CN113852562B - 一种基于改进粒子群算法的通信与负荷资源联合优化装置 - Google Patents
一种基于改进粒子群算法的通信与负荷资源联合优化装置 Download PDFInfo
- Publication number
- CN113852562B CN113852562B CN202111115925.7A CN202111115925A CN113852562B CN 113852562 B CN113852562 B CN 113852562B CN 202111115925 A CN202111115925 A CN 202111115925A CN 113852562 B CN113852562 B CN 113852562B
- Authority
- CN
- China
- Prior art keywords
- load
- service
- node
- delay
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000010365 information processing Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000001934 delay Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 1
- 229920000642 polymer Polymers 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
-
- 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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种负荷聚合商侧基于改进粒子群算法的通信与负荷资源联合优化装置，包括：信息获取模块，信息处理模块，发令模块，反馈模块。其中，信息获取模块用于采集源‑网‑荷信息；信息处理模块基于改进粒子群算法对数据进行处理，包括排序单元，通信单元，优化算法数据处理单元；发令模块向调控前后状态发生变化的负荷下发调控指令；反馈模块将调控效果反馈给调度中心。该资源联合优化装置基于自适应权重与反向学习策略的改进粒子群算法，实现通信资源和负荷资源的最优分配，得到在光伏消纳场景下，满足通信业务时延较小、网络链路均衡度较低、消纳率高的最优任务下发量，使得在实际负荷功率与目标消纳量的匹配程度更高，光伏消纳效果更理想的同时，电力通信网的时延和均衡度指标也呈现较好的效果。
Description
技术领域
本发明属于柔性负荷调控领域，尤其涉及一种基于改进粒子群算法的通信与负荷资源联合优化装置。
背景技术
目前，针对通信网络资源均衡和需求侧负荷调控的大多数技术面向业务或通信资源的理想环境，鲜少针对通信链路受损下的需求侧业务场景。然而沿海地区自然灾害多发，容易导致通信链路受损，进而使需求响应业务通信时延增大，一方面难以实现源荷精准互动，另一方面负荷调度成本也随之提高。因此，面向自然灾害多发的沿海地区，需要一种能够实现通信与负荷资源联合优化的装置，来解决在通信受限的情况下需求侧负荷如何能够精准调控的问题。
发明内容
为了解决上述现有技术存在的缺陷，本发明提出了一种基于改进粒子群算法的通信与负荷资源联合优化装置。
1.本发明的技术方案是这样实现的，一种基于改进粒子群算法的通信与负荷资源联合优化装置，其特征在于，包括：
信息获取模块，采集智能终端感知的负荷状态信息；获取调度中心根据新能源出力预测向聚合商侧联合优化装置发送的目标消纳量；获取将负荷聚合商和负荷终端作为通信节点的电力通信网拓扑图。
信息处理模块，对源-网-荷数据信息分析，基于改进粒子群算法模拟计算实时最优任务下发量及资源调控策略。
发令模块，根据优化结果，向调控前后状态发生变化的负荷下发调控指令，负荷终端依据调控指令调整运行状态。
反馈模块，将调控效果向调度中心反馈，进行交易结算。
2.在本发明的这种基于改进粒子群算法的通信与负荷资源联合优化装置中，所述信息处理模块包括：
优化算法数据处理单元：基于改进粒子群算法对数据进行处理，进行多次寻优，获取粒子个体最优值和群体最优值，最终群体最优值对应的粒子位置即为该时刻的最优任务下发量。
排序单元：在粒子群迭代寻优的过程中，将第t时刻负荷i的室内温度与温度下限的差值定义为负荷态势值，求取负荷态势值并按降序排列，根据每次寻优的粒子位置(任务下发量)，从状态为“关”的负荷群中依次选取调控潜力最大的负荷进行调控。
通信单元：在网络拓扑中，对调控前后开关状态发生变化的负荷节点发送模拟调控指令信息，形成从聚合商到负荷终端的L条业务。采用迪杰斯特拉算法(Dijkstra)求出聚合商节点到调控负荷节点的最短路径以及路径依次经过的节点，进一步计算当前各节点和链路承载的业务个数，求出平均传输可靠性、链路均衡度、平均业务时延。
3.一种存储介质，存储计算机程序，计算机程序在处理器中执行可实现上述任一个模块的功能。
4.实施本发明的这种基于改进粒子群算法的通信与负荷资源联合优化装置，具有以下有益效果：
该装置基于自适应权重与反向学习策略的改进粒子群算法，实现通信资源和负荷资源的最优分配，得到在光伏消纳场景下，满足通信业务时延较小、网络链路均衡度较低、消纳率高的最优任务下发量，使得在实际负荷功率与目标消纳量的匹配程度更高，光伏消纳效果更理想的同时，电力通信网的时延和均衡度指标也呈现较好的效果。
附图说明
图1为本发明的基于改进粒子群算法的通信与负荷资源联合优化装置的模块架构图；
图2为本发明的基于改进粒子群算法的通信与负荷资源联合优化装置中的信息处理模块结构框图；
图3为本发明的基于改进粒子群算法的通信与负荷资源联合优化装置的处理过程流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
1.如图1至3所示，本发明的这种基于改进粒子群算法的通信与负荷资源联合优化装置，包括：
信息获取模块1，信息获取模块1用于采集智能终端感知的负荷状态信息；获取调度中心根据新能源出力预测向聚合商侧联合优化装置发送的目标消纳量；获取将负荷聚合商和负荷终端作为通信节点的电力通信网拓扑图。
2.信息处理模块2，信息处理模块2与信息获取模块1相连，用于对信息获取模块1获取的源-网-荷数据信息分析，基于改进粒子群算法模拟计算实时最优任务下发量及资源调控策略。信息处理模块包括排序单元21，通信单元22，优化算法数据处理单元23。排序单元21用于将负荷态势值按降序排列。通信单元22用于求取平均传输可靠性、链路均衡度、平均业务时延。优化算法数据处理单元23基于改进粒子群算法对数据进行处理，求取最优任务下发量。
3.排序单元21与信息获取模块1、通信单元22和优化算法数据处理单元23相连。在粒子群迭代寻优的过程中，将信息获取模块1采集的温度信息与温度下限的差值作为负荷态势值，求取负荷态势值并按降序排列，根据优化算法数据处理单元23确定的每次寻优的粒子位置(任务下发量)，从状态为“关”的负荷群中按态势值降序依次选取调控潜力最大的负荷进行调控，并将选取结果发送至通信单元22。
4.通信单元22与信息获取模块1、排序单元21、优化算法数据处理单元23相连。通信单元22在信息获取模块1采集的电力通信网络拓扑的基础上，对通过排序单元21求取的参与调控的负荷节点发送模拟调控指令信息，形成从聚合商到负荷终端的L条业务。采用迪杰斯特拉算法(Dijkstra)求出聚合商节点到调控负荷节点的最短路径以及路径依次经过的节点，进一步计算当前各节点和链路承载的业务个数，求出平均传输可靠性、平均业务时延、链路均衡度三个电力通信网络性能指标，并将求取结果发送至优化算法数据处理单元23。
5.传输可靠性体现了业务经过节点时的堵塞程度，传输可靠性越低，则节点丢包的可能性越高。求取传输可靠性计算公式如下：
其中，为第t时隙内节点i经过的业务个数，minQ为允许经过某节点的最小业务个数，maxQ为允许经过某节点的最大业务个数，maxp为经过节点业务个数达到最大阈值时的丢包概率，介于0到1之间。当/>时，没有数据包被丢弃；当/>时，则以包丢弃概率/>丢弃数据包；当/>时，所有数据包被丢弃。
第t时隙内通信网络的平均传输可靠性为
其中，n为负荷终端节点个数。
6.在第t时隙内，将聚合商节点向某一负荷终端节点i发送调控指令的过程中产生的总时延定义为业务i的业务时延包括数据在链路中的传输时延、排队时延和其他因素导致的时延。业务总时延的计算公式如下：
其中，为第t时隙内业务i的传输时延，/>为第t时隙内业务i的其他因素导致的时延，/>为第t时隙内业务i的排队时延。
传输时延的与链路长度成正比，计算公式如下：
其中，n1为光纤芯区折射率，典型值为1.48；c为真空中的光速(3×108m/s)；为第t时隙内业务i的最短路径。
其他因素导致的时延主要为负荷智能终端执行指令时引起的时延，本节视为服从正态分布。
排队时延采用平均值来体现。假设时隙t内负荷聚合商节点同时向Lt个负荷节点发送调控指令，即该时隙内网络中共有Lt条业务。设在第i条业务中，从聚合商节点到调控负荷节点依次经过的节点集合记为M，且每个节点的处理时延为/>最大并发业务个数为Lmax,j。当qt条业务同时到达第j个节点(j∈M)，则第j个节点上平均排队时延为：
业务i的平均排队时延为最短路径上所有节点平均排队时延的和，计算公式如下：
综上，第t时隙的平均业务时延为这Lt个业务总时延的平均值，即
7.第t链路均衡度为每条链路上承载的业务个数的标准差，Dt越大，说明每条链路上分布的业务个数差异大，链路均衡性差；Dt越小，说明业务在各链路中分布的较均匀，链路均衡性好。链路均衡度Dt的计算公式如下：
其中，Dt为第t时隙的全网所有链路的均衡度，为第v条链路上所承载的业务个数，c为全通信网链路总个数。
8.优化算法数据处理单元23与通信单元22和发令模块3相连，优化算法数据处理单元23获取通信单元22求得的平均传输可靠性、平均业务时延、链路均衡度三个电力通信网性能指标，带入粒子适应度F的计算公式中，得到每次迭代寻优的粒子适应度F，并获取当前个体最优值和群体最优值。粒子适应度F的表达式为：
其中，α和β为权重，分别表示业务时延和均衡度在中的重要性；/>为平均业务时延；Dt为第t时隙全网链路的均衡度；/>为调控的目标功率；Pa t为任务下发量；/>为平均传输可靠性；λ和ω为目标函数权重，分别表示/>和/>在目标函数F中的重要程度。
9.在优化算法数据处理单元23求得当前迭代下的粒子适应度后，根据速度和位置更新公式不断更新粒子群的速度和位置，并对粒子群进行反向学习，求出随粒子适应度F变化的自适应权重w。基于粒子适应度的权重更新函数计算公式如下：
其中，f为当前适应度值，favg为平均适应度值，fmin为最小适应度值。
多次寻优后，最终群体最优值minF对应的粒子位置即为该时刻的最优任务下发量，即业务时延、网络链路均衡度、目标消纳量与任务下发量差值的加权和最小时，达到网络资源最优配置，并将该最优任务下发量发送给发令模块3。
10.发令模块3与优化算法数据处理单元23、反馈模块4和实际电力通信网相连。根据优化算法数据处理单元23求得的最优任务下发量，发令模块3向调控前后状态发生变化的负荷下发调控指令，负荷终端依据调控指令调整运行状态。并将调控结果发送至反馈模块4。
11.反馈模块4与发令模块3和调度中心相连。反馈模块4将发令模块3反馈的调控效果向调度中心反馈，进行交易结算。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改，等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于改进粒子群算法的通信与负荷资源联合优化装置，应用于负荷聚合商侧，其特征在于，包括：信息获取模块：采集智能终端感知的负荷状态信息；获取调度中心根据新能源出力预测向聚合商侧联合优化装置发送的目标消纳量；获取将负荷聚合商和负荷终端作为通信节点的电力通信网拓扑图；
信息处理模块：与信息获取模块相连，用于对信息获取模块获取的源-网-荷数据信息分析，基于改进粒子群算法模拟计算实时最优任务下发量及资源调控策略；包括排序单元，通信单元，优化算法数据处理单元；
其中：排序单元与信息获取模块、通信单元和优化算法数据处理单元相连，在粒子群迭代寻优的过程中，将第t时刻负荷i的室内温度与温度下限的差值定义为负荷态势值，求取负荷态势值并按降序排列，根据每次寻优的粒子位置，从状态为“关”的负荷群中依次选取调控潜力最大的负荷进行调控；并将选取结果发送至通信单元；
通信单元，与信息获取模块、排序单元、优化算法数据处理单元相连；在网络拓扑中，对调控前后开关状态发生变化的负荷节点发送模拟调控指令信息，形成从聚合商到负荷终端的L条业务；采用迪杰斯特拉算法求出聚合商节点到调控负荷节点的最短路径以及路径依次经过的节点，进一步计算当前各节点和链路承载的业务个数，求出平均传输可靠性、链路均衡度、平均业务时延三个电力通信网络性能指标，并将求取记过发送至优化算法数据处理单元；
优化算法数据处理单元：基于改进粒子群算法对数据进行处理，进行多次寻优，获取粒子个体最优值和群体最优值，最终群体最优值对应的粒子位置即为该时刻的最优任务下发量；
发令模块：根据优化结果，向调控前后状态发生变化的负荷下发调控指令，负荷终端依据调控指令调整运行状态；
反馈模块：将调控效果向调度中心反馈，进行交易结算。
2.如权利要求1所述的装置，其特征在于，所述电力通信网络性能指标计算方法包括：
传输可靠性体现了业务经过节点时的堵塞程度，传输可靠性越低，则节点丢包的可能性越高；传输可靠性计算公式如下：
其中，为第t时隙内节点i经过的业务个数，minQ为允许经过某节点的最小业务个数，maxQ为允许经过某节点的最大业务个数，maxp为经过节点业务个数达到最大阈值时的丢包概率，介于0到1之间；当/>时，没有数据包被丢弃；当/>时，则以包丢弃概率/>丢弃数据包；当/>时，所有数据包被丢弃；
第t时隙内通信网络的平均传输可靠性为
其中，n为负荷终端节点个数；
在第t时隙内，将聚合商节点向某一负荷终端节点i发送调控指令的过程中产生的总时延定义为业务i的业务时延包括数据在链路中的传输时延、排队时延和其他因素导致的时延；业务总时延的计算公式如下：
其中，为第t时隙内业务i的传输时延，/>为第t时隙内业务i的其他因素导致的时延，/>为第t时隙内业务i的排队时延；
传输时延的与链路长度成正比，计算公式如下：
其中，n1为光纤芯区折射率，典型值为1.48；c为真空中的光速3×108m/s；为第t时隙内业务i的最短路径；
其他因素导致的时延主要为负荷智能终端执行指令时引起的时延，本节视为服从正态分布；
排队时延采用平均值来体现；假设时隙t内负荷聚合商节点同时向Lt个负荷节点发送调控指令，即该时隙内网络中共有Lt条业务；设在第i条业务中，从聚合商节点到调控负荷节点依次经过的节点集合记为M，且每个节点的处理时延为/>最大并发业务个数为Lmax,j；当qt条业务同时到达第j个节点，j∈M，则第j个节点上平均排队时延为：
业务i的平均排队时延为最短路径上所有节点平均排队时延的和，计算公式如下：
综上，第t时隙的平均业务时延为这Lt个业务总时延的平均值，即
链路均衡度为每条链路上承载的业务个数的标准差，Dt越大，说明每条链路上分布的业务个数差异大，链路均衡性差；Dt越小，说明业务在各链路中分布的较均匀，链路均衡性好；链路均衡度Dt的计算公式如下：
其中，Dt为第t时隙的全网所有链路的均衡度，为第v条链路上所承载的业务个数，c为全通信网链路总个数。
3.如权利要求2所述装置，其特征为：所述优化算法数据处理单元中对于粒子适应度F的计算方法包括：
从优化电力通信网承载的业务路由和温控负荷消纳曲线与目标消纳曲线匹配效果两个方面设定目标函数，以此求出最优任务下发量；
电力通信网络资源优化的目标函数为：
其中，α和β为权重，分别表示业务时延和均衡度在目标函数Jt中的重要性；为平均业务时延；Dt为第t时隙全网链路的均衡度；
需求侧负荷消纳的目标函数如下式：
其中，为调控的目标功率，Pa t为任务下发量，/>为平均传输可靠性；
通过加权求和得到：其中，λ和ω为目标函数权重，分别表示/>和/>在目标函数F中的重要程度；
当业务时延、网络链路均衡度、目标消纳量与任务下发量差值的加权和最小时，达到网络资源最优配置，此时装置的任务下发量Pa为最优任务量。
4.一种电子设备，包括存储器和处理器，所述存储器存储计算机程序，其特征在于，所述计算机程序在所述处理器中执行可实现权利要求1-3中任一个所述基于改进粒子群算法的通信与负荷资源联合优化装置中的模块功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111115925.7A CN113852562B (zh) | 2021-09-23 | 2021-09-23 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111115925.7A CN113852562B (zh) | 2021-09-23 | 2021-09-23 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113852562A CN113852562A (zh) | 2021-12-28 |
| CN113852562B true CN113852562B (zh) | 2024-02-27 |
Family
ID=78978918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111115925.7A Active CN113852562B (zh) | 2021-09-23 | 2021-09-23 | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113852562B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115225139B (zh) * | 2022-07-15 | 2023-03-10 | 中国人民解放军战略支援部队航天工程大学 | 一种卫星网络sdn多控制域的规划方法 |
| CN116014740B (zh) * | 2023-03-22 | 2024-03-01 | 国网浙江义乌市供电有限公司 | 一种配电网多元资源能源聚合控制器最少化部署方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR102015017609A2 (pt) * | 2014-07-24 | 2016-01-26 | Basler Electric Co | sistema e método para um recurso de antecipação de carga e seu método de regulagem para um conjunto de geração |
| CN105809274A (zh) * | 2016-02-29 | 2016-07-27 | 胡国旺 | 基于粒子群算法的电力系统 |
| WO2018139043A1 (ja) * | 2017-01-30 | 2018-08-02 | 株式会社日立製作所 | 分散制御システム、分散制御方法、電力系統の分散制御システムおよび電力資源の制御方法 |
| CN110059873A (zh) * | 2019-04-12 | 2019-07-26 | 广东电网有限责任公司信息中心 | 一种面向电网企业测试环境云资源的智能调度方法 |
| EP3525563A1 (en) * | 2018-02-07 | 2019-08-14 | ABB Schweiz AG | Method and system for controlling power consumption of a data center based on load allocation and temperature measurements |
| CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
| CN111915107A (zh) * | 2019-05-07 | 2020-11-10 | 华北电力大学 | 一种基于动态聚类的负荷分群控制方法 |
| CN112103946A (zh) * | 2020-08-20 | 2020-12-18 | 西安理工大学 | 一种基于粒子群算法的微电网储能优化配置方法 |
| CN112118176A (zh) * | 2020-08-27 | 2020-12-22 | 国网内蒙古东部电力有限公司信息通信分公司 | 一种面向业务可靠性的综合数据网通道路由负载优化方法 |
-
2021
- 2021-09-23 CN CN202111115925.7A patent/CN113852562B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR102015017609A2 (pt) * | 2014-07-24 | 2016-01-26 | Basler Electric Co | sistema e método para um recurso de antecipação de carga e seu método de regulagem para um conjunto de geração |
| CN105809274A (zh) * | 2016-02-29 | 2016-07-27 | 胡国旺 | 基于粒子群算法的电力系统 |
| WO2018139043A1 (ja) * | 2017-01-30 | 2018-08-02 | 株式会社日立製作所 | 分散制御システム、分散制御方法、電力系統の分散制御システムおよび電力資源の制御方法 |
| EP3525563A1 (en) * | 2018-02-07 | 2019-08-14 | ABB Schweiz AG | Method and system for controlling power consumption of a data center based on load allocation and temperature measurements |
| CN110059873A (zh) * | 2019-04-12 | 2019-07-26 | 广东电网有限责任公司信息中心 | 一种面向电网企业测试环境云资源的智能调度方法 |
| CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
| CN111915107A (zh) * | 2019-05-07 | 2020-11-10 | 华北电力大学 | 一种基于动态聚类的负荷分群控制方法 |
| CN112103946A (zh) * | 2020-08-20 | 2020-12-18 | 西安理工大学 | 一种基于粒子群算法的微电网储能优化配置方法 |
| CN112118176A (zh) * | 2020-08-27 | 2020-12-22 | 国网内蒙古东部电力有限公司信息通信分公司 | 一种面向业务可靠性的综合数据网通道路由负载优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| Fuzzified particle swarm optimization alogrithm for multi-area security constrained economic dispatch;Somasundaram P et al;《ELECTRIC POWER COMPONENTS AND SYSTEMS》;全文 * |
| 基于社区能源平台的电力负荷调度;张美霞等;《电力科学与技术学报》;全文 * |
| 考虑源荷随机性和负荷聚合商的互联电网分层调度学习优化;王晓东;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113852562A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113852562B (zh) | 一种基于改进粒子群算法的通信与负荷资源联合优化装置 | |
| Hussein et al. | Efficient task offloading for IoT-based applications in fog computing using ant colony optimization | |
| CN111198764B (zh) | 一种基于sdn的负载均衡实现系统及方法 | |
| CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
| CN102724103B (zh) | 代理服务器、分层次网络系统及分布式工作负载管理方法 | |
| CN110366193B (zh) | 一种智能电网的网络编排层承载的切片部署方法及装置 | |
| Noormohammadpour et al. | {DCCast}: Efficient point to multipoint transfers across datacenters | |
| CN103036792B (zh) | 一种最大化最小公平多数据流传输调度方法 | |
| CN112202672A (zh) | 一种基于业务服务质量需求的网络路由转发方法和系统 | |
| CN110717300A (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
| CN113784373B (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
| CN112118312A (zh) | 一种面向边缘服务器的网络突发负载疏散方法 | |
| Yassine et al. | Bandwidth on-demand for multimedia big data transfer across geo-distributed cloud data centers | |
| CN114567598A (zh) | 一种基于深度学习和跨域协作的负载均衡方法及装置 | |
| CN109617710B (zh) | 数据中心间有截止时间约束的大数据传输带宽调度方法 | |
| CN115665258B (zh) | 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法 | |
| CN109639498A (zh) | 一种基于sdn与nfv的面向业务质量的资源柔性配置方法 | |
| CN108737268A (zh) | 软件定义工业物联网资源调度方法 | |
| Chen et al. | Learning-based proactive resource allocation for delay-sensitive packet transmission | |
| CN114154685A (zh) | 智能电网中电能数据调度方法 | |
| CN107911763B (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
| CN116156565A (zh) | 一种基于多智能体近端策略优化的sfc可靠部署方法 | |
| CN110365608B (zh) | 一种容忍不完整数据传输的流组传输调度方法 | |
| CN112422455B (zh) | 一种集中式的多路径效用公平带宽分配方法 | |
| CN114466023A (zh) | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
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 |