CN113126576A - 集输系统能耗优化模型构建方法与集输系统能耗控制方法 - Google Patents
集输系统能耗优化模型构建方法与集输系统能耗控制方法 Download PDFInfo
- Publication number
- CN113126576A CN113126576A CN201911424756.8A CN201911424756A CN113126576A CN 113126576 A CN113126576 A CN 113126576A CN 201911424756 A CN201911424756 A CN 201911424756A CN 113126576 A CN113126576 A CN 113126576A
- Authority
- CN
- China
- Prior art keywords
- gathering
- transportation system
- energy consumption
- model
- simulation
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 211
- 238000005265 energy consumption Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010276 construction Methods 0.000 title claims description 12
- 238000004088 simulation Methods 0.000 claims abstract description 169
- 238000012549 training Methods 0.000 claims abstract description 117
- 230000002787 reinforcement Effects 0.000 claims abstract description 58
- 238000013461 design Methods 0.000 claims abstract description 55
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims description 109
- 230000008569 process Effects 0.000 claims description 28
- 230000001360 synchronised effect Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 18
- 239000003921 oil Substances 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 241000758789 Juglans Species 0.000 description 2
- 235000009496 Juglans regia Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 235000020234 walnut Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种集输系统能耗优化模型构建方法、装置、计算机设备和存储介质，其中，方法包括：基于集输系统的设计数据，准确各实体节点之间的连接关系，构建合格的集输系统仿真模型，采用仿真模型的方式产生模型训练数据，可以支持快速大量训练数据的生成，确保数据随机性和覆盖面，采用仿真模拟得到的训练数据对强化学习模型进行训练最终得到基于强化学习的集输系统能耗优化模型，由于该集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制。另外本申请还提供一种基于上述方法构建的集输系统能耗优化模型的集输系统能耗优化方法、装置、计算机设备和存储介质。
Description
技术领域
本申请涉及油田智能控制技术领域，特别是涉及一种集输系统能耗优化模型构建方法、装置、计算机设备和存储介质以及集输系统能耗控制方法、装置、计算机设备和存储介质。
背景技术
集输系统是指将从油田提取出来的原油或者天然气等收集并输送的系统，在这个过程中为保证油气的平稳集输，需要对原油进行加热及加压，使用到机泵、加热炉、管道等设备，这些设备的使用会消耗大量的能耗。高效的油田集输系统可以提高油田采油工作的工作效率，降低油田采油相关人员的工作强度，节省资金投入。
传统生产过程中，为了实现集输系统能耗的优化，来说是依据生产经验，在满足集输生产需求的情况下(保证一定的压力和流量输出)，人工进行多设备的参数调节，根据生产需求，调节阀门的开关，机泵的启停及压力流量的控制。
上述的控制形式有很大的局限性，需要大量人力对油田集输系统进行控制，并且人工经验依赖过大，不能根据生产条件进行实时反馈，无法高效且准确实现集输系统能耗控制。
发明内容
基于此，有必要针对上述技术问题，提供一种支持油田集输系统能耗高效且准确控制的集输系统能耗优化模型构建方法、装置、计算机设备和存储介质，以及提供一种能够实现油田集输系统能耗高效且准确控制的集输系统能耗控制方法、装置、计算机设备和存储介质。
一种集输系统能耗优化模型构建方法，所述方法包括：
获取集输系统的设计数据；
根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系；
根据所述集输系统中实体节点以及各所述实体节点之间的连接关系，构建集输系统仿真模型；
通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集；
根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
在其中一个实施例中，所述根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系包括：
根据所述设计数据中设计图纸数据，获取所述集输系统的组成结构拓扑图；
获取所述组成结构拓扑图中各图元名称以及各图元之间连接关系；
根据获取的各图元名称以及各图元之间连接关系，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系。
在其中一个实施例中，所述通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集包括：
获取不同种类维系所述集输系统基本压力流量需求所需的能耗相关参数；
