CN116739311A - 一种含多能量枢纽综合能源系统规划方法及系统 - Google Patents

一种含多能量枢纽综合能源系统规划方法及系统 Download PDF

Info

Publication number
CN116739311A
CN116739311A CN202311006435.2A CN202311006435A CN116739311A CN 116739311 A CN116739311 A CN 116739311A CN 202311006435 A CN202311006435 A CN 202311006435A CN 116739311 A CN116739311 A CN 116739311A
Authority
CN
China
Prior art keywords
population
energy
community
array
cross
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
CN202311006435.2A
Other languages
English (en)
Other versions
CN116739311B (zh
Inventor
林婷
李楠
王建亭
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.)
Shandong Supermaly Generating Equipment Co ltd
Original Assignee
Shandong Supermaly Generating Equipment Co ltd
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 Shandong Supermaly Generating Equipment Co ltd filed Critical Shandong Supermaly Generating Equipment Co ltd
Priority to CN202311006435.2A priority Critical patent/CN116739311B/zh
Publication of CN116739311A publication Critical patent/CN116739311A/zh
Application granted granted Critical
Publication of CN116739311B publication Critical patent/CN116739311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种含多能量枢纽综合能源系统规划方法及系统，尤其涉及能源输送规划技术领域，包括，获取模块，用以获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；分析模块，用以对输送方案进行分析；调整模块，用以对所述分析模块的分析过程进行调整；调整优化模块，用以获取各能量枢纽内各电子元器件的参数并计算各电子元器件故障率，并根据计算结果对所述算法调整模块的调整过程进行优化；输出模块，用以根据所述分析模块分析出的各群落数组的损失值，对输送方案进行判断，并对输送方案进行输出。本发明实现了对多能源的输送规划，提高了能源输送规划的分析效率。

Description

一种含多能量枢纽综合能源系统规划方法及系统
技术领域
本发明涉及能源输送规划技术领域，尤其涉及一种含多能量枢纽综合能源系统规划方法及系统。
背景技术
在时代发展迅速的环境下，人们对于能源的开采也越来越多，需要对能源分配进行合理的规划，将能源资源分配到各个能源站，以满足社会经济发展和人民生活的需求，能源的分配规划既要降低对能源分配中的能源损耗，以保证最优的经济性，又要保证进行能源分配时的各能源站的安全性。
中国专利公开号：CN112418732B公开了一种含多能量枢纽综合能源系统规划方法及系统，提供一种基于最大流最小割定理的含多能量枢纽综合能源系统规划方法，输入规划所需参数值、划分源/汇点、计算最大流最小割、制定规划优化方案、修正规划优化方案、输出规划优化方案等主要步骤，以解决现有规划方法中存在的模型构造不完备、求解方法不合理等问题，提高了规划优化方案对系统运行可靠性提升的基础保障水平。该方案提供了一种基于最大流最小割定理的含多能量枢纽综合能源系统规划系统，仅解决了对于线性相关的多能量的规划的问题，该方案存在无法解决非线性、动态的问题，并且该方案的时间复杂度高，对能源输送规划效率低。
发明内容
为此，本发明提供一种含多能量枢纽综合能源系统规划方法及系统，用以克服现有技术中能源输送规划效率低的问题。
为实现上述目的，一方面，本发明提供一种含多能量枢纽综合能源系统规划系统，包括：
获取模块，用以获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；
分析模块，用以根据各能量枢纽的状态参数构建初始种群，并计算初始种群的适应度和损失度，还用以根据初始种群的适应度对初始种群进行选择、交叉和变异操作，还用以根据初始种群的适应度对初始种群的输出方式进行判断；
调整模块，用以根据所述输送量、新增输送量和所述各能量枢纽的状态参数、工作参数对所述分析模块的分析过程进行调整；
调整优化模块，用以获取各能量枢纽内各电子元器件的参数并计算各电子元器件故障率，并根据计算结果对所述调整模块的调整过程进行优化；
输出模块，用以根据所述分析模块分析出的各群落数组的损失值，对输送方案进行判断，并对输送方案进行输出。
进一步地，所述分析模块设有种群构建单元，其用以根据所述各能量枢纽的状态参数对初始种群进行构建，所述种群构建单元设有构建公式如下：
F1={f11,f12,...,f1k}
f1k={f1k(1),f1k(2),...,f1k(i)|f1k(i)＜g(i)}
其中，F1表示初始种群，f11表示初始种群内的第一个群落数组，f12表示初始种群内的第二个群落数组，f1k表示初始种群内的最后一个群落数组，k表示种群数量，k的取值范围为k∈N+，f1k(1)表示群落数组内第一能量枢纽的规划输送量，f1k(2)表示群落数组内第二能量枢纽的规划输送量，f1k(i)表示群落数组内第i能量枢纽的规划输送量，i表示能量枢纽的编号，i的取值范围为i∈N+且i的最大值为能量枢纽的数量，g(i)表示各能量枢纽的剩余输送量。
进一步地，所述分析模块设有分析判断单元，其用以在计算初始种群内各群落数组的适应度和损失度时，通过适应度计算公式计算种群内各群落数组的适应度和损失度，所述分析判断单元设有适应度计算公式如下：
G(fjk)=fjk(1)+fjk(2)+...+fjk(i)，fj∈{F1,F2,F3,F4}
其中，G(fjk)表示种群内各群落数组的适应度，j表示种群编号，j的取值范围为：j={1,2,3,4},fjk(1)表示各种群内的群落数组内第一能量枢纽的规划输送量，fjk(2)表示各种群内的群落数组内第二能量枢纽的规划输送量，fjk(i)表示各种群内的群落数组内第i能量枢纽的规划输送量，F1表示初始种群，F2表示待命种群，F3表示交叉种群，F4表示变异种群；
分析判断单元还设有损失度计算公式如下：
W(i)=fjk(i)×R
R=L/1000×α
其中，W(i)表示各种群内的群落数组内各能量枢纽的损失度，R表示输送损失率，L表示各种群内的群落数组内各能量枢纽的输送距离，L的单位为千米，α表示损失率，α的取值范围为0.03≤α≤0.07。
进一步地，所述分析模块设有分析判断单元，其用以在对初始种群的输出方式进行判断时，根据初始种群的迭代次数和迭代阈值对初始种群的输出方式进行判断，其中：
当S＞S1时，所述分析判断单元判定初始种群的输出方式为确定输出；
当S≤S1时，所述分析判断单元判定初始种群的输出方式为选择输出；
其中，S表示初始种群的迭代次数，S1表示迭代阈值，S1的取值范围为30≤S1≤100；
所述分析模块设有迭代调整单元，其用以在用户输入新增输送量时，根据用户输入新增输送量计算出新增迭代次数，以调整迭代阈值，所述迭代调整单元设有新增迭代次数计算公式如下：
N1=M2/γ
其中，N1表示新增迭代次数，N1∈N+，N1向上取整，M2表示新增输送量，γ表示迭代增加参数，γ的取值范围为：100≤γ≤500；
迭代调整单元在对迭代阈值进行调整时，根据计算出的新增迭代次数对迭代阈值进行调整，调整后的迭代阈值为S2，设定S2=S1+N1。
进一步地，所述分析模块设有选择单元，其用以在对各群落数组进行选择时，将初始种群内各群落数组的适应度与总输送量进行比对，并根据比对结果对各群落数组进行选择，以形成待命种群，其中：
当η1≤G(fjk)/Q≤η2时，所述选择单元将该群落数组加入至待命种群；
当G(fjk)/Q＜η1或G(fjk)/Q＞η2时，所述选择单元不对该群落数组进行选择，
其中，η1和η2表示选择阈值，其取值范围为0＜η1＜η2＜2。
进一步地，所述分析模块设有交叉单元，其用以在对待命种群内的各群落数组进行交叉操作时，通过交叉公式对待命种群内的各群落数组进行交叉操作，以形成交叉种群，所述交叉单元设有交叉函数如下：
h(f2(G(F2)max),f2(G(F2)min))
f3i(x)=f2(G(F2)max)(max)-E2/i,x=1,2,...,i
f3i(x)=f2(G(F2)min)(min)+E2/i,x=1,2,...,i
其中，h()表示交叉函数，交叉函数在对待命种群进行交叉操作时将待命种群中已计算过的种群数组从待命种群中移除，以对待命种群中的所有种群数组进行交叉操作，f2(G(F2)max)表示待命种群中适应度最大的群落数组，f2(G(F2)min)表示待命种群中适应度最小的群落数组，f3i(x)表示交叉种群中的第x个群落数组，f2(G(F2)max)(max)表示待命种群中适应度最大的群落数组中最大的规划输送量，f2(G(F2)min)(min)表示待命种群中适应度最大的群落数组中最小的规划输送量。
进一步地，所述分析模块设有变异单元，其用以在对交叉种群的操作方式进行判断时，根据待命种群的平均适应度和交叉种群内的各组群落数组的适应度计算变异系数，并将变异系数与变异率进行比对，根据比对结果对交叉种群的操作方式进行判断，其中：
当变异系数小于等于变异率时，所述变异单元对交叉种群进行变异操作；
当变异系数大于变异率时，所述变异单元对交叉种群不进行变异操作；
其中，变异系数与待命种群的平均适应度和交叉种群内的各组群落数组的差值负相关；
变异单元在对所述交叉种群进行变异操作时，将变异系数小于等于变异率的交叉种群内的群落数组进行变异操作，以形成变异种群，所述变异单元设有变异公式如下：
Z(f3i)=f3i(i)×η2
其中，Z(f3i)表示进行变异操作的群落数组。
进一步地，所述调整模块设有交叉调整单元，其用以根据所述各能量枢纽的工作参数计算各能量枢纽的响应比，并将计算结果与响应比阈值进行比较，根据比较结果对待命种群的交叉操作进行调整，以调整交叉种群内的群落数组的构成，交叉调整单元设有响应比计算公式如下：
Y=1+T/(W/P)
其中，Y表示各能量枢纽的响应比，W表示各能量枢纽的规划输送量，P表示各能量枢纽的输送效率，T表示各能量枢纽的等待输送时间；
当Y≥Y1时，所述交叉调整单元调整待命种群中适应度最大的群落数组中最大的规划输送量的值，以使其与调整前待命种群中适应度最大的群落数组中最大的规划输送量的值相等；
当Y＜Y1时，所述交叉调整单元调整待命种群中适应度最小的群落数组中最小的规划输送量的值，以使其与调整前待命种群中适应度最小的群落数组中最小的规划输送量的值相等。
进一步地，所述调整优化模块在计算各电子元器件故障率时，根据各能量枢纽内各电子元器件的参数计算各电子元器件故障率λ,电子元器件故障率与电子元器件的额定功率和当前功率的差值负相关，电子元器件故障率与电子元器件的额定电压和当前电压的差值负相关，电子元器件故障率与电子元器件的环境温度正相关；
所述调整优化模块在对所述调整模块的调整方法进行调整时，根据电子元器件故障率对各能量枢纽的响应比进行优化，以优化交叉操作，所述调整优化模块设有损失函数如下：
Y2=[Y×(1-λ1)+Y×(1-λ2)+...+Y×(1-λa)]/a-Y
其中，Y2表示各能量枢纽的响应比损失值，λ1表示各能量枢纽中的第一个电子元器件故障率，λ2表示各能量枢纽中的第一个电子元器件故障率，λa表示各能量枢纽中的最后一个电子元器件故障率；
所述调整优化模块根据计算得到的根据响应比损失值对响应比进行优化，所述调整优化模块设有优化函数如下：
D(Yi)=D(Y)-ω×[(∂D(Yi))/∂Yi]
其中，D(Yi)表示优化后的各能量枢纽的响应比，ω表示学习率，ω的取值范围为：0＜ω＜1。
另一方面，本发明还提供一种含多能量枢纽综合能源系统规划方法，包括：
步骤S1，获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；
步骤S2，根据各能量枢纽的状态参数构建初始种群；
步骤S3，计算初始种群内各群落数组的适应度和损失度；
步骤S4，根据各群落数组的适应度对群落数组进行选择以形成待命种群；
步骤S5，对待命种群进行交叉操作，以形成交叉种群；
步骤S6，对交叉种群进行变异操作，以形成变异种群；
步骤S7，根据变异种群内的群落数组对初始种群内的群落数组进行更替；
步骤S8，根据初始种群的更替次数对初始种群的输出方式进行判断；
步骤S9，当初始种群的输出方式为选择输出时，重复步骤S3-S8，当初始种群的输出方式为确定输出时，执行步骤S10；
步骤S10，将初始种群内损失度最低的群落数组输出为输出方案。
与现有技术相比，本发明的有益效果在于，通过所述获取模块对能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数，以提高系统所需的各参数的获取效率，从而提高系统对输送方案的规划效率，通过所述分析模块对所述总输送量和各能量枢纽的状态参数对输送方案的分析，以提高分析出的种群的适应度，从而提高系统对输送方案的分析效率，通过所述分析模块对所述总输送量和各能量枢纽的状态参数对输送方案的分析，以计算出种群内各群落数组的损失值，从而提高系统对输送损失的分析效率，通过所述调整模块对各能量枢纽的工作参数的分析，以计算出个能量枢纽的响应比，从而对交叉种群内的群落数组的构成进行调整，提高系统交叉操作的准确度，进而提高系统对能源输送规划效率，通过所述调整模块对响应比阈值的设置，以判断出交叉操作的调整方式，从而提高系统进行交叉操作的效率，进而提高系统对能源输送规划效率，通过所述调整优化模块对各电子元器件故障率的计算，以对各能量枢纽的响应比进行优化，从而实现对交叉操作的优化，通过所述调整优化模块对故障率计算公式和损失函数的设置，以计算出各能量枢纽响应比的损失值，从而对各能量枢纽的响应比进行优化，提高系统交叉操作的准确度，进而提高系统对能源输送规划效率。通过所述输出模块对各群落数组的损失值的分析，以判断出损失度最小的输出方案，从而提高系统输出方案的准确度，降低输送成本，提高系统对能源输送规划效率。
附图说明
图1为本实施例含多能量枢纽综合能源系统规划系统的结构框图；
图2为本实施例分析模块的结构框图；
图3为本实施例调整模块的结构框图；
图4为本实施例含多能量枢纽综合能源系统规划方法的流程框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为本实施例含多能量枢纽综合能源系统规划系统，包括：
获取模块，用以获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数，所述总输送量包括输送量和新增输送量，所述总输送量为需要输送的能量值，所述总输送量的获取方式为用户交互输入，所述能量枢纽包括电能枢纽、天然气枢纽和水资源枢纽等，所述状态参数包括各能量枢纽的当前输送量、最大输送量和剩余输送量，所述剩余输送量=最大输送量-当前输送量，所述工作参数包括各能量枢纽的输送效率、等待输送时间和输送距离；
分析模块，用以根据各能量枢纽的状态参数构建初始种群，并计算初始种群的适应度和损失度，还用以根据初始种群的适应度对初始种群进行选择、交叉和变异操作，还用以根据初始种群的适应度对初始种群的输出方式进行判断，分析模块与所述获取模块连接；
调整模块，用以根据所述输送量、新增输送量和所述各能量枢纽的状态参数、工作参数对所述分析模块的分析过程进行调整，调整模块与所述分析模块连接；
调整优化模块，用以获取各能量枢纽内各电子元器件的参数并计算各电子元器件故障率，并根据计算结果对所述调整模块的调整过程进行优化，所述电子元器件的参数包括额定功率、额定电压、环境温度、当前电压和当前功率，调整优化模块与所述调整模块连接；
输出模块，用以根据所述分析模块分析出的各群落数组的损失值，对输送方案进行判断，并对输送方案进行输出，输出模块与所述分析模块连接。
请参阅图2所示，所述分析模块包括：
种群构建单元，用以根据所述各能量枢纽的状态参数构建初始种群，种群包括初始种群、待命种群、交叉种群和变异种群，所述种群由若干个群落数组组成，群落数组为一维数组，群落数组内的各参数分别表示各能量枢纽的规划输送量；
分析判断单元，用以计算初始种群内各群落数组的适应度和损失度，所述分析判断单元还用以根据初始种群的迭代次数和迭代阈值判断初始种群的输出方式，分析判断单元与所述种群构建单元连接，初始种群的输出方式包括选择输出和确定输出；
选择单元，用以在初始种群的输出方式为选择输出时，根据初始种群内各群落数组的适应度对各群落数组进行选择，以形成待命种群，选择单元与所述分析判断单元连接；
交叉单元，用以计算待命种群的平均适应度，所述交叉单元还用以对待命种群内的各群落数组进行交叉操作，以形成交叉种群，交叉单元与所述选择单元连接；
交叉分析单元，用以计算交叉种群内的各群落数组的适应度，交叉分析单元与所述交叉单元连接；
变异单元，用以根据所述待命种群的平均适应度和交叉种群内的各群落数组的适应度对交叉种群进行变异操作，以形成变异种群，变异单元与所述交叉分析单元连接；
迭代单元，用以根据所述交叉种群内的群落数组和变异种群内的群落数组对初始种群内的群落数组进行更替，所述迭代单元还用以根据初始种群的更替次数对初始种群的迭代次数进行统计，所述迭代单元与所述变异单元连接；本实施例中所述初始种群的迭代次数与所述初始种群的更替次数相等；
输出判断单元，用以在初始种群的输出方式为确定输出时，根据各群落数组的适应度对群落数组的输出方式进行判断，所述输出判断单元与所述分析判断单元连接。
请参阅图3所示，所述调整模块包括：
交叉调整单元，用以根据所述各能量枢纽的工作参数计算各能量枢纽的响应比，并根据计算结果对待命种群的交叉操作进行调整；
迭代调整单元，用以在用户输入新增输送量时，对迭代阈值进行调整。
具体而言，本实施例通过所述获取模块对能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数，以提高系统所需的各参数的获取效率，从而提高系统对输送方案的规划效率，通过所述分析模块对所述总输送量和各能量枢纽的状态参数对输送方案的分析，以提高分析出的种群的适应度，从而提高系统对输送方案的分析效率，通过所述分析模块对所述总输送量和各能量枢纽的状态参数对输送方案的分析，以计算出种群内各群落数组的损失值，从而提高系统对输送损失的分析效率，通过所述调整模块对各能量枢纽的工作参数的分析，以计算出个能量枢纽的响应比，从而对交叉种群内的群落数组的构成进行调整，提高系统交叉操作的准确度，进而提高系统对能源输送规划效率，通过所述调整模块对响应比阈值的设置，以判断出交叉操作的调整方式，从而提高系统进行交叉操作的效率，进而提高系统对能源输送规划效率，通过所述调整优化模块对各电子元器件故障率的计算，以对各能量枢纽的响应比进行优化，从而实现对交叉操作的优化，通过所述调整优化模块对故障率计算公式和损失函数的设置，以计算出各能量枢纽响应比的损失值，从而对各能量枢纽的响应比进行优化，提高系统交叉操作的准确度，进而提高系统对能源输送规划效率。通过所述输出模块对各群落数组的损失值的分析，以判断出损失度最小的输出方案，从而提高系统输出方案的准确度，降低输送成本，提高系统对能源输送规划效率。
具体而言，本实施例中所述种群构建单元根据所述各能量枢纽的状态参数对初始种群进行构建，所述种群构建单元设有构建公式如下：
F1={f11,f12,...,f1k}
f1k={f1k(1),f1k(2),...,f1k(i)|f1k(i)＜g(i)}
其中，F1表示初始种群，f11表示初始种群内的第一个群落数组，f12表示初始种群内的第二个群落数组，f1k表示初始种群内的最后一个群落数组，k表示种群数量，k的取值范围为k∈N+，f1k(1)表示群落数组内第一能量枢纽的规划输送量，f1k(2)表示群落数组内第二能量枢纽的规划输送量，f1k(i)表示群落数组内第i能量枢纽的规划输送量，i表示能量枢纽的编号，i的取值范围为i∈N+且i的最大值为能量枢纽的数量，g(i)表示各能量枢纽的剩余输送量。
具体而言，本实施例通过所述种群构建单元对各能量枢纽的状态参数的分析，以构建出初始种群，从而保证系统运行的准确性，通过所述种群构建单元对初始种群内群落数组的取值限定，以提高初始种群的精确度，减少群组数组的构建数量，从而提升系统对初始种群的构建效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述分析判断单元在计算初始种群内各群落数组的适应度和损失度时，通过适应度计算公式计算种群内各群落数组的适应度和损失度，所述分析判断单元设有适应度计算公式如下：
G(fjk)=fjk(1)+fjk(2)+...+fjk(i)，fj∈{F1,F2,F3,F4}
其中，G(fjk)表示种群内各群落数组的适应度，j表示种群编号，j的取值范围为：j={1,2,3,4},fjk(1)表示各种群内的群落数组内第一能量枢纽的规划输送量，fjk(2)表示各种群内的群落数组内第二能量枢纽的规划输送量，fjk(i)表示各种群内的群落数组内第i能量枢纽的规划输送量，F1表示初始种群，F2表示待命种群，F3表示交叉种群，F4表示变异种群；
所述分析判断单元还设有损失度计算公式如下：
W(i)=fjk(i)×R
R=L/1000×α
其中，W(i)表示各种群内的群落数组内各能量枢纽的损失度，R表示输送损失率，L表示各种群内的群落数组内各能量枢纽的输送距离，L的单位为千米，α表示损失率，α的取值范围为0.03≤α≤0.07，可以理解的是，本实施例不对损失率的取值作具体限定，损失率的大小与各能量枢纽的输送距离正相关，本领域的技术人员可自由设置，只需满足对各种群内的群落数组内各能量枢纽的损失度的计算即可。
具体而言，本实施例中所述分析判断单元在对初始种群的输出方式进行判断时，根据初始种群的迭代次数和迭代阈值对初始种群的输出方式进行判断，其中：
当S＞S1时，所述分析判断单元判定初始种群的输出方式为确定输出；
当S≤S1时，所述分析判断单元判定初始种群的输出方式为选择输出；
其中，S表示初始种群的迭代次数，S1表示迭代阈值，S1的取值范围为30≤S1≤100。
可以理解的是，本实施例中不对迭代阈值S1的取值作具体限定，本领域技术人员可自由设置，只需满足对初始种群的输出方式的判断即可，迭代阈值的最佳取值为：S1=50。
具体而言，本实施例通过所述分析判断单元对初始种群内的各群落数组的分析，以计算出各群落数组的的适应度和损失度，从而提高系统对初始种群内的各群落数组的分析效率，提高系统的准确度，通过所述分析判断单元对迭代次数的判断，以确定初始种群的输出方式，从而提高系统对初始种群输出的准确度，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述选择单元在对各群落数组进行选择时，将初始种群内各群落数组的适应度与总输送量进行比对，并根据比对结果对各群落数组进行选择，以形成待命种群，其中：
当η1≤G(fjk)/Q≤η2时，所述选择单元将该群落数组加入至待命种群；
当G(fjk)/Q＜η1或G(fjk)/Q＞η2时，所述选择单元不对该群落数组进行选择，
其中，η1和η2表示选择阈值，其取值范围为0＜η1＜η2＜2。
可以理解的是，本实施例不对选择阈值的取值作具体限定，本领域技术人员可自由设置，只需满足对各群落数组的选择即可，选择阈值的最佳取值为：η1=0.8，η2=1.2。
具体而言，本实施例通过所述选择单元将初始种群内各群落数组的适应度与总输送量进行比对，以实现对各群落数组的选择，形成待命种群，从而提高系统的准确度，通过所述选择单元对选择阈值的设置，以形成精度更高的待命种群，从而加快了对待命种群的筛选，提高系统的分析效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述交叉单元在计算待命种群的平均适应度时，根据待测种群内给群落数组的适应度计算待命种群的平均适应度，所述交叉单元设有平均适应度计算公式如下：
E2=[G(f21)+G(f22)+...+G(f2k)]/k
其中，E2表示待命种群的平均适应度，G(f21)表示待命种群中第一个群落数组的适应度，G(f22)表示待命种群中第二个群落数组的适应度，G(f2k)表示待命种群中最后一个群落数组的适应度。
具体而言，本实施例中所述交叉单元在对待命种群内的各群落数组进行交叉操作时，通过交叉公式对待命种群内的各群落数组进行交叉操作，以形成交叉种群，所述交叉单元设有交叉函数如下：
h(f2(G(F2)max),f2(G(F2)min))
f3i(x)=f2(G(F2)max)(max)-E2/i,x=1,2,...,i
f3i(x)=f2(G(F2)min)(min)+E2/i,x=1,2,...,i
其中，h()表示交叉函数，交叉函数在对待命种群进行交叉操作时将待命种群中已计算过的种群数组从待命种群中移除，以对待命种群中的所有种群数组进行交叉操作，f2(G(F2)max)表示待命种群中适应度最大的群落数组，f2(G(F2)min)表示待命种群中适应度最小的群落数组，f3i(x)表示交叉种群中的第x个群落数组，f2(G(F2)max)(max)表示待命种群中适应度最大的群落数组中最大的规划输送量，f2(G(F2)min)(min)表示待命种群中适应度最大的群落数组中最小的规划输送量。
具体而言，本实施例通过所述交叉单元对待命种群内的各群落数组进行交叉操作，以形成交叉种群，从而提高系统的多样性，通过所述交叉单元对交叉函数对群落数组的计算，以对待命种群内的各群落数组进行交叉操作，从而提高了交叉种群内各群落数组的多样性，保证系统对交叉种群分析的准确度，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述交叉分析单元在计算交叉种群内的各群落数组的适应度时，根据所述分析判断单元设有的适应度计算公式对交叉种群内的各群落数组的适应度进行计算。
具体而言，本实施例通过所述交叉分析单元对交叉种群内的各群落数组的分析，以计算出个群落数组的适应度，从而提高系统对交叉种群的分析效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述变异单元在对交叉种群的操作方式进行判断时，将所述待命种群的平均适应度和交叉种群内的各组群落数组的适应度与变异率进行比对，根据比对结果对交叉种群的操作方式进行判断，其中：
当e-|G(f3k)-E2|≤β时，所述变异单元对交叉种群进行变异操作；
当e-|G(f3k)-E2|＞β时，所述变异单元对交叉种群不进行变异操作；
其中，e-|G(f3k)-E2|表示变异系数，β表示变异率，β的取值范围为0.001≤β≤0.1。
可以理解的是，本实施例不对变异系数的计算方法和β的取值作具体限定，本领域技术人员可自由设置，如{[G(f3k)-E2]/E2}3,值得注意的是变异系数应与待命种群的平均适应度和交叉种群内的各组群落数组的差值负相关，β的最佳取值为：β=0.03。
具体而言，本实施例中所述变异单元在对所述交叉种群进行变异操作时，将变异系数小于等于变异率的交叉种群内的群落数组进行变异操作，以形成变异种群，所述变异单元设有变异公式如下：
Z(f3i)=f3i(i)×η2
其中，Z(f3i)表示进行变异操作的群落数组。
具体而言，本实施例通过所述变异单元对待命种群的平均适应度和交叉种群内的各组群落数组的适应度与变异率的比对，以判断交叉种群内各群落数组的操作方式，从而实现对交叉种群的变异操作，通过所述变异单元对变异系数和变异率的设置，以判断对各群落数组的变异操作，从而确保交叉种群内可能存在较少的群落数组进行变异操作，通过所述变异单元对变异公式的设置，以确定变异后群落数组内各项的取值，从而提高系统中变异种群的多样性，提高系统对变异种群的分析效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述输出判断单元在对群落数组的输出方式进行判断时，根据各群落数组的适应度对群落数组的输出方式进行判断，其中：
当群落数组的适应度大于等于总输出量时，所述输出判断单元对该群落数组进行输出；
当群落数组的适应度小于总输出量时，所述输出判断单元不对该群落数组进行输出。
具体而言，本实施例通过所述输出判断单元对各群落数组的适应度的分析，以判断出各群落数组的输出方式，减少不适合的群落数组的输出，从而提高系统的输出效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述交叉调整单元根据所述各能量枢纽的工作参数计算各能量枢纽的响应比，并将计算结果与响应比阈值进行比较，根据比较结果对待命种群的交叉操作进行调整，以调整交叉种群内的群落数组的构成，所述交叉调整单元设有响应比计算公式如下：
Y=1+T/(W/P)
其中，Y表示各能量枢纽的响应比，W表示各能量枢纽的规划输送量，P表示各能量枢纽的输送效率，T表示各能量枢纽的等待输送时间；
当Y≥Y1时，所述交叉调整单元调整待命种群中适应度最大的群落数组中最大的规划输送量的值，以使其与调整前待命种群中适应度最大的群落数组中最大的规划输送量的值相等；
当Y＜Y1时，所述交叉调整单元调整待命种群中适应度最小的群落数组中最小的规划输送量的值，以使其与调整前待命种群中适应度最小的群落数组中最小的规划输送量的值相等。
可以理解的是，本实施例不对响应比阈值Y1的取值作具体限定，响应比阈值Y1的取值范围为：Y1＞1，本领域技术人员可自由设置，只需满足对待命种群的交叉操作的调整即可，响应比阈值的最佳取值为：Y1=5。
具体而言，本实施例通过所述交叉调整单元对各能量枢纽的工作参数的分析，以计算出个能量枢纽的响应比，从而对交叉种群内的群落数组的构成进行调整，提高系统交叉操作的准确度，通过所述交叉调整单元对响应比阈值的设置，以判断出交叉操作的调整方式，从而提高系统进行交叉操作的效率，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述迭代调整单元在用户输入新增输送量时，根据用户输入新增输送量计算出新增迭代次数，以调整迭代阈值，所述迭代调整单元设有新增迭代次数计算公式如下：
N1=M2/γ
其中，N1表示新增迭代次数，N1∈N+，N1向上取整，M2表示新增输送量，γ表示迭代增加参数，γ的取值范围为：100≤γ≤500。
可以理解的是，本市实施中不对迭代参数γ的取值作具体限定，本领域技术人员可自由设置，只需满足对新增迭代次数的计算即可，迭代参数的最佳取值为：γ=200。
具体而言，本实施例中所述迭代调整单元在对迭代阈值进行调整时，根据计算出的新增迭代次数对迭代阈值进行调整，使调整后的迭代阈值等于迭代阈值与新增迭代次数之和，调整后的迭代阈值为S2，设定S2=S1+N1。
具体而言，本实施例通过所述迭代调整单元对新增输送量的分析，以计算出新增迭代次数，从而实现系统的动态调整，提高了系统对初始种群的分析的准确度，通过所述迭代调整单元对新增迭代次数计算公式的设置，以提高计算出的新增迭代次数的准确度，从而提高系统分析的准确度，进而提高系统对能源输送规划效率。
具体而言，本实施例中所述调整优化模块在计算各电子元器件故障率时，根据各能量枢纽内各电子元器件的参数计算各电子元器件故障率，所述调整优化模块设有故障率计算公式如下：
λ=e-|p-p1|×e-|u-u1|×log(πt)/(πt)
λ表示电子元器件故障率，p表示电子元器件的额定功率，p1表示电子元器件的当前功率，u表示电子元器件的额定电压，u1表示电子元器件的当前电压，t表示电子元器件的环境温度。
可以理解的是，本实施例不对电子元器件故障率的计算方法作具体限定，本领域技术人员可自由设置，如还可将其设置为λ=(|p-p1|)/p1×(|u-u1|)/u1×πt，值得注意的是，电子元器件故障率应与电子元器件的额定功率和当前功率的差值负相关，电子元器件故障率应与电子元器件的额定电压和当前电压的差值负相关，电子元器件故障率应与电子元器件的环境温度正相关，只需满足对电子元器件故障率的计算即可。
具体而言，本实施例中所述调整优化模块在对所述调整模块的调整方法进行调整时，根据电子元器件故障率对各能量枢纽的响应比进行优化，以优化交叉操作，所述调整优化模块设有损失函数如下：
Y2=[Y×(1-λ1)+Y×(1-λ2)+...+Y×(1-λa)]/a-Y
其中，Y2表示各能量枢纽的响应比损失值，λ1表示各能量枢纽中的第一个电子元器件故障率，λ2表示各能量枢纽中的第一个电子元器件故障率，λa表示各能量枢纽中的最后一个电子元器件故障率；
所述调整优化模块根据计算得到的根据响应比损失值对响应比进行优化，所述调整优化模块设有优化函数如下：
D(Yi)=D(Y)-ω×[(∂D(Yi))/∂Yi]
其中，D(Yi)表示优化后的各能量枢纽的响应比，ω表示学习率，ω的取值范围为：0＜ω＜1。
可以理解的是，本实施例中不对学习率ω的取值作具体限定，本领域技术人员可自由设置，只需满足对各能量枢纽的响应比的优化即可，学习率的最佳取值为：ω=0.8。
具体而言，本实施例中所述输出模块在对输送方案进行判断时，根据所述分析模块分析出的各群落数组的损失值对输送方案进行判断，所述输出模块判定各群落数组损失值最小的群落数组为输送方案，所述输出模块对损失值最小的群落数组中的各能量枢纽的规划输送量进行输出。
请参阅图4所示，其为本实施例含多能量枢纽综合能源系统规划方法，包括：
步骤S1，获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；
步骤S2，根据各能量枢纽的状态参数构建初始种群；
步骤S3，计算初始种群内各群落数组的适应度和损失度；
步骤S4，根据各群落数组的适应度对群落数组进行选择以形成待命种群；
步骤S5，对待命种群进行交叉操作，以形成交叉种群；
步骤S6，对交叉种群进行变异操作，以形成变异种群；
步骤S7，根据变异种群内的群落数组对初始种群内的群落数组进行更替；
步骤S8，根据初始种群的更替次数对初始种群的输出方式进行判断；
步骤S9，当初始种群的输出方式为选择输出时，重复步骤S3-S8，当初始种群的输出方式为确定输出时，执行步骤S10；
步骤S10，将初始种群内损失度最低的群落数组输出为输出方案。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种含多能量枢纽综合能源系统规划系统，其特征在于，包括：
获取模块，用以获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；
分析模块，用以根据各能量枢纽的状态参数构建初始种群，并计算初始种群的适应度和损失度，还用以根据初始种群的适应度对初始种群进行选择、交叉和变异操作，还用以根据初始种群的适应度对初始种群的输出方式进行判断；
调整模块，用以根据所述输送量、新增输送量和所述各能量枢纽的状态参数、工作参数对所述分析模块的分析过程进行调整；
调整优化模块，用以获取各能量枢纽内各电子元器件的参数并计算各电子元器件故障率，并根据计算结果对所述调整模块的调整过程进行优化；
输出模块，用以根据所述分析模块分析出的各群落数组的损失值，对输送方案进行判断，并对输送方案进行输出。
2.根据权利要求1所述的含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有种群构建单元，其用以根据所述各能量枢纽的状态参数对初始种群进行构建，所述种群构建单元设有构建公式如下：
F1={f11,f12,...,f1k}
f1k={f1k(1),f1k(2),...,f1k(i)|f1k(i)＜g(i)}
其中，F1表示初始种群，f11表示初始种群内的第一个群落数组，f12表示初始种群内的第二个群落数组，f1k表示初始种群内的最后一个群落数组，k表示种群数量，k的取值范围为k∈N+，f1k(1)表示群落数组内第一能量枢纽的规划输送量，f1k(2)表示群落数组内第二能量枢纽的规划输送量，f1k(i)表示群落数组内第i能量枢纽的规划输送量，i表示能量枢纽的编号，i的取值范围为i∈N+且i的最大值为能量枢纽的数量，g(i)表示各能量枢纽的剩余输送量。
3.根据权利要求2所述的含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有分析判断单元，其用以在计算初始种群内各群落数组的适应度和损失度时，通过适应度计算公式计算种群内各群落数组的适应度和损失度，所述分析判断单元设有适应度计算公式如下：
G(fjk)=fjk(1)+fjk(2)+...+fjk(i)，fj∈{F1,F2,F3,F4}
其中，G(fjk)表示种群内各群落数组的适应度，j表示种群编号，j的取值范围为：j={1,2,3,4},fjk(1)表示各种群内的群落数组内第一能量枢纽的规划输送量，fjk(2)表示各种群内的群落数组内第二能量枢纽的规划输送量，fjk(i)表示各种群内的群落数组内第i能量枢纽的规划输送量，F1表示初始种群，F2表示待命种群，F3表示交叉种群，F4表示变异种群；
分析判断单元还设有损失度计算公式如下：
W(i)=fjk(i)×R
R=L/1000×α
其中，W(i)表示各种群内的群落数组内各能量枢纽的损失度，R表示输送损失率，L表示各种群内的群落数组内各能量枢纽的输送距离，L的单位为千米，α表示损失率，α的取值范围为0.03≤α≤0.07。
4.根据权利要求1所述的含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有分析判断单元，其用以在对初始种群的输出方式进行判断时，根据初始种群的迭代次数和迭代阈值对初始种群的输出方式进行判断，其中：
当S＞S1时，所述分析判断单元判定初始种群的输出方式为确定输出；
当S≤S1时，所述分析判断单元判定初始种群的输出方式为选择输出；
其中，S表示初始种群的迭代次数，S1表示迭代阈值，S1的取值范围为30≤S1≤100；
所述分析模块设有迭代调整单元，其用以在用户输入新增输送量时，根据用户输入新增输送量计算出新增迭代次数，以调整迭代阈值，所述迭代调整单元设有新增迭代次数计算公式如下：
N1=M2/γ
其中，N1表示新增迭代次数，N1∈N+，N1向上取整，M2表示新增输送量，γ表示迭代增加参数，γ的取值范围为：100≤γ≤500；
迭代调整单元在对迭代阈值进行调整时，根据计算出的新增迭代次数对迭代阈值进行调整，调整后的迭代阈值为S2，设定S2=S1+N1。
5.根据权利要求3所述的一种含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有选择单元，其用以在对各群落数组进行选择时，将初始种群内各群落数组的适应度与总输送量进行比对，并根据比对结果对各群落数组进行选择，以形成待命种群，其中：
当η1≤G(fjk)/Q≤η2时，所述选择单元将该群落数组加入至待命种群；
当G(fjk)/Q＜η1或G(fjk)/Q＞η2时，所述选择单元不对该群落数组进行选择，
其中，η1和η2表示选择阈值，其取值范围为0＜η1＜η2＜2。
6.根据权利要求5所述的一种含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有交叉单元，其用以在对待命种群内的各群落数组进行交叉操作时，通过交叉公式对待命种群内的各群落数组进行交叉操作，以形成交叉种群，所述交叉单元设有交叉函数如下：
h(f2(G(F2)max),f2(G(F2)min))
f3i(x)=f2(G(F2)max)(max)-E2/i,x=1,2,...,i
f3i(x)=f2(G(F2)min)(min)+E2/i,x=1,2,...,i
其中，h()表示交叉函数，交叉函数在对待命种群进行交叉操作时将待命种群中已计算过的种群数组从待命种群中移除，以对待命种群中的所有种群数组进行交叉操作，f2(G(F2)max)表示待命种群中适应度最大的群落数组，f2(G(F2)min)表示待命种群中适应度最小的群落数组，f3i(x)表示交叉种群中的第x个群落数组，f2(G(F2)max)(max)表示待命种群中适应度最大的群落数组中最大的规划输送量，f2(G(F2)min)(min)表示待命种群中适应度最大的群落数组中最小的规划输送量。
7.根据权利要求6所述的一种含多能量枢纽综合能源系统规划系统，其特征在于，所述分析模块设有变异单元，其用以在对交叉种群的操作方式进行判断时，根据待命种群的平均适应度和交叉种群内的各组群落数组的适应度计算变异系数，并将变异系数与变异率进行比对，根据比对结果对交叉种群的操作方式进行判断，其中：
当变异系数小于等于变异率时，所述变异单元对交叉种群进行变异操作；
当变异系数大于变异率时，所述变异单元对交叉种群不进行变异操作；
其中，变异系数与待命种群的平均适应度和交叉种群内的各组群落数组的差值负相关；
变异单元在对所述交叉种群进行变异操作时，将变异系数小于等于变异率的交叉种群内的群落数组进行变异操作，以形成变异种群，所述变异单元设有变异公式如下：
Z(f3i)=f3i(i)×η2
其中，Z(f3i)表示进行变异操作的群落数组。
8.根据权利要求1所述的一种含多能量枢纽综合能源系统规划系统，其特征在于，所述调整模块设有交叉调整单元，其用以根据所述各能量枢纽的工作参数计算各能量枢纽的响应比，并将计算结果与响应比阈值进行比较，根据比较结果对待命种群的交叉操作进行调整，以调整交叉种群内的群落数组的构成，交叉调整单元设有响应比计算公式如下：
Y=1+T/(W/P)
其中，Y表示各能量枢纽的响应比，W表示各能量枢纽的规划输送量，P表示各能量枢纽的输送效率，T表示各能量枢纽的等待输送时间；
当Y≥Y1时，所述交叉调整单元调整待命种群中适应度最大的群落数组中最大的规划输送量的值，以使其与调整前待命种群中适应度最大的群落数组中最大的规划输送量的值相等；
当Y＜Y1时，所述交叉调整单元调整待命种群中适应度最小的群落数组中最小的规划输送量的值，以使其与调整前待命种群中适应度最小的群落数组中最小的规划输送量的值相等。
9.根据权利要求8所述的一种含多能量枢纽综合能源系统规划系统，其特征在于，所述调整优化模块在计算各电子元器件故障率时，根据各能量枢纽内各电子元器件的参数计算各电子元器件故障率λ,电子元器件故障率与电子元器件的额定功率和当前功率的差值负相关，电子元器件故障率与电子元器件的额定电压和当前电压的差值负相关，电子元器件故障率与电子元器件的环境温度正相关；
所述调整优化模块在对所述调整模块的调整方法进行调整时，根据电子元器件故障率对各能量枢纽的响应比进行优化，以优化交叉操作，所述调整优化模块设有损失函数如下：
Y2=[Y×(1-λ1)+Y×(1-λ2)+...+Y×(1-λa)]/a-Y
其中，Y2表示各能量枢纽的响应比损失值，λ1表示各能量枢纽中的第一个电子元器件故障率，λ2表示各能量枢纽中的第一个电子元器件故障率，λa表示各能量枢纽中的最后一个电子元器件故障率；
所述调整优化模块根据计算得到的根据响应比损失值对响应比进行优化，所述调整优化模块设有优化函数如下：
D(Yi)=D(Y)-ω×[(∂D(Yi))/∂Yi]
其中，D(Yi)表示优化后的各能量枢纽的响应比，ω表示学习率，ω的取值范围为：0＜ω＜1。
10.一种应用于如权利要求1-9任一项所述的一种含多能量枢纽综合能源系统规划系统的规划方法，其特征在于，包括：
步骤S1，获取能源的总输送量、各能量枢纽的状态参数和各能量枢纽的工作参数；
步骤S2，根据各能量枢纽的状态参数构建初始种群；
步骤S3，计算初始种群内各群落数组的适应度和损失度；
步骤S4，根据各群落数组的适应度对群落数组进行选择以形成待命种群；
步骤S5，对待命种群进行交叉操作，以形成交叉种群；
步骤S6，对交叉种群进行变异操作，以形成变异种群；
步骤S7，根据变异种群内的群落数组对初始种群内的群落数组进行更替；
步骤S8，根据初始种群的更替次数对初始种群的输出方式进行判断；
步骤S9，当初始种群的输出方式为选择输出时，重复步骤S3-S8，当初始种群的输出方式为确定输出时，执行步骤S10；
步骤S10，将初始种群内损失度最低的群落数组输出为输出方案。
CN202311006435.2A 2023-08-11 2023-08-11 一种含多能量枢纽综合能源系统规划方法及系统 Active CN116739311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311006435.2A CN116739311B (zh) 2023-08-11 2023-08-11 一种含多能量枢纽综合能源系统规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311006435.2A CN116739311B (zh) 2023-08-11 2023-08-11 一种含多能量枢纽综合能源系统规划方法及系统

Publications (2)

Publication Number Publication Date
CN116739311A true CN116739311A (zh) 2023-09-12
CN116739311B CN116739311B (zh) 2023-11-07

Family

ID=87911724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311006435.2A Active CN116739311B (zh) 2023-08-11 2023-08-11 一种含多能量枢纽综合能源系统规划方法及系统

Country Status (1)

Country Link
CN (1) CN116739311B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020196975A1 (en) * 2001-04-12 2002-12-26 Eastman Kodak Company Population mixture modeling with an indeterminate number of sub-populations
CN111178487A (zh) * 2019-12-20 2020-05-19 广东省能源集团有限公司 电力优化调度方法、装置、计算机设备和存储介质
CN111881540A (zh) * 2020-05-28 2020-11-03 湘潭大学 一种能量枢纽中热泵容量和各能源设备功率的优化方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN112418732A (zh) * 2020-12-14 2021-02-26 国电南瑞科技股份有限公司 一种基于最大流最小割定理的含多能量枢纽综合能源系统规划方法及系统
CN115115114A (zh) * 2022-06-29 2022-09-27 国网辽宁省电力有限公司经济技术研究院 一种计及碳交易的综合能源系统优化调度方法
CN115395562A (zh) * 2022-08-23 2022-11-25 北京智芯微电子科技有限公司 配电网接入优化方法、装置、设备、存储介质及程序产品

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020196975A1 (en) * 2001-04-12 2002-12-26 Eastman Kodak Company Population mixture modeling with an indeterminate number of sub-populations
CN111178487A (zh) * 2019-12-20 2020-05-19 广东省能源集团有限公司 电力优化调度方法、装置、计算机设备和存储介质
CN111881540A (zh) * 2020-05-28 2020-11-03 湘潭大学 一种能量枢纽中热泵容量和各能源设备功率的优化方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN112418732A (zh) * 2020-12-14 2021-02-26 国电南瑞科技股份有限公司 一种基于最大流最小割定理的含多能量枢纽综合能源系统规划方法及系统
CN115115114A (zh) * 2022-06-29 2022-09-27 国网辽宁省电力有限公司经济技术研究院 一种计及碳交易的综合能源系统优化调度方法
CN115395562A (zh) * 2022-08-23 2022-11-25 北京智芯微电子科技有限公司 配电网接入优化方法、装置、设备、存储介质及程序产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGZHOU LI等: "Energy hub-based optimal planning for integrated energy systems considering part-load characteristics and synergistic effect of equipment", 《GLOBAL ENERGY INTERCONNECTION》, pages 169 - 183 *
张夏平;: "基于能量枢纽的综合能源系统优化规划", 南方能源建设, no. 04 *
徐晓凤: "微电网能量优化调度研究", 《 CNKI优秀硕士学位论文全文库》, pages 1 - 48 *
黄武靖;张宁;董瑞彪;刘永笑;康重庆;: "多能源网络与能量枢纽联合规划方法", 中国电机工程学报, no. 18 *

Also Published As

Publication number Publication date
CN116739311B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN111639870B (zh) 考虑源荷不确定性的输电网多目标柔性规划方法及系统
CN112116153B (zh) 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
Swarup et al. Unit commitment solution methodology using genetic algorithm
CN109146124B (zh) 一种基于时变失效率的配电终端改造决策方法
CN110429636B (zh) 一种静态电压稳定故障筛选与排序的方法
CN111786420A (zh) 一种考虑再生能源混合发电的电力系统经济调度的方法
Elmaouhab et al. New evolutionary technique for optimization shunt capacitors in distribution networks
Singh et al. Genetic algorithm for solving the economic load dispatch
CN114302418A (zh) 网元设备性能的检测方法、装置及计算机可读介质
CN116739311B (zh) 一种含多能量枢纽综合能源系统规划方法及系统
CN110765726B (zh) 能源网规划图的智能生成系统
CN111668851A (zh) 一种电采暖负荷调节优化方法及装置
CN115622056A (zh) 一种基于线性加权和选解法的储能优化配置方法及系统
Alarcon-Rodriguez et al. Multi-objective planning of distributed energy resources with probabilistic constraints
CN110571791B (zh) 一种新能源接入下的输电网规划的优化配置方法
CN115036936A (zh) 一种基于线损的风电集群参与电力系统调频方法
CN113807019A (zh) 基于改进场景分类和去粗粒化的mcmc风电模拟方法
Cheng et al. Integer Encoding Genetic Algorithm for Optimizing Redundancy Allocation of Series-parallel Systems.
CN112465271A (zh) 一种面向储能平抑风电波动场景的储能电池选型方法
Shafiullah et al. Effects of Uncertainty Characterization of Energy Demand of a Neighborhood on Stochastic Day-ahead Scheduling
CN117060468B (zh) 基于改进nsga-ii算法的储能调峰容量优化配置方法及系统
CN116937695B (zh) 一种光伏电源的数据分析方法、装置、设备及存储介质
CN114362263B (zh) 配电网光伏功率的控制方法、装置、计算机设备
CN114663219B (zh) 一种基于能源互联电力市场的主体征信评估方法及系统
Bath et al. Stochastic multi-objective generation dispatch

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