CN116957362A - 一种区域综合能源系统的多目标规划方法及系统 - Google Patents
一种区域综合能源系统的多目标规划方法及系统 Download PDFInfo
- Publication number
- CN116957362A CN116957362A CN202311199483.8A CN202311199483A CN116957362A CN 116957362 A CN116957362 A CN 116957362A CN 202311199483 A CN202311199483 A CN 202311199483A CN 116957362 A CN116957362 A CN 116957362A
- Authority
- CN
- China
- Prior art keywords
- historical
- scene
- similarity
- real
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 239000003345 natural gas Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 42
- 238000010276 construction Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000005338 heat storage Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000084490 Esenbeckia delta Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 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
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域综合能源系统的多目标规划方法及系统,方法包括:获取区域综合能源系统中各个历史场景的历史场景特征因子,并对历史场景特征因子进行标准化处理;获取区域综合能源系统中的实时数据,并计算实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度;计算实时数据与各个历史场景的结构相似度;筛选出大于相似度阈值的至少一个全局相似度,并将至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到能源结构中各个设备的最优容量。通过选出相似度高的场景能更好地确定区域综合能源系统的能源结构。
Description
技术领域
本发明属于综合能源系统管理技术领域,尤其涉及一种区域综合能源系统的多目标规划方法及系统。
背景技术
综合能源系统能够实现一定区域内的能源耦合,使区域内的能源消费更加高效经济。但是各个园区的用户类型,负荷特性等方面的差异导致了不同的园区需要建设不同的能源结构。现阶段,关于综合能源系统规划建设的研究集中在能源结构确定下的设备装机容量优化。如何为园区选择合适的能源结构是实现综合能源系统精益化建设的关键环节。
发明内容
本发明提供一种区域综合能源系统的多目标规划方法及系统,用于解决无法选择合适的能源结构的技术问题。
第一方面,本发明提供一种区域综合能源系统的多目标规划方法,包括:
获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
计算所述实时数据与各个历史场景的结构相似度;
根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
第二方面,本发明提供一种区域综合能源系统的多目标规划系统,包括:
处理模块,配置为获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取模块,配置为获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
第一计算模块,配置为计算所述实时数据与各个历史场景的结构相似度;
第二计算模块,配置为根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
分析模块,配置为筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的区域综合能源系统的多目标规划方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的区域综合能源系统的多目标规划方法的步骤。
本申请的区域综合能源系统的多目标规划方法及系统,通过计算局部相似度表示某个场景特征因子的相似度,计算结构相似度表示两个场景整体的相似度,并且利用局部相似度和结构相似度计算出全局相似度能更准确地表示出两个场景之间的相似度,能够选出相似度高的场景能更好地确定区域综合能源系统的能源结构。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种区域综合能源系统的多目标规划方法的流程图;
图2为本发明一实施例提供的一种区域综合能源系统的多目标规划系统的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种区域综合能源系统的多目标规划方法的流程图。
如图1所示,区域综合能源系统的多目标规划方法具体包括以下步骤:
步骤S101,获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据。
在本步骤中,从资源禀赋、建设因素、多元负荷水平三类要素建立了综合能源系统规划场景的场景特征因子集。资源禀赋包括太阳能资源、风能资源等,建设因素包括园区人口、园区建设面积、园区建设类型等,多元负荷水平包括最大电负荷、最大热负荷、最大冷负荷等。
场景的构成要素来自不同的对象,要素的存储受到信息异构、冗余等现象的影响,如果直接检索场景,算法复杂度会降低效率。因此,为了提高场景检索的效率,需要提前对各个因素进行规范化。
需要说明的是,采用范围缩放法来处理场景特征因子,范围缩放法与传统的极差法相比,除了将数据映射到0到1的标准范围内,还考虑了数据的平均值。这样做的好处是可以更好地处理数据集不平衡的情况。在传统的极差法中,如果数据集中存在极端值或数据分布不均衡,标准化后的结果可能会受到不正常的影响。通过考虑数据的平均值,范围缩放法可以在一定程度上缓解这种问题。
具体地,,
式中,为标准化后特征因子/>的值,/>为场景/>中特征因子/>的值,为场景/>中特征因子/>的平均值,/>为场景/>中特征因子/>的最大值,/>为场景/>中特征因子/>的最小值;
,
,
,
式中,为历史场景的个数。
步骤S102,获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据。
在本步骤中,计算实时数值数据中包含的场景特征因子与各个历史数值数据的历史场景特征因子之间的局部相似度,其中,计算实时数值数据中包含的场景特征因子与各个历史数值数据的历史场景特征因子之间的局部相似度的表达式为:
,
式中,为目标场景/>和第i个历史场景/>的特征因子/>之间的局部相似度,/>为第i个历史场景/>的特征因子/>的值,/>为目标场景/>的特征因子/>的值,为目标场景/>和第i个历史场景/>的特征因子/>之间的最大差值。
计算实时模糊语义数据中包含的场景特征因子与各个历史模糊语义数据的历史场景特征因子之间的局部相似度。
具体地,设实时数据中的实时模糊语义数据表示集合X,历史模糊语义数据表示集合Y,计算集合X中的每个成员与集合Y中的每个成员的相似度,并根据各个相似度构建模糊相似度矩阵,其中,模糊相似度矩阵/>的表达式为:
,
式中,为集合X中第m个场景特征因子和集合Y中第n个历史场景特征因子的相似度,/>,/>;
计算集合X中的每个成员之间的关联度,并根据各个关联度构建模糊关联度矩阵,其中,模糊关联度矩阵/>的表达式为:
,
式中,为集合X中第/>个场景特征因子和集合X中第/>个场景特征因子的相似度,/>;
需要说明的是,集合X中第m个场景特征因子和集合Y中第n个历史场景特征因子的相似度和集合X中第/>个场景特征因子和集合X中第/>个场景特征因子的相似度/>均采用改进的余弦相似度计算方法计算。
具体地,改进余弦相似度计算方法包含以下步骤:
步骤1:零向量处理。通常情况下,当一个向量是零向量时(即所有维度的取值都为0),计算余弦相似度会出现问题。因为零向量没有方向,无法计算与其他向量之间的夹角。
在进行余弦相似度计算之前,首先判断向量是否为零向量。 如果向量是零向量,那么满足以下条件:/>。
这里处理零向量的方法是将其视为与其他非零向量相似度为0,与其他零向量相似度为1。
步骤S2:动态更新及维度权重考虑。采用一种增量式计算方法。
初始化:首先,对数据集中的所有向量进行标准化处理,使其具有单位范数。将标准化后的向量表示为。
初始化全局向量和缓存:定义一个全局向量,初始化为零向量,用于保存整个数据集的总体方向信息。同时,设定一个缓存用于存储计算结果,初始为空。
初始化增量向量:为每个向量定义一个增量向量,初始化为零向量,用于保存每个向量的增量信息。增量向量与数据集中的向量一一对应。
计算初始余弦相似度:对于每个向量,计算其与全局向量的余弦相似度。同时引入权重因子来衡量向量的方向性,为每个维度分配一个权重因子,表示该维度的重要性。计算公式为:
,
式中,为第i个权重因子,/>为第i个标准化后的向量,/>为全局向量,i=1,…,n。
将计算结果存储在缓存中。
更新全局向量和增量向量:当有新的向量加入或更新时,发生以下操作:
a. 对新增或更新的向量进行标准化处理,得到标准化后的新增向量。
b. 计算新增或更新向量的差值,即增量向量,式中,为标准化后的新增向量,/>为标准化后的向量。
c. 将增量向量添加到全局向量/>,即/>。
d. 对全局向量进行标准化处理,使其仍具有单位范数。
e. 更新缓存中的余弦相似度,利用增量向量的信息进行更新。
查询相似度:当需要计算两个向量之间的相似度时,检查缓存中是否存在相应的计算结果。如果存在,则直接使用缓存中的结果。如果不存在,则通过标准的余弦相似度计算方法进行计算,并将结果存储在缓存中供后续使用。
通过增量式计算的方法,可以避免对整个数据集重新计算余弦相似度,减少了计算的复杂度和时间消耗。同时,利用增量向量保存了前一次计算结果与当前计算结果之间的差异,减少了计算量。通过及时更新全局向量和缓存,保持数据集的状态和相似度计算的准确性。
根据模糊关联度矩阵和模糊相似度矩阵/>计算实时模糊语义数据中包含的场景特征因子与各个历史模糊语义数据的历史场景特征因子之间的局部相似度,其中,计算局部相似度的表达式为:
,
,
,
式中,为集合X中包含的场景特征因子与集合Y的历史场景特征因子之间的局部相似度,/>为目标矩阵/>中所有元素的和,/>为模糊关联度矩阵所有元素的平均值,/>为模糊关联度矩阵/>中所有元素的和,m和n分别是集合X和集Y中成员的数量。
计算实时符号数据中包含的场景特征因子与各个历史符号数据的历史场景特征因子之间的局部相似度,其中,计算实时符号数据中包含的场景特征因子与各个历史符号数据的历史场景特征因子之间的局部相似度的表达式为:
,
式中,为目标场景/>和第i个历史场景/>的特征因子/>之间的局部相似度,/>为第i个历史场景/>的特征因子/>的值,/>为目标场景/>的特征因子/>的值。
步骤S103,计算所述实时数据与各个历史场景的结构相似度。
在本步骤中,设实时数据中所有的场景特征因子的集合为A,设历史场景中所有的历史场景特征因子的集合为B;
计算集合A和集合B的交集I和并集U,分别记为和/>;
计算交集I中所有场景特征因子的权重总和,记为,以及计算并集U中所有场景特征因子的权重总和,记为/>;
得到实时数据与历史场景的相似度表示为/>。
步骤S104,根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度。
在本步骤中,计算实时数据与各个历史场景的全局相似度的表达式为:
,
式中,为目标场景/>和第i个历史场景/>的全局相似度。
步骤S105,筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
在本步骤中,在预设的约束条件内以成本最低和能用效率最高为目标函数构建多目标规划模型,其中,所述约束条件包括能量平衡约束、容量约束、可靠性约束、环境约束以及区域约束;
以成本最低为目标函数的表达式为:
,
式中,为区域综合能源系统的年度初始投资成本,/>为区域综合能源系统中的能源供应系统的运行成本,/>为区域综合能源系统的维护和管理成本,/>为区域综合能源系统的碳排放成本;
以能用效率最高为目标函数的表达式为:
,
式中,为系统的总能动输出量,/>为系统输入的总能动,/>为电负荷输出值,/>为热负荷输出值,/>为冷负荷输出值,/>为购买电量,/>为消耗天然气对应能值,/>为可再生能源发电对应能值。
需要说明的是,能量平衡约束的电平衡表达式为:
,
式中,为/>时刻的电网购买电量,/>为/>时刻的光伏发电输出功率,为/>时刻的风力发电机输出功率,/>为储能电池的放电状态值,/>为/>时刻的储能电池的放电功率,/>为/>时刻的用户用电负荷需求,/>为储能电池的充电状态值,/>为/>时刻的储能电池的充电功率;
能量平衡约束的热平衡表达式为:
,
式中,为/>时刻的不同类型加热设备的放热功率, />为蓄热罐的放热状态值,/>为/>时刻的蓄热罐放热功率,/>为/>时刻的用户所需热负荷,/>为蓄热罐的蓄热状态值,/>为/>时刻的蓄热罐充热功率,/>为/>时刻的传热过程中的损失;
能量平衡约束的冷平衡表达式为:
,
式中,为/>时刻的不同类型供冷设备的放冷功率, />为蓄冰槽的放冷状态值,/>为/>时刻的蓄冰槽放冷功率,/>为/>时刻的用户所需的冷负荷,/>为蓄冰槽的蓄冷状态值,/>为/>时刻的蓄冰槽充冷功率,/>为/>时刻的冷传递过程中的损失;
容量约束的表达式为:
,
式中,为待规划设备m的最小容量,/>为待规划设备m的容量,为待规划设备m的最大容量;
可靠性约束的表达式为:
,
,
式中,为计划持续时间,/>为规定的最大电能短缺率,/>为计划期间内系统的功率值不足,/>为计划期间内的电力负荷,/>为电能短缺率;
环境约束的表达式为:
,
式中,为碳排放成本,/>为碳排放阶梯价格的阶梯数,/>为单位碳排放的成本,/>为碳排放量,/>为最大碳排放量,/>为罚款成本;
区域约束的表达式为:
,
,
式中,、/>分别为风力发电机组和光伏发电机组的数量,/>、/>分别为所有风力发电机组和所有光伏发电机组所占的总面积,/>、/>分别为单位风力发电机组和单位光伏发电机组所占的面积。
请参阅图2,其示出了本申请的一种区域综合能源系统的多目标规划系统的结构框图。
如图2所示,多目标规划系统200,包括处理模块210、获取模块220、第一计算模块230、第二计算模块240以及分析模块250。
其中,处理模块210,配置为获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取模块220,配置为获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
第一计算模块230,配置为计算所述实时数据与各个历史场景的结构相似度;
第二计算模块240,配置为根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
分析模块250,配置为筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
应当理解,图2中记载的诸模块与参考图1中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和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的区域综合能源系统的多目标规划方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
计算所述实时数据与各个历史场景的结构相似度;
根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据区域综合能源系统的多目标规划系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至区域综合能源系统的多目标规划系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例区域综合能源系统的多目标规划方法。输入装置330可接收输入的数字或字符信息,以及产生与区域综合能源系统的多目标规划系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于区域综合能源系统的多目标规划系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
计算所述实时数据与各个历史场景的结构相似度;
根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种区域综合能源系统的多目标规划方法,其特征在于,包括:
获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
计算所述实时数据与各个历史场景的结构相似度;
根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
2.根据权利要求1所述的一种区域综合能源系统的多目标规划方法,其特征在于,所述计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度包括:
计算所述实时数值数据中包含的场景特征因子与各个历史数值数据的历史场景特征因子之间的局部相似度;
计算所述实时模糊语义数据中包含的场景特征因子与各个历史模糊语义数据的历史场景特征因子之间的局部相似度;和/或
计算所述实时符号数据中包含的场景特征因子与各个历史符号数据的历史场景特征因子之间的局部相似度。
3.根据权利要求2所述的一种区域综合能源系统的多目标规划方法,其特征在于,其中,计算所述实时数值数据中包含的场景特征因子与各个历史数值数据的历史场景特征因子之间的局部相似度的表达式为:
,
式中,为目标场景/>和第i个历史场景/>的特征因子/>之间的局部相似度,/>为第i个历史场景/>的特征因子/>的值,/>为目标场景/>的特征因子/>的值,为目标场景/>和第i个历史场景/>的特征因子/>之间的最大差值。
4.根据权利要求2所述的一种区域综合能源系统的多目标规划方法,其特征在于,所述计算所述实时模糊语义数据中包含的场景特征因子与各个历史模糊语义数据的历史场景特征因子之间的局部相似度包括:
设实时数据中的实时模糊语义数据表示集合X,历史模糊语义数据表示集合Y,计算集合X中的每个成员与集合Y中的每个成员的相似度,并根据各个相似度构建模糊相似度矩阵,其中,模糊相似度矩阵/>的表达式为:
,
式中,为集合X中第m个场景特征因子和集合Y中第n个历史场景特征因子的相似度,/>,/>;
计算集合X中的每个成员之间的关联度,并根据各个关联度构建模糊关联度矩阵,其中,模糊关联度矩阵/>的表达式为:
,
式中,为集合X中第/>个场景特征因子和集合X中第/>个场景特征因子的相似度,;
根据所述模糊关联度矩阵和所述模糊相似度矩阵/>计算所述实时模糊语义数据中包含的场景特征因子与各个历史模糊语义数据的历史场景特征因子之间的局部相似度,其中,计算所述局部相似度的表达式为:
,
,
,
式中,为集合X中包含的场景特征因子与集合Y的历史场景特征因子之间的局部相似度,/>为目标矩阵/>中所有元素的和,/>为模糊关联度矩阵/>所有元素的平均值,/>为模糊关联度矩阵/>中所有元素的和,m和n分别是集合X和集Y中成员的数量。
5.根据权利要求2所述的一种区域综合能源系统的多目标规划方法,其特征在于,其中,计算所述实时符号数据中包含的场景特征因子与各个历史符号数据的历史场景特征因子之间的局部相似度的表达式为:
,
式中,为目标场景/>和第i个历史场景/>的特征因子/>之间的局部相似度,/>为第i个历史场景/>的特征因子/>的值,/>为目标场景/>的特征因子/>的值。
6.根据权利要求1所述的一种区域综合能源系统的多目标规划方法,其特征在于,所述计算所述实时数据与各个历史场景的结构相似度包括:
设实时数据中所有的场景特征因子的集合为A,设历史场景中所有的历史场景特征因子的集合为B;
计算集合A和集合B的交集I和并集U,分别记为和/>;
计算交集I中所有场景特征因子的权重总和,记为,以及计算并集U中所有场景特征因子的权重总和,记为/>;
得到实时数据与历史场景的结构相似度表示为/>。
7.根据权利要求1所述的一种区域综合能源系统的多目标规划方法,其特征在于,在将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析之前,所述方法还包括:
在预设的约束条件内以成本最低和能用效率最高为目标函数构建多目标规划模型,其中,所述约束条件包括能量平衡约束、容量约束、可靠性约束、环境约束以及区域约束;
以成本最低为目标函数的表达式为:
,
式中,为区域综合能源系统的年度初始投资成本,/>为区域综合能源系统中的能源供应系统的运行成本,/>为区域综合能源系统的维护和管理成本,/>为区域综合能源系统的碳排放成本;
以能用效率最高为目标函数的表达式为:
,
式中,为系统的总能动输出量,/>为系统输入的总能动,/>为电负荷输出值,为热负荷输出值,/>为冷负荷输出值,/>为购买电量,/>为消耗天然气对应能值,/>为可再生能源发电对应能值。
8.一种区域综合能源系统的多目标规划系统,其特征在于,包括:
处理模块,配置为获取区域综合能源系统中各个历史场景的历史场景特征因子,并对所述历史场景特征因子进行标准化处理,其中,历史场景中包含历史数据,一历史数据包括一历史数值数据、一历史模糊语义数据和/或一历史符号数据;
获取模块,配置为获取区域综合能源系统中的实时数据,并计算所述实时数据中包含的场景特征因子与各个历史场景的历史场景特征因子之间的局部相似度,其中,所述实时数据包括实时数值数据、实时模糊语义数据和/或实时符号数据;
第一计算模块,配置为计算所述实时数据与各个历史场景的结构相似度;
第二计算模块,配置为根据所述结构相似度和所述局部相似度计算所述实时数据与各个历史场景的全局相似度;
分析模块,配置为筛选出大于相似度阈值的至少一个全局相似度,并将所述至少一个全局相似度对应的历史场景的能源结构传递至预设的多目标规划模型中进行分析,得到所述能源结构中各个设备的最优容量。
9.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199483.8A CN116957362A (zh) | 2023-09-18 | 2023-09-18 | 一种区域综合能源系统的多目标规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311199483.8A CN116957362A (zh) | 2023-09-18 | 2023-09-18 | 一种区域综合能源系统的多目标规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957362A true CN116957362A (zh) | 2023-10-27 |
Family
ID=88462355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311199483.8A Pending CN116957362A (zh) | 2023-09-18 | 2023-09-18 | 一种区域综合能源系统的多目标规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118012851A (zh) * | 2024-04-08 | 2024-05-10 | 浪潮通信信息系统有限公司 | 场景数据管理方法、装置、电子设备及存储介质 |
CN118171868A (zh) * | 2024-03-22 | 2024-06-11 | 中国电力工程顾问集团有限公司 | 低碳园区综合能源系统中长期规划方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776534A (zh) * | 2016-11-11 | 2017-05-31 | 北京工商大学 | 词向量模型的增量式学习方法 |
CN109858028A (zh) * | 2019-01-30 | 2019-06-07 | 神思电子技术股份有限公司 | 一种基于概率模型的短文本相似度计算方法 |
CN110705247A (zh) * | 2019-08-30 | 2020-01-17 | 山东科技大学 | 基于χ2-C的文本相似度计算方法 |
CN111079860A (zh) * | 2019-12-31 | 2020-04-28 | 河海大学常州校区 | 基于情景相似度的突发事件多粒度响应模型构建方法 |
CN111784100A (zh) * | 2020-05-18 | 2020-10-16 | 国电南瑞科技股份有限公司 | 一种基于机器学习的月度计划方式生成方法 |
CN113887217A (zh) * | 2021-10-20 | 2022-01-04 | 美的集团(上海)有限公司 | 词向量增量方法、电子设备及计算机存储介质 |
CN115700630A (zh) * | 2022-10-28 | 2023-02-07 | 国网辽宁省电力有限公司经济技术研究院 | 一种城镇能源互联网分区协同规划方法及系统 |
CN115809313A (zh) * | 2021-09-14 | 2023-03-17 | 青岛海信网络科技股份有限公司 | 一种文本相似度确定方法及设备 |
WO2023134759A1 (zh) * | 2022-01-17 | 2023-07-20 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法及装置 |
-
2023
- 2023-09-18 CN CN202311199483.8A patent/CN116957362A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776534A (zh) * | 2016-11-11 | 2017-05-31 | 北京工商大学 | 词向量模型的增量式学习方法 |
CN109858028A (zh) * | 2019-01-30 | 2019-06-07 | 神思电子技术股份有限公司 | 一种基于概率模型的短文本相似度计算方法 |
CN110705247A (zh) * | 2019-08-30 | 2020-01-17 | 山东科技大学 | 基于χ2-C的文本相似度计算方法 |
CN111079860A (zh) * | 2019-12-31 | 2020-04-28 | 河海大学常州校区 | 基于情景相似度的突发事件多粒度响应模型构建方法 |
CN111784100A (zh) * | 2020-05-18 | 2020-10-16 | 国电南瑞科技股份有限公司 | 一种基于机器学习的月度计划方式生成方法 |
CN115809313A (zh) * | 2021-09-14 | 2023-03-17 | 青岛海信网络科技股份有限公司 | 一种文本相似度确定方法及设备 |
CN113887217A (zh) * | 2021-10-20 | 2022-01-04 | 美的集团(上海)有限公司 | 词向量增量方法、电子设备及计算机存储介质 |
WO2023134759A1 (zh) * | 2022-01-17 | 2023-07-20 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法及装置 |
CN115700630A (zh) * | 2022-10-28 | 2023-02-07 | 国网辽宁省电力有限公司经济技术研究院 | 一种城镇能源互联网分区协同规划方法及系统 |
Non-Patent Citations (4)
Title |
---|
余相等: "融合"S"型相似度和关联度的协同过滤算法", 《计算机技术与发展》, vol. 29, no. 3, pages 35 - 40 * |
刘辉等: "基于增量协同过滤和潜在语义分析的混合推荐算法", 《计算机工程与科学》, vol. 41, no. 11, pages 2033 - 2039 * |
宋福浩: "计及设备特性的综合能源系统选型及容量规划研究", 《 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 21 - 24 * |
武森等: "基于双向改进余弦相似度的话题发现算法", 《运筹与管理》, vol. 30, no. 2, pages 75 - 83 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171868A (zh) * | 2024-03-22 | 2024-06-11 | 中国电力工程顾问集团有限公司 | 低碳园区综合能源系统中长期规划方法及装置 |
CN118012851A (zh) * | 2024-04-08 | 2024-05-10 | 浪潮通信信息系统有限公司 | 场景数据管理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Grey wolf optimisation for optimal sizing of battery energy storage device to minimise operation cost of microgrid | |
CN116957362A (zh) | 一种区域综合能源系统的多目标规划方法及系统 | |
CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
Li et al. | Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm | |
CN112598195A (zh) | 楼宇型综合能源系统运行优化方法、装置及终端设备 | |
Shi et al. | Research on energy management of hydrogen electric coupling system based on deep reinforcement learning | |
CN111509784B (zh) | 计及不确定性的虚拟电厂鲁棒出力可行域辨识方法及装置 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
CN115600793A (zh) | 面向源网荷储一体化园区的协同控制方法及系统 | |
Wang et al. | Distributionally robust optimal scheduling of integrated energy systems including hydrogen fuel cells considering uncertainties | |
CN118399396A (zh) | 电力系统可用输电容量计算方法、装置、介质及设备 | |
CN113435659B (zh) | 基于场景分析的综合能源系统两阶段优化运行方法及系统 | |
CN116436085A (zh) | 一种基于场景构建的微能源网群分层优化控制方法及系统 | |
CN112178839B (zh) | 一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调 | |
CN114400713A (zh) | 综合能源系统区间优化调度方法 | |
CN115271220A (zh) | 综合能源系统电热储能容量配置方法及终端 | |
CN108683211A (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN112531699A (zh) | 一种微电网自治能管系统能量调度方法和系统 | |
Wei et al. | Multi‐objective optimal configuration of stand‐alone microgrids based on Benders decomposition considering power supply reliability | |
Kawamoto et al. | A study of battery SoC scheduling using machine learning with renewable sources | |
Xia et al. | Two‐stage low‐carbon scheduling of integrated energy system based on carbon emission flow model | |
CN117081081A (zh) | 虚拟电厂的运行控制方法及装置、电子设备及存储介质 | |
Duan et al. | MMD-DRO based economic dispatching considering flexible reserve provision from concentrated solar power plant |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231027 |