CN117170885A - 基于云边协同的分布式资源优化调配方法及系统 - Google Patents
基于云边协同的分布式资源优化调配方法及系统 Download PDFInfo
- Publication number
- CN117170885A CN117170885A CN202311452599.8A CN202311452599A CN117170885A CN 117170885 A CN117170885 A CN 117170885A CN 202311452599 A CN202311452599 A CN 202311452599A CN 117170885 A CN117170885 A CN 117170885A
- Authority
- CN
- China
- Prior art keywords
- power
- power terminal
- moment
- factor
- terminal equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 230000003247 decreasing effect Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 239000003016 pheromone Substances 0.000 claims description 48
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及资源优化调配技术领域,具体涉及基于云边协同的分布式资源优化调配方法及系统,该方法包括:采集各用电区域电力终端设备的有功功率、无功功率以及各电力终端设备之间的输电路径距离;计算各时刻的有功功率偏差幅值;根据电力终端设备各时刻的有功功率偏差幅值及有功功率熵值得到电力终端设备有功功率的偏差趋强指数;计算各时刻的视在功率,进而得到各时刻的功率因数;根据各功率因数递减簇得到功率因数序列的衰减稳定因子;构建电力终端设备之间的电力挥发因子;计算电力终端设备之间的概率;结合蚁群算法获取各电力终端设备供电的最优路径,完成电力资源的优化调配。从而实现电力资源的优化、高效分配。
Description
技术领域
本发明涉及资源优化调配技术领域,具体涉及基于云边协同的分布式资源优化调配方法及系统。
背景技术
作为大数据时代的一个显著特点,云端与边缘端的协同计算即云边协同,能够将云计算与边缘计算紧密地结合起来,通过合理地分配云计算与边缘计算的任务,实现了云计算的下沉。在当前能源需求增长和可再生能源快速发展的大背景下,分布式电力资源的利用能够减少对传统电网的依赖,并提高能源利用效率,实现供需平衡,但其所具有的随机性、波动性和可变性等特征,也会给配电网运行的稳定性、电压质量等各方面带来巨大的挑战。
通过蚁群算法实现分布式电力资源优化调配时也会存在一些弊端,蚁群算法中具有多个需要调节的参数,不恰当的参数选择可能导致算法陷入局部最优解或导致算法收敛速度过慢。信息素挥发因子过大时,会使得资源调配路径上的信息素挥发速度较快,容易导致较优分配路径被排除,无法给出较好的资源调配路径,降低其实用性;而信息素挥发因子/>过小时,会使得各路径上信息素含量差别较小,导致收敛速度降低,无法满足电力资源近实时调配的决策需求。
综上所述,本发明提出基于云边协同的分布式资源优化调配方法及系统,通过SCADA系统对电网中各电力终端设备的相关状态数据进行采集,根据电力终端设备有功功率、无功功率数据特征构建对应的偏差趋强指数,之后通过电力终端设备的功率因数数据特征,构建电力终端设备之间输电路径上的电力挥发因子,并以此作为蚁群算法中的信息素挥发系数,寻找电网供电的最优路径,并根据所述路径将电力资源进行调配,实现基于云边协同的分布式资源优化调配。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于云边协同的分布式资源优化调配方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了基于云边协同的分布式资源优化调配方法,该方法包括以下步骤:
采集各用电区域电力终端设备的有功功率、无功功率以及各电力终端设备之间的输电路径距离;初始化蚁群算法中的蚂蚁数量、信息素值、信息素挥发系数;
对于各电力终端设备,根据电力终端设备各时刻有功功率的差值获取各时刻的有功功率偏差幅值;根据电力终端设备各时刻的有功功率偏差幅值及有功功率熵值得到电力终端设备有功功率的偏差趋强指数;结合电力终端设备各时刻无功功率获取电力终端设备的无功功率的偏差趋强指数;根据电力终端设备的各时刻的有功功率及无功功率得各时刻的视在功率;根据各时刻的视在功率及有功功率得到电力终端设备各时刻的功率因数;获取电力终端设备功率因数序列的各功率因数递减簇;根据各功率因数递减簇的功率因数最大值、最小值以及香农熵得到功率因数序列的衰减稳定因子;根据电力终端设备的有功功率和无功功率的偏差趋强指数、功率因数序列的衰减稳定因子以及初始化的信息素挥发系数得到电力终端设备之间的电力挥发因子;
根据各电力终端设备之间的输电路径以及各蚂蚁、信息素值得到电力终端设备之间的概率;将电力挥发因子作为蚁群算法中的信息素挥发系数,并结合各电力终端设备之间的概率采用蚁群算法获取各电力终端设备供电的最优路径,完成电力资源的优化调配。
进一步地,所述根据电力终端设备各时刻有功功率的差值获取各时刻的有功功率偏差幅值,包括:
将电力终端设备各时刻有功功率与前一时刻有功功率的差值绝对值作为各时刻的有功功率偏差幅值。
进一步地,所述根据电力终端设备各时刻的有功功率偏差幅值及有功功率熵值得到电力终端设备有功功率的偏差趋强指数,包括:
获取电力终端设备有功功率序列前1-ϵ时刻的有功功率偏差幅值的均值及后ϵ时刻的有功功率偏差幅值的均值,分别记为第一均值、第二均值,其中ϵ为预设时刻;计算电力终端设备有功功率序列的熵值;将所述第二均值与第一均值的比值乘以所述熵值的计算结果作为电力终端设备有功功率的偏差趋强指数。
进一步地,所述根据电力终端设备的各时刻的有功功率及无功功率得各时刻的视在功率,包括:
计算电力终端设备各时刻的有功功率平方与无功功率平方的和值,将所述和值的开方作为各时刻的视在功率。
进一步地,所述根据各时刻的视在功率及有功功率得到电力终端设备各时刻的功率因数,包括:将各时刻的有功功率与视在功率的比值作为电力终端设备各时刻的功率因数。
进一步地,所述获取电力终端设备功率因数序列的各功率因数递减簇,包括:
将电力终端设备的各时刻功率因数组成功率因数序列,当功率因数序列中当前时刻的功率因数小于下一时刻功率因数时,将所述当前时刻作为功率因数递减时刻;
采用区域生长算法获取功率因数序列中的各功率因数递减簇,区域生长算法的生长停止条件为当功率因数对应的时刻不属于功率因数递减时刻时停止生长,得到功率因数序列的各功率因数递减簇。
进一步地,所述根据各功率因数递减簇的功率因数最大值、最小值以及香农熵得到功率因数序列的衰减稳定因子,包括:
获取电力终端设备各功率因数递减簇的功率因数最大值与最小值的差值绝对值,计算所述差值绝对值与功率因数递减簇香农熵的比值,计算电力终端设备所有功率因数递减簇的所述比值的和值,将所述和值与以自然常数为底数、电力终端设备功率因数递减簇个数为指数的指数函数计算结果的乘积作为电力终端设备对应功率因数序列的衰减稳定因子。
进一步地,所述根据电力终端设备的有功功率和无功功率的偏差趋强指数、功率因数序列的衰减稳定因子以及初始化的信息素挥发系数得到电力终端设备之间的电力挥发因子,具体包括:
将各电力终端设备作为目标电力终端设备,获取目标电力终端设备可直达的电力终端设备集合,获取所述电力终端设备集合中各电力终端设备的有功功率和无功功率偏差趋强指数的乘积,计算所述乘积与衰减稳定因子的比值,将初始化的信息素挥发系数与所述比值的差值作为所述电力终端设备集中各电力终端设备与目标电力终端设备之间的电力挥发因子。
进一步地,所述根据各电力终端设备之间的输电路径以及各蚂蚁、信息素值得到电力终端设备之间的概率,表达式为:
式中,表示第k个蚂蚁从第i个电力终端设备前往第j个电力终端设备的概率;表示第k个蚂蚁从第i个电力终端设备到第j个电力终端设备之间路径上含有的信息素;a表示信息素对搜索结果的影响权重;/>为启发因子,其中启发因子为第i个电力终端设备到第j个电力终端设备之间输电路径距离的倒数;b表示启发因子对搜索结果的影响权重;表示第k个蚂蚁下一个可以前往的电力终端设备构成的集合。
第二方面,本发明实施例还提供了基于云边协同的分布式资源优化调配系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明根据电力终端设备的有功功率、无功功率以及功率因数数据进行分析,综合考虑电力资源输送路径上各电力终端设备的复合波动状况以及电力资源利用状况,构建电力挥发因子作为蚁群算法中的信息素挥发系数,能够根据数据采集区间中各电力终端设备的相关数据自适应的调整信息素挥发系数,避免原蚁群算法中信息素挥发系数设置不当,导致分布式电力资源最优调配路径不准确,造成对电力资源的浪费。在保证收敛速度的同时兼顾电力资源的利用效率,获得分布式电力资源最优调配输送路径,实现一种基于云边协同的分布式资源优化调配方法及系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一个实施例提供的基于云边协同的分布式资源优化调配方法的步骤流程图;
图2为电力终端设备之间的电力挥发因子计算过程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于云边协同的分布式资源优化调配方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于云边协同的分布式资源优化调配方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于云边协同的分布式资源优化调配方法的步骤流程图,该方法包括以下步骤:
步骤S001,通过SCADA系统对电网中各电力终端设备的相关状态数据进行采集。
首先,根据某地区电网中的用户节点进行用电区域划分,之后通过SCADA(Supervisory Control And Data Acquisition)系统即数据采集与监视控制系统,对各用电区域(电网中电力终端设备)的有功功率、无功功率数据以及各电力终端设备之间的输电路径距离进行采集,并通过实时通信网络发送到云端和边缘设备进行后续计算分析,设本实施例中采集数据的电力终端设备个数记为m,采集时间间隔设置为10s,采集总时长为1h。在数据采集过程中由于某些通信设备故障或者数据处理错误可能会导致数据缺失状况,因此,需对传输到云端以及边缘设备的数据进行填充预处理。为考虑终端设备全局的数据特征,本实施例中使用的数据填充算法为拉格朗日插值法,实施者也可根据实际情况选择其它数据填充算法对传输到云端以及边缘设备的相关数据进行缺失值处理。
根据上述方法可获得m个电力终端设备的状态监测矩阵,为防止参数之间不同量纲影响后续计算结果,对每个电力终端设备的状态监测矩阵进行Z-score归一化处理,设第j个电力终端设备的状态监测矩阵为:
矩阵中,分别表示第j个电力终端设备在第n时刻的有功功率、无功功率,n为采集的数据总个数(本实施例中n为360)。
至此,根据本实施例上述方法可获取各电力终端设备的相关状态数据。
步骤S002,根据电力终端设备有功功率、无功功率数据特征构建对应的偏差趋强指数,之后通过电力终端设备的功率因数数据特征,构建电力终端设备之间输电路径上的电力挥发因子,作为蚁群算法中的信息素挥发系数。
通过蚁群算法实现分布式电力资源优化调配时,需考虑各电力终端设备的负荷以及电力波动状况,当电力终端设备的负荷波动较大时,表示此时通过电网向电力终端设备输送的电力资源已经不足以满足当前的用电需求量,需降低通往该电力终端设备与电网之间路径上的信息素挥发系数,引导更多的蚂蚁即输电量选择该路径,避免因供电不足造成不必要的经济损失;当电力终端设备的功率因数即有功功率与视在功率之比的递减趋势越稳定,递减程度越大时,电力资源的利用率以及电路运输效率越小,此时应适当增加该电力终端设备与电网之间路径上的信息素挥发系数,减少信息素在路径上的保留时间,降低路径的选择概率,更好地利用高功率因数设备的优势,进一步提升电力资源的利用效率。基于上述特征构建电力挥发因子,作为后续蚁群算法的挥发系数。
首先,初始化蚂蚁数量、信息素值、信息素挥发系数,在初始时刻,所有蚂蚁均位于分布式电力资源存储中心,各输电路径之间的信息素含量相同,设置为,经验值为10,各电力终端与电网之间输送路径上的挥发系数设置/>为0.5,蚂蚁总数为M,电力终端总个数为m(M=m*1.5)。为方便后续描述,本实施例中用蚂蚁表示供电,将蚂蚁从第i个电力终端设备移动至第j个电力终端设备表示为电力资源存储中心(电网)将电力从第i个电力终端设备输送到第j个电力终端设备。现针对一个电力终端设备的各项数据进行分析。
将第j个电力终端设备状态监测矩阵中的第一行作为第j个电力终端设备的有功功率序列,之后计算第j个电力终端设备第t时刻的有功功率与第t-1时刻的有功功率之差绝对值,将所述绝对值记为第t时刻对应的有功功率偏差幅值,其中/>(n为第j个电力终端设备采集到的有功功率数据总个数),对于第j个电力终端设备对应的有功功率序列,计算该序列中的包含的各有功功率数值的熵记为/>,同时统计有功功率序列中后时刻所对应的有功功率偏差幅值,其中/>为常数系数,经验值为/>。当所述偏差幅值均值相比较前/>时刻的有功功率偏差幅值均值明显增加时,则认为有功功率序列的波动性程度出现增加趋势,即有功功率的偏差幅值增强越为明显,第j个电力终端设备的偏差趋强指数越大。取有功功率序列后/>时刻的有功功率偏差幅值与前/>各时刻对应的偏差幅值进行比较是为了避免对单一数值进行比较导致结果误差较大的弊端。所述偏差趋强指数表达式为:
公式中,表示第j个电力终端设备有功功率的偏差趋强指数;/>为第j个电力终端设备有功功率序列的熵值;/>为第j个电力终端设备有功功率序列前/>时刻对应的有功功率偏差幅值的均值,记为第一均值;/>为第j个电力终端设备有功功率序列后/>时刻所对应的有功功率偏差幅值的均值,记为第二均值;/>为第二均值与第一均值的比值。
当第j个电力终端设备的有功功率序列中各数据值越混乱时,表示该电力终端设备的负荷波动越大,越大,进一步的,电网对所述电力终端设备的供电越不稳定,/>越大,需降低该电网向该电力终端设备输电路径上的信息素挥发系数,引导更多蚂蚁选择该路径;当第j个电力终端设备的负荷波动性程度即负荷不稳定程度出现增加的趋势越明显时,所述电力终端设备的有功功率序列中前后时刻偏差幅值的均值之比越大,/>越大,即该电力终端设备有功功率的偏差趋强指数越大,/>越大,此时越需要降低该电网向该电力终端设备输电路径上的信息素挥发系数,引导更多蚂蚁选择该输电路径,保证电力终端设备的稳定运行。
同理,可根据上述方法获得第j个电力终端设备无功功率的偏差趋强指数。
根据上述步骤获得的第j个电力终端设备基于时序的有功功率序列以及无功功率序列/>可获得视在功率序列/>,再通过有功功率序列与视在功率序列获得功率因数序列/>,视在功率E与功率因数/>具体计算公式如下:
上述公式中,为第j个电力终端设备第t时刻的视在功率;/>、/>分别为第j个电力终端设备第t时刻的有功功率以及无功功率;/>为第j个电力终端设备在第t时刻的功率因数;
越大时,表示第j个电力终端设备在第t时刻的视在功率越大,该电力终端设备需要更稳定的电压与电流供应,以确保设备正常工作和运行。/>越接近于1即越大时,表示有功功率越占据电路中的主要部分,该电路终端设备能够更有效地将电能转变为有用的功率,提高了电力资源的利用效率,此时应该降低该输电路径上的信息素挥发系数,提高电力资源利用率。
至此,可获得第j个电力终端设备基于时序的功率因数序列,比较功率因数序列中每一个时刻的功率因数值与其下一个时刻的功率因数值,若下一时刻的功率因数值小于当前时刻的功率因数值时,将当前时刻标记为功率因数递减时刻。
通过区域生长算法获取功率因数序列中的各个功率因数递减簇,区域生长算法的初始种子点设置为第一个功率因数数据,若该功率因数数据所在时刻为功率因数递减时刻时,开始生长,同时将相邻的功率因数递减时刻划分到同一个功率因数递减簇中,直至功率因数数据对应的时刻不属于功率因数递减时刻时,停止初始种子点的生长,将当前时刻的下一时刻设置为新的初始种子点,继续上述方法判断,迭代上述操作,直至遍历完功率因数序列中的所有功率因数数据。本实施例中区域生长算法的输入为电力终端设备基于时序的功率因数序列,输出为具有多个功率因数递减簇以及其余功率因数数据的功率因数序列,由于区域生长算法为公知技术,此处不再过多赘述,至此,可得到划分功率因数递减簇之后的功率因数序列,用于后续进一步分析。
统计功率因数序列中功率因数递减簇的总个数记为Q以及第q个功率因数递减簇中的时刻数为,确定每个功率因数递减簇中的功率因数最大值以及功率因数最小值分别记为/>、/>(若功率因数递减簇中只有一个数据元素或功率因数递减簇中只有两个数据元素且其数据值相同时,对该功率因数递减簇不予考虑)。计算每个功率因数递减簇中的香农熵SE,为防止计算香农熵时每个随机变量取值的概率都相同,导致每个功率因数递减簇计算得到的香农熵均较大,无法正常反映功率因数数据的不确定性。本实施例采集如下方式解决:上述步骤中已获得电力终端设备基于时刻的功率因数数据值,将每个功率因数数据值与前一个功率因数数据值作差,其差值绝对值小于0.1时,在计算香农熵时,视其功率因数数据值相同。例如某功率因数递减簇中一部分功率因数序列为0.9、0.7、0.5、0.4、0.3时,各个数据元素的概率分别为/>。根据上述数据构建功率因数序列的衰减稳定因子ACS以及电力挥发因子/>:
上述公式中,为第j个电力终端设备功率因数序列中第q个功率因数递减簇的香农熵;/>为第j个电力终端设备功率因数序列中第q个功率因数递减簇中的时刻总数;为第j个电力终端设备功率因数序列中第q个功率因数递减簇中/>出现的概率(功率因数数据差值小于0.1时,计算出现概率时视为相同);/>为第j个电力终端设备功率因数序列的衰减稳定因子;/>为第j个电力终端设备功率因数序列中的功率因数递减簇总个数;分别为第j个电力终端设备功率因数序列中第q个功率因数递减簇中的功率因数最大值以及最小值;/>为采集数据区间内从第i个电力终端设备输送到第j个电力终端设备输电路径上的电力挥发因子;/>为原蚁群算法中的信息素挥发系数(本实施例中值为0.5);/>分别为第j个电力终端设备有功功率以及无功功率的偏差趋强指数;表示所有可以直达第j个电力终端设备的电力终端设备组成的集合。需要说明的是,所述集合的获取可通过现有技术实现,本实施例对此不做特殊限制。
当第j个电力终端设备功率因数序列内第q个功率因数递减簇中各功率因数数据混乱程度越大时,对应递减簇中的功率因数数据递减状况越不稳定,越大;第j个电力终端设备的功率因数递减趋势越稳定,功率因数数据值递减程度越大时,/>越大,输送至第j个电力终端设备的电力资源利用率以及对应电路运输路径效率越小,所述电力终端设备功率因数序列中功率因数递减簇的总数量越多即/>越大(加e是为了增加功率因数递减簇数量衰减稳定因子时的计算权重),第j个电力终端设备所有功率因数递减簇中的最大功率因数数据值与最小功率因数数据值差异越大,即/>越大;进一步的,第j个电力终端设备功率因数序列中所有功率因数递减簇的信息熵和越小,即/>越小。电力终端设备的有功功率与无功功率偏差趋强指数越大即/>越大,功率因数衰减稳定因子越小即/>越小时,越应该降低第i个电力终端设备到第j个电力终端设备输电路径上的信息素挥发系数即/>越小,增加信息素在路径上的保留时间,增大路径的选择概率,使电力资源能够被更好的利用。
步骤S003,将电力挥发因子作为蚁群算法中的信息素挥发系数,寻找电网供电的最优路径,并根据所述路径将电力资源进行调配,实现基于云边协同的分布式资源优化调配。
在上述步骤中已经获得各电力终端设备之间输电路径上的电力挥发因子,其中,电力终端设备之间的电力挥发因子计算过程示意图如图2所示。将电力挥发因子/>作为蚁群算法中的信息素挥发系数,寻找电网供电的最优路径,计算电网从第i个电力终端设备输送到第j个电力终端设备的概率,计算公式为:
上述公式中,表示第k个蚂蚁从第i个电力终端设备前往第j个电力终端设备的概率;/>表示第k个蚂蚁从第i个电力终端设备到第j个电力终端设备之间路径上含有的信息素;a表示信息素对搜索结果的影响权重,通常取经验值0.3;/>为启发因子,表示第k个蚂蚁从第i个电力终端设备到第j个电力终端设备之间路径的价值估计,用于指导蚂蚁在解空间中寻找最佳路径,以获取高质量的解,本实施例中启发因子为第i个电力终端设备到第j个电力终端设备之间输电路径距离的倒数;b表示启发因子对搜索结果的影响权重,通常取经验值0.7;/>表示第k个蚂蚁下一个可以前往的电力终端设备构成的集合,由于一个电力终端设备在一次迭代过程中只能被经过一次,故当某电力终端设备被电网选择过一次输电时,则该电力终端设备不在/>集合中,随着各蚂蚁的不断移动,/>集合中的元素将越来越少。
当完成一次迭代任务后,根据数据采集区间内(本实施例中为1h)各蚂蚁的行走路径以及释放的信息素,根据本实施例中的上述步骤结合云边协同的计算获取下一次算法迭代过程中各个电力终端设备之间输电路径上的电力挥发因子,并将其输入至蚁群算法中进行建模,最终获得向各电力终端设备供电的最优路径,之后根据该路径,将电网中的电力资源输送到各个电力终端设备,保证电力资源的有效利用。需要说明的是蚁群算法具体过程以及优化过程为现有技术,具体过程本实施例不做特殊限制,在此不做赘述。
基于与上述方法相同的发明构思,本发明实施例还提供了基于云边协同的分布式资源优化调配系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于云边协同的分布式资源优化调配方法中任意一项所述方法的步骤。
至此,根据本实施例上述过程,可实现一种基于云边协同的分布式资源优化调配方法及系统。
综上所述,本发明实施例根据电力终端设备的有功功率、无功功率以及功率因数数据进行分析,综合考虑电力资源输送路径上各电力终端设备的复合波动状况以及电力资源利用状况,构建电力挥发因子作为蚁群算法中的信息素挥发系数,能够根据数据采集区间中各电力终端设备的相关数据自适应的调整信息素挥发系数,避免原蚁群算法中信息素挥发系数设置不当,导致分布式电力资源最优调配路径不准确,造成对电力资源的浪费。在保证收敛速度的同时兼顾电力资源的利用效率,获得分布式电力资源最优调配输送路径,实现一种基于云边协同的分布式资源优化调配方法及系统。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于云边协同的分布式资源优化调配方法,其特征在于,该方法包括以下步骤:
采集各用电区域电力终端设备的有功功率、无功功率以及各电力终端设备之间的输电路径距离;初始化蚁群算法中的蚂蚁数量、信息素值、信息素挥发系数;
对于各电力终端设备,根据电力终端设备各时刻有功功率的差值获取各时刻的有功功率偏差幅值;根据电力终端设备各时刻的有功功率偏差幅值及有功功率熵值得到电力终端设备有功功率的偏差趋强指数;结合电力终端设备各时刻无功功率获取电力终端设备的无功功率的偏差趋强指数;根据电力终端设备的各时刻的有功功率及无功功率得各时刻的视在功率;根据各时刻的视在功率及有功功率得到电力终端设备各时刻的功率因数;获取电力终端设备功率因数序列的各功率因数递减簇;根据各功率因数递减簇的功率因数最大值、最小值以及香农熵得到功率因数序列的衰减稳定因子;根据电力终端设备的有功功率和无功功率的偏差趋强指数、功率因数序列的衰减稳定因子以及初始化的信息素挥发系数得到电力终端设备之间的电力挥发因子;
根据各电力终端设备之间的输电路径以及各蚂蚁、信息素值得到电力终端设备之间的概率;将电力挥发因子作为蚁群算法中的信息素挥发系数,并结合各电力终端设备之间的概率采用蚁群算法获取各电力终端设备供电的最优路径,完成电力资源的优化调配。
2.如权利要求1所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据电力终端设备各时刻有功功率的差值获取各时刻的有功功率偏差幅值,包括:
将电力终端设备各时刻有功功率与前一时刻有功功率的差值绝对值作为各时刻的有功功率偏差幅值。
3.如权利要求1所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据电力终端设备各时刻的有功功率偏差幅值及有功功率熵值得到电力终端设备有功功率的偏差趋强指数,包括:
获取电力终端设备有功功率序列前时刻的有功功率偏差幅值的均值及后/>时刻的有功功率偏差幅值的均值,分别记为第一均值、第二均值,其中ϵ为预设时刻;计算电力终端设备有功功率序列的熵值;将所述第二均值与第一均值的比值乘以所述熵值的计算结果作为电力终端设备有功功率的偏差趋强指数。
4.如权利要求1所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据电力终端设备的各时刻的有功功率及无功功率得各时刻的视在功率,包括:
计算电力终端设备各时刻的有功功率平方与无功功率平方的和值,将所述和值的开方作为各时刻的视在功率。
5.如权利要求4所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据各时刻的视在功率及有功功率得到电力终端设备各时刻的功率因数,包括:将各时刻的有功功率与视在功率的比值作为电力终端设备各时刻的功率因数。
6.如权利要求5所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述获取电力终端设备功率因数序列的各功率因数递减簇,包括:
将电力终端设备的各时刻功率因数组成功率因数序列,当功率因数序列中当前时刻的功率因数小于下一时刻功率因数时,将所述当前时刻作为功率因数递减时刻;
采用区域生长算法获取功率因数序列中的各功率因数递减簇,区域生长算法的生长停止条件为当功率因数对应的时刻不属于功率因数递减时刻时停止生长,得到功率因数序列的各功率因数递减簇。
7.如权利要求6所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据各功率因数递减簇的功率因数最大值、最小值以及香农熵得到功率因数序列的衰减稳定因子,包括:
获取电力终端设备各功率因数递减簇的功率因数最大值与最小值的差值绝对值,计算所述差值绝对值与功率因数递减簇香农熵的比值,计算电力终端设备所有功率因数递减簇的所述比值的和值,将所述和值与以自然常数为底数、电力终端设备功率因数递减簇个数为指数的指数函数计算结果的乘积作为电力终端设备对应功率因数序列的衰减稳定因子。
8.如权利要求1所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据电力终端设备的有功功率和无功功率的偏差趋强指数、功率因数序列的衰减稳定因子以及初始化的信息素挥发系数得到电力终端设备之间的电力挥发因子,具体包括:
将各电力终端设备作为目标电力终端设备,获取目标电力终端设备可直达的电力终端设备集合,获取所述电力终端设备集合中各电力终端设备的有功功率和无功功率偏差趋强指数的乘积,计算所述乘积与衰减稳定因子的比值,将初始化的信息素挥发系数与所述比值的差值作为所述电力终端设备集中各电力终端设备与目标电力终端设备之间的电力挥发因子。
9.如权利要求8所述的基于云边协同的分布式资源优化调配方法,其特征在于,所述根据各电力终端设备之间的输电路径以及各蚂蚁、信息素值得到电力终端设备之间的概率,表达式为:
式中,表示第k个蚂蚁从第i个电力终端设备前往第j个电力终端设备的概率;/>表示第k个蚂蚁从第i个电力终端设备到第j个电力终端设备之间路径上含有的信息素;a表示信息素对搜索结果的影响权重;/>为启发因子,其中启发因子为第i个电力终端设备到第j个电力终端设备之间输电路径距离的倒数;b表示启发因子对搜索结果的影响权重;/>表示第k个蚂蚁下一个可以前往的电力终端设备构成的集合。
10.基于云边协同的分布式资源优化调配系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452599.8A CN117170885B (zh) | 2023-11-03 | 2023-11-03 | 基于云边协同的分布式资源优化调配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452599.8A CN117170885B (zh) | 2023-11-03 | 2023-11-03 | 基于云边协同的分布式资源优化调配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170885A true CN117170885A (zh) | 2023-12-05 |
CN117170885B CN117170885B (zh) | 2024-01-26 |
Family
ID=88941641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452599.8A Active CN117170885B (zh) | 2023-11-03 | 2023-11-03 | 基于云边协同的分布式资源优化调配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170885B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046022A (zh) * | 2015-08-27 | 2015-11-11 | 安徽工业大学 | 一种基于改进蚁群算法的智能配电网自愈方法 |
CN110365753A (zh) * | 2019-06-27 | 2019-10-22 | 北京邮电大学 | 基于边缘计算的物联网服务低时延负载分配方法及装置 |
US20200091767A1 (en) * | 2018-09-14 | 2020-03-19 | Commonwealth Edison Company | Methods and systems for determining a linear power flow for a distribution network |
US20200373759A1 (en) * | 2019-05-26 | 2020-11-26 | Battelle Memorial Institute | Coordinated voltage control and reactive power regulation between transmission and distribution systems |
CN112165112A (zh) * | 2020-09-23 | 2021-01-01 | 广东电网有限责任公司肇庆供电局 | 一种用于解决配网低电压的分布式储能系统规划方法 |
CN113342510A (zh) * | 2021-08-05 | 2021-09-03 | 国能大渡河大数据服务有限公司 | 一种水电流域应急指挥云边计算资源协同处理方法 |
CN115441502A (zh) * | 2022-09-13 | 2022-12-06 | 广东电网有限责任公司 | 基于分布式电源的供电恢复方法、装置、设备及存储介质 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
WO2023116067A1 (zh) * | 2021-12-22 | 2023-06-29 | 安徽继远软件有限公司 | 面向5g云边端协同的电力业务分解方法及系统 |
CN116526568A (zh) * | 2023-07-03 | 2023-08-01 | 国网北京市电力公司 | 交直流配电网分布式电源优化方法、系统、设备及介质 |
-
2023
- 2023-11-03 CN CN202311452599.8A patent/CN117170885B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046022A (zh) * | 2015-08-27 | 2015-11-11 | 安徽工业大学 | 一种基于改进蚁群算法的智能配电网自愈方法 |
US20200091767A1 (en) * | 2018-09-14 | 2020-03-19 | Commonwealth Edison Company | Methods and systems for determining a linear power flow for a distribution network |
US20200373759A1 (en) * | 2019-05-26 | 2020-11-26 | Battelle Memorial Institute | Coordinated voltage control and reactive power regulation between transmission and distribution systems |
CN110365753A (zh) * | 2019-06-27 | 2019-10-22 | 北京邮电大学 | 基于边缘计算的物联网服务低时延负载分配方法及装置 |
CN112165112A (zh) * | 2020-09-23 | 2021-01-01 | 广东电网有限责任公司肇庆供电局 | 一种用于解决配网低电压的分布式储能系统规划方法 |
CN113342510A (zh) * | 2021-08-05 | 2021-09-03 | 国能大渡河大数据服务有限公司 | 一种水电流域应急指挥云边计算资源协同处理方法 |
WO2023116067A1 (zh) * | 2021-12-22 | 2023-06-29 | 安徽继远软件有限公司 | 面向5g云边端协同的电力业务分解方法及系统 |
CN115441502A (zh) * | 2022-09-13 | 2022-12-06 | 广东电网有限责任公司 | 基于分布式电源的供电恢复方法、装置、设备及存储介质 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
CN116526568A (zh) * | 2023-07-03 | 2023-08-01 | 国网北京市电力公司 | 交直流配电网分布式电源优化方法、系统、设备及介质 |
Non-Patent Citations (4)
Title |
---|
ABUL\'WAFA, AHMED R: "Ant-lion optimizer-based multi-objective optimal simultaneous allocation of distributed generations and synchronous condensers in distribution networks", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》, vol. 29 * |
刘科研;盛万兴;贾东梨;孟晓丽;闫文棋;张筱慧;: "基于协同进化蚁群算法的含光伏发电的配电网重构", 可再生能源, no. 05 * |
李燕等: "基于改进蚁群算法的机器人路径规划", 《电脑与信息技术》, no. 2 * |
杨子跃: "含分布式光伏的配电网多目标优化重构研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》, no. 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN117170885B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112134916B (zh) | 一种基于深度强化学习的云边协同计算迁移方法 | |
Lee et al. | Adaptive transmission scheduling in wireless networks for asynchronous federated learning | |
CN109002358A (zh) | 基于深度强化学习的移动终端软件自适应优化调度方法 | |
CN109885397A (zh) | 一种边缘计算环境中时延优化的负载任务迁移算法 | |
CN109831808B (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
CN112598313B (zh) | 基于天牛须搜索算法的用电调度方法、装置和计算机设备 | |
CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN109618399A (zh) | 多用户移动边缘计算系统中的分布式能量管理优化方法 | |
CN115480876A (zh) | 基于蚁群算法优化的云计算任务调度方法及系统 | |
CN114169543A (zh) | 一种基于模型陈旧性与用户参与度感知的联邦学习算法 | |
CN112257897A (zh) | 基于改进多目标粒子群的电动汽车充电优化方法和系统 | |
Ju et al. | Dynamic power allocation for throughput utility maximization in interference-limited networks | |
CN117170885B (zh) | 基于云边协同的分布式资源优化调配方法及系统 | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 | |
CN116089083A (zh) | 一种多目标数据中心资源调度方法 | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质 | |
CN105959960B (zh) | 一种基于进化多目标优化匹配的频谱决策方法 | |
CN109121221A (zh) | 一种无线能量分配和用户调度的方法 | |
CN114565238B (zh) | 综合能源低碳调度方法及装置 | |
CN112422455A (zh) | 一种集中式的多路径效用公平带宽分配方法 | |
Dong-rui | Cluster analysis algorithm based on key data integration for cloud computing |
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 |