CN116821427B - 信息存储方法、装置、电子设备和计算机可读介质 - Google Patents
信息存储方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116821427B CN116821427B CN202311076668.XA CN202311076668A CN116821427B CN 116821427 B CN116821427 B CN 116821427B CN 202311076668 A CN202311076668 A CN 202311076668A CN 116821427 B CN116821427 B CN 116821427B
- Authority
- CN
- China
- Prior art keywords
- decision variable
- variable information
- information set
- park equipment
- park
- 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 40
- 230000035772 mutation Effects 0.000 claims abstract description 135
- 230000000694 effects Effects 0.000 claims abstract description 69
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003912 environmental pollution Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005485 electric heating Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了信息存储方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；执行生成步骤：抽取目标数目个园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；生成突变园区设备决策变量信息集组；生成决策效果信息组；确定是否对突变园区设备决策变量信息集组进行信息存储；响应于确定存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。该实施方式可以精准、高效地筛选出高质量的园区设备决策变量信息集，以实现园区中的各个设备的高效率调度。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及信息存储方法、装置、电子设备和计算机可读介质。
背景技术
目前，园区综合能源系统是在某一园区内，将不同能源形式及其相应设备（如发电厂、电热锅炉、储能系统等）相互连接，通过协同运行和互补利用，实现能源的高效供应和利用。对于各个设备的设备参数信息的确定，通过采用的方式为：通过人为经验设置的方法，来确定各个设备对应的设备参数信息。
然而，发明人发现，当采用上述方式，经常会存在如下技术问题：
第一，人为经验设置常常存在不够精准的问题，导致不能精准地确定出设备对应的各个参数，导致不能实现针对园区中的各个设备的有效调度；
第二，随机针对至少一个候选园区设备决策变量信息集进行变量信息的融合，常常出现融合效果极差的情况，导致所融合的变量信息集大多都是无意义的信息集，使得融合效率极低，导致后续执行多次生成步骤之后，所得到的针对园区设备决策变量集的各个变量信息仍不够精准。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息存储方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种信息存储方法，包括：对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组；生成针对突变园区设备决策变量信息集组的决策效果信息组；根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储；响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
第二方面，本公开的一些实施例提供了一种信息存储装置，包括：变量初始化单元，被配置成对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；执行单元，被配置成对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组；生成针对突变园区设备决策变量信息集组的决策效果信息组；根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储；响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息存储方法，可以精准、高效地从各个变量初始化后的园区设备决策变量信息集中筛选出高质量的园区设备决策变量信息集，以实现园区中的各个设备的高效率调度。具体来说，造成相关的各个设备不能有效进行调度的原因在于：人为经验设置常常存在不够精准的问题，导致不能精准地确定出设备对应的各个参数，导致不能实现针对园区中的各个设备的有效调度。