CN116911577B - 综合能源调度方法、装置、电子设备和计算机可读介质 - Google Patents
综合能源调度方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116911577B CN116911577B CN202311175623.8A CN202311175623A CN116911577B CN 116911577 B CN116911577 B CN 116911577B CN 202311175623 A CN202311175623 A CN 202311175623A CN 116911577 B CN116911577 B CN 116911577B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- energy
- parameter information
- information
- optimized
- 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 60
- 238000005457 optimization Methods 0.000 claims abstract description 146
- 230000007613 environmental effect Effects 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012806 monitoring device Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 18
- 239000003570 air Substances 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 9
- 239000012080 ambient air Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005338 heat storage Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例公开了综合能源调度方法、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:控制与能源调度设备相关联的环境监测装置,对能源调度设备的周围环境进行监测,得到环境参数信息;将环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息;根据能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件;根据各个调度优化约束条件和各个目标优化方程,生成能源调度信息;根据能源调度信息,对电力能源和热力能源进行调度。该实施方式可以提高能源调度信息的准确性,从而减少调度过程中能源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及综合能源调度方法、装置、电子设备和计算机可读介质。
背景技术
能源负荷预测,是指通过历史数据对未来一段时间内的能源消耗量进行预测和估计,为后续的能源调度提供便利。目前,在进行能源调度时,通常采用的方式为:通过历史能源负荷数据人为训练能源负荷预测模型,并根据能源负荷预测模型所生成的预测结果直接进行能源调度或建立相关优化约束条件和目标优化方程对预测结果进行人工优化后进行能源调度。
然而,发明人发现,当采用上述方式进行能源调度时,经常会存在如下技术问题:
第一,通过能源负荷预测模型所生成的预测结果直接进行能源调度,未考虑能源系统中的实际负荷数据(例如能源中断率),从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。
第二,在能源负荷预测模型的训练过程中,人为调整模型超参数存在较大局限性,使得能源负荷预测模型性能降低,从而降低能源负荷预测信息准确度,使调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。
第三,直接通过优化约束条件和目标优化方程对预测结果进行优化通常会陷入局部最优,降低优化效果,从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。
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综合能源调度方法、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综合能源调度方法,该方法包括:控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息,其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签;将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件;根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息;根据上述能源调度信息,对电力能源和热力能源进行调度,其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。
第二方面,本公开的一些实施例提供了一种综合能源调度装置,装置包括:监测单元,被配置成控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息,其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签;输入单元,被配置成将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;确定单元,被配置成根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件;生成单元,被配置成根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息;调度单元,被配置成根据上述能源调度信息,对电力能源和热力能源进行调度,其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。
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上述第一方面任一实现方式所描述的方法。
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上述第一方面任一实现方式所描述的方法。
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综合能源调度方法得到的可以提高能源调度信息准确性,从而减少调度过程中能源的浪费。具体来说,造成调度过程中能源的浪费的原因在于:通过能源负荷预测模型所生成的预测结果直接进行能源调度,未考虑能源系统中的实际负荷数据(例如能源中断率),从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。基于此,本公开的一些实施例的综合能源调度方法,首先,控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息。其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签。由此,可以得到上述能源调度设备的周围环境的环境参数信息。然后,将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息。其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型。由此,可以得到能源负荷预测信息。之后,根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件。由此,可以通过建立包含能源系统中实际负荷参数的各个目标优化方程、各个调度优化约束条件,以对能源负荷预测信息进行约束。其次,根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息。由此,可以得到优化后所生成的能源调度信息。最后,根据上述能源调度信息,对电力能源和热力能源进行调度。其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。也因为有包含能源系统中实际负荷参数的各个目标优化方程和各个调度优化约束条件可以对能源负荷预测信息进行优化和约束,从而可以使得生成的能源调度信息具有较高的准确性,以减少能源再调度的发生频率,进而减少多次能源调度过程中的能源浪费。
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是根据本公开的综合能源调度方法的一些实施例的流程图;
图2是根据本公开的综合能源调度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。
图1示出了根据本公开的综合能源调度方法的一些实施例的流程100。该综合能源调度方法,包括以下步骤:
步骤101,控制与能源调度设备相关联的环境监测装置,对能源调度设备的周围环境进行监测,得到环境参数信息。
在一些实施例中,综合能源调度方法的执行主体(例如计算设备)可以控制与能源调度设备相关联的环境监测装置,对能源调度设备的周围环境进行监测,得到环境参数信息。其中,上述环境参数信息包括环境温度信息和环境空气湿度。上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签。上述能源调度设备可以包括电力能源调度设备和热力能源调度设备。上述电力能源调度设备可以包括但不限于配电器、发电机组和电力调度机。上述热力能源调度设备可以包括但不限于热力站、热交换器。上述与能源调度设备相关联的环境监测装置可以包括温度传感器和湿度传感器。上述环境温度信息可以为表征在对能源调度设备的周围环境进行监测过程中各个时段的时段平均温度的信息。例如,上述环境温度信息可以为(0-8时:23℃,9-16时:36℃,17-24时:21℃)。上述环境空气湿度可以为在对能源调度设备的周围环境进行监测过程中的周围环境空气湿度的平均值。上述温度标签可以为用于表征温度状况的文本标签。上述温度标签可以是上述执行主体根据各个预设温度阈值所标记的。例如,上述各个温度阈值可以分别为40℃、32℃、24℃、10℃和0℃,对应的温度标签可以包括但不限于“超高温”、“高温”、“常温”、“较低温”、“低温”和“超低温”。实践中,首先,上述执行主体可以确定上述环境温度信息包括的各个时段平均温度中的时段平均温度最大值。然后,上述执行主体可以通过上述时段平均温度最大值和上述各个预设温度阈值,为上述环境温度信息标记对应的温度标签。例如,上述环境温度信息可以为(0-8时:23℃,9-16时:36℃,17-24时:21℃),时段平均温度最大值为36℃,则上述环境温度信息对应的温度标签可以为“高温”。上述日类型标签可以为表征对上述能源调度设备的周围环境进行监测当天的日期类型的文本标签。例如,上述日类型标签可以为“工作日”或“节假日”。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,根据实现需要,可以具有任意数目的计算设备。
步骤102,将环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息。
在一些实施例中,上述执行主体可以将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息。其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型。上述综合能源负荷预测模型可以为用于预测综合能源负荷的回归模型。上述电力负荷预测模型可以是以上述环境参数信息为输入,以电力负荷预测信息为输出的神经网络模型。例如,上述电力负荷预测模型可以为循环神经网络模型或长短期记忆神经网络。上述热力负荷预测模型可以是以上述环境参数信息为输入,以热力负荷预测信息为输出的神经网络模型。上述电力负荷预测模型和热力负荷预测模型可以具有相同的网络结构,且训练方式相同。上述能源负荷预测信息可以包括电力负荷预测信息和热力负荷预测信息。上述电力负荷预测信息可以表征与上述环境温度信息所对应的各个时段的时段内平均电力负荷。例如,输入上述电力负荷预测模型的环境参数信息包括的环境温度信息可以为(0-8时:23℃,9-16时:32℃,17-24时:21℃),上述电力负荷预测模型输出的电力负荷预测信息可以为(0-8时:800,9-16时:1500,17-24时:1000)。上述电力负荷预测信息对应有预设电功率单位。上述电力负荷预测信息的预设电功率单位可以为“kW”。上述热力负荷预测信息可以表征与上述环境温度信息所对应的各个时段的时段内平均热力负荷。上述热力负荷预测信息对应的预设热功率单位可以为“kW”。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息:
第一步,将上述环境参数信息输入至上述电力负荷预测模型,得到电力负荷预测信息。
第二步,将上述环境参数信息输入至上述热力负荷预测模型,得到热力负荷预测信息。
第三步,将上述电力负荷预测信息和上述热力负荷预测信息确定为能源负荷预测信息。由此,可以通过上述综合能源负荷预测模型预测能源系统各个时段的综合能源负荷,得到能源负荷预测信息。
可选地,上述电力负荷预测模型可以是通过以下步骤训练得到的:
第一步,获取历史电力负荷数据集合和历史环境参数信息集合。其中,上述历史电力负荷数据集合中的历史电力负荷数据对应上述历史环境参数信息集合中的历史环境参数信息。上述历史环境参数信息集合中的每个历史环境参数信息可以为对上述能源调度设备的周围环境进行监测之前的某一天的环境参数信息。上述历史环境参数信息可以各包括历史环境温度信息、历史环境空气湿度、历史温度标签和历史日类型标签。上述历史电力负荷数据集合中的历史电力负荷数据可以表征对应的历史环境参数信息所表征的某一天中各个时段的时段内平均电力负荷数据。例如,对上述能源调度设备的周围环境进行监测的当前日期为2023-9-1,则对应的历史环境参数信息集合中的一个历史环境参数信息可以为2023-8-30对上述能源调度设备的环境进行检测后得到的环境参数信息,则与上述一个历史环境参数信息对应的历史电力负荷数据可以表征2023-8-30当天内与上述历史环境参数信息包括的历史环境温度信息对应的各个时段的时段内平均电力负荷。
第二步,获取超参数范围信息。其中,上述超参数范围信息包括批尺寸范围信息、学习率范围信息、隐藏层层数范围信息、隐藏层节点数范围信息。上述超参数范围信息可以表征各个超参数的取值范围。例如,上述批尺寸范围信息可以为[5,25],表征在上述电力负荷预测模型的训练过程中批尺寸的取值范围可以从5到25。上述学习率范围信息可以表征上述电力负荷预测模型的学习率的取值范围。上述隐藏层层数范围信息可以表征上述电力负荷预测模型中隐藏层层数的取值范围。上述隐藏层节点数范围信息可以表征上述电力负荷预测模型中每个隐藏层的层节点数的取值范围。
第三步,根据上述超参数范围信息,确定模型超参数。实践中,上述执行主体可以从上述超参数范围信息表征的各个超参数对应的取值范围中随机确定批尺寸、学习率、隐藏层层数和隐藏层节点数的取值。
第四步,对上述历史电力负荷数据集合中的各个历史电力负荷数据进行数据预处理,得到样本电力负荷数据集。上述样本电力负荷数据集中的样本电力负荷数据可以为经过上述数据预处理后的历史电力负荷数据。
第五步,根据上述样本电力负荷数据集,对上述环境参数信息集合进行特征选择处理,得到样本环境参数信息集。实践中,首先,上述执行主体可以通过深度学习框架中的相关库函数(例如,Scikit-learn库中的feature_selection方法)对上述环境参数信息包括的历史环境温度信息、历史环境空气湿度、历史温度标签和历史日类型标签进行特征重要性排序,得到特征重要性序列。然后,上述执行主体可以通过上述特征重要性序列,从上述环境参数信息包括的历史环境温度信息、历史环境空气湿度、历史温度标签和历史日类型标中选取预设数量的特征作为目标特征。最后,上述执行主体可以对上述历史环境参数信息中每个历史环境参数信息进行相同的特征选择处理,得到样本环境参数信息集。例如,上述执行主体得到上述特征重要性序列可以为(历史环境温度信息:0.863,历史环境空气湿度:0.687,历史温度标签:0.421,历史日类型标签:0.112),则上述执行主体通过上述特征重要性序列所选择的目标特征可以为历史环境温度信息和历史环境空气湿度。上述执行主体可以将上述历史环境参数信息集合中的每个历史环境参数信息包括的历史环境温度信息和历史环境空气湿度确定为样本环境参数信息,得到样本环境参数信息集。
第六步,根据上述模型超参数和上述样本环境参数信息集,确定目标模型超参数。其中,上述目标模型超参数包括模型批尺寸、模型学习率、模型隐藏层层数和模型隐藏层节点数。上述目标模型超参数可以为用于对初始电力负荷预测模型进行模型训练的超参数。
第七步,根据上述目标模型超参数,对初始电力负荷预测模型进行调整。实践中,上述执行主体可以通过上述目标模型超参数包括的模型隐藏层层数和模型隐藏层节点数调整上述初始电力负荷预测模型的网络结构。
第八步,基于样本环境参数信息集,执行以下模型训练步骤:
第一子步骤,将上述模型批尺寸的各个样本环境参数信息输入至初始电力负荷预测模型,得到与输入的各个样本环境参数信息中的每个样本环境参数信息对应的预测电力负荷数据。上初始电力负荷预测模型可以为未经过训练的循环神经网络或未经训练的长短期记忆网络。
第二子步骤,根据预设损失函数、所得到的各个预测电力负荷数据和与所输入的各个样本环境参数信息对应的各个样本电力负荷数据,确定模型损失函数值。上述预设损失函数可以为均方差损失函数。实践中,上述执行主体可以将所得到的各个预测电力负荷数据中的每个预测电力负荷数据和对应的样本电力负荷数据代入上述预设损失函数,得到模型损失函数值。
第三子步骤,根据所确定的模型损失函数值,确定初始电力负荷预测模型是否达到预设优化目标。上述预设优化目标可以为上述模型损失函数值小于等于预设损失函数阈值。
第四子步骤,响应于确定初始电力负荷预测模型达到上述预设优化目标,将初始电力负荷预测模型确定为电力负荷预测模型。
第五子步骤,响应于确定初始电力负荷预测模型未达到上述预设优化目标,调整初始电力负荷预测模型的模型参数,以及使用未用过的样本环境参数信息组成样本环境参数信息集,使用调整后的初始电力负荷预测模型作为初始电力负荷预测模型,再次执行上述模型训练步骤。实践中,上述执行主体可以通过反向传播算法和梯度下降算法调整上述初始电力负荷预测模型的模型参数。
可选地,可以通过以下步骤对上述历史电力负荷数据集合中的各个历史电力负荷数据进行数据预处理,得到样本电力负荷数据集:
第一步,对于上述历史电力负荷数据集合中的每个历史电力负荷数据,执行以下步骤:
第一子步骤,响应于确定上述历史电力负荷数据异常,对上述历史电力负荷数据进行异常数据处理,以更新上述历史电力负荷数据。实践中,可以通过确定上述历史电力负荷数据是否存在缺失值,以确定上述历史电力负荷数据是否异常。例如,上述历史电力负荷数据的部分数据可以为(8时:823,9时:XX,10时:1000),上述“XX”可以为空值,则可以确定上述历史电力负荷数据异常。上述异常数据处理可以为插值处理。上述插值处理可以为三次样条插值处理。
第二子步骤,响应于确定上述历史电力负荷数据正常,对上述历史电力负荷数据进行滤波处理,以更新上述历史电力负荷数据。实践中,上述滤波处理可以为滑窗滤波处理。
第二步,将所更新的各个历史电力负荷数据确定为各个样本电力负荷数据,得到样本电力负荷数据集。
可选地,可以通过以下步骤根据上述模型超参数和上述样本环境参数信息集,确定目标模型超参数:
第一步,基于模型超参数和样本环境参数信息集,执行以下超参数优化步骤:
第一子步骤,根据模型超参数,对初始电力负荷预测模型进行调整。实践中,可以用过上述模型超参数包括的隐藏层层数和隐藏层节点数调整上述初始电力负荷预测模型的网络结构。
第二子步骤,将模型超参数包括的批尺寸的各个样本环境参数信息输入至调整后的初始电力负荷预测模型,得到与输入的各个样本环境参数信息中的每个样本环境参数信息对应的验证电力负荷数据。
第三子步骤,根据预设损失函数、所得到的各个验证电力负荷数据和与输入的各个样本环境参数信息对应的各个样本电力负荷数据,确定损失函数值。上述预设损失函数可以为均方差损失函数。实践中,上述执行主体可以将所得到的各个验证电力负荷数据中的每个验证电力负荷数据和对应的样本电力负荷数据代入上述预设损失函数,得到损失函数值。
第四子步骤,根据所确定的损失函数值,对模型超参数进行优化,得到优化后模型超参数。实践中,可以通过粒子群优化算法对模型超参数进行更新。上述粒子群优化算法的目标函数可以为上述预设损失函数。
第五子步骤,响应于确定上述超参数优化步骤的执行次数小于等于预设执行次数,使用未用过的样本环境参数信息组成样本环境参数信息集,以及使用优化后模型超参数作为模型超参数,再次执行上述超参数优化步骤。
第二步,从所确定的各个损失函数值中选择满足预设值条件的损失函数值作为目标损失函数值。上述预设值条件为上述目标损失函数值对应的损失函数值在所确定的各个损失函数值中最小。
第三步,将与上述目标损失函数值对应的优化后模型超参数确定为目标模型超参数。由此,可以通过对模型超参数进行优化,提高上述电力负荷预测模型的模型性能。
上述第一步至第三步作为本公开的实施例的一个发明点,结合步骤102和步骤105解决了背景技术提及的技术问题二“在能源负荷预测模型的训练过程中,人为调整模型超参数存在较大局限性,使得能源负荷预测模型性能降低,从而降低能源负荷预测信息准确率,使调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费”。导致能源浪费的因素往往如下:在能源负荷预测模型的训练过程中,人为调整模型超参数存在较大局限性,使得能源负荷预测模型性能降低,从而降低能源负荷预测信息准确率,使调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。为了达到这一效果,本公开采用了模型超参数优化的方式。首先,基于模型超参数和样本环境参数信息集,执行以下超参数优化步骤:第一步,根据模型超参数,对初始电力负荷预测模型进行调整。由此,可以按照模型超参数对上述初始电力负荷预测模型的网络结构进行调整。第二步,将模型超参数包括的批尺寸的各个样本环境参数信息输入至调整后的初始电力负荷预测模型,得到与输入的各个样本环境参数信息中的每个样本环境参数信息对应的验证电力负荷数据。第三步,根据预设损失函数、所得到的各个验证电力负荷数据和与输入的各个样本环境参数信息对应的各个样本电力负荷数据,确定损失函数值。由此,可以得到在当前模型超参数下上述初始电力负荷预测模型的损失函数值,以表征上述初始电力负荷预测模型当前的模型性能。第四步,根据所确定的损失函数值,对模型超参数进行优化,得到优化后模型超参数。由此,可以对上述模型超参数进行优化。第五步,响应于确定上述超参数优化步骤的执行次数小于等于预设执行次数,使用未用过的样本环境参数信息组成样本环境参数信息集,以及使用优化后模型超参数作为模型超参数,再次执行上述超参数优化步骤。由此,可以通过预设执行次数的迭代不断更新优化上述模型超参数。然后,从所确定的各个损失函数值中选择满足预设值条件的损失函数值作为目标损失函数值。由此,可以从所确定的各个损失函数值中选择值最小的损失函数值作为目标损失函数值。最后,将与上述目标损失函数值对应的优化后模型超参数确定为目标模型超参数。由此,可以通过对模型超参数的优化提高上述电力负荷预测模型的性能,结合步骤102可以提高生成的能源负荷预测信息的准确性。从而可以使得生成的能源调度信息具有较高的准确性,可以减少执行步骤105时能源在调度过程中的中断频率,从而降低能源再调度的发生频率,进而减少能源调度过程中的能源浪费。
步骤103,根据能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件。
在一些实施例中,上述执行主体可以根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件。上述目标优化方程可以为用于生成能源调度信息的方程。上述各个调度优化约束条件可以为用于对上述能源负荷预测信息进行约束的条件。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件:
第一步,获取待优化调度参数集合。其中,上述待优化调度参数集合中的待优化调度参数对应有参数范围信息。其中,上述待优化调度参数集合中的各个待优化调度参数可以为上述各个目标优化方程和各个调度优化约束条件中的需要求解的参数。上述与待优化调度参数对应的参数范围信息可以表征对应的待优化调度参数的取值范围。
第二步,根据上述能源负荷预测信息,确定各个时段能源负荷预测信息。实践中,上述执行主体可以将上述能源负荷预测信息包括的电力负荷预测信息和热力负荷预测信息中表征相同时间段的各个负荷预测数据确定为时段能源负荷预测信息。例如,上述电力负荷预测信息为可以为(0-8时:800,9-16时:1500,17-24时:1000),上述热力负荷预测信息可以为(0-8时:900,9-16时:1200,17-24时:890),则生成时段能源负荷预测信息可以包括(时段:0-8,电力负荷:800,热力负荷:900)、(时段:9-16,电力负荷:1500,热力负荷:1200)和(时段:17-24,电力负荷:1000,热力负荷:890)。
第三步,对于上述各个时段能源负荷预测信息中的每个时段能源负荷预测信息,执行以下约束确定步骤:
第一子步骤,根据上述待优化调度参数集合和上述时段能源负荷预测信息,确定电功率平衡约束条件。上述电功率平衡约束条件可以为从电负荷供求平衡的角度对上述时段能源负荷预测信息包括的电力负荷预测数据进行约束的条件。
上述电功率平衡约束条件可以为:
。
上述可以为/>时段内能源系统中各个设备的外部电能总输入电功率,上述可以为/>时段内上述能源系统中各个设备的总输出电功率,上述/>可以为/>时段内上述能源系统中各个设备的总输入电功率,/>可以为/>时段对应的时段能源负荷预测信息包括的电力负荷预测数据。
第二子步骤,根据上述待优化调度参数集合和上述时段能源负荷预测信息,确定热功率平衡约束条件。上述热功率平衡约束条件可以为从热负荷供求平衡的角度对上述时段能源负荷预测信息中的热力负荷预测数据进行约束的条件。
上述电功率平衡约束条件可以为:。
上述可以为/>时段内上述能源系统中各个设备的总输出热功率,上述/>可以为/>时段内上述能源系统中各个设备的总输入热功率,/>可以为上述/>时段对应的时段能源负荷预测信息中的热力负荷预测数据。
第三子步骤,将上述电功率平衡约束条件和上述热功率平衡约束条件确定为调度优化约束条件。
第四子步骤,根据上述待优化调度参数集合,确定对应上述调度优化约束条件的目标优化方程。上述目标优化饭方程可以为用于确定上述调度优化约束条件对应的时间段内能源供应中断率的方程。
上述目标优化方程可以包括:
。
上述目标优化方程中可以为/>时段内上述能源系统的平均能源供应中断率。上述/>可以为/>时段内上述能源系统的供热中断率。上述/>可以为/>时段内上述能源系统的供电中断率。上述/>可以为/>时段内上述能源系统中热能转换设备输出的热功率。上述/>可以为/>时段内上述能源系统中可控热力负荷改变后的热负荷需求。上述可以为/>时段内上述能源系统中蓄热设备放热时的热功率。上述/>可以为/>时段内上述能源系统中蓄热设备蓄热时的热功率。上述/>可以为/>时段内上述能源系统中新能源转换设备输出的电功率。上述/>可以为/>时段内上述能源系统中可控电力负荷改变后的电负荷需求。上述/>可以为/>时段内上述能源系统中蓄电设备放电时的电功率。上述可以为/>时段内上述能源系统中蓄电设备蓄电时的电功率。需要说明的是,上述/>可以包括/>、/>和/>。上述/>可以包括/>、/>和/>。
步骤104,根据各个调度优化约束条件和各个目标优化方程,生成能源调度信息。
在一些实施例中,上述执行主体可以根据各个调度优化约束条件和各个目标优化方程,生成能源调度信息。上述能源调度信息可以为用于进行能源调度的信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤根据各个调度优化约束条件和各个目标优化方程,生成能源调度信息:
第一步,对于上述各个目标优化方程中的每个目标优化方程,执行以下步骤:
第一子步骤,根据对应上述目标优化方程的调度优化约束条件、待优化调度参数集合,生成待优化调度参数信息组集合。上述待优化调度参数信息组集合中的待优化调度参数信息组可以为满足上述目标优化方程和对应的调度优化约束条件的一组解,可以表征在一个时间段内对能源的一种调度方案。实践中,对于上述待优化调度参数集合中的各个待优化调度参数,上述执行主体可以在上述各个待优化调度参数对应的各个参数范围信息所表征的各个取值范围内,随机生成满足上述目标优化方程和对应的调度优化约束条件的各个待优化调度参数信息组,得到待优化调度参数信息组集合。例如,上述时段能源负荷预测信息可以为(时段:0-8,电力负荷预测信息:800,热力负荷预测信息:900)。上述执行主体随机生成的一个优化调度参数信息组可以为【时段:0-8,(各个设备的外部电能总输入功率:800,各个设备的总输出电功率:600,各个设备的总输入电功率:600,电力负荷预测数据:800),(各个设备的总输出热功率:1500,各个设备的总输入热功率:600,热力负荷预测数据:900),(热能转换设备输出的热功率:700,可控热力负荷改变后的热负荷需求:500,蓄热设备放热时的热功率:300,蓄热设备蓄热时的热功率:200),(新能源转换设备输出的电功率:250,可控电负荷改变后的电负荷需求:100,蓄电设备放电时的电功率:250,蓄电设备蓄电时的电功率:120)】。
第二子步骤,基于待优化调度参数信息组集合,执行以下迭代更新步骤:
子步骤一,对于待优化调度参数信息组集合中的每个待优化参数信息组,执行以下确定步骤:
子步骤一,根据待优化调度参数信息组,确定初始能源调度信息。上述初始能源调度信息可以包括供电中断率和供热中断率。上述供电中断率可以表征上述能源系统在一个时间内供电中断的频率。上述供热中断率可以表征上述能源系统在一个时间内供热中断的频率。实践中,上述执行主体可以将上述待优化调度参数信息组中的各个待优化调度参数信息代入上述目标优化方程中,得到对应上述优化调度参数信息组的供电中断率和供热中断率。
子步骤二,根据初始能源调度信息,确定能源调度适应值。上述能源调度适应值可以表征对应的待优化调度参数信息组所表征能源调度方案的可靠性。通常,上述能源调度适应度的值越大,可以表征对应的待优化调度参数信息组所表征能源方案的可靠性越低,即在能源调度过程中发生供电中断或供热中断的频率越高。上述能源调度适应度的值越小,可以表征对应的待优化调度参数信息组所表征能源方案的可靠性越高,即在能源调度过程中发生供电中断或供热中断的频率越低。实践中,上述执行主体可以将上述所确定的初始能源调度信息包括的供热中断率和供电中断率的平均值确定为能源调度适应值,即上述平均能源供应中断率。
子步骤二,根据所确定的各个能源调度适应值,确定待优化调度参数信息组序列。实践中,上述执行主体可以按照上述待优化调度参数信息组集合中各个待优化调度参数信息组对应的各个能源调度适应值由小到大的顺序,确定待优化调度参数信息组序列。
子步骤三,响应于确定对上述迭代更新步骤的执行次数小于等于预设执行次数,对于待优化调度参数信息组序列中与第一待优化调度参数信息组相异的每个待优化调度参数信息组,执行以下步骤:
子步骤一,根据第一待优化调度参数信息组对应的能源调度适应值,对待优化调度参数信息组中的各个待优化调度参数信息进行更新,以对待优化调度参数信息组进行更新。其中,上述第一待优化调度参数信息组是待优化调度参数信息组序列中的第一个待优化调度参数信息组。实践中,首先,上述执行主体可以对于上述待优化调度参数信息组中的每个待优化调度参数信息执行以下更新步骤:第一,将上述第一待优化调度参数信息组中对应的待优化调度参数信息与上述待优化调度参数信息的差确定为第一目标差值。第二,将对应的历史最优调度取值与上述待优化调度参数信息之间的差确定为第二目标差值。其中,上述对应的历史最优调度取值可以为目标待优化调度参数信息组中与上述待优化调度参数信息对应的待优化调度参数信息的取值。上述目标待优化调度参数信息组可以为上述待优化调度参数信息组在上述迭代更新步骤中对应的能源调度适应值最大时的一组取值。例如,一个待优化调度参数信息组中的一个待优化调度参数信息可以为各个设备的总输入电功率,未进行更新前的取值可以为300(kW)且上述待优化调度参数信息组对应的能源调度适应值可以为0.52,一次更新后上述各个设备的总输入电功率可以为275(kW)且更新后的待优化参数信息组对应的能源调度适应值可以为0.51,则更新后的待优化参数信息组为目标待优化参数信息组,275(kW)为各个设备的总输入电功率这一待优化调度参数信息在当前一次迭代更新下的历史最优调度取值。需要说明的是,第一次执行上述更新步骤时,上述待优化调度参数信息组中各个待优化调度参数信息对应的各个历史最优调度取值均为0。第三步,上述执行主体可以将随机权重一、第一目标差值和第一学习率的乘积确定为第一目标值。第四,上述执行主体可以将随机权重二、上述第二目标差值和第二学习率的乘积确定为第二目标值。其中,上述第一学习率和第二学习率可以为两个不同的预设经验参数。上述随机权重一和上述随机权重二可以是更新过程中在(0,1)范围内随机生成的随机权重值。第五,上述执行主体可以将上述第一目标与上述第二目标值的和确定为更新增量。接着,上述执行主体可以将上述待优化调度参数信息的当前取值和上述更新增量进行相加作为上述待优化调度参数信息的更新后取值。最后,响应于确定上述待优化调度参数信息的更新后取值在上述待优化调度参数信息对应的参数范围信息所表征的取值范围以外,上述执行主体可以将上述待优化调度参数信息的更新后取值确定为上述对应的取值范围的临近边界值,以完成对上述待优化调度参数信息的更新。
子步骤二,将更新后的各个待优化调度参数信息组和第一待优化调度参数信息组确定为待优化调度参数信息组集合,并再度执行上述迭代优化步骤。
子步骤四,响应于确定对上述迭代更新步骤的执行次数大于预设执行次数,将所确定的待优化调度参数信息组序列中的第一个初始待优化调度参数信息组确定为时段调度参数信息组。
第二步,将所确定的各个时段调度参数信息组确定为能源调度信息。由此,可以得到用于在各个时间段对能源进行调度的能源调度信息。
上述相关内容作为本公开的实施例的一个发明点,结合步骤105解决了背景技术提及的技术问题三“直接通过优化约束条件和目标优化方程对预测结果进行优化通常会陷入局部最优,降低优化效果,从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费”。导致能源浪费的因素往往如下:直接通过优化约束条件和目标优化方程对预测结果进行优化通常会陷入局部最优,降低优化效果,从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。为了达到这一效果,本公开采用了对预测结果进行迭代优化的方式。首先,对于上述各个目标优化方程中的每个目标优化方程,执行以下步骤:第一步,根据对应上述目标优化方程的调度优化约束条件、待优化调度参数集合,生成待优化调度参数信息组集合。第二步,基于待优化调度参数信息组集合,执行以下迭代更新步骤:子步骤一,对于待优化调度参数信息组集合中的每个待优化参数信息组,执行以下确定步骤:根据待优化调度参数信息组,确定初始能源调度信息。根据初始能源调度信息,确定能源调度适应值。由此,可以确定待优化调度参数信息组所表征的能源调度方案的可靠性。子步骤二,根据所确定的各个能源调度适应值,确定待优化调度参数信息组序列。子步骤三,响应于确定对上述迭代更新步骤的执行次数小于等于预设执行次数,对于待优化调度参数信息组序列中与第一待优化调度参数信息组相异的每个待优化调度参数信息组,执行以下步骤:根据第一待优化调度参数信息组对应的能源调度适应值,对待优化调度参数信息组中的各个待优化调度参数信息进行更新,以对待优化调度参数信息组进行更新。其中,上述第一待优化调度参数信息组是待优化调度参数信息组序列中的第一个待优化调度参数信息组。由此,可以通过上述第一待优化调度参数信息组,使各个待优化调度参数信息组向目标方向(即低能源调度适应值)进行迭代优化。将更新后的各个待优化调度参数信息组和第一待优化调度参数信息组确定为待优化调度参数信息组集合,并再次执行上述迭代优化步骤。由此,可以实现对待优化调度参数信息的多次迭代优化。子步骤四,响应于确定对上述迭代更新步骤的执行次数大于预设执行次数,将所确定的待优化调度参数信息组序列中的第一个初始待优化调度参数信息组确定为时段调度参数信息组。由此,可以得到表征一个时段内能源调度方案的时段调度参数信息组。最后,可以将所确定的各个时段调度参数信息组确定为能源调度信息。由此,可以通过对各个待优化调度参数信息组的多次迭代更新,得到能源调度适应值较低的各个时段调度参数信息组,以提高优化效果。从而可以提高能源调度信息的准确性,结合步骤105对能源进行调度时可以减少能源供应中断的频率,从而减少能源再调度的发生频率,进而减少能源在多次调度过程中的浪费。
步骤105,根据能源调度信息,对电力能源和热力能源进行调度。
在一些实施例中,上述执行主体可以根据上述能源调度信息,对电力能源和热力能源进行调度。其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。实践中,上述执行主体可以在对应的每个时间段按照对应的时段调度参数信息组中的各个时段调度参数信息值为上述能源系统中的各个设备分配电力能源和热力能源,以完成能源调度。例如,上述能源调度信息中的一个时段调度参数信息组对应的时间段可以为8:00-9:00,上述时段调度参数信息组中包括的各个设备的总输出电功率的值可以为:600(kW),可以表征在8:00-9:00时间段内上述能源系统中各个设备消耗电量为600(kW)×1(h)=600(kW.h),即需要向上述能源系统中各个设备调度供应600千瓦时的电量。
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综合能源调度方法得到的可以提高能源调度信息准确性,从而减少调度过程中能源的浪费。具体来说,造成调度过程中能源的浪费的原因在于:通过能源负荷预测模型所生成的预测结果直接进行能源调度,未考虑能源系统中的实际负荷数据(例如能源中断率),从而导致调度的能源与实际所需能源有较大差异,需要进行多次能源再调度,进而导致能源在多次传输过程中产生损耗,造成能源浪费。基于此,本公开的一些实施例的综合能源调度方法,首先,控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息。其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签。由此,可以得到上述能源调度设备的周围环境的环境参数信息。然后,将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息。其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型。由此,可以得到能源负荷预测信息。之后,根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件。由此,可以通过建立包含能源系统中实际负荷参数的各个目标优化方程、各个调度优化约束条件,以对能源负荷预测信息进行约束。其次,根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息。由此,可以得到优化后所生成的能源调度信息。最后,根据上述能源调度信息,对电力能源和热力能源进行调度。其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。也因为有包含能源系统中实际负荷参数的各个目标优化方程和各个调度优化约束条件可以对能源负荷预测信息进行优化和约束,从而可以使得生成的能源调度信息具有较高的准确性,以减少能源再调度的发生频率,进而减少多次能源调度过程中的能源浪费。
进一步参考图2,作为对各图所示方法的实现,本公开提供了一种综合能源调度装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的综合能源调度装置200包括:监测单元201、输入单元202、确定单元203、生成单元204和调度单元205。其中,监测单元201被配置成控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息,其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签;输入单元202被配置成将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;确定单元203被配置成根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件;生成单元204被配置成根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息;调度单元205被配置成根据上述能源调度信息,对电力能源和热力能源进行调度,其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。
可以理解的是,该装置200中记载的诸单元与参考图1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功能。
需要说明的是,本公开的一些实施例中记载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。
计算机可读介质可以是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。计算机可读介质承载有一个或者多个程序,当一个或者多个程序被该电子设备执行时,使得该电子设备:控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息,其中,上述环境参数信息包括环境温度信息和环境空气湿度,上述环境温度信息对应有温度标签,上述环境参数信息对应有日类型标签;将上述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,上述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;根据上述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件;根据上述各个调度优化约束条件和上述各个目标优化方程,生成能源调度信息;根据上述能源调度信息,对电力能源和热力能源进行调度,其中,上述对电力能源和热力能源进行调度包括:根据上述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与上述能源调度设备对应的能源系统中的电力能源和热力能源进行调度。
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,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:一种处理器包括监测单元、输入单元、确定单元、生成单元和调度单元。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,监测单元还可以被描述为“控制与能源调度设备相关联的环境监测装置,对上述能源调度设备的周围环境进行监测,得到环境参数信息”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发明构思的情况下,由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 (7)
1.一种综合能源调度方法,包括:
控制与能源调度设备相关联的环境监测装置,对所述能源调度设备的周围环境进行监测,得到环境参数信息,其中,所述环境参数信息包括环境温度信息和环境空气湿度,所述环境温度信息对应有温度标签,所述环境参数信息对应有日类型标签,所述环境温度信息为表征在对所述能源调度设备的周围环境进行监测过程中各个时段的时段平均温度的信息,所述环境空气湿度为在对所述能源调度设备的周围环境进行监测过程中的周围环境空气湿度的平均值;
将所述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,所述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;
根据所述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件,其中,所述各个目标优化方程中的每个目标优化方程是用于确定对应的调度优化约束条件所对应的时间段内能源供应中断率的方程,所述各个调度优化约束条件中的每个调度优化约束条件包括电功率平衡约束条件和热功率平衡约束条件,所述每个调度优化约束条件包括的电功率平衡约束条件为从电负荷供求平衡的角度对对应的时段能源负荷预测信息包括的电力负荷预测数据进行约束的条件,所述每个调度优化约束条件包括的热功率平衡约束条件为从热负荷供求平衡的角度对对应的时段能源负荷预测信息中的热力负荷预测数据进行约束的条件,所述根据所述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件,包括:
获取待优化调度参数集合,其中,所述待优化调度参数集合中的待优化调度参数对应有参数范围信息;
根据所述能源负荷预测信息,确定各个时段能源负荷预测信息;
对于所述各个时段能源负荷预测信息中的每个时段能源负荷预测信息,执行以下约束确定步骤:
根据所述待优化调度参数集合和所述时段能源负荷预测信息,确定电功率平衡约束条件;
根据所述待优化调度参数集合和所述时段能源负荷预测信息,确定热功率平衡约束条件;
将所述电功率平衡约束条件和所述热功率平衡约束条件确定为调度优化约束条件;
根据所述待优化调度参数集合,确定对应所述调度优化约束条件的目标优化方程;
根据所述各个调度优化约束条件和所述各个目标优化方程,生成能源调度信息,其中,所述根据所述各个调度优化约束条件和所述各个目标优化方程,生成能源调度信息,包括:
对于所述各个目标优化方程中的每个目标优化方程,执行以下步骤:
根据对应所述目标优化方程的调度优化约束条件、待优化调度参数集合,生成待优化调度参数信息组集合;
基于待优化调度参数信息组集合,执行以下迭代更新步骤:
对于待优化调度参数信息组集合中的每个待优化参数信息组,执行以下确定步骤:
根据待优化调度参数信息组,确定初始能源调度信息;
根据初始能源调度信息,确定能源调度适应值;
根据所确定的各个能源调度适应值,确定待优化调度参数信息组序列;
响应于确定对所述迭代更新步骤的执行次数小于等于预设执行次数,对于待优化调度参数信息组序列中与第一待优化调度参数信息组相异的每个待优化调度参数信息组,执行以下步骤:
根据第一待优化调度参数信息组对应的能源调度适应值,对待优化调度参数信息组中的各个待优化调度参数信息进行更新,以对待优化调度参数信息组进行更新,其中,所述第一待优化调度参数信息组是待优化调度参数信息组序列中的第一个待优化调度参数信息组;
将更新后的各个待优化调度参数信息组和第一待优化调度参数信息组确定为待优化调度参数信息组集合,并再度执行所述迭代更新步骤;
响应于确定对所述迭代更新步骤的执行次数大于预设执行次数,将所确定的待优化调度参数信息组序列中的第一个初始待优化调度参数信息组确定为时段调度参数信息组;
将所确定的各个时段调度参数信息组确定为能源调度信息;
根据所述能源调度信息,对电力能源和热力能源进行调度,其中,所述对电力能源和热力能源进行调度包括:根据所述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与所述能源调度设备对应的能源系统中的电力能源和热力能源进行调度,所述对与所述能源调度设备对应的能源系统中的电力能源和热力能源进行调度,包括:在对应的每个时间段按照对应的时段调度参数信息组中的各个时段调度参数信息值为所述能源系统中的各个设备分配电力能源和热力能源,以完成能源调度。
2.根据权利要求1所述的方法,其中,所述将所述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,包括:
将所述环境参数信息输入至所述电力负荷预测模型,得到电力负荷预测信息;
将所述环境参数信息输入至所述热力负荷预测模型,得到热力负荷预测信息;
将所述电力负荷预测信息和所述热力负荷预测信息确定为能源负荷预测信息。
3.根据权利要求2所述的方法,其中,所述电力负荷预测模型是通过以下步骤训练得到的:
获取历史电力负荷数据集合和历史环境参数信息集合,其中,所述历史电力负荷数据集合中的历史电力负荷数据对应所述历史环境参数信息集合中的历史环境参数信息;
获取超参数范围信息,其中,所述超参数范围信息包括批尺寸范围信息、学习率范围信息、隐藏层层数范围信息、隐藏层节点数范围信息;
根据所述超参数范围信息,确定模型超参数;
对所述历史电力负荷数据集合中的各个历史电力负荷数据进行数据预处理,得到样本电力负荷数据集;
根据所述样本电力负荷数据集,对所述历史环境参数信息集合进行特征选择处理,得到样本环境参数信息集;
根据所述模型超参数和所述样本环境参数信息集,确定目标模型超参数,其中,所述目标模型超参数包括模型批尺寸、模型学习率、模型隐藏层层数和模型隐藏层节点数;
根据所述目标模型超参数,对初始电力负荷预测模型进行调整;
基于样本环境参数信息集,执行以下模型训练步骤:
将所述模型批尺寸的各个样本环境参数信息输入至初始电力负荷预测模型,得到与输入的各个样本环境参数信息中的每个样本环境参数信息对应的预测电力负荷数据;
根据预设损失函数、所得到的各个预测电力负荷数据和与所输入的各个样本环境参数信息对应的各个样本电力负荷数据,确定模型损失函数值;
根据所确定的模型损失函数值,确定初始电力负荷预测模型是否达到预设优化目标;
响应于确定初始电力负荷预测模型达到所述预设优化目标,将初始电力负荷预测模型确定为电力负荷预测模型;
响应于确定初始电力负荷预测模型未达到所述预设优化目标,调整初始电力负荷预测模型的模型参数,以及使用未用过的样本环境参数信息组成样本环境参数信息集,使用调整后的初始电力负荷预测模型作为初始电力负荷预测模型,再次执行所述模型训练步骤。
4.根据权利要求3所述的方法,其中,所述对所述历史电力负荷数据集合中的各个历史电力负荷数据进行数据预处理,得到样本电力负荷数据集,包括:
对于所述历史电力负荷数据集合中的每个历史电力负荷数据,执行以下步骤:
响应于确定所述历史电力负荷数据异常,对所述历史电力负荷数据进行异常数据处理,以更新所述历史电力负荷数据;
响应于确定所述历史电力负荷数据正常,对所述历史电力负荷数据进行滤波处理,以更新所述历史电力负荷数据;
将所更新的各个历史电力负荷数据确定为各个样本电力负荷数据,得到样本电力负荷数据集。
5.一种综合能源调度装置,包括:
监测单元,被配置成控制与能源调度设备相关联的环境监测装置,对所述能源调度设备的周围环境进行监测,得到环境参数信息,其中,所述环境参数信息包括环境温度信息和环境空气湿度,所述环境温度信息对应有温度标签,所述环境参数信息对应有日类型标签,所述环境温度信息为表征在对所述能源调度设备的周围环境进行监测过程中各个时段的时段平均温度的信息,所述环境空气湿度为在对所述能源调度设备的周围环境进行监测过程中的周围环境空气湿度的平均值;
输入单元,被配置成将所述环境参数信息输入至预先训练好的综合能源负荷预测模型,得到能源负荷预测信息,其中,所述综合能源负荷预测模型包括电力负荷预测模型和热力负荷预测模型;
确定单元,被配置成根据所述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件,其中,所述各个目标优化方程中的每个目标优化方程是用于确定对应的调度优化约束条件所对应的时间段内能源供应中断率的方程,所述各个调度优化约束条件中的每个调度优化约束条件包括电功率平衡约束条件和热功率平衡约束条件,所述每个调度优化约束条件包括的电功率平衡约束条件为从电负荷供求平衡的角度对对应的时段能源负荷预测信息包括的电力负荷预测数据进行约束的条件,所述每个调度优化约束条件包括的热功率平衡约束条件为从热负荷供求平衡的角度对对应的时段能源负荷预测信息中的热力负荷预测数据进行约束的条件,所述根据所述能源负荷预测信息,确定各个目标优化方程和各个调度优化约束条件,包括:获取待优化调度参数集合,其中,所述待优化调度参数集合中的待优化调度参数对应有参数范围信息;根据所述能源负荷预测信息,确定各个时段能源负荷预测信息;对于所述各个时段能源负荷预测信息中的每个时段能源负荷预测信息,执行以下约束确定步骤:根据所述待优化调度参数集合和所述时段能源负荷预测信息,确定电功率平衡约束条件;根据所述待优化调度参数集合和所述时段能源负荷预测信息,确定热功率平衡约束条件;将所述电功率平衡约束条件和所述热功率平衡约束条件确定为调度优化约束条件;根据所述待优化调度参数集合,确定对应所述调度优化约束条件的目标优化方程;
生成单元,被配置成根据所述各个调度优化约束条件和所述各个目标优化方程,生成能源调度信息,其中,所述根据所述各个调度优化约束条件和所述各个目标优化方程,生成能源调度信息包括:对于所述各个目标优化方程中的每个目标优化方程,执行以下步骤:根据对应所述目标优化方程的调度优化约束条件、待优化调度参数集合,生成待优化调度参数信息组集合;基于待优化调度参数信息组集合,执行以下迭代更新步骤:对于待优化调度参数信息组集合中的每个待优化参数信息组,执行以下确定步骤:根据待优化调度参数信息组,确定初始能源调度信息;根据初始能源调度信息,确定能源调度适应值;根据所确定的各个能源调度适应值,确定待优化调度参数信息组序列;响应于确定对所述迭代更新步骤的执行次数小于等于预设执行次数,对于待优化调度参数信息组序列中与第一待优化调度参数信息组相异的每个待优化调度参数信息组,执行以下步骤:根据第一待优化调度参数信息组对应的能源调度适应值,对待优化调度参数信息组中的各个待优化调度参数信息进行更新,以对待优化调度参数信息组进行更新,其中,所述第一待优化调度参数信息组是待优化调度参数信息组序列中的第一个待优化调度参数信息组;将更新后的各个待优化调度参数信息组和第一待优化调度参数信息组确定为待优化调度参数信息组集合,并再度执行所述迭代更新步骤;响应于确定对所述迭代更新步骤的执行次数大于预设执行次数,将所确定的待优化调度参数信息组序列中的第一个初始待优化调度参数信息组确定为时段调度参数信息组;将所确定的各个时段调度参数信息组确定为能源调度信息;
调度单元,被配置成根据所述能源调度信息,对电力能源和热力能源进行调度,其中,所述对电力能源和热力能源进行调度包括:根据所述能源调度信息包括的各个时段调度参数信息组所表征的各个时段的能源调度方案,对与所述能源调度设备对应的能源系统中的电力能源和热力能源进行调度,所述对与所述能源调度设备对应的能源系统中的电力能源和热力能源进行调度,包括:在对应的每个时间段按照对应的时段调度参数信息组中的各个时段调度参数信息值为所述能源系统中的各个设备分配电力能源和热力能源,以完成能源调度。
6.一种电子设备,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1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175623.8A CN116911577B (zh) | 2023-09-13 | 2023-09-13 | 综合能源调度方法、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 |
---|---|---|---|
CN202311175623.8A CN116911577B (zh) | 2023-09-13 | 2023-09-13 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911577A CN116911577A (zh) | 2023-10-20 |
CN116911577B true CN116911577B (zh) | 2024-02-09 |
Family
ID=88353435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175623.8A Active CN116911577B (zh) | 2023-09-13 | 2023-09-13 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911577B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065653A (zh) * | 2022-01-17 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
CN114492641A (zh) * | 2022-01-27 | 2022-05-13 | 清科优能(深圳)技术有限公司 | 电力负荷预测方法、装置、设备及存储介质 |
CN115063003A (zh) * | 2022-06-30 | 2022-09-16 | 华北电力大学(保定) | 基于多元负荷时序分析的综合能源系统分时段调度方法 |
WO2023082697A1 (zh) * | 2021-11-15 | 2023-05-19 | 中国电力科学研究院有限公司 | 电-热综合能源系统协调优化方法、系统、设备、介质及程序 |
CN116151551A (zh) * | 2022-12-26 | 2023-05-23 | 国网河北省电力有限公司电力科学研究院 | 一种电热综合能源系统的调控方法、装置及调控设备 |
CN116205456A (zh) * | 2023-02-28 | 2023-06-02 | 广东电网有限责任公司 | 一种综合能源系统的调度方法、装置、设备及介质 |
-
2023
- 2023-09-13 CN CN202311175623.8A patent/CN116911577B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023082697A1 (zh) * | 2021-11-15 | 2023-05-19 | 中国电力科学研究院有限公司 | 电-热综合能源系统协调优化方法、系统、设备、介质及程序 |
CN114065653A (zh) * | 2022-01-17 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
CN114492641A (zh) * | 2022-01-27 | 2022-05-13 | 清科优能(深圳)技术有限公司 | 电力负荷预测方法、装置、设备及存储介质 |
CN115063003A (zh) * | 2022-06-30 | 2022-09-16 | 华北电力大学(保定) | 基于多元负荷时序分析的综合能源系统分时段调度方法 |
CN116151551A (zh) * | 2022-12-26 | 2023-05-23 | 国网河北省电力有限公司电力科学研究院 | 一种电热综合能源系统的调控方法、装置及调控设备 |
CN116205456A (zh) * | 2023-02-28 | 2023-06-02 | 广东电网有限责任公司 | 一种综合能源系统的调度方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
考虑网络约束和区间不确定性的综合能源 微电网鲁棒优化调度方法;阎誉榕 等;大 电 机 技 术;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911577A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101742042B1 (ko) | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 | |
CN113408797B (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
Shen et al. | Chance-constrained model for uncertain job shop scheduling problem | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
Kishida et al. | Combined event‐and self‐triggered control approach with guaranteed finite‐gain stability for uncertain linear systems | |
CN115081958A (zh) | 用户电力调整方法、装置、电子设备和计算机可读介质 | |
CN116882597B (zh) | 虚拟电厂控制方法、装置、电子设备和可读介质 | |
CN116911577B (zh) | 综合能源调度方法、装置、电子设备和计算机可读介质 | |
US20150097531A1 (en) | System and method for controlling networked, grid-level energy storage devices | |
CN110675176A (zh) | 用于生成属性预测模型的方法和装置 | |
Jin et al. | Joint scheduling of deferrable demand and storage with random supply and processing rate limits | |
CN115619170A (zh) | 电量负荷调整方法、装置、设备、计算机介质和程序产品 | |
CN113222304B (zh) | 一种库存调度方法和装置 | |
CN113887995A (zh) | 电力项目信息展示方法、装置、设备和计算机可读介质 | |
CN112669099A (zh) | 用于处理订单的方法和装置 | |
CN113095756B (zh) | 异常运单特征确定方法、装置、设备和计算机可读介质 | |
CN116681464A (zh) | 物品需求信息调整方法、装置、电子设备和介质 | |
CN117196199A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
CN111709785B (zh) | 用于确定用户留存时间的方法、装置、设备和介质 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN118095512A (zh) | 调整信息生成方法、装置、电子设备和计算机可读介质 | |
CN116823126A (zh) | 物品信息处理方法、装置、电子设备和计算机可读介质 |
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 |