CN117422254A - 智慧园区的信息处理方法、装置、设备及存储介质 - Google Patents
智慧园区的信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117422254A CN117422254A CN202311420134.4A CN202311420134A CN117422254A CN 117422254 A CN117422254 A CN 117422254A CN 202311420134 A CN202311420134 A CN 202311420134A CN 117422254 A CN117422254 A CN 117422254A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- target
- intelligent
- energy consumption
- state vector
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 53
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 288
- 238000005265 energy consumption Methods 0.000 claims abstract description 218
- 230000009471 action Effects 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 24
- 230000003993 interaction Effects 0.000 claims description 24
- 238000012417 linear regression Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 26
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 238000005457 optimization Methods 0.000 description 12
- 238000004378 air conditioning Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/092—Reinforcement 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息处理领域,公开了一种智慧园区的信息处理方法、装置、设备及存储介质,用于实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。方法包括:创建多个第一电力设备智能体并进行状态向量转换,得到第一状态向量并定义动作集合;将第一状态向量输入多个第一电力设备智能体并执行动作集合,得到每个第一电力设备智能体的第二状态向量;将每个第一电力设备智能体的第二状态向量输入设备能耗分析模型进行设备能耗分析,得到目标能耗值和目标奖励值;根据目标能耗值和目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过多个第二电力设备智能体生成能耗负载策略。
Description
技术领域
本发明涉及信息处理领域,尤其涉及一种智慧园区的信息处理方法、装置、设备及存储介质。
背景技术
智慧园区是一种基于信息技术和物联网的现代化城市管理和运营模式。通过对园区中各种设备和系统的监测、控制和优化,智慧园区可以实现能源效率的提升、环境质量的改善、资源的合理利用以及居民和企业的便利服务。信息处理在智慧园区中起着关键作用,通过获取、分析和处理大量的园区数据,可以实现对能源消耗的监测和优化,提高园区的可持续发展和运营效率。
现有方案的智慧园区中涉及多个设备和系统,它们之间存在相互影响和依赖关系,现有方案无法准确的实现多个设备和系统之间的协作和优化,即现有方案的准确率低。
发明内容
本发明提供了一种智慧园区的信息处理方法、装置、设备及存储介质,用于实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。
本发明第一方面提供了一种智慧园区的信息处理方法,所述智慧园区的信息处理方法包括:
获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体;
对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合;
将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量;
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略。
结合第一方面,在本发明第一方面的第一种实现方式中,所述获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息,包括:
获取目标智慧园区的第一电力设备信息以及多个电力设备标识;
将所述第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心;
对所述第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到所述第一电力设备信息与每个初始聚类中心的多个聚类距离;
对所述多个聚类距离进行平均值计算,得到多个聚类均值,并根据所述多个聚类均值确定每个电力设备标识的目标聚类中心;
根据所述目标聚类中心,对