CN103177299A - 泛能网优化方法和系统 - Google Patents
泛能网优化方法和系统 Download PDFInfo
- Publication number
- CN103177299A CN103177299A CN 201110440353 CN201110440353A CN103177299A CN 103177299 A CN103177299 A CN 103177299A CN 201110440353 CN201110440353 CN 201110440353 CN 201110440353 A CN201110440353 A CN 201110440353A CN 103177299 A CN103177299 A CN 103177299A
- Authority
- CN
- China
- Prior art keywords
- pan
- sample
- order
- energy
- energy network
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请公开了一种泛能网优化方法和系统,其中,该泛能网优化方法包括:对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;盲选至少两个初始样本;对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;按照序值的高低,对所述至少两个初始样本进行排序;选择排序在前的样本作为一个初始样本集;在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及在“足够好”的样本中选择最优样本。该泛能网优化方法利用序优化提高趋优速度和趋优程度。
Description
技术领域
本申请涉及泛能网的优化方法和系统。
背景技术
能量网的主要形式是电力网,其中通过将现有电力网与网络通信技术相结合,实现了电能生产、传输和利用的智能化。
在甘中学等人的中国专利申请No.201010173519.1(发明名称:“实现能源优化利用的泛能网及提供能源交易和服务的方法”)中公开了一种实现多能源(多种类型的能源和/或来自多个地理位置的能源)的耦合利用、实现分布式能源的管理和决策、以及针对能源利用的全过程进行能效优化的泛能网的方案。
泛能网包括以传输泛能流的虚拟管道互联网络架构连接在一起的节点,在节点之间双向传输泛能流。节点包括系统能效控制器,以及连接至系统能效控制器的其他节点、能量生产模块、能量储存模块、能量应用模块和能量再生模块中的至少一个。其中,系统能效控制器控制其他节点、能量生产模块、能量储存模块、能量应用模块和能量再生模块的至少一个的泛能流的输入和输出,泛能流包括能量流、物质流、信息流相互耦合协同而形成的逻辑智能流。例如,能量流包括电、燃气、热等不同的二次能量形式,物质流包括水流、物流等,信息流则包括通讯、控制、数据采集与传输等。
泛能网的优化方法包括建立网络化系统模型,该网络化系统模型体现能量四环节(生产、应用、储存和再生)的物质流、能量流和信息流。随着能量流及混合能量全生命周期的引入,泛能流控制策略的提出显得尤为重要。但随着泛能流控制策略复杂度的不断增加,能量系统的复杂度将呈指数级增加。
在网络化系统模型的基础上,采用基于仿真的优化方法来研究目标优化问题,其中基于模型仿真给出的输入输出关系(性能)通过优化算法得到最佳的输入量。大量实际工程问题均可归结为仿真优化问题,如制造系统、化工系统、电力系统、交通系统等。仿真优化问题具有极强的工程背景,且在诸多领域均有应用,但是由于其自身存在的求解难点,因此在求解复杂的优化问题中仍然缺乏快速高效的优化算法;传统智能优化算法(例如模拟退火、遗传算法,人工神经网络等)的优化过程大多以确定性优化问题为框架,以“值”为求解依据,且往往对算法参数依赖性严重,如传统遗传算法在优化过程中容易因丧失种群多样性而早熟收敛,而陷于局部最优。
由于现有基于仿真的优化方法一般缺乏结构信息,不存在解析表达式,且往往存在不确定因素,仿真过程费时,决策变量空间庞大且优化涉及多目标,且存在多极小,以致于难于高效实现全局优化。
现有基于仿真的优化方法主要存在以下难点:存在不确定因素,一次仿真仅给出对应某一输入的一次性能估计,通常存在误差;仿真过程往往很费时,且缺少与优化模块的合理接口,以至于整个优化过程很慢;输入变量空间很大,且通常连续量、离散量和逻辑量共存,优化涉及多目标,且存在多极小,以至于难于高效实现全局优化。
在针对泛能网的基于仿真的优化方法中,需要找到合理的优化策略以降低能量系统的复杂度。
发明内容
本发明的目的是提供一种可以快速获得期望优化性能的泛能网优化方法。
根据本发明,提供一种泛能网优化方法,包括:对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;盲选至少两个初始样本;对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;按照序值的高低,对所述至少两个初始样本进行排序;选择排序在前的样本作为一个初始样本集;在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及在“足够好”的样本中选择最优样本。按照规则进化
根据本发明的另一方面,提供一种泛能网优化系统,包括:结构化模块,用于对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;选择模块,用于盲选至少两个初始样本;计算模块,用于对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;排序模块,用于按照序值的高低,对所述至少两个初始样本进行排序;初始样本集选择模块,用于选择排序在前的样本作为一个初始样本集;进化模块,用于在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及最优样本选择模块,用于在“足够好”的样本中选择最优样本。
本发明的泛能网优化方法和系统利用序优化提高趋优速度和趋优程度。在选择初始样本的步骤中,通过盲选解决了全局优化的问题。
优选地,在规则进化的步骤中,通过盲选或者按照泛能网序参量规则选择所述至少两个初始样本中的至少一部分样本,在迭代过程中利用泛能流序参量规则以保证寻优的趋优性能并减小了搜索空间。优选地,按照重合概率得到满足一定数目的“足够好”的样本所需要的样本总数,为获得全局最优程度提供了评价依据。
附图说明
图1示出了生态城泛能网的实例及其结构化示意图。
图2示出了对于图1所示的生态城泛能网的序优化程序的示意图。
图3示出了对于图1所示的生态城泛能网的序优化程序的流程图。
图4示出了用于执行图3所示的序优化程序的序优化系统的框图。
具体实施方式
序优化是针对离散事件动态系统的优化问题中的不确定性、解空间庞大等难点提出的一种优化思想。“序”是两个解A、B的性能优劣,以指数级速度收敛,而“值”是两个解A、B的值,收敛速度仅为1/(N)1/2。因此,与“值”相比,可以更快更容易确定“序”。序优化以最高概率得到一些“足够好”的解,与在解空间得到一个解使其恰好是问题的最优解的传统优化方法相比,序优化实现了软化目标,这有助于减轻寻优时的计算量。在本文中,“足够好”的解表示不一定为最优解但能够满足工程和应用需求标准的解。相对于最优解的获得,“足够好”的解的标准可以根据实际需要自行定义,以软化目标、减少计算量和获得优化结果。
<泛能网结构化>
泛能网结构化是实施序优化的前提。
图1示出了生态城泛能网的实例及其结构化。该生态城泛能网100包括作为能量生产环节的多联供设备101和光伏建筑一体化(BIPV)102、作为能量储存环节的储电模块103和储热模块104、作为能量应用环节的智能大厦105。智能大厦105进一步包括温度系统106和亮度系统107,如果需要,还可以包括湿度系统(未示出)和控制系统(未示出)。
多联供设备101利用向其提供的燃气和电能(从外部供电或利用自身产生的电能)产生电能输出和热量输出(热水或冷水),并且将电能提供给储电模块103、储热模块104和智能大厦105,将热量提供给储热模块104和智能大厦105。BIPV 102利用太阳能产生电能输出和热量输出(热水),并且将电能提供给储电模块103,将热量提供给储热模块104和智能大厦105。储电模块103进一步将电能提供给智能大厦105,储热模块104进一步将热量提供给智能大厦105。
智能大厦105的温度系统106利用向其提供的电能和热量,并附以自然光源、风能,进行供暖或致冷,以满足用户的热需求。智能大厦105的亮度系统106利用向其提供的电能向灯泡等照明模块供电,并附以自然光源,提供照明环境,以满足用户的亮度要求。
在图1中采用箭头指示泛能流(例如电、热、气)的流动方向,并且采用与时间t相关的参数符号E或O表示泛能流的类型,其中E表示输入,O表示输出。该参数符号还包括以下标记:
左上标:e表示电的输入/输出,h表示热的输入/输出,m表示气的输入/输出;
右上标:u表示输入,g表示输出;
左下标m,右下标n,表示第n层第m个输入/输出。
Solar(t)表示太阳能;Wind(t)表示风能。
根据泛能流的流动方向,可以将图1所示的生态城泛能网分成三个逻辑层。
1)第1层(底层):温度系统106和亮度系统107
2)第2层:储电模块103、储热模块104和智能大厦105
3)第3层:多联供设备101和BIPV 102
对于泛能网底层的亮度系统107,输入电,附以自然光源,满足亮度要求,并输出热,如下式所示:
其中积分符号则表示对时间t(24小时)求和。
对于泛能网底层的温度系统106,输入电和热,附以自然光源、风能,以及亮度系统产生的热,满足输出热的要求,如下式所示:
其中积分符号则表示对时间t(24小时)求和。
对于泛能网第2层,多联供设备101输送给智能大厦的电,加上储电模块103,满足温度系统和亮度系统的电需求,如下式所示:
其中积分符号则表示对时间t(24小时)求和。
多联供设备101、BIPV 102输送给智能大厦的热,加上储热模块104,满足温度系统的热需求,如下式所示:
其中积分符号则表示对时间t(24小时)求和。
对于泛能网第3层,多联供设备101所需电、气,附以太阳能,满足储电、储热和智能大厦用电、用热需求,如下式所示:
其中积分符号则表示对时间t(24小时)求和。
<泛能网序优化规则>
在优化过程中如果按照常规的方法遍历所有控制变量,则求解状态空间会非常巨大。对于第一层,假定n1=3个控制变量有m1=3个状态,那么第一层在每一时刻t有Layer(1)=n1^m1=27个状态(对于一天T=24小时,则状态空间大小为27^24=2.25×10^34)。对于第二层,状态空间大小为Layer(2)=(3^8)。对于第三层,状态空间大小为Layer(3)=(3^3)。结果,在每一时刻总搜索空间=Layer(1)×Layer(2)×Layer(3)=3^14。
由于求解状态空间非常巨大,上述常规的遍历方法甚至导致维数灾难(“Curse of Dimension”),从而不能获得全局优化结果。替代地,根据No-Free-Lunch原理,在这种情形下,全局盲选搜索甚至比遍历方法更有效。然而,全局盲选搜索也不是总能获得全局优化结果。
在本文中,采用泛能流序参量表征使泛能网系统的无序泛能流向有序泛能流转化的驱动力。泛能流序参量的具体表现为控制逻辑流量和流向的控制策略。
按照序优化理论,泛能流序参量的序比较可以比值比较更高效地决定关键序参量并以相当高的概率达到泛能网最优结果。
本发明人认识到在上述泛能网结构化的基础上,可以在优化过程中采用以下泛能流序参量规则:
1)自然序参量规则:在泛能网中存在着不需要泛能流输入的无功序参量(例如自然光源、自然风),因为无功序参量相对于有功序参量将会降低泛能网系统能耗,因而无功序参量要比有功序参量的序值高。
2)层级序参量规则:由于泛能流的最终服务对象是为了满足底层序参量,所以底层序参量对于泛能网系统性能起决定作用,因而底层序参量的序值大于上层序参量的序值。
3)最优环节配比序参量规则:在泛能网的四个环节(生产、储存、应用、再生)中实现最优配比,将会最大程度减少系统的冗余泛能流,因而能导致最优环节配比的序参量的序值高于次优环节配比的序值。
因此,泛能流序参量的序比较应当包括自然序、层级序和配比序等不同方面的序的比较。
首先利用自然序参量规则,确定各个单元的关键序参量。在该生态城泛能网中,BIPV 102的太阳能输入Solar(t)、智能大厦105的温度系统106的风能输入Wind(t)和太阳能输入Solar(t)、以及亮度系统107的太阳能输入Solar(t)是无功序参量。该生态城泛能网的其他控制变量是有功序参量。因此,风能输入Wind(t)和太阳能输入Solar(t)是序值较大的关键序参量。
然后利用层级序参量规则,将用户末端(即泛能流的最下游)的温度系统106、亮度系统107作为第1层,将应次优考虑的储电模块103、储热模块104、智能大厦105作为第2层;将应最后考虑的多联供设备101和BIPV 102作为第3层。如果对第1层的能量应用进行优化,那么效果就比对高层,例如第2层、第3层的优化效果要明显,实际效果也表明,用户末端的节能对于整个泛能网系统生产端的负荷降低作用非常明显。
最后利用环节配比序参量规则,根据层级序参量规则确定的优化次序,先优化底层,后优化上层。根据第1层的温度系统106、亮度系统107的能耗需求,确定第2层智能大厦105的能耗需求。然后,根据环节配比序参量规则,确定多联供设备101、BIPV 102、储电模块103、储热模块104向智能大厦105提供的泛能流的比例。进一步地,根据相同原理确定上一层的单元提供的泛能流的比例(例如,在多联供设备101的输入中燃气和电能的比例)。
应当注意,生态城泛能网100的每个单元都存在四环节的最佳配比,整个泛能网也存在最佳配比,即存在着局部最优和全局最优的问题。本发明希望实现全局最优,因此,在整个泛能网达到最佳配比的时候,可能并非每个单元的四环节都达到了自身的最佳配比。
在优化各环节泛能流的流量的时候,如果能根据四环节最佳配比来优化四环节泛能流的流量,这对于泛能网的自组织和自进化将具有一定的意义。
<泛能网序优化程序>
图1所示的生态城泛能网的目标函数表示为:
minf(T,H,L)+λP(T,H,L) (6)
其中T表示温度,H表示湿度,L表示亮度,f(T,H,L)是控制策略造成的能耗,P(T,H,L)是未满足舒适度要求的惩罚函数,λ是保证惩罚函数和能耗函数能够正确评价的惩罚系数。该目标函数就是能耗和惩罚函数加和的最小值。
图2示出了对于图1所示的生态城泛能网的序优化程序的示意图,其中N表示搜索空间,G表示“足够好”(Good Enough)的样本空间。Fm,n(T,H,L)表示第n个样本第m代的f(T,H,L)+λP(T,H.L)的值,例如,f2,1(T,H,L)表示第1个样本第2代的f(T,H,L)+λP(T,H.L)的值。样本的位置改变(如箭头所示)表明迭代中的下一代比上一代向足够好的解G靠近。
可以将生态城泛能网中的所有单元的泛能流输入参数的集合作为一个样本。例如,智能大厦105的泛能流输入包括电、热、气的输入,控制参数包括自然通风(窗户开度0,1)、电动窗帘(开度0~1)、风机盘管(0~3,热量,湿量)、电灯(0,1)。根据智能大厦105的控制参数,可以计算相应的能耗。
图3示出了对于图1所示的生态城泛能网的序优化程序的流程图。该泛能网序优化程序采用如下迭代序优化算法:
在步骤S01,计算序优化最大迭代次数(即按照重合概率得到满足一定数目的“足够好”的样本所需要的初始样本总数,下文将详述);
在步骤S02,盲选(BP)初始样本;
在步骤S03,计算所选样本的序值,并且按照序值的高低,将所选样本进行排序;
在步骤S04,判断各个样本的序值是否位于前α%(可以根据实际需要设定α的数值);
在步骤S05,对于位于前α%的样本按照规则进行迭代,以实现进化,该规则可以保证趋优搜索(下文将详述);
在步骤S06,对于除位于前α%的样本之外的样本,盲选新样本;
在步骤S07,判断是否达到序优化最大迭代次数,如果未达到序优化最大迭代次数,则返回至步骤S03,重复步骤S03-S07;
在步骤S08,如果达到序优化最大迭代次数,则停止迭代;
在步骤S09,在“足够好”的样本中选择最优样本。
在传统的迭代算法中,在满足以下条件时结束迭代过程:如果连续的多次迭代差值小于阈值,则停止迭代过程,例如拉格朗日(Lagrange)算法;或者,如果迭代次数达到最大迭代次数,则停止迭代过程,例如遗传算法等。然而,上述停止迭代过程的条件均与样本的优劣无关。即使在停止迭代过程时,该迭代算法也不一定能够提供最优样本,甚至也不一定能提供“足够好”的样本。
在本发明的序优化方法中,优选地,在开始优化(步骤S01)时计算合适的序优化最大迭代次数。
所谓序优化最大迭代次数,就是以序优化理论中盲选算法规则为基础,按照重合概率(Alignment Probability)选择样本集。
假设PAP为重合概率,搜索空间N大小为n,足够好集合G的大小为g,样本集S大小为s,用p=g/N表示“足够好”的样本占搜索空间的比例,则求解样本集的过程如下:
PAP(|S∩G|≥1)≥1-(1-p)s
因为1-x≤e-x
所以PAP(|S∩G|≥1)≥1-e-ps
所以ln(1-PAP(|S∩G|≥1))≤-ps
所以
假设PAP=90%,p=0.005,计算可得迭代样本总数s可选460;
PAP=90%,p=0.0005,计算可得迭代样本总数s可选4600;
PAP=99%,p=0.005,计算可得迭代样本总数s可选921;
PAP=99%,p=0.0005,计算可得迭代样本总数s可选9210。
根据盲选方法计算出来的以一定的重合概率得到满足一定数目的“足够好”的样本所需要的迭代样本总数s,作为迭代算法的终止条件。
由于PAP和p是预先确定的,因此可以预测寻优过程中的最大抽样次数s,即样本集。例如,如果认为重合概率PAP=90%以及“足够好”的样本占搜索空间的比例p=0.0005符合“足够好”的样本的要求,则序优化最大迭代次数=迭代样本总数s=4600。
在进行循环判断(步骤S07)时,如果迭代次数达到序优化最大迭代次数,则停止迭代过程。在停止迭代过程时,本发明的序优化方法可以提供“足够好”的样本。
这比一般的基于经验的终止条件(算法陷入停滞状态或最大迭代次数)不仅更具有理论依据,而且也能缩小搜索空间,并且可以预知优化结果的质量。预先确定序优化最大迭代次数具有很大的优越性。
在本发明的序优化方法中,在对于位于前α%(序值较小)的样本按照规则进行迭代(步骤S05)时,采用上述泛能网中的泛能流序参量规则,包括自然序参量规则、层级序参量规则和环节配比序参量规则。
例如,对于图1中的照明系统107,由于自然光是无功序参量,因此在冬天的时候希望更多的采用自然光。在照明系统107的一个样本中,电动窗帘的开度为0~1。如果初始样本中电动窗帘的开度取0.5,那么在迭代过程中,为了更多地采用自然光就要增加电动窗帘的开度,从0.5向1进化,比如在下一个样本中电动窗帘的开度所取的值接近1的概率会大一些,例如可能取0.6。在该实例中,自然序参量规则指明了样本的进化方向。
根据本发明的泛能网结构化和序优化方法大大提高了优化效果。在采用自然序参量规则时,自然序参量具有显著降低系统能耗的作用,相关研究表明,自然序参量的引入能达到降低泛能网能耗10%的显著水平。在采用层级序参量规则时,从底层开始序参量优化,通过层级关联约束双向传递输入输出关系,将进一步减小搜索空间而减少搜索时间,搜索空间将会减少为∏max(ni,mi),搜索时间也会减少为原来的∏max(ni,mi)/∏(ni^mi)。在采用最优环节配比序参量规则时,对于每层的序参量,按照最优环节配比原则寻求组合策略,那么搜索空间将会从n^m变成至多max(n,m),那么搜索时间至少减少为原来的(max(n,m)/n^m),实际上,如果n个序参量中有关联,搜索空间还会减小。
在图3所示的本发明的优化方法的流程图的实例中不仅在步骤S01中反映了序优化最大迭代次数的计算,在步骤S03中反映了序优化方法的应用,而且在步骤S05中反映了泛能网序优化规则的应用,以描述最佳实施例。
然而,在替代的优化方法中,即使仅仅采用序优化方法,而未引入序优化规则和预先计算序优化最大迭代次数,即省去步骤S01、S04和S05,也能够实现一部分优点,即利用“序”的快速收敛加快优化过程。
在另一替代的优化方法中,可以采用序优化方法,并且引入序优化规则中的至少一个,可以实现进一步的优点。例如,如果仅引入自然序参量规则,则可以降低泛能网的能耗。
在另一替代的优化方法中,可以采用序优化方法,并且预先计算序优化最大迭代次数,可以实现进一步的优点,即在停止迭代过程时,本发明的序优化方法可以提供“足够好”的样本。
图4示出了用于执行图3所示的序优化程序的序优化系统的框图。该序优化系统10包括结构化模块11,用于对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;样本总数确定模块12,用于按照重合概率得到满足一定数目的“足够好”的样本所需要的样本总数,以确定所述至少两个初始样本的总数;选择模块13,用于盲选至少两个初始样本;计算模块14,用于对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;排序模块15,用于按照序值的高低,对所述至少两个初始样本进行排序;初始样本集选择模块16,用于选择排序在前的样本作为一个初始样本集;进化模块17,用于在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及最优样本选择模块18,用于在“足够好”的样本中选择最优样本。
优选地,进化模块17盲选所述至少两个初始样本的至少一部分样本,或者按照泛能网序参量规则选择所述至少两个初始样本中的至少一部分样本。
在图4所示的本发明的优化系统的框图中示出了样本总数确定模块12,以描述最佳实施例。然而,样本总数确定模块12是可选的,在替代的优化系统中,即使未采用样本总数确定模块12,而未预先计算序优化的样本总数,也能够实现一部分优点,即利用“序”的快速收敛加快优化过程。
本发明的优化系统可以以任何合适的形式实现,包括硬件、软件、固件或任何这些组合。本发明可作为运行一个或更多数据处理器和/或数字信号处理器的计算机软件实现。本发明的实施例的元件和组件以任何适合的方式在物理上、功能上和逻辑上实现。当然,可以在单一单元中、在多个单元中或作为其他功能单元的一部分实现该功能。由此,本发明也可以在单一单元中实施,或可以在物理上和功能上分布在不同单元和处理器之间。
尽管已经结合特定的优选实施例描述了本发明,但应当理解的是,本发明所包含的主旨并不限于这些具体的实施例。相反,本发明的主旨意在包含全部可替换、修改和等价物,这些都包含在所附权利要求的精神和范围内。
Claims (15)
1.一种泛能网优化方法,包括:
对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;
盲选至少两个初始样本;
对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;
按照序值的高低,对所述至少两个初始样本进行排序;
选择排序在前的样本作为一个初始样本集;
在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及
在“足够好”的样本中选择最优样本。
2.根据权利要求1所述的方法,其中按照重合概率得到满足一定数目的“足够好”的样本所需要的初始样本总数,以确定所述至少两个初始样本的总数。
3.根据权利要求1所述的方法,其中在规则进化的步骤中,盲选所述至少两个初始样本的至少一部分样本。
4.根据权利要求1所述的方法,其中在规则进化的步骤中,按照泛能网序参量规则选择所述至少两个初始样本中的至少一部分样本。
5.根据权利要求4所述的方法,其中所述泛能网序参量规则包括自然序参量规则,其中按照自然序参量规则,无功序参量比有功序参量的序值高。
6.根据权利要求4所述的方法,其中所述泛能网序参量规则包括层级序参量规则,其中按照层级序参量规则,泛能流下游的序值比泛能流上游的序值高。
7.根据权利要求6所述的方法,其中用户末端位于泛能流最下游。
8.根据权利要求4所述的方法,其中所述泛能网序参量规则包括最优环节配比序参量规则,其中按照最优环节配比序参量规则,最大程度减少系统冗余泛能流。
9.一种泛能网优化系统,包括:
结构化模块,用于对泛能网进行结构化,其中对于泛能网中的每一个单元设置相应的输入/输出泛能流和控制参数,并且将所有单元的泛能流输入参数的一个解集合作为一个样本;
选择模块,用于盲选至少两个初始样本;
计算模块,用于对于所述至少两个初始样本中的每一个,计算泛能网性能的序值;
排序模块,用于按照序值的高低,对所述至少两个初始样本进行排序;
初始样本集选择模块,用于选择排序在前的样本作为一个初始样本集;
进化模块,用于在该初始样本集的基础上按照规则进化,以获得更优的样本集,使得该更优的样本集包括“足够好”的样本;以及
最优样本选择模块,用于在“足够好”的样本中选择最优样本。
10.根据权利要求9所述的系统,还包括样本总数确定模块,用于按照重合概率得到满足一定数目的“足够好”的样本所需要的样本总数,以确定所述至少两个初始样本的总数。
11.根据权利要求9所述的系统,其中进化模块盲选所述至少两个初始样本的至少一部分样本。
12.根据权利要求9所述的系统,其中进化模块按照泛能网序参量规则选择所述至少两个初始样本中的至少一部分样本。
13.根据权利要求12所述的系统,其中所述泛能网序参量规则包括自然序参量规则,其中按照自然序参量规则,无功序参量比有功序参量的序值高。
14.根据权利要求12所述的系统,其中所述泛能网序参量规则包括层级序参量规则,其中按照层级序参量规则,泛能流下游的序值比泛能流上游的序值高。
15.根据权利要求12所述的系统,其中所述泛能网序参量规则包括最优环节配比序参量规则,其中按照最优环节配比序参量规则,最大程度减少系统冗余泛能流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110440353.XA CN103177299B (zh) | 2011-12-26 | 2011-12-26 | 泛能网优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110440353.XA CN103177299B (zh) | 2011-12-26 | 2011-12-26 | 泛能网优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177299A true CN103177299A (zh) | 2013-06-26 |
CN103177299B CN103177299B (zh) | 2017-01-11 |
Family
ID=48637138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110440353.XA Active CN103177299B (zh) | 2011-12-26 | 2011-12-26 | 泛能网优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177299B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105807612A (zh) * | 2016-03-08 | 2016-07-27 | 中国人民解放军总参谋部第五十四研究所 | 一种基于目标体系的控制策略评估方法 |
CN107679615A (zh) * | 2017-09-05 | 2018-02-09 | 西安工程大学 | 基于改进遗传算法的变压器样本选择方法 |
CN113076698A (zh) * | 2021-04-20 | 2021-07-06 | 广西大学 | 基于车间大数据的动态多目标协同优化方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101222524B (zh) * | 2008-01-09 | 2011-12-21 | 华南理工大学 | 一种分布式多传感协同测量系统 |
CN102236343B (zh) * | 2010-04-30 | 2015-12-02 | 新奥科技发展有限公司 | 一种泛能网系统及其控制方法 |
-
2011
- 2011-12-26 CN CN201110440353.XA patent/CN103177299B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105807612A (zh) * | 2016-03-08 | 2016-07-27 | 中国人民解放军总参谋部第五十四研究所 | 一种基于目标体系的控制策略评估方法 |
CN107679615A (zh) * | 2017-09-05 | 2018-02-09 | 西安工程大学 | 基于改进遗传算法的变压器样本选择方法 |
CN107679615B (zh) * | 2017-09-05 | 2020-06-19 | 西安工程大学 | 基于改进遗传算法的变压器样本选择方法 |
CN113076698A (zh) * | 2021-04-20 | 2021-07-06 | 广西大学 | 基于车间大数据的动态多目标协同优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103177299B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324862B (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 | |
CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
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 | |
CN113435657A (zh) | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 | |
CN105069519A (zh) | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 | |
CN105553869A (zh) | 一种电力通信网的风险均衡方法及系统 | |
CN109978404A (zh) | 计及不确定性因素与场景削减的输电通道扩展规划方法 | |
CN104808489A (zh) | 冷热电联供系统的三级协同整体优化方法 | |
CN103310279B (zh) | 基于混合蚁群算法的多目标优化产品配置方法 | |
CN104734150A (zh) | 配电网优化方法 | |
CN102802163B (zh) | 一种基于混合整数规划的无线传感网拓扑构建方法 | |
CN111709638B (zh) | 基于图论和等效电法的冷热电联供系统构建方法及系统 | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
CN103177299A (zh) | 泛能网优化方法和系统 | |
Wang et al. | Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence | |
KR20200059694A (ko) | 도시의 에너지 공급 계획 방법 | |
CN102789542A (zh) | 基于多目标分布式估计的水火电系统负荷分配方法 | |
Li et al. | Deep integration planning of sustainable energies in district energy system and distributed energy station | |
CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
CN114254890A (zh) | 一种基于供需节点调整的区域能源网络资源再分配方法 | |
CN102426663B (zh) | 利用泛能流序参量优化泛能网性能的方法 | |
CN112001639B (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
CN111724064B (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
CN105447571A (zh) | 一种基于遗传算法的体系结构自动优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |