CN116470493A - 多设备调度控制方法、装置和计算机设备 - Google Patents
多设备调度控制方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116470493A CN116470493A CN202310440686.5A CN202310440686A CN116470493A CN 116470493 A CN116470493 A CN 116470493A CN 202310440686 A CN202310440686 A CN 202310440686A CN 116470493 A CN116470493 A CN 116470493A
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- condition parameters
- decision tree
- equipment
- 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 55
- 238000003066 decision tree Methods 0.000 claims abstract description 53
- 238000010248 power generation Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种多设备调度控制方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取影响多设备启闭调度的条件参数；多设备为电网中的若干发电设备；将条件参数输入预训练的决策树模型，获取决策结果；决策树以多设备中每个设备的启闭状态作为目标变量构建；根据决策结果控制多设备中每个设备的启闭。采用本方法能够实现基于特定条件参数生成多设备中每个设备的控制决策，从而优化多设备调度能力，在保障稳定供电的前提下，减少冗余设备的启动，降低电网运行成本。
Description
技术领域
本申请涉及电网设备的技术领域，特别是涉及多设备调度控制方法、装置和计算机设备。
背景技术
随着新能源技术的发展，构建以新能源为主体的新型电力系统成为一个重要发展方向。然而，新能源发电由于受天气等因素影响较大，因此随着新能源设备在电网设备中的比例大幅提升，其随机性和波动性加大了电网调控的复杂性，同时给电网的正常运转带来了巨大挑战。
传统技术中，为提高新能源设备在电网中的安全性和可靠性，往往通过冗余设置，以保障电网作为供给端能够为需求端提供稳定电力。例如，始终以最高用电需求为标准配置并启动电网设备。
然而，传统方法会增加各类新能源的用能成本，降低多种新能源的利用效率，提高电网运行成本。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低电网运行成本的多设备调度控制方法、装置和计算机设备。
第一方面，本申请提供了一种多设备调度控制方法，该方法包括：
获取影响多设备启闭调度的条件参数；多设备为电网中的若干发电设备；
将条件参数输入预训练的决策树模型，获取决策结果；决策树以多设备中每个设备的启闭状态作为目标变量构建；
根据决策结果控制多设备中每个设备的启闭。
在其中一个实施例中，决策树模型的训练包括：
提取训练数据集的特征或属性；
从特征或属性中选取对应于当前节点的目标特征属性，并根据目标特征属性对当前节点的数据集进行分割，获取基于当前节点的若干子节点以及对应于子节点的若干数据集，利用递归算法处理所有节点，直至所有节点的数据集可以确定对应的特征或属性，或无法再被分割。
在其中一个实施例中，从特征或属性中选取对应于当前节点的目标特征属性包括：
对当前节点的数据集根据特征或属性进行分类，获取对应于特征或属性的若干个样本集；
获取每个样本集的信息增益；
对比各个样本集对应信息增益的大小，确定当前节点对应的目标特征属性。
在其中一个实施例中，其特征在于：
条件参数包括时间参数、室外环境参数、室内环境参数和系统运行参数。
在其中一个实施例中，在将条件参数输入预训练的决策树模型，获取决策结果后，方法还包括：
获取多设备的历史运行数据；
对历史运行数据进行知识提取，构建知识图谱；
根据知识图谱评估决策结果的可行性。
在其中一个实施例中，获取影响多设备启闭调度的条件参数包括：
获取采集的数据包；数据包中包括条件参数；
提取数据包中的数据类型和数据来源，识别数据包业务类型，获取条件参数。
第二方面，本申请提供了一种多设备调度控制装置，该装置包括：
参数获取模块，用于获取影响多设备启闭调度的条件参数；多设备为电网中的若干发电设备；
决策输出模块，用于将条件参数输入预训练的决策树模型，获取决策结果；决策树以多设备中每个设备的启闭状态作为目标变量构建；
控制模块，用于根据决策结果控制多设备中每个设备的启闭。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述多设备调度控制方法、装置、计算机设备、存储介质和计算机程序产品，通过预训练的决策树获取决策结果，将条件参数输入决策树，决策树给出多设备中每个设备的启闭决策，达到在条件参数限制下，根据决策树决策结果控制多设备中各个设备启闭的目的。传统技术为保障新能源设备在电网中的安全性和可靠性，往往采用冗余方案，启动数量超过实际需求的新能源发电设备，以保障电网作为供给端能够为需求端提供稳定电力，但这样会导致资源浪费，电网运行成本增加。本申请通过决策树实现基于特定条件参数生成多设备中每个设备的控制决策，从而优化多设备调度能力，在保障稳定供电的前提下，减少冗余设备的启动，提高多种新能源的利用效率，降低电网运行成本。
附图说明
图1为一个实施例中多设备调度控制方法的应用环境图；
图2为一个实施例中多设备调度控制方法的流程示意图；
图3为一个实施例中决策树训练步骤的流程示意图；
图4为一个实施例中多设备调度控制方法的结构树示意图；
图5为一个实施例中多设备调度控制装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的多设备调度控制方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。数据存储系统存储有电网相关数据，终端102自数据存储系统调用数据并处理，生成多设备调度方案，从而根据调度方案控制多设备中每个设备的启闭。
在一个实施例中，如图2所示，提供了一种多设备调度控制方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，获取影响多设备启闭调度的条件参数；多设备为电网中的若干发电设备。
其中，多设备为电网中的发电设备，包括新能源发电设备和传统发电设备，作为分布式资源接入电网。新能源发电设备，如风力发电设备、太阳能发电设备、水利发电设备等。传统发电设备，如火力发电等。此外，多设备中的各独立设备并非指如继电器的电子元件，而是与某一发电设备配套的全部器件。以太阳能发电设备为例，太阳能发电设备包括太阳能电池板，以及与太阳能电池板配套的连接器、逆变器、转换器、储能电池等设备。此外，同一种发电方式对应设备可能对应有多个，例如多设备中太阳能发电设备设有多个。
影响多设备启闭调度的因素有很多，包括时间、地域、环境等。例如，夏季和冬季是用电高峰时期，白天用电需求相较于深夜用电需求更大。例如，城市中心区域相较于郊区用电需求更大。例如，太阳能发电设备在夜晚应当关闭，风力发电设备在风力等级小的天气发电量较小。上述影响多设备启闭调度的因素对应数据即为条件参数。
用电量与发电量是存在正相关关系的，用电量变大时，相应发电量也需要变大，以保证供电，多设备中启动的设备数量就会变多。当用电量变小时，关闭多设备中的部分设备，以降低电网运行成本。同时，新能源发电设备还会受到环境等因素影响，在对发电设备做出控制决策时，还必须考虑多方面的因素。因此，通过条件参数可以限定用电场景，根据用电场景即可分析出用电需求，再根据用电需求调整多设备中每个设备的启闭。
步骤204，将条件参数输入预训练的决策树模型，获取决策结果；决策树以多设备中每个设备的启闭状态作为目标变量构建。
其中，决策树模型是机器学习领域的算法模型，是一种逼近离散函数值的方法。决策树表示基于特征对样本进行分类的树形结构，决策树的分类过程可概括为从给定的数据中依据特征选择的准则，递归地选择最优划分特征，并根据选择的最优划分特征将数据进行分割，使得数据有一个最好的分类的过程。
多设备中每个设备的启闭状态以用电量为导向，在用电高峰时期，用电量会增加，相应的多设备中启动的设备就会增加，以保证更多供电量。
预训练的决策树以多设备中每个设备的启闭状态作为目标变量构建，即预训练的决策树会根据输入的条件参数进行处理，决策出在该条件参数限制下的用电场景中，多设备中每个设备的启闭状态。多设备中每个设备的启闭状态即为决策树输出的决策结果。
步骤206，根据决策结果控制多设备中每个设备的启闭。
其中，多设备中的每个设备都对应有唯一序列，以确定设备身份。在决策结果中，以序列形式表示多设备中的每个设备，便于控制多设备启闭的控制器根据决策结果对序列对应的设备进行管理。
在本实施例中，控制多设备中各个设备的启闭可以表示控制对应设备的电源，从而控制设备启闭；也可以指控制对应设备接入电网的开关，保留其本身的启闭状态。
上述多设备调度控制方法中，通过决策树实现电网中条件参数与多设备中每个设备启闭控制的因果联系，生成特定条件参数对应的控制决策，从而优化多设备调度能力，在保障稳定供电的前提下，减少冗余设备的启动，降低电网运行成本。
在一个实施例中，如图3所示，决策树模型的训练包括：
步骤302，提取训练数据集的特征或属性。
决策树模型的生成是通过学习若干样本的特征或属性和分类结果之间的关联以得到一个用于分类的数据模型，其实质过程是使用满足特征选择的准则将由若干特征的特征信息所形成的数据集不断进行最优数据子集划分的过程，因此对于决策树模型的生成，需要获取由多个训练样本在不同特征或属性下的特征信息所形成的训练数据集。
在本实施例中，特征或属性包括步骤202中影响多设备启闭调度的因素，包括日期、时间、环境等。参数条件是指具体的特征值，特征或属性是用于描述同一类参数条件下的分类信息。例如，在某个用电场景下，日期、时间和环境为特征或属性；日期为6月18日，时间为晚上7点，环境为多云，这些即为在该用电场景下在不同特征或属性下的参数条件。
训练数据集中的特征或属性可以人为进行提取，也可以通过神经网络自动提取。
步骤304，从特征或属性中选取对应于当前节点的目标特征属性，并根据目标特征属性对当前节点的数据集进行分割，获取基于当前节点的若干子节点以及对应于子节点的若干数据集，利用递归算法处理所有节点，直至所有节点的数据集可以确定对应的特征或属性，或无法再被分割。
具体地，决策树的生成从根节点开始，训练数据集被置于根节点。以该跟节点作为当前节点，从步骤302中提取的特征或属性中选择对应于当前节点的目标特征属性。根据该目标特征属性，当前节点中的训练数据集分割成若干子集。
如果子集能够被基本正确分类，则构建子节点，并将子集置于对应的子节点。如果存在子集不能被基本正确分类，则构建分类模糊的子节点，将该不能被基本正确分类的子集放置在该子节点。以该子节点作为当前节点，对当前节点重新从步骤302提取的特征或属性中选择对应于当前节点的目标特征属性，对当前节点中的数据集进行分割，获得若干对应于当前节点的若干子集。如此递归进行，直至所有的子集都能被基本正确分类。此时，每个子集都被分到子节点上，都有了明确的类，这样就生成了一颗决策树。
其中，上述子集能够被基本正确分类，即指所有节点的数据集可以确定对应的特征或属性，或无法再被分割。无法再被分割就是说，没有更合适的特征或属性可以对其进行继续分类。
通过不断地划分训练数据集，相应生成决策树模型的各节点及分支，也即不断地进行节点的分裂，直至根据分裂得到的子节点所包含的数据集能够确定出属性类别，从而最终得到具有数据分类功能的决策树模型。
决策树模型的具体结构可以生成详细的设备控制策略。与其他分类模型相比，决策树模型具有分类精度高、计算速度快、不需要任何领域知识和参数假设、易于实现等优点。通过对实际的故障样本进行诊断，并与支持向量机算法进行对比，验证了决策树模型的优越性。
本实施例通过决策树模型，可以对海量的具有多维影响因素(即特征或属性)的训练数据集进行综合分析，获得各个影响因素与多设备调度的联系。在将条件参数输入决策树后，决策树整合分布式资源，生成对多设备的调度策略，实现分布式资源的协同配合，在保障需求端用电前提下，达到降低电网运行成本的效果。
如图4所示，为仅基于时间表的决策树。以4至10月份为例，树节点包括月份4-10。根据月份的目标特征属性，树节点下分裂有两个子节点，分别包括月份4-5和月份6-10。其中月份4-5的子节点进一步根据月份的目标特征属性分裂为两个子节点，分别为月份4和月份5。月份4的子节点进一步根据日期的目标特征属性分裂为两个子节点，分别为1-20日和20-30日，这两个子节点对应生成策略一和策略二。对于月份5的子节点，不再对其进行继续分裂，生成策略三。对于月份6-10的子节点，分裂情况如图4所示，在此不再赘述。不同的策略对应于不同的多设备控制说明。例如，策略一内容为多设备中序列为A1的设备启动，而序列为B2的设备关闭。
其中，部分节点截止在月份就不再继续分裂，是因为在该节点下，继续分裂对策略输出没有影响，因此图示中未画出。
在一个实施例中，在对决策树进行训练时，可以加入预设规则优化决策。例如优先新能源设备启动，或者优先发电量稳定性更高的。预设规则也可以根据多设备中每个设备的平均发电量指定多设备调度策略。此处根据实际需求自行设定规则，此处不作限定。
在一个实施例中，步骤304中从特征或属性中选取对应于当前节点的目标特征属性包括：对当前节点的数据集根据特征或属性进行分类，获取对应于特征或属性的若干个样本集；获取每个样本集的信息增益；对比各个样本集对应信息增益的大小，确定当前节点对应的目标特征属性。
其中，决策树学习的关键是确定最优的划分属性。一般而言，决策树的节点所包含的样本类别应当尽量少，即节点的纯度尽量高。信息增益即是度量样本纯度最常用的指标。
具体地，信息增益的计算方式如下：
对于当前节点中的数据集D，数据集D中的数据根据特征或属性可以被分为n类，设定同一类的所有数据为一个样本集。第k个样本集的数据在数据集D中发生概率为pk，则数据集D的信息熵Ent(D)定义为：
其中，n为大于1的正整数，k为1至n的正整数。
信息增益是表示以某特征或属性划分数据集前后的信息熵的差值，对于待划分的数据集，若将划分前的信息熵表示为第一熵值，将划分之后的信息熵表示为第二熵值，第一熵值通常是一定的，第二熵值则是不定的，第二熵值越小说明使用当前特征划分得到的数据子集的不确定性越小，也即第一熵值和第二熵值之间的差值越大，说明使用当前特征或属性划分数据集的不确定越小，因此可使用划分前后数据集的信息熵的差值(即信息增益)来衡量使用当前特征属性对于数据集划分效果的好坏。
在决策树的构建过程中，总是希望能更快速地达到不确定性更小的数据集划分，使得决策树结构能达到的分类效果更优，因此通常对比各个特征或属性对应的信息增益，选择信息增益最大的特征或属性来划分当前的数据集，该信息增益最大的特征或属性即为目标特征属性。
通过信息增益确定目标特征属性，令决策树结构达到最优的分类效果，从而令后续的决策制定更可靠。
在一个实施例中，条件参数包括时间参数、室外环境参数、室内环境参数和系统运行参数。
其中，时间参数可以具体到季度、月、周、日或小时等。室外环境参数可以包括天气状况、空气流动状况等。室内环境参数可以包括空气湿度、室内温度等。系统运行参数可以包括设备维护成本、设备运行状况等。
在一个实施例中，在将条件参数输入预训练的决策树模型，获取决策结果后，方法还包括：获取多设备的历史运行数据；对历史运行数据进行知识提取，构建知识图谱；根据知识图谱评估决策结果的可行性。
其中，历史运行数据为包括各种特征和属性的历史运行数据。在不同的特征和属性决定的用电环境下，历史运行数据会记录在该用电环境下的各个设备的供电情况，以及故障情况。历史数据还可以包括对专家评估数据、文献数据等，为后续的知识提取提供全面的数据资源，令知识提取结果更有效、可靠。
对历史数据进行知识提取，形成知识构建知识图谱。利用知识图谱对决策结果进行评估，寻找是否存在不可行的事件。在本事实例中，知识图谱主要基于故障构建，其中包含了各种故障类型及故障特征信息。通过知识图谱能够对决策结果进行判断，是否存在发生故障的特征信息。如果存在，则说明该决策结果存在风险，不可行。如果不存在，则说明该决策结果可行。
通过知识图谱对数据进行可行性分析，提高了降低了决策结果导致故障的可能性，作为一种保障方案，维护电网稳定性。
在一个实施例中，获取影响多设备启闭调度的条件参数包括：获取采集的数据包；数据包中包括条件参数；提取数据包中的数据类型和数据来源，识别数据包业务类型，获取条件参数。
条件参数可能是通过各种传感器获得的，也可能是用户通过终端手动输入的。此外，不同的条件参数也需要区分其表示的特征或属性，例如获取到字符串数据，需要理解该数据表达的含义，是设备序列还是日期。因此，要获取条件参数，就要对原始数据包进行处理。
通过对数据进行提取和识别操作，获取条件参数，从而扩大了条件参数的获取途径，进而精确决策结果。
本申请对于面向海量多元分布式资源聚合服务分析和控制关键技术，研制面向海量多元分布式资源聚合的分布式资源聚合平台，支撑海量分布式资源数据接入、协同控制、优化调度能力，形成多元分布式资源的聚合模型及控制的算法，实现分布式光伏/储能/充电桩/空调等可调节资源协同交互，开展典型应用场景示范具有重要的研究价值及示范作用。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的多设备调度控制方法的多设备调度控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个多设备调度控制装置实施例中的具体限定可以参见上文中对于多设备调度控制方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种多设备调度控制装置，包括：参数获取模块502、决策输出模块504和控制模块506，其中：
参数获取模块502，用于获取影响多设备启闭调度的条件参数；多设备为电网中的若干发电设备。
决策输出模块504，用于将条件参数输入预训练的决策树模型，获取决策结果；决策树以多设备中每个设备的启闭状态作为目标变量构建。
控制模块506，用于根据决策结果控制多设备中每个设备的启闭。
其中，条件参数包括时间参数、室外环境参数、室内环境参数和系统运行参数。
参数获取模块502还用于获取采集的数据包；数据包中包括条件参数；提取数据包中的数据类型和数据来源，识别数据包的业务类型，获取条件参数。
决策输出模块504还用于决策树模型的训练，包括：提取训练数据集的特征或属性；从特征或属性中选取对应于当前节点的目标特征属性，并根据目标特征属性对当前节点的数据集进行分割，获取基于当前节点的若干子节点以及对应于子节点的若干数据集，利用递归算法处理所有节点，直至所有节点的数据集可以确定对应的特征或属性，或无法再被分割。
决策输出模块504还用于对当前节点的数据集根据特征或属性进行分类，获取对应于特征或属性的若干个样本集；获取每个样本集的信息增益；对比各个样本集对应信息增益的大小，确定当前节点对应的目标特征属性。
决策输出模块504还用于获取多设备的历史运行数据；对历史运行数据进行知识提取，构建知识图谱；根据知识图谱评估决策结果的可行性。
上述多设备调度控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多设备调度控制方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种多设备调度控制方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的所有方法实施例。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的所有方法实施例。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的所有方法实施例。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种多设备调度控制方法，其特征在于，所述方法包括：
获取影响多设备启闭调度的条件参数；所述多设备为电网中的若干发电设备；
将所述条件参数输入预训练的决策树模型，获取决策结果；所述决策树以所述多设备中每个设备的启闭状态作为目标变量构建；
根据所述决策结果控制所述多设备中每个设备的启闭。
2.根据权利要求1所述的方法，其特征在于，所述决策树模型的训练包括：
提取训练数据集的特征或属性；
从所述特征或属性中选取对应于当前节点的目标特征属性，并根据所述目标特征属性对当前节点的数据集进行分割，获取基于当前节点的若干子节点以及对应于所述子节点的若干数据集，利用递归算法处理所有节点，直至所有节点的数据集可以确定对应的所述特征或属性，或无法再被分割。
3.根据权利要求2所述的方法，其特征在于，所述从所述特征或属性中选取对应于当前节点的目标特征属性包括：
对当前节点的数据集根据所述特征或属性进行分类，获取对应于所述特征或属性的若干个样本集；
获取每个所述样本集的信息增益；
对比各个所述样本集对应所述信息增益的大小，确定当前节点对应的所述目标特征属性。
4.根据权利要求1所述的方法，其特征在于：
所述条件参数包括时间参数、室外环境参数、室内环境参数和系统运行参数。
5.根据权利要求1所述的方法，其特征在于，在所述将所述条件参数输入预训练的决策树模型，获取决策结果后，所述方法还包括：
获取所述多设备的历史运行数据；
对所述历史运行数据进行知识提取，构建知识图谱；
根据所述知识图谱评估所述决策结果的可行性。
6.根据权利要求1所述的方法，其特征在于，所述获取影响多设备启闭调度的条件参数包括：
获取采集的数据包；所述数据包中包括条件参数；
提取所述数据包中的数据类型和数据来源，识别所述数据包的业务类型，获取所述条件参数。
7.一种多设备调度控制装置，其特征在于，所述装置包括：
参数获取模块，用于获取影响多设备启闭调度的条件参数；所述多设备为电网中的若干发电设备；
决策输出模块，用于将所述条件参数输入预训练的决策树模型，获取决策结果；所述决策树以多设备中每个设备的启闭状态作为目标变量构建；
控制模块，用于根据所述决策结果控制所述多设备中每个设备的启闭。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440686.5A CN116470493A (zh) | 2023-04-21 | 2023-04-21 | 多设备调度控制方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440686.5A CN116470493A (zh) | 2023-04-21 | 2023-04-21 | 多设备调度控制方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116470493A true CN116470493A (zh) | 2023-07-21 |
Family
ID=87173150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310440686.5A Pending CN116470493A (zh) | 2023-04-21 | 2023-04-21 | 多设备调度控制方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116470493A (zh) |
-
2023
- 2023-04-21 CN CN202310440686.5A patent/CN116470493A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114676883A (zh) | 基于大数据的电网运行管理方法、装置、设备及存储介质 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN115425680B (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
| CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| CN111612273A (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
| CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
| CN117273077A (zh) | 一种基于cnn-lstm的中央空调需求响应测试方法及系统 | |
| WO2023179076A1 (zh) | 基于混合整数规划的针对工业设施的负荷分解方法和装置 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN116826743A (zh) | 一种基于联邦图神经网络的电力负荷预测方法 | |
| CN116470493A (zh) | 多设备调度控制方法、装置和计算机设备 | |
| Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
| CN114187685A (zh) | 一种智能锁耗电的优化方法、系统、设备及介质 | |
| Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
| Chenglei et al. | Scene generation method of wind-solar joint output based on generative adversarial network | |
| Schwarz et al. | Improving the computational efficiency of stochastic programs using automated algorithm configuration: an application to decentralized energy systems | |
| CN116976060B (zh) | 分布式新能源集群-负荷-网络动态重构的灵活组网方法 | |
| CN114997549B (zh) | 黑盒模型的解释方法、装置及设备 | |
| CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
| Zhao et al. | Ultra-short-term power forecasting of wind farm cluster based on spatio-temporal graph neural network pattern prediction | |
| Li et al. | Cloud platform operating data preprocessing method based on I-GMM algorithm | |
| CN115809734A (zh) | 一种基于动态训练集的低碳园区建筑负荷预测方法 | |
| CN117875625A (zh) | 一种能量分配协同监管的方法与装置 |
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 |