CN114399152A - 产业园区综合能源调度优化方法及装置 - Google Patents

产业园区综合能源调度优化方法及装置 Download PDF

Info

Publication number
CN114399152A
CN114399152A CN202111481409.6A CN202111481409A CN114399152A CN 114399152 A CN114399152 A CN 114399152A CN 202111481409 A CN202111481409 A CN 202111481409A CN 114399152 A CN114399152 A CN 114399152A
Authority
CN
China
Prior art keywords
elephant
individual
iteration
energy
matrix
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
Application number
CN202111481409.6A
Other languages
English (en)
Other versions
CN114399152B (zh
Inventor
周杰
李超群
朱锐
曲欣
苏革
黄超
常泳
黎劲松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Tianfu Energy Co ltd
Shihezi University
Original Assignee
Xinjiang Tianfu Energy Co ltd
Shihezi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinjiang Tianfu Energy Co ltd, Shihezi University filed Critical Xinjiang Tianfu Energy Co ltd
Priority to CN202111481409.6A priority Critical patent/CN114399152B/zh
Publication of CN114399152A publication Critical patent/CN114399152A/zh
Application granted granted Critical
Publication of CN114399152B publication Critical patent/CN114399152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种产业园区综合能源调度优化方法及装置，其中方法包括：获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。使用本发明方法不仅能够避免陷入局部最优搜索问题，而且也能提升综合能源调度决策的求解精度，降低了求解复杂。

Description

产业园区综合能源调度优化方法及装置
技术领域
本发明涉及综合能源技术领域，尤其涉及一种产业园区综合能源调度优化方法及装置。
背景技术
综合能源系统是将可再生能源、燃气等多种形式能源转化为需求侧所需要的冷、热、电等形式的能量，其核心目标是满足产业园区对综合能源系统的安全可靠性要求，促进多种能源和调配设备进行优化，以及最大化提高综合能源经济效益。因此，如何优化能源调度成为亟需解决的关键问题。
相关技术中，通常使用群智能算法进行能源优化，比如将象群游牧算法应用于优化综合能源调度问题时，象群游牧算法包括将象群划分为氏族、氏族更新操作、氏族分离操作等步骤，并使用这些步骤对搜索空间进行大规模的全局搜索和细微的局部寻优，从而确定综合能源的调度决策。
然而，对于规模不断增大的综合能源调度问题，使用象群游牧算法优化能源调度时容易陷入局部最优，并且所确定的能源调度决策不准确，从而导致综合能源调度决策的求解复杂度高且求解精度低。
发明内容
本发明提供一种产业园区综合能源调度优化方法及装置，用以解决现有技术使用象群游牧算法优化能源调度时容易陷入局部最优且所确定的能源调度决策不准确而导致的综合能源调度决策的求解复杂度高且求解精度低的缺陷，实现避免陷入局部最优搜索问题且能够提升综合能源调度决策的求解精度及降低求解复杂的目的。
本发明提供一种产业园区综合能源调度优化方法，包括：
获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
根据本发明提供的一种产业园区综合能源调度优化方法，所述确定象群矩阵中每个大象个体的更新位置，包括：
设定象群矩阵中大象个体数量为M，M个大象个体被划分为K个氏族，氏族ck中包括nck个大象个体，n1+n2+...nck+...+nK＝M；并且，令g表示第g次迭代，且g的初值为1且最大值为G；
计算第g次迭代时氏族ck中每个大象个体的更新位置；
重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；
直至得到第g次迭代时象群矩阵中每个大象个体的更新位置。
根据本发明提供的一种产业园区综合能源调度优化方法，所述基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值，包括：
基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值；
重复执行所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值的步骤；
直至确定第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值。
根据本发明提供的一种产业园区综合能源调度优化方法，所述基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略，包括：
基于第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值，分别确定第g次迭代时所述象群矩阵中的全局最优大象个体位置，以及第g次迭代时氏族ck的最优大象个体位置和最差大象个体位置；
对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置；
令g的值加1，返回重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；
直至得到确定第G次迭代时所述象群矩阵中的全局最优大象个体位置，并确定所述第G次迭代时所述象群矩阵中的全局最优大象个体位置为所述待分配能源产业园区的综合能源调度最优策略。
根据本发明提供的一种产业园区综合能源调度优化方法，所述计算第g次迭代时氏族ck中每个大象个体的更新位置，其计算公式包括：
Figure BDA0003395364090000041
Xg,best,ck＝β*Xg,center,ck (2)
Figure BDA0003395364090000042
其中，
Figure BDA0003395364090000043
为第g次迭代时氏族ck中第j'个大象个体的更新位置，Xg-1,ck,j'为第g-1次迭代时氏族ck中第j'个大象个体的位置，当g的值取值为1时Xg-1,ck,j'为氏族ck中第j'个大象个体的初始位置；Xg,best,ck为第g次迭代时氏族ck中经济效益值最优的大象个体的位置；α为第g次迭代时氏族ck中经济效益值最优的大象个体的位置Xg,best,ck对第g-1次迭代时氏族ck中第j'个大象个体的位置Xg-1,ck,j'的影响因子；r为预设随机数；β为第g次迭代时氏族ck的中心位置Xg,center,ck的预设影响因子；Xg,center,ck为第g次迭代时氏族ck的中心位置Xg,center,ck，第g次迭代时氏族ck的中心位置Xg,center,ck中第d维分量Xg,center,ck,d定义为式(3)；Xg,ck,j',d为第g次迭代时氏族ck中第j'个大象个体的位置中的第d维分量，1≤d≤Dck,j'，Dck,j'为每次迭代时氏族ck中第j'个大象个体的位置的总维数，nck为每次迭代时氏族ck中的大象个体总数量。
根据本发明提供的一种产业园区综合能源调度优化方法，所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值，其计算公式包括：
Figure BDA0003395364090000051
其中，U所述待分配能源产业园区的能源利用率矩阵，J为所述待分配能源产业园区的能源需求紧张程度矩阵，
Figure BDA0003395364090000057
为所述能源需求紧张程度矩阵J的转置矩阵，sum为求和操作，
Figure BDA0003395364090000052
为第g次迭代时氏族ck中第j'个大象个体的更新位置，
Figure BDA0003395364090000053
为第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值。
根据本发明提供的一种产业园区综合能源调度优化方法，所述对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置，包括：
计算第g次迭代时氏族ck的最差大象个体更新位置；
将所述最差大象个体更新位置替换所述第g次迭代时氏族ck的最差大象个体位置，得到第g次迭代时氏族ck中各个大象个体的位置。
根据本发明提供的一种产业园区综合能源调度优化方法，计算第g次迭代时氏族ck的最差大象个体更新位置，其计算公式为：
Figure BDA0003395364090000054
其中，
Figure BDA0003395364090000055
为第g次迭代时氏族ck的最差大象个体更新位置，hck,g为第g次迭代时氏族ck的随机向量，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限，
Figure BDA0003395364090000056
为向下取整。
根据本发明提供的一种产业园区综合能源调度优化方法，在所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤之前，所述方法还包括：
确定第g次迭代时随机生成的MQ*D维矩阵；其中，M为所述象群矩阵中的大象个体数量，D为所述待分配能源产业园区的数量，Q为每个所述大象个体所占据行数；
根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵。
本发明还提供一种产业园区综合能源调度优化装置，包括：
获取模块，用于获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
更新模块，用于确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
处理模块，用于基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
确定模块，用于基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
本发明提供的产业园区综合能源调度优化方法及装置，其中产业园区综合能源调度优化方法，首先获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵以及确定象群矩阵中每个大象个体的更新位置；由于，象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率，因此基于象群矩阵中每个大象个体的更新位置、待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵所确定的每个大象个体所代表的综合能源调度策略的更新经济效益值，进一步确定待分配能源产业园区的综合能源调度最优策略。以此通过在所有大象个体中全局搜索最优更新经济效益值的方式，实现确定待分配能源产业园区的最优调度策略的目的，不仅避免了陷入局部最优搜索问题，而且在能源调度环境复杂且调度规模不断增大的情况下也能够最大化综合能源调度产生的经济效益，从而也提升了综合能源调度决策的求解精度，降低了求解复杂度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的产业园区综合能源调度优化方法的流程示意图之一；
图2是本发明提供的产业园区综合能源调度优化方法的流程示意图之二；
图3是本发明提供的仿真实验结果对比曲线图；
图4是本发明提供的产业园区综合能源调度优化的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
下面结合图1-图5描述本发明提供的产业园区综合能源调度优化方法及装置。
参照图1，本发明提供了一种产业园区综合能源调度优化方法，该产业园区综合能源调度优化方法的执行主体可以是产业园区综合能源调度优化装置，产业园区综合能源调度优化装置可以通过软件、硬件或者软硬件结合的方式实现成为服务器的部分或者全部，且服务器具备运行综合能源管理中心或综合能源调度的功能。可选的，服务器可以为云服务器。
需要说明的是，下述方法实施例的执行主体可以是上述终端设备的部分或者全部。下述方法实施例以执行主体为终端设备为例进行说明。
如图1所示，该产业园区综合能源调度优化方法，包括以下步骤：
步骤110、获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵。
具体的，可以通过能源管理中心先分析各待分配能源产业园区针对综合能源调度的需求态势，然后根据分析结果量化每个产业园区的各种可选择能源的能源利用率和能源需求紧张程度，从而得到待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；也可以先获取各待分配能源产业园区对各种可选择能源的历史能源需求情况、历史能源分配情况和历史能源使用情况等反映各待分配能源产业园区的综合能源智能调度历史详情信息，然后通过云端大数据对该综合能源智能调度历史详情信息进行分析和处理，从而得到待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵。此处对此不作限定。
需要说明的是，当设定可选择能源的数量Q为5且待分配能源产业园区的数量D为12(也即5种可选择能源，12个待分配能源产业园区)时，可以得到如下所示的待分配能源产业园区的能源需求紧张程度矩阵J为1行12列，以及待分配能源产业园区的能源利用率矩阵U为5行12列。
Figure BDA0003395364090000091
J＝[0.52,0.23,0.49,0.62,0.68,0.40,0.37,0.99,0.04,0.89,0.91,0.80]
步骤120、确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率。
具体的，步骤120的实现过程可以包括：首先，设定象群矩阵中大象个体数量为M，M个大象个体被划分为K个氏族，氏族ck中包括nck个大象个体，n1+n2+...nck+...+nK＝M；并且，令g表示第g次迭代，且g的初值为1且最大值为G；然后，计算第g次迭代时氏族ck中每个大象个体的更新位置；重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；直至得到第g次迭代时象群矩阵中每个大象个体的更新位置。其中，M、K、G均为正整数。
需要说明的是，所述计算第g次迭代时氏族ck中每个大象个体的更新位置，其计算公式包括：
Figure BDA0003395364090000092
Xg,best,ck＝β*Xg,center,ck (2)
Figure BDA0003395364090000093
其中，
Figure BDA0003395364090000094
为第g次迭代时氏族ck中第j'个大象个体的更新位置，Xg-1,ck,j'为第g-1次迭代时氏族ck中第j'个大象个体的位置，当g的值取值为1时Xg-1,ck,j'为氏族ck中第j'个大象个体的初始位置，也即M个大象个体初始被划分为K个氏族时氏族ck中每个大象个体的初始位置；Xg,best,ck为第g次迭代时氏族ck中经济效益值最优的大象个体的位置，也即Xg,best,ck为第g次迭代时氏族ck中位置最佳的大象族长；α为第g次迭代时氏族ck中经济效益值最优的大象个体的位置Xg,best,ck对第g-1次迭代时氏族ck中第j'个大象个体的位置Xg-1,ck,j'的影响因子，α∈[0.1,0.9]；r为预设随机数，用于提高象群算法中的种群多样性，r∈[0.1,0.9]；β为第g次迭代时氏族ck的中心位置Xg,center,ck的预设影响因子，β∈[0.2,0.8]，也即预设影响因子β控制第g次迭代时氏族ck的中心位置Xg,center,ck的影响；Xg,center,ck为第g次迭代时氏族ck的中心位置Xg,center,ck，第g次迭代时氏族ck的中心位置Xg,center,ck中第d维分量Xg,center,ck,d定义为式(3)；Xg,ck,j',d为第g次迭代时氏族ck中第j'个大象个体的位置中的第d维分量，1≤d≤Dck,j'，Dck,j'为每次迭代时氏族ck中第j'个大象个体的位置的总维数，nck为每次迭代时氏族ck中的大象个体总数量；当设定象群个体数量M为且将M个大象个体共等分为6个氏族时，每次迭代时氏族ck中的大象数量为nck＝10。
需要说的是，初始化时，当设定象群矩阵中大象个体数量为M时，可以进一步设定每个大象个体的位置为D维分量且预设D维分量中每维分量取值的上下限为[LB，UB]，G为预设的最大迭代次数；其中，D、LB、UB分别为正整数。比如，可以设定M＝60，G＝100，待分配能源产业园区的数量D＝12以及可选择能源的数量为Q＝5时，则设定人工狼的位置变量上下限为[1,5]，大象个体的位置维度D＝12。
步骤130、基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值。
具体的，步骤130的实现过程包括：基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值；重复执行所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值的步骤；直至确定第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值。
需要说明的是，所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值，其计算公式包括：
Figure BDA0003395364090000111
其中，U所述待分配能源产业园区的能源利用率矩阵，J为所述待分配能源产业园区的能源需求紧张程度矩阵，
Figure BDA0003395364090000114
为所述能源需求紧张程度矩阵J的转置矩阵，sum为求和操作，
Figure BDA0003395364090000112
为第g次迭代时氏族ck中第j'个大象个体的更新位置，
Figure BDA0003395364090000113
为第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值。
步骤140、基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
具体的，步骤140的实现过程包括：首先，基于第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值，分别确定第g次迭代时所述象群矩阵中的全局最优大象个体位置，以及第g次迭代时氏族ck的最优大象个体位置和最差大象个体位置；然后，对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置；令g的值加1，返回重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；直至得到确定第G次迭代时所述象群矩阵中的全局最优大象个体位置，并确定所述第G次迭代时所述象群矩阵中的全局最优大象个体位置为所述待分配能源产业园区的综合能源调度最优策略。
需要说明的是，由于ck的取值范围为1≤ck≤K，j'的取值范围为1≤j'≤nck，n1+n2+…nck+...+nK＝M，因此，基于第g次迭代时氏族ck中第j'个大象个体的更新位置
Figure BDA0003395364090000121
可以确定第g次迭代时M个大象个体所代表的综合能源调度策略的更新经济效益值，再进一步对第g次迭代时M个大象个体所代表的综合能源调度策略的更新经济效益值从大到小排序或者从小到大排序后，选取最大更新经济效益值的大象个体的位置作为第g次迭代时象群矩阵中的全局最优大象个体位置
Figure BDA0003395364090000122
此外，基于第g次迭代时氏族ck中第j'个大象个体的更新位置
Figure BDA0003395364090000123
计算第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值
Figure BDA0003395364090000124
Figure BDA0003395364090000125
由于j'的取值范围为1≤j'≤nck，因此可以确定第g次迭代时氏族ck中nck个大象个体所代表的综合能源调度策略的更新经济效益值，再对第g次迭代时氏族ck中nck个大象个体所代表的综合能源调度策略的更新经济效益值从大到小或者从小到大排序后，选取更新经济效益值最大的大象个体位置和更新经济效益值最小的大象个体位置分别作为第g次迭代时氏族ck的最优大象个体位置Xg,best,ck和最差大象个体位置Xg,worst,ck。
本发明提供的产业园区综合能源调度优化方法，首先获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵以及确定象群矩阵中每个大象个体的更新位置；由于，象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率，因此基于象群矩阵中每个大象个体的更新位置、待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵所确定的每个大象个体所代表的综合能源调度策略的更新经济效益值，进一步确定待分配能源产业园区的综合能源调度最优策略。以此通过在所有大象个体中全局搜索最优更新经济效益值的方式，实现确定待分配能源产业园区的最优调度策略的目的，不仅避免了陷入局部最优搜索问题，而且在能源调度环境复杂且调度规模不断增大的情况下也能够最大化综合能源调度产生的经济效益，从而也提升了综合能源调度决策的求解精度，降低了求解复杂度。
可选的，所述对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置，包括：
首先，计算第g次迭代时氏族ck的最差大象个体更新位置；然后，将所述最差大象个体更新位置替换所述第g次迭代时氏族ck的最差大象个体位置，得到第g次迭代时氏族ck中各个大象个体的位置。
具体的，计算第g次迭代时氏族ck的最差大象个体更新位置，其计算公式为：
Figure BDA0003395364090000131
其中，
Figure BDA0003395364090000132
为第g次迭代时氏族ck的最差大象个体更新位置，hck,g为第g次迭代时氏族ck的随机向量，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限，
Figure BDA0003395364090000133
为向下取整。
本发明提供的产业园区综合能源调度优化方法，通过将所计算的每次迭代时每个氏族的最差大象个体更新位置替换每次迭代时对应氏族的最差大象个体位置的混沌策略方式，实现最大化全局搜索能力的目的，也为后续提升寻优速度及确定待分配能源产业园区的综合能源调度最优策略提供有力保障。
可选的，在所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤之前，所述方法还包括：
首先，确定第g次迭代时随机生成的MQ*D维矩阵；其中，M为所述象群矩阵中的大象个体数量，D为所述待分配能源产业园区的数量，Q为每个所述大象个体所占据行数；然后，根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵。
具体的，所述确定第g次迭代时随机生成的MQ*D维矩阵，包括根据相邻两个大象个体的位置之间的映射关系确定，其所述映射关系为：
Zg,i+1＝μ*Zg,i*(1-Zg,i) (6)
其中，1≤i≤M，2≤i+1≤M，μ为预设阈值控制因子，μ>0，本发明中优选μ的取值为4；Zg,i+1为第g次迭代时随机生成的MQ*D维矩阵中第i+1个大象个体的位置，Zg,i为第g次迭代时随机生成的MQ*D维矩阵中第i个大象个体的位置。
并且，所述根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵，包括：根据第g次迭代时随机生成的MQ*D维矩阵Zg中第i个大象个体的第j维位置分量Zg,i,j，计算第g次迭代时的象群矩阵Xg中第i个大象个体的第j维位置分量Xg,i,j，其计算公式为：
Figure BDA0003395364090000141
其中，1≤i≤M，2≤i+1≤M，1≤j≤D，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限。将第g次迭代时随机生成的MQ*D维矩阵Zg中的每个分量载波到变量的取值区间上，混沌生成第g次迭代时第g次迭代时的象群矩阵Xg。比如，采用上述参数，通过采用整数编码后得到第g次迭代时的象群矩阵Xg中第i个大象个体的位置Xg,i，其可以表示为：
Figure BDA0003395364090000151
其中，第g次迭代时的象群矩阵Xg中每一列的数值分别代表对应代待分配能源的产业园区的Q＝5种能源的利用率，因此，第g次迭代时的象群矩阵Xg中第i个大象个体的位置Xg,i可以代表第g次迭代时第i个大象个体所代表的调度方案。
需要说明的是，第g次迭代时随机生成的MQ*D维矩阵Zg中每一行均为D列，也即其每一行均为一个D维向量，每个D维向量中每个分量的取值均在0～1之间。并且，第g次迭代时随机生成的MQ*D维矩阵中第i+1个大象个体的位置Zg,i+1和第g次迭代时随机生成的MQ*D维矩阵中第i个大象个体的位置Zg,i之间满足Logistic映射关系；并且，Q的取值与待分配能源的产业园区的可选择能源的数量取值相同。
本发明提供的产业园区综合能源调度优化方法，通过每次迭代时随机生成的MQ*D维矩阵，确定每次迭代时的象群矩阵的方式，实现针对每次迭代随机产生的象群矩阵进行全局寻优的目的，为后续确定待分配能源产业园区的综合能源调度最优策略奠定基础。
为了进一步理解本发明方法，此处结合图2对本发明作进一步详细说明，其过程包括以下子步骤：
步骤2.1初始化：象群矩阵中大象个体数量为M，每个大象个体的位置为D维分量，M个大象个体被划分为K个氏族，氏族ck中包括nck个大象个体，n1+n2+...nck+...+nK＝M；并且，令g表示第g次迭代，g的初值为1且最大值为G，也即1≤g≤G。
步骤2.2确定第g次迭代时随机生成的MQ*D维矩阵Zg，并根据所述MQ*D维矩阵Zg，确定第g次迭代时的象群矩阵Xg。
步骤2.3计算第g次迭代时氏族ck中第j'个大象个体的更新位置
Figure BDA0003395364090000161
具体的，可以按照经济效益评估函数根据第g次迭代时第i个大象个体的初始位置Xg,i(也即第g次迭代时随机生成象群矩阵时第i个大象个体的位置)计算第g次迭代时第i个大象个体的所代表的调度方案经济效益值Vg,i，
Figure BDA0003395364090000162
经过矩阵运算所得出的第g次迭代时第i个大象个体的所代表的调度方案经济效益值Vg,i＝4.10，以此方式虽能确定综合能源调度策略，但却用于全局最优搜索时精度不高。因此，可将M个大象个体划分为K个氏族进行位置更新及全局最优搜索，从而得到精度更高且全局最优搜索能力最强的综合能源调度策略。
步骤2.4根据第g次迭代时氏族ck中第j'个大象个体的更新位置
Figure BDA0003395364090000171
计算第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值
Figure BDA0003395364090000172
步骤2.5判断j'的值是否等于nck，若j'的值小于nck，则令j'的值加1，返回步骤2.3；反之，若j'的值等于nck，执行步骤2.6。
步骤2.6根据第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值，确定第g次迭代时氏族ck的最优大象个体位置Xg,best,ck和最差大象个体位置Xg,worst,ck。
步骤2.7计算第g次迭代时氏族ck的最差大象个体更新位置
Figure BDA0003395364090000173
步骤2.8基于第g次迭代时氏族ck的最差大象个体更新位置
Figure BDA0003395364090000174
对第g次迭代时氏族ck的最差大象个体位置Xg,worst,ck进行替换处理，得到第g次迭代时氏族ck中各个大象个体的位置。
步骤2.9判断ck的值是否等于K，若ck的值小于K，则将j'的值初始化为1，且令ck的值加1，返回步骤2.3；反之，若ck的值等于K，则执行步骤2.10。
步骤2.10根据第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值，确定第g次迭代时象群矩阵中的全局最优大象个体位置
Figure BDA0003395364090000175
步骤2.11判断g的值是否等于G，若g的值小于G，则令g的值加1，且分别将j'的值和ck的值分别初始化为1，返回步骤2.2；反之，若g的值等于G，则执行步骤2.12。
步骤2.12将第G次迭代时象群矩阵中的全局最优大象个体位置
Figure BDA0003395364090000181
为待分配能源产业园区的综合能源调度最优策略。
具体的，也可以将第G次迭代时象群矩阵中的全局最优大象个体位置
Figure BDA0003395364090000182
确定为象群矩阵中最优大象个体位置Xbest，并基于最优大象个体位置Xbest确定象群矩阵中最优大象个体所对应的综合能源调度策略的最优经济效益值Vbest，
Figure BDA0003395364090000183
最后将最优大象个体位置Xbest作为最佳能源调度方案用于综合能源的调度决策，按照本发明方案进行综合能源调度，可获得最优经济效益。
需要说明的是，步骤2.1～步骤2.12中的实施过程可与前文所述的产业园区综合能源调度优化方法相互对应参照，此处不再赘述。
本发明提供的产业园区综合能源调度优化方法具有简单的方法结构以及较低的计算复杂度，求解问题过程简洁明了，方法参数相对较少，全局寻优速度快，有效提升了综合能源的调度经济效益。也即，本发明方法能够提高综合能源智能调度的经济效益，为综合能源管理中心提供最佳的能源调度方案，方法具有结构简单、步骤明晰、算法复杂度低、稳健性较强等优点，推广前景良好。
在实际处理过程中，当可选择能源的数量Q＝5且分别为水、电、热、气、冷，12个待分配能源产业园区，象群矩阵中大象个体数量M＝60，氏族数量K＝6，每个氏族中大象个体数量为10，最大迭代次数G＝100，每个大象个体的位置为12维分量且12维分量中每个分量的取值上下限为[0.1，0.6]时，作为对比的麻雀搜索算法和人工鱼群算法中M＝60且G＝100，将本发明方法、麻雀搜索算法以及人工鱼群算法进行仿真实验，可以得到如图3所示的仿真结果。
由图3可以看出，本发明方法、麻雀搜索算法以及人工鱼群算法分别迭代运行100次后，使用本发明方法得到的效益数值比使用麻雀搜索算法高出0.25、比人工鱼群算法高出0.53，由此可以说明本发明方法的性能相相较于现有的麻雀搜索算法和人工鱼群算法的性能有很大的提升，并且使用本发明方法能够实现在更少的迭代次数内获得更好的能源调度方案的目的，从而也能证明采用本发明方法所确定的调度方案能够明显提升综合能源的调度效益。
下面对本发明提供的产业园区综合能源调度优化装置进行描述，下文描述的产业园区综合能源调度优化装置与上文描述的产业园区综合能源调度优化方法可相互对应参照。
图4示例了一种产业园区综合能源调度优化装置，如图4所示，该产业园区综合能源调度优化装置400，包括：
获取模块410，用于获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；更新模块420，用于确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；处理模块430，用于基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；确定模块440，用于基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
具体的，更新模块420，具体可以用于设定象群矩阵中大象个体数量为M，M个大象个体被划分为K个氏族，氏族ck中包括nck个大象个体，n1+n2+...nck+...+nK＝M；并且，令g表示第g次迭代，且g的初值为1且最大值为G；计算第g次迭代时氏族ck中每个大象个体的更新位置；重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；直至得到第g次迭代时象群矩阵中每个大象个体的更新位置。
可选的，处理模块430，可以具体用于基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值；重复执行所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值的步骤；直至确定第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值。
可选的，确定模块440，具体可以用于基于第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值，分别确定第g次迭代时所述象群矩阵中的全局最优大象个体位置，以及第g次迭代时氏族ck的最优大象个体位置和最差大象个体位置；对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置；令g的值加1，返回重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；直至得到确定第G次迭代时所述象群矩阵中的全局最优大象个体位置，并确定所述第G次迭代时所述象群矩阵中的全局最优大象个体位置为所述待分配能源产业园区的综合能源调度最优策略。
可选的，更新模块420，具体还可以用于计算第g次迭代时氏族ck中每个大象个体的更新位置，其计算公式包括：
Figure BDA0003395364090000201
Xg,best,ck＝β*Xg,center,ck (2)
Figure BDA0003395364090000202
其中，
Figure BDA0003395364090000203
为第g次迭代时氏族ck中第j'个大象个体的更新位置，Xg-1,ck,j'为第g-1次迭代时氏族ck中第j'个大象个体的位置，当g的值取值为1时Xg-1,ck,j'为氏族ck中第j'个大象个体的初始位置；Xg,best,ck为第g次迭代时氏族ck中经济效益值最优的大象个体的位置；α为第g次迭代时氏族ck中经济效益值最优的大象个体的位置Xg,best,ck对第g-1次迭代时氏族ck中第j'个大象个体的位置Xg-1,ck,j'的影响因子；r为预设随机数；β为第g次迭代时氏族ck的中心位置Xg,center,ck的预设影响因子；Xg,center,ck为第g次迭代时氏族ck的中心位置Xg,center,ck，第g次迭代时氏族ck的中心位置Xg,center,ck中第d维分量Xg,center,ck,d定义为式(3)；Xg,ck,j',d为第g次迭代时氏族ck中第j'个大象个体的位置中的第d维分量，1≤d≤Dck,j'，Dck,j'为每次迭代时氏族ck中第j'个大象个体的位置的总维数，nck为每次迭代时氏族ck中的大象个体总数量。
具体的，处理模块430，具体还可以用于基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值，其计算公式包括：
Figure BDA0003395364090000211
其中，U所述待分配能源产业园区的能源利用率矩阵，J为所述待分配能源产业园区的能源需求紧张程度矩阵，
Figure BDA0003395364090000214
为所述能源需求紧张程度矩阵J的转置矩阵，sum为求和操作，
Figure BDA0003395364090000212
为第g次迭代时氏族ck中第j'个大象个体的更新位置，
Figure BDA0003395364090000213
为第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值。
可选的，确定模块440，具体还可以用于计算第g次迭代时氏族ck的最差大象个体更新位置；将所述最差大象个体更新位置替换所述第g次迭代时氏族ck的最差大象个体位置，得到第g次迭代时氏族ck中各个大象个体的位置。
可选的，确定模块440，具体还可以用于计算第g次迭代时氏族ck的最差大象个体更新位置，其计算公式为：
Figure BDA0003395364090000221
其中，
Figure BDA0003395364090000222
为第g次迭代时氏族ck的最差大象个体更新位置，hck,g为第g次迭代时氏族ck的随机向量，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限，
Figure BDA0003395364090000223
为向下取整。
可选的，更新模块420，具体还可以用于确定第g次迭代时随机生成的MQ*D维矩阵；其中，M为所述象群矩阵中的大象个体数量，D为所述待分配能源产业园区的数量，Q为每个所述大象个体所占据行数；根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵。
可选的，更新模块420，具体还可以用于确定所述第g次迭代时随机生成的MQ*D维矩阵，包括根据相邻两个大象个体的位置之间的映射关系确定，其所述映射关系为：
Zg,i+1＝μ*Zg,i*(1-Zg,i) (6)
其中，1≤i≤M，2≤i+1≤M，μ为预设阈值控制因子，μ>0；Zg,i+1为第g次迭代时随机生成的MQ*D维矩阵中第i+1个大象个体的位置，Zg,i为第g次迭代时随机生成的MQ*D维矩阵中第i个大象个体的位置。
可选的，更新模块420，具体还可以用于根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵，包括：
根据第g次迭代时随机生成的MQ*D维矩阵Zg中第i个大象个体的第j维位置分量Zg,i,j，计算第g次迭代时的象群矩阵Xg中第i个大象个体的第j维位置分量Xg,i,j，其计算公式为：
Figure BDA0003395364090000231
其中，1≤i≤M，2≤i+1≤M，1≤j≤D，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备500可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行产业园区综合能源调度优化方法，该方法包括：
获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的产业园区综合能源调度优化方法，该方法包括：
获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的产业园区综合能源调度优化方法，该方法包括：
获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种产业园区综合能源调度优化方法，其特征在于，包括：
获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
2.根据权利要求1所述的产业园区综合能源调度优化方法，其特征在于，所述确定象群矩阵中每个大象个体的更新位置，包括：
设定象群矩阵中大象个体数量为M，M个大象个体被划分为K个氏族，氏族ck中包括nck个大象个体，n1+n2+...nck+...+nK＝M；并且，令g表示第g次迭代，且g的初值为1且最大值为G；
计算第g次迭代时氏族ck中每个大象个体的更新位置；
重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；
直至得到第g次迭代时象群矩阵中每个大象个体的更新位置。
3.根据权利要求2所述的产业园区综合能源调度优化方法，其特征在于，所述基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值，包括：
基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值；
重复执行所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值的步骤；
直至确定第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值。
4.根据权利要求2所述的产业园区综合能源调度优化方法，其特征在于，所述基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略，包括：
基于第g次迭代时象群矩阵中每个大象个体所代表的综合能源调度策略的更新经济效益值，分别确定第g次迭代时所述象群矩阵中的全局最优大象个体位置，以及第g次迭代时氏族ck的最优大象个体位置和最差大象个体位置；
对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置；
令g的值加1，返回重复执行所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤；
直至得到确定第G次迭代时所述象群矩阵中的全局最优大象个体位置，并确定所述第G次迭代时所述象群矩阵中的全局最优大象个体位置为所述待分配能源产业园区的综合能源调度最优策略。
5.根据权利要求2所述的产业园区综合能源调度优化方法，其特征在于，所述计算第g次迭代时氏族ck中每个大象个体的更新位置，其计算公式包括：
Figure FDA0003395364080000021
Xg,best,ck＝β*Xg,center,ck (2)
Figure FDA0003395364080000031
其中，
Figure FDA0003395364080000032
为第g次迭代时氏族ck中第j'个大象个体的更新位置，Xg-1,ck,j'为第g-1次迭代时氏族ck中第j'个大象个体的位置，当g的值取值为1时Xg-1,ck,j'为氏族ck中第j'个大象个体的初始位置；Xg,best,ck为第g次迭代时氏族ck中经济效益值最优的大象个体的位置；α为第g次迭代时氏族ck中经济效益值最优的大象个体的位置Xg,best,ck对第g-1次迭代时氏族ck中第j'个大象个体的位置Xg-1,ck,j'的影响因子；r为预设随机数；β为第g次迭代时氏族ck的中心位置Xg,center,ck的预设影响因子；Xg,center,ck为第g次迭代时氏族ck的中心位置Xg,center,ck，第g次迭代时氏族ck的中心位置Xg,center,ck中第d维分量Xg,center,ck,d定义为式(3)；Xg,ck,j',d为第g次迭代时氏族ck中第j'个大象个体的位置中的第d维分量，1≤d≤Dck,j'，Dck,j'为每次迭代时氏族ck中第j'个大象个体的位置的总维数，nck为每次迭代时氏族ck中的大象个体总数量。
6.根据权利要求3所述的产业园区综合能源调度优化方法，其特征在于，所述基于所述第g次迭代时氏族ck中每个大象个体的更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，计算第g次迭代时氏族ck中每个大象个体所代表的综合能源调度策略的更新经济效益值，其计算公式包括：
Figure FDA0003395364080000033
其中，U所述待分配能源产业园区的能源利用率矩阵，J为所述待分配能源产业园区的能源需求紧张程度矩阵，
Figure FDA0003395364080000046
为所述能源需求紧张程度矩阵J的转置矩阵，sum为求和操作，
Figure FDA0003395364080000041
为第g次迭代时氏族ck中第j'个大象个体的更新位置，
Figure FDA0003395364080000042
为第g次迭代时氏族ck中第j'个大象个体所代表的综合能源调度策略的更新经济效益值。
7.根据权利要求4所述的产业园区综合能源调度优化方法，其特征在于，所述对第g次迭代时氏族ck的最差大象个体位置进行更新处理，得到第g次迭代时氏族ck中各个大象个体的位置，包括：
计算第g次迭代时氏族ck的最差大象个体更新位置；
将所述最差大象个体更新位置替换所述第g次迭代时氏族ck的最差大象个体位置，得到第g次迭代时氏族ck中各个大象个体的位置。
8.根据权利要求7所述的产业园区综合能源调度优化方法，其特征在于，所述计算第g次迭代时氏族ck的最差大象个体更新位置，其计算公式为：
Figure FDA0003395364080000043
其中，
Figure FDA0003395364080000044
为第g次迭代时氏族ck的最差大象个体更新位置，hck,g为第g次迭代时氏族ck的随机向量，LB为预设的每维位置分量取值下限，UB为预设的每维位置分量取值上限，
Figure FDA0003395364080000045
为向下取整。
9.根据权利要求2所述的产业园区综合能源调度优化方法，其特征在于，在所述计算第g次迭代时氏族ck中每个大象个体的更新位置的步骤之前，所述方法还包括：
确定第g次迭代时随机生成的MQ*D维矩阵；其中，M为所述象群矩阵中的大象个体数量，D为所述待分配能源产业园区的数量，Q为每个所述大象个体所占据行数；
根据所述MQ*D维矩阵，确定第g次迭代时的象群矩阵。
10.一种产业园区综合能源调度优化装置，其特征在于，包括：
获取模块，用于获取待分配能源产业园区的能源需求紧张程度矩阵和能源利用率矩阵；
更新模块，用于确定象群矩阵中每个大象个体的更新位置；其中，所述象群矩阵中每一列的数值分别代表所述待分配能源产业园区的可选择能源的利用率；
处理模块，用于基于所述更新位置、所述能源需求紧张程度矩阵及所述能源利用率矩阵，确定所述每个大象个体所代表的综合能源调度策略的更新经济效益值；
确定模块，用于基于所述更新经济效益值，确定所述待分配能源产业园区的综合能源调度最优策略。
CN202111481409.6A 2021-12-06 2021-12-06 产业园区综合能源调度优化方法及装置 Active CN114399152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111481409.6A CN114399152B (zh) 2021-12-06 2021-12-06 产业园区综合能源调度优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111481409.6A CN114399152B (zh) 2021-12-06 2021-12-06 产业园区综合能源调度优化方法及装置

Publications (2)

Publication Number Publication Date
CN114399152A true CN114399152A (zh) 2022-04-26
CN114399152B CN114399152B (zh) 2023-04-25

Family

ID=81226009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111481409.6A Active CN114399152B (zh) 2021-12-06 2021-12-06 产业园区综合能源调度优化方法及装置

Country Status (1)

Country Link
CN (1) CN114399152B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282909A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 生産スケジューリング方法及びその装置
US20120215577A1 (en) * 2011-02-23 2012-08-23 Avaya Inc. Method and system for optimizing contact center performance
CN108805363A (zh) * 2018-06-25 2018-11-13 中国能源建设集团广东省电力设计研究院有限公司 冷热电联供系统定容方法及装置
CN109872036A (zh) * 2019-01-10 2019-06-11 平安科技（深圳）有限公司 基于分类算法的任务分配方法、装置及计算机设备
CN110465092A (zh) * 2019-08-16 2019-11-19 腾讯科技（深圳）有限公司 一种资源分配的方法以及相关装置
CN111127082A (zh) * 2019-12-09 2020-05-08 图灵人工智能研究院（南京）有限公司 用于供能系统的数据处理系统、方法及装置
CN111461478A (zh) * 2020-01-17 2020-07-28 华中科技大学 一种大规模水光能源互补调度方法与系统
CN113705812A (zh) * 2021-07-19 2021-11-26 合肥工业大学 基于混合并行遗传和变邻域算法的生产调度方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282909A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 生産スケジューリング方法及びその装置
US20120215577A1 (en) * 2011-02-23 2012-08-23 Avaya Inc. Method and system for optimizing contact center performance
CN108805363A (zh) * 2018-06-25 2018-11-13 中国能源建设集团广东省电力设计研究院有限公司 冷热电联供系统定容方法及装置
CN109872036A (zh) * 2019-01-10 2019-06-11 平安科技（深圳）有限公司 基于分类算法的任务分配方法、装置及计算机设备
CN110465092A (zh) * 2019-08-16 2019-11-19 腾讯科技（深圳）有限公司 一种资源分配的方法以及相关装置
CN111127082A (zh) * 2019-12-09 2020-05-08 图灵人工智能研究院（南京）有限公司 用于供能系统的数据处理系统、方法及装置
CN111461478A (zh) * 2020-01-17 2020-07-28 华中科技大学 一种大规模水光能源互补调度方法与系统
CN113705812A (zh) * 2021-07-19 2021-11-26 合肥工业大学 基于混合并行遗传和变邻域算法的生产调度方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN CAHIG 等: ""Optimal Virtual Power Plant Scheduling using Elephant Herding Optimization"" *
G. G. WANG 等: ""Elephant Herding Optimization"" *
RASOOL BUKHSH 等: "\"Appliances Scheduling Using Hybrid Scheme of Genetic Algorithm and Elephant Herd Optimization for Residential Demand Response\"" *
唐海华 等: "水库群联合调度多模型集成总体技术架构" *
曹倩倩: ""象群优化算法的改进及其在网络入侵检测中的应用"" *
詹振彪,王庆,毛玉平,宋来忠: "遗传算法在机组优化调度中的应用" *

Also Published As

Publication number Publication date
CN114399152B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111694656B (zh) 基于多智能体深度强化学习的集群资源调度方法及系统
CN104035816A (zh) 一种基于改进nsga-ii的云计算任务调度方法
CN117077981B (zh) 融合邻域搜索变异和差分进化的停机位分配方法及装置
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
CN114565239B (zh) 用于产业园区的综合低碳能源调度方法及系统
CN114565237B (zh) 用于多能组合发电站的综合能源低碳调度方法及系统
CN112286152B (zh) 具有批量交付约束的分布式流水车间调度方法及系统
CN109002928A (zh) 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置
CN113240226A (zh) 一种卫星地面站间的资源分配方法及装置
CN114186671A (zh) 一种大批量的去中心化分布式图像分类器训练方法和系统
CN116737336A (zh) 一种基于聚类遗传算法的多无人船任务分配方法及系统
CN110222816B (zh) 深度学习模型的建立方法、图像处理方法及装置
CN116596021A (zh) 基于改进的麻雀搜索算法的模型参数优化方法、装置
CN117290721A (zh) 数字孪生建模方法、装置、设备及介质
CN111831421B (zh) 任务分配方法及终端设备
CN114219065A (zh) 一种面向异构众核平台的Im2col加速方法
CN114399152A (zh) 产业园区综合能源调度优化方法及装置
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN117291259A (zh) 算子优化方法、装置、电子设备及存储介质
Li et al. Research on dynamic multi-objective fjsp based on genetic algorithm
CN116303386A (zh) 一种基于关系图谱的缺失数据智能插补方法和系统
CN116484948A (zh) 事件预测方法、装置及电子设备
CN116244050A (zh) 一种基于高响应比的气动特性算例调度方法
CN111242803A (zh) 基于多种群遗传算法的风机排布方法及装置
CN113127167A (zh) 一种基于改进遗传算法的异构资源智能并行调度方法

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