将获取的所述能耗相关参数输入至所述集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
在其中一个实施例中，所述根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型包括：
获取所述集输系统真实运行状态的生产参数；
将所述模拟训练集以及所述生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
在其中一个实施例中，所述将所述模拟训练集以及所述生产参数导入至强化学习模型并训练包括：
将所述生产参数以及所述模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；
当所述生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；
将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；
在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；
确定所述N种可能性的决策实施和所述N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；
将所述模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；
由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当所述生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
一种集输系统能耗控制方法，所述方法包括：
获取集输系统实时生产工艺参数；
将所述实时生成工艺参数输入至集输系统能耗优化模型；
根据所述集输系统能耗优化模型输出的参数对所述集输系统进行能耗控制；
其中，所述集输系统能耗优化模型为采用如上述方法构建的模型。
一种集输系统能耗优化模型构建装置，所述装置包括：
设计数据获取模块，用于获取集输系统的设计数据；
连接关系识别模块，用于根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系；
仿真模型构建模块，用于根据所述集输系统中实体节点以及各所述实体节点之间的连接关系，构建集输系统仿真模型；
训练集生成模块，用于通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集；
模型训练构建模块，用于根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
一种集输系统能耗控制装置，所述装置包括：
参数实时获取模块，用于获取集输系统实时生产工艺参数；
参数导入模块，用于将所述实时生成工艺参数输入至集输系统能耗优化模型；
能耗控制模块，用于根据所述集输系统能耗优化模型输出的参数对所述集输系统进行能耗控制；
其中，所述集输系统能耗优化模型为采用如上述方法构建的模型。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述的集输系统能耗优化模型构建方法或如上述的集输系统能耗控制方法。
一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、所述存储器通过所述总线完成相互间的通信；
所述处理器用于调用所述存储器中的程序指令，以执行如上述的集输系统能耗优化模型构建方法或如上述的集输系统能耗控制方法。
上述集输系统能耗优化模型构建方法、装置、计算机设备和存储介质，基于集输系统的设计数据，准确各实体节点之间的连接关系，构建合格的集输系统仿真模型，采用仿真模型的方式产生模型训练数据，可以支持快速大量训练数据的生成，确保数据随机性和覆盖面，采用仿真模拟得到的训练数据对强化学习模型进行训练最终得到基于强化学习的集输系统能耗优化模型，由于该集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制。
另外，本申请还提供一种集输系统能耗控制方法、装置、计算机设备和存储介质，获取集输系统实时生产工艺参数，将所述实时生成工艺参数输入至集输系统能耗优化模型，根据所述集输系统能耗优化模型输出的参数对所述集输系统进行能耗控制。由于集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制，因此，集输系统能耗优化模型可以输出合格的控制数据，实现对集输系统能耗准确控制。
附图说明
图1为一个实施例中集输系统能耗优化模型构建方法的应用环境图；
图2为一个实施例中集输系统能耗优化模型构建方法的流程示意图；
图3为集输系统拓扑结构示意图；
图4为另一个实施例中集输系统能耗优化模型构建方法的流程示意图；
图5为强化学习训练过程示意图；
图6为一个实施例中集输系统能耗控制方法的流程示意图；
图7为一个应用实例中集输系统能耗控制方法的流程示意图；
图8为一个实施例中集输系统能耗优化模型构建装置的结构框图；
图9为一个实施例中集输系统能耗控制模型构建装置的结构框图；
图10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。
本申请提供的集输系统能耗优化模型构建方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。用户在终端102侧操作，将集输系统设计数据上传至服务器104，服务器104获取集输系统的设计数据，根据设计数据，识别集输系统中的实体节点以及各实体节点之间的连接关系；根据集输系统中实体节点以及各实体节点之间的连接关系，构建集输系统仿真模型；通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集；根据模拟训练集，训练强化学习模型，构建集输系统能耗优化模型，服务器104将集输系统能耗优化模型存储，并推送至终端102，以使用户了解当前构建的集输系统能耗优化模型。
进一步的，本申请还提供一种集输系统能耗控制方法，终端102将采集到的集输系统实时生产工艺参数上传至服务器104，服务器104获取集输系统实时生产工艺参数；将实时生成工艺参数输入至之前构建的集输系统能耗优化模型；根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制，反馈控制结果至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104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。
