CN116187910B - 一种控温仓库容量配置方法、装置、电子设备及存储介质 - Google Patents
一种控温仓库容量配置方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116187910B CN116187910B CN202310444614.8A CN202310444614A CN116187910B CN 116187910 B CN116187910 B CN 116187910B CN 202310444614 A CN202310444614 A CN 202310444614A CN 116187910 B CN116187910 B CN 116187910B
- Authority
- CN
- China
- Prior art keywords
- configuration
- current
- capacity
- model
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000013439 planning Methods 0.000 claims abstract description 79
- 230000009471 action Effects 0.000 claims description 81
- 238000005457 optimization Methods 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012384 transportation and delivery Methods 0.000 claims description 7
- 239000000047 product Substances 0.000 description 53
- 238000004146 energy storage Methods 0.000 description 46
- 239000004973 liquid crystal related substance Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 19
- 238000005057 refrigeration Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000007600 charging Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 206010012186 Delayed delivery Diseases 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Warehouses Or Storage Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及可再生能源微电网领域，公开了一种控温仓库容量配置方法、装置、电子设备及存储介质，该方法包括：构建容量配置模型，包括规划容量配置模型和运行容量配置模型；初始化配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；当配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；按照目标配置信息，配置控温仓库容量。如此，能够在容量配置时兼顾规划成本与运营成本，并且能够保证紧急情况下控温仓库的平稳运行。
Description
技术领域
本发明涉及可再生能源微电网领域，具体涉及一种控温仓库容量配置方法、装置、电子设备及存储介质。
背景技术
为了减轻电网终端对冷链系统的影响，保证食品安全，同时为了响应碳减排的号召，现在的冷链系统中往往接入了可再生能源微电网（Renewable Energy Microgrids，REM），以替代传统的化石能源，如柴油发电机等。
可再生能源微电网是一种分布式发电系统，一般以风力、光伏等可再生能源发电为主体，通过储能的充放电调节电力供需平衡。可再生能源微电网具有能够充分利用资源，提高供电的多样性和灵活性的优点。然而，可再生能源微电网的发电具有间歇性，会导致电力供应的不稳定性与不确定性；同时由于对可再生能源微电网的投资预算往往有限，无法通过扩大发电规模的方式以弥补其电力供应的不稳定性与不确定性。当紧急情况发生时，存在电力不足以支持冷库运行，导致冷库损失，增加冷库运营成本的风险。
因此，需要一个能够综合考量可再生能源微电网的投资规划和紧急情况下电力供应与冷库运营的方案。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中冷库能源规划与库存配置不能兼顾规划成本与运营成本、不能保证紧急情况下控温仓库的平稳运行的缺陷，从而提供一种控温仓库容量配置方法、装置、电子设备及存储介质。
一方面，本发明实施例提供了一种控温仓库容量配置方法，包括如下步骤：
构建容量配置模型；容量配置模型包括规划容量配置模型和运行容量配置模型；
初始化配置点集中每个配置点的当前配置信息；
将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；
将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；
当配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
按照目标配置信息，配置控温仓库容量。
进一步的，构建容量配置模型，包括：
将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为规划容量配置模型；
基于马尔可夫决策过程，构建运行容量配置模型；
构建约束条件；
基于规划容量配置模型、运行容量配置模型和约束条件，构建容量配置模型。
进一步的，基于马尔可夫决策过程，构建运行容量配置模型，包括：
基于马尔可夫决策过程，构建单次容量配置模型；单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运行资源消耗量的模型；单次容量配置模型由当前库存资源消耗量、当前延迟交付资源消耗量、当前进货资源消耗量和当前出货资源获取量构成；
将控温仓库运行过程中，每次异常运行对应的单次容量配置模型相加，得到运行容量配置模型。
进一步的，将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量，包括：
将每个配置点的当前配置信息输入规划容量配置模型，得到每个配置点对应的当前规划资源消耗量；
将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量；
计算每个配置点对应的当前规划资源消耗量和每个配置点对应的当前运行资源消耗量之和，得到每个配置点对应的当前资源消耗量。
进一步的，将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量，包括：
将每个配置点的当前配置信息输入运行容量配置模型；
基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；当前优化周期为优化窗口所覆盖的时间范围；
将当前行动信息输入行动信息集合；
重复步骤：将优化窗口移动预设时间，以更新当前优化周期；基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；将当前行动信息输入运行容量配置模型；将当前行动信息输入行动信息集合；直到优化窗口的起点移动至运行容量配置模型对应的时域终点，基于行动信息集合计算得到每个配置点对应的当前运行资源消耗量。
进一步的，基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息，包括：
在当前优化周期下，基于时间序列模型，对环境信息进行预测，得到预测环境信息；
以预测环境信息替换环境信息，更新约束条件；
在当前优化周期下，对运行容量配置模型进行优化求解，得到当前行动信息。
进一步的，当配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息之前，还包括：
当配置点集中，存在配置点的当前资源消耗量小于配置点的当前最优资源消耗量时，将当前资源消耗量作为配置点的当前最优资源消耗量，将当前配置信息作为配置点的当前最优配置信息。
进一步的，将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息之后，还包括：
当配置点集中，存在两个配置点的当前配置信息之差大于配置信息阈值时，重复步骤：基于当前点集最优配置信息和每个配置点的当前最优配置信息，更新配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；直到配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
按照目标配置信息，配置控温仓库容量。
进一步的，按照目标配置信息，配置控温仓库容量之后，还包括：
按照控温仓库容量运行控温仓库；
当控温仓库异常运行时，基于运行容量配置模型，运行控温仓库。
另一方面，本发明实施例提供了一种控温仓库容量配置装置，包括：
模型构建模块，用于构建容量配置模型；容量配置模型包括规划容量配置模型和运行容量配置模型；
初始化模块，用于初始化配置点集中每个配置点的当前配置信息；
资源消耗量确定模块，用于将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；
点集最优配置信息模块，用于将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；
目标配置信息确定模块，用于当配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
容量配置模块，用于按照目标配置信息，配置控温仓库容量。
进一步的，模型构建模块，包括：
规划容量配置模型构建模块，用于将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为规划容量配置模型；
运行容量配置模型构建模块，用于基于马尔可夫决策过程，构建运行容量配置模型；
约束条件构建模块，用于构建约束条件；
容量配置模型构建模块，用于基于规划容量配置模型、运行容量配置模型和约束条件，构建容量配置模型。
进一步的，运行容量配置模型构建模块，用于基于马尔可夫决策过程，构建单次容量配置模型；单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运行资源消耗量的模型；单次容量配置模型由当前库存资源消耗量、当前延迟交付资源消耗量、当前进货资源消耗量和当前出货资源获取量构成；
将控温仓库运行过程中，每次异常运行对应的单次容量配置模型相加，得到运行容量配置模型。
进一步的，资源消耗量确定模块，包括：
规划资源消耗量确定模块，用于将每个配置点的当前配置信息输入规划容量配置模型，得到每个配置点对应的当前规划资源消耗量；
运行资源消耗量确定模块，用于将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量；
资源消耗量计算模块，用于计算每个配置点对应的当前规划资源消耗量和每个配置点对应的当前运行资源消耗量之和，得到每个配置点对应的当前资源消耗量。
进一步的，运行资源消耗量确定模块，用于：
将每个配置点的当前配置信息输入运行容量配置模型；
基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；当前优化周期为优化窗口所覆盖的时间范围；
将当前行动信息输入行动信息集合；
重复步骤：将优化窗口移动预设时间，以更新当前优化周期；基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；将当前行动信息输入运行容量配置模型；将当前行动信息输入行动信息集合；直到优化窗口的起点移动至运行容量配置模型对应的时域终点，基于行动信息集合计算得到每个配置点对应的当前运行资源消耗量。
进一步的，运行资源消耗量确定模块，用于：
在当前优化周期下，基于时间序列模型，对环境信息进行预测，得到预测环境信息；
以预测环境信息替换环境信息，更新约束条件；
在当前优化周期下，对运行容量配置模型进行优化求解，得到当前行动信息。
进一步的，控温仓库容量配置装置，还包括：
最优配置信息确定模块，用于当配置点集中，存在配置点的当前资源消耗量小于配置点的当前最优资源消耗量时，将当前资源消耗量作为配置点的当前最优资源消耗量，将当前配置信息作为配置点的当前最优配置信息。
进一步的，目标配置信息确定模块，还用于：当配置点集中，存在两个配置点的当前配置信息之差大于配置信息阈值时，重复步骤：基于当前点集最优配置信息和每个配置点的当前最优配置信息，更新配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；直到配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
容量配置模块，用于按照目标配置信息，配置控温仓库容量。
进一步的，控温仓库容量配置装置，还包括：
控温仓库运行模块，用于按照控温仓库容量运行控温仓库；
异常运行模块，用于当控温仓库异常运行时，基于运行容量配置模型，运行控温仓库。
另一方面，本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器用于存储计算机程序，该计算机程序被处理器执行时，实现如上任一所述的方法。
另一方面，本发明实施例提供了一种计算机可读存储介质，用于存储计算机程序，计算机程序被处理器执行时，实现如上任一所述的方法。
本发明技术方案，具有如下优点：
本发明提供的控温仓库容量配置方法，包括：构建容量配置模型；容量配置模型包括规划容量配置模型和运行容量配置模型；初始化配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；当配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；按照目标配置信息，配置控温仓库容量。如此，能够在控温仓库容量配置时兼顾规划成本与运营成本，并且能够保证紧急情况下控温仓库的平稳运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种应用环境的示意图；
图2为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图3为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图4为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图5为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图6为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图7为本发明实施例提供的一种控温仓库容量配置方法的流程示意图；
图8为本发明实施例提供的一种控温仓库容量配置方法的具体应用示意图；
图9为本发明实施例提供的一种控温仓库容量配置方法的具体应用示意图；
图10为本发明实施例提供的一种控温仓库容量配置方法的具体应用示意图；
图11为本发明实施例提供的一种控温仓库容量配置方法的具体应用示意图；
图12为本发明实施例提供的一种控温仓库容量配置装置的结构示意图。
具体实施方式
下面将结合附图对本发明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做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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“规划”、“运行”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
请参阅图1，图1是本申请实施例提供的一种应用环境的示意图，包括控温仓库容量配置系统101、可再生能源微电网102和控温仓库103。其中，控温仓库容量配置系统101对可再生能源微电网102的装机容量进行规划配置；输出目标配置信息，可再生能源微电网102按照目标配置信息对其包含的分布式电源的装机容量进行配置；控温仓库103与可再生能源微电网102建立连接，在异常运行时完全依靠可再生能源微电网102供电。
具体的，控温仓库容量配置系统101构建容量配置模型；容量配置模型包括规划容量配置模型和运行容量配置模型；初始化配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；当配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；按照目标配置信息，配置控温仓库容量。
在一些可能的实施例中，控温仓库容量配置系统101不仅能够对控温仓库103的可再生能源微电网102进行容量配置，还能够通过其中的运行容量配置模型，指导控温仓库103在异常运行时的运行策略，包括货物出入库与可再生能源微电网102充放电的规划安排。也就是说，控温仓库容量配置系统101是一个集前期容量规划与后期运营规划于一体的规划系统。
在一些可能的实施例中，控温仓库容量配置系统101可以以软件、硬件或者软硬件结合的方式，内置于控温仓库103中，一个控温仓库容量配置系统101只服务于一个控温仓库103，以便于快速响应；控温仓库容量配置系统101也可以通过通信协议与多个控温仓库103建立远程通信连接，通过一个控温仓库容量配置系统101就能够为多个控温仓库103进行容量配置，从而降低使用成本。
在一些可能的实施例中，控温仓库103可以是恒温仓库、温度可调节的仓库等，该仓库的功能不限于制冷或者制热。
以下介绍本发明一种控温仓库容量配置方法的具体实施例，图2是本发明实施例提供的一种控温仓库容量配置方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。具体的，如图2所示，该方法包括如下步骤：
S201：构建容量配置模型。
本实施例中，容量配置模型是基于可再生能源微电网中每个分布式电源对应的装机容量，建立的关于控温仓库前期规划阶段与后期运营阶段的总资源消耗量的模型，从而在资源消耗最低的情况下，兼顾规划阶段与运营阶段的资源消耗，以确保可再生能源微电网的建设投入能够使控温仓库出现紧急状况时依然保持稳健运行。
本实施例中，容量配置模型包括规划容量配置模型和运行容量配置模型。其中，规划容量配置模型是基于可再生能源微电网中每个分布式电源对应的装机容量，建立的关于控温仓库前期规划阶段的规划资源消耗量的模型；运行容量配置模型时基于可再生能源微电网中每个分布式电源对应的装机容量，建立的关于控温仓库后期运营阶段的运行资源消耗量的模型。需要注意的是，本实施例中，资源消耗量包括但不限于材料、人力资源、金钱货币等。
本实施例中，可再生能源微电网中的分布式电源可以包括但不限于太阳能光伏和风力发电机等。在一些可能的实施例中，对于建设在湖泊、川流以及瀑布等附近的控温仓库，还可以使用水电发电机来构建可再生能源微电网。在一些可能的实施例中，还可以使用生物质能相关的电源，例如生物质能工厂、生物燃油等来构建可再生能源微电网。
在一些可能的实施例中，图3示出了本发明实施例提供的一种控温仓库容量配置方法的流程示意图，如图3所示，步骤S301：构建容量配置模型，可以包括如下步骤：
S301：将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为规划容量配置模型。
本实施例中，初始资源消耗量是指可再生能源微电网在建设阶段投入的资源消耗量；维护资源消耗量是指在控温仓库运营过程中，对可再生能源微电网进行维护产生的资源消耗量；设备资源消耗量是指可再生能源微电网的寿命结束或者使用结束后，处理相关设备所产生的资源消耗量。当可再生能源微电网的各分布式电源的装机容量确定时，初始资源消耗量、维护资源消耗量和设备资源消耗量都是确定的，具体如下公式（1）和公式（2）所示。
公式（1）
公式（2）
其中，为规划资源消耗量，/>为初始资源消耗量，/>为维护资源消耗量，/>为设备资源消耗量；x为可再生能源微电网中所有分布式电源的装机容量的总和，/>为太阳能光伏的装机容量，/>为风力发电机的装机容量，/>为电池储能系统的装机容量。
本实施例中，仅示出了由太阳能光伏、风力发电机和电池储能系统构建成的可再生能源微电网的装机容量，而本领域技术人员知晓，可再生能源微电网可以包括更多或更少的分布式电源，任何构建形式的可再生能源微电网都能够适用于本实施例的控温仓库容量配置方法。本实施例中，对电池储能系统的具体实现形式不作限制。
在一些可能的实施例中，初始资源消耗量、维护资源消耗量和设备资源消耗量具体可以由如下公式（3）-（5）分别计算获得：
公式（3）
公式（4）
公式（5）
其中，为太阳能光伏的每单位容量的装机资源消耗量，/>为风力发电机的每单位容量的装机资源消耗量，/>为电池储能系统的每单位容量的装机资源消耗量；
为太阳能光伏的每单位容量的维护资源消耗量，/>为风力发电机的每单位容量的维护资源消耗量，/>为电池储能系统的每单位容量的维护资源消耗量；
为太阳能光伏的每单位容量的设备处理资源消耗量，/>为风力发电机的每单位容量的设备处理资源消耗量，/>为电池储能系统的每单位容量的设备处理资源消耗量。
在一些可能的实施例中，最终处理设备时，可再生能源微电网的产值可能有残值，此时为负值。
S303：基于马尔可夫决策过程，构建运行容量配置模型。
本实施例中，首先通过马尔可夫决策过程，定义控温仓库运行过程中的状态以及状态之间的转移方程，由此得到单次容量配置模型，再由单次容量配置模型，得到运行容量配置模型。具体的，图4示出了本发明实施例提供的一种控温仓库容量配置方法的流程示意图，如图4所示，步骤S303：基于马尔可夫决策过程，构建运行容量配置模型，可以包括如下步骤：
S401：基于马尔可夫决策过程，构建单次容量配置模型。
由于本实施例更关注异常运行时控温仓库的运行状态，以及如何减少异常运行时控温仓库的资源消耗量，因此在运营阶段，不考量运行或日常运行产生的资源消耗量，而仅考量异常运行过程中产生的运行资源消耗量。
本实施例中，单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运营资源消耗量的模型。异常运行是指由于一些原因，例如停电等，控温仓库没有按照正常工作状态运行。
本实施例中，如下公式（6）和（7）所示基于马尔可夫决策过程，定义控温仓库运营阶段的状态空间和行动空间：
公式（6）
公式（7）
其中，为系统，即控温仓库的状态空间，/>为/>时刻时的风速，/>为/>时刻时的太阳辐照，/>为/>时刻时的外界温度，/>为/>时刻时的订单需求量，/>为/>时刻时的库存水平，为/>时刻时积压需求数量，表示产品未能满足需求，/>为/>时刻时的控温仓库内部温度，为/>时刻时的产品单价，/>为/>时刻时电池储能系统的功率；
为系统，即控温仓库的行动空间，/>为/>时刻时的入库产品数量，/>为/>时刻时的出库产品数量，/>为/>时刻时电池储能系统的充电功率，/>为/>时刻时电池储能系统的放电功率，/>为/>时刻时电池储能系统的丢弃功率。
本实施例中，丢弃功率是指电池储能系统丢弃电量的功率。在任意时间段内，电池储能系统都会进行充放电操作，如果此时电池储能系统电量已满，则会将多余的电倒入大地，即进行电量丢弃操作。
本实施例中，构建控温仓库状态空间与行动空间之间的关系，以贝尔曼方程的方式表示如下：
公式（8）
其中，为第/>次异常运行的/>周期时状态/>的值，/>是异常运行中控温仓库的行动集合，即行动空间中相关变量的集合；/>为每个单位时间内单位库存的成本，/>为延迟交付的单位时间内的惩罚，/>为每单位产品的进货价格，/>为可再生能源微电网的容量。
由上可知，单次容量配置模型由当前库存资源消耗量（）、当前延迟交付资源消耗量（/>）、当前进货资源消耗量（/>）和当前出货资源获取量（/>）构成，那么单次容量配置模型可以如下公式（9）所示：
公式（9）
其中，为第/>次异常运行的折现因子。本实施例中，每一次异常运行的折现因子均相同。
S403：将控温仓库运行过程中，每次异常运行对应的单次容量配置模型相加，得到运行容量配置模型。
本实施例中，由上述单次容量配置模型的公式（9）可以得到运行容量配置模型，如下公式（10）所示：
公式（10）
S305：构建约束条件。
本实施例中，约束条件分为运营阶段的约束条件与规划阶段的约束条件。
在一些可能的实施例中，运营阶段的约束条件至少包括电源平衡约束、电源供应约束、仓库装载约束、库存和积压约束、温度约束和价格约束等。电源平衡约束平衡电力的供给和需求，供给方为可再生能源微电网，应满足电源供应约束；需求方为控温仓库所需的负荷，其内部温度变化分别受仓库装载约束和温度约束。而库存和积压的水平通过入库数量和出库数量影响控温仓库的库存，从而影响控温仓库所需的负荷，同时库存和积压的变化应满足库存和积压约束。此外，入库数量和控温仓库内部温度共同影响产品价格，受到价格约束。
电源平衡约束如下公式（11）所示：
公式（11）
其中，为/>时刻时风力发电机发电的功率，/>为/>时刻时太阳能光伏发电的功率，/>为充电效率因子，/>为放电效率因子；
为控温仓库在运行过程中所需的负荷，/>为温度变化引起的负荷，用于调节电力供需不平衡，/>为负载与功率之间的转换系数。
电源平衡约束，即公式（11）的左侧表示可再生能源微电网在时刻时提供的功率，右侧表示控温仓库需求的功率。通过电力供求将可再生能源微电网和控温仓库耦合起来，从而在运营阶段对控温仓库的管理规划与规划阶段对可再生能源微电网的装机容量规划之间建立关系。
电源供应约束如下公式（12）-（14）所示：
公式（12）
公式（13）
公式（14）
公式（12）中，为风速的切入阈值，即能够驱动风力发电机的最小风速；/>为风速的切出阈值，即风力发电机可以安全工作的最大风速；/>为额定风速。
公式（12）表明当风速低于切入阈值或者大于切出阈值时，风力发电机不工作；当风速在切入阈值和额定风速之间时，风力发电机的发电量比为；当风速在额定风速和切出阈值之间时，风力发电机以全功率发电。
公式（13）中，为太阳能光伏发电所能转换的最大太阳辐照。当太阳辐照小于最大太阳辐照时，太阳能光伏发电以/>的比率发电；当太阳辐照大于等于最大太阳辐照时，太阳能光伏发电工作在全功率水平。
公式（14）中，为荷电状态，即电池储能系统的容量与满电容量的比值，为荷电状态下限，/>为荷电状态上限，/>为异常运行开始时电池储能系统的初始电量，/>为电池储能系统初始电量的比例因子。
公式（14）表明电池储能系统的容量限制了太阳能光伏与风力发电机的充放电功率。同时，设置荷电状态以及其上下限，以保护电池储能系统在运行过程不处于过充或过放状态。可选的，荷电状态/>的取值范围在0-1之间，荷电状态下限最小可以取为0，荷电状态上限最大可以取为1，此时电池储能系统的全部容量均可用于充放电。
仓库装载约束如下公式（15）-（17）所示：
公式（15）
公式（16）
公式（17）
其中，为仓库结构固定负载，/>为仓库结构上每单位温差产生的负载，/>为库存中每单位产品所需负载，/>为每入库单位散热所需负载，/>为打开仓门产生的固定负载，/>为开门时每单位温差所需负载。/>至/>均是预先设置好的常数。
公式（15）中，表征控温仓库结构自身受控温仓库内外温差影响而产生的负荷，/>表征控温仓库库存水平所需的负荷，/>表征控温仓库入库产品数量所需的负荷，/>表征入库产品放热引起的负荷。
为二进制变量，表示控温仓库的门在/>时刻是否打开，具体以/>时刻的入库产品数量和出库产品数量来衡量。当入库产品数量和出库产品数量均为0时，控温仓库门保持关闭，否则，控温仓库需要为入库或者出库打开门。
库存和积压约束如下公式（18）所示，其中公式（18）表征库存约束，公式（19）表征积压约束：
公式（18）
公式（19）
其中，为控温仓库库存最大水平，/>为异常运行开始时控温仓库的初始库存水平，/>为控温仓库初始库存水平的比例因子；/>为异常运行开始时控温仓库的初始积压需求数量。
温度约束如下公式（20）所示：
公式（20）
其中，为控温仓库中每单位降温产生的负荷；/>为控温仓库中的产品最佳储存温度；/>为异常运行开始时控温仓库的初始温度。一般情况下，控温仓库正常工作时将控温仓库内部温度调整为与产品最佳储存温度一致，并保持该温度运行，那么在异常运行开始时，控温仓库的初始温度也应当与产品最佳储存温度一致。
价格约束如下公式（21）-（22）所示：
公式（21）
公式（22）
其中，为产品价格的比例因子，/>为产品单价随温度变化的下降速率，/>为产品残值；/>为控温仓库中产品的最高单价，即控温仓库中产品在产品最佳储存温度下的单价，也就是控温仓库正常运行时的单价；/>为异常运行开始时控温仓库中产品的初始单价。
本实施例中，产品单价随控温仓库内部温度呈线性下降，内部温度越高，产品单价越低，具体以下降速率来衡量。同时，产品单价最低不低于产品残值。
本实施例中，为了简化问题便于计算，将产品视为同质化，即不区分入库产品的批次，而是将产品的单价根据产品入库数量和库存水平进行更新；基于公式（21），以产品入库数量与产品入库后的库存水平的比值，作为产品价格的比例因子，以此更新产品单价。
在一些可能的实施例中，规划阶段的约束条件包括对可再生能源微电网中各分布式电源的装机容量的约束，具体可以如下公式（23）-（25）所示：
公式（23）
公式（24）
公式（25）
其中，为太阳能光伏的最小装机容量，/>为太阳能光伏的最大装机容量；为风力发电机的最小装机容量，/>为风力发电机的最大装机容量；/>为电池储能系统的最小装机容量，/>为电池储能系统的最大装机容量。
通过限制可再生能源微电网中各分布式电源的装机容量的范围，一方面减小搜索范围，降低计算量，另一方面将范围限定在预期范围内，保证结果不偏离实际需求。举例而言，受场地限制，最大只能安装300kW的太阳能光伏，那么将太阳能光伏的最大装机容量设置为300kW，那么超过该装机容量的配置情况就不会在计算范围内，最终得到只能得到满足该条件的配置情况，从而满足实际规划的需求。
S307：基于规划容量配置模型、运行容量配置模型和约束条件，构建容量配置模型。
本实施例中，如下公式（26）所示，容量配置模型由规划容量配置模型和运行容量配置模型组建而成，同时受约束条件约束，相关参数均需满足约束条件。
公式（26）
在一些可能的实施例中，容量配置模型中的相关参数可以提前根据实际情况建模计算得到，根据计算得到的数值，在容量配置模型中完成相关参数的设置。具体的，这些参数可以包括：
风速的切入阈值、切出阈值/>、额定风速/>，最大太阳辐照/>；充电效率因子/>，放电效率因子/>，电池储能系统初始电量/>，控温仓库初始库存水平/>，控温仓库初始积压需求数量/>，控温仓库初始温度/>，产品初始单价/>；荷电状态下限/>，荷电状态上限/>；控温仓库库存最大水平/>，产品最佳储存温度/>，产品最高单价/>；
太阳能光伏的每单位容量的装机资源消耗量，风力发电机的每单位容量的装机资源消耗量/>，电池储能系统的每单位容量的装机资源消耗量/>；太阳能光伏的每单位容量的维护资源消耗量/>，风力发电机的每单位容量的维护资源消耗量/>，电池储能系统的每单位容量的维护资源消耗量/>；太阳能光伏的每单位容量的设备处理资源消耗量/>，风力发电机的每单位容量的设备处理资源消耗量/>，电池储能系统的每单位容量的设备处理资源消耗量/>；太阳能光伏的最小装机容量/>，太阳能光伏的最大装机容量/>；风力发电机的最小装机容量/>，风力发电机的最大装机容量/>；电池储能系统的最小装机容量/>，电池储能系统的最大装机容量/>；
每个单位时间内单位库存的成本，延迟交付的单位时间内的惩罚/>，每单位产品的进货价格/>；仓库结构固定负载/>，仓库结构上每单位温差产生的负载/>，库存中每单位产品所需负载/>，每入库单位散热所需负载/>，打开仓门产生的固定负载/>，开门时每单位温差所需负载/>，控温仓库中每单位降温产生的负荷/>；负载与功率之间的转换系数/>，电池储能系统初始电量的比例因子/>；控温仓库初始库存水平的比例因子/>；产品单价随温度变化的下降速率/>。
上述参数分别从控温仓库的建设环境、配置需求、产品需求等角度对容量配置模型进行了限定，使其贴合实际情况，保证最终获得的可再生能源微电网的配置信息能够满足控温仓库运行的需求。
S203：初始化配置点集中每个配置点的当前配置信息。
本实施例中，当前配置信息为可再生能源微电网中各分布式电源的装机容量，即可再生能源微电网的装机容量的配置信息，对应于容量配置模型中的参数。初始化时，在约束条件内，随机生成每个配置点的当前配置信息。对于包含太阳能光伏、风力发电机和电池储能设备的可再生能源微电网，其对应的当前配置信息如上公式（2）所示，即为。
S205：将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量。
本实施例中，容量配置模型包括规划容量配置模型集合运行容量配置模型。当当前配置信息确定时，规划容量配置模型对应的输出就已经唯一确定；而运行容量配置模型是关于控温仓库运营阶段的模型，其具有不确定性，具体表现为异常运行持续时间随机、风光强度不稳定、订单不求不确定等，为了保证容量配置模型输出的当前资源消耗量是该当前配置信息对应的最低的资源消耗量，就需要在将当前配置信息输入运行容量配置模型后，利用优化算法对运行容量配置模型进行优化，得到一个最优解。基于此，将当前配置信息分别输入规划容量配置模型和运行容量配置模型，分别得到对应的资源消耗量。
在一些可能的实施例中，图5示出了本发明实施例提供的一种控温仓库容量规划方法的流程示意图，如图5所示，步骤S205：将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量，可以包括：
S501：将每个配置点的当前配置信息输入规划容量配置模型，得到每个配置点对应的当前规划资源消耗量。
S503：将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量。
本实施例中，将每个配置点的当前配置信息输入规划容量配置模型后，采用模型预测控制对规划容量配置模型进行优化，从而保证运行容量配置模型输出的是当前配置信息，即当前可再生能源微电网的规划配置下最低的运行资源消耗量。此外，模型预测控制对于模型和系统配置信息之间的不匹配具有良好的鲁棒性，那么通过模型预测控制优化后得到的运行容量配置模型也具有良好的鲁棒性，基于运行容量配置模型求解得到的控温仓库相关的行动配置信息来运行控温仓库，也能够保证控温仓库的运行稳健性。
在一些可能的实施例中，图6示出了本发明实施例提供的一种控温仓库容量配置方法的流程示意图，如图6所示，步骤S503：将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量，可以包括如下步骤：
S601：将每个配置点的当前配置信息输入运行容量配置模型。
S603：基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息。
本实施例中，由于模型预测控制是一种有限时域优化的优化算法，每次仅在一段有限时域内对模型进行优化，那么就需要根据实际需求，预先设置优化窗口，也就是模型预测控制每次进行优化的优化时域的时长。优化窗口当前所覆盖的时间范围即为当前优化周期。可选的，可以在构建容量配置模型，设置其中相关参数时，同时也完成对优化窗口的设置。
本实施例中，由公式（10）可知，运行容量配置模型是关于可再生能源微电网的容量、控温仓库状态空间、行动空间与运行资源消耗量的模型，而控温仓库状态空间中风速、太阳辐照、外界温度和订单需求量均是不可控制的外界变量，即环境信息，库存水平、积压需求数量、控温仓库内部温度、产品单价和电池储能系统的功率均是受行动空间中相关变量影响而改变的内生中间变量，那么基于模型预测控制的优化，实际上是对行动空间中入库产品数量、出库产品数量、电池储能系统的充放电功率以及丢弃功率这些变量的优化，以获得最低运行资源消耗量。也就是说，基于模型预测控制的优化，实际上求解得到的是优化后的行动空间中的相关变量，即当前行动信息。
在一些可能的实施例中，图7示出了本发明实施例提供的一种控温仓库容量配置方法的流程示意图，如图7所示，步骤S603：基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息，可以包括如下步骤：
S701：在当前优化周期下，基于时间序列模型，对环境信息进行预测，得到预测环境信息。
本实施例中，基于时间序列模型，对状态空间中的外界变量，即风速、太阳辐照、外界温度和订单需求量等这些环境信息进行预测，得到预测环境信息。具体的，将环境信息的历史数据作为时间序列模型的历史数据集，同时不断将最新观测到的当前的环境信息纳入历史数据集中，扩充历史数据集的内容，提高时间序列模型的预测准确度。
在一些可能的实施例中，可以采用季节性差分自回归滑动平均模型（SeasonalAutoregressive Integrated Moving Average，SARIMA），对环境信息进行预测。季节性差分自回归滑动平均模型具体如下公式（27）-（28）所示：
公式（27）
公式（28）
其中，表示滞后算子，/>；/>表示季节周期，/>表示模型正在训练的目标变量；/>是白噪声，遵循相同且独立的零平均正态分布的随机过程。
在一些可能的实施例中，上述公式（27）和公式（28）中季节性差分自回归滑动平均模型的参数，、/>、/>、/>、/>、/>和/>，均可以在构建容量配置模型时，预先完成对其的设置。
本实施例中，即为环境信息，其包括风速/>、太阳辐照/>、外界温度/>和订单需求量/>；也就是说，/>。那么时间序列模型输出的预测环境信息为，分别对应于风速的预测信息、太阳辐照的预测信息、外界温度的预测信息和订单需求量的预测信息。
S703：以预测环境信息替换环境信息，更新约束条件。
本实施例中，与环境信息相关的约束条件有电源供应约束、仓库装载约束和积压约束，那么以预测环境信息替换掉其中的环境信息，得到更新后的约束条件分别如下：
更新后的电源供应约束如下公式（29）-（30）所示：
公式（29）
公式（30）
电源供应约束中关于电池储能系统的约束与环境信息无关，则不需要进行更新。
更新后的仓库装载约束如下公式（31）所示：
公式（31）
更新后的积压约束如下公式（32）所示：
公式（32）
S705：在当前优化周期下，对运行容量配置模型进行优化求解，得到当前行动信息。
本实施例中，对运行容量配置模型进行优化求解之前，需要先确定当前优化周期下的目标函数，即求解最低运行资源消耗量的函数。由上述运行容量配置模型的公式（10），可以得到当前优化周期下的目标函数即为如下公式（33）所示：
公式（33）
其中，为优化得到的当前行动信息，/>为优化窗口；/>表示第/>次异常运行。
本实施例中，当前行动信息包括行动空间中的相关变量最优解，也就是包括入库产品数量、出库产品数量/>、电池储能系统的充电功率/>、放电功率/>和丢弃功率的最优解。那么，当前行动信息/>，其中/>为入库产品数量最优解，/>为出库产品数量最优解，/>为电池储能系统充电功率，/>为电池储能系统放电功率，/>为电池储能系统丢弃功率。
在一些可能的实施例中，在当前优化周期内，模型预测控制会对每一采样时刻的运行容量配置模型进行优化，输出每一采样时刻行动空间相关变量的最优解，此时将该当前优化周期内的第一个最优解作为当前行动信息。即在每一个优化周期内，只使用模型预测控制输出的第一个优化解。
在模型预测控制中，通常通过计算预测值与实际值的误差来对预测模型进行修正，从而实现反馈矫正。而本实施例中，预测的是环境信息，输出的是当前行动信息，因此反馈校正中不存在预测偏差。基于此，本实施例中，得到当前行动信息后将观测到的当前的环境信息纳入历史数据集，以扩充历史数据集，提高下一优化周期时间序列模型的预测值的精确度。
S605：将当前行动信息输入行动信息集合。
本实施例中，行动信息集合作为模型预测控制最终输出的最优解的集合，集合了每个当前优化周期内的当前行动信息。
S607：重复步骤：将优化窗口移动预设时间，以更新当前优化周期；基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；将当前行动信息输入运行容量配置模型；将当前行动信息输入行动信息集合；直到优化窗口的起点移动至运行容量配置模型对应的时域终点，基于行动信息集合计算得到每个配置点对应的当前运行资源消耗量。
本实施例中，该预设时间可以等于采样时间，以使模型预测控制输出每一采样时刻的最优解，确保每一采样时刻都有对应的当前行动信息，从而保证行动信息集合中信息的完备性。
本实施例中，将行动信息集合代入到运行容量配置模型中，即代入到上述公式（10）中，求和计算得到当前运行资源消耗量。
在一些可能的实施例中，运行容量配置模型中包括多个单次容量配置模型，这些多个单次容量配置模型间的时域并不连续，那么对于优化窗口的起点是否移动至运行容量配置模型对应的时域终点，则需要判断：优化窗口的起点是否移动至当前时域的终点，以及优化窗口的起点是否移动至总时域的终点。对于前者，即判断当前正在优化的单次容量配置模型是否完成优化，若完成优化，则当前单次优化已经完成，需要移动至下一个单次容量配置模型，开始对下一个单次容量配置模型的优化。对于后者，即判断运行容量配置模型整体是否完成优化，若完成优化，则可以进行下一步骤，根据行动信息集合计算得到当前运行资源消耗量。
S505：计算每个配置点对应的当前规划资源消耗量和每个配置点对应的当前运行资源消耗量之和，得到每个配置点对应的当前资源消耗量。
本实施例中，基于上述公式（26），将当前规划资源消耗量和当前运行资源消耗量求和，得到当前资源消耗量。对应每个配置点，都有其对应的当前规划资源消耗量、当前运行资源消耗量以及当前资源消耗量。
S207：将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息。
本实施例中，当前资源消耗量作为配置点的适应度值，在配置点集中选取适应度值最小，即当前资源消耗量最低的配置点，将其确定为当前最优配置点，相应的，该配置点对应的当前配置信息确定为当前点集最优配置信息，该配置点对应的当前资源消耗量确定为当前点集最优资源消耗量。
在一些可能的实施例中，配置点集的相关参数还包括历史点集最优配置信息，该历史点集最优配置信息对应有历史点集最优资源消耗量。在确定当前点集最优配置信息时，还需要将当前点集最优资源消耗量与历史点集最优资源消耗量进行对比。若当前点集最优资源消耗量大于历史点集最优资源消耗量，则将历史点集最优资源消耗量作为当前点集最优资源消耗量，相应的，将历史点集最优配置信息作为当前点集最优配置信息。
在一些可能的实施例中，配置点集的相关参数还包括每个配置点的当前最优配置信息，和其对应的当前最优资源消耗量。当配置点集中，存在配置点的当前资源消耗量小于配置点的当前最优资源消耗量时，将当前资源消耗量作为配置点的当前最优资源消耗量，将当前配置信息作为配置点的当前最优配置信息。
S209：当配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息。
本实施例中，当配置点集中的所有配置点均到达至同一位置或者均到达同一区间范围内时，表明配置点集中的配置点已经收敛，此时的当前点集最优配置信息就是关于可再生能源微电网容量配置的最优解，即目标配置信息。
本实施例中，通过配置点之间的当前配置信息之差确定配置点是否到达同一区间范围内，通过配置信息阈值限定收敛区间的范围大小。若所有配置点间的当前配置信息之差小于等于配置信息阈值，则表明配置点集中的配置点已经收敛，此时的当前点击最优配置信息即为目标配置信息。
在一些可能的实施例中，配置信息阈值可以基于实际需求进行调整。配置信息阈值越小，则表明对收敛的条件判定越严苛；反之，配置信息阈值越大，则表明对收敛的条件判定越宽松。
在一些可能的实施例中，当前配置信息包括可再生能源微电网中各分布式电源的装机容量的配置信息，也就是包括多个分布式电源的装机容量的配置信息，那么对于每个分布式电源的装置容量的配置信息，都有其对应的子配置信息阈值，这些子配置信息阈值组合得到配置信息阈值。
S211：按照目标配置信息，配置控温仓库容量。
本实施例中，按照目标配置信息中每个分布式电源的装机容量的配置信息，配置可再生能源微电网的装机容量，从而完成对控温仓库容量的配置。
在一些可能的实施例中，步骤S207：将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息之后，还包括：
当配置点集中，存在两个配置点的当前配置信息之差大于配置信息阈值时，重复步骤：基于当前点集最优配置信息和每个配置点的当前最优配置信息，更新配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；直到配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息。此时，按照目标配置信息，配置控温仓库容量。
本实施例中，当配置点集中，存在两个配置点的当前配置信息之差大于配置信息阈值时，表明配置点集中的配置点未收敛，此时尚未得到可再生能源微电网容量配置的最优解，需要更新配置点集中每个配置点的当前配置信息，继续更新迭代，直到配置点集中的配置点收敛。
在一些可能的实施例中，基于配置点集的当前点集最优配置信息和每个配置点的当前最优配置信息，相对于该配置点的当前配置信息的位置，分别确定点集移动方向和优化移动方向。点集移动方向表明在当前点集最优配置信息的指导下，该配置点的移动方向；优化移动方向表明在该配置点自己的当前最优配置信息的指导下的移动方向。同时，每个配置点还有其初始移动方向，初始移动方向是配置点集初始化时为每个配置点随机生成的移动方向，在不受点集移动方向和优化移动方向的影响时，每个配置点只按照初始移动方向移动，以更新其当前配置信息。结合点集移动方向、优化移动方向和初始移动方向，确定每个配置点的移动方向，由此更新每个配置点的当前配置信息。
在一些可能的实施例中，还可以设置最大迭代次数，以通过限制迭代次数，避免计算量过大。
上述方法建立关于控温仓库前期规划阶段与后期运营阶段的总资源消耗量的模型，综合考虑控温仓库规划阶段和运营阶段的资源消耗量，从而在总资源消耗量最低的情况下，兼顾规划阶段与运营阶段的资源消耗，以确保可再生能源微电网的建设投入能够使控温仓库出现紧急状况或异常运行时依然保持稳健运行。
在一些可能的实施例中，在规划阶段完成对控温仓库容量配置后，控温仓库的运营阶段还可以通过运行容量配置模型进一步指导异常运行下控温仓库的运行策略或动作。具体的，步骤S211：按照目标配置信息，配置控温仓库容量之后，还包括：按照控温仓库容量运行控温仓库；当控温仓库异常运行时，基于运行容量配置模型，运行控温仓库。
具体的，按照配置好的控温仓库容量建设可再生能源微电网，并建立可再生能源微电网与控温仓库之间的连接，以基于该可再生能源微电网，运行控温仓库。当控温仓库异常运行时，控温仓库依靠可再生能源微电网供电，此时，将控温仓库的相关参数，输入运行容量配置模型中，并通过模型预测控制，求解得到当前行动信息，按照当前行动信息运行控温仓库。由此，控温仓库在异常运行过程中一直执行最优策略或最优动作，不仅能够保证控温仓库在异常运行中保持稳健运行，还使得控温仓库在异常运行过程中产生的资源消耗量最低，降低控温仓库运行成本。
在一些可能的实施例中，输入运行容量配置模型的控温仓库的相关参数，即上述容量配置模型中设置的相关参数，在异常运行时，可以直接采用上述已设置好的参数或者直接调用上述容量配置模型中的运行容量配置模型，从而简化优化流程，提高运行容量配置模型的响应速度；也可以根据当前的实际运营情况，对这些参数进行更新，将其重新输入模型中，以使模型输出的最优解更加符合实际需求，使当前行动信息更加精准。
下面以华东地区为背景进行冷库容量配置为例，进一步说明本发明实施例提供的控温仓库容量配置方法的具体实现与应用：
获取中国华东地区全年每小时的气候和环境数据，以此构成环境信息中风速、太阳辐照和外界温度的历史数据库。
可再生能源微电网由太阳能光伏、风力发电机和电池储能系统组成，对可再生能源微电网，即规划阶段的相关参数设置如下表1所示。将可再生能源微电网的运行寿命设定为20年，即17.52万小时；停电率，也就是异常运行发生率设定为0.0822，根据2020年的全国供电可靠性指标，相当于全寿命平均停电25次。设定负载与功率之间的转换系数为1.2，即每个单位负载需要1.2个单位电力来驱动。设定停电发生时，电池储能系统的电量为总容量的/>，仓库库存水平为库存最大水平的/>，即/>，/>。考虑到大部分停电在8小时都能够解决，将优化窗口设为8小时，以在优化周期内完整地优化一个停电周期。
表1
设定库存最大水平为1200吨，产品最佳储存温度/>为0℃，产品最高单价/>为8000元/吨。设定每个单位时间内单位库存的成本/>为41.6元/吨·时，延迟交付的单位时间内的惩罚/>为1000元/吨·时，每单位产品的进货价格/>为4000元/吨。设定运行阶段的相关参数如下表2所示。
表2
同时，如下表3所示，按照风速、太阳辐照和外界温度的范围，分为以下几种场景，对于不同的场景，有不同的最适合的容量配置。
表3
针对表3中的9种情况，分别采用本发明实施例提供的控温仓库容量配置方法，得到每种情况对应的目标配置信息，即最优容量配置，如下表4所示。
表4
考虑到冷库全年都在运行，为了使最终得到的容量配置能够覆盖更多场景，提高其在不同环境下的适用度，综合考虑不同场景的时间占比，最终得到针对全年运行的最优容量配置，如上表4所示，为：风力发电机的装机容量为391 kW，太阳能光伏的装机容量为323kW，电池储能系统的装机容量为1214 kW。
基于该装机容量建设可再生能源微电网并运行冷库，当冷库遇到停电等紧急情况时，再次使用运行容量配置模型，并通过模型预测控制，输出当前行动信息，按照当前行动信息来运行冷库。图8-图11为本发明实施例提供的一种控温仓库容量配置方法的具体应用示意图，具体的，图8-图11展示了应用场景为夏季下午和晚上停电时相关冷库运行参数的走向；其中冷库入库数量、出库数量和电池储能系统的充放电功率为基于运行容量配置模型输出的当前行动信息执行的相关参数，库存水平、订单需求量、冷库内部温度、产品单价和电池储能系统的剩余电量则是根据实时检测所得的参数。具体的，图8为停电时间内冷库的入库数量、出库数量和库存水平的折线图，图9为停电时间内冷库的订单需求量、积压需求数量和出库数量的折线图，图10为停电时间内冷库内部温度与产品单价的折线图，图11为停电时间内电池储能系统的充放电功率以及电池储能系统的剩余电量的折线图。如图8-图11所示，在停电开始阶段，电池储能系统的初始功率可以维持冷库的正常运行，但由于电池储能系统的电量不足以维持整个停电时间的供电，在停电开始阶段，冷库关闭仓门不入库也不出库，以保持冷库的温度；同时由于电力不足导致积压增加和产品价格下降，在停电中期阶段，冷库出库产品以清除积压订单、降低冷库内的温度；在停电后期阶段，冷库库存水平不足，冷库入库产品以补充库存，满足后续需求。
另一方面，本发明实施例还提供了一种控温仓库容量配置装置，图12是本发明实施例提供的一种控温仓库容量配置装置的结构示意图，如图12所示，该装置包括：
模型构建模块1201，用于构建容量配置模型；容量配置模型包括规划容量配置模型和运行容量配置模型；
初始化模块1202，用于初始化配置点集中每个配置点的当前配置信息；
资源消耗量确定模块1203，用于将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；
点集最优配置信息模块1204，用于将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；
目标配置信息确定模块1205，用于当配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
容量配置模块1206，用于按照目标配置信息，配置控温仓库容量。
在一些可能的实施例中，模型构建模块1201，包括：
规划容量配置模型构建模块，用于将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为规划容量配置模型；
运行容量配置模型构建模块，用于基于马尔可夫决策过程，构建运行容量配置模型；
约束条件构建模块，用于构建约束条件；
容量配置模型构建模块，用于基于规划容量配置模型、运行容量配置模型和约束条件，构建容量配置模型。
在一些可能的实施例中，运行容量配置模型构建模块，用于基于马尔可夫决策过程，构建单次容量配置模型；单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运行资源消耗量的模型；单次容量配置模型由当前库存资源消耗量、当前延迟交付资源消耗量、当前进货资源消耗量和当前出货资源获取量构成；
将控温仓库运行过程中，每次异常运行对应的单次容量配置模型相加，得到运行容量配置模型。
在一些可能的实施例中，资源消耗量确定模块1203，包括：
规划资源消耗量确定模块，用于将每个配置点的当前配置信息输入规划容量配置模型，得到每个配置点对应的当前规划资源消耗量；
运行资源消耗量确定模块，用于将每个配置点的当前配置信息输入运行容量配置模型，得到每个配置点对应的当前运行资源消耗量；
资源消耗量计算模块，用于计算每个配置点对应的当前规划资源消耗量和每个配置点对应的当前运行资源消耗量之和，得到每个配置点对应的当前资源消耗量。
在一些可能的实施例中，运行资源消耗量确定模块，用于：
将每个配置点的当前配置信息输入运行容量配置模型；
基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；当前优化周期为优化窗口所覆盖的时间范围；
将当前行动信息输入行动信息集合；
重复步骤：将优化窗口移动预设时间，以更新当前优化周期；基于模型预测控制，对运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；将当前行动信息输入运行容量配置模型；将当前行动信息输入行动信息集合；直到优化窗口的起点移动至运行容量配置模型对应的时域终点，基于行动信息集合计算得到每个配置点对应的当前运行资源消耗量。
在一些可能的实施例中，运行资源消耗量确定模块，用于：
在当前优化周期下，基于时间序列模型，对环境信息进行预测，得到预测环境信息；
以预测环境信息替换环境信息，更新约束条件；
在当前优化周期下，对运行容量配置模型进行优化求解，得到当前行动信息。
在一些可能的实施例中，控温仓库容量配置装置，还包括：
最优配置信息确定模块，用于当配置点集中，存在配置点的当前资源消耗量小于配置点的当前最优资源消耗量时，将当前资源消耗量作为配置点的当前最优资源消耗量，将当前配置信息作为配置点的当前最优配置信息。
在一些可能的实施例中，目标配置信息确定模块1205，还用于：当配置点集中，存在两个配置点的当前配置信息之差大于配置信息阈值时，重复步骤：基于当前点集最优配置信息和每个配置点的当前最优配置信息，更新配置点集中每个配置点的当前配置信息；将每个配置点的当前配置信息输入容量配置模型，得到每个配置点对应的当前资源消耗量；将配置点集中，当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；直到配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
容量配置模块1206，用于按照目标配置信息，配置控温仓库容量。
在一些可能的实施例中，控温仓库容量配置装置，还包括：
控温仓库运行模块，用于按照控温仓库容量运行控温仓库；
异常运行模块，用于当控温仓库异常运行时，基于运行容量配置模型，运行控温仓库。
该装置实施例中的装置与方法实施例基于同样地申请构思。
另一方面，本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器用于存储计算机程序，该计算机程序被处理器执行时，实现如上任一所述的方法。
另一方面，本发明实施例提供了一种计算机可读存储介质，用于存储计算机程序，计算机程序被处理器执行时，实现如上任一所述的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于可再生能源微电网的控温仓库容量配置方法，其特征在于，所述方法包括：
构建容量配置模型；所述容量配置模型包括规划容量配置模型和运行容量配置模型；所述构建容量配置模型，包括：将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为所述规划容量配置模型；基于马尔可夫决策过程，构建运行容量配置模型；构建约束条件；基于所述规划容量配置模型、所述运行容量配置模型和所述约束条件，构建所述容量配置模型；所述基于马尔可夫决策过程，构建运行容量配置模型，包括：基于马尔可夫决策过程，构建单次容量配置模型；所述单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运行资源消耗量的模型；所述单次容量配置模型由当前库存资源消耗量、当前延迟交付资源消耗量、当前进货资源消耗量和当前出货资源获取量构成；将控温仓库运行过程中，每次异常运行对应的所述单次容量配置模型相加，得到所述运行容量配置模型；
初始化配置点集中每个配置点的当前配置信息；
将所述每个配置点的当前配置信息输入所述容量配置模型，得到所述每个配置点对应的当前资源消耗量；所述将所述每个配置点的当前配置信息输入所述容量配置模型，得到所述每个配置点对应的当前资源消耗量，包括：将所述每个配置点的当前配置信息输入所述规划容量配置模型，得到所述每个配置点对应的当前规划资源消耗量；将所述每个配置点的当前配置信息输入所述运行容量配置模型，并基于模型预测控制对所述运行容量配置模型进行优化，得到所述每个配置点对应的当前运行资源消耗量；计算所述每个配置点对应的当前规划资源消耗量和所述每个配置点对应的当前运行资源消耗量之和，得到所述每个配置点对应的当前资源消耗量；
将所述配置点集中，所述当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；
当所述配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
按照所述目标配置信息，配置控温仓库容量。
2.根据权利要求1所述的方法，其特征在于，所述将所述每个配置点的当前配置信息输入所述运行容量配置模型，并基于模型预测控制对所述运行容量配置模型进行优化，得到所述每个配置点对应的当前运行资源消耗量，包括：
将所述每个配置点的当前配置信息输入所述运行容量配置模型；
基于模型预测控制，对所述运行容量配置模型在当前优化周期内进行优化，得到当前行动信息；所述当前优化周期为优化窗口所覆盖的时间范围；
将所述当前行动信息输入行动信息集合；
重复步骤：将所述优化窗口移动预设时间，以更新所述当前优化周期；基于模型预测控制，对所述运行容量配置模型在所述当前优化周期内进行优化，得到所述当前行动信息；将所述当前行动信息输入所述运行容量配置模型；将所述当前行动信息输入所述行动信息集合；
直到所述优化窗口的起点移动至所述运行容量配置模型对应的时域终点，基于所述行动信息集合计算得到所述每个配置点对应的当前运行资源消耗量。
3.根据权利要求2所述的方法，其特征在于，所述基于模型预测控制，对所述运行容量配置模型在当前优化周期内进行优化，得到当前行动信息，包括：
在所述当前优化周期下，基于时间序列模型，对环境信息进行预测，得到预测环境信息；
以所述预测环境信息替换所述环境信息，更新约束条件；
在所述当前优化周期下，对所述运行容量配置模型进行优化求解，得到所述当前行动信息。
4.根据权利要求1所述的方法，其特征在于，所述当所述配置点集中，所有配置点的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息之前，还包括：
当所述配置点集中，存在配置点的当前资源消耗量小于所述配置点的当前最优资源消耗量时，将所述当前资源消耗量作为所述配置点的当前最优资源消耗量，将所述当前配置信息作为所述配置点的当前最优配置信息。
5.根据权利要求4所述的方法，其特征在于，所述将所述配置点集中，所述当前资源消耗量最低的配置点的当前配置信息，确定为所述当前点集最优配置信息之后，还包括：
当所述配置点集中，存在两个配置点的当前配置信息之差大于所述配置信息阈值时，重复步骤：基于所述当前点集最优配置信息和所述每个配置点的当前最优配置信息，更新所述配置点集中所述每个配置点的当前配置信息；将所述每个配置点的当前配置信息输入所述容量配置模型，得到所述每个配置点对应的当前资源消耗量；将所述配置点集中，所述当前资源消耗量最低的配置点的当前配置信息，确定为所述当前点集最优配置信息；直到所述配置点集中，所有配置点的当前配置信息之差小于等于所述配置信息阈值时，将所述当前点集最优配置信息确定为所述目标配置信息；
按照所述目标配置信息，配置所述控温仓库容量。
6.根据权利要求1-5任一所述的方法，其特征在于，所述按照所述目标配置信息，配置所述控温仓库容量之后，还包括：
按照所述控温仓库容量运行所述控温仓库；
当所述控温仓库异常运行时，基于所述运行容量配置模型，运行所述控温仓库。
7.一种基于可再生能源微电网的控温仓库容量配置装置，其特征在于，包括：
模型构建模块，用于构建容量配置模型；所述容量配置模型包括规划容量配置模型和运行容量配置模型；所述构建容量配置模型，包括：将初始资源消耗量、维护资源消耗量和设备资源消耗量之和，作为所述规划容量配置模型；基于马尔可夫决策过程，构建运行容量配置模型；构建约束条件；基于所述规划容量配置模型、所述运行容量配置模型和所述约束条件，构建所述容量配置模型；所述基于马尔可夫决策过程，构建运行容量配置模型，包括：基于马尔可夫决策过程，构建单次容量配置模型；所述单次容量配置模型为控温仓库运行过程中，单次异常运行时产生的运行资源消耗量的模型；所述单次容量配置模型由当前库存资源消耗量、当前延迟交付资源消耗量、当前进货资源消耗量和当前出货资源获取量构成；将控温仓库运行过程中，每次异常运行对应的所述单次容量配置模型相加，得到所述运行容量配置模型；
初始化模块，用于初始化配置点集中每个配置点的当前配置信息；
资源消耗量确定模块，用于将所述每个配置点的当前配置信息输入所述容量配置模型，得到所述每个配置点对应的当前资源消耗量；所述将所述每个配置点的当前配置信息输入所述容量配置模型，得到所述每个配置点对应的当前资源消耗量，包括：将所述每个配置点的当前配置信息输入所述规划容量配置模型，得到所述每个配置点对应的当前规划资源消耗量；将所述每个配置点的当前配置信息输入所述运行容量配置模型，并基于模型预测控制对所述运行容量配置模型进行优化，得到所述每个配置点对应的当前运行资源消耗量；计算所述每个配置点对应的当前规划资源消耗量和所述每个配置点对应的当前运行资源消耗量之和，得到所述每个配置点对应的当前资源消耗量；
点集最优配置信息模块，用于将所述配置点集中，所述当前资源消耗量最低的配置点的当前配置信息，确定为当前点集最优配置信息；
目标配置信息确定模块，用于当所述配置点集中，所有配置点间的当前配置信息之差小于等于配置信息阈值时，将当前点集最优配置信息确定为目标配置信息；
容量配置模块，用于按照所述目标配置信息，配置控温仓库容量。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至6中任一所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444614.8A CN116187910B (zh) | 2023-04-24 | 2023-04-24 | 一种控温仓库容量配置方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310444614.8A CN116187910B (zh) | 2023-04-24 | 2023-04-24 | 一种控温仓库容量配置方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187910A CN116187910A (zh) | 2023-05-30 |
| CN116187910B true CN116187910B (zh) | 2023-08-04 |
Family
ID=86452395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310444614.8A Active CN116187910B (zh) | 2023-04-24 | 2023-04-24 | 一种控温仓库容量配置方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187910B (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10281508B2 (en) * | 2015-04-22 | 2019-05-07 | Electronics And Telecommunications Research Institute | Method and apparatus for automated electricity demand response based on online trading of demand side resources |
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
| CN114447981A (zh) * | 2022-01-21 | 2022-05-06 | 大连海事大学 | 一种基于冷链系统的智慧港口微电网及其分布式能源管理方法 |
| CN115085227A (zh) * | 2022-05-31 | 2022-09-20 | 国网福建省电力有限公司经济技术研究院 | 一种微电网源储容量配置方法及装置 |
-
2023
- 2023-04-24 CN CN202310444614.8A patent/CN116187910B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187910A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hafiz et al. | Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications | |
| US9489701B2 (en) | Adaptive energy management system | |
| Abdeltawab et al. | Market-oriented energy management of a hybrid wind-battery energy storage system via model predictive control with constraint optimizer | |
| EP2941809B1 (en) | System and method for energy distribution | |
| CN111355265B (zh) | 一种微电网能量两阶段鲁棒优化方法及系统 | |
| US20160211664A1 (en) | Dispatch Controller for an Energy System | |
| CN110854932B (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
| CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
| US20200387847A1 (en) | Operation Plan Generation Device and Operation Plan Generation Method | |
| Fabrice et al. | Multistage power and energy management strategy for hybrid microgrid with photovoltaic production and hydrogen storage | |
| JP6623514B2 (ja) | 需給制御装置、需給制御方法及び電力供給システム | |
| Conte et al. | Day-ahead planning and real-time control of integrated pv-storage systems by stochastic optimization | |
| Hijjo et al. | Multi-objective optimization for scheduling isolated microgrids | |
| Hafiz et al. | Real-time stochastic optimization of energy storage management using rolling horizon forecasts for residential pv applications | |
| KR102396712B1 (ko) | 에너지 관리 시스템 및 이를 이용한 전력 구매 비용 결정 방법 | |
| CN116187910B (zh) | 一种控温仓库容量配置方法、装置、电子设备及存储介质 | |
| Bonthu et al. | Energy cost optimization in microgrids using model predictive control and mixed integer linear programming | |
| Verrilli et al. | Stochastic model predictive control for optimal energy management of district heating power plants | |
| Delfino et al. | Identification and management of an electrical storage system for application in photovoltaic installations | |
| Ignat et al. | Cost optimization and day-ahead scheduling for a renewable energy microgrid | |
| Jendoubi et al. | Hybrid storage system control for real-time power bal-ancing in a hybrid renewable energy system | |
| Zhuo | Control of wind power smoothing with battery energy storage system and thermostatically controlled loads | |
| Ghosh | Effective Energy Management Scheme by IMPC. | |
| US20240088655A1 (en) | Methods and systems for controlling a chp device in a microgrid | |
| Zamudio et al. | Limited Complexity Predictive Controller for Load Management in Isolated Photo-voltaic Systems |
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 |