CN113780649A - 一种应用于供电企业的应急物资储备综合智能预测系统 - Google Patents
一种应用于供电企业的应急物资储备综合智能预测系统 Download PDFInfo
- Publication number
- CN113780649A CN113780649A CN202111034476.3A CN202111034476A CN113780649A CN 113780649 A CN113780649 A CN 113780649A CN 202111034476 A CN202111034476 A CN 202111034476A CN 113780649 A CN113780649 A CN 113780649A
- Authority
- CN
- China
- Prior art keywords
- emergency material
- emergency
- storage
- quota
- material storage
- 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
- 239000000463 material Substances 0.000 title claims abstract description 214
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000007774 longterm Effects 0.000 claims abstract description 11
- 238000007667 floating Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000011232 storage material Substances 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种应用于供电企业的应急物资储备综合智能预测系统,属于电力应急储备技术领域,以解决电力应急物资预测大多停留在灾后对应急物资方案的优化上,缺乏灾前储备模型的建立和预测系统的问题。方法包括选取应急物资储备定额计算的影响因素、基于传统经验模式的长期应急物资储备定额计算、基于回声状态网络的短期应急物资储备定额计算、获得应急物资储备定额综合数据、指导供电企业的应急物资储备。本发明基于物联网模式下建立供电企业的应急物资储备综合智能预测系统,有利于供给侧结构改革,优化资源配置,同时对于应急物资包管理的智能化和自动化方向发展有建设性的意义。
Description
技术领域
本发明属于电力应急储备技术领域,具体涉及一种应用于供电企业的应急 物资储备综合智能预测系统。
背景技术
电力行业是我国重大基础建设之一,在国民经济发展中,离不开电力行业 的支撑,其安全稳定运行也同时制约着其它行业的发展。电力行业在运行中会 受到地理环境、天气、突发自然灾害等因素的影响,随着人们生活水平和大型 设备对供电质量要求的提升,对供电企业如何在事故发生之前抵抗风险,事故 发生后的快速应急响应方面提出更高要求。
在传统经验模式下,电力企业根据以往对灾害周期的判断,人为确定应 急物资整装配套储备额,不可避免的造成物资周转率降低,仓储压力和成本浪 费增加和应对风险的能力不足。而现有技术中对该问题的研究,大多停留在灾 害发生后应急物资方案的优化上,如:利用非电网物资和电网物资之间的比 例,建立决策优化模型;结合物资配送时间,将应急物资配送路线进行优化; 利用神经网络对应急物资仓储进行选址。但思路上整体都属于灾后对应急物资 方案的优化上,缺乏灾前对应急物资储备的模型建立和预测。
为提升电力行业在灾前对应急物资储备定额模型的建立、应急物资的储 备能力预测,建立更为优化的应急物资储备预测系统,成为电力行业灾前应急 管理体系的重中之重。
由于国内许多行业都提出建立物联网技术发展战略,如:电力通信、医 疗、生态、物流、工业等。电网本身的体系庞大,在应对不确定的风险时,可 以考虑引入物联网信息技术。
但如何应用物联网信息实现应急物资的储备和组织协调,对电网安全稳 定运行有巨大挑战。例如在短期预测算法下,回声状态网络已成功应用在光伏 发电功率、电力负荷和机械寿命等领域的短期预测。但不同短期预测模型考虑 的影响因素不同,选取何种因素作为短期预测模型的影响因素?短期预测的预 测范围受限,无法顾及到长期的应急物资储备,如何将长期预测与短期预测相 结合以实现互补?如何在灾害发生之前就能够达到储备额最优,从而最大限度 的减少灾害带来的负面影响?
基于以上技术问题,研发人员提出了一种应用于供电企业的应急物资储 备综合智能预测系统。
发明内容
本发明的目的在于提供一种应用于供电企业的应急物资储备综合智能预测 系统,以解决电力应急物资预测大多停留在灾后对应急物资方案的优化上,缺 乏灾前储备模型的建立和预测系统的问题。
为了解决以上问题,本发明技术方案为:
一种应用于供电企业的应急物资储备综合智能预测系统,该方法为以下步 骤:
步骤A、选取应急物资储备定额计算的影响因素:
应急物资包定额的影响因素众多,为量化描述其特性,分别从仓储、成 本、风险、技术四个角度去分析。
在仓储方面,考虑到仓储水平、仓储利用率等关键节点,最终选取仓储存 储量为量化指标;
在成本方面,除包括所有应急物资的持有成本外,还有补充物资成本、损 耗成本、管理成本等,以上成本相比,持有成本远高于其他成本,因此选定持 有成本为量化指标;
在风险方面,以预期应急物资包和现场需求物资之间的满足比率,即应急 物资包满足率作为量化指标;
在技术方面,随着仓储智能化程度的逐步提升,基础设备的完善,在事故 损害程度的及时反馈下,在技术层面上选取应时间作为量化指标。
综上:选取仓储存储量、持有成本、应急物资包满足率和应急响应时间为 影响因素。
步骤B、基于传统经验模式的长期应急物资储备定额计算:
步骤a:应急物资储备的存储量变化;
应急物资储备包括固定应急物资包和浮动应急物资包两部分构成,计算方 式如下:
应急物资包储备=固定应急物资包+浮动应急物资包
其中,固定应急物资包是常用最低限额保障,而浮动应急物资包是根据地 域性灾害事故周期内的波动储备。
假设事故发生的周期为T,浮动应急物资包的储备可以描述为在周期T内具 有极值的浮动函数f(t),且定义极大为fmax,极小值为fmin;浮动应急物资 包储量的极小值fmin和固定应急物资包储量M相等。
即:fmin=M (1)
当浮动函数是线性的,固定应急物资包的储备量为M时,应急物资包储备 量的变化示意图如图2所示;从应急物资储备量变化中可以看出,正是由于浮 动应急物资包的存在,浮动应急物资包储量的极小值fmin和固定应急物资包 储量M相等,才奠定了应急物资包储备定额计算的经济性体现。
步骤b:应急物资储备的定额计算;
以单个事故周期为例,为适应应急物资包存储量的变化,基于
经验模式下,其定额计算满足上述步骤a中式(1)和下述式(2)
这两个条件:
以上基于传统经验模式对应急物资储备在固定算法的模式下,只考虑到长 期的事故发生率和应急物资包的需求量,但是未对仓储存储量、持有成本、应 急物资包满足率和应急响应时间等影响因素做出综合考量,在一定程度上降低 了其抵抗风险的能力和对于资本的流通性;故需要引入短期应急物资储备定额 模型并进行计算。
步骤C、:基于回声状态网络的短期应急物资储备定额计算;
步骤a:算法选择;
选取回声状态网络(Echo State Network,ESN)算法,ESN算法具有短期 记忆功能,在学习过程中输入部分和储备池里面的权值参数是定值,只用针对 输出部分进行权值训练,避免了陷入局部最优,简化了计算难度,ENS算法的 结构简化模型如图4所示;
假设输入部分的维度为K,储备池维度为N,输出部分维度为L,定义ESN 算法中输入值u(n)、储备池的中间值x(n)和输出值y(n)分别为:
根据输入部分的权值参数矩阵Win,储备池中稀疏连接矩阵输出部分的 权值参数矩阵Wout,输出反馈部分的权值参数矩阵Wback,以n时刻下为例, 得出储备池的状态方程和ESN的输出方程如式(4)、式(5)所示:
y(n+1)=Wout[u(n+1),x(n+1),y(n)] (5)
式中:
步骤b:确定算法流程;
算法包括以下步骤:
①确定上述步骤a中ESN中的维度,即:K、N、L的取值;
③通过式(4)和式(5)进行ESN网络训练;
④最后由n+1时刻的输入值u(n+1),得出n+1时刻的预测输出值 y(n+1)。
ESN算法通过储备池中不断更新的状态空间,建立输入值和输出值之间的联 系,从而达到ESN网络短期预测的目的。
步骤c:短期应急物资储备定额计算;
①分别以步骤A中确定的仓储存储量、持有成本、应急物资包满足率和应 急响应时间依次作为算法预测的输入特征;
②对以上每一个输入特征进行归一化处理;
③提取应急物资包特征向量;
④按照上述步骤b中算法流程计算出短期应急物资储备定额的预测值;
⑤对以上预测值进行反归一化处理处理,得到步骤A中确定的影响因素: 仓储存储量、持有成本、应急物资包满足率和应急响应时间的短期应急物资储 备定额。
以上预测流程图如图3所示。
步骤D、获得应急物资储备定额综合数据:
将长期应急物资储备定额计算与短期应急物资储备定额计算的数据进行交 互,最终获得应急物资储备定额综合数据。
步骤E、指导供电企业的应急物资储备:
将步骤D中获得的应急物资储备定额综合数据结果应用于供电企业的应急 物资储备。
具体的:
步骤a:建立应急物资储备控制系统1;
分别建立供电企业控制系统2、建立应急物资调配中心控制系统3、WIN虚 拟仓控制系统4、在建项目控制系统5;
供电企业控制系统2分别与建立应急物资调配中心控制系统3、WIN虚拟 仓控制系统4、在建项目控制系统5之间均建立动态的数据交互关系。
其中应急物资调配中心控制系统3收集应急物资储备中的已有储备数据; WIN虚拟仓控制系统4收集应急物资储备中的协议储备数据;在建项目控制系 统5收集应急物资储备中的动态储备数据。
步骤b:建立应急物资储备控制系统1与应急物资储备定额综合数据之间 的交互关系;
将上述步骤a中所建立的应急物资储备控制系统1与将步骤D中获得的应 急物资储备定额综合数据结果进行实时数据交互,用来及时调整已有储备数 据、协议储备数据、动态储备数据的值,并将该储备数据反馈于供电企业控制 系统2,便于供电企业在应急状态下对各个储备场所储备物资的调配分发;同 时便于灾后对各个储备场所储备物资的动态调整。
本发明的有益效果如下:
(1)本发明针对供电企业的应急物资储备中缺乏灾前对应急物资储备的 模型建立和预测的问题,在传统预测的长期应急物资储备定额基础上,引入采 用ESN算法预测的短期应急物资储备定额,从仓储、成本、风险、技术四个角 度去分析,找出仓储存储量、持有成本、应急物资包满足率和应急响应时间作 为影响因素,利用ESN算法建模预测各个影响因素的输出值;再利用长期应急 物资储备定额和短期应急物资储备定额之间的数据交互获得应急物资储备定额 综合数据。
另一方面,通过建立应急物资储备控制系统,并与应急物资储备定额综合 数据的交互来实现供电企业控制系统对各个应急物资储备相关系统的调控;进 而建立应急物资储备的数据采集、传输、预处理,综合预测等,从而提升供电 企业的运营和维护管理水平。
(2)本发明针对供电企业应急物资供应体系建设中,应急物资包储备定 额的短期预测,对于实物储备、协议储备、动态周转的物资提前储备指导性的 意义,同时资金周转的周期缩短,提升企业的效益。在面对突发灾难和自然现 象,有利于减少财产损失,维护电网的平稳运行,同时提升企业形象。
(3)本发明基于物联网模式下建立供电企业的应急物资储备综合智能预 测系统,有利于供给侧结构改革,优化资源配置,同时对于应急物资包管理的 智能化和自动化方向发展有建设性的意义。
附图说明
图1为本发明的预测原理示意图;
图2为本发明步骤B-a中应急物资包储备量变化示意图;
图3为本发明步骤C-c中短期应急物资储备定额预测流程图;
图4为本发明步骤C-a中ESN算法简化模型;
图5为本发明实施例中电力电缆储备定额的预测结果。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结 合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清 楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式, 而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人 员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨 在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方 式。
实施例
如图1-5所示,一种应用于供电企业的应急物资储备综合智能预测系统,其 运行方式分为如下步骤:
步骤A、选取应急物资储备定额计算的影响因素:
应急物资包定额的影响因素众多,为量化描述其特性,分别从仓储、成 本、风险、技术四个角度去分析。
在仓储方面,考虑到仓储水平、仓储利用率等关键节点,最终选取仓储存 储量为量化指标;
在成本方面,除包括所有应急物资的持有成本外,还有补充物资成本、损 耗成本、管理成本等,以上成本相比,持有成本远高于其他成本,因此选定持 有成本为量化指标;
在风险方面,以预期应急物资包和现场需求物资之间的满足比率,即应急 物资包满足率作为量化指标;
在技术方面,随着仓储智能化程度的逐步提升,基础设备的完善,在事故 损害程度的及时反馈下,在技术层面上选取应时间作为量化指标。
综上:选取仓储存储量、持有成本、应急物资包满足率和应急响应时间为 影响因素。
步骤B、基于传统经验模式的长期应急物资储备定额计算:
步骤a:应急物资储备的存储量变化;
应急物资储备包括固定应急物资包和浮动应急物资包两部分构成,计算方 式如下:
应急物资包储备=固定应急物资包+浮动应急物资包
其中,固定应急物资包是常用最低限额保障,而浮动应急物资包是根据地 域性灾害事故周期内的波动储备。
假设事故发生的周期为T,浮动应急物资包的储备可以描述为在周期T内具 有极值的浮动函数f(t),且定义极大为fmax,极小值为fmin;浮动应急物资 包储量的极小值fmin和固定应急物资包储量M相等。
即:fmin=M (1)
当浮动函数是线性的,固定应急物资包的储备量为M时,应急物资包储备 量的变化示意图如图2所示;从应急物资储备量变化中可以看出,正是由于浮 动应急物资包的存在,浮动应急物资包储量的极小值fmin和固定应急物资包 储量M相等,才奠定了应急物资包储备定额计算的经济性体现。
步骤b:应急物资储备的定额计算;
以单个事故周期为例,为适应应急物资包存储量的变化,基于
经验模式下,其定额计算满足上述步骤a中式(1)和下述式(2)
这两个条件:
以上基于传统经验模式对应急物资储备在固定算法的模式下,只考虑到长 期的事故发生率和应急物资包的需求量,但是未对仓储存储量、持有成本、应 急物资包满足率和应急响应时间等影响因素做出综合考量,在一定程度上降低 了其抵抗风险的能力和对于资本的流通性;故需要引入短期应急物资储备定额 模型并进行计算。
步骤C、:基于回声状态网络的短期应急物资储备定额计算;
步骤a:算法选择;
选取回声状态网络(Echo State Network,ESN)算法,ESN算法具有短期 记忆功能,在学习过程中输入部分和储备池里面的权值参数是定值,只用针对 输出部分进行权值训练,避免了陷入局部最优,简化了计算难度,ENS算法的 结构简化模型如图4所示;
假设输入部分的维度为K,储备池维度为N,输出部分维度为L,定义ESN 算法中输入值u(n)、储备池的中间值x(n)和输出值y(n)分别为:
根据输入部分的权值参数矩阵Win,储备池中稀疏连接矩阵输出部分的 权值参数矩阵Wout,输出反馈部分的权值参数矩阵Wback,以n时刻下为例, 得出储备池的状态方程和ESN的输出方程如式(4)、式(5)所示:
y(n+1)=Wout[u(n+1),x(n+1),y(n)] (5)
式中:
步骤b:确定算法流程;
算法包括以下步骤:
④确定上述步骤a中ESN中的维度,即:K、N、L的取值;
⑥通过式(4)和式(5)进行ESN网络训练;
④最后由n+1时刻的输入值u(n+1),得出n+1时刻的预测输出值 y(n+1)。
ESN算法通过储备池中不断更新的状态空间,建立输入值和输出值之间的联 系,从而达到ESN网络短期预测的目的。
步骤c:短期应急物资储备定额计算;
①分别以步骤A中确定的仓储存储量、持有成本、应急物资包满足率和应 急响应时间依次作为算法预测的输入特征;
②对以上每一个输入特征进行归一化处理;
③提取应急物资包特征向量;
④按照上述步骤b中算法流程计算出短期应急物资储备定额的预测值;
⑤对以上预测值进行反归一化处理处理,得到步骤A中确定的影响因素: 仓储存储量、持有成本、应急物资包满足率和应急响应时间的短期应急物资储 备定额。
以上预测流程图如图3所示。
本实施例中,以某电力企业2017年至2020年的月度应急物资包中的电 力电缆为例,将仓储储备量、仓储持有成本、应急物资包要求的满足率和应急 响应时间作为特征,经归一化处理后作为输入特征向量,并输入上述ESN网络 中对应急物资包的储备定额进行短期预测。以前30个月的数据为训练集,对 后18个月储备定额的预测结果如图5所示。
从图5的预测结果可以得出,应急物资包定额的真实值和预测值相对误 差不超过5%,且电力电缆定额经过反归一化处理后可以作为下个阶段的储备额 参考,验证了短期预测算法在电力企业应急物资供应体系建设中的有效性。
步骤D、获得应急物资储备定额综合数据:
将长期应急物资储备定额计算与短期应急物资储备定额计算的数据进行交 互,最终获得应急物资储备定额综合数据。
步骤E、指导供电企业的应急物资储备:
将步骤D中获得的应急物资储备定额综合数据结果应用于供电企业的应急 物资储备。
具体的:
步骤a:建立应急物资储备控制系统1;
分别建立供电企业控制系统2、应急物资调配中心控制系统3、WIN虚拟仓 控制系统4、在建项目控制系统5;
供电企业控制系统2分别与建立应急物资调配中心控制系统3、WIN虚拟 仓控制系统4、在建项目控制系统5之间均建立动态的数据交互关系。
其中应急物资调配中心控制系统3收集应急物资储备中的已有储备数据; WIN虚拟仓控制系统4收集应急物资储备中的协议储备数据;在建项目控制系 统5收集应急物资储备中的动态储备数据。
步骤b:建立应急物资储备控制系统1与应急物资储备定额综合数据之间 的交互关系;
将上述步骤a中所建立的应急物资储备控制系统1与将步骤D中获得的应 急物资储备定额综合数据结果进行实时数据交互,用来及时调整已有储备数 据、协议储备数据、动态储备数据的值,并将该储备数据反馈于供电企业控制 系统2,便于供电企业在应急状态下对各个储备场所储备物资的调配分发;同 时便于灾后对各个储备场所储备物资的动态调整。
Claims (4)
1.一种应用于供电企业的应急物资储备综合智能预测系统,其特征在于:该方法为以下步骤:
步骤A、选取应急物资储备定额计算的影响因素:
选取仓储存储量、持有成本、应急物资包满足率和应急响应时间为影响因素;
步骤B、基于传统经验模式的长期应急物资储备定额计算:
步骤a:应急物资储备的存储量变化;
应急物资储备包括固定应急物资包和浮动应急物资包两部分构成,计算方式如下:
应急物资包储备=固定应急物资包+浮动应急物资包
其中,固定应急物资包是常用最低限额保障,而浮动应急物资包是根据地域性灾害事故周期内的波动储备;
假设事故发生的周期为T,浮动应急物资包的储备可以描述为在周期T内具有极值的浮动函数f(t),且定义极大为fmax,极小值为fmin;浮动应急物资包储量的极小值fmin和固定应急物资包储量M相等;
即:fmin=M (1)
步骤b:应急物资储备的定额计算;
基于经验模式下,其定额计算满足上述步骤a中式(1)
和下述式(2)这两个条件:
步骤C、:基于回声状态网络的短期应急物资储备定额计算;
步骤a:算法选择;
选取回声状态网络(Echo State Network,ESN)算法;
步骤b:确定算法流程;
步骤c:短期应急物资储备定额计算;
步骤D、获得应急物资储备定额综合数据:
将长期应急物资储备定额计算与短期应急物资储备定额计算的数据进行交互,最终获得应急物资储备定额综合数据;
步骤E、指导供电企业的应急物资储备:
将步骤D中获得的应急物资储备定额综合数据结果应用于供电企业的应急物资储备;
具体的:
步骤a:建立应急物资储备控制系统(1);
分别建立供电企业控制系统(2)、建立应急物资调配中心控制系统(3)、WIN虚拟仓控制系统(4)、在建项目控制系统(5);
供电企业控制系统(2)分别与建立应急物资调配中心控制系统(3)、WIN虚拟仓控制系统(4)、在建项目控制系统(5)之间均建立动态的数据交互关系;
其中应急物资调配中心控制系统(3)收集应急物资储备中的已有储备数据;WIN虚拟仓控制系统(4)收集应急物资储备中的协议储备数据;在建项目控制系统(5)收集应急物资储备中的动态储备数据;
步骤b:建立应急物资储备控制系统(1)与应急物资储备定额综合数据之间的交互关系;
将上述步骤a中所建立的应急物资储备控制系统(1)与将步骤D中获得的应急物资储备定额综合数据结果进行实时数据交互,用来及时调整已有储备数据、协议储备数据、动态储备数据的值,并将该储备数据反馈于供电企业控制系统(2),便于供电企业在应急状态下对各个储备场所储备物资的调配分发;同时便于灾后对各个储备场所储备物资的动态调整。
2.如权利要求1所述的一种应用于供电企业的应急物资储备综合智能预测系统,其特征在于:步骤C的步骤a中选取的ESN算法具体为:
假设输入部分的维度为K,储备池维度为N,输出部分维度为L,定义ESN算法中输入值u(n)、储备池的中间值x(n)和输出值y(n)分别为:
根据输入部分的权值参数矩阵Win,储备池中稀疏连接矩阵输出部分的权值参数矩阵Wout,输出反馈部分的权值参数矩阵Wback,以n时刻下为例,得出储备池的状态方程和ESN的输出方程如式(4)、式(5)所示:
y(n+1)=Wout[u(n+1),x(n+1),y(n)] (5)
式中:
4.如权利要求3所述的一种应用于供电企业的应急物资储备综合智能预测系统,其特征在于:步骤C的步骤c中的定额计算具体方式如下:
①分别以步骤A中确定的仓储存储量、持有成本、应急物资包满足率和应急响应时间依次作为算法预测的输入特征;
②对以上每一个输入特征进行归一化处理;
③提取应急物资包特征向量;
④按照上述步骤b中算法流程计算出短期应急物资储备定额的预测值;
⑤对以上预测值进行反归一化处理处理,得到步骤A中确定的影响因素:仓储存储量、持有成本、应急物资包满足率和应急响应时间的短期应急物资储备定额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034476.3A CN113780649B (zh) | 2021-09-03 | 2021-09-03 | 一种应用于供电企业的应急物资储备综合智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034476.3A CN113780649B (zh) | 2021-09-03 | 2021-09-03 | 一种应用于供电企业的应急物资储备综合智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780649A true CN113780649A (zh) | 2021-12-10 |
CN113780649B CN113780649B (zh) | 2023-10-31 |
Family
ID=78841271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111034476.3A Active CN113780649B (zh) | 2021-09-03 | 2021-09-03 | 一种应用于供电企业的应急物资储备综合智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780649B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787587A (zh) * | 2016-02-26 | 2016-07-20 | 海南电网有限责任公司 | 一种基于多元回归的电网系统应急物资需求预测方法 |
CN105868839A (zh) * | 2016-02-26 | 2016-08-17 | 海南电网有限责任公司 | 一种应急物资储备优化系统 |
US20200334777A1 (en) * | 2018-11-21 | 2020-10-22 | Beijing Yutian Technology Co. Ltd | Intelligent emergency decision support system for emergency communication |
-
2021
- 2021-09-03 CN CN202111034476.3A patent/CN113780649B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787587A (zh) * | 2016-02-26 | 2016-07-20 | 海南电网有限责任公司 | 一种基于多元回归的电网系统应急物资需求预测方法 |
CN105868839A (zh) * | 2016-02-26 | 2016-08-17 | 海南电网有限责任公司 | 一种应急物资储备优化系统 |
US20200334777A1 (en) * | 2018-11-21 | 2020-10-22 | Beijing Yutian Technology Co. Ltd | Intelligent emergency decision support system for emergency communication |
Non-Patent Citations (2)
Title |
---|
张素青: "电力企业建立应急物资管理体系的建议", 学理论, no. 08, pages 35 - 37 * |
眭楷 等: "基于多元回归分析法的电网应急物资需求预测方法", 电子技术与软件工程, no. 23, pages 195 - 197 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780649B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119886B (zh) | 一种主动配网动态规划方法 | |
Tan et al. | Two-stage robust optimization dispatch for multiple microgrids with electric vehicle loads based on a novel data-driven uncertainty set | |
CN110782363A (zh) | 一种计及风电不确定性的交直流配电网调度方法 | |
Feng et al. | An effective three-stage hybrid optimization method for source-network-load power generation of cascade hydropower reservoirs serving multiple interconnected power grids | |
CN110429649B (zh) | 考虑灵活性的高渗透率可再生能源集群划分方法 | |
CN106058855A (zh) | 协调储能与柔性负荷的主动配电网多目标优化调度方法 | |
CN109886501A (zh) | 一种电动汽车充放电多目标优化方法 | |
CN111900753B (zh) | 一种城市储能应急车的应急优化调控方法 | |
CN114336636B (zh) | 一种交直流混合配电网系统双层储能配置方法 | |
CN111181198A (zh) | 一种基于网源互馈的异质能源互补发电调度方法 | |
CN114069687B (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
CN110783950A (zh) | 一种配电网节点光伏最佳配置容量确定方法 | |
CN115829114A (zh) | 一种多目标优化的能源管理方法、装置及存储介质 | |
CN112380694A (zh) | 一种基于差异化可靠性需求的配电网优化规划方法 | |
CN115185243A (zh) | 高原山地长距离梯级泵站输送系统动态优化调度建模方法 | |
CN108306346A (zh) | 一种配电网无功补偿节能方法 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
CN113673065A (zh) | 一种配电网络自动重构的降损方法 | |
CN113780649A (zh) | 一种应用于供电企业的应急物资储备综合智能预测系统 | |
CN116316752A (zh) | 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 | |
CN113904349A (zh) | 一种考虑负荷主客观属性的孤岛微电网低频减载方法 | |
CN111079966B (zh) | 一种广义负荷空间预测方法和系统 | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
CN112232984A (zh) | 一种分布式数据中心算力与能流融合的综合能源系统优化调度方法 |
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 |