CN106598197B - 确定系统中设备功率的方法和装置 - Google Patents
确定系统中设备功率的方法和装置 Download PDFInfo
- Publication number
- CN106598197B CN106598197B CN201611067070.4A CN201611067070A CN106598197B CN 106598197 B CN106598197 B CN 106598197B CN 201611067070 A CN201611067070 A CN 201611067070A CN 106598197 B CN106598197 B CN 106598197B
- Authority
- CN
- China
- Prior art keywords
- variation
- equipment
- performance number
- individual
- individuals
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及一种确定系统中设备功率的方法和装置。所述系统包括多个设备。所述方法包括:生成种群,种群包括多个初始个体;在当前周期中,从种群中选择两个初始个体,生成个体对,其中,选择种群中的第一初始个体作为个体对中的至少一个初始个体的概率,与第一初始个体对应的系统的能耗比成正比;根据个体对进行交叉繁殖,生成后代个体;将后代个体进行变异,生成变异个体;当与变异个体对应的系统的能耗比不符合预定条件时,进入下一周期;当与变异个体对应的系统的能耗比符合预定条件时,将变异个体中的功率值确定为系统中对应设备的功率值。这样,在用遗传算法寻找系统的较佳能耗比时,加快了收敛的速度,减少了搜索时间,提升了用户体验。
Description
技术领域
本公开涉及计算机领域,具体地,涉及一种确定系统中设备功率的方法和装置。
背景技术
一个复杂的系统,往往涉及到多个设备。例如,中央空调系统可以包括冷冻泵、冷冻塔、冷却塔、冷机等。并且,在大型的中央空调设备中,每一类型的设备可能有多个。
系统的能耗比为系统的输出能量与系统所包含的全部设备运行功率总和之比。系统的能耗比是系统设计时需要考虑的一个重要因素,能耗比不高,就会产生一定的浪费。系统中需要对各个环节全面控制运行,才能达到最佳能耗比。
发明内容
本公开的目的是提供一种简单易行的确定系统中设备功率的方法和装置,根据所确定的功率来运行各个设备,能够得到较佳的系统能耗比。
为了实现上述目的,本公开提供一种确定系统中设备功率的方法,所述系统包括多个设备。所述方法包括:生成种群,所述种群包括多个初始个体,每个初始个体包括各个设备的功率值;在当前周期中,从所述种群中选择两个初始个体,生成个体对,其中,选择所述种群中的第一初始个体作为所述个体对中的至少一个初始个体的概率,与所述第一初始个体对应的所述系统的能耗比成正比;根据所述个体对进行交叉繁殖,生成后代个体;将所述后代个体进行变异,生成变异个体;当与所述变异个体对应的所述系统的能耗比不符合预定条件时,进入下一周期;当与所述变异个体对应的所述系统的能耗比符合所述预定条件时,将所述变异个体中的功率值确定为所述系统中对应设备的功率值。
可选地,所述生成种群的步骤包括:根据所述系统运行的历史数据生成所述种群,使得在所述种群中,每个设备的每个功率值的取值概率为该设备的该功率值在所述历史数据中的取值概率。
可选地,所述多个设备划分为多个类型,在每个初始个体中的每类型设备中,至少有一个设备的功率值不为零。
可选地,所述个体对中的一个初始个体的选取概率随着与所述个体对中另一个初始个体的相似度的增加而减小。
可选地,选择所述种群中的第i个初始个体作为所述个体对中的一个初始个体的概率Pi1为:
选择所述种群中的第j个初始个体作为所述个体对中的另一个初始个体的概率Pj1为:
其中,COPi为第i个初始个体对应的所述系统的能耗比;COPj为第j个初始个体对应的所述系统的能耗比;Gik为第i个初始个体中第k个设备的功率值;Gjk为第j个初始个体中第k个设备的功率值;T为所述多个设备的数目;Sij为第i个初始个体和第j个初始个体的相似度;β为系数。
可选地,所述将所述后代个体进行变异,生成变异个体的步骤包括:确定每个设备被选为变异点的概率,使得一设备被选为变异点的概率,与该设备取各个功率值时对应的所述系统的能耗比的平均值的方差成正比;根据所确定的每个设备被选为变异点的概率,选择变异点;根据所选的变异点,将所述后代个体进行变异,生成变异个体。
可选地,选择所述多个设备中的第i个设备作为变异点的概率Pi2为:
其中,ACOP(Nj)为所述种群中第i个设备取第j个功率值的初始个体集合Nij对应的所述系统的能耗比的平均值;c为所述第i个设备可取的功率值的数目。
