CN112598313A - 基于天牛须搜索算法的用电调度方法、装置和计算机设备 - Google Patents
基于天牛须搜索算法的用电调度方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112598313A CN112598313A CN202011607805.4A CN202011607805A CN112598313A CN 112598313 A CN112598313 A CN 112598313A CN 202011607805 A CN202011607805 A CN 202011607805A CN 112598313 A CN112598313 A CN 112598313A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- power utilization
- longicorn
- position information
- group
- 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
- 241001481710 Cerambycidae Species 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010845 search algorithm Methods 0.000 title claims abstract description 41
- 230000005611 electricity Effects 0.000 title claims description 45
- 238000004146 energy storage Methods 0.000 claims abstract description 90
- 230000003044 adaptive effect Effects 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 13
- 241000254173 Coleoptera Species 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004209 hair Anatomy 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- 244000144980 herd Species 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于天牛须搜索算法的用电调度方法、装置和计算机设备,包括:根据调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,根据天牛须搜索算法,对多组用电调度方案进行更新,根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,实现了用户灵活用电和电网企业有序用电的平衡,并且,根据天牛须搜索算法进行用电调度方案的更新,能够实时快速地获取到最优的用电调度方案,精准有效实现用电调度。
Description
技术领域
本申请涉及用电调度技术领域,特别是涉及一种基于天牛须搜索算法的用电调度方法、装置、计算机设备和存储介质。
背景技术
随着电力需求的不断增大和电力市场改革的不断深化,基于有序用电的管理模式,逐渐被电网企业采用。
在现有技术中,有序用电的管理模式主要通过限制用户在某个时间段上的用电负荷实现,例如通过强行限制或者通过电价激励政策让用户自主限制。然而,通过强制或电价激励限制用电设备在某个时段内的工作状态以减少用电量,参与电网削峰填谷的管理模式,难以在用户灵活用电和电网企业有序用电的需求之间,取得平衡。
发明内容
基于此,有必要针对上述技术问题,提供一种基于天牛须搜索算法的用电调度方法、装置、计算机设备和存储介质。
一种基于天牛须搜索算法的用电调度方法,所述方法包括:
确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
根据天牛须搜索算法,对多组用电调度方案进行更新;
根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
可选地,所述根据更新后的每组电负荷调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,包括:
根据更新后的每组用电调度方案,确定该用电调度方案中,每个调度子时段多个储能设备对应的用电负荷总和;
针对每个调度子时段,确定用电负荷总和所属的用电负荷区间,并根据所述用电负荷区间对应的用电成本,确定该调度子时段对应的用电成本;
根据各个调度子时段对应的用电成本,确定每组用电调度方案的用电成本;
根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,并根据每组用电调度方案用电成本和峰平比的和,得到每组用电调度方案的调度结果。
可选地,所述根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,包括:
针对每组用电调度方案,根据多个调度子时段各自对应的用电负荷总和,确定用电负荷峰值和用电负荷平均值;
根据所述用电负荷峰值和用电负荷平均值的比值,确定每组用电调度方案对应的峰平比。
可选地,所述根据天牛须搜索算法,对多组用电调度方案进行更新,包括:
根据多组用电调度方案,确定多个天牛对应的位置信息;其中,每个天牛的位置信息对应一组用电调度方案,位置信息中的各个分量与用电调度方案中每个储能设备各个调度子时段的用电负荷对应;
根据每个天牛的位置信息和预设的适应值函数,确定每个天牛对应的适应值;所述适应值函数为用电成本和峰平比之和;
根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息;
针对每个天牛,根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,并根据所述更新速度对位置信息进行更新;
根据每个天牛当前的位置信息,得到更新后的多组用电调度方案。
可选地,所述根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息,包括:
获取历史群体最优位置信息对应的第一历史适应值,并比较所述第一历史适应值和各个天牛当前的适应值,将最大的适应值所对应的位置信息作为群体最优位置信息;
以及,
获取每个天牛的历史个体最优位置信息对应的第二历史适应值;
针对每个天牛,从该天牛对应的第二历史适应值和当前的适应值中,确定最大的适应值,并将最大的适应值所对应的位置信息,作为该天牛的个体最优位置信息。
可选地,所述根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,包括:
获取缩放因子;
针对每个天牛,获取所述群体最优位置信息和该天牛个体最优位置信息之差的范数,并根据所述范数和所述缩放因子的乘积,确定天牛左须与天牛右须的距离;
所述根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,包括:
获取预设的速度更新函数,所述速度更新函数与所述距离、群体最优位置信息和个体最优位置信息关联;
根据所述速度更新函数、距离、群体最优位置信息和个体最优位置信息,确定更新速度;
其中,所述速度更新函数为:
其中,ω为惯性权重,c1,c2为学习因子,为更新速度,为初始速度,为天牛随机生成的标准化方向向量,di k为天牛左须与天牛右须的距离,为第k次更新时的天牛左须质心坐标,为第k次更新时的天牛右须质心坐标,为天牛左须质心坐标对应的适应值,为天牛右须质心坐标对应的适应值,为第k次更新时的个体最优位置信息,为第k次更新时的群体最优位置信息,为天牛当前的位置信息,矩阵点乘表示同型矩阵对应元素相乘。
可选地,在所述根据各个天牛当前的适应值,确定群体最优位置信息的步骤之后,所述方法还包括:
确定当前变异概率,并在所述当前变异概率大于概率阈值时,从所述群体最优位置信息的多个分量中,选择预设数量的分量进行更新;
所述分量的更新方式如下:
pgk t+1=pgk t×(1+Arandn)
其中,A为扰动幅值,randn为服从标准正态分布的随机变量。
一种基于天牛须搜索算法的用电调度装置,所述装置包括:
调度条件获取模块,用于确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
用电调度方案获取模块,用于根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
用电调度方案更新模块,用于根据天牛须搜索算法,对多组用电调度方案进行更新;
调度结果确定模块,用于根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
目标用电调度方案确定模块,用于从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
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上任一项所述方法的步骤。
上述一种基于天牛须搜索算法的用电调度方法、装置、计算机设备和存储介质,通过确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量,根据调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,并根据天牛须搜索算法,对多组用电调度方案进行更新,根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,进而可以从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,实现了用户灵活用电和电网企业有序用电的平衡,通过向储能设备发送对应的用电调度指令,可以在用电高峰时由储能设备向其他用电设备供电,减少电力系统向用电设备输送的电量,在用电低谷时可以提前储备电能,在保证用电灵活性的同时,可以达到削峰填谷的效果,并且,根据天牛须搜索算法进行用电调度方案的更新,能够实时快速地获取到最优的用电调度方案,实现精准有效用电调度。
附图说明
图1为一个实施例中一种基于天牛须搜索算法的用电调度方法的应用环境图;
图2为一个实施例中一种基于天牛须搜索算法的用电调度方法的流程示意图;
图3为一个实施例中用电调度结果确定步骤的流程示意图;
图4为一个实施例中峰平比确定步骤的流程示意图;
图5为一个实施例中一种基于天牛须搜索算法的用电调度装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种基于天牛须搜索算法的用电调度方法,可以应用于如图1所示的应用环境中,在该应用环境中,可以包括用电调度系统以及多个用电单位。用电调度系统可以用独立的服务器或者是多个服务器组成的服务器集群来实现;用电单位可以是进行用电计量的单位,如针对电网中的用户,每个用户可以对应一用电单位,或者,用电单位也可以是具有储能设备的用电设备。
其中,用电调度系统可以与多个用电单位连接,每个用电单位可以对应一个或多个用电负荷,在一个或多个用电负荷中,包括与用电负荷调度系统通信的储能设备。该储能设备也可以称为受控负荷,用电调度系统可以通过网络向储能设备发送用电调度指令,指示储能设备蓄电或放电。
在一个实施例中,如图2所示,提供了一种基于天牛须搜索算法的用电调度方法,以该方法应用于图1中的用电调度系统为例进行说明,可以包括以下步骤:
步骤201,确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段。
在本实施例中,用电调度系统可以确定多个用电单位对应的储能储备,并确定每个储能设备对应的调度负荷范围、调度时段和调度负荷总量。
其中,调度时段可以是用电调度系统可对储能设备进行用电负荷调度的时间范围,在每个调度时段中,可以包括一个或多个调度子时段,用电调度系统可以在调度时段内的任一个或多个调度子时段中,对储能设备进行用电调度。
具体而言,由于每个储能设备并不必然在某个完整的小时段工作,为了数据处理结果的可靠性,可以将每个小时等分成多个相等的调度子时段ΔT,则每一小时可以通过下式进行时段划分:
其中,L为一小时内调度子时段对应的数量,L可以为整数,则一天内从0:00至24:00可以划分为H个调度子时段,H=24L,记作M={1,2,…,H}。相应地,储能设备在调度子时段i∈M上面的用电负荷可以记为调度时段可以通过调度开始时间段is,j和调度结束时间段ie,j确定,以调度开始时间段为起点,调度结束时间段为终点的时间段,即调度时间段。
调度负荷范围为储能设备在每个调度子时段内可被调度的用电负荷范围,可以包括充电范围和放电范围,用电负荷范围也可以称为储能设备的负荷范围,针对储能设备的用电负荷其对应的用电负荷范围可以记为当用电负荷为负值,表示储能设备处于放电状态。
步骤202,根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷。
在确定每个用电储能设备的调度负荷范围、调度时段和调度负荷总量后,用掉调度系统可以根据上述信息,生成多组用电调度方案,在每组用电调度方案中,可以包括每个储能设备在各个调度子时段对应的用电负荷。
针对每个储能设备,在得到对应的调度时间范围后,可以确定该调度时间范围内的一个或多个调度子时段,并根据调度负荷范围和调度负荷总量,分配每个调度子时段对应的用电负荷,各个调度子时段用电负荷的总和即为调度负荷总量。进而可以根据各个储能设备在各个调度子时段中的用电负荷,得到一组用电调度方案,通过改变一个或多个储能设备在各个调度子时段内的用电负荷,可以得到多组用电调度方案。
步骤203,根据天牛须搜索算法,对多组用电调度方案进行更新。
在获取到初始化的用电调度方案后,可以根据天牛须搜索算法,分别对各组用电调度方案进行更新。
天牛须搜索算法(Beetle Antennae Search,BAS),也可以称为甲壳虫须搜索算法,其对应的生物原理为:当天牛觅食时,天牛并不知道实物在哪里,而是根据食物气味的强弱来觅食。天牛有两只触角(也称为天牛须),如果左边触角收到的气味强度比右边大,那下一步天牛就往左飞,否则就往右飞,通过该方法可以有效找到食物。
步骤204,根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果。
在对多组用电调度方案进行更新后,针对更新后的每组用电调度方案,可以从用电调度方案中,确定出各个调度子时段储能设备对应的用电负荷,根据多个用电负荷,确定每个调度子时段对应的用电成本和峰平比,并获取该调度子时段用电成本和峰平比之和。进而可以将各个调度子时段对应的用电成本和峰平比之和,确定为每组用电调度方案的调度结果。
步骤205,从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
作为一示例,调度结果最优可以是指用电成本和峰平比之和最小。
在具体实现中,针对更新后的多组用电调度方案,在确定每组用电调度方案对应的调度结果后,可以对多个调度结果进行比较,并从多组用电调度方案中,将对应调度结果最优的用电调度方案,确定为目标用电调度方案。
在获取到目标用电调度方案后,则可以根据目标用电调度方案中各个储能设备在不同调度子时段内的用电负荷,分别对多个用电单位对应的储能设备进行用电负荷调度,其中,用电负荷调度可以包括向储能设备发送储能指令,以指示储能设备进行储能,或者,也可以向储能设备发送供电指令,指示储能设备向同一用电单位中的其他用电负荷供电。
在本实施例中,通过确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量,根据调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,并根据天牛须搜索算法,对多组用电调度方案进行更新,根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,进而可以从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,实现了用户灵活用电和电网企业有序用电的平衡,通过向储能设备发送对应的用电调度指令,可以在用电高峰时由储能设备向其他用电设备供电,减少电力系统向用电设备输送的电量,在用电低谷时可以提前储备电能,在保证用电灵活性的同时,可以达到削峰填谷的效果,并且,根据天牛须搜索算法进行用电调度方案的更新,能够实时快速地获取到最优的用电调度方案,精准有效实现用电调度。
在一个实施例中,在所述从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案的步骤之前,还可以确定当前用电调度方案的更新次数,并判断更新次数是否达到预设阈值。
若达到预设阈值,则可以基于当前更新的多组用电调度方案,确定出调度结果最优的目标用电调度方案,进而可以根据目标用电调度方案中的各个储能设备在各个调度子时段中的用电负荷,分别对多个用电点位对应的储能设备进行用电负荷调度。若未达到预设阈值,则可以返回步骤203,继续对多组用电调度方案进行更新,直到更新次数达到预设阈值。
在一个实施例仲,所述根据更新后的每组电负荷调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,可以包括如下步骤:
步骤301,根据更新后的每组用电调度方案,确定该用电调度方案中,每个调度子时段多个储能设备对应的用电负荷总和。
在实际应用中,在对多组用电调度方案进行更新后,针对更新后每组用电调度方案,可以根据用电调度方案中每个储能设备在各个调度子时段对应的用电负荷,确定该用电调度方案中,每个调度子时段内,与多个储能设备对应的用电负荷总和。
例如,可以将所有储能设备记作集合Γ={1,2,…,N},任意一个储能设备j∈Γ,在时间段i∈M中,其对应的用电负荷总和可通过下式确定:
步骤302,针对每个调度子时段,确定用电负荷总和所属的用电负荷区间,并根据所述用电负荷区间对应的用电成本,确定该调度子时段对应的用电成本。
在确定各个调度子时段对应的用电负荷总和后,可以确定每个调度子时段其对应的用电负荷总和所属的用电负荷区间,进而可以根据该用电负荷区间所对应的用电成本,确定该调度子时段对应的用电成本。
具体的,用电负荷区间可以包括用电价格对应的第一用电负荷区间,以及用电补贴对应的第二用电负荷区间,用电成本可以包括用电价格和电价补贴。在确定用电负荷总和后,可以确定用电负荷总和所属的第一用电负荷区间,并根据第一用电负荷区间对应的函数确定用电价格,以及,确定用电负荷总和所属的第二用电负荷区间,并根据第二用电负荷区间对应的函数确定电价补贴,并根据用电价格和电价补贴,确定调度子时段对应的用电成本。
针对用电价格对应的第一用电负荷区间,不同的第一用电负荷区间可以对应不同的用电价格,总的用电价格可以根据当前用电负荷总和来分段确定,当用电负荷总和不超过基本负荷时,电费价格相对较低,当用电负荷总和超过基本负荷时,采用高电价。在一个示例中,可以采用如下所示的分段函数,确定用电价格:
针对电价补贴对应的第二用电负荷区间,在不同的第二用电负荷区间可以对应不同的电价补贴。在实际应用中,为解决供电不足问题,可以鼓励用户通过储能设备在负荷峰值期间进行放电,缓解用电紧张。基于此,可以通过如下所示的分段函数,确定用电负荷总和所属的第二用电负荷区间,并根据第二用电负荷区间对应的函数确定电价补贴:
步骤303,根据各个调度子时段对应的用电成本,确定每组用电调度方案的用电成本。
在确定出每组用电调度方案各个调度子时段对应的用电成本后,可以基于各个调度子时段对应的用电成本,确定每组用电调度方案的用电成本,具体的,可以对各个调度子时段对应的用电成本求和,并将计算结果作为用电调度方案的用电成本。
步骤304,根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,并根据每组用电调度方案用电成本和峰平比的和,得到每组用电调度方案的调度结果。
作为一示例,峰平比可以是预设时间内用电负荷峰值与用电负荷平均值的比值。
在具体实现中,在获取到多个调度子时段各自对应的用电负荷总和后,可以根据各个用电负荷总和确定对应用电调度方案对应的峰平比,在得到峰平比后,可以对每组用电调度方案的用电成本和峰平比求和,并将求和结果确定为对应用电调度方案的调度结果。
在本实施例中,通过根据每组用电调度方案用电成本和峰平比的和,得到每组用电调度方案的调度结果,调度结果可以反映用电成本和电网系统的峰平比,进而可以基于该调度结果进行用电调度方案的优化,使得在确定出具有最优调度结果的用电调度方案时,在用户用电成本和供电企业削峰填谷之间取得平衡。
在一个实施例中,如图4所示,所述根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,可以包括如下步骤:
步骤401,针对每组用电调度方案,根据多个调度子时段各自对应的用电负荷总和,确定用电负荷峰值和用电负荷平均值。
在具体实现中,针对每组用电调度方案,可以获取各个调度子时段用电负荷总和对应的平均值,具体可以通过如下公式确定平均值:
步骤402,根据所述用电负荷峰值和用电负荷平均值的比值,确定每组用电调度方案对应的峰平比。
PAR=Lpeak/Lavg
在本实施例中,可以根据用电负荷峰值和用电负荷平均值的比值,确定每组用电调度方案对应的峰平比,为后续调度结果反映用电成本和电网系统的峰平比提供数据基础。
在一个实施例中,从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,可以是用电成本和峰平比之和最小的用电调度方案,即优化目标函数可以是:
在上述目标优化函数中含有最大值函数,为便于求取最优值,可以增加变量ρ,该目标优化函数对应的约束条件包括:
最终约束条件为:Ω1∩Ω2
在一个实施例中,所述根据天牛须搜索算法,对多组用电调度方案进行更新,可以包括如下步骤:
步骤501,根据多组用电调度方案,确定多个天牛对应的位置信息;其中,每个天牛的位置信息对应一组用电调度方案,位置信息中的各个分量与用电调度方案中每个储能设备各个调度子时段的用电负荷对应。
在实际应用中,在确定出多组用电调度方案后,可以基于多组用电调度方案,生成多个天牛各自对应的位置信息。具体而言,针对每组用电调度方案,可以根据用电调度方案中各个储能设备在各个调度子时段对应的用电负荷,生成一天牛的位置信息,该位置信息可以是D维的向量,位置信息中的多个分量,分别与各个储能设备在各个调度子时段的用电负荷对应。则N个用电调度方案可以得到种群规模为N的天牛群,各个天牛共同构成了目标函数的D维解空间。
步骤502,根据每个天牛的位置信息和预设的适应值函数,确定每个天牛对应的适应值;所述适应值函数为用电成本和峰平比之和。
作为一示例,适应值函数可以是用电成本和峰值比之和,具体可以如下式所示:
步骤503,根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息。
作为一示例,群体最优位置信息,可以是针对所有天牛对应的所有位置信息中,对应适应值最优的位置信息,可以表示为Pm=(pm1,pm2,...,pmn);个体最优位置信息可以是针对每个天牛,在其位置信息更新过程中,所有位置信息中对应适应值最优的位置信息,可以表示为Pi=(pi1,pi2,...,pin)。
在获取到各个天牛当前的适应值后,通过对各个天牛当前的适应值和历史参考适应值进行比较,确定群体最优位置信息和每个天牛对应的个体最优位置信息。
步骤504,针对每个天牛,根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,并根据所述更新速度对位置信息进行更新。
步骤505,根据每个天牛当前的位置信息,得到更新后的多组用电调度方案。
作为一示例,更新速度可以是指更新后天牛的移动速度,更新速度包括速度大小和速度方向。
在实际应用中,在得到群体最优位置信息和各个天牛对应的个体最优位置信息后,针对每个天牛,可以将群体最优位置信息和个体最优位置信息,分别作为该天牛的天牛左须和天牛右须,进而可以根据群体最优位置信息和个体最优位置信息,确定天牛左须和天牛右须之间距离。
在确定该距离后,可以根据该距离,群体最优位置信息和个体最优位置信息,获取更新速度,并根据该更新速度,对天牛的位置信息进行更新,将更新后的位置信息作为当前的位置信息,进而可以根据各个天牛当前的位置信息中的每一分量,确定与各天牛分别对应的用电调度方案,得到更新后的多组用电调度方案。
在本实施例中,根据群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,根据距离、群体最优位置信息和个体最优位置信息,确定更新速度,并根据更新速度对位置信息进行更新,进而基于每个天牛当前的位置信息,得到更新后的多组用电调度方案,能够对粒子群优化算法和天牛须搜索算法进行结合,基于天牛须搜索算法,在用电调度方案的每次更新中,对用电调度方案对应的天牛在解空间中的位置进行判断,在每次迭代中,通过对个体的天牛左须和天牛右须进行比较,可以有效解决在使用传统粒子群优化算法进行用电调度方案更新时,个体优化策略因缺乏对当前个体周围局部信息的获取,在多维复杂的解空间中,难以获取稳定的解且容易倾向局部最优解的问题,有效提高对不同群体和迭代阶段的自适应性。
在一个实施例中,所述根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息,包括:
获取历史群体最优位置信息对应的第一历史适应值,并比较所述第一历史适应值和各个天牛当前的适应值,将最大的适应值所对应的位置信息作为群体最优位置信息;以及,获取每个天牛的历史个体最优位置信息对应的第二历史适应值;针对每个天牛,从该天牛对应的第二历史适应值和当前的适应值中,确定最大的适应值,并将最大的适应值所对应的位置信息,作为该天牛的个体最优位置信息。
在具体实现中,在对各个天牛进行位置信息的更新过程中,可以记录每次更新是对应的群体最优位置信息和个体最优位置信息。具体的,可以根据初始化的多个用电调度方案,确定多个天牛对应的初始化的位置信息,并将各个位置信息代入至适应值函数中,得到各个天牛对应的适应值,通过比较各个天牛的适应值,确定出当前的群体最优位置信息,并将其作为下次位置信息更新时的历史群体最优位置信息。针对每个天牛,可以将初始化的位置信息所对应的适应值,确定为该天牛当前的个体最优位置信息,并将其作为下次位置信息更新时的历史个体最优位置信息。
在首次进行用电调度方案更新时,在确定各个天牛当前的适应值后,可以获取历史群体最优位置信息对应的第一历史适应值,并将第一历史适应值和个天牛当前的适应值进行比较,进而可以将最大的适应值所对应的位置信息作为群体最优位置信息,并采用当前的群体最优位置信息对历史群体最优位置信息进行更新。
同时,可以获取每个天牛的历史个体最优位置信息对应的第二历史适应值,针对每个天牛,可以从该天牛对应的第二历史适应值和当前的适应值中,确定最大的适应值,并将最大的适应值所对应的位置信息,作为该天牛的个体最优位置信息,并且可以采用当前的个体最优位置信息对历史个体最优位置信息进行更新。
在本实施例中,根据各个天牛当前的适应值,将最大的适应值所对应的位置信息作为群体最优位置信息,以及根据每个天牛对应的第二历史适应值和当前的适应值中最大的适应值,确定个体最优位置信息,能够在后续方案更新过程中,基于群体最优位置信息和个体最优位置信息进行速度更新和位置更新,有效提高收敛速度,为实时快速、准确地获取最优的用电调度方案提供基础。
在一个实施例中,所述根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,可以包括如下步骤:
获取缩放因子;针对每个天牛,获取所述群体最优位置信息和该天牛个体最优位置信息之差对应的范数,并根据所述范数和所述缩放因子的乘积,确定天牛左须与天牛右须的距离。
在实际应用中,可以获取缩放因子,该缩放因子可以是对计算结果进行缩小或放大的参数。在一示例中,缩放因子可以随迭代次数的增加而变化,具体的,缩放因子可以通过如下所示的公式进行更新:
其中,βmax为更新过程中缩放因子的最大值,βmin为更新过程中缩放因子的最小值,T为最大更新次数,t为当前更新的次数。
在本实施例仲,针对每个天牛,可以获取群体最优位置信息与该天牛对应个体最优位置信息之差的范数,并将该范数与缩放因子的乘积,确定为该天牛对应的天牛左须与天牛右须之间的距离,具体公式如下所示:
di k=β‖Pm-Pi‖
其中,di k为天牛左须与天牛右须之间的距离,β为缩放因子,Pm为群体最优位置信息,Pi为个体最优位置信息。
所述根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,可以包括如下步骤:
获取预设的速度更新函数,所述速度更新函数与所述距离、群体最优位置信息和个体最优位置信息关联;根据所述速度更新函数、距离、群体最优位置信息和个体最优位置信息,确定更新速度。
在本实施例仲,在确定天牛左须与天牛右须之间的距离后,可以获取预设的速度更新函数,该速度更新函数与天牛左须和天牛右须之间的距离、群体最优位置信息和个体最优位置信息关联,进而可以将距离、群体最优位置信息和个体最优位置信息代入到速度更新函数中,确定更新速度。
其中,速度更新函数可以如下式所示:
其中,ω为惯性权重,c1、c2为学习因子,为更新速度,为初始速度,为天牛随机生成的标准化方向向量,di k为天牛左须与天牛右须的距离,为第k次更新时的天牛左须质心坐标,为第k次更新时的天牛右须质心坐标,为天牛左须质心坐标对应的适应值,为天牛右须质心坐标对应的适应值,为第k次更新时的个体最优位置信息,为第k次更新时的群体最优位置信息,为天牛当前的位置信息,矩阵点乘表示同型矩阵对应元素相乘。
其中,惯性权重ω可以通过如下所示公式进行更新:
上式中,βmax为更新过程中缩放因子的最大值,βmin为更新过程中缩放因子的最小值,T为最大更新次数,t为当前更新的次数。
其中,rand(n,1)为(0,1)之间的随机数构成的n维向量。
天牛左须质心坐标和天牛右须质心坐标可以通过下式确定:
其中,xk为天牛i当前的位置信息,d为质心到须的距离。
在本实施例中,可以根据群体最优位置信息和个体最优位置信息对应的范式,以及缩放因子,确定天牛左须与天牛右须之间的距离,并将该距离以及群体最优位置信息、个体最优位置信息代入到预设的速度更新函数中,为后续进行用电调度方案的更新提供基础。
在一个实施例中,所述根据所述更新速度对位置信息进行更新,可以通过如下所示的公式进行更新:
在一个实施例中,在所述根据各个天牛当前的适应值,确定群体最优位置信息的步骤之后,所述方法还可以包括如下步骤:
确定当前变异概率,并在所述当前变异概率大于概率阈值时,从所述群体最优位置信息的多个分量中,选择预设数量的分量进行更新;
所述分量的更新方式如下:
pgk t+1=pgk t×(1+Arandn)
其中,A为扰动幅值,randn为服从标准正态分布的随机变量。
在具体实现中,当迭代过程出现早熟收敛现象时,群体最优位置为一局部最优解,而个体往往会向群体最优位置靠拢,此时个体将聚集在该局部最优解附近,导致失去从其他位置获取更优解的机会。
基于此,在本实施例中可以对群体最优位置信息进行变异操作。在实际应用中,可以确定当前变异概率,并根据当前变异概率判断是否对群体最优位置信息进行更新,当变异概率待遇预设的概率阈值时,则可以从群体最优位置信息的多个分量重,随机选择预设数量的分量进行更新。
其中,σ0为归一化因子,该归一化因子可以取种群初始化时未归一化的种群标准差,Xavg为群体质心,可以通过下式计算得到:
则当前变异概率可以通过下式确定:
其中,ωpσ为变异概率标准差权重,ωpt为变异概率迭代次数权重,b为变异概率偏移常数,σ为种群标准差。
在本实施例中,可以确定当前变异概率,并在当前变异概率大于概率阈值时,从群体最优位置信息的多个分量中,选择预设数量的分量进行更新,能够将群体最优位置扰动出局部最优解,使得迭代过程可以实现进一步的收敛,通过对群体最优位置的多维随机扰动实现跳出局部最优解,使得用电调度方案的更新过程不受梯度和初始值的影响,具有通用性和计算结果精度高、收敛快的特点。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于天牛须搜索算法的用电调度装置,所述装置可以包括:
调度条件获取模块501,用于确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
用电调度方案获取模块502,用于根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
用电调度方案更新模块503,用于根据天牛须搜索算法,对多组用电调度方案进行更新;
调度结果确定模块504,用于根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
目标用电调度方案确定模块505,用于从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
在一个实施例中,所述调度结果确定模块504,包括:
用电负荷总和确定子模块,用于根据更新后的每组用电调度方案,确定该用电调度方案中,每个调度子时段多个储能设备对应的用电负荷总和;
用电成本确定子模块,用于针对每个调度子时段,确定用电负荷总和所属的用电负荷区间,并根据所述用电负荷区间对应的用电成本,确定该调度子时段对应的用电成本;
方案用电成本确定子模块,用于根据各个调度子时段对应的用电成本,确定每组用电调度方案的用电成本;
调度结果生成子模块,用于根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,并根据每组用电调度方案用电成本和峰平比的和,得到每组用电调度方案的调度结果。
在一个实施例中,所述调度结果生成子模块,包括:
用电负荷平均值确定单元,用于针对每组用电调度方案,根据多个调度子时段各自对应的用电负荷总和,确定用电负荷峰值和用电负荷平均值;
峰平比确定单元,用于根据所述用电负荷峰值和用电负荷平均值的比值,确定每组用电调度方案对应的峰平比。
在一个实施例中,所述用电调度方案更新模块503,包括:
位置信息确定子模块,用于根据多组用电调度方案,确定多个天牛对应的位置信息;其中,每个天牛的位置信息对应一组用电调度方案,位置信息中的各个分量与用电调度方案中每个储能设备各个调度子时段的用电负荷对应;
适应值获取子模块,用于根据每个天牛的位置信息和预设的适应值函数,确定每个天牛对应的适应值;所述适应值函数为用电成本和峰平比之和;
最优位置信息确定子模块,用于根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息;
位置信息更新子模块,用于针对每个天牛,根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,并根据所述更新速度对位置信息进行更新;
更新方案获取子模块,用于根据每个天牛当前的位置信息,得到更新后的多组用电调度方案。
在一个实施例中,所述最优位置信息确定子模块,包括:
群体最优位置信息确定单元,用于获取历史群体最优位置信息对应的第一历史适应值,并比较所述第一历史适应值和各个天牛当前的适应值,将最大的适应值所对应的位置信息作为群体最优位置信息;
以及,
历史适应值获取单元,用于获取每个天牛的历史个体最优位置信息对应的第二历史适应值;
个体最优位置信息确定单元,用于针对每个天牛,从该天牛对应的第二历史适应值和当前的适应值中,确定最大的适应值,并将最大的适应值所对应的位置信息,作为该天牛的个体最优位置信息。
在一个实施例中,所述位置信息更新子模块,包括:
缩放因子获取单元,用于获取缩放因子;
距离确定单元,用于针对每个天牛,获取所述群体最优位置信息和该天牛个体最优位置信息之差的范数,并根据所述范数和所述缩放因子的乘积,确定天牛左须与天牛右须的距离;
所述位置信息更新子模块,还包括:
更新函数获取单元,用于获取预设的速度更新函数,所述速度更新函数与所述距离、群体最优位置信息和个体最优位置信息关联;
更新速度确定单元,用于根据所述速度更新函数、距离、群体最优位置信息和个体最优位置信息,确定更新速度;
其中,所述速度更新函数为:
其中,ω为惯性权重,c1,c2为学习因子,为更新速度,为初始速度,为天牛随机生成的标准化方向向量,di k为天牛左须与天牛右须的距离,为第k次更新时的天牛左须质心坐标,为第k次更新时的天牛右须质心坐标,为天牛左须质心坐标对应的适应值,为天牛右须质心坐标对应的适应值,为第k次更新时的个体最优位置信息,为第k次更新时的群体最优位置信息,天牛当前的位置信息,矩阵点乘表示同型矩阵对应元素相乘。
在一个实施例中,所述用电调度方案更新模块503,还包括:
分量更新子模块,用于确定当前变异概率,并在所述当前变异概率大于概率阈值时,从所述群体最优位置信息的多个分量中,选择预设数量的分量进行更新;
所述分量的更新方式如下:
pgk t+1=pgk t×(1+Arandn)
其中,A为扰动幅值,randn为服从标准正态分布的随机变量。
关于一种基于天牛须搜索算法的用电调度装置的具体限定可以参见上文中对于一种基于天牛须搜索算法的用电调度方法的限定,在此不再赘述。上述一种基于天牛须搜索算法的用电调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用电调度方案数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于天牛须搜索算法的用电调度方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
根据天牛须搜索算法,对多组用电调度方案进行更新;
根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
根据天牛须搜索算法,对多组用电调度方案进行更新;
根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于天牛须搜索算法的用电调度方法,其特征在于,所述方法包括:
确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
根据天牛须搜索算法,对多组用电调度方案进行更新;
根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
2.根据权利要求1所述的方法,其特征在于,所述根据更新后的每组电负荷调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果,包括:
根据更新后的每组用电调度方案,确定该用电调度方案中,每个调度子时段多个储能设备对应的用电负荷总和;
针对每个调度子时段,确定用电负荷总和所属的用电负荷区间,并根据所述用电负荷区间对应的用电成本,确定该调度子时段对应的用电成本;
根据各个调度子时段对应的用电成本,确定每组用电调度方案的用电成本;
根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,并根据每组用电调度方案用电成本和峰平比的和,得到每组用电调度方案的调度结果。
3.根据权利要求2所述的方法,其特征在于,所述根据多个调度子时段各自对应的用电负荷总和,确定每组用电调度方案对应的峰平比,包括:
针对每组用电调度方案,根据多个调度子时段各自对应的用电负荷总和,确定用电负荷峰值和用电负荷平均值;
根据所述用电负荷峰值和用电负荷平均值的比值,确定每组用电调度方案对应的峰平比。
4.根据权利要求1所述的方法,其特征在于,所述根据天牛须搜索算法,对多组用电调度方案进行更新,包括:
根据多组用电调度方案,确定多个天牛对应的位置信息;其中,每个天牛的位置信息对应一组用电调度方案,位置信息中的各个分量与用电调度方案中每个储能设备各个调度子时段的用电负荷对应;
根据每个天牛的位置信息和预设的适应值函数,确定每个天牛对应的适应值;所述适应值函数为用电成本和峰平比之和;
根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息;
针对每个天牛,根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,并根据所述更新速度对位置信息进行更新;
根据每个天牛当前的位置信息,得到更新后的多组用电调度方案。
5.根据权利要求4所述的方法,其特征在于,所述根据各个天牛当前的适应值,确定群体最优位置信息和每个天牛对应的个体最优位置信息,包括:
获取历史群体最优位置信息对应的第一历史适应值,并比较所述第一历史适应值和各个天牛当前的适应值,将最大的适应值所对应的位置信息作为群体最优位置信息;
以及,
获取每个天牛的历史个体最优位置信息对应的第二历史适应值;
针对每个天牛,从该天牛对应的第二历史适应值和当前的适应值中,确定最大的适应值,并将最大的适应值所对应的位置信息,作为该天牛的个体最优位置信息。
6.根据权利要求4所述的方法,其特征在于,所述根据所述群体最优位置信息和该天牛对应的个体最优位置信息,确定天牛左须与天牛右须的距离,包括:
获取缩放因子;
针对每个天牛,获取所述群体最优位置信息和该天牛个体最优位置信息之差的范数,并根据所述范数和所述缩放因子的乘积,确定天牛左须与天牛右须的距离;
所述根据所述距离、群体最优位置信息和个体最优位置信息,确定更新速度,包括:
获取预设的速度更新函数,所述速度更新函数与所述距离、群体最优位置信息和个体最优位置信息关联;
根据所述速度更新函数、距离、群体最优位置信息和个体最优位置信息,确定更新速度;
其中,所述速度更新函数为:
7.根据权利要求4所述的方法,其特征在于,在所述根据各个天牛当前的适应值,确定群体最优位置信息的步骤之后,所述方法还包括:
确定当前变异概率,并在所述当前变异概率大于概率阈值时,从所述群体最优位置信息的多个分量中,选择预设数量的分量进行更新;
所述分量的更新方式如下:
pgk t+1=pgk t×(1+Arandn)
其中,A为扰动幅值,randn为服从标准正态分布的随机变量。
8.一种基于天牛须搜索算法的用电调度装置,其特征在于,所述装置包括:
调度条件获取模块,用于确定多个用电单位对应储能设备的调度负荷范围、调度时段和所述调度时段对应的调度负荷总量;所述调度时段包括至少一个调度子时段;
用电调度方案获取模块,用于根据所述调度负荷范围、调度时间范围和调度负荷总量,获取多组用电调度方案,每组用电调度方案中包括每个储能设备在各个调度子时段对应的用电负荷;
用电调度方案更新模块,用于根据天牛须搜索算法,对多组用电调度方案进行更新;
调度结果确定模块,用于根据更新后的每组用电调度方案,确定每组用电调度方案的用电成本和峰平比之和,得到每组用电调度方案的调度结果;
目标用电调度方案确定模块,用于从更新后的多组用电调度方案中,确定出对应调度结果最优的目标用电调度方案,并根据所述目标用电调度方案,分别对多个用电单位对应的储能设备发送用电负荷调度指令,所述用电负荷调度指令包括储能指令和供电指令。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607805.4A CN112598313B (zh) | 2020-12-29 | 2020-12-29 | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607805.4A CN112598313B (zh) | 2020-12-29 | 2020-12-29 | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598313A true CN112598313A (zh) | 2021-04-02 |
CN112598313B CN112598313B (zh) | 2023-02-21 |
Family
ID=75206200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011607805.4A Active CN112598313B (zh) | 2020-12-29 | 2020-12-29 | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598313B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627807A (zh) * | 2021-08-17 | 2021-11-09 | 深圳供电局有限公司 | 一种网源荷互动风险控制方法 |
CN113673863A (zh) * | 2021-08-19 | 2021-11-19 | 南京信息工程大学 | 一种基于量子天牛须算法的电力系统经济调度方法 |
CN113946429A (zh) * | 2021-11-03 | 2022-01-18 | 重庆邮电大学 | 一种基于成本效益的Kubernetes Pod调度方法 |
CN114744660A (zh) * | 2022-05-10 | 2022-07-12 | 国网江苏省电力有限公司镇江供电分公司 | 一种电动汽车与电网能量双向流动的储能方法及系统 |
CN114825629A (zh) * | 2022-04-28 | 2022-07-29 | 国网江苏省电力有限公司南通供电分公司 | 一种智能输配电处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120239213A1 (en) * | 2011-03-15 | 2012-09-20 | Kazumi Nagata | Energy demand prediction apparatus and method |
CN109636046A (zh) * | 2018-12-17 | 2019-04-16 | 广东电网有限责任公司 | 一种基于天牛须算法的智能经济调度方法及设备 |
CN111340315A (zh) * | 2020-04-13 | 2020-06-26 | 北方工业大学 | 一种电网侧储能优化方法及系统 |
CN111355250A (zh) * | 2020-04-13 | 2020-06-30 | 北方工业大学 | 一种电网侧储能优化方法及系统 |
CN111814839A (zh) * | 2020-06-17 | 2020-10-23 | 合肥工业大学 | 基于自适应变异的天牛群优化算法的模板匹配方法 |
-
2020
- 2020-12-29 CN CN202011607805.4A patent/CN112598313B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120239213A1 (en) * | 2011-03-15 | 2012-09-20 | Kazumi Nagata | Energy demand prediction apparatus and method |
CN109636046A (zh) * | 2018-12-17 | 2019-04-16 | 广东电网有限责任公司 | 一种基于天牛须算法的智能经济调度方法及设备 |
CN111340315A (zh) * | 2020-04-13 | 2020-06-26 | 北方工业大学 | 一种电网侧储能优化方法及系统 |
CN111355250A (zh) * | 2020-04-13 | 2020-06-30 | 北方工业大学 | 一种电网侧储能优化方法及系统 |
CN111814839A (zh) * | 2020-06-17 | 2020-10-23 | 合肥工业大学 | 基于自适应变异的天牛群优化算法的模板匹配方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627807A (zh) * | 2021-08-17 | 2021-11-09 | 深圳供电局有限公司 | 一种网源荷互动风险控制方法 |
CN113627807B (zh) * | 2021-08-17 | 2024-04-09 | 深圳供电局有限公司 | 一种网源荷互动风险控制方法 |
CN113673863A (zh) * | 2021-08-19 | 2021-11-19 | 南京信息工程大学 | 一种基于量子天牛须算法的电力系统经济调度方法 |
CN113673863B (zh) * | 2021-08-19 | 2023-07-07 | 南京信息工程大学 | 一种基于量子天牛须算法的电力系统经济调度方法 |
CN113946429A (zh) * | 2021-11-03 | 2022-01-18 | 重庆邮电大学 | 一种基于成本效益的Kubernetes Pod调度方法 |
CN114825629A (zh) * | 2022-04-28 | 2022-07-29 | 国网江苏省电力有限公司南通供电分公司 | 一种智能输配电处理方法及系统 |
CN114744660A (zh) * | 2022-05-10 | 2022-07-12 | 国网江苏省电力有限公司镇江供电分公司 | 一种电动汽车与电网能量双向流动的储能方法及系统 |
CN114744660B (zh) * | 2022-05-10 | 2023-08-08 | 国网江苏省电力有限公司镇江供电分公司 | 一种电动汽车与电网能量双向流动的储能方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112598313B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598313B (zh) | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 | |
CN111525601B (zh) | 用户侧储能设备的充放电控制方法、装置及存储介质 | |
JP6756048B2 (ja) | コンピュータリソースのための予測的資産最適化 | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
Xhafa et al. | A simulated annealing algorithm for ground station scheduling problem | |
CN114675933A (zh) | 一种容器集群调度方法、装置、设备、存储介质 | |
CN111027665A (zh) | 一种基于改进混沌蝙蝠群算法的云制造调度方法 | |
CN117639043A (zh) | 风电协同下的电动汽车调度方法、装置、终端设备及介质 | |
Zhang et al. | State-space approximate dynamic programming for stochastic unit commitment | |
US20150097531A1 (en) | System and method for controlling networked, grid-level energy storage devices | |
JP2021005387A (ja) | コンピュータリソースのための予測的資産最適化 | |
CN116632833A (zh) | 电力系统的峰谷时段的确定方法和确定装置 | |
CN112598312B (zh) | 基于天牛须搜索算法的电动汽车充电调度方法和装置 | |
CN116054270A (zh) | 电网调度优化方法、装置和非易失性存储介质 | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
CN109301820A (zh) | 一种企业电力控制方法及系统 | |
Padmini et al. | Application of improved PSO technique for short term hydrothermal generation scheduling of power system | |
Jasmin et al. | Reinforcement learning solution for unit commitment problem through pursuit method | |
Pappala et al. | Power system optimization under uncertainties: A PSO approach | |
CN114243681A (zh) | 电力系统的用电调控方法、装置、设备和存储介质 | |
CN117374995B (zh) | 一种电力调度优化方法、装置、设备和存储介质 | |
CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
Taylor et al. | Self-organising algorithms for residential demand response | |
CN115864464B (zh) | 一种适用于储能系统的放电优化方法 | |
Zare et al. | A solution to transmission-constrained unit commitment using hunting search algorithm |
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 |