在一个实施例中，如图2所示，提供了一种集输系统能耗优化模型构建方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S210：获取集输系统的设计数据。
集输系统的设计数据包括集输系统设计图纸、集输系统原始工艺流程设计数据以及集输系统管理维护设计数据等。在这里可以理解为将集输系统建造/构建设计数据以及历史运行管理设计数据的导入。
S220：根据设计数据，识别集输系统中的实体节点以及各实体节点之间的连接关系。
根据得到的集输系统设计数据，识别集输系统中实体节点以及各个实体节点之间的连接关系。实体节点用于表征整个集输系统生产工艺的节点。具体来说，如图3所示，在该集输系统中实体节点包括有1#至4#共计4个三相分离器；在油路处理生产线有多功能罐、加热炉、原油储罐以及外输泵；在气体处理生产线有除油器；在水路处理生产线有沉降罐、提升泵、核桃壳过滤器、纤维球过滤器、精滤水罐以及粗滤水罐。这些实体节点之间的连接关系在图3所示的拓扑图中可以清楚得到。
S230：根据集输系统中实体节点以及各实体节点之间的连接关系，构建集输系统仿真模型。
根据得到的集输系统中实体节点以及各实体节点之间的连接关系，调整节点之间的参数可以搭建起集输系统仿真模型。调整的参数具体可以基于历史数据以及集输系统设计和生产数据得到。仿真模型的构建可以基于常规仿真模型构建软件来搭建，将集输系统中实体节点以及各实体节点之间的连接关系输入至集输系统仿真软件，并且根据历史经验数据以及场景所需设置调整节点之间的参数，构建集输系统仿真模型。
S240：通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集。
集输系统仿真模型可以仿真基于设计数据得到的集输系统实际运行过程中大量数据，具体包括输入的控制数据以及最终控制输出的结果数据。具体来说，仿真模型的搭建主要是为了提供大量的数据供后续强化学习训练使用，通过仿真模型不仅可以获取大量的数据，同时可以获取到一些在实际生产中基于安全的考虑无法达到的一些边界条件数据。更进一步来说，通过模拟的形式，模拟集输系统中设备的运行输入参数，如机泵的流量、管线的压力、阀门的启停等，将运行输入参数输入至集输系统仿真模型，集输系统仿真模型输出大量与仿真输入结果相关的模拟数据。在实际应用中，可以通过调整不同的输入参数种类，得出相对应的输出参数，输入参数种类包括与维持集输系统基本的压力流量需求所需要设置的能耗相关参数，比如机泵设备为了维持相应的排量，需要设置的电机设备功率、变频频率等。
S250：根据模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
通过包含大量训练数据的模拟训练集对强化学习模型进行训练，构建集输系统能耗优化模型。具体来说，强化学习是智能体以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcementlearning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。应用于集输系统来说，大量的训练数据导入至强化学习模型中，不断训练强化学习模型，其训练过程主要是通过真实世界和模拟世界之间同步决策实施的调整和价值优化，得到最优决策实施的过程。
上述集输系统能耗优化模型构建方法，基于集输系统的设计数据，准确各实体节点之间的连接关系，构建合格的集输系统仿真模型，采用仿真模型的方式产生模型训练数据，可以支持快速大量训练数据的生成，确保数据随机性和覆盖面，采用仿真模拟得到的训练数据对强化学习模型进行训练最终得到基于强化学习的集输系统能耗优化模型，由于该集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制。
如图4所示，在其中一个实施例中，步骤S220包括：
S222：根据设计数据中设计图纸数据，获取集输系统的组成结构拓扑图。
S224：获取组成结构拓扑图中各图元名称以及各图元之间连接关系。
S226：根据获取的各图元名称以及各图元之间连接关系，识别集输系统中的实体节点以及各实体节点之间的连接关系。
集输系统设计图纸一般是最能表征整个集输系统设计、建造情况的，根据集输系统在建造之初的设计图纸数据，获取整个集输系统的组成结构拓扑图，针对该组成结构拓扑图进行图元名称识别以及图元之间连接关系识别，最终得到集输系统中的实体节点以及各实体节点之间的连接关系。具体可以参见图3，图3为某个集输系统的简单组成结构拓扑图(在实际情况整个集输系统的组成远比图3所示复杂，这里仅用于示意说明)，其中图元包括1#至4#共计4个三相分离器；在油路处理生产线有多功能罐、加热炉、原油储罐以及外输泵；在气体处理生产线有除油器；在水路处理生产线有沉降罐、提升泵、核桃壳过滤器、纤维球过滤器、精滤水罐以及粗滤水罐，图元之间的连接关系也清楚，可以直接通过图像处理或图形处理技术得到图元名称以及图元直接的连接关系。
在其中一个实施例中，通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集包括：
获取不同种类维系集输系统基本压力流量需求所需的能耗相关参数；将获取的能耗相关参数输入至集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
一般来说，集输系统的主要能耗在于维系整个集输系统所需压力流量需求的功耗开支，比如机泵设备为了维持相应的排量，需要设置的电机设备功率、变频频率等。在本实施例中，针对维系集输系统基本压力流量需求所需的能耗相关参数，采取多种类的方式获取，以确保训练数据的全面性，不同种类的能耗相关参数输入至集输系统仿真模型，记录对应的输出参数，得到全面的模拟训练集。
如图4所示，在其中一个实施例中，步骤S250包括：
S252：获取集输系统真实运行状态的生产参数。
S254：将模拟训练集以及生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
获取集输系统在真实运行状态的生产参数，将这部分生产参数补充至强化学习模型训练集中，构建集输系统能耗优化模型。具体来说，生产参数包括整个集输系统生产过程中各项压力、流量数据、维系这些压力、流程设备的功耗情况数据等，其需要确保数据的实时性与有效性，以使强化学习模型的训练集更加接近集输系统真实运行参数。
在其中一个实施例中，将模拟训练集以及生产参数导入至强化学习模型并训练包括：
将生产参数以及模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；当生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；确定N种可能性的决策实施和N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；将模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
生产参数以及模拟训练集导入至初始强化学习模型进行模型训练，待模型训练稳定后，得到已训练的强化学习模型，将该已训练的强化学习模型分别作为真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型，其中真实世界中集输系统物理模型用于指导真实世界中集输系统的生产，模拟世界中数字仿真环境学习模型用于模拟仿真处理，寻求当前生产环境、参数等条件下的最优解(最优运行参数)，将并该最优解同步至真实世界中集输系统物理模型。上述强化学习模型包括基于HuberRegressor、AdaBoostRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor等10种回归算法至少之一的初始模型。以生产参数和模拟训练集作为训练数据对其进行训练得到合格的强化学习模型。整个模型架构可以参见图5，在图5中物理模型是指根据实际生产工艺参数生成的集输系统物理模型，具体来说，将生产参数以及模拟训练集导入至初始强化学习模型，构建表征真实世界中真实生产工艺环境的集输系统物理模型、以及模拟世界中数字仿真环境学习模型，其中真实生产工艺环境用于模拟真实的生产工艺环境，便于对真实生产场景对接(具体为图5中物理模型)，模拟世界中数字仿真环境学习模型，用于基于真实环境提供的数据不断学习、模拟仿真得到大量可能的数据(包括价值优化和决策实施)，在仿真得到的数据中选取最佳的数据再同步反馈至真实世界，以此循环。
决策实施模型是一种经营决策的数学模型，在现代化的科学决策中，常常借助于自然科学的方法，运用数学的工具，建立各决策变量之间的关系公式与模型，用以反映决策问题的实质，把复杂的决策问题简化。决策实施模型的一般形式是V＝F(Ai，Sj)，式中，V为价值目标；Ai为可控的决策因素；Sj为不可控的决策因素。例如，某公司有两个工厂均能生产A、B两种产品，但生产能力不同，获利也不同。为使企业有最优的经济效益，应寻求最优的生产策略，即作出使效益最大的生产方案。决策实施模型包括有基于加权和的决策实施模型、多属性决策实施模型、多目标决策实施模型以及基于优势关系的决策实施模型。价值优化模型可以通过数值最值搜索等数学方法建立，其用于寻求价值最优解，具体来说，根据集输系统中影响价值的关联变量、产品收益、产品产量等数据，构建价值收益，以价值有益最大为约束条件，寻求价值优化模型的最优解。价值优化模型会输出价值最优时对应的生产工况参数，将这部分数据输入至真实世界中集输系统物理模型，用于指示实际集输系统生产操作。另外，真实世界中集输系统物理模型在真实世界中价值优化模型最优解下调整参数后，调整后的参数也会同步至模拟世界中数字仿真环境学习模型，以使两个模型同步，以准备下一轮的优化调整。
需要指出的是，在上述循环过程中，针对一次生产参数的更新，会在模拟世界中进行一次寻找最优解的处理，当生产参数未更新时，持续以同步至真实生产工艺环境的集输系统物理模型中最优价值优化和最优决策实施指导集输系统实际生产，当集输系统生产参数发生更新时，返回当生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤，重新开始新一轮的寻找最优解、以最优解来指导生产工艺环境的集输系统物理模型的操作。
如图5所示，在实际强化模型训练中真实世界和模拟世界都可以构建对应的价值优化模型和决策实施模型，真实世界中的数据对模拟世界中数据进行更新，而模拟世界中反馈的数据对真实世界进行优化。真实世界和模拟世界都会生成相应的决策实施和价值优化模型，真实世界的决策实施和价值优化模型是通过真实的工艺生产历史数据训练得到的，举个例子，就是从历史数据可以看到开启了X台泵，关了X个阀门，最终能耗是X，(即通过不同的动作(调节参数)，在真实工艺生产环境中呈现不同状态(能耗高与低)，根据状态给出不同的奖赏(能耗高了减，能耗低了则加)通过多条历史数据，训练得到初始化的价值优化与决策实施模型。针对模拟世界，通过真实的工艺生产历史数据，拟合构建出仿真物理模型，用以建立模拟世界的环境，然后再基于这个模拟世界的环境，通过模拟决策行动，给出相应的模拟状态反馈，根据相应的状态反馈，形成价值优化的更新，同时更新优化模拟世界的决策实施。结合场景的理解就是，通过真实的生产历史数据，建立了数字仿真环境学习模型，通过系统模拟参数调节作为输入，数字仿真环境学习模型判断出该参数调节是否存在能耗过高或者低的情况，能耗高则负反馈，能耗低则正反馈，以此来更新模拟世界的价值优化模型，同时对决策实施进行优化。在单个更新和优化循环中，当生产参数更新时，真实世界中真实生产工艺环境更新，更新真实世界中价值优化模型和真实世界中决策实施模型，并将两个模型将各自更新的数据同步更新至模拟世界中模拟世界价值优化模型和模拟世界决策实施模型，并且同步更新模拟世界中数字仿真环境学习模型，模拟世界决策优化模型做出N种可能性的决策实施，模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行模拟仿真，生成N种反馈以生成N种价值优化模型，通过不断价值优化对决策实施进行策略优化和数字仿真环境学习模型的模拟反馈，得到最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；将模拟世界中最优价值优化和最优决策实施同步更新至真实世界中价值优化和决策实施，即将模拟世界中最优价值优化优化真实世界中价值优化模型，将模拟世界中最优决策实施优化真实世界中决策实施模型。价值优化模型对决策优化模型的策略优化简单来说就是价值优化模型通过相应的状态反馈(能耗高或低)，形成价值优化的更新(该决策实施能耗高减分，能耗低加分)，通过大量的决策实施调整，给出最优化的决策实施方案。
对强化学习模型的训练过程具体来说是通过真实世界和模拟世界的同步和优化过程，具体在模拟世界中进行学习与优化、寻求最优解，在真实世界中利用最优解进行学习和实际生产指导，以有限的训练数据，通过不断的学习过程得到最优解。整个训练过程具体可以参见图5，如图5所示，整个流程包括以下步骤：
1、当真实生产工艺环境有新的决策行动即参数调整时，真实生产工艺环境给价值优化形成反馈，形成价值优化的更新，并更新真实世界的决策实施；
2、真实世界价值优化模型与决策实施模型分别与模拟世界形成更新，同时更新模拟世界的数字仿真环境学习模型；
3、模拟世界的决策实施做出N种可能性的决策，模拟世界中数字仿真环境学习模型给出N次反馈并形成N次价值优化模型，用价值最优化的价值优化模型来指导决策实施模型，以实现最优化。
4、模拟世界的价值优化模型与决策实施模型与真实世界中价值优化模型和决策实施模型形成同步，真实世界决策实施模型根据模拟世界取得的N种可能性决策效果最佳的决策进行实际操作。等待下一次真实生产工艺环境有新的决策行动，返回上述步骤1，开始新一轮的学习训练过程。
另外，如图6所示，本申请还提供一种集输系统能耗控制方法，方法包括：
S620：获取集输系统实时生产工艺参数；
S640：将实时生成工艺参数输入至集输系统能耗优化模型，其中，集输系统能耗优化模型为采用如上述方法构建的模型；
S660：根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制。
上述集输系统能耗控制方法，获取集输系统实时生产工艺参数，将实时生成工艺参数输入至集输系统能耗优化模型，根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制。由于集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制，因此，集输系统能耗优化模型可以输出合格的控制数据，实现对集输系统能耗准确控制。
如图7所示，本申请集输系统能耗控制方法在其中一个应用实例中包括以下步骤：
1、获取集输系统设计图纸，根据设计图纸提取实体节点；
2、建立实体节点之间的链接关系；
3、调整数据训练实体模型；
4、根据链接组合成集输系统仿真模型；
5、通过仿真模型仿真生产工艺参数，包括机泵、管线、储罐、阀门、加热炉以及分离器相关设备等的参数；
6、将仿真生产工艺参数以及真实生产工艺参数一同导入至强化学习模型进行训练，构建合格的基于强化学习的集输系统能耗优化模型；
7、由基于强化学习的集输系统能耗优化模型输出最优运行参数组合，涵盖整个集输系统中压力、温度、流量、功率以及启停等。
应该理解的是，虽然图2、图4以及图6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2、图4以及图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图8所示，一种集输系统能耗优化模型构建装置，装置包括：
设计数据获取模块810，用于获取集输系统的设计数据；
连接关系识别模块820，用于根据设计数据，识别集输系统中的实体节点以及各实体节点之间的连接关系；
仿真模型构建模块830，用于根据集输系统中实体节点以及各实体节点之间的连接关系，构建集输系统仿真模型；
训练集生成模块840，用于通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集；
模型训练构建模块850，用于根据模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
上述集输系统能耗优化模型构建装置，基于集输系统的设计数据，准确各实体节点之间的连接关系，构建合格的集输系统仿真模型，采用仿真模型的方式产生模型训练数据，可以支持快速大量训练数据的生成，确保数据随机性和覆盖面，采用仿真模拟得到的训练数据对强化学习模型进行训练最终得到基于强化学习的集输系统能耗优化模型，由于该集输系统能耗优化模型基于集输系统运行仿真数据以及强化学习训练得到，其可以支持对集输系统能耗高效且准确控制。
在其中一个实施例中，连接关系识别模块820还用于根据设计数据中设计图纸数据，获取集输系统的组成结构拓扑图；获取组成结构拓扑图中各图元名称以及各图元之间连接关系；根据获取的各图元名称以及各图元之间连接关系，识别集输系统中的实体节点以及各实体节点之间的连接关系。
在其中一个实施例中，训练集生成模块840还用于获取不同种类维系集输系统基本压力流量需求所需的能耗相关参数；将获取的能耗相关参数输入至集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
在其中一个实施例中，模型训练构建模块850还用于获取集输系统真实运行状态的生产参数；将模拟训练集以及生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
在其中一个实施例中，模型训练构建模块850还用于将生产参数以及模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；当生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；确定N种可能性的决策实施和N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；将模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
关于集输系统能耗优化模型构建装置的具体限定可以参见上文中对于集输系统能耗优化模型构建方法的限定，在此不再赘述。上述集输系统能耗优化模型构建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。
另外，如图9所示，本申请还提供一种集输系统能耗控制装置，装置包括：
参数实时获取模块920，用于获取集输系统实时生产工艺参数；
参数导入模块940，用于将实时生成工艺参数输入至集输系统能耗优化模型；
能耗控制模块960，用于根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制；
其中，集输系统能耗优化模型为采用如上述方法构建的模型。
关于集输系统能耗控制装置的具体限定可以参见上文中对于集输系统能耗控制方法的限定，在此不再赘述。上述集输系统能耗控制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10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、网络接口和数据库。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集输系统设计数据。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集输系统能耗优化模型构建方法或一种集输系统能耗控制方法。
本领域技术人员可以理解，图10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、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取集输系统的设计数据；
根据设计数据，识别集输系统中的实体节点以及各实体节点之间的连接关系；
根据集输系统中实体节点以及各实体节点之间的连接关系，构建集输系统仿真模型；
通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集；
根据模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据设计数据中设计图纸数据，获取集输系统的组成结构拓扑图；获取组成结构拓扑图中各图元名称以及各图元之间连接关系；根据获取的各图元名称以及各图元之间连接关系，识别集输系统中的实体节点以及各实体节点之间的连接关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取不同种类维系集输系统基本压力流量需求所需的能耗相关参数；将获取的能耗相关参数输入至集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取集输系统真实运行状态的生产参数；将模拟训练集以及生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将生产参数以及模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；当生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；确定N种可能性的决策实施和N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；将模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取集输系统实时生产工艺参数；
将实时生成工艺参数输入至集输系统能耗优化模型；
根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制；
其中，集输系统能耗优化模型为采用如上述方法构建的模型。
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：
获取集输系统的设计数据；
根据设计数据，识别集输系统中的实体节点以及各实体节点之间的连接关系；
根据集输系统中实体节点以及各实体节点之间的连接关系，构建集输系统仿真模型；
通过集输系统仿真模型，模拟生成不同种类的集输系统运行输入参数以及运行输出参数，得到模拟训练集；
根据模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据设计数据中设计图纸数据，获取集输系统的组成结构拓扑图；获取组成结构拓扑图中各图元名称以及各图元之间连接关系；根据获取的各图元名称以及各图元之间连接关系，识别集输系统中的实体节点以及各实体节点之间的连接关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同种类维系集输系统基本压力流量需求所需的能耗相关参数；将获取的能耗相关参数输入至集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取集输系统真实运行状态的生产参数；将模拟训练集以及生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将生产参数以及模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；当生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；确定N种可能性的决策实施和N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；将模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
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：
获取集输系统实时生产工艺参数；
将实时生成工艺参数输入至集输系统能耗优化模型；
根据集输系统能耗优化模型输出的参数对集输系统进行能耗控制；
其中，集输系统能耗优化模型为采用如上述方法构建的模型。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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)
1.一种集输系统能耗优化模型构建方法，所述方法包括：
获取集输系统的设计数据；
根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系；
根据所述集输系统中实体节点以及各所述实体节点之间的连接关系，构建集输系统仿真模型；
通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集；
根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系包括：
根据所述设计数据中设计图纸数据，获取所述集输系统的组成结构拓扑图；
获取所述组成结构拓扑图中各图元名称以及各图元之间连接关系；
根据获取的各图元名称以及各图元之间连接关系，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系。
3.根据权利要求1所述的方法，其特征在于，所述通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集包括：
获取不同种类维系所述集输系统基本压力流量需求所需的能耗相关参数；
将获取的所述能耗相关参数输入至所述集输系统仿真模型，记录对应的输出参数，得到模拟训练集。
4.根据权利要求1所述的方法，其特征在于，所述根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型包括：
获取所述集输系统真实运行状态的生产参数；
将所述模拟训练集以及所述生产参数导入至强化学习模型并训练，构建集输系统能耗优化模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述模拟训练集以及所述生产参数导入至强化学习模型并训练包括：
将所述生产参数以及所述模拟训练集导入至初始强化学习模型，构建真实世界中集输系统物理模型以及模拟世界中数字仿真环境学习模型；
当所述生产参数更新时，根据集输系统物理模型对真实生产工艺环境进行价值优化更新和决策实施更新；
将真实世界中价值优化的更新与决策实施更新与模拟世界中价值优化和决策实施同步，并同步更新模拟世界中数字仿真环境学习模型；
在模拟世界中得到N种可能性的决策实施，通过更新的模拟世界中数字仿真环境学习模型对N种可能性的决策实施进行仿真处理，得到N种价值优化；
确定所述N种可能性的决策实施和所述N种价值优化中最优价值优化和最优决策实施，以通过最优价值优化指导最优决策实施；
将所述模拟世界中最优价值优化和最优决策实施同步反馈更新至真实世界中价值优化和决策实施，得到真实世界中反馈更新的价值优化和反馈更新的决策实施；
由真实世界中反馈更新的价值优化对真实世界中反馈更新的决策实施进行策略优化，返回当所述生产参数更新时，对更新的真实生产工艺环境进行价值优化的更新和决策实施更新的步骤。
6.一种集输系统能耗控制方法，所述方法包括：
获取集输系统实时生产工艺参数；
将所述实时生成工艺参数输入至集输系统能耗优化模型；
根据所述集输系统能耗优化模型输出的参数对所述集输系统进行能耗控制；
其中，所述集输系统能耗优化模型为采用如权利要求1-5中任意一项所述方法构建的模型。
7.一种集输系统能耗优化模型构建装置，其特征在于，所述装置包括：
设计数据获取模块，用于获取集输系统的设计数据；
连接关系识别模块，用于根据所述设计数据，识别所述集输系统中的实体节点以及各所述实体节点之间的连接关系；
仿真模型构建模块，用于根据所述集输系统中实体节点以及各所述实体节点之间的连接关系，构建集输系统仿真模型；
训练集生成模块，用于通过所述集输系统仿真模型，模拟生成不同种类的所述集输系统运行输入参数以及运行输出参数，得到模拟训练集；
模型训练构建模块，用于根据所述模拟训练集，训练强化学习模型，构建集输系统能耗优化模型。
8.一种集输系统能耗控制装置，其特征在于，所述装置包括：
参数实时获取模块，用于获取集输系统实时生产工艺参数；
参数导入模块，用于将所述实时生成工艺参数输入至集输系统能耗优化模型；
能耗控制模块，用于根据所述集输系统能耗优化模型输出的参数对所述集输系统进行能耗控制；
其中，所述集输系统能耗优化模型为采用如权利要求1-5中任意一项所述方法构建的模型。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至5中任意一项所述的集输系统能耗优化模型构建方法或如权利要求6所述的集输系统能耗控制方法。
10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、所述存储器通过所述总线完成相互间的通信；
所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至5中任意一项所述的集输系统能耗优化模型构建方法或如权利要求6所述的集输系统能耗控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911424756.8A CN113126576B (zh) | 2019-12-31 | 2019-12-31 | 集输系统能耗优化模型构建方法与集输系统能耗控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911424756.8A CN113126576B (zh) | 2019-12-31 | 2019-12-31 | 集输系统能耗优化模型构建方法与集输系统能耗控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113126576A true CN113126576A (zh) | 2021-07-16 |
| CN113126576B CN113126576B (zh) | 2022-07-29 |
Family
ID=76770786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911424756.8A Active CN113126576B (zh) | 2019-12-31 | 2019-12-31 | 集输系统能耗优化模型构建方法与集输系统能耗控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113126576B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2014896A2 (de) * | 2007-07-09 | 2009-01-14 | Ulrich Woronowicz | Druckluftsystem zur Speicherung und Wiedergewinnung von Energie |
| CN102109823A (zh) * | 2010-12-13 | 2011-06-29 | 北京三博中自科技有限公司 | 用于电机驱动的流体输送设备能效计算的建模方法和系统 |
| CN102606886A (zh) * | 2012-02-07 | 2012-07-25 | 北京康吉森油气工程技术有限公司 | 基于微粒群算法的气相介质长输管道、优化装置及方法 |
| CN102713946A (zh) * | 2010-01-27 | 2012-10-03 | Abb技术有限公司 | 用于优化供应网络的工作方式的装置和方法 |
| CN104832131A (zh) * | 2015-01-30 | 2015-08-12 | 燕山大学 | 一种基于机采和集油系统整体的集油参数优选方法 |
| EP3112823A1 (en) * | 2015-07-03 | 2017-01-04 | Kamstrup A/S | System for monitoring a utility network |
| CN107194565A (zh) * | 2017-05-17 | 2017-09-22 | 国家电网公司 | 一种基于云决策的电网调度优化方法和系统 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN109426205A (zh) * | 2017-09-05 | 2019-03-05 | 万洲电气股份有限公司 | 一种工业智能优化节能系统 |
| CN109681165A (zh) * | 2019-03-01 | 2019-04-26 | 北京国双科技有限公司 | 用于油田采油中的注水策略优化方法及装置 |
| CN110366126A (zh) * | 2019-06-17 | 2019-10-22 | 上海交通大学 | 移动式自组网络中脱离节点等待时间最优决策方法及系统 |