基于此，本公开的一些实施例的信息存储方法，首先，对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群。在这里，通过对园区设备决策变量集进行变量初始化，可以确定针对园区设备决策变量集中的各个园区设备决策变量的各种取值，以便于后续通过生成步骤来多样化、多角度地确定更为精准的园区设备决策变量信息集。然后，对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：第一步，从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集，以作为数据基础，来生成后续的突变园区设备决策变量信息。第二步，根据至少一个候选园区设备决策变量信息集，可以精准地生成突变园区设备决策变量信息集组。在这里，通过生成突变园区设备决策变量信息集组，可以多样化地生成各个园区设备决策变量对应的各种组合，使得后续所得到的各个园区设备决策变量对应的变量信息更为精准。第三步，生成针对突变园区设备决策变量信息集组的决策效果信息组。在这里，通过决策效果信息，可以有效地评估突变园区设备决策变量信息集的变量信息精准效果。第四步，根据决策效果信息组，可以明确地确定是否对突变园区设备决策变量信息集组进行信息存储。第五步，响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库，以便于后续确定出园区设备决策变量集对应的可用变量信息集。综上，通过生成突变园区设备决策变量信息集组，可以更多样化地确定出园区设备决策变量集中的各个园区设备决策变量的多种组合取值，以后续生成更为精准的、针对园区设备决策变量集的变量信息集。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的信息存储方法的一些实施例的流程图；
图2是根据本公开的信息存储装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的信息存储方法的一些实施例的流程100。该信息存储方法，包括以下步骤：
步骤101，对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群。其中，园区设备决策变量集中的各个园区设备决策变量可以是园区内各个设备对应优化目标的决策变量。例如，园区内各个设备可以包括但不限于以下至少一项：电制冷机，电热锅炉，燃气轮机，电转气装置，储气装置，光伏装置，风机装置。优化目标可以包括：园区综合能源运行成本最低目标、园区综合能源环境污染代价最小目标、园区综合能源线路损耗最小目标。具体地，优化目标=第一权重系数×园区综合能源运行成本最低目标+第二权重系数×园区综合能源环境污染代价最小目标+第三权重系数×园区综合能源线路损耗最小目标。电转气装置可以是将电能转换为天然气或氢气的装置。储气装置可以是存储天然气或者氢气的装置。园区综合能源运行成本最低目标可以是园区各个能源装置运行成本最小的目标。具体的，上述执行主体可以将目标时间段内的各个设备对应的单位消耗费用信息与对应工作功率参数相乘以及相加，得到园区能源装置运行成本信息。园区综合能源环境污染代价最小目标可以是园区各个能源装置运行环境污染程度最小的目标。园区综合能源线路损耗最小目标可以是园区各个能源装置线路损耗最小的目标。针对优化目标，存在对应的至少一个约束条件。实践中，至少一个约束条件可以包括：电力平衡约束条件、天然气平衡约束条件、冷/热平衡约束条件、电热锅炉设备正常运行功率条件、电制冷机设备正常运行功率条件、储热水箱设备容量和出力约束条件、燃气轮机设备正常运行功率条件、燃气轮机爬坡约束、电转气装置负荷功率条件、储气装置容量和出力约束条件、电储能设备正常运行功率条件、电网节点电压约束条件、电网潮流约束条件。具体的，园区存在预先设置的园区级综合能源系统。所有的设备都接入园区的箱式变压器中。
实践中，园区综合能源系统，是电力网、冷热网和天然气网之间的耦合系统。
作为示例，首先，上述执行主体可以确定园区设备决策变量集中的每个园区设备决策变量对应的变量取值范围。然后，根据变量取值范围，对上述园区设备决策变量集中的每个园区设备决策变量进行多次随机取值，得到多个园区设备决策变量信息集。最后，对多个园区设备决策变量信息集进行随机分群处理，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群。
步骤102，对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：
步骤1021，从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集。
在一些实施例中，上述执行主体可以从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集。其中，目标数目可以是预先设置的数目。例如，目标数目为“3”。
作为示例，上述执行主体从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中随机抽取3个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集。
步骤1022，根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组。
在一些实施例中，上述执行主体可以根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组。其中，突变园区设备决策变量信息集中的各个突变园区设备决策变量信息是基于候选园区设备决策变量信息集而变换生成的变量信息。即，突变园区设备决策变量信息集组中的突变园区设备决策变量信息集与至少一个候选园区设备决策变量信息集中的候选园区设备决策变量信息集各不相同。
作为示例，上述执行主体可以将至少一个候选园区设备决策变量信息集中的各个候选园区设备决策变量信息集对应的各个变量信息进行交叉融合，以生成融合变量信息集，得到融合变量信息集组，作为突变园区设备决策变量信息集组。
在一些实施例的一些可选的实现方式中，上述根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组，可以包括以下步骤：
第一步，根据上述至少一个候选园区设备决策变量信息集，生成初始突变园区设备决策变量信息集。其中，初始突变园区设备决策变量信息集中的各个突变园区设备决策变量信息与每个候选园区设备决策变量信息集中的各个候选园区设备决策变量信息各不相同。
可选地，至少一个候选园区设备决策变量信息集包括：第一候选园区设备决策变量信息集、第二候选园区设备决策变量信息集和第三候选园区设备决策变量信息集。
以及上述根据上述至少一个候选园区设备决策变量信息集，生成初始突变园区设备决策变量信息集，包括以下步骤：
第一步，从上述第二候选园区设备决策变量信息集中确定出变量信息大于对应第三候选园区设备决策变量信息的第二候选园区设备决策变量信息，得到至少一个第二候选园区设备决策变量信息。
第二步，确定上述至少一个第二候选园区设备决策变量信息对应的至少一个第三候选园区设备决策变量信息和对应的至少一个第一候选园区设备决策变量信息。其中，至少一个第二候选园区设备决策变量信息中的第二候选园区设备决策变量信息大于至少一个第三候选园区设备决策变量信息中的第三候选园区设备决策变量信息。其中，至少一个第一候选园区设备决策变量信息对应的决策变量等同于至少一个第二候选园区设备决策变量信息对应的决策变量。同理，至少一个第二候选园区设备决策变量信息对应的决策变量等同于至少一个第三候选园区设备决策变量信息对应的决策变量。
第三步，对于上述至少一个第二候选园区设备决策变量信息中的每个第二候选园区设备决策变量信息，执行以下第一信息生成步骤：
子步骤1，将上述第二候选园区设备决策变量信息减去上述至少一个第三候选园区设备决策变量信息中的、对应的第三候选园区设备决策变量信息，得到第一相减数值。
子步骤2，将第一相减数值乘以第一随机概率，得到第一相乘数值。其中，第一随机概率可以是0-1之间的数值。
子步骤3，确定上述第二候选园区设备决策变量信息对应第二候选园区设备决策变量的变量最大值。
子步骤4，将上述变量最大值减去上述第二候选园区设备决策变量信息对应的上述至少一个第一候选园区设备决策变量信息中的对应的第一候选园区设计决策变量信息，得到第二相减数值。
子步骤5，将上述第二相减数值和第一相乘数值之间的最大值与上述第二候选园区设备决策变量信息对应的第一候选园区设备决策变量信息相加，得到相加信息，作为对应的初始突变园区设备决策变量信息。
第四步，从上述第二候选园区设备决策变量信息集中去除上述至少一个第二候选园区设备决策变量信息，得到去除后第二候选园区设备决策变量信息集。
第五步，对于去除后第二候选园区设备决策变量信息集中的每个第二候选园区设备决策变量信息，执行以下第二信息生成步骤：
子步骤1，将上述第二候选园区设备决策变量信息减去第三候选园区设备决策变量信息子集中的、对应的第三候选园区设备决策变量信息，得到第三相减数值。其中，第三候选园区设备决策变量信息子集中的第三候选园区设备决策变量信息与上述去除后第二候选园区设备。第三候选园区设备决策变量信息子集中的第三候选园区设备决策变量信息大于去除后第二候选园区设备决策变量信息集中的对应的第二候选园区设备决策变量信息。
子步骤2，将第二相减数值乘以第一随机概率，得到第二相乘数值。其中，第二随机概率可以是0-1之间的数值。
子步骤3，确定上述第二候选园区设备决策变量信息对应第二候选园区设备决策变量的变量最小值。
子步骤4，将上述变量最小值减去上述第二候选园区设备决策变量信息对应的第一候选园区设备决策变量信息子集中的对应的第一候选园区设计决策变量信息，得到第四相减数值。其中，第一候选园区设备决策变量信息子集中的第一候选园区设备决策信息与去除后第二候选园区设备决策变量信息集中的第二候选园区设备决策变量信息存在一一对应关系。
子步骤5，将上述第二相减数值和第一相乘数值之间的最大值与上述第二候选园区设备决策变量信息对应的第一候选园区设备决策变量信息相加，得到相加信息，作为对应的初始突变园区设备决策变量信息。
作为本公开的发明点之一，解决了背景技术问题中的第二个技术问题。即“随机针对至少一个候选园区设备决策变量信息集进行变量信息的融合，常常出现融合效果极差的情况，导致所融合的变量信息集大多都是无意义的信息集，使得融合效率极低，导致后续执行多次生成步骤之后，所得到的针对园区设备决策变量集的各个变量信息仍不够精准。”基于此，本公开的信息存储方法，通过抽取三个候选园区设备决策变量信息集，通过对应候选园区设备决策变量对应数值之间的大小比较以及与候选园区设备决策变量的取值大小进行比较，可以大大提高融合效率，保障融合的有效性，使得后续可以精准的得到针对园区设备决策变量集的各个变量信息。
第二步，将上述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集与上述初始突变园区设备决策变量信息集进行变量信息融合，以生成融合园区设备决策变量信息集，得到至少一个融合园区设备决策变量信息集。
作为示例，对于每个候选园区设备决策变量信息集，将候选园区设备决策变量信息集与上述初始突变园区设备决策变量信息集进行变量信息加权求和处理，以生成融合园区设备决策变量信息集。
作为又一个示例，对于上述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集，将候选园区设备决策变量信息集中的各个候选园区设备决策变量信息与初始突变园区设备决策变量信息集中的各个初始突变园区设备决策变量信息进行交叉组合，以生成组合园区设备决策变量信息集，作为融合园区设备决策变量信息集。
第三步，将上述至少一个融合园区设备决策变量信息集，确定为突变园区设备决策变量信息集组。
步骤1023，生成针对突变园区设备决策变量信息集组的决策效果信息组。
在一些实施例中，上述执行主体可以生成针对突变园区设备决策变量信息集组的决策效果信息组。其中，决策效果信息组中的决策效果信息与突变园区设备决策变量信息集组中的突变园区设备决策变量信息集存在一一对应关系。决策效果信息可以表征突变园区设备决策变量信息集对应的决策效果。决策效果可以表征园区内各个设备之间的配合工作效率。决策效果越好，对应的配合工作效率越高，对应的各个设备的设备利用更充分。
作为示例，上述执行主体可以将突变园区设备决策变量信息集组中的每个突变园区设备决策变量信息集输入至决策效果可视化软件，以生成突变园区设备决策变量信息集对应的决策效果信息，得到决策效果信息组。
在一些实施例的一些可选的实现方式中，上述生成针对突变园区设备决策变量信息集组的决策效果信息组，可以包括以下步骤：
第一步，获取上述园区设备决策变量集对应的园区设备拓扑关系信息和园区设备信息。实践中，园区设备信息可以是园区中的各个设备的设备信息。实践中，各个设备包括：燃气轮机、光伏装置、风机装置、电储能装置、电转气装置、电动汽车储能装置、电热锅炉和电制冷机。园区设备拓扑关系信息可以是园区中的各个设备接入园区中箱式变压器的接入示意图。
第二步，对于上述突变园区设备决策变量信息集组中的每个突变园区设备决策变量信息集，将上述突变园区设备决策变量信息集、上述园区设备拓扑关系信息和上述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第一园区调度信息，作为决策效果信息。其中，园区调度信息生成模型可以是生成园区调度信息的神经网络模型。实践中，园区调度信息生成模型可以是但不限于以下之一：支持向量机模型（Support VectorMachine, SVM），多层感知机模型（Multilayer Perceptron，MLP），梯度提升决策树（Gradient Boosting Decision Tree，GBDT）。
步骤1024，根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储。
在一些实施例中，上述执行主体可以根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储。
作为示例，首先，上述执行主体确定决策效果预设指标。然后，将突变园区设备决策变量信息集组中的对应决策效果信息大于决策效果预设指标的突变园区设备决策变量信息集确定为待存储的突变园区设备决策变量信息集。将突变园区设备决策变量信息集组中的对应决策效果信息小于或等于决策效果预设指标的突变园区设备决策变量信息集确定为不存储的突变园区设备决策变量信息集。
在一些实施例的一些可选的实现方式中，上述根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储，可以包括以下步骤：
第一步，对于上述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集，将上述候选园区设备决策变量信息集、上述园区设备拓扑关系信息和上述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第二园区调度信息。
第二步，对于上述决策效果信息组中的每个决策效果信息，执行以下确定步骤：
子步骤1，确定上述决策效果信息对应的突变园区设备决策变量信息集，作为目标突变园区设备决策变量信息集。
子步骤2，确定上述目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集，作为目标园区设备决策变量信息集。
子步骤3，确定上述目标园区设备决策变量信息集对应的第二园区调度信息，作为目标园区调取信息。
子步骤4，响应于确定上述目标园区调取信息对应的调取效果强于上述决策效果信息对应的调取效果，生成表征不对上述目标突变园区设备决策变量信息集进行信息存储的存储信息，以及将目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集存储至上述目标数据库。
步骤1025，响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
在一些实施例中，响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，上述执行主体可以将至少一个突变园区设备决策变量信息集存储至目标数据库。
在一些实施例的一些可选的实现方式中，在上述响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库之后，上述方法还包括以下步骤：
第一步，从上述突变园区设备决策变量信息集组中去除上述至少一个突变园区设备决策变量信息集，得到去除后的突变园区设备决策变量信息集组。
第二步，确定上述去除后的突变园区设备决策变量信息集组对应的候选园区设备决策变量信息集组。
第三步，将候选园区设备决策变量信息集组添加至第二园区设备决策变量信息集种群，得到添加后第二园区设备决策变量信息集种群。
第四步，从上述第一园区设备决策变量信息集种群中去除与候选园区设备决策变量信息集组中相同的候选园区设备决策变量信息集，得到去除后第一园区设备决策变量信息集种群。
第五步，将上述至少一个突变园区设备决策变量信息集添加至上述去除后第一园区设备决策变量信息集种群，得到添加后第一园区设备决策变量信息集种群。
在一些实施例的一些可选的实现方式中，在步骤102之后，步骤还包括：
第一步，响应于确定上述生成步骤的执行次数小于或等于预定数目，将添加后第一园区设备决策变量信息集种群作为第一园区设备决策变量信息集种群，以及将添加后第二园区设备决策变量信息集种群作为第二园区设备决策变量信息集种群，以及继续执行上述生成步骤。例如，预定数目是10。
第二步，响应于确定上述生成步骤的执行次数大于上述预定数目，获取上述目标数据库中所存储的多个设备决策变量信息集，上述多个设备决策变量信息集包括以下至少一项：多个突变园区设备决策变量信息集，多个园区设备决策变量信息集。
第三步，从上述多个突变园区设备决策变量信息集中筛选出决策效果信息对应调取效果满足目标效果条件的突变园区设备决策变量信息集，作为目标突变园区设备决策变量信息集。其中，目标效果条件可以是突变园区设备决策变量信息集为效果最好的信息集。
第四步，将上述目标突变园区设备决策变量信息集对应各个突变园区设备决策变量信息代入至园区设备综合优化目标集，得到各个园区设备综合优化目标信息。其中，园区设备综合优化目标集可以包括：园区综合能源运行成本最低目标、园区综合能源环境污染代价最小目标和园区综合能源线路损耗最小目标。
第五步，根据上述各个园区设备综合优化目标信息，对各个园区设备进行设备调整处理。
作为示例，上述执行主体可以根据各个园区设备综合优化目标信息，确定对应的设备参数。然后，根据对应的设备参数，对各个园区设备进行设备参数调整处理。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息存储方法，可以精准、高效地从各个变量初始化后的园区设备决策变量信息集中筛选出高质量的园区设备决策变量信息集，以实现园区中的各个设备的高效率调度。具体来说，造成相关的各个设备不能有效进行调度的原因在于：人为经验设置常常存在不够精准的问题，导致不能精准地确定出设备对应的各个参数，导致不能实现针对园区中的各个设备的有效调度。基于此，本公开的一些实施例的信息存储方法，首先，对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群。在这里，通过对园区设备决策变量集进行变量初始化，可以确定针对园区设备决策变量集中的各个园区设备决策变量的各种取值，以便于后续通过生成步骤来多样化、多角度地确定更为精准的园区设备决策变量信息集。然后，对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：第一步，从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集，以作为数据基础，来生成后续的突变园区设备决策变量信息。第二步，根据至少一个候选园区设备决策变量信息集，可以精准地生成突变园区设备决策变量信息集组。在这里，通过生成突变园区设备决策变量信息集组，可以多样化地生成各个园区设备决策变量对应的各种组合，使得后续所得到的各个园区设备决策变量对应的变量信息更为精准。第三步，生成针对突变园区设备决策变量信息集组的决策效果信息组。在这里，通过决策效果信息，可以有效地评估突变园区设备决策变量信息集的变量信息精准效果。第四步，根据决策效果信息组，可以明确地确定是否对突变园区设备决策变量信息集组进行信息存储。第五步，响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库，以便于后续确定出园区设备决策变量集对应的可用变量信息集。综上，通过生成突变园区设备决策变量信息集组，可以更多样化地确定出园区设备决策变量集中的各个园区设备决策变量的多种组合取值，以后续生成更为精准的、针对园区设备决策变量集的变量信息集。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种信息存储装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该信息存储装置具体可以应用于各种电子设备中。
如图2所示，一种信息存储装置200包括：变量初始化单元201和执行单元202。其中，变量初始化单元201，被配置成对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；执行单元202，被配置成对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组；生成针对突变园区设备决策变量信息集组的决策效果信息组；根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储；响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
可以理解的是，该信息存储装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于信息存储装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，电子设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；根据至少一个候选园区设备决策变量信息集，生成突变园区设备决策变量信息集组；生成针对突变园区设备决策变量信息集组的决策效果信息组；根据决策效果信息组，确定是否对突变园区设备决策变量信息集组进行信息存储；响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括变量初始化单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，变量初始化单元还可以被描述为“对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种信息存储方法，包括：
对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；
对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：
从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；
根据所述至少一个候选园区设备决策变量信息集，生成初始突变园区设备决策变量信息集；
将所述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集与所述初始突变园区设备决策变量信息集进行变量信息融合，以生成融合园区设备决策变量信息集，得到至少一个融合园区设备决策变量信息集；
将所述至少一个融合园区设备决策变量信息集，确定为突变园区设备决策变量信息集组；
获取所述园区设备决策变量集对应的园区设备拓扑关系信息和园区设备信息；
对于所述突变园区设备决策变量信息集组中的每个突变园区设备决策变量信息集，将所述突变园区设备决策变量信息集、所述园区设备拓扑关系信息和所述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第一园区调度信息，作为决策效果信息；
对于所述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集，将所述候选园区设备决策变量信息集、所述园区设备拓扑关系信息和所述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第二园区调度信息；
对于决策效果信息组中的每个决策效果信息，执行以下确定步骤：
确定所述决策效果信息对应的突变园区设备决策变量信息集，作为目标突变园区设备决策变量信息集；
确定所述目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集，作为目标园区设备决策变量信息集；
确定所述目标园区设备决策变量信息集对应的第二园区调度信息，作为目标园区调取信息；
响应于确定所述目标园区调取信息对应的调取效果强于所述决策效果信息对应的调取效果，生成表征不对所述目标突变园区设备决策变量信息集进行信息存储的存储信息，以及将目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集存储至目标数据库；
响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
2.根据权利要求1所述的方法，其中，在所述响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库之后，所述方法还包括：
从所述突变园区设备决策变量信息集组中去除所述至少一个突变园区设备决策变量信息集，得到去除后的突变园区设备决策变量信息集组；
确定所述去除后的突变园区设备决策变量信息集组对应的候选园区设备决策变量信息集组；
将候选园区设备决策变量信息集组添加至第二园区设备决策变量信息集种群，得到添加后第二园区设备决策变量信息集种群；
从所述第一园区设备决策变量信息集种群中去除与候选园区设备决策变量信息集组中相同的候选园区设备决策变量信息集，得到去除后第一园区设备决策变量信息集种群；
将所述至少一个突变园区设备决策变量信息集添加至所述去除后第一园区设备决策变量信息集种群，得到添加后第一园区设备决策变量信息集种群。
3.根据权利要求2所述的方法，其中，所述方法还包括：
响应于确定所述生成步骤的执行次数小于或等于预定数目，将添加后第一园区设备决策变量信息集种群作为第一园区设备决策变量信息集种群，以及将添加后第二园区设备决策变量信息集种群作为第二园区设备决策变量信息集种群，以及继续执行所述生成步骤；
响应于确定所述生成步骤的执行次数大于所述预定数目，获取所述目标数据库中所存储的多个设备决策变量信息集，所述多个设备决策变量信息集包括以下至少一项：多个突变园区设备决策变量信息集，多个园区设备决策变量信息集；
从所述多个突变园区设备决策变量信息集中筛选出决策效果信息对应调取效果满足目标效果条件的突变园区设备决策变量信息集，作为目标突变园区设备决策变量信息集；
将所述目标突变园区设备决策变量信息集对应各个突变园区设备决策变量信息代入至园区设备综合优化目标集，得到各个园区设备综合优化目标信息；
根据所述各个园区设备综合优化目标信息，对各个园区设备进行设备调整处理。
4.一种信息存储装置，包括：
变量初始化单元，被配置成对园区设备决策变量集进行变量初始化，得到第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群；
执行单元，被配置成对于第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群，执行以下生成步骤：从第一园区设备决策变量信息集种群和第二园区设备决策变量信息集种群中抽取目标数目个园区设备决策变量信息集，作为候选园区设备决策变量信息集，得到至少一个候选园区设备决策变量信息集；根据所述至少一个候选园区设备决策变量信息集，生成初始突变园区设备决策变量信息集；将所述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集与所述初始突变园区设备决策变量信息集进行变量信息融合，以生成融合园区设备决策变量信息集，得到至少一个融合园区设备决策变量信息集；将所述至少一个融合园区设备决策变量信息集，确定为突变园区设备决策变量信息集组；获取所述园区设备决策变量集对应的园区设备拓扑关系信息和园区设备信息；对于所述突变园区设备决策变量信息集组中的每个突变园区设备决策变量信息集，将所述突变园区设备决策变量信息集、所述园区设备拓扑关系信息和所述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第一园区调度信息，作为决策效果信息；对于所述至少一个候选园区设备决策变量信息集中的每个候选园区设备决策变量信息集，将所述候选园区设备决策变量信息集、所述园区设备拓扑关系信息和所述园区设备信息输入至预先训练的园区调度信息生成模型，以生成第二园区调度信息；对于决策效果信息组中的每个决策效果信息，执行以下确定步骤：确定所述决策效果信息对应的突变园区设备决策变量信息集，作为目标突变园区设备决策变量信息集；确定所述目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集，作为目标园区设备决策变量信息集；确定所述目标园区设备决策变量信息集对应的第二园区调度信息，作为目标园区调取信息；响应于确定所述目标园区调取信息对应的调取效果强于所述决策效果信息对应的调取效果，生成表征不对所述目标突变园区设备决策变量信息集进行信息存储的存储信息，以及将目标突变园区设备决策变量信息集对应的候选园区设备决策变量信息集存储至目标数据库；响应于确定对突变园区设备决策变量信息集组中的至少一个突变园区设备决策变量信息集进行存储，将至少一个突变园区设备决策变量信息集存储至目标数据库。
5.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076668.XA CN116821427B (zh) | 2023-08-25 | 2023-08-25 | 信息存储方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076668.XA CN116821427B (zh) | 2023-08-25 | 2023-08-25 | 信息存储方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821427A CN116821427A (zh) | 2023-09-29 |
| CN116821427B true CN116821427B (zh) | 2024-01-12 |
Family
ID=88113014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311076668.XA Active CN116821427B (zh) | 2023-08-25 | 2023-08-25 | 信息存储方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821427B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378456A (zh) * | 2021-05-21 | 2021-09-10 | 青海大学 | 多园区综合能源调度方法和系统 |
| CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
| WO2022145681A1 (ko) * | 2020-12-29 | 2022-07-07 | 한국전자기술연구원 | 물리 및 데이터 혼합 모델 기반 풍력발전단지 하루 전 발전량 예측 방법 및 시스템 |
| CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源系统调度评价方法 |
-
2023
- 2023-08-25 CN CN202311076668.XA patent/CN116821427B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022145681A1 (ko) * | 2020-12-29 | 2022-07-07 | 한국전자기술연구원 | 물리 및 데이터 혼합 모델 기반 풍력발전단지 하루 전 발전량 예측 방법 및 시스템 |
| CN113378456A (zh) * | 2021-05-21 | 2021-09-10 | 青海大学 | 多园区综合能源调度方法和系统 |
| CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
| CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源系统调度评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821427A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Multi-objective artificial bee colony algorithm for short-term scheduling of hydrothermal system | |
| Hamedi | Solving the combined economic load and emission dispatch problems using new heuristic algorithm | |
| Rahmani‐Andebili | Dynamic and adaptive reconfiguration of electrical distribution system including renewables applying stochastic model predictive control | |
| Platbrood et al. | A generic approach for solving nonlinear-discrete security-constrained optimal power flow problems in large-scale systems | |
| US11669085B2 (en) | Method and system for determining system settings for an industrial system | |
| Chen et al. | Impulsive observer‐based stabilisation of uncertain linear systems | |
| Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
| Zhang et al. | Solution of reactive power optimisation including interval uncertainty using genetic algorithm | |
| US20200050924A1 (en) | Data Processing Method and Apparatus for Neural Network | |
| Rahmani et al. | Non‐deterministic optimal power flow considering the uncertainties of wind power and load demand by multi‐objective information gap decision theory and directed search domain method | |
| Daqaq et al. | A novel chaotic flower pollination algorithm for function optimization and constrained optimal power flow considering renewable energy sources | |
| CN117977586A (zh) | 基于三维数字孪生模型的停电预警方法、装置和电子设备 | |
| CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
| CN116821427B (zh) | 信息存储方法、装置、电子设备和计算机可读介质 | |
| CN116882597A (zh) | 虚拟电厂控制方法、装置、电子设备和可读介质 | |
| CN110852414B (zh) | 高精度低位卷积神经网络 | |
| CN115081940B (zh) | 资源调度方法、电力资源分配方法以及装置 | |
| CN117114776A (zh) | 一种面向省间日前现货交易的量价申报方法 | |
| CN111930670B (zh) | 异构智能处理量化装置、量化方法、电子设备及存储介质 | |
| Barreiro‐Gomez et al. | Evolutionary‐games approach for distributed predictive control involving resource allocation | |
| CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
| CN114611610A (zh) | 一种视频流行度预测方法、装置、设备和介质 | |
| CN110768294B (zh) | 一种分布式电源随机调度方法和装置 | |
| CN112989558A (zh) | 基于多目标优化的电力业务质量匹配优化方法及相关设备 | |
| CN113449968A (zh) | 一种基于深度学习的新能源电网频率风险评估方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |