CN107885906A - 一种基于遗传算法的电机系统能耗计算方法 - Google Patents

一种基于遗传算法的电机系统能耗计算方法 Download PDF

Info

Publication number
CN107885906A
CN107885906A CN201710960223.6A CN201710960223A CN107885906A CN 107885906 A CN107885906 A CN 107885906A CN 201710960223 A CN201710960223 A CN 201710960223A CN 107885906 A CN107885906 A CN 107885906A
Authority
CN
China
Prior art keywords
energy consumption
individual
electric system
default
calculation model
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.)
Pending
Application number
CN201710960223.6A
Other languages
English (en)
Inventor
苏娟
李嘉
孙笑非
窦伟
李思源
杜松怀
翟庆志
朱薪志
付卫东
杨硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
State Grid Hebei Electric Power Co Ltd
Original Assignee
China Agricultural University
State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University, State Grid Hebei Electric Power Co Ltd filed Critical China Agricultural University
Priority to CN201710960223.6A priority Critical patent/CN107885906A/zh
Publication of CN107885906A publication Critical patent/CN107885906A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于遗传算法的电机系统能耗计算方法，包括：利用遗传算法对预设的能耗计算模型进行校正，获得校正后的能耗计算模型；根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。本发明提供的基于遗传算法的电机系统能耗计算方法，利用遗传算法对预设的能耗计算模型进行校正，然后根据实测运行数据利用校正后的能耗计算模型计算电机系统的能耗，利用遗传算法对能耗参数进行辨识能够避免辨识结果陷入局部最优解，并且能够提高辨识的精度，使电机系统能耗的计算与预测结果更加精确。