可选地,所述将所述后代个体进行变异,生成变异个体的步骤包括:确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备选择所述第一功率值作为变异后的功率值的概率,与其作为变异点的设备以所述第一功率值运行的所有初始个体所对应的所述系统的能耗比的平均值成正比;根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
可选地,所述将所述后代个体进行变异,生成变异个体的步骤包括:确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备取第j个功率值作为变异后的功率值的概率Pj2为:
根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
其中,C(M)为所述种群的初始个体集合M中的初始个体数目;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目;m为所述种群中的初始个体数目与作为变异点的设备可取功率值的数目的比值;α为系数。
本公开还提供一种确定系统中设备功率的装置,所述系统包括多个设备。所述装置包括:种群生成模块,用于生成种群,所述种群包括多个初始个体,每个初始个体包括各个设备的功率值;个体对生成模块,用于在当前周期中,从所述种群中选择两个初始个体,生成个体对,其中,选择所述种群中的第一初始个体作为所述个体对中的至少一个初始个体的概率,与所述第一初始个体对应的所述系统的能耗比成正比;后代生成模块,用于根据所述个体对进行交叉繁殖,生成后代个体;变异生成模块,用于将所述后代个体进行变异,生成变异个体;跳转模块,用于当与所述变异个体对应的所述系统的能耗比不符合预定条件时,进入下一周期;确定模块,用于当与所述变异个体对应的所述系统的能耗比符合所述预定条件时,将所述变异个体中的功率值确定为所述系统中对应设备的功率值。
通过上述技术方案,根据遗传算法确定系统中设备的功率,在生成个体对时,选择一初始个体的概率,与该初始个体对应的系统的能耗比成正比。也就是,一初始个体其对应的系统能耗比越高,则其被选入个体对的概率越大。这样,在用遗传算法寻找系统的较佳能耗比时,加快了收敛的速度,从而减少了较佳能耗比的搜索时间,提升了用户体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是一示例性实施例提供的确定系统中设备功率的方法的流程图;
图2是一示例性实施例提供的确定系统中设备功率的装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
如上所述,系统的能耗比为系统的输出能量与系统所包含的全部设备运行功率总和之比。在应用遗传算法寻找最优能耗比时,在选择个体对时,通常都是随机抽取初始个体,这样导致迭代次数较多,收敛较慢。发明人想到,可以通过将初始个体的选择概率设置为与对应的能耗比预测值成正比,这样能够提高最优解的搜索效率。
图1是一示例性实施例提供的确定系统中设备功率的方法的流程图。所述系统包括多个设备。如图1所示,所述方法可以包括以下步骤。
在步骤S11中,生成种群。所述种群包括多个初始个体,每个初始个体包括各个设备的功率值。
初始个体可以包括系统中每个设备对应的功率。也就是,一个初始个体对应着系统运行的一个状态。以中央空调系统为例,一中央空调系统包括10个冷却塔、10个冷却泵、10个冷机和10个冷冻泵,总共40个设备。每个设备都对应有多个功率可选值。例如,第一冷却泵可选的功率值包括:0W、100W、200W和500W。一个初始个体可以为这40个设备的功率值集合,例如为{0W、500W、200W、……、500W},即该中央空调系统的40台设备分别以该功率值集合中的对应功率值运行时的状态。
在步骤S12中,在当前周期中,从种群中选择两个初始个体,生成个体对,其中,选择种群中的第一初始个体作为个体对中的至少一个初始个体的概率,与第一初始个体对应的系统的能耗比成正比。
其中,第一初始个体可以是种群中的任意一个初始个体。生成种群之后,可以根据预先构建的系统模型得到每个初始个体对应的系统的输出能量,从而进一步得到系统的能耗比。
例如,选择种群中的第i个初始个体作为个体对中的一个初始个体的概率Pi1可以为:
其中,COPi为第i个初始个体对应的系统的能耗比。该实施例中,分母设置为∑iCOPi,即全部初始个体对应的能耗比的总和,这样可以使得到的概率Pi1处于0-1之间。
在步骤S13中,根据个体对进行交叉繁殖,生成后代个体。
在遗传算法中,进行交差繁殖后,生成的后代个体也是描述系统状态的个体。与初始个体相同,后代个体也包括系统中每个设备对应的功率。以包括40个设备的上述中央空调系统为例,一个后代个体为这40个设备的功率值集合,例如为{0W、500W、200W、……、100W}。
