CN109614688B - 一种负荷管理模型的优化方法、装置、介质及电子设备 - Google Patents
一种负荷管理模型的优化方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109614688B CN109614688B CN201811491764.XA CN201811491764A CN109614688B CN 109614688 B CN109614688 B CN 109614688B CN 201811491764 A CN201811491764 A CN 201811491764A CN 109614688 B CN109614688 B CN 109614688B
- Authority
- CN
- China
- Prior art keywords
- energy
- matrix
- unit time
- station
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 238000013519 translation Methods 0.000 claims abstract description 100
- 238000005265 energy consumption Methods 0.000 claims abstract description 81
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 91
- 230000006870 function Effects 0.000 claims description 73
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014616 translation Effects 0.000 description 75
- 239000002184 metal Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010129 solution processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷管理模型的优化方法、装置、可读介质及电子设备，该方法包括：根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；根据所述初始用能矩阵构建负荷管理模型；求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量。本发明提供的技术方案，可以使泛能站的产能设备在相邻的两个单位时间段内的产能量不会存在较大差异，从而提高产能设备的效率。
Description
技术领域
本发明涉及能源领域，尤其涉及一种负荷管理模型的优化方法、装置、介质及电子设备。
背景技术
随着能源危机和环境污染等问题的出现，高效能源系统引起越来越多人的关注，泛能站作为一种利用电、气、冷、热等不同形式能源在时空上的耦合机制实现多能互补的高效分布式能源系统被提出。
目前，泛能站产能设备的产能量会根据泛能站的各个用户在各个单位时间段内的用能总量进行调整。
但是，泛能站的各个用户的用总能量存在明显的波峰时段和波谷时段，使得泛能站的产能设备在相邻的单位时间段内的产能量会有较大差别，影响产能设备的效率。
发明内容
本发明提供了一种负荷管理模型的优化方法、装置、可读介质及电子设备，可以使泛能站的产能设备在相邻的两个单位时间段内的产能量不会存在较大差异，从而提高产能设备的效率。
第一方面，本发明提供了一种负荷管理模型的优化方法，包括：
根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
根据所述初始用能矩阵构建负荷管理模型；
求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量。
优选地，
所述根据所述初始用能矩阵构建负荷管理模型，包括：
根据所述初始用能矩阵构建目标函数及至少一个约束条件；
利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型。
优选地，
所述目标函数包括：
其中，n表征单位时间段的个数、m表征泛能站的用户的总数、T表征n个单位时间段内泛能站的第一产能总量的总成本、P表征与泛能站的各个用户各个单位时间段内的用能总量所在的产能总量区间所对应的单位成本、Gi表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的平移量、
表征所述初始用能矩阵中第i行第mod(j+Gi，n)列的所述用能量。
优选地，
所述至少一个约束条件包括：
K0i<Gi≤K1i
其中，K0i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的上界，K1i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的下界。
优选地，
所述求解所述负荷管理模型的最优平移向量，包括：
S1，根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
S2，计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
S3，根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
S4，根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
S5，判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，执行S3。
优选地，
所述根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群，包括：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据所述排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
第二方面，本发明提供了一种负荷管理模型的优化装置，包括：
矩阵构建模块，用于根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
建模处理模块，用于根据所述初始用能矩阵构建负荷管理模型；
求解处理模块，用于求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
调整处理模块，用于根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量。
优选地，
所述建模处理模块，包括：
目标函数构建单元，用于根据所述初始用能矩阵构建目标函数；
约束条件构建单元，用于根据所述初始用能矩阵构建至少一个约束条件；
建模处理单元，用于利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型。
优选地，
所述求解处理模块，包括：
初始化单元，用于根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
计算单元，用于计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
第一更新单元，用于根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
第二更新单元，用于根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
判断单元，用于判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，触发所述第一更新单元。
优选地，
所述初始化单元用于执行如下各个步骤：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据所述排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种负荷管理模型的优化方法、装置、可读介质及电子设备，该方法根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵，然后根据初始用能矩阵构建负荷管理模型，进一步求解负荷管理模型的最优平移向量，根据最优平移向量对初始用能矩阵中各个用户的用能量进行平移以形成新的用能矩阵，新的用能矩阵中相邻两列的每列之和维持在一个区间内，即通过对各个用户在各个单位时间段内的用能量进行平移减小初始用能矩阵中每列之和中的最大值与其他的每列之和间的差值，之后根据新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量，使得相邻两个单位时间段内产能设备的产能量不会存在较大差异，从而提高产能设备的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的一种负荷管理模型的优化方法的流程示意图；
图2为本发明实施例中提供的一种负荷管理模型的优化装置的结构示意图；
图3为本发明实施例中提供的又一种负荷管理模型的优化装置的结构示意图；
图4为本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
如图1所述，本发明实施例提供一种负荷管理模型的优化方法，该方法包括：
步骤101，根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
步骤102，根据所述初始用能矩阵构建负荷管理模型；
步骤103，求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
步骤104，根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量。
本发明实施例提供了一种负荷管理模型的优化方法，该方法根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵，然后根据初始用能矩阵构建负荷管理模型，进一步求解负荷管理模型的最优平移向量，根据最优平移向量对初始用能矩阵中各个用户的用能量进行平移以形成新的用能矩阵，新的用能矩阵中相邻两列的每列之和维持在一个区间内，即通过对各个用户在各个单位时间段内的用能量进行平移减小初始用能矩阵中每列之和中的最大值与其他的每列之和间的差值，之后根据新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量，使得相邻两个单位时间段内产能设备的产能量不会存在较大差异，从而提高产能设备的效率。
需要说明的是，本发明技术方案中所提到的平移是指整体平移，即对泛能站的某一个用户在各个单位时间段的各个用能量同时进行整体向前或向后平移，而非将泛能站的某一个用户某个单位时间段内的用能量平移到另一个单位时间内从而替换另一单位时间段内的用能量；如泛能站的某个用户在各个单位时间段内的用能量不需要移动，则在最优平移向量中泛能站的该用户在各个单位时间段内的用能量的平移量为0，因此根据最优平移向量对初始用能矩阵中各个用户的用能量进行平移的实质为对部分用户的用能量进行平移。泛能站内的产能设备的效率与产能设备相邻的单位时间段内的产能量有关，若产能设备在相邻的单位时间段内的产能量均处于一个区间内，则产能设备的效率较高，因此尽可能久的将产能设备在不同单位时间段内的产能量维持在一个区间内，可以提高产能设备的效率。
本发明一个实施例中，所述根据所述初始用能矩阵构建负荷管理模型，包括：根据所述初始用能矩阵构建目标函数及至少一个约束条件；利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型。
在上述实施例中，用户可以根据实际需求构建模型、目标函数以及约束条件。
本发明一个实施例中，所述目标函数包括：
其中，n表征单位时间段的个数、m表征泛能站的用户的总数、T表征n个单位时间段内泛能站的第一产能总量的总成本、P表征与泛能站的各个用户各个单位时间段内的用能总量所在的产能总量区间所对应的单位成本、Gi表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的平移量、
表征所述初始用能矩阵中第i行第mod(j+Gi，n)列的所述用能量。
在上述实施例中，以获得n个单位时间段内泛能站的第一产能总量的最小总成本为优化目标构建目标函数，目标函数中的P值根据泛能站的各个用户不同单位时间段内的用能总量所在的产能总量区间而改变，例如，当产能设备为蒸汽供应设备时，泛能站的各个用户在不同单位时间段内的蒸汽使用总量分别处于0～5吨、5～10吨、10～15吨、15～20吨产蒸汽总量区间内，则对应于不同产蒸汽总量区间的P值分别为280元、270元、260元、280元；一般情况下，当泛能站的各个用户在单位时间段内的用能总量处于相对较高或相对较低的产能总量区间时，P值会相对较大，则泛能站的各个用户在波峰时段的用能总量的和波谷时段的用能总量对应的P值可能相对较大，为了得到最小总成本需要P值在不同单位时间段内均为一个相对较小的值，从而引入泛能站的各个用户在各个单位时间段内的用能量的平移量，使得泛能站的各个用户在不同单位时间段内的用能总量所对应的P值均相对较小。
需要说明的是，初始用能矩阵的时间周期一般为一天，当然也可以为其他时间周期，以时间周期为一天为例，如果以一个小时为单位时间段，则n等于24，以30分钟为单位时间段，则n等于48，以2个小时为单位时间段，则n等于12，用户可以根据实际需要确定单位时间段的个数。mod(j+Gi，n)为j+Gi与n作除法运算后的余数，在mod函数中当j+Gi比n小时，则返回值为j+Gi，例如，当n为24、单位时间段j为19、平移量Gi为3时，mod(19+3，24)等于22，即将第19个单位时间段向后平移3个时间段得到第22个时间段；当n为24、单位时间段j为19、平移量Gi为10时，mod(19+10，24)等于5，即将第19个单位时间段向后平移10个时间段得到第5个时间段，因此利用mod函数可以保证在约束条件允许的范围内对某一个单位时间段进行平移后，得到的单位时间段的取值不会超过n。
本发明一个实施例中，所述至少一个约束条件包括：
K0i<Gi≤K1i
其中，K0i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的上界，K1i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的下界。
在上述实施例中，第i个用户可以为泛能站的m个用户中的任意一个，则泛能站的各个用户在各个单位时间段内的用能量的平移量的各个上界和各个下界可以组成约束条件矩阵K，即
其中泛能站的每一个平移量的上界和下界是由业务性质或者其他客观因素确定的，例如通过与泛能站的各个用户进行协商，根据泛能站的各个用户可以接受的平移范围确定各个平移量的上界和下界；如果以一天为时间周期，对平移量没有任何限制，则平移量的上界为-24，表征泛能站的某个用户在各个单位时间段内的用能量可以至多向前平移23个小时，平移量的下界为24，即表征泛能站的某个用户在各个单位时间段内的用能量可以至多向后平移24个小时。
本发明一个实施例中，所述求解所述负荷管理模型的最优平移向量，包括：
S1，根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
S2，计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
S3，根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
S4，根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
S5，判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，执行S3。
在上述实施例中，利用粒子群算法对负荷管理模型进行求解，粒子群算法在初始化粒子后，通过迭代找到最优解，每一次更新个体最优位置、全局最优位置和初始用能矩阵即为一次迭代。
每个粒子分别按照如下公式1和公式2更新粒子的速度和位置
其中，
表征第f次迭代时第i粒子中第d个元素的位置，
表征在第f次迭代时第i粒子中第d个元素的飞行速度，c1与c2表征学习因子或加速系数、取值可以为2，r1和r2是在[0,1]区间内的随机数，
表征第f次迭代时第i粒子中第d个元素的个体最优位置，
表征第f次迭代时第i粒子中第d个元素的全局最优位置。
其中，
表征在f+1次迭代后第i粒子中第d个元素的位置。
当然也可以利用其他方式求解负荷管理模型的最优平移向量，本发明对负荷管理模型的求解方式不做限定。
本发明一个实施例中，所述根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群，包括：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据所述排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
在上述实施例中，选出第一用能量后，形成由各个第一用能量所分别对应的当前行所组成的集合的每一个非空子集，例如，选出的用能总量最大的单位时间段所对应的j值为19，在该单位时间段内选出了3个第一用能量，3个第一用能量所分别对应的初始用能矩阵的行数为5、19和22，利用这3个初始用能矩阵的行可以形成7个非空子集，即{5}、{19}、{22}、{5,19}、{5,22}、{19,22}和{5,19,22}；
对于得到的每一个非空子集，固定除非空子集内的各个当前行之外的每一行，对非空子集内的多个当前行中的各个用能量在约束条件允许的范围内进行多次平移，以上述非空子集中的{5,19}为例，固定初始用能矩阵中除第5行和第19行之外的其他各行的数值，初始用能矩阵第5行对应的泛能站的第5个用户所对应的平移量的上界为-2，平移量的下界为4，即平移量的取值可以为-1、1、2、3、4，初始用能矩阵第19行对应的泛能站的第19个用户所对应的平移量的上界为-3，平移量的下界为3，即平移量的取值可以为-2、-1、1、2、3，在泛能站的第5个用户在各个单位时间段内的用能量的平移量取值为-1时，泛能站的第19个用户在各个单位时间段内的用能量的平移量可以为-2、-1、1、2、3中的任意一个，则由初始用能矩阵第5行和第19行组成的非空子集中，在约束条件允许的范围内存在25种可能的平移方式；计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量，则每一个得到的平移向量均包含m个元素，对应泛能站的m个用户，每一个元素的值代表对应的泛能站的一个用户在各个单位时间段内的用能量的平移量。上述举例中选取的数字仅为说明方便选取，用户可以根据实际需求设定比例，选取第一用能量，并根据实际情况选取平移量的上界和下界。
基于与上述方法相同的发明构思，如图2所示，本发明实施例一种负荷管理模型的优化装置，包括：
矩阵构建模块201，用于根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
建模处理模块202，用于根据所述初始用能矩阵构建负荷管理模型；
求解处理模块203，用于求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
调整处理模块204，用于根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量。
如图3所述，本发明一个实施例中，所述建模处理模块202，包括：
目标函数构建单元2021，用于根据所述初始用能矩阵构建目标函数；
约束条件构建单元2022，用于根据所述初始用能矩阵构建至少一个约束条件；
建模处理单元2023，用于利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型。
如图3所示，本发明一个实施例中，所述求解处理模块203，包括：
初始化单元2031，用于根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
计算单元2032，用于计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
第一更新单元2033，用于根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
第二更新单元2034，用于根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
判断单元2035，用于判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，触发所述第一更新单元2033。
本发明一个实施例中，所述初始化单元2031用于执行如下各个步骤：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据所述排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成负荷管理模型的优化装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种负荷管理模型的优化方法。
上述如本发明图2、图3所示实施例提供的负荷管理模型的优化装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本发明任一实施例中提供的负荷管理模型的优化方法，并具体用于执行如图1所示的方法。
前述各个实施例中所述的电子设备可以为计算机。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (4)
1.一种负荷管理模型的优化方法，其特征在于，包括：
根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
根据所述初始用能矩阵构建负荷管理模型；
求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量；
所述根据所述初始用能矩阵构建负荷管理模型，包括：
根据所述初始用能矩阵构建目标函数及至少一个约束条件；
利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型；
所述目标函数包括：
其中，n表征单位时间段的个数、m表征泛能站的用户的总数、T表征n个单位时间段内泛能站的第一产能总量的总成本、P表征与泛能站的各个用户各个单位时间段内的用能总量所在的产能总量区间所对应的单位成本、Gi表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的平移量、
表征所述初始用能矩阵中第i行第mod(j+Gi，n)列的所述用能量，mod(j+Gi，n)为j+Gi与n作除法运算后的余数，表征对第j个单位时间段向后平移Gi个时间段后得到的第mod(j+Gi，n)个单位时间段；
所述至少一个约束条件包括：
K0i＜Gi≤K1i
其中，K0i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的上界，K1i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的下界；
所述求解所述负荷管理模型的最优平移向量，包括：
S1，根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
S2，计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
S3，根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
S4，根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
S5，判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，执行S3；
所述根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群，包括：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
2.一种负荷管理模型的优化装置，其特征在于，包括：
矩阵构建模块，用于根据泛能站的各个用户在各个单位时间段内的用能量构建初始用能矩阵；
建模处理模块，用于根据所述初始用能矩阵构建负荷管理模型；
求解处理模块，用于求解所述负荷管理模型的最优平移向量，根据所述最优平移向量对所述初始用能矩阵中各个用户的所述用能量进行平移以形成新的用能矩阵；
调整处理模块，用于根据所述新的用能矩阵调整泛能站的产能设备在各个单位时间段内的产能量；
所述建模处理模块，包括：
目标函数构建单元，用于根据所述初始用能矩阵构建目标函数，所述目标函数包括：
其中，n表征单位时间段的个数、m表征泛能站的用户的总数、T表征n个单位时间段内泛能站的第一产能总量的总成本、P表征与泛能站的各个用户各个单位时间段内的用能总量所在的产能总量区间所对应的单位成本、Gi表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的平移量、
表征所述初始用能矩阵中第i行第mod(j+Gi，n)列的所述用能量，mod(j+Gi，n)为j+Gi与n作除法运算后的余数，表征对第j个单位时间段向后平移Gi个时间段后得到的第mod(j+Gi，n)个单位时间段；
约束条件构建单元，用于根据所述初始用能矩阵构建至少一个约束条件，所述至少一个约束条件包括：
K0i＜Gi≤K1i
其中，K0i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的上界，K1i表征泛能站的m个用户中的第i个用户在各个单位时间段内的所述用能量的所述平移量的下界；
建模处理单元，用于利用所述目标函数及所述至少一个约束条件构建所述负荷管理模型；
所述求解处理模块，包括：
初始化单元，用于根据所述初始用能矩阵、所述目标函数及所述约束条件初始化粒子群及其算法参数；
计算单元，用于计算所述粒子群中每个粒子的第一目标函数值，根据每个粒子的所述第一目标函数值，设置粒子的个体最优位置和全局最优位置；
第一更新单元，用于根据所述个体最优位置和所述全局最优位置更新每个粒子位置和速度；
第二更新单元，用于根据更新的每个粒子的所述位置和所述速度，计算每个粒子的第二目标函数值，根据每个粒子的所述第二目标函数值，更新粒子的所述个体最优位置和所述全局最优位置，根据更新后的所述全局最优位置更新所述初始用能矩阵；
判断单元，用于判断所述初始用能矩阵的更新次数是否达到最大更新次数或多次更新得到的所述全局最优位置的变化是否满足最小阈值，如果是，则将最终得到的所述全局最优位置所对应的粒子确定为所述负荷管理模型的最优平移向量；否则，触发所述第一更新单元；
所述初始化单元用于执行如下各个步骤：
S21，根据所述初始用能矩阵计算泛能站的各个用户各个单位时间段内的用能总量；
S22，确定出数值最大的一个所述用能总量对应的第一单位时间段，对泛能站的各个用户在所述第一单位时间段内的所述用能量进行降序排列，根据排列结果顺序选择设定比例的第一用能量，形成由各个所述第一用能量所分别对应的当前行所组成的集合的每一个非空子集；
S23，选择一个未被选择过的所述非空子集；
S24，在所述初始用能矩阵中，固定除所述非空子集内的各个所述当前行之外的每一行，在约束条件允许的范围内对各个所述当前行下的各个用能量进行至少一次平移，并计算每一次平移后所形成的过渡矩阵所对应的第三目标函数值，确定各个所述第三目标函数值中的最小值所对应的泛能站的各个用户在各个单位时间的所述用能量所对应的平移量为一个平移向量；
S25，检测是否存在未被选择过的所述非空子集，若是，执行S23，否则,执行S26；
S26，将得到的全部所述平移向量作为粒子群中的粒子。
3.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1所述的方法。
4.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811491764.XA CN109614688B (zh) | 2018-12-07 | 2018-12-07 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811491764.XA CN109614688B (zh) | 2018-12-07 | 2018-12-07 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109614688A CN109614688A (zh) | 2019-04-12 |
| CN109614688B true CN109614688B (zh) | 2022-11-29 |
Family
ID=66006882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811491764.XA Active CN109614688B (zh) | 2018-12-07 | 2018-12-07 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614688B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469401A (zh) * | 2020-03-31 | 2021-10-01 | 中关村海华信息技术前沿研究院 | 用于供能系统的控制方法、系统、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102856917A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种配电网无功优化方法 |
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| CN107609583A (zh) * | 2017-09-05 | 2018-01-19 | 深圳乐信软件技术有限公司 | 分类模型的参数优化方法、装置、计算机设备及存储介质 |
-
2018
- 2018-12-07 CN CN201811491764.XA patent/CN109614688B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102856917A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种配电网无功优化方法 |
| WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
| CN107609583A (zh) * | 2017-09-05 | 2018-01-19 | 深圳乐信软件技术有限公司 | 分类模型的参数优化方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于粒子群算法的火电厂机组负荷优化分配研究;姜松等;《现代电力》;20060228(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109614688A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Learning-based modeling and optimization for real-time system availability | |
| CN110428048B (zh) | 一种基于模拟延时链的二值化神经网络累加器电路 | |
| CN110738316A (zh) | 基于神经网络的操作方法、装置及电子设备 | |
| CN113516291A (zh) | 电力负荷预测方法、装置及设备 | |
| CN113962161B (zh) | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 | |
| He et al. | Probabilistic solar irradiance forecasting via a deep learning‐based hybrid approach | |
| CN109614688B (zh) | 一种负荷管理模型的优化方法、装置、介质及电子设备 | |
| KR102427604B1 (ko) | 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법 | |
| CN105634018A (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
| Kicsiny | Improved multiple linear regression based models for solar collectors | |
| WO2023116923A1 (zh) | 一种存算一体装置和计算方法 | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN113268698A (zh) | 综合能源系统新能源消纳能力优化方法、装置及终端设备 | |
| CN118052142A (zh) | 光伏阵列的故障处理方法、装置、设备、介质及程序产品 | |
| CN111930681B (zh) | 一种计算装置及相关产品 | |
| CN110007371A (zh) | 风速预测方法及装置 | |
| CN116632833A (zh) | 电力系统的峰谷时段的确定方法和确定装置 | |
| CN104484627A (zh) | 面向可重构阵列架构的随机化抗故障攻击措施的设计方法 | |
| CN108234213B (zh) | 一种片上网络结构级的软错误在线评估方法 | |
| CN103293373B (zh) | 电能计量装置及其电能计量芯片 | |
| CN113516521B (zh) | 能源互联网用户用能数据预测方法及系统 | |
| CN104063255A (zh) | 基于序列运算的并网型微网经济运行方法 | |
| CN113962495A (zh) | 一种风电场功率预测方法、装置及电子设备 | |
| US7346868B2 (en) | Method and system for evaluating design costs of an integrated circuit | |
| Mares et al. | Stochastic modeling of the connection between sea level pressure and discharge in the Danube lower basin by means of Hidden Markov Model |
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 |