Description

一种基于遗传算法的电机系统能耗计算方法
技术领域
本发明涉及电气工程技术领域，尤其涉及一种基于遗传算法的电机系统能耗计算方法。
背景技术
电机系统的能耗情况对生产设备性能检测、企业整体用能水平有着重要的影响，准确计算电机系统的能耗，实现用电系统的能耗预测对用电系统运行的安全性、企业实现节能减排有着深远意义。
现有技术中，电机系统的能耗计算方法主要分为三大类，第一类采用实时监测技术，实时测量电机设备输入与输出数据，从而计算出实时能耗数据，但由于不能得知未来的运行数据所以无法进行预测；第二类采用模型构建的方法，基于铭牌参数与实测数据，构建出用电系统的能耗模型，计算系统能耗并实现预测，但是随着设备使用时长的增加，电机的能耗参数往往与铭牌中标注的参数会产生一定的偏差，从而导致电机系统能耗计算与预测不准确；第三类通过建立能耗模型，并采集实验数据利用最小二乘参数识别算法对能耗模型中的能耗参数进行校正，利用校正后的能耗模型计算并预测电机系统的能耗，但是这种方法在进行能耗参数校正的过程中就存在不准确的因素，进而导致电机系统能耗计算与预测仍然不够精确。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于遗传算法的电机系统能耗计算方法，解决了现有技术对电机系统能耗计算与预测的结果不够精确的技术问题。
(二)技术方案
为了解决上述技术问题，一方面，本发明提供一种基于遗传算法的电机系统能耗计算方法，其特征在于，包括：
以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
进一步地，所述利用遗传算法对预设的能耗计算模型进行校正，获得校正后的能耗计算模型具体为：
利用遗传算法对预设的能耗计算模型中的能耗参数进行校正，将经过校正后得到的所述能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型。
进一步地，所述预设的能耗计算模型具体为：
其中，为电机系统总可变能耗，ΔPb总为电机系统总不变能耗，PT为电机系统能耗，n为电机系统中单个电机的数量，βj为电机系统中第j台电机的负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗；并且，ΔPjaN和ΔPb总是需要利用遗传算法进行校正的n+1个所述能耗参数。
进一步地，所述预设的校正条件为至少满足以下三种情况中的一种：
(1)当前进化代数达到预设的最大进化代数；
(2)至少有一个个体的适应度值达到预设阈值；
(3)至少有一个个体在连续的多次进化中保持不变。
进一步地，所述方法还包括：
通过给每个个体中的每个能耗参数设置一个随机的二进制编码初始值对每个个体进行初始化。
进一步地，计算每个个体的适应度值的具体计算方法为：
其中，fitnessi为第i个个体适应度值，q为预先通过实际测量获得的包含每台电机负载率β和该台电机系统的能耗值ΔPT的数据组数，n为电机系统中单个电机的数量，βkj为第k组数据中第j台电机负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗，ΔPb总为电机系统总不变能耗，ΔPkT第k组数据中电机系统能耗。
另一方面，本发明提供一种基于遗传算法的电机系统能耗计算装置，包括：
校正模块，用于以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
计算模块，用于根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
再一方面，本发明提供一种用于计算电机系统能耗的电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
又一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
(三)有益效果
本发明提供的基于遗传算法的电机系统能耗计算方法，利用遗传算法对预设的能耗计算模型进行校正，然后根据实测运行数据利用校正后的能耗计算模型计算电机系统的能耗，利用遗传算法对能耗参数进行辨识能够避免辨识结果陷入局部最优解，并且能够提高辨识的精度，使电机系统能耗的计算与预测结果更加精确。
附图说明
图1为依照本发明实施例的基于遗传算法的电机系统能耗计算方法示意图；
图2为依照本发明实施例的利用遗传算法对预设的能耗计算模型进行校正方法示意图；
图3为依照本发明实施例的基于遗传算法的电机系统能耗计算装置示意图；
图4为本发明实施例提供的用于计算电机系统能耗的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
图1为依照本发明实施例的基于遗传算法的电机系统能耗计算方法示意图，如图1所示，本发明实施例提供一种基于遗传算法的电机系统能耗计算方法，包括：
步骤S10、以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
步骤S20、判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
步骤S30、重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
步骤S40、将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
步骤S50、根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
