成一个种群,按照群智能遗传算法生成该种群中的最优个体Qp;
S6:按照最优个体Qp中的用电电压值控制所述N台用电设备的供电状态。
2.根据权利要求1所述的基于群智能的用电设备节电管理方法,其特征在于:步骤S5中的群智能遗传算法的包括:
S51:将M个染色体Q1、Q2…QM组成的种群按照基于双环式智能体结构分为多个子种群的步骤;
S52:在每个子种群中进行竞争选择的步骤;
S53:按照预设的交叉概率Pc对每个子种群中的个体进行交叉处理的步骤;
S54:按照预设的变异概率Pm对每个子种群中的个体进行变异处理的步骤;
S55:获得每个子种群中精英个体的步骤;
S56:根据每个子种群中的精英个体更新种群的步骤;
S57:判断是否满足终止条件的步骤,如果满足,则输出种群中的最优个体Qp,如果不满足,则返回步骤S52重复进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210499347.6A CN102968673B (zh) | 2012-11-29 | 2012-11-29 | 基于群智能的用电设备节电管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210499347.6A CN102968673B (zh) | 2012-11-29 | 2012-11-29 | 基于群智能的用电设备节电管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968673A true CN102968673A (zh) | 2013-03-13 |
CN102968673B CN102968673B (zh) | 2015-10-28 |
Family
ID=47798804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210499347.6A Expired - Fee Related CN102968673B (zh) | 2012-11-29 | 2012-11-29 | 基于群智能的用电设备节电管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968673B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力系统无功优化方法 |
US7660649B1 (en) * | 2004-07-02 | 2010-02-09 | Optimal Innovations Inc. | Resource management using calculated sensitivities |
-
2012
- 2012-11-29 CN CN201210499347.6A patent/CN102968673B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564416A (zh) * | 2004-03-17 | 2005-01-12 | 西安交通大学 | 基于协同进化的电力系统无功优化方法 |
US7660649B1 (en) * | 2004-07-02 | 2010-02-09 | Optimal Innovations Inc. | Resource management using calculated sensitivities |
Also Published As
Publication number | Publication date |
---|---|
CN102968673B (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508499B (zh) | 多时段多场景分布式电源最优接入位置与容量研究方法 | |
CN107742900A (zh) | 风光储智能微电网经济调度控制方法 | |
CN104764980B (zh) | 一种基于bpso和ga的配电线路故障区段定位方法 | |
CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN109861256A (zh) | 一种计及全寿命周期成本的配电网储能优化配置方法 | |
CN103324862A (zh) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 | |
CN109193812A (zh) | 一种园区光储荷微电网经济调度实现方法 | |
CN105140958A (zh) | 含光伏电源的配电网规划方法 | |
CN103544656B (zh) | 一种面向最小碳排放的主动配电网运行控制方法 | |
CN110135662B (zh) | 一种考虑减小峰谷差的储能选址定容多目标优化方法 | |
Wadi et al. | Smart hybrid wind-solar street lighting system fuzzy based approach: Case study Istanbul-Turkey | |
CN106159944B (zh) | 低碳环境下基于二层规划模型的多阶段输电网规划方法 | |
Guoping et al. | An overview of microgrid planning and design method | |
CN103761582A (zh) | 一种高适应度的互动型微电网配置规划方法 | |
CN103986194A (zh) | 一种独立型微网优化配置方法和装置 | |
CN105320988A (zh) | 一种基于改进型遗传算法的无线能量传输系统参数优化方法 | |
CN114285086A (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN105552941B (zh) | 一种分布式电源调峰容量优化方法 | |
CN102968673B (zh) | 基于群智能的用电设备节电管理方法 | |
CN102708519A (zh) | 一种基于自由搜索算法的变电站优化选址方法 | |
CN113346501B (zh) | 基于头脑风暴算法的配电网电压优化方法及其系统 | |
CN109840621A (zh) | 考虑储能系统影响的并网型微电网日前多目标优化方法 | |
CN104484756B (zh) | 一种提高含风光储发电微网的企业能效方法 | |
Zhang et al. | Mutli-objective optimized operation of integrated energy system with solar and wind renewables | |
CN104578135B (zh) | 一种基于异构储能系统的功率可预测性控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151028 Termination date: 20171129 |