-
2019
- 2019-12-31 CN CN201911424756.8A patent/CN113126576B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2014896A2 (de) * | 2007-07-09 | 2009-01-14 | Ulrich Woronowicz | Druckluftsystem zur Speicherung und Wiedergewinnung von Energie |
| CN102713946A (zh) * | 2010-01-27 | 2012-10-03 | Abb技术有限公司 | 用于优化供应网络的工作方式的装置和方法 |
| CN102109823A (zh) * | 2010-12-13 | 2011-06-29 | 北京三博中自科技有限公司 | 用于电机驱动的流体输送设备能效计算的建模方法和系统 |
| CN102606886A (zh) * | 2012-02-07 | 2012-07-25 | 北京康吉森油气工程技术有限公司 | 基于微粒群算法的气相介质长输管道、优化装置及方法 |
| CN104832131A (zh) * | 2015-01-30 | 2015-08-12 | 燕山大学 | 一种基于机采和集油系统整体的集油参数优选方法 |
| EP3112823A1 (en) * | 2015-07-03 | 2017-01-04 | Kamstrup A/S | System for monitoring a utility network |
| CN107194565A (zh) * | 2017-05-17 | 2017-09-22 | 国家电网公司 | 一种基于云决策的电网调度优化方法和系统 |
| CN109426205A (zh) * | 2017-09-05 | 2019-03-05 | 万洲电气股份有限公司 | 一种工业智能优化节能系统 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN109681165A (zh) * | 2019-03-01 | 2019-04-26 | 北京国双科技有限公司 | 用于油田采油中的注水策略优化方法及装置 |
| CN110366126A (zh) * | 2019-06-17 | 2019-10-22 | 上海交通大学 | 移动式自组网络中脱离节点等待时间最优决策方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113126576B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
| CN110930016A (zh) | 一种基于深度q学习的梯级水库随机优化调度方法 | |
| CN113126576B (zh) | 集输系统能耗优化模型构建方法与集输系统能耗控制方法 | |
| CN114066333A (zh) | 数据处理方法及装置 | |
| CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
| CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 | |
| CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| CN116014715A (zh) | 一种基于数字孪生的综合能源控制方法及系统 | |
| CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
| CN111667377A (zh) | 一种全自动用电量预测方法及其系统 | |
| CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
| Liu et al. | Digital twin-driven robotic disassembly sequence dynamic planning under uncertain missing condition | |
| Zhou et al. | Coal consumption prediction in thermal power units: A feature construction and selection method | |
| CN106786537A (zh) | 基于能源互联网的城市电网调控系统和调控方法 | |
| CN115577647B (zh) | 电网故障类型识别方法与智能体构建方法 | |
| JP7237500B2 (ja) | 計画装置、方法、およびプログラム | |
| CN113051445A (zh) | 工业生产数据处理方法、装置、计算机设备和存储介质 | |
| CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
| CN112465221A (zh) | 一种基于强化学习原理的电话催收动态策略优化系统 | |
| Li et al. | A Novel Short-term Load Forecasting Model by TCN-LSTM Structure with Attention Mechanism | |
| Silva et al. | Framework for the development of a digital twin for solar water heating systems | |
| CN117236650B (zh) | 一种水肥一体化智慧泵房控制方法 | |
| Chaer et al. | Teaching a Robot the optimal operation of an Electrical Energy System with high integration of renewable energies | |
| Li et al. | Data‐driven robust look‐ahead power dispatch with preidentification of the worst‐case scenario using combined multilayer perceptron |
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 |