具体的，电机系统由至少一台电机组成，首先，需要构建出电机系统能耗计算模型，该能耗计算模型中的一部分能耗参数已经标注在电机的铭牌中，但是随着设备使用时长的增加，电机的能耗参数往往与铭牌中标注的能耗参数会产生一定的偏差，从而导致电机系统能耗计算与预测不准确。预设的能耗计算模型中的能耗参数包括两部分，一部分是需要在具体的计算电机能耗的过程中实际测量的运行数据，即电机系统中每台电机的负载率；另一部分是需要进行校正的参数，通过对能耗参数的校正完成对能耗计算模型。
本发明实施例利用遗传算法对预设的能耗计算模型进行校正，即，以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数。
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体。
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体。
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型。
对能耗计算模型校正完成以后，在需要计算或者预测电机系统的能耗时，只需要测出电机系统的实际运行数据，然后将实测运行数据带入校正后的能耗计算模型就可以得到电机系统的能耗，所述实测运行数据为电机系统中每台电机的负载率。
进一步地，所述预设的能耗计算模型具体为：
其中，为电机系统总可变能耗，ΔPb总为电机系统总不变能
耗，PT为电机系统能耗，n为电机系统中单个电机的数量，βj为电机系统中第j台电机的负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗；并且，ΔPjaN和ΔPb总是需要利用遗传算法进行校正的n+1个所述能耗参数。
具体的，电机系统能耗PT包括可变能耗和不变能耗两个部分，在该能耗计算模型中为电机系统总可变能耗，ΔPb总为电机系统总不变能耗，n为电机系统中单个电机的数量，βj为电机系统中第j台电机的负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗。电机系统中每台电机的负载率，即模型中电机系统中第j台电机的负载率βj是需要在具体的计算电机能耗的过程中实际测量的运行数据，ΔPjaN和ΔPb总是需要利用遗传算法进行校正的n+1个能耗参数，其中，j∈[1,n]。
进一步地，所述预设的校正条件为至少满足以下三种情况中的一种：
(1)当前进化代数达到预设的最大进化代数；
(2)至少有一个个体的适应度值达到预设阈值；
(3)至少有一个个体在连续的多次进化中保持不变。
进一步地，所述个体包含分别代表所述n+1个能耗参数的n+1条染色体。
进一步地，所述方法还包括：
通过给每个个体中的每个能耗参数设置一个随机的二进制编码初始值对每个个体进行初始化。
进一步地，计算每个个体的适应度值的具体计算方法为：
其中，fitnessi为第i个个体适应度值，q为预先通过实际测量获得的包含每台电机负载率β和该台电机系统的能耗值ΔPT的数据组数，n为电机系统中单个电机的数量，βkj为第k组数据中第j台电机负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗，ΔPb总为电机系统总不变能耗，ΔPkT第k组数据中电机系统能耗。
具体的，图2为依照本发明实施例的利用遗传算法对预设的能耗计算模型进行校正方法示意图，如图2所示，利用遗传算法对预设的能耗计算模型进行校正详细步骤如下：
首先，确定待校正的模型为能耗计算模型，即为公式(1)，
其中，为电机系统可变能耗，ΔPb总为电机系统不变能耗，PT为电机系统能耗，n为电机系统中单个电机的数量，βj为电机系统中第j台电机的负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗；并且，ΔPjaN和ΔPb总是需要利用遗传算法进行校正的n+1个能耗参数，j∈[1,n]。
然后，进行群体初始化。遗传算法是模拟整个群体进化过程的仿生算法，因此要对群体进行初始化，设置运算的起点。
(1)设置群体规模。群体规模即群体中包含的个体总数目m，群体中包含的个体数目越多则运算结果拟合程度越高，但同时会带来运算量急剧增加的问题。实际应用中，可根据实际情况选择群体规模。
(2)初始化个体。遗传算法的运算对象是表示每个个体染色体组的二进制字符串，将每组待校正的能耗参数作为一个个体，每个个体中的一条染色体分别对应每组待校正的能耗参数中的一个能耗参数，即，每个个体内含有的n+1条染色体分别代表参数ΔP1aN，ΔP2aN，ΔP3aN.......ΔPnaN和ΔPb总。对每个个体中的每个能耗参数随机赋予用二进制字符串表示的初始参数值，即得到一个代表一组能耗参数的个体，完成对个体的初始化。二进制编码的方式能够避免求解结果陷入局部最优解，而且具有易于过程处理等优势，因而在初始化种群时我们采用二进制编码方式对每个个体的染色体进行初始化，并在呈现最终结果时将数值进行解码得到最终结果的十进制表示形式。
在确定了种群规模之后，利用初始化个体的方法，随机赋予每个个体用二进制字符串表示的初始值，重复m次即完成对整个群体进行初始化。同时注意在初始化时对个体赋予的初始值要使每个能耗参数在相应的[Li,Ui]范围内，Ui为根据实际情况预先确定的能耗参数的上界，Li为根据实际情况预先确定的能耗参数的下界。
然后，需要通过实际测量获得q组数据，每组数据由βj和PT组成，j∈[1,n]，即需要实际测量当第一台电机的负载为β1，第二台电机的负载为β2，第j台电机的负载为βj，第n台电机的负载为βn时的电机系统能耗PT，共测试q组。
然后，将实际测量获得q组数据带入公式(2)，利用公式(2)分别计算每个个体的适应度值：
其中，fitnessi为第i个个体适应度值，q为预先通过实际测量获得的包含每台电机负载率β和该台电机系统的能耗值ΔPT的数据组数，n为电机系统中单个电机的数量，βkj为第k组数据中第j台电机负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗，ΔPb总为电机系统总不变能耗，ΔPkT第k组数据中电机系统能耗。
然后根据预设的校正条件进行判断，所述预设的校正条件为至少满足以下三种情况中的一种：
(1)当前进化代数达到预设的最大进化代数；
(2)群体中至少有一个个体的适应度值达到预设阈值；
(3)至少有一个个体在连续的多次进化中保持不变。
若满足上述预设的校正条件中的当前进化代数达到预设的最大进化代数，则将最大适应度值对应的个体作为最优个体，即得到一组最优能耗参数。
若满足上述预设的校正条件中的群体中至少有一个个体的适应度值达到预设阈值，则将达到预设阈值的适应度值对应的个体作为最优个体，即得到一组最优能耗参数。
若满足上述预设的校正条件中的至少有一个个体在连续的多次进化中保持不变，则将该在连续的多次进化中保持不变的个体作为最优个体，即得到一组最优能耗参数。
若判断获知不满足上述预设的校正条件，则继续进行以下步骤：
父代的选择。根据计算出的每个个体的适应度值fitnessi，用公式(3)计算群体的总适应度值fitness
进而根据公式(4)计算出每个个体适应度占总适应度的比例值pi
每个比例值与零组成一个[0,pi]概率区间，所有比例值pi的和为1。然后产生m个0到1之间的随机数，每个随机数在上述哪一个个体所对应的概率区间内则确定该个体为这个随机数选择的父代，最终产生m个父代。
交叉运算。交叉运算是通过对选出的父代进行交叉重组从而产生交叉后的子代的办法，它是群体进化的主要途径。交叉方式有单点交叉、两点交叉、多点交叉等。以单点交叉为例，其过程为：
(1)设置某一交叉概率pc，pc∈[0,1]，取相邻的两个父代个体作为一对，对每一对父代个体选取一个[0,1]之间的随机数，若该随机数小于pc则选出该对个体作为待交叉的一对父代个体，若大于pc则不作为待交叉个体。
(2)根据选出的随机数确定其两个父代个体染色体上的交叉点位置，所述交叉点位置为用二进制字符串表示的染色体上的某一位，该位的位数与该条染色体总位数的比值和选出的随机数最接近，将确定的交叉点之后的染色体部分进行交换。例如，选取的随机数为0.3，父代染色体共有10位二进制字符串表示，则交叉点位置为从右向左第3位二进制数，从右向左第1-3位二进制数将进行交换。
(3)交换配对个体在交叉点位置的基因，产生两个交叉变异后的后代。交叉运算完成后，将产生m个新的子代个体。
变异运算。将交叉运算完成后获得的m个新的子代个体进行变异运算。变异运算是针对某个个体中的某一位基因根据较小的变异概率pm进行的取反运算。可以通过选取一个[0,1]之间的随机数确定每个个体变异点的位置，所述变异点位置为用二进制字符串表示的染色体上的某一位，该位的位数与该条染色体总位数的比值和选出的随机数最接近。然后比较该随机数与变异概率pm的大小，若该随机数小于pm则进行变异，大于pm则不进行变异，通常情况下pm的取值比较小。经过变异运算后，将又产生m个新的子代个体。
然后，再以实际测量获得q组数据和经过变异后的m个新的子代个体分别计算每个个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体。
最后，将选出的最优个体对应的一组能耗参数带入所述能耗计算模型，即完成对所述能耗计算模型的校正。
下面通过一个具体的实验例子进一步说明本发明实施例：
首先，建立公式(1)中的能耗计算模型，该模型中的电机系统有3台电机，设置群体m大小为200，最大进化代数设置为200，即最大迭代次数为200次。
实际测量获得数据组数q为20，即实际测量获得的20组数据，该数据如表一所示。
表一实际测量获得的20组数据
然后，设置交叉概率为0.9，变异概率为0.01，根据实际测量获得的20组数据利用上述遗传算法的具体步骤运行三次，分别得到的结果如下：
第一次运行结果：最大适应度值为-51.2801，最优个体对应的能耗参数为ΔP1aN＝30.2300，ΔP2aN＝25.7600，ΔP3aN＝54.4800，ΔPb总＝157.0900，达到最优结果的迭代次数为128；
第二次运行结果：最大适应度值为-51.3452，最优个体对应的能耗参数为ΔP1aN＝22.5500，ΔP2aN＝29.6000，ΔP3aN＝59.6000，ΔPb总＝156.7600，达到最优结果的迭代次数为186；
第三次运行结果：最大适应度值为-52.6493，最优个体对应的能耗参数为ΔP1aN＝24.7700，ΔP2aN＝28.3200，ΔP3aN＝55.9800，ΔPb总＝157.9200，达到最优结果的迭代次数为68。
由于遗传算法存在一定的随机概率，因此每次得到的结果会有一定偏差，但从以上三次的运行情况来看，得出的结果相近程度很大，误差保持在合理的范围内。
本发明提供的基于遗传算法的电机系统能耗计算方法，利用遗传算法对预设的能耗计算模型进行校正，然后根据实测运行数据利用校正后的能耗计算模型计算电机系统的能耗，利用遗传算法对能耗参数进行辨识能够避免辨识结果陷入局部最优解，并且能够提高辨识的精度，使电机系统能耗的计算与预测结果更加精确。
实施例2：
本发明实施例提供一种基于遗传算法的电机系统能耗计算装置，是与上述实施例1中提供的一种基于遗传算法的电机系统能耗计算方法相对应的装置。图3为依照本发明实施例的基于遗传算法的电机系统能耗计算装置示意图，如图3所示，所述装置包括校正模块10和计算模块20，其中，校正模块10用于以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
计算模块20用于根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
具体的，电机系统由至少一台电机组成，首先，需要构建出电机系统能耗计算模型，该能耗计算模型中的一部分能耗参数已经标注在电机的铭牌中，但是随着设备使用时长的增加，电机的能耗参数往往与铭牌中标注的能耗参数会产生一定的偏差，从而导致电机系统能耗计算与预测不准确。预设的能耗计算模型中的能耗参数包括两部分，一部分是需要在具体的计算电机能耗的过程中实际测量的运行数据，即电机系统中每台电机的负载率；另一部分是需要进行校正的参数，通过对能耗参数的校正完成对能耗计算模型。
本发明实施例利用遗传算法对预设的能耗计算模型进行校正，即，通过校正模块10以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数。
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体。
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体。
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型。
对能耗计算模型校正完成以后，在需要计算或者预测电机系统的能耗时，只需要测出电机系统的实际运行数据，然后将实测运行数据带入校正后的能耗计算模型通过计算模块20就可以得到电机系统的能耗，所述实测运行数据为电机系统中每台电机的负载率。
本发明提供的基于遗传算法的电机系统能耗计算装置，利用遗传算法对预设的能耗计算模型进行校正，然后根据实测运行数据利用校正后的能耗计算模型计算电机系统的能耗，利用遗传算法对能耗参数进行辨识能够避免辨识结果陷入局部最优解，并且能够提高辨识的精度，使电机系统能耗的计算与预测结果更加精确。
实施例3：
图4为本发明实施例提供的用于计算电机系统能耗的电子设备的结构示意图，如图4所示，所述设备包括：处理器(processor)801、存储器(memory)802和总线803；
其中，处理器801和存储器802通过所述总线803完成相互间的通信；
处理器801用于调用存储器802中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
实施例4：
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
实施例5：
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于遗传算法的电机系统能耗计算方法，其特征在于，包括：
以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
2.根据权利要求1所述的方法，其特征在于，所述预设的能耗计算模型具体为：
其中，为电机系统总可变能耗，ΔPb总为电机系统总不变能耗，PT为电机系统能耗，n为电机系统中单个电机的数量，βj为电机系统中第j台电机的负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗；并且，ΔPjaN和ΔPb总是需要利用遗传算法进行校正的n+1个所述能耗参数。
3.根据权利要求1所述的方法，其特征在于，所述预设的校正条件为至少满足以下三种情况中的一种：
(1)当前进化代数达到预设的最大进化代数；
(2)至少有一个个体的适应度值达到预设阈值；
(3)至少有一个个体在连续的多次进化中保持不变。
4.根据权利要求1所述的方法，其特征在于，还包括：
通过给每个个体中的每个能耗参数设置一个随机的二进制编码初始值对每个个体进行初始化。
5.根据权利要求2所述的方法，其特征在于，计算每个个体的适应度值的具体计算方法为：
其中，fitnessi为第i个个体适应度值，q为预先通过实际测量获得的包含每台电机负载率β和该台电机系统的能耗值ΔPT的数据组数，n为电机系统中单个电机的数量，βkj为第k组数据中第j台电机负载率，ΔPjaN为电机系统中第j台电机的额定可变能耗，ΔPb总为电机系统总不变能耗，ΔPkT第k组数据中电机系统能耗。
6.一种基于遗传算法的电机系统能耗计算装置，其特征在于，包括：
校正模块，用于以每组能耗参数作为遗传算法中的一个个体，分别计算每个个体的适应度值，所述能耗参数为预设的能耗计算模型中的待校正参数；
判断当前进化代数、所述每个个体的变化情况和所述每个个体的适应度值是否满足预设的校正条件，若判断获知不满足所述预设的校正条件，则依次进行父代的选择、交叉运算和变异运算，获得子代个体；
重复计算每个所述子代个体的适应度值，并判断当前进化代数、所述每个所述子代个体的变化情况和所述每个子代个体的适应度值是否满足所述预设的校正条件，直到满足所述预设的校正条件并得到最优个体；
将所述最优个体对应的一组能耗参数带入所述预设的能耗计算模型获得校正后的能耗计算模型；
计算模块，用于根据实测运行数据利用所述校正后的能耗计算模型计算电机系统的能耗。
7.一种用于计算电机系统能耗的电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至5任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一所述的方法。
CN201710960223.6A 2017-10-16 2017-10-16 一种基于遗传算法的电机系统能耗计算方法 Pending CN107885906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710960223.6A CN107885906A (zh) 2017-10-16 2017-10-16 一种基于遗传算法的电机系统能耗计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710960223.6A CN107885906A (zh) 2017-10-16 2017-10-16 一种基于遗传算法的电机系统能耗计算方法

Publications (1)

Publication Number Publication Date
CN107885906A true CN107885906A (zh) 2018-04-06

Family

ID=61781492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710960223.6A Pending CN107885906A (zh) 2017-10-16 2017-10-16 一种基于遗传算法的电机系统能耗计算方法

Country Status (1)

Country Link
CN (1) CN107885906A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126707A (zh) * 2019-12-26 2020-05-08 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008217155A (ja) * 2007-02-28 2008-09-18 Fuji Heavy Ind Ltd 制御パラメータの自動適合システム
CN103036498A (zh) * 2012-10-18 2013-04-10 中国电力科学研究院 一种基于pmu的同步发电机实用模型参数校核与辨识方法
CN204921432U (zh) * 2015-07-21 2015-12-30 江苏坚威防护工程科技有限公司 一种风机风量测量校准装置
CN105275742A (zh) * 2015-11-09 2016-01-27 国家电网公司 一种风电机组自适应环境的控制方法
CN105447509A (zh) * 2015-11-10 2016-03-30 天津大学 一种光伏发电系统的短期功率预测方法
CN105488266A (zh) * 2015-11-25 2016-04-13 江苏方天电力技术有限公司 一种火电机组实发功率预测方法
CN105740595A (zh) * 2014-12-12 2016-07-06 国家电网公司 一种风机功率特性曲线的辨识方法及系统
CN106598197A (zh) * 2016-11-28 2017-04-26 东软集团股份有限公司 确定系统中设备功率的方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008217155A (ja) * 2007-02-28 2008-09-18 Fuji Heavy Ind Ltd 制御パラメータの自動適合システム
CN103036498A (zh) * 2012-10-18 2013-04-10 中国电力科学研究院 一种基于pmu的同步发电机实用模型参数校核与辨识方法
CN105740595A (zh) * 2014-12-12 2016-07-06 国家电网公司 一种风机功率特性曲线的辨识方法及系统
CN204921432U (zh) * 2015-07-21 2015-12-30 江苏坚威防护工程科技有限公司 一种风机风量测量校准装置
CN105275742A (zh) * 2015-11-09 2016-01-27 国家电网公司 一种风电机组自适应环境的控制方法
CN105447509A (zh) * 2015-11-10 2016-03-30 天津大学 一种光伏发电系统的短期功率预测方法
CN105488266A (zh) * 2015-11-25 2016-04-13 江苏方天电力技术有限公司 一种火电机组实发功率预测方法
CN106598197A (zh) * 2016-11-28 2017-04-26 东软集团股份有限公司 确定系统中设备功率的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张龙 主编: "《韶山3B型电力机车》", 30 June 2002 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126707A (zh) * 2019-12-26 2020-05-08 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置
CN111126707B (zh) * 2019-12-26 2023-10-27 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置

Similar Documents

Publication Publication Date Title
Dharma et al. Prediction of Indonesian inflation rate using regression model based on genetic algorithms
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN111612252B (zh) 大规模应急设施的自动选址方法、装置及可读存储介质
CN102768701B (zh) 基于量子遗传算法的高压开关柜绝缘子电场优化方法
CN107169628A (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN105676814B (zh) 基于sfla‑svm的数字化水岛在线加药控制方法
CN106933200A (zh) 基于遗传算法的解决柔性作业车间调度问题的控制方法
CN103577679A (zh) 一种低压台区理论线损实时计算方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN106484512A (zh) 计算单元的调度方法
CN107330573A (zh) 一种光伏系统关键设备的状态评估方法及装置
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
CN103853939A (zh) 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法
CN112907150A (zh) 一种基于遗传算法的生产排程方法
CN106547854A (zh) 基于贪心萤火虫算法的分布式文件系统存储优化节能方法
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN111680452A (zh) 基于全要素数据挖掘的电网工程精准投资决策仿真方法
CN107885906A (zh) 一种基于遗传算法的电机系统能耗计算方法
CN105574325B (zh) 一种结合人口指标的中长期用电量预测方法
CN116739187B (zh) 水库优化调度决策方法、装置、计算机设备及存储介质
CN111864728B (zh) 一种可重构配电网重要设备识别方法和系统
CN113381417B (zh) 一种配电网台区三相负荷不平衡优化方法、装置及终端
CN114217580B (zh) 基于改进型差分进化算法的功能性纤维生产排产方法
CN115629576A (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180406

RJ01 Rejection of invention patent application after publication