CN117314128A - 一种基于数字孪生技术的智慧城市能源管理方法及系统 - Google Patents
一种基于数字孪生技术的智慧城市能源管理方法及系统 Download PDFInfo
- Publication number
- CN117314128A CN117314128A CN202311608764.4A CN202311608764A CN117314128A CN 117314128 A CN117314128 A CN 117314128A CN 202311608764 A CN202311608764 A CN 202311608764A CN 117314128 A CN117314128 A CN 117314128A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy management
- data
- objective function
- model
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 143
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 92
- 241000282461 Canis lupus Species 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 238000013178 mathematical model Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生技术的智慧城市能源管理方法及系统,方法包括数据采集、目标函数建构、优化数字化建模、能源调度预测和智慧城市能源管理。本发明涉及能源管理技术领域,具体是指一种基于数字孪生技术的智慧城市能源管理方法及系统,采用构建目标函数组并进一步构建基本数字孪生模型的方法进行目标函数构建,描述了能源管理的多目标数学模型,提升了方法的整体准确性;采用灰狼优化器优化能源管理基本数字孪生模型,通过灰狼算法寻找目标函数的最优解,提升了数学模型的可用性和计算效率;采用深度生成对抗网络的方法进行可再生能源的输出功率预测,提升了方法的整体实用性和自动性。
Description
技术领域
本发明涉及能源管理技术领域,具体是指一种基于数字孪生技术的智慧城市能源管理方法及系统。
背景技术
基于数字孪生技术的智慧城市能源管理方法是指利用数字孪生技术(DigitalTwin)来模拟、监控和优化智慧城市中的能源系统的一种管理方法,在智慧城市能源管理中,数字孪生技术可以将城市能源系统中的物理实体进行数字化建模,从而实现对能源系统的监控和管理。
但是,在已有的智慧城市能源管理方法中,存在着能源管理的问题模型是多目标数学模型,模型较为复杂,且影响能源调度相关的计算准确性和效率的技术问题;在已有的智慧城市能源管理方法中,存在着多目标数学模型具有较高的非线性和复杂性,因此需要采用合适的优化算法的技术问题;在已有的智慧城市能源管理方法中,存在着缺少一种基于多目标数学模型进行能源调度预测的方法的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于数字孪生技术的智慧城市能源管理方法及系统,针对在已有的智慧城市能源管理方法中,存在着能源管理的问题模型是多目标数学模型,模型较为复杂,且影响能源调度相关的计算准确性和效率的技术问题,本方案创造性地采用构建目标函数组并进一步构建基本数字孪生模型的方法进行目标函数构建,描述了能源管理的多目标数学模型,提升了方法的整体准确性;针对在已有的智慧城市能源管理方法中,存在着多目标数学模型具有较高的非线性和复杂性,因此需要采用合适的优化算法的技术问题,本方案创造性地采用灰狼优化器优化能源管理基本数字孪生模型,通过灰狼算法寻找目标函数的最优解,提升了数学模型的可用性和计算效率;针对在已有的智慧城市能源管理方法中,存在着缺少一种基于多目标数学模型进行能源调度预测的方法的技术问题,本方案创造性地采用深度生成对抗网络的方法进行可再生能源的输出功率预测,并进一步得到能源调度预测数据,提升了方法的整体实用性和自动性。
本发明采取的技术方案如下:本发明提供的一种基于数字孪生技术的智慧城市能源管理方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:目标函数建构;
步骤S3:优化数字化建模;
步骤S4:能源调度预测;
步骤S5:智慧城市能源管理。
进一步地,在步骤S1中,所述数据采集,用于收集城市能源数据信息,具体为从城市的能源系统中,采用传感器、智能计量设备和IoT技术,通过采集得到能源管理原始数据,所述能源管理原始数据,包括用能情况数据、能源供应数据、环境参数数据。
进一步地,在步骤S2中,所述目标函数建构,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组,所述目标函数组,包括整体能源成本目标函数、非可再生能源可靠性目标函数和供电平均故障时间目标函数,并构建能源管理基本数字孪生模型,所述步骤S2包括以下步骤:
步骤S21:计算整体能源成本目标函数,包括以下步骤:
步骤S211:计算能源需求成本子函数,计算公式为:
;
式中,是能源需求成本子函数值,T是总能源需求时长,t是能源需求时间索引,I是供能能源总数,i是供能能源索引,Fi(·)是第i个功能能源的需求成本,Pit是第i个功能能源在t时的输出功率;
步骤S212:计算能源损耗成本子函数,计算公式为:
;
式中,是能源损耗成本子函数值,T是总能源需求时长,t是能源需求时间索引,是在t时的能源损耗成本,/>是在t时的主供能能源的功率;
步骤S213:计算能源转换成本子函数,计算公式为:
;
式中,是能源转换成本子函数值;T是总能源需求时长,t是能源需求时间索引,L是馈线总集,mn是馈线索引,/>是在t时刻馈线mn的开运行状态系数,/>是在t时刻馈线mn的关运行状态系数,/>是每个时刻的切换开关状态运行成本;
步骤S214:计算能源成本目标函数,计算公式为:
;
式中,是整体能源成本目标函数值,/>是能源需求成本子函数值,/>是能源损耗成本子函数值,/>是能源转换成本子函数值;
步骤S22:计算非可再生能源可靠性目标函数,计算公式为:
;
式中,FAENS是非可再生能源可靠性目标函数值,用于表示非可再生能源提供的平均能量,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的平均总线负载,/>是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
步骤S23:计算供电平均故障时间目标函数,计算公式为:
;
式中,FSAIDI是供电平均故障时间目标函数,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
步骤S24:数学模型建构,具体为通过所述计算整体能源成本目标函数、所述计算非可再生能源可靠性目标函数和所述计算供电平均故障时间目标函数,构建能源管理基本数字孪生模型。
进一步地,在步骤S3中,所述优化数字化建模,用于优化基本数字孪生模型,并求解数学最优解,具体为采用灰狼优化器优化所述能源管理基本数字孪生模型,所述步骤S3包括以下步骤:
步骤S31:优化变量初始化,具体为对灰狼位置更新步长向量进行变量初始化,包括以下步骤:
步骤S311:第一更新步长向量初始化,计算公式为:
;
式中,是第一更新步长向量,/>是迭代线性变化向量,所述迭代线性变化向量/>的值在迭代过程中由2线性减少至0,/>是第一随机向量,所述第一随机向量/>的取值范围为[0,1];
步骤S312:第二更新步长向量初始化,计算公式为:
;
式中,是第二更新步长向量,/>是第二随机向量,所述第二随机向量/>的取值范围为[0,1];
步骤S32:构建灰狼优化器算法基本模型,计算公式为:
;
式中,是在第/>次迭代中的灰狼位置向量,所述灰狼位置向量,用于表述目标函数的解,/>是迭代次数索引,/>是第/>次迭代中的目标位置向量,所述目标位置向量用于表示目标函数的最优解,/>是第一更新步长向量,/>是距离向量,用于表示灰狼与所述目标位置之间的距离,/>是第二更新步长向量,/>是在第/>次迭代中的灰狼位置向量;
步骤S33:设置迭代条件,具体为将所述迭代条件,设置为得到最优灰狼位置,所述最优灰狼位置,包括最优狼位置、最优/>狼位置和最优/>狼位置;
步骤S34:更新灰狼位置,具体为依据所述灰狼优化器算法基本模型和所述迭代条件,进行灰狼位置迭代计算,得到更新灰狼位置,所述更新灰狼位置,包括更新狼位置、更新/>狼位置和更新/>狼位置;
步骤S35:更新优化变量,具体依据所述更新灰狼位置,更新所述第一更新步长向量、所述距离向量和所述第二更新步长向量;
步骤S36:迭代次数递增,具体为依据迭代进行的次数对所述迭代次数索引进行自增操作,并进行下一次迭代计算;
步骤S37:求得最优解,具体为依据所述迭代条件,在迭代条件满足时结束迭代计算,得到所述最优灰狼位置,并得到目标函数最优解,所述目标函数最优解,包括整体能源成本目标函数最优解、非可再生能源可靠性目标函数最优解和供电平均故障时间目标函数最优解;
步骤S38:数学模型优化,具体为通过所述目标函数最优解,优化能源管理数学模型,得到能源管理优化模型。
进一步地,在步骤S4中,所述能源调度预测,用于对可再生能源的最佳功率进行预测,具体为采用深度生成对抗网络的方法,基于所述能源管理优化模型和所述能源管理原始数据,进行可再生能源的输出功率预测,得到能源调度预测数据;
所述深度生成对抗网络,包括生成结构和判别结构;
所述生成结构,用于生成伪造的数据样本;
所述判别结构,用于对输入的数据样本进行评估,并判断数据样本是来自真实数据分布,还是由生成结构生成的伪造数据样本;
所述采用深度生成对抗网络的方法,基于所述能源管理优化模型,进行可再生能源的输出功率预测的步骤,包括:
步骤S41:构建判别结构,计算公式为:
;
式中,是判别结构训练损失函数,/>是判别结构训练参数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,x是真实数据输入,N是伪造数据样本;
步骤S42:构建生成结构,计算公式为:
;
式中,是生成结构训练损失函数,/>是生成结构训练参数,D是判别结构标识符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,N是伪造数据样本;
步骤S43:构建深度生成对抗网络,计算公式为:
;
式中,是深度生成对抗网络训练损失函数,min是求最小值函数,G是生成结构标识符,max是求最大值函数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,/>是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,x是真实数据输入,N是伪造数据样本;
步骤S44:预测模型训练,具体为通过所述构建判别结构、所述构建生成结构和所述构建深度生成对抗网络,进行预测模型训练,得到能源调度预测模型ModelRS;
步骤S45:能源调度预测,具体为采用所述能源调度预测模型ModelRS进行可再生能源的输出功率预测,得到能源调度预测数据。
进一步地,在步骤S5中,所述智慧城市能源管理,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案。
本发明提供的一种基于数字孪生技术的智慧城市能源管理系统,包括数据采集模块、目标函数建构模块、优化数字化建模模块、能源调度预测模块和智慧城市能源管理模块;
所述数据采集模块,用于收集城市能源数据信息,具体为从城市的能源系统中,通过数据采集,得到能源管理原始数据,并将所述能源管理原始数据发送至目标函数建构模块和能源调度预测模块;
所述目标函数建构模块,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组和能源管理基本数字孪生模型,并将所述目标函数组发送至优化数字化建模模块;
所述优化数字化建模模块,用于优化基本数字孪生模型,并求解数学最优解,通过优化数字化建模,得到能源管理优化模型,并将所述能源管理优化模型发送至能源调度预测模块;
所述能源调度预测模块,用于对可再生能源的最佳功率进行预测,通过能源调度预测,得到能源调度预测数据,并将所述能源调度预测数据发送至智慧城市能源管理模块;
所述智慧城市能源管理模块,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案。
采用上述方案本发明取得的有益效果如下:
(1)针对在已有的智慧城市能源管理方法中,存在着能源管理的问题模型是多目标数学模型,模型较为复杂,且影响能源调度相关的计算准确性和效率的技术问题,本方案创造性地采用构建目标函数组并进一步构建基本数字孪生模型的方法进行目标函数构建,描述了能源管理的多目标数学模型,提升了方法的整体准确性;
(2)针对在已有的智慧城市能源管理方法中,存在着多目标数学模型具有较高的非线性和复杂性,因此需要采用合适的优化算法的技术问题,本方案创造性地采用灰狼优化器优化能源管理基本数字孪生模型,通过灰狼算法寻找目标函数的最优解,提升了数学模型的可用性和计算效率;
(3)针对在已有的智慧城市能源管理方法中,存在着缺少一种基于多目标数学模型进行能源调度预测的方法的技术问题,本方案创造性地采用深度生成对抗网络的方法进行可再生能源的输出功率预测,并进一步得到能源调度预测数据,提升了方法的整体实用性和自动性。
附图说明
图1为本发明提供的一种基于数字孪生技术的智慧城市能源管理方法的流程示意图;
图2为本发明提供的一种基于数字孪生技术的智慧城市能源管理系统的示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
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,所描述的实施例仅仅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做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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明采取的技术方案如下:本发明提供的一种基于数字孪生技术的智慧城市能源管理方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:目标函数建构;
步骤S3:优化数字化建模;
步骤S4:能源调度预测;
步骤S5:智慧城市能源管理。
实施例二,参阅图1和图2,在步骤S1中,所述数据采集,用于收集城市能源数据信息,具体为从城市的能源系统中,采用传感器、智能计量设备和IoT技术,通过采集得到能源管理原始数据,所述能源管理原始数据,包括用能情况数据、能源供应数据、环境参数数据。
实施例三,参阅图1、图2和图3,该实施例基于上述实施例,在步骤S2中,所述目标函数建构,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组,所述目标函数组,包括整体能源成本目标函数、非可再生能源可靠性目标函数和供电平均故障时间目标函数,并构建能源管理基本数字孪生模型,所述步骤S2包括以下步骤:
步骤S21:计算整体能源成本目标函数,包括以下步骤:
步骤S211:计算能源需求成本子函数,计算公式为:
;
式中,是能源需求成本子函数值,T是总能源需求时长,t是能源需求时间索引,I是供能能源总数,i是供能能源索引,Fi(·)是第i个功能能源的需求成本,Pit是第i个功能能源在t时的输出功率;
步骤S212:计算能源损耗成本子函数,计算公式为:
;
式中,是能源损耗成本子函数值,T是总能源需求时长,t是能源需求时间索引,是在t时的能源损耗成本,/>是在t时的主供能能源的功率;
步骤S213:计算能源转换成本子函数,计算公式为:
;
式中,是能源转换成本子函数值;T是总能源需求时长,t是能源需求时间索引,L是馈线总集,mn是馈线索引,/>是在t时刻馈线mn的开运行状态系数,/>是在t时刻馈线mn的关运行状态系数,/>是每个时刻的切换开关状态运行成本;
步骤S214:计算能源成本目标函数,计算公式为:
;
式中,是整体能源成本目标函数值,/>是能源需求成本子函数值,/>是能源损耗成本子函数值,/>是能源转换成本子函数值;
步骤S22:计算非可再生能源可靠性目标函数,计算公式为:
;
式中,FAENS是非可再生能源可靠性目标函数值,用于表示非可再生能源提供的平均能量,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的平均总线负载,/>是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
步骤S23:计算供电平均故障时间目标函数,计算公式为:
;
式中,FSAIDI是供电平均故障时间目标函数,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
步骤S24:数学模型建构,具体为通过所述计算整体能源成本目标函数、所述计算非可再生能源可靠性目标函数和所述计算供电平均故障时间目标函数,构建能源管理基本数字孪生模型。
通过执行上述操作,针对在已有的智慧城市能源管理方法中,存在着能源管理的问题模型是多目标数学模型,模型较为复杂,且影响能源调度相关的计算准确性和效率的技术问题,本方案创造性地采用构建目标函数组并进一步构建基本数字孪生模型的方法进行目标函数构建,描述了能源管理的多目标数学模型,提升了方法的整体准确性。
实施例四,参阅图1、图2和图4,该实施例基于上述实施例,在步骤S3中,所述优化数字化建模,用于优化基本数字孪生模型,并求解数学最优解,具体为采用灰狼优化器优化所述能源管理基本数字孪生模型,所述步骤S3包括以下步骤:
步骤S31:优化变量初始化,具体为对灰狼位置更新步长向量进行变量初始化,包括以下步骤:
步骤S311:第一更新步长向量初始化,计算公式为:
;
式中,是第一更新步长向量,/>是迭代线性变化向量,所述迭代线性变化向量/>的值在迭代过程中由2线性减少至0,/>是第一随机向量,所述第一随机向量/>的取值范围为[0,1];
步骤S312:第二更新步长向量初始化,计算公式为:
;
式中,是第二更新步长向量,/>是第二随机向量,所述第二随机向量/>的取值范围为[0,1];
步骤S32:构建灰狼优化器算法基本模型,计算公式为:
;
式中,是在第/>次迭代中的灰狼位置向量,所述灰狼位置向量,用于表述目标函数的解,/>是迭代次数索引,/>是第/>次迭代中的目标位置向量,所述目标位置向量用于表示目标函数的最优解,/>是第一更新步长向量,/>是距离向量,用于表示灰狼与所述目标位置之间的距离,/>是第二更新步长向量,/>是在第/>次迭代中的灰狼位置向量;
步骤S33:设置迭代条件,具体为将所述迭代条件,设置为得到最优灰狼位置,所述最优灰狼位置,包括最优狼位置、最优/>狼位置和最优/>狼位置;
步骤S34:更新灰狼位置,具体为依据所述灰狼优化器算法基本模型和所述迭代条件,进行灰狼位置迭代计算,得到更新灰狼位置,所述更新灰狼位置,包括更新狼位置、更新/>狼位置和更新/>狼位置;
步骤S35:更新优化变量,具体依据所述更新灰狼位置,更新所述第一更新步长向量、所述距离向量和所述第二更新步长向量;
步骤S36:迭代次数递增,具体为依据迭代进行的次数对所述迭代次数索引进行自增操作,并进行下一次迭代计算;
步骤S37:求得最优解,具体为依据所述迭代条件,在迭代条件满足时结束迭代计算,得到所述最优灰狼位置,并得到目标函数最优解,所述目标函数最优解,包括整体能源成本目标函数最优解、非可再生能源可靠性目标函数最优解和供电平均故障时间目标函数最优解;
步骤S38:数学模型优化,具体为通过所述目标函数最优解,优化能源管理数学模型,得到能源管理优化模型。
通过执行上述操作,针对在已有的智慧城市能源管理方法中,存在着多目标数学模型具有较高的非线性和复杂性,因此需要采用合适的优化算法的技术问题,本方案创造性地采用灰狼优化器优化能源管理基本数字孪生模型,通过灰狼算法寻找目标函数的最优解,提升了数学模型的可用性和计算效率。
实施例五,参阅图1、图2和图5,该实施例基于上述实施例,在步骤S4中,所述能源调度预测,用于对可再生能源的最佳功率进行预测,具体为采用深度生成对抗网络的方法,基于所述能源管理优化模型和所述能源管理原始数据,进行可再生能源的输出功率预测,得到能源调度预测数据;
所述深度生成对抗网络,包括生成结构和判别结构;
所述生成结构,用于生成伪造的数据样本;
所述判别结构,用于对输入的数据样本进行评估,并判断数据样本是来自真实数据分布,还是由生成结构生成的伪造数据样本;
所述采用深度生成对抗网络的方法,基于所述能源管理优化模型,进行可再生能源的输出功率预测的步骤,包括:
步骤S41:构建判别结构,计算公式为:
;
式中,是判别结构训练损失函数,/>是判别结构训练参数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,x是真实数据输入,N是伪造数据样本;
步骤S42:构建生成结构,计算公式为:
;
式中,是生成结构训练损失函数,/>是生成结构训练参数,D是判别结构标识符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,N是伪造数据样本;
步骤S43:构建深度生成对抗网络,计算公式为:
;
式中,是深度生成对抗网络训练损失函数,min是求最小值函数,G是生成结构标识符,max是求最大值函数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,/>是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,x是真实数据输入,N是伪造数据样本;
步骤S44:预测模型训练,具体为通过所述构建判别结构、所述构建生成结构和所述构建深度生成对抗网络,进行预测模型训练,得到能源调度预测模型ModelRS;
步骤S45:能源调度预测,具体为采用所述能源调度预测模型ModelRS进行可再生能源的输出功率预测,得到能源调度预测数据。
通过执行上述操作,针对在已有的智慧城市能源管理方法中,存在着缺少一种基于多目标数学模型进行能源调度预测的方法的技术问题,本方案创造性地采用深度生成对抗网络的方法进行可再生能源的输出功率预测,并进一步得到能源调度预测数据,提升了方法的整体实用性和自动性。
实施例六,参阅图1和图2,该实施例基于上述实施例,在步骤S5中,所述智慧城市能源管理,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种基于数字孪生技术的智慧城市能源管理系统,包括数据采集模块、目标函数建构模块、优化数字化建模模块、能源调度预测模块和智慧城市能源管理模块;
所述数据采集模块,用于收集城市能源数据信息,具体为从城市的能源系统中,通过数据采集,得到能源管理原始数据,并将所述能源管理原始数据发送至目标函数建构模块和能源调度预测模块;
所述目标函数建构模块,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组和能源管理基本数字孪生模型,并将所述目标函数组发送至优化数字化建模模块;
所述优化数字化建模模块,用于优化基本数字孪生模型,并求解数学最优解,通过优化数字化建模,得到能源管理优化模型,并将所述能源管理优化模型发送至能源调度预测模块;
所述能源调度预测模块,用于对可再生能源的最佳功率进行预测,通过能源调度预测,得到能源调度预测数据,并将所述能源调度预测数据发送至智慧城市能源管理模块;
所述智慧城市能源管理模块,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,用于收集城市能源数据信息,具体为从城市的能源系统中,通过采集得到能源管理原始数据;
步骤S2:目标函数建构,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组,所述目标函数组,包括整体能源成本目标函数、非可再生能源可靠性目标函数和供电平均故障时间目标函数,并构建能源管理基本数字孪生模型,所述步骤S2包括以下步骤:步骤S21:计算整体能源成本目标函数;步骤S22:计算非可再生能源可靠性目标函数;步骤S23:计算供电平均故障时间目标函数;步骤S24:数学模型建构;
步骤S3:优化数字化建模,用于优化基本数字孪生模型,并求解数学最优解,具体为采用灰狼优化器优化所述能源管理基本数字孪生模型,得到能源管理优化模型,所述步骤S3包括以下步骤:步骤S31:优化变量初始化;步骤S32:构建灰狼优化器算法基本模型;步骤S33:设置迭代条件;步骤S34:更新灰狼位置;步骤S35:更新优化变量;步骤S36:迭代次数递增;步骤S37:求得最优解;步骤S38:数学模型优化;
步骤S4:能源调度预测,用于对可再生能源的最佳功率进行预测,具体为采用深度生成对抗网络的方法,基于所述能源管理优化模型和所述能源管理原始数据,进行可再生能源的输出功率预测,得到能源调度预测数据;
所述深度生成对抗网络,包括生成结构和判别结构;
所述生成结构,用于生成伪造的数据样本;
所述判别结构,用于对输入的数据样本进行评估,并判断数据样本是来自真实数据分布,还是由生成结构生成的伪造数据样本;
步骤S5:智慧城市能源管理,用于进行能源管理辅助。
2.根据权利要求1所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S21中,所述计算整体能源成本目标函数,包括以下步骤:
步骤S211:计算能源需求成本子函数,计算公式为:
;
式中,是能源需求成本子函数值,T是总能源需求时长,t是能源需求时间索引,I是供能能源总数,i是供能能源索引,Fi(·)是第i个功能能源的需求成本,Pit是第i个功能能源在t时的输出功率;
步骤S212:计算能源损耗成本子函数,计算公式为:
;
式中,是能源损耗成本子函数值,T是总能源需求时长,t是能源需求时间索引,/>是在t时的能源损耗成本,/>是在t时的主供能能源的功率;
步骤S213:计算能源转换成本子函数,计算公式为:
;
式中,是能源转换成本子函数值;T是总能源需求时长,t是能源需求时间索引,L是馈线总集,mn是馈线索引,/>是在t时刻馈线mn的开运行状态系数,/>是在t时刻馈线mn的关运行状态系数,/>是每个时刻的切换开关状态运行成本;
步骤S214:计算能源成本目标函数,计算公式为:
;
式中,是整体能源成本目标函数值,/>是能源需求成本子函数值,/>是能源损耗成本子函数值,/>是能源转换成本子函数值。
3.根据权利要求1所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S22中,所述计算非可再生能源可靠性目标函数,计算公式为:
;
式中,FAENS是非可再生能源可靠性目标函数值,用于表示非可再生能源提供的平均能量,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的平均总线负载,/>是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
在步骤S23中,所述计算供电平均故障时间目标函数,计算公式为:
;
式中,FSAIDI是供电平均故障时间目标函数,B是非可再生能源总量,n是非可再生能源索引,是第n个非可再生能源的年度停止供能时间,Nn是第n个非可再生能源的供能对象数量;
在步骤S24中,所述数学模型建构,具体为通过所述计算整体能源成本目标函数、所述计算非可再生能源可靠性目标函数和所述计算供电平均故障时间目标函数,构建能源管理基本数字孪生模型。
4.根据权利要求3所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S31中,所述优化变量初始化,具体为对灰狼位置更新步长向量进行变量初始化,包括以下步骤:
步骤S311:第一更新步长向量初始化,计算公式为:
;
式中,是第一更新步长向量,/>是迭代线性变化向量,所述迭代线性变化向量/>的值在迭代过程中由2线性减少至0,/>是第一随机向量,所述第一随机向量/>的取值范围为[0,1];
步骤S312:第二更新步长向量初始化,计算公式为:
;
式中,是第二更新步长向量,/>是第二随机向量,所述第二随机向量/>的取值范围为[0,1]。
5.根据权利要求4所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S32中,所述构建灰狼优化器算法基本模型,计算公式为:
;
式中,是在第/>次迭代中的灰狼位置向量,所述灰狼位置向量,用于表述目标函数的解,/>是迭代次数索引,/>是第/>次迭代中的目标位置向量,所述目标位置向量用于表示目标函数的最优解,/>是第一更新步长向量,/>是距离向量,用于表示灰狼与所述目标位置之间的距离,/>是第二更新步长向量,/>是在第/>次迭代中的灰狼位置向量。
6.根据权利要求5所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S33中,所述设置迭代条件,具体为将所述迭代条件,设置为得到最优灰狼位置,所述最优灰狼位置,包括最优狼位置、最优/>狼位置和最优/>狼位置;
在步骤S34中,所述更新灰狼位置,具体为依据所述灰狼优化器算法基本模型和所述迭代条件,进行灰狼位置迭代计算,得到更新灰狼位置,所述更新灰狼位置,包括更新狼位置、更新/>狼位置和更新/>狼位置;
在步骤S35中,所述更新优化变量,具体依据所述更新灰狼位置,更新所述第一更新步长向量、所述距离向量和所述第二更新步长向量;
在步骤S36中,所述迭代次数递增,具体为依据迭代进行的次数对所述迭代次数索引进行自增操作,并进行下一次迭代计算;
在步骤S37中,所述求得最优解,具体为依据所述迭代条件,在迭代条件满足时结束迭代计算,得到所述最优灰狼位置,并得到目标函数最优解,所述目标函数最优解,包括整体能源成本目标函数最优解、非可再生能源可靠性目标函数最优解和供电平均故障时间目标函数最优解;
在步骤S38中,所述数学模型优化,具体为通过所述目标函数最优解,优化能源管理数学模型,得到能源管理优化模型。
7.根据权利要求6所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S4中,所述采用深度生成对抗网络的方法,基于所述能源管理优化模型,进行可再生能源的输出功率预测的步骤,包括:
步骤S41:构建判别结构,计算公式为:
;
式中,是判别结构训练损失函数,/>是判别结构训练参数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,/>是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,x是真实数据输入,N是伪造数据样本;
步骤S42:构建生成结构,计算公式为:
;
式中,是生成结构训练损失函数,/>是生成结构训练参数,D是判别结构标识符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,G是生成结构标识符,N是伪造数据样本;
步骤S43:构建深度生成对抗网络,计算公式为:
;
式中,是深度生成对抗网络训练损失函数,min是求最小值函数,G是生成结构标识符,max是求最大值函数,D是判别结构标识符,/>是真实数据样本的期望损失,其中,E是期望值运算符,/>是真实数据的数据分布,/>是判别结构将真实数据输入后识别为真实数据的概率的对数,/>是生成结构生成的伪造数据样本的期望损失,其中,E是期望值运算符,/>是伪造数据样本的数据分布,/>是判别结构将生成结构生成的伪造数据样本识别为真实数据的概率的对数,x是真实数据输入,N是伪造数据样本;
步骤S44:预测模型训练,具体为通过所述构建判别结构、所述构建生成结构和所述构建深度生成对抗网络,进行预测模型训练,得到能源调度预测模型ModelRS;
步骤S45:能源调度预测,具体为采用所述能源调度预测模型ModelRS进行可再生能源的输出功率预测,得到能源调度预测数据。
8.根据权利要求7所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:在步骤S5中,所述智慧城市能源管理,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案;
在步骤S1中,所述数据采集,用于收集城市能源数据信息,具体为从城市的能源系统中,采用传感器、智能计量设备和IoT技术,通过采集得到能源管理原始数据,所述能源管理原始数据,包括用能情况数据、能源供应数据、环境参数数据。
9.一种基于数字孪生技术的智慧城市能源管理系统,用于实现如权利要求1-8中任一项所述的一种基于数字孪生技术的智慧城市能源管理方法,其特征在于:包括数据采集模块、目标函数建构模块、优化数字化建模模块、能源调度预测模块和智慧城市能源管理模块。
10.根据权利要求9所述的一种基于数字孪生技术的智慧城市能源管理系统,其特征在于:所述数据采集模块,用于收集城市能源数据信息,具体为从城市的能源系统中,通过数据采集,得到能源管理原始数据,并将所述能源管理原始数据发送至目标函数建构模块和能源调度预测模块;
所述目标函数建构模块,用于计算能源管理的目标函数数学模型,具体为基于所述能源管理原始数据,构建目标函数组和能源管理基本数字孪生模型,并将所述目标函数组发送至优化数字化建模模块;
所述优化数字化建模模块,用于优化基本数字孪生模型,并求解数学最优解,通过优化数字化建模,得到能源管理优化模型,并将所述能源管理优化模型发送至能源调度预测模块;
所述能源调度预测模块,用于对可再生能源的最佳功率进行预测,通过能源调度预测,得到能源调度预测数据,并将所述能源调度预测数据发送至智慧城市能源管理模块;
所述智慧城市能源管理模块,用于依据能源调度预测结果进行能源管理辅助,具体为依据所述能源调度预测值,进行智慧城市能源管理,得到能源管理推荐方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608764.4A CN117314128B (zh) | 2023-11-29 | 2023-11-29 | 一种基于数字孪生技术的智慧城市能源管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608764.4A CN117314128B (zh) | 2023-11-29 | 2023-11-29 | 一种基于数字孪生技术的智慧城市能源管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314128A true CN117314128A (zh) | 2023-12-29 |
CN117314128B CN117314128B (zh) | 2024-02-02 |
Family
ID=89281480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311608764.4A Active CN117314128B (zh) | 2023-11-29 | 2023-11-29 | 一种基于数字孪生技术的智慧城市能源管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314128B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177377A (zh) * | 2021-05-24 | 2021-07-27 | 北京交通大学 | 一种基于数字孪生的智慧城市轨道交通线网管理系统 |
CN113849022A (zh) * | 2021-09-23 | 2021-12-28 | 上海孪数科技有限公司 | 一种基于数字孪生及空间计算的光伏温室环境管理系统 |
CN114186834A (zh) * | 2021-12-06 | 2022-03-15 | 刘铄 | 智慧城市系统 |
US20220187847A1 (en) * | 2019-11-05 | 2022-06-16 | Strong Force Vcn Portfolio 2019, Llc | Robot Fleet Management for Value Chain Networks |
CN114861539A (zh) * | 2022-05-11 | 2022-08-05 | 杜明芳 | 一种5g城市综合能源互联网数字孪生系统建模与实现方法 |
CN115545390A (zh) * | 2022-07-12 | 2022-12-30 | 沨呵智慧科技(上海)有限公司 | 一种基于实践的数字孪生城市建设系统 |
US20230021961A1 (en) * | 2021-07-21 | 2023-01-26 | Accenture Global Solutions Limited | Optimizing energy consumption of production lines using intelligent digital twins |
CN116014715A (zh) * | 2022-12-15 | 2023-04-25 | 中国电力科学研究院有限公司 | 一种基于数字孪生的综合能源控制方法及系统 |
CN116070975A (zh) * | 2023-04-03 | 2023-05-05 | 江苏为恒智能科技有限公司 | 基于数字孪生技术的园区能量管理系统及零碳运营方法 |
CN116128094A (zh) * | 2022-11-18 | 2023-05-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于数字孪生的工业园区能量管理系统及方法 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117057656A (zh) * | 2023-08-17 | 2023-11-14 | 广东飞翔云计算有限公司 | 基于数字孪生的智慧城市管理方法及系统 |
CN117113428A (zh) * | 2023-08-04 | 2023-11-24 | 江苏井初科技有限公司 | 一种基于数字孪生技术的智慧城市管理系统及方法 |
CN117132135A (zh) * | 2023-10-23 | 2023-11-28 | 陕西天润科技股份有限公司 | 基于数字孪生的城市信息化管理系统及方法 |
-
2023
- 2023-11-29 CN CN202311608764.4A patent/CN117314128B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220187847A1 (en) * | 2019-11-05 | 2022-06-16 | Strong Force Vcn Portfolio 2019, Llc | Robot Fleet Management for Value Chain Networks |
CN113177377A (zh) * | 2021-05-24 | 2021-07-27 | 北京交通大学 | 一种基于数字孪生的智慧城市轨道交通线网管理系统 |
US20230021961A1 (en) * | 2021-07-21 | 2023-01-26 | Accenture Global Solutions Limited | Optimizing energy consumption of production lines using intelligent digital twins |
CN113849022A (zh) * | 2021-09-23 | 2021-12-28 | 上海孪数科技有限公司 | 一种基于数字孪生及空间计算的光伏温室环境管理系统 |
CN114186834A (zh) * | 2021-12-06 | 2022-03-15 | 刘铄 | 智慧城市系统 |
CN114861539A (zh) * | 2022-05-11 | 2022-08-05 | 杜明芳 | 一种5g城市综合能源互联网数字孪生系统建模与实现方法 |
CN115545390A (zh) * | 2022-07-12 | 2022-12-30 | 沨呵智慧科技(上海)有限公司 | 一种基于实践的数字孪生城市建设系统 |
CN116128094A (zh) * | 2022-11-18 | 2023-05-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于数字孪生的工业园区能量管理系统及方法 |
CN116014715A (zh) * | 2022-12-15 | 2023-04-25 | 中国电力科学研究院有限公司 | 一种基于数字孪生的综合能源控制方法及系统 |
CN116070975A (zh) * | 2023-04-03 | 2023-05-05 | 江苏为恒智能科技有限公司 | 基于数字孪生技术的园区能量管理系统及零碳运营方法 |
CN117113428A (zh) * | 2023-08-04 | 2023-11-24 | 江苏井初科技有限公司 | 一种基于数字孪生技术的智慧城市管理系统及方法 |
CN117057656A (zh) * | 2023-08-17 | 2023-11-14 | 广东飞翔云计算有限公司 | 基于数字孪生的智慧城市管理方法及系统 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117132135A (zh) * | 2023-10-23 | 2023-11-28 | 陕西天润科技股份有限公司 | 基于数字孪生的城市信息化管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘钊等: "" 基于数字孪生的车间扰动判别与重调度研究"", 《现代制造工程》, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314128B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN111710376B (zh) | 大分子及团簇体系分块计算负载均衡方法及系统 | |
CN104809532A (zh) | 一种光伏系统发电量的预测方法 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
CN112503400A (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN117565727B (zh) | 基于人工智能的无线充电自动控制方法及系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
CN117314128B (zh) | 一种基于数字孪生技术的智慧城市能源管理方法及系统 | |
Lu | Day-ahead photovoltaic power forecasting using hybrid K-Means++ and improved deep neural network | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116451873B (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及系统 | |
Zandi et al. | An automatic learning framework for smart residential communities | |
Akhtar et al. | A hybrid soft computing framework for electrical energy optimization | |
CN117592819B (zh) | 一种面向海洋牧场的陆海综合体的动态监管方法及装置 | |
CN117648890B (zh) | 一种基于人工智能的半导体器件建模方法及系统 | |
CN116227753B (zh) | 一种变化环境下水资源优化配置方法 | |
Jin et al. | Research on multi-sensor information fusion algorithm of fan detection robot based on improved BP neural network |
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 |