在步骤S14中,将后代个体进行变异,生成变异个体。
在遗传算法中,进行变异后,生成的变异个体也是描述系统状态的个体。与初始个体相同,变异个体也包括系统中每个设备对应的功率。以包括40个设备的上述中央空调系统为例,一个变异个体为这40个设备的功率值集合,例如为{100W、500W、200W、……、100W}。
在步骤S15中,当与变异个体对应的系统的能耗比不符合预定条件时,进入下一周期。
在步骤S16中,当与变异个体对应的系统的能耗比符合预定条件时,将所述变异个体中的功率值确定为所述系统中对应设备的功率值。
也就是,当前的变异个体对应的系统的能耗比符合预定条件时,应用遗传算法求得的最优解就是当前的变异个体。如上所述,变异个体包括系统中每个设备对应的功率。这样就确定了使系统的能耗比符合预定条件的各个设备的最佳功率配置。
其中,预定条件例如可以是与变异个体对应的系统的能耗比大于预定阈值,或者当前周期中变异个体对应的系统的能耗比与上一周期中变异个体对应的系统的能耗比之差小于预定差值。这样,利用遗传算法进行迭代能够得到符合预定条件的系统能耗比所对应的设备的功率,以这些功率运行系统中的设备时,能够节省能源。
本公开的实施例中,利用遗传算法进行迭代,当与当前变异个体对应的系统的能耗比符合预定条件时,就可以将当前变异个体中设备的功率值作为所确定的设备功率值,系统中的设备以这些对应的功率值运行时,系统的能耗比较高,节省了能源。
通过上述技术方案,根据遗传算法确定系统中设备的功率,在生成个体对时,选择一初始个体的概率,与该初始个体对应的系统的能耗比成正比。也就是,一初始个体其对应的系统能耗比越高,则其被选入个体对的概率越大。这样,在用遗传算法寻找系统的较佳能耗比时,加快了收敛的速度,从而减少了较佳能耗比的搜索时间,提升了用户体验。
在本公开的一实施例中,可以根据系统运行的历史数据确定各个设备取各个功率值的概率。即,生成种群的步骤(步骤S11)可以包括:根据系统运行的历史数据生成种群,使得在种群中,每个设备的每个功率值的取值概率为该设备的该功率值在历史数据中的取值概率。
例如,中央空调系统中第一冷冻泵开启功率为0(关闭)、100W、500W、1000W的次数分别为100次、200次、500次、200次,则该第一冷冻泵功率的功率取0、100W、500W、1000W的概率可以为0.1(100/(100+200+500+200))、0.2、0.5、0.2。
该实施例中,由于系统在通常被设计为各个设备之间以较优的协调关系来运行,因此,系统实际运行的历史数据应该比较接近于较优的能耗比。这样,根据历史数据中出现的概率来确定初始个体中各个设备的功率,能够使种群中的初始个体比较接近于较佳能耗比,从而加快了收敛的速度,从而减少了较佳能耗比的搜索时间。
在本公开的另一实施例中,多个设备可以划分为多个类型。例如,中央空调系统可以包括多个冷冻泵、多个冷冻塔、多个冷却塔、多个冷机。由于系统需要每种类型的设备协调工作,因此,应该有至少一个冷冻泵、一个冷冻塔、一个冷却塔、一个冷机开启。也就是,在生成种群时,每个初始个体中的每类型设备中,至少有一个设备的功率值不为零。这样,对于包括多个类型设备的系统来说,种群中的每个初始个体都是有效的,从而进一步保证了收敛的高效性。
为了避免个体对中两个初始个体的相似度太高而可能引起的无法跳出局部最优解的问题,在选择个体对时,个体对中的一个初始个体的选取概率可以随着与所述个体对中另一个初始个体的相似度的增加而减小。这样,在个体对选择时,考虑了个体差异,避免了“近亲”繁殖的问题。只要是常用的确定相似度的方法都可以应用到本公开来确定个体对中的两个初始个体的相似度。
在本公开的又一实施例中,为了使生成的个体对中的两个初始个体相似度较低,在生成个体对时,在个体对中的一个初始个体选取的概率应用公式(1)的基础上,选择种群中的第j个初始个体作为个体对中的另一个初始个体的概率Pj1可以为:
其中,COPj为第j个初始个体对应的所述系统的能耗比;Gik为第i个初始个体中第k个设备的功率值;Gjk为第j个初始个体中第k个设备的功率值(可以理解的是,每个初始个体中设备以相同顺序进行排列,也就是两个初始个体中的第k个设备为同一设备);T为所述多个设备的数目;Sij为第i个初始个体和第j个初始个体的相似度;β为系数。
例如,每个初始个体中包括100个设备的功率值。第i个初始个体和第j个初始个体中,排序在前20的设备(即k=1、2、……、20)对应的功率值相同,则∑kδij(k)=20,相似度Sij为0.2(20/100)。在已选取第i个初始个体的情况下,第j个初始个体选取的概率可以为:
这样,根据以2为底的对数的特性,Pj1随着相似度Sij的增加而减小,在一定程度上解决了局部最优解的问题,提高了最优解搜寻的效率。
