CN110276539A - 能源运输模型的建立方法及求解方法、装置 - Google Patents
能源运输模型的建立方法及求解方法、装置 Download PDFInfo
- Publication number
- CN110276539A CN110276539A CN201910508642.5A CN201910508642A CN110276539A CN 110276539 A CN110276539 A CN 110276539A CN 201910508642 A CN201910508642 A CN 201910508642A CN 110276539 A CN110276539 A CN 110276539A
- Authority
- CN
- China
- Prior art keywords
- energy
- transportation
- transport
- matrix
- transportation cost
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 230000032258 transport Effects 0.000 claims description 131
- 230000037361 pathway Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000002457 bidirectional effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G06Q50/40—
Abstract
本发明公开了一种能源运输模型的建立方法,包括:获取能源运输网络中各能源运输组件的能源运输数据;基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量;根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。通过数学建模,建立起能源生产厂、能源中转站、能源用户相关联的图网络模型,以建立能源生产厂、能源中转站、能源用户的运输关系路径,且通过模型求解,确定出运输成本较小或者最小的能源运输路径,以实现运输成本最小化,提高能源销售利润。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种能源运输模型的建立方法及求解方法、装置。
背景技术
泛能网络中,能源生产厂、能源用户分布在多个不同的地理位置。在将能源从能源生产厂输送至能源用户的过程中,可以采用不同的路径,例如,管道、限行公路、铁路等。在能源输送的过程中,有可能需要在中转点进行中转分配,或者更换运输方式。
而能源在输送过程中,由于各种输送路径的环境因素、天气因素、人为因素等,造成运输成本很难预估,或者成本较大。因此,需要一种能够控制运输成本、降低运输成本的方案。
在本发明中,通过数学建模,建立起能源生产厂、能源中转站、能源用户的图网络模型G(V,E),提供一种实现运输成本最小化的启发式搜索求解方案,以运用到能源运输中,将能源利润最大化。
发明内容
本发明提供一种能源运输模型的建立方法及求解方法、装置,通过数学建模,建立起能源生产、能源中转站、能源用户的图网络模型,以实现运输成本最小化,提高能源销售利润。
第一方面,本发明提供了一种能源运输模型的建立方法,所述方法包括:
获取能源运输网络中各能源运输组件的能源运输数据,所述能源运输数据包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,所述运输组件包括能源生产厂、能源中转站和能源用户;
基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量;
根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
优选地,
所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量,在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;
以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
优选地,所述能源包括多种能源类型时,所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量中的各个元素采用数组表示。
第二方面,本发明还一种能源运输模型的求解方法,所述方法包括:
采用快速探索随机树算法从能源运输的图网络模型中的探索得到多条能源运输路径;
基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新所述图网络模型;
针对更新后的图网络模型,迭代计算目前最优规划方案的适应值;
根据预设终止条件停止所述迭代计算,以确定所述目前最优规划方案的适应值的终值。
优选地,
所述基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径包括:
比较所述多条能源运输路径的运输成本,确定至少一条所述运输成本最大的能源运输路径;
确定至少一条所述运输成本最大的能源运输路径的两端的运输组件;
确定所述两端的运输组件的领域中,比所述运输成本最大的能源运输路径的运输成本较小的能源运输路径;
删除所述运输成本最大的能源运输路径,以及插入所述运输成本较小的能源运输路径。
优选地,所述运输成本较小的能源运输路径的运输需求与所述删除的运输成本最大的能源运输路径的运输需求相同。
优选地,所述预设终止条件包括:
所述迭代计算的次数等于次数阈值,或者
在所述迭代计算中,相邻两次迭代计算的所述目前最优规划方案的适应值的差值小于变化阈值。
第三方面,本发明还提供一种能源运输模型的建立装置,所述装置包括:
获取模块,用于获取能源运输网络中各能源运输组件的能源运输数据,所述能源运输数据包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,所述运输组件包括能源生产厂、能源中转站和能源用户;
矩阵生成模块,用于基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量;
模型建立模块,用于根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
优选地,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量。
优选地,能源运输成本矩阵和能源运输容量矩阵中的矩阵元素是向量,在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;
以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
第四方面,本发明还提供一种能源运输模型的求解装置,所述装置包括:
路径探索模块,用于采用快速探索随机树算法从能源运输的图网络模型中的探索得到多条能源运输路径;
路径处理模块,用于基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新所述图网络模型;
迭代模块,用于针对更新后的图网络模型,迭代计算目前最优规划方案的适应值;
终止模块,用于根据预设终止条件停止所述迭代计算,以确定所述目前最优规划方案的适应值的终值。
本发明提供了一种能源运输模型的建立方法及求解方法、装置,通过数学建模,建立起能源生产厂、能源中转站、能源用户相关联的图网络模型,以建立能源生产厂、能源中转站、能源用户的运输关系路径,且通过模型求解,确定出运输成本较小或者最小的能源运输路径,以实现运输成本最小化,提高能源销售利润。
附图说明
为了更清楚地说明本说明书实施例或现有的技术方案,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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的能源运输的图模型的示意图;
图2为本发明一实施例提供的一种能源运输模型的建立方法的流程示意图;
图3为本发明一实施例提供的一种能源运输模型的求解方法的流程示意图;
图4为本发明一实施例提供的一种能源运输模型的建立装置的结构示意图;
图5为本发明一实施例提供的一种能源运输模型的求解装置的结构示意图;
图6为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、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说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
图1为本发明一实施例提供的能源运输的图模型的示意图。
如图1所示,本发明实施例提供了一种能源运输的图模型可以包括有能源生产厂、能源中转站、能源用户、单向运输通路和双向运输通路。其中,
能源生产厂:整个系统的能源供给源头,地理位置固定,拥有固定的经纬度信息。通常通过单向运输通道把能源输送到能源中转站或者直接输送到用户。能源生产厂也可以有能源中转站的功能属性。
能源中转站:能源的输送中转,地理位置固定,拥有固定的经纬度信息。接受来自能源生产厂或者能源用户的能源,通过单向或者双向运输通道,把能源输送到其他中转站或者能源用户。
能源用户:系统中消耗能源的组件,通过单向或者双向运输通道接受来自能源生产厂、能源中转站或者路过其他能源用户的能源。同时也可以通过单向或者双向运输通道和其他用户或者能源中转站相连通,把路过自己的能源输送给连通的组件。
单向运输通路:能源可以在该通路上单向运输,可以是铁路、公路、管道等。每一段通路的运输成本不同,两个其他组件之间,也可以有多种类型运输通路(铁路、公路、管道)。
双向运输通路:能源可以在该通路上双向运输,可以是铁路、公路、管道等。每一段通路的运输成本不同,两个其他组件之间,也可以有多种类型运输通路(铁路、公路、管道)。
基于图1中示意的图模型,下面结合图2对本发明提供的能源运输模型的建立方法进行描述。
图2为本发明一实施例提供的一种能源运输模型的建立方法的流程示意图。
如图2所示,一种能源运输模型的建立方法,可以包括如下步骤:
步骤210,获取能源运输网络中各能源运输组件的能源运输数据。
在本发明实施例中,可以通过数据采集系统获取能源运输网络中各能源运输组件的能源运输数据等,例如可以从SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)系统中获取本发明实施例的能源运输数据和运输组件。当然,本发明不限于SCADA系统,也可以从其他一些数据采集、存储的系统或者装置中获取,本发明在此不做限制。
在本发明实施例中,能源运输数据可以包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,以及运输组件包括能源生产厂、能源中转站和能源用户。在泛能网络中,能源生产厂、能源用户分布都在多个不同的地理位置。
步骤220,基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量。
其中,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量,如果矩阵元素为向量,则在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
示例性地,用矩阵A表示图G(V,E)中各边的运输成本
矩阵中元素aij,i=1....n,j=1...m,表示第i个模型组件和第j个模型组件的单位运输成本。
aij可以是数值,也可以是向量,如果是向量则表示组件i和组件j之间多种类型的运输通路的成本。
用矩阵B表示图G(V,E)各边的容量;
矩阵中元素bij,i=1....n,j=1...m,表示模型组件i和模型组件j之间的能源运输容量。
bij可以是数值,也可以是向量,如果是向量则表示组件i和组件j之间多种类型的运输通路的容量。
用向量S表示能源生产厂的销售输出量:S=[s0,s1,...,sF]其中F表示能源生产厂的总量。
用向量T表示能源中转站的中值容量:T=[t0,t1,...,tK],其中K表示能源中转站的总量。
用向量D表示能源用户的购买输入量:D=[d0,d1,...,dL],其中L表示能源用户的总量。
在另一些实施例中,如果是多种能源类型(冷、热、电、天然气等),上述数据A中的aij、B中的bij、S中的元素、T中的元素、D中的元素,它们的数值元素,可以相应使用数组表示。
步骤230,根据能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
在本发明一实施例中,能源包括多种能源类型时,例如,冷、热、电和/或者天然气等等,能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量中的各个元素采用数组表示。
图3为本发明一实施例提供的一种能源运输模型的求解方法的流程示意图。
如图3所示,一种能源运输模型的求解方法可以包括如下步骤:
步骤310,采用快速探索随机树算法从能源运输的图网络模型中的探索得到多条能源运输路径。
步骤320,基于多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新图网络模型。
步骤330,针对更新后的图网络模型,迭代计算目前最优规划方案的适应值。
步骤340,根据预设终止条件停止迭代计算,以确定目前最优规划方案的适应值的终值。
下面结合示例进行说明。
第1步,初始化K条运输路径。
假设泛能网络的运力总能满足能源用户的能源输入运输需求;从每个能源用户Dl出发,利用RRT(快速探索随机树)算法,探索K条路径。
每条路径从Dl出发时,携带购买输入量dl,寻找运输成本最低同时有未使用路径容量的相邻组件,如果该相邻组件是能源生产厂Sf,且该能源生产厂Sf能够满足该路径的能源购买量则停止,否则把该组件置为起点,重新开始探索。
定义目标函数:
C矩阵定义上述K条路径中已经使用的运力容量:
其中cij≤bij i=1....n,j=1...m,
f=∑aij*cij i=1....n,j=1...m
f*表示目前最优规划方案的适应值,同时利用C*存储目前最优的规划方案,初始设f*=f,C*=C。
第2步,进行运输路径删除和插入。
从图模型G中搜索运输成本较大的路径,随机删去某一个运输路径,在路径两端的组件相连的邻域中,用成本较小的运输路径替代,也即插入运输路径。
运输路径替代的前提是:确保新的运输路径能够满足原运输路径中的运输需求,更新C。
第3步,路径替代后的网络,计算f值,并做判断
如果f<f*,则更新f*和C*:
f*=f,C*=C
同时把此运输路径作为新的探索起点;
如果f<f*±δ,则定义新的运输路径为可接受的,也即,下一步从该运输路径开始搜索,但是不更新f*和C*,其中δ作为f*的邻域,参考取值为δ=0.001*f*,系数0.001可以根据实际数据训练调整。
第4步,确定算法是否终止。
依据下述判定条件:判断算法是否终止,若不满足条件则跳转到第2步,继续迭代。
条件一:算法迭代次数阈值P,P需要根据实际的物理场景和数据训练得到。
条件二:算法经历Q次迭代之后,f*的变化值Δf*<ε,ε为变化阈值,Q为连续迭代次数阈值,都需要根据实际的物理场景训练所得。
需要说明的是,能源的输送有不同的路径,比如管道、限行公路、铁路等。在输送的过程中,有可能在某些中转点进行中转分配,或者更换运输方式。
本发明提供了一种能源运输模型的建立方法及求解方法,通过数学建模,建立起能源生产厂、能源中转站、能源用户相关联的图网络模型,以建立能源生产厂、能源中转站、能源用户的运输关系路径,且通过模型求解,确定出运输成本较小或者最小的能源运输路径,以实现运输成本最小化,提高能源销售利润。
图4为本发明一实施例提供的一种能源运输模型的建立装置的结构示意图。
如图4所示,本发明实施例的能源运输模型的建立装置,所述装置可以包括:
获取模块410,用于获取能源运输网络中各能源运输组件的能源运输数据,所述能源运输数据包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,所述运输组件包括能源生产厂、能源中转站和能源用户。
矩阵生成模块420,用于基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量。
模型建立模块430,用于根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
其中,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量。能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为向量,在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
图5为本发明一实施例提供的一种能源运输模型的求解装置的结构示意图。
如图5所示,本发明的一种能源运输模型的求解装置,所述装置可以包括:
路径探索模块510,用于采用快速探索随机树算法从能源运输的图网络模型中的探索得到多条能源运输路径;
路径处理模块520,用于基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新所述图网络模型;
迭代模块530,用于针对更新后的图网络模型,迭代计算目前最优规划方案的适应值;
终止模块540,用于根据预设终止条件停止所述迭代计算,以确定所述目前最优规划方案的适应值的终值。
本发明提供了一种能源运输模型的建立装置及求解装置,通过数学建模,建立起能源生产厂、能源中转站、能源用户相关联的图网络模型,以建立能源生产厂、能源中转站、能源用户的运输关系路径,且通过模型求解,确定出运输成本较小或者最小的能源运输路径,以实现运输成本最小化,提高能源销售利润。
图6是本说明书的一个实施例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 Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,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6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,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
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计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成能源运输模型的建立和求解装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的能源运输模型的建立和求解方法。
上述如本说明书图6所示实施例提供的能源运输模型的建立和求解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说明书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。
结合本说明书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。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的能源运输模型的建立和求解方法,并具体用于执行如图2和/或如图3所示的方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本说明书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。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种能源运输模型的建立方法,其特征在于,所述方法包括:
获取能源运输网络中各能源运输组件的能源运输数据,所述能源运输数据包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,所述运输组件包括能源生产厂、能源中转站和能源用户;
基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量;
根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
2.根据权利要求1所述的方法,其特征在于,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量。
3.根据权利要求1所述的方法,其特征在于,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为向量,
在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;
以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
4.一种权利要求1所述的能源运输模型的求解方法,其特征在于,所述方法包括:
采用快速探索随机树算法从所述能源运输的图网络模型中的探索得到多条能源运输路径;
基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新所述图网络模型;
针对更新后的图网络模型,迭代计算目前最优规划方案的适应值;
根据预设终止条件停止所述迭代计算,以确定所述目前最优规划方案的适应值的终值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径包括:
比较所述多条能源运输路径的运输成本,确定至少一条所述运输成本最大的能源运输路径;
确定至少一条所述运输成本最大的能源运输路径的两端的运输组件;
确定所述两端的运输组件的领域中,比所述运输成本最大的能源运输路径的运输成本较小的能源运输路径;
删除所述运输成本最大的能源运输路径,以及插入所述运输成本较小的能源运输路径。
6.根据所述权利要求4或5所述的方法,其特征在于,所述运输成本较小的能源运输路径的运输需求与所述删除的运输成本最大的能源运输路径的运输需求相同。
7.根据权利要求4所述的方法,其特征在于,所述预设终止条件包括:
所述迭代计算的次数等于次数阈值,或者
在所述迭代计算中,相邻两次迭代计算的所述目前最优规划方案的适应值的差值小于变化阈值。
8.一种能源运输模型的建立装置,其特征在于,所述装置包括:
获取模块,用于获取能源运输网络中各能源运输组件的能源运输数据,所述能源运输数据包括能源运输成本、能源运输容量、能源销售输出量、能源中转站的中值容量和购买输入量,所述运输组件包括能源生产厂、能源中转站和能源用户;
矩阵生成模块,用于基于各运输组件的能源运输数据,分别生成对应的能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量;
模型建立模块,用于根据所述能源运输成本矩阵、能源运输容量矩阵、能源销售输出量向量、能源中转站的中值容量向量和购买输入量向量建立能源运输的图网络模型。
9.根据权利要求8所述的装置,其特征在于,所述能源运输成本矩阵和能源运输容量矩阵中的矩阵元素为数值或者是向量。
10.根据权利要求8所述的装置,其特征在于,所述能源运输晨报矩阵和能源运输容量矩阵中的矩阵元素为向量,在所述能源运输成本矩阵该向量表示任意两个运输组件之间多种运输通路的成本;
以及,在所述能源运输容量矩阵中该向量表示任意两个运输组件之间的运输通路容量。
11.一种能源运输模型的求解装置,其特征在于,所述装置包括:
路径探索模块,用于采用快速探索随机树算法从能源运输的图网络模型中的探索得到多条能源运输路径;
路径处理模块,用于基于所述多条能源运输路径的运输成本,删除任一条运输成本最大的能源运输路径,及插入较该运输成本最大的能源运输路径的运输成本较小的能源运输路径,以更新所述图网络模型;
迭代模块,用于针对更新后的图网络模型,迭代计算目前最优规划方案的适应值;
终止模块,用于根据预设终止条件停止所述迭代计算,以确定所述目前最优规划方案的适应值的终值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508642.5A CN110276539A (zh) | 2019-06-13 | 2019-06-13 | 能源运输模型的建立方法及求解方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508642.5A CN110276539A (zh) | 2019-06-13 | 2019-06-13 | 能源运输模型的建立方法及求解方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276539A true CN110276539A (zh) | 2019-09-24 |
Family
ID=67960777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910508642.5A Pending CN110276539A (zh) | 2019-06-13 | 2019-06-13 | 能源运输模型的建立方法及求解方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276539A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393055A (zh) * | 2021-07-05 | 2021-09-14 | 苏州清研捷运信息科技有限公司 | 一种货车导航沿途限行数据的预处理及使用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108855A (zh) * | 2018-01-11 | 2018-06-01 | 南京航空航天大学 | 一种输送线路径规划方法 |
CN109374006A (zh) * | 2018-12-06 | 2019-02-22 | 兰州交通大学 | 多目标的危险品道路运输路径规划方法 |
US20190149945A1 (en) * | 2015-07-10 | 2019-05-16 | Uber Technologies, Inc. | Selecting a messaging protocol for transmitting data in connection with a location-based service |
US20190172351A1 (en) * | 2007-02-12 | 2019-06-06 | Carma Technology Limited | Displaying transportation modes and information on a map |
CN109858739A (zh) * | 2018-12-20 | 2019-06-07 | 电子科技大学中山学院 | 物流运输调度方法、计算机存储介质及电子设备 |
-
2019
- 2019-06-13 CN CN201910508642.5A patent/CN110276539A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190172351A1 (en) * | 2007-02-12 | 2019-06-06 | Carma Technology Limited | Displaying transportation modes and information on a map |
US20190149945A1 (en) * | 2015-07-10 | 2019-05-16 | Uber Technologies, Inc. | Selecting a messaging protocol for transmitting data in connection with a location-based service |
CN108108855A (zh) * | 2018-01-11 | 2018-06-01 | 南京航空航天大学 | 一种输送线路径规划方法 |
CN109374006A (zh) * | 2018-12-06 | 2019-02-22 | 兰州交通大学 | 多目标的危险品道路运输路径规划方法 |
CN109858739A (zh) * | 2018-12-20 | 2019-06-07 | 电子科技大学中山学院 | 物流运输调度方法、计算机存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
深圳百科全书编委会: "《深圳百科全书》", 31 January 2010 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393055A (zh) * | 2021-07-05 | 2021-09-14 | 苏州清研捷运信息科技有限公司 | 一种货车导航沿途限行数据的预处理及使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416787B2 (en) | Parallel processing for solution space partitions | |
CN105335409B (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
CN109934706A (zh) | 一种基于图结构模型的交易风险控制方法、装置以及设备 | |
JP5859606B2 (ja) | オンライン商取引プラットフォームにおける広告ソースおよびキーワードセットの適合 | |
Lu et al. | Show me the money: Dynamic recommendations for revenue maximization | |
CN102541899B (zh) | 一种信息识别方法及设备 | |
CN107993146A (zh) | 金融大数据的风控方法及系统 | |
CN109345389A (zh) | 一种资源分享方法、装置及设备 | |
CN109784599A (zh) | 一种模型训练、风险识别的方法、装置及设备 | |
CN110599307A (zh) | 一种商品推荐的方法及装置 | |
CN108734469A (zh) | 确定待定用户风险标签的方法和装置 | |
CN109298926A (zh) | 资源转移方入驻资源转移平台的方法、装置及电子设备 | |
AU2016333979A1 (en) | Parallel processing for solution space partitions | |
CN111104599A (zh) | 用于输出信息的方法和装置 | |
CN109064217A (zh) | 基于用户等级的核身策略确定方法、装置及电子设备 | |
CN109492891A (zh) | 用户流失预测方法及装置 | |
CN109255073A (zh) | 一种个性化推荐方法、装置及电子设备 | |
CN110276539A (zh) | 能源运输模型的建立方法及求解方法、装置 | |
CN113269232B (zh) | 模型训练方法、向量化召回方法、相关设备及存储介质 | |
CN110310082A (zh) | 一种企业线上面签方法及装置 | |
CN107133163A (zh) | 一种验证描述类api的方法与设备 | |
CN110472143A (zh) | 一种信息推送方法、装置、可读存储介质及终端设备 | |
CN109598478A (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
CN109063967A (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
CN108364226A (zh) | 识别可信交易的方法和装置 |
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: 20190924 |
|
RJ01 | Rejection of invention patent application after publication |