CN114387121A - 一种电力仓储物资供应的协同优化调度方法及系统 - Google Patents
一种电力仓储物资供应的协同优化调度方法及系统 Download PDFInfo
- Publication number
- CN114387121A CN114387121A CN202111418948.5A CN202111418948A CN114387121A CN 114387121 A CN114387121 A CN 114387121A CN 202111418948 A CN202111418948 A CN 202111418948A CN 114387121 A CN114387121 A CN 114387121A
- Authority
- CN
- China
- Prior art keywords
- material supply
- electric power
- project
- power
- materials
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011232 storage material Substances 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 229
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 44
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000013145 classification model Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种电力仓储物资供应的协同优化调度方法,包括:(1)采集电力运营中心历史数据并预处理;(2)利用长短期记忆网络对历史数据按重要程度分类;(3)正常运行时按物资供应成本最小原则实现相同重要程度工程计划物资供应;(4)出现紧急事件时按工程重要程度与物资供应时间快慢相匹配原则实现不同重要程度工程计划物资供应。本发明还公开一种电力仓储物资供应的协同优化调度系统。本发明依据历史数据和多个评估指标对电力工程重要程度分类,提出正常运行和紧急运行情况下电力仓储物资供应的实施方法,保证物资运输优先级与项目重要程度相匹配同时也最小化电力仓库物资供应运输成本,提高仓储物资供应链效率和工程建设进度协同性。
Description
技术领域
本发明涉及一种协同优化调度方法及系统,尤其涉及一种电力仓储物资供应的协同优化调度方法及系统。
背景技术
电力工程物资的运输与电力工程的实施计划的完成息息相关,如何高效准确地对供应物资进行合理调度是电网运营部门亟待解决的工程问题。近年来,在极端天气的影响下,电力系统在运行维护、物资供应等方面面临着巨大的压力,不仅对相应的电力仓储自动化提出了更高的要求,同时也对电网的运营体系带来了巨大的挑战,而当前的电力仓储调度方法缺乏对项目等级的细致评估,也没有考虑项目等级与运输成本的匹配关系,此外还缺乏极端天气影响下的应对机制,而近年来发生的一些极端天气事件也对电力仓储调度提出了更高的要求。
目前电力仓储调度方法难以实现电力工程施工计划与物资供应的高效协同。在智能化、高效化、协同化等方面还有待提高。
发明内容
发明目的:本发明旨在提供一种电力仓储物资供应的协同优化调度方法及系统,解决现有的电力仓储存在物资供应链效率低、与工程建设进度协同性差问题。
技术方案:本发明所述的一种电力仓储物资供应的协同优化调度方法,包括以下步骤:
(1)采集电力运营中心的历史数据,并预处理;
(2)利用长短期记忆网络LSTM对历史工程数据按照重要程度分类;
(3)电网正常运行时,按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应;
(4)电网出现紧急事件时,按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。
所述的历史数据包括电力工程的指标数据,所述指标数据包括项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资。
步骤(1)中包括以下步骤:
(11)所述项目等级包括国家级项目、省部级项目、地方级项目;
(12)对历史工程数据中的每一项指标数据归一化处理,
式(1)中,xi为历史数据的第i项指标数据项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资中的一种,xmin为电力工程的第i项指标数据的最小值,xmax为第i项指标数据的最大值,xni表示第i个项指标数据的归一化后的历史数据。
(13)基于专家经验对历史工程数据按照重要程度的不同分类,为所有工程数据打上标签。
步骤(2)中包括以下步骤:
(21)建立LSTM网络,LSTM网络训练过程中涉及的函数如下所示:
ft=sigmoid(Wf·ht-1+Wf·xt+bf) (2)
it=sigmoid(Wi·ht-1+Wi·xt+bi) (3)
ot=sigmoid(Wo·ht-1+Wo·xt+bo) (6)
ht=ot⊙tanh(Ct) (7)
其中ft、it、ot分别表示神经元的遗忘门、输入门、输出门的输出信号;表示神经元候选状态信息;Ct表示神经元状态信息;ht表示神经元的隐状态;sigmoid()为S型激活函数;tanh()表示双曲正切激活函数;Wf、Wi、WC、Wo分别表示遗忘门、输入门、记忆单元和输出门的权重;bf、bi、bC、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量;xt表示神经元输入序列值;⊙表示逐点乘法运算;
LSTM网络的训练损失函数如下式所示:
(22)训练LSTM网络,采用历史数据对LSTM网络训练,获得电力工程重要程度的评估模型。
步骤(3)中包括以下步骤:
(31)将各电力工程按照重要度由高到底排序,依次建立各电力工程的物资供应的总成本函数作为目标函数,物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量;
总成本函数(9)应满足如下约束:
(32)采用遗传-模拟退火算法获得目标函数最小值的最优解;依次得到各电力工程所需要的物资供应计划。
步骤(4)中包括以下步骤:
(41)在面临紧急情况时,根据电力工程重要程度的分类对需要进行电力工程评估,按照重要程度从高到低,依次获取各级重要程度的电力工程需要的物资量分别为ΔF1,ΔF2,…ΔFN;其中,ΔFj为第j级重要程度的电力工程需要的物资量,N为电力工程重要程度的总级数;
(42)获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量;
(43)按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,从1到N遍历ΔFj,i从1开始,
(44)首先比较ΔFj与ΔSi的大小若ΔFj≤ΔSi,则由第i个电力仓储对第j级程度的电力工程进行物资供应,并更新公式(9)中电力仓储的数量;否则执行步骤
(45);
(45)若ΔFj>ΔSi则说明第i电力仓储的物资供应能力不足,此时转至第i+1个电力仓储,由第i+1个电力仓储补充剩余不足的物资,并更新ΔFj以及电力仓储的物资总量,如果ΔFj等于0,则停止;如果ΔFj不等于零,则i=i+1,执行步骤(44);
(46)如果遍历完ΔSi,仍然不能满足较第j级重要程度的电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
本发明所述的电力仓储物资供应的协同优化调度系统,包括数据采集模块、数据分类模块、电网正常运行物资供应模块和电网紧急时间时物资供应模块;所述数据采集模块采集电力运营中心的历史数据,并预处理;所述数据分类模块利用长短期记忆网络LSTM对历史工程数据按照重要程度分类;所述电网正常运行物资供应模块按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应;所述电网出紧急事件物资供应模块按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。
所述的历史数据包括电力工程的项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资;所述项目等级包括国家级项目、省部级项目、地方级项目。
所述电网正常运行物资供应模块将各电力工程按照重要度由高到底排序,依次建立各电力工程的物资供应的总成本函数作为目标函数,物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量;
总成本函数(9)应满足如下约束:
采用遗传-模拟退火算法获得目标函数最小值的最优解;依次得到各电力工程所需要的物资供应计划。
所述电网出紧急事件物资供应模块在面临紧急情况时,根据电力工程重要程度的分类对需要进行电力工程评估,按照重要程度从高到低依次获取各级重要程度的电力工程需要的物资量分别为ΔF1,ΔF2,…ΔFN;其中,ΔFj为第j级重要程度的电力工程需要的物资量,N为电力工程重要程度的总级数;
获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量;
按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,从1到N遍历ΔFj,i从1开始,首先比较ΔFj与ΔSi的大小,若ΔFj≤ΔSi,则由第i个电力仓储对第j级程度的电力工程物资供应,并更新公式(9)中电力仓储的数量;若ΔFj>ΔSi则说明第i电力仓储的物资供应能力不足,此时转至第i+1个电力仓储,由第i+1个电力仓储补充剩余不足的物资,并更新ΔFj以及电力仓储的物资总量,如果ΔFj等于0,则停止;如果ΔFj不等于零,则i=i+1,再次比较ΔFj与ΔSi的大小,重复上述步骤;
如果遍历完ΔSi,仍然不能满足较第j级重要程度的电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
有益效果:与现有技术相比,本发明具有如下显著优点:依据历史数据并结合多个评估指标的对电力工程的重要程度进行评估和分类,分别提出在正常运行情况下和紧急运行情况下电力仓储物资供应的实施方法,保证了物资运输优先级与项目重要程度相匹配的同时也最小化了电力仓库物资供应的运输成本,保证了电力工程的高效实施,提高了仓储物资供应链效率和工程建设进度协同性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明所述的电力仓储物资供应的协同优化调度方法,包括以下步骤:
步骤1:采集电力运营中心的历史工程数据,并对其进行预处理。具体包含如下步骤:
(11)电力运营中心的历史工程数据包含电力工程的指标数据:项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资;
所述的项目等级按照国家级项目、省部级项目、地方级项目进行打分,如国家级项目为10分,省部级项目为5分,地方级项目为3分;
(12)对历史工程数据中的每一项指标数据进行归一化处理,具体操作如式(1)所述:
式中,xi为历史数据的第i项指标数据(项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资中的一种),xmin为电力工程的第i项指标数据的最小值,xmax为第i项指标数据的最大值,xni表示第i个项指标数据的归一化后的历史数据。
(13)基于专家经验对历史工程数据按照重要程度的不同进行分类,如按照重要程度由高到低将所有的工程分为一级工程、二级工程、三级工程,为所有工程数据打上标签。
步骤2:基于获取的历史工程数据,利用长短期记忆网络(LSTM)对历史工程数据按照重要程度进行分类;具体包含如下步骤:
(21)将步骤(13)中已有数据标签的历史数据,基于LSTM网络建立不同电力工程的分类模型。
其中LSTM网络训练过程中涉及的函数如下所示:
ft=sigmoid(Wf·ht-1+Wf·xt+bf) (2)
it=sigmoid(Wi·ht-1+Wi·xt+bi) (3)
ot=sigmoid(Wo·ht-1+Wo·xt+bo) (6)
ht=ot⊙tanh(Ct) (7)
其中,ft、it、ot分别表示神经元的遗忘门、输入门、输出门的输出信号;表示神经元候选状态信息;Ct表示神经元状态信息;ht表示神经元的隐状态;sigmoid()为S型激活函数;tanh()表示双曲正切激活函数;Wf、Wi、WC、Wo分别表示遗忘门、输入门、记忆单元和输出门的权重;bf、bi、bC、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量;xt表示神经元输入序列值;⊙表示逐点乘法运算。
LSTM网络的训练损失函数如下式所示:
(22)依据式(2)-(8)对步骤(13)中历史数据进行训练,得到对电力工程重要程度的评估模型。
步骤3:电网正常运行时,按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应。根据电力工程重要程度的评估模型对需要进行电力工程进行评估,首先针对重要程度最高的电力工程进行物资供应,按照物资供应成本最小的原则选取相应的电力仓储。具体包含如下步骤:
(31)建立总成本作为目标函数
物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量。
总成本函数(9)应满足如下约束:
(32)采用遗传-模拟退火算法获得目标函数的最优解,具体步骤如下:
步骤1:初始化种群大小s、初始温度T、进化代数t、种群S(t)、最大代数;
步骤2:计算种群S(t)中个体的适应度;
步骤3:运用交叉算子产生新的种群S1(t),运用变异算子产生新的种群S2(t);
步骤4:种群个体进行模拟退火操作,产生新的种群S3(t);
步骤5:计算种群S(t)中个体的适应度;
步骤6:选择生成新的下一代种群;
步骤7:判断进化代数t是否大于最大代数;若满足,则进行步骤8;若不满足,进化代数t+1,转向步骤2;
步骤8:输出所有种群中最优个体对应的最优解。
(33)通过(32)求解得到重要程度最高的电力工程所需要的物资供应计划后,在按照步骤(31)中相同的方法对次一级重要程度的电力工程所需要的物资供应进行建模,然后采用步骤(32中相同的方法进行求解,得到次一级重要程度的电力工程的物资供应计划,以此类推,得到所有电力工程在电网正常运行情况下的物资供应计划。
步骤四:电网出现紧急事件时,按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。具体包含如下步骤:
(41)在面临紧急情况时,基于电力工程重要程度的评估模型对需要进行电力工程进行评估,本实施例中以2类重要程度为例,首先获取一级重要程度的电力工程需要的物资量ΔF1,其次获取二级重要程度的电力工会需要的总物资量ΔF2;
(42)获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢进行排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量。
(43)按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,即首先比较ΔF1与ΔS1的大小,若ΔF1≤ΔS1,则由第1个电力仓储对一级重要程度的电力工程进行物资供应,并更新(9)中电力仓储的数量,否则转至步骤(44);
(44)若ΔF1>ΔS1则说明第1电力仓储的物资供应能力不足,此时转至第2个电力仓储,由第2个电力仓储补充剩余不足的物资,并更新ΔF1以及电力仓储的物资总量,直至ΔF1为0时停止,并转至步骤(45),如仍然不能满足一级重要程度电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应;
(45)比较ΔF2与ΔS1的大小,若ΔF2≤ΔS1,则由第1个电力仓储对二级重要程度的电力工程进行物资供应,并更新(9)中电力仓储的数量,否则转至步骤(46);
(46)若ΔF2>ΔS1则说明第1电力仓储的物资供应能力不足,此时转至第2个电力仓储,由第2个电力仓储补充剩余不足的物资,并更新ΔF2以及电力仓储的物资总量,直至ΔF2为0时停止,如仍然不能满足二级重要程度电力工程的物资供应,则从外地电力仓储进行补充;外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
本实施例中,本发明所述的电力仓储物资供应的协同优化调度系统,包括数据采集模块、数据分类模块、电网正常运行物资供应模块和电网紧急时间时物资供应模块;所述数据采集模块采集电力运营中心的历史数据,并预处理;所述数据分类模块利用长短期记忆网络LSTM对历史工程数据按照重要程度分类;所述电网正常运行物资供应模块按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应;所述电网出紧急事件物资供应模块按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。
所述的历史数据包括电力工程的项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资;所述项目等级包括国家级项目、省部级项目、地方级项目。
所述电网正常运行物资供应模块将各电力工程按照重要度由高到底排序,依次建立各电力工程的物资供应的总成本函数作为目标函数,物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量;
总成本函数(9)应满足如下约束:
采用遗传-模拟退火算法获得目标函数最小值的最优解;依次得到各电力工程所需要的物资供应计划。
所述电网出紧急事件物资供应模块在面临紧急情况时,根据电力工程重要程度的分类对需要进行电力工程评估,按照重要程度从高到低依次获取各级重要程度的电力工程需要的物资量分别为ΔF1,ΔF2,…ΔFN;其中,ΔFj为第j级重要程度的电力工程需要的物资量,N为电力工程重要程度的总级数;
获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量;
按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,从1到N遍历ΔFj,i从1开始。
首先比较ΔFj与ΔSi的大小,若ΔFj≤ΔSi,则由第i个电力仓储对第j级程度的电力工程物资供应,并更新公式(9)中电力仓储的数量;若ΔFj>ΔSi则说明第i电力仓储的物资供应能力不足,此时转至第i+1个电力仓储,由第i+1个电力仓储补充剩余不足的物资,并更新ΔFj以及电力仓储的物资总量,如果ΔFj等于0,则停止;如果ΔFj不等于零,则i=i+1,再次比较ΔFj与ΔSi的大小,重复上述步骤;
如果遍历完ΔSi,仍然不能满足较第j级重要程度的电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
Claims (10)
1.一种电力仓储物资供应的协同优化调度方法,其特征在于:包括以下步骤:
(1)采集电力运营中心的历史数据,并预处理;
(2)利用长短期记忆网络LSTM对历史工程数据按照重要程度分类;
(3)电网正常运行时,按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应;
(4)电网出现紧急事件时,按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。
2.根据权利要求1所述的电力仓储物资供应的协同优化调度方法,其特征在于:所述的历史数据包括电力工程的指标数据,所述指标数据包括项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资。
4.根据权利要求2所述的电力仓储物资供应的协同优化调度方法,其特征在于:步骤(2)中包括以下步骤:
(21)建立LSTM网络,LSTM网络训练过程中涉及的函数如下所示:
ft=sigmoid(Wf·ht-1+Wf·xt+bf) (2)
it=sigmoid(Wi·ht-1+Wi·xt+bi) (3)
ot=sigmoid(Wo·ht-1+Wo·xt+bo) (6)
ht=ot⊙tanh(Ct) (7)
其中ft、it、ot分别表示神经元的遗忘门、输入门、输出门的输出信号;表示神经元候选状态信息;Ct表示神经元状态信息;ht表示神经元的隐状态;sigmoid()为S型激活函数;tanh()表示双曲正切激活函数;Wf、Wi、WC、Wo分别表示遗忘门、输入门、记忆单元和输出门的权重;bf、bi、bC、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量;xt表示神经元输入序列值;⊙表示逐点乘法运算;
LSTM网络的训练损失函数如下式所示:
(22)训练LSTM网络,采用历史数据对LSTM网络训练,获得电力工程重要程度的评估模型。
5.根据权利要求2所述的电力仓储物资供应的协同优化调度方法,其特征在于:步骤(3)中包括以下步骤:
(31)将各电力工程按照重要度由高到底排序,依次建立各电力工程的物资供应的总成本函数作为目标函数,物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量;
总成本函数(9)应满足如下约束:
(32)采用遗传-模拟退火算法获得目标函数最小值的最优解;依次得到各电力工程所需要的物资供应计划。
6.根据权利要求2所述的电力仓储物资供应的协同优化调度方法,其特征在于:步骤(4)中包括以下步骤:
(41)在面临紧急情况时,根据电力工程重要程度的分类对需要进行电力工程评估,按照重要程度从高到低,依次获取各级重要程度的电力工程需要的物资量分别为ΔF1,ΔF2,…ΔFN;其中,ΔFj为第j级重要程度的电力工程需要的物资量,N为电力工程重要程度的总级数;
(42)获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量;
(43)按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,从1到N遍历ΔFj,i从1开始,
(44)首先比较ΔFj与ΔSi的大小若ΔFj≤ΔSi,则由第i个电力仓储对第j级程度的电力工程进行物资供应,并更新公式(9)中电力仓储的数量;否则执行步骤(45);
(45)若ΔFj>ΔSi则说明第i电力仓储的物资供应能力不足,此时转至第i+1个电力仓储,由第i+1个电力仓储补充剩余不足的物资,并更新ΔFj以及电力仓储的物资总量,如果ΔFj等于0,则停止;如果ΔFj不等于零,则i=i+1,执行步骤(44);
(46)如果遍历完ΔSi,仍然不能满足较第j级重要程度的电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
7.一种电力仓储物资供应的协同优化调度系统,其特征在于:包括数据采集模块、数据分类模块、电网正常运行物资供应模块和电网紧急时间时物资供应模块;
所述数据采集模块采集电力运营中心的历史数据,并预处理;
所述数据分类模块利用长短期记忆网络LSTM对历史工程数据按照重要程度分类;
所述电网正常运行物资供应模块按照物资供应成本最小的原则实现对相同重要程度的工程计划的物资供应;
所述电网出紧急事件物资供应模块按照工程重要程度与物资供应时间快慢相匹配的原则实现对不同重要程度的工程计划的物资供应。
8.根据权利要求7所述的电力仓储物资供应的协同优化调度系统,其特征在于:所述的历史数据包括电力工程的项目等级、项目经费、在研人员数量、项目总工作量、项目所需物资;所述项目等级包括国家级项目、省部级项目、地方级项目。
9.根据权利要求7所述的电力仓储物资供应的协同优化调度系统,其特征在于:所述电网正常运行物资供应模块将各电力工程按照重要度由高到底排序,依次建立各电力工程的物资供应的总成本函数作为目标函数,物资供应的总成本函数为:
f=C1+C2+C3 (9)
其中,C1为物资供应的总运输成本,C2为物资供应的总维护成本,C3为物资供应的总损耗成本,t为电力仓储的总数量,ω1,i、ω2,i和ω3,i分别为第i个电力仓储物资供应的运输成本系数、维护成本系数和损耗成本系数,vi为第i个电力仓储物资供应量;
总成本函数(9)应满足如下约束:
采用遗传-模拟退火算法获得目标函数最小值的最优解;依次得到各电力工程所需要的物资供应计划。
10.根据权利要求7所述的电力仓储物资供应的协同优化调度系统,其特征在于:所述电网出紧急事件物资供应模块在面临紧急情况时,根据电力工程重要程度的分类对需要进行电力工程评估,按照重要程度从高到低依次获取各级重要程度的电力工程需要的物资量分别为ΔF1,ΔF2,…ΔFN;其中,ΔFj为第j级重要程度的电力工程需要的物资量,N为电力工程重要程度的总级数;
获取本地所有具有供应能力的电力仓储的物资拥有量,并按照物资供应速度的快慢由快到慢排序:
ΔS1,ΔS2,…ΔSh (15)
其中,ΔSi为第i个电力仓储所拥有的物资总量,h为电力仓储的数量;
按照电力工程重要程度与物资供应相匹配的原则对电力仓储的物资供应进行分配,从1到N遍历ΔFj,i从1开始,首先比较ΔFj与ΔSi的大小,若ΔFj≤ΔSi,则由第i个电力仓储对第j级程度的电力工程物资供应,并更新公式(9)中电力仓储的数量;若ΔFj>ΔSi则说明第i电力仓储的物资供应能力不足,此时转至第i+1个电力仓储,由第i+1个电力仓储补充剩余不足的物资,并更新ΔFj以及电力仓储的物资总量,如果ΔFj等于0,则停止;如果ΔFj不等于零,则i=i+1,再次比较ΔFj与ΔSi的大小,重复上述步骤;
如果遍历完ΔSi,仍然不能满足较第j级重要程度的电力工程的物资供应,则从外地电力仓储进行补充,外地电力仓储的物资供应原则与本地电力仓储相同,仍然按照时间快慢由快到慢进行排序,优先选择供应时间快的电力仓储进行物资供应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418948.5A CN114387121A (zh) | 2021-11-26 | 2021-11-26 | 一种电力仓储物资供应的协同优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418948.5A CN114387121A (zh) | 2021-11-26 | 2021-11-26 | 一种电力仓储物资供应的协同优化调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387121A true CN114387121A (zh) | 2022-04-22 |
Family
ID=81195744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418948.5A Pending CN114387121A (zh) | 2021-11-26 | 2021-11-26 | 一种电力仓储物资供应的协同优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387121A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997700A (zh) * | 2022-06-22 | 2022-09-02 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的防疫物资调配系统及方法 |
CN116307568A (zh) * | 2023-03-14 | 2023-06-23 | 国电南瑞南京控制系统有限公司 | 基于人工智能的电力物资仓储协同调度管理系统 |
CN117077982A (zh) * | 2023-10-16 | 2023-11-17 | 北京国电通网络技术有限公司 | 项目物资调度方法、装置、电子设备和可读介质 |
-
2021
- 2021-11-26 CN CN202111418948.5A patent/CN114387121A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997700A (zh) * | 2022-06-22 | 2022-09-02 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的防疫物资调配系统及方法 |
CN114997700B (zh) * | 2022-06-22 | 2022-12-13 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的防疫物资调配系统及方法 |
CN116307568A (zh) * | 2023-03-14 | 2023-06-23 | 国电南瑞南京控制系统有限公司 | 基于人工智能的电力物资仓储协同调度管理系统 |
CN116307568B (zh) * | 2023-03-14 | 2024-01-26 | 国电南瑞南京控制系统有限公司 | 基于人工智能的电力物资仓储协同调度管理系统 |
CN117077982A (zh) * | 2023-10-16 | 2023-11-17 | 北京国电通网络技术有限公司 | 项目物资调度方法、装置、电子设备和可读介质 |
CN117077982B (zh) * | 2023-10-16 | 2024-01-12 | 北京国电通网络技术有限公司 | 项目物资调度方法、装置、电子设备和可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387121A (zh) | 一种电力仓储物资供应的协同优化调度方法及系统 | |
Zabin et al. | Applications of machine learning to BIM: A systematic literature review | |
CN102402716B (zh) | 智能生产决策支持系统 | |
CN101782976B (zh) | 一种云计算环境下机器学习自动选择方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
CN113283547B (zh) | 一种基于多任务深度学习的最优潮流计算方法 | |
CN114493535A (zh) | 一种基于资产模型的数据驱动用数据中台系统 | |
CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
VE et al. | Mrmr-eho-based feature selection algorithm for regression modelling | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
CN116307028A (zh) | 一种基于改进决策树的短期电力负荷预测方法及系统 | |
CN113762791B (zh) | 一种铁路工程造价管理系统 | |
CN115619033A (zh) | 基于工业互联网的采购供应链一体化优化方法和设备 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms | |
CN114386647A (zh) | 一种油气田行业能耗的预测方法及系统 | |
Lawrynowicz | Production planning and control with outsourcing using artificial intelligence | |
Sala et al. | Enhanced load forecasting methodology by means of probabilistic prediction intervals estimation |
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 |