在相关技术中,常用的变异方法是采用Uniform分布进行随机变异点和变异值的选取。还可以优化变异点的选取概率,以加快收敛速度,减少迭代次数。在本公开的又一实施例中,在图1实施例的基础上,将后代个体进行变异,生成变异个体的步骤(步骤S14)可以包括:
确定每个设备被选为变异点的概率,使得一设备被选为变异点的概率,与该设备取各个功率值时对应的所述系统的能耗比的平均值的方差成正比。
根据所确定的每个设备被选为变异点的概率,选择变异点。
根据所选的变异点,将后代个体进行变异,生成变异个体。
该实施例中,考虑到方差越大,则该设备的不同功率值对能耗比的影响越大,采用上述方式能够选出对能耗比的影响较大的设备作为变异点。
具体地,选择多个设备中的第i个设备作为变异点的概率Pi2可以为:
其中,ACOP(Nj)为种群中第i个设备取第j个功率值的初始个体集合Nij对应的系统的能耗比的平均值;c为第i个设备可取的功率值的数目。
例如,在中央空调系统的种群中,第一冷冻泵(第i个设备)的功率值为100W(第j个功率值)的初始个体有20个(C(Nj)),这20个初始个体对应的系统能耗比之和为则ACOP(Nj)为0.3(6/20)。再根据上述公式(5)和(6)计算出选择第一冷冻泵作为变异点的概率。
上述公式(6)中方差stdi越大,则该设备的不同功率值对能耗比的影响越大,反之,该设备对能耗比的影响相对稳定。因此,采用上述公式能够选出对能耗比的影响较大的设备作为变异点,从而有利于跳出局部最优解。
如上所述,常用的变异方法是采用Uniform分布进行随机变异点和变异值的选取。本公开中,还可以优化变异值的选取概率,以加快收敛速度,减少迭代次数。在本公开的又一实施例中,在图1实施例的基础上,将后代个体进行变异,生成变异个体的步骤(步骤S14)可以包括:
确定变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备选择第一功率值作为变异后的功率值的概率,与其作为变异点的设备以第一功率值运行的所有初始个体所对应的系统的能耗比的平均值成正比。例如,与成正比。
根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值。
根据所选的变异后的功率值,将后代个体进行变异,生成变异个体。
该实施例中,由于所选的变异值与能耗比的平均值成正比,因此,选出的变异值更接近于最优解,从而有利于加快收敛速度。
另外,还可以考虑数据支持度的问题,来选择变异值。也就是,当某一设备的某一功率值对应的能耗比很高,但在种群中仅出现过一次,这样就无法证明该设备的该参数对能耗比的有效性。本公开借鉴贝叶斯概率模型,对能耗比的平均值进行加权处理,考虑了支持度对能耗比平均值的影响。
在本公开的又一实施例中,在图1实施例的基础上,将后代个体进行变异,生成变异个体的步骤(步骤S14)包括:
确定变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备取第j个功率值作为变异后的功率值的概率Pj2可以为:
根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值。
根据所选的变异后的功率值,将后代个体进行变异,生成变异个体。
其中,C(M)为所述种群的初始个体集合M中的初始个体数目;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目;m为所述种群中的初始个体数目与作为变异点的设备可取功率值的数目的比值;α为系数。
在上述公式(8)中,对Nj对应的能耗比的平均值和M对应的能耗比的平均值分别赋予权重和
对于m的取值,例如,中央空调调系统中的第一冷冻泵,可取的功率值包括0、100W、500W、1000W四种。初始个体数目为100,则m为25(100/4)。
这样,在考虑Nj对应的能耗比的平均值的基础上,同时考虑了数据的支持度问题,变异值按照以上概率取值时,加快了收敛的速度。
图2是一示例性实施例提供的确定系统中设备功率的装置的框图。所述系统包括多个设备。如图2所示,所述确定系统中设备功率的装置10可以包括种群生成模块11、个体对生成模块12、后代生成模块13、变异生成模块14、跳转模块15和确定模块16。
种群生成模块11用于生成种群,所述种群包括多个初始个体,每个初始个体包括各个设备的功率值。
个体对生成模块12用于在当前周期中,从种群中选择两个初始个体,生成个体对,其中,选择种群中的第一初始个体作为个体对中的至少一个初始个体的概率,与第一初始个体对应的系统的能耗比成正比。
后代生成模块13用于根据个体对进行交叉繁殖,生成后代个体。
变异生成模块14用于将后代个体进行变异,生成变异个体。
跳转模块15用于当与变异个体对应的系统的能耗比不符合预定条件时,进入下一周期。
确定模块16用于当与变异个体对应的系统的能耗比符合所述预定条件时,将变异个体中的功率值确定为系统中对应设备的功率值。
可选地,种群生成模块11可以包括种群生成子模块。种群生成子模块用于根据系统运行的历史数据生成所述种群,使得在种群中,每个设备的每个功率值的取值概率为该设备的该功率值在历史数据中的取值概率。
可选地,所述多个设备划分为多个类型,在每个初始个体中的每类型设备中,至少有一个设备的功率值不为零。
可选地,个体对中的一个初始个体的选取概率随着与个体对中另一个初始个体的相似度的增加而减小。
可选地,选择种群中的第i个初始个体作为个体对中的一个初始个体的概率Pi1为:
选择种群中的第j个初始个体作为个体对中的另一个初始个体的概率Pj1为:
其中,COPi为第i个初始个体对应的系统的能耗比;COPj为第j个初始个体对应的系统的能耗比;Gik为第i个初始个体中第k个设备的功率值;Gjk为第j个初始个体中第k个设备的功率值;T为多个设备的数目;Sij为第i个初始个体和第j个初始个体的相似度;β为系数。
可选地,变异生成模块14可以包括第一概率确定子模块、第一选择子模块和第一变异生成子模块。
第一概率确定子模块用于确定每个设备被选为变异点的概率,使得一设备被选为变异点的概率,与该设备取各个功率值时对应的所述系统的能耗比的平均值的方差成正比。
第一选择子模块用于根据所确定的每个设备被选为变异点的概率,选择变异点。
第一变异生成子模块用于根据所选的变异点,将所述后代个体进行变异,生成变异个体。
可选地,选择多个设备中的第i个设备作为变异点的概率Pi2为:
其中,ACOP(Nj)为种群中第i个设备取第j个功率值的初始个体集合Nij对应的系统的能耗比的平均值;c为第i个设备可取的功率值的数目。
可选地,变异生成模块14可以包括第二概率确定子模块、第二选择子模块和第二变异生成子模块。
第二概率确定子模块用于确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备选择第一功率值作为变异后的功率值的概率,与其作为变异点的设备以所述第一功率值运行的所有初始个体所对应的所述系统的能耗比的平均值成正比。
第二选择子模块用于根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值。
第二变异生成子模块用于根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
可选地,变异生成模块14可以包括第三概率确定子模块、第三选择子模块和第三变异生成子模块。
第三概率确定子模块,用于确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备取第j个功率值作为变异后的功率值的概率Pj2为:
第三选择子模块,用于根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值。
第三变异生成子模块,用于根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
其中,C(M)为种群的初始个体集合M中的初始个体数目;C(Nj)为种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目;m为种群中的初始个体数目与作为变异点的设备可取功率值的数目的比值;α为系数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
通过上述技术方案,根据遗传算法确定系统中设备的功率,在生成个体对时,选择一初始个体的概率,与该初始个体对应的系统的能耗比成正比。也就是,一初始个体其对应的系统能耗比越高,则其被选入个体对的概率越大。这样,在用遗传算法寻找系统的较佳能耗比时,加快了收敛的速度,从而减少了较佳能耗比的搜索时间,提升了用户体验。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (18)
1.一种确定系统中设备功率的方法,所述系统包括多个设备,其特征在于,所述方法包括:
生成种群,所述种群包括多个初始个体,每个初始个体包括各个设备的功率值;
在当前周期中,从所述种群中选择两个初始个体,生成个体对,其中,选择所述种群中的第一初始个体作为所述个体对中的至少一个初始个体的概率,与所述第一初始个体对应的所述系统的能耗比成正比;
根据所述个体对进行交叉繁殖,生成后代个体;
将所述后代个体进行变异,生成变异个体;
当与所述变异个体对应的所述系统的能耗比不符合预定条件时,进入下一周期;
当与所述变异个体对应的所述系统的能耗比符合所述预定条件时,将所述变异个体中的功率值确定为所述系统中对应设备的功率值。
2.根据权利要求1所述的方法,其特征在于,所述生成种群的步骤包括:
根据所述系统运行的历史数据生成所述种群,使得在所述种群中,每个设备的每个功率值的取值概率为该设备的该功率值在所述历史数据中的取值概率。
3.根据权利要求1所述的方法,其特征在于,所述多个设备划分为多个类型,在每个初始个体中的每类型设备中,至少有一个设备的功率值不为零。
4.根据权利要求1所述的方法,其特征在于,所述个体对中的一个初始个体的选取概率随着与所述个体对中另一个初始个体的相似度的增加而减小。
5.根据权利要求1或4所述的方法,其特征在于,选择所述种群中的第i个初始个体作为所述个体对中的一个初始个体的概率Pi1为:
选择所述种群中的第j个初始个体作为所述个体对中的另一个初始个体的概率Pj1为:
其中,COPi为第i个初始个体对应的所述系统的能耗比;COPj为第j个初始个体对应的所述系统的能耗比;Gik为第i个初始个体中第k个设备的功率值;Gjk为第j个初始个体中第k个设备的功率值;T为所述多个设备的数目;Sij为第i个初始个体和第j个初始个体的相似度;β为系数。
6.根据权利要求1所述的方法,其特征在于,所述将所述后代个体进行变异,生成变异个体的步骤包括:
确定每个设备被选为变异点的概率,使得一设备被选为变异点的概率,与该设备取各个功率值时对应的所述系统的能耗比的平均值的方差成正比;
根据所确定的每个设备被选为变异点的概率,选择变异点;
根据所选的变异点,将所述后代个体进行变异,生成变异个体。
7.根据权利要求6所述的方法,其特征在于,选择所述多个设备中的第i个设备作为变异点的概率Pi2为:
其中,ACOP(Nj)为所述种群中第i个设备取第j个功率值的初始个体集合Nij对应的所述系统的能耗比的平均值;c为所述第i个设备可取的功率值的数目,COPk为第k个初始个体对应的所述系统的能耗比;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目。
8.根据权利要求1所述的方法,其特征在于,所述将所述后代个体进行变异,生成变异个体的步骤包括:
确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备选择第一功率值作为变异后的功率值的概率,与其作为变异点的设备以所述第一功率值运行的所有初始个体所对应的所述系统的能耗比的平均值成正比;
根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;
根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
9.根据权利要求1所述的方法,其特征在于,所述将所述后代个体进行变异,生成变异个体的步骤包括:
确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备取第j个功率值作为变异后的功率值的概率Pj2为:
根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;
根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体,
其中,C(M)为所述种群的初始个体集合M中的初始个体数目;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目;m为所述种群中的初始个体数目与作为变异点的设备可取功率值的数目的比值;α为系数;COPk为第k个初始个体对应的所述系统的能耗比。
10.一种确定系统中设备功率的装置,所述系统包括多个设备,其特征在于,所述装置包括:
种群生成模块,用于生成种群,所述种群包括多个初始个体,每个初始个体包括各个设备的功率值;
个体对生成模块,用于在当前周期中,从所述种群中选择两个初始个体,生成个体对,其中,选择所述种群中的第一初始个体作为所述个体对中的至少一个初始个体的概率,与所述第一初始个体对应的所述系统的能耗比成正比;
后代生成模块,用于根据所述个体对进行交叉繁殖,生成后代个体;
变异生成模块,用于将所述后代个体进行变异,生成变异个体;
跳转模块,用于当与所述变异个体对应的所述系统的能耗比不符合预定条件时,进入下一周期;
确定模块,用于当与所述变异个体对应的所述系统的能耗比符合所述预定条件时,将所述变异个体中的功率值确定为所述系统中对应设备的功率值。
11.根据权利要求10所述的装置,其特征在于,所述种群生成模块包括:
种群生成子模块,用于根据所述系统运行的历史数据生成所述种群,使得在所述种群中,每个设备的每个功率值的取值概率为该设备的该功率值在所述历史数据中的取值概率。
12.根据权利要求10所述的装置,其特征在于,所述多个设备划分为多个类型,在每个初始个体中的每类型设备中,至少有一个设备的功率值不为零。
13.根据权利要求10所述的装置,其特征在于,所述个体对中的一个初始个体的选取概率随着与所述个体对中另一个初始个体的相似度的增加而减小。
14.根据权利要求10或13所述的装置,其特征在于,选择所述种群中的第i个初始个体作为所述个体对中的一个初始个体的概率Pi1为:
选择所述种群中的第j个初始个体作为所述个体对中的另一个初始个体的概率Pj1为:
其中,COPi为第i个初始个体对应的所述系统的能耗比;COPj为第j个初始个体对应的所述系统的能耗比;Gik为第i个初始个体中第k个设备的功率值;Gjk为第j个初始个体中第k个设备的功率值;T为所述多个设备的数目;Sij为第i个初始个体和第j个初始个体的相似度;β为系数。
15.根据权利要求10所述的装置,其特征在于,所述变异生成模块包括:
第一概率确定子模块,用于确定每个设备被选为变异点的概率,使得一设备被选为变异点的概率,与该设备取各个功率值时对应的所述系统的能耗比的平均值的方差成正比;
第一选择子模块,用于根据所确定的每个设备被选为变异点的概率,选择变异点;
第一变异生成子模块,用于根据所选的变异点,将所述后代个体进行变异,生成变异个体。
16.根据权利要求15所述的装置,其特征在于,选择所述多个设备中的第i个设备作为变异点的概率Pi2为:
其中,ACOP(Nj)为所述种群中第i个设备取第j个功率值的初始个体集合Nij对应的所述系统的能耗比的平均值;c为所述第i个设备可取的功率值的数目,COPk为第k个初始个体对应的所述系统的能耗比;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目。
17.根据权利要求10所述的装置,其特征在于,所述变异生成模块包括:
第二概率确定子模块,用于确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备选择第一功率值作为变异后的功率值的概率,与其作为变异点的设备以所述第一功率值运行的所有初始个体所对应的所述系统的能耗比的平均值成正比;
第二选择子模块,用于根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;
第二变异生成子模块,用于根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体。
18.根据权利要求10所述的装置,其特征在于,所述变异生成模块包括:
第三概率确定子模块,用于确定所述变异个体中作为变异点的设备选择每个功率值作为变异后的功率值的概率,使得作为变异点的设备取第j个功率值作为变异后的功率值的概率Pj2为:
第三选择子模块,用于根据所确定的作为变异点的设备选择每个功率值作为变异后的功率值的概率,选择变异后的功率值;
第三变异生成子模块,用于根据所选的变异后的功率值,将所述后代个体进行变异,生成变异个体,
其中,C(M)为所述种群的初始个体集合M中的初始个体数目;C(Nj)为所述种群中作为变异点的设备取第j个功率值的初始个体集合Nj中的初始个体数目;m为所述种群中的初始个体数目与作为变异点的设备可取功率值的数目的比值;α为系数;COPk为第k个初始个体对应的所述系统的能耗比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611067070.4A CN106598197B (zh) | 2016-11-28 | 2016-11-28 | 确定系统中设备功率的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611067070.4A CN106598197B (zh) | 2016-11-28 | 2016-11-28 | 确定系统中设备功率的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106598197A CN106598197A (zh) | 2017-04-26 |
CN106598197B true CN106598197B (zh) | 2019-11-22 |
Family
ID=58595366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611067070.4A Active CN106598197B (zh) | 2016-11-28 | 2016-11-28 | 确定系统中设备功率的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106598197B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN111692833B (zh) * | 2019-03-13 | 2021-08-24 | 青岛海尔电冰箱有限公司 | 用于冰箱的生成存储间室温度和湿度的方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101562882A (zh) * | 2009-06-08 | 2009-10-21 | 北京邮电大学 | 一种功率分配的方法及装置 |
WO2011153639A3 (en) * | 2010-06-07 | 2012-02-02 | The University Of Manitoba | Multi-objective radiation therapy optimization method |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
-
2016
- 2016-11-28 CN CN201611067070.4A patent/CN106598197B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101562882A (zh) * | 2009-06-08 | 2009-10-21 | 北京邮电大学 | 一种功率分配的方法及装置 |
WO2011153639A3 (en) * | 2010-06-07 | 2012-02-02 | The University Of Manitoba | Multi-objective radiation therapy optimization method |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106598197A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Gallad et al. | Enhancing the particle swarm optimizer via proper parameters selection | |
Cheng et al. | Short‐Term Hydroscheduling with Discrepant Objectives Using Multi‐Step Progressive Optimality Algorithm 1 | |
CN103955864A (zh) | 基于改进和声搜索算法的电力系统多目标差异化规划方法 | |
CN108365608A (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN106598197B (zh) | 确定系统中设备功率的方法和装置 | |
CN110260470A (zh) | 基于群智能架构的中央空调并联冷机负荷优化分配方法 | |
Rueda et al. | MVMO for bound constrained single-objective computationally expensive numerical optimization | |
CN106033887A (zh) | 一种基于改进pso-de混合算法的配电网重构方法 | |
CN109861297A (zh) | 一种基于灰狼优化算法的电力系统黑启动方法 | |
CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
CN116432968A (zh) | 一种电力系统的储能规划方法及设备 | |
CN106300441A (zh) | 一种面向电网多级输电断面的水电站机组负荷分配方法 | |
CN117767433A (zh) | 基于数字孪生的实时县域能源互联网调度方法及系统 | |
CN108108152B (zh) | 一种真随机数发生器自动优化方法 | |
CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
CN109635999B (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN116384692A (zh) | 基于数据驱动的含风能电力系统环境经济调度方法及系统 | |
CN111461478A (zh) | 一种大规模水光能源互补调度方法与系统 | |
CN115967128A (zh) | 一种计及振动区的梯级水-光互补系统鲁棒日前调度方法 | |
Grosfeld-Nir et al. | Gated MaxWIP: a strategy for controlling multistage production systems | |
CN115833240A (zh) | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
CN112488564A (zh) | 基于随机分形-逐次逼近算法的梯级电站调度方法及系统 | |
CN105406466A (zh) | 一种适用于大电网在线的快速局部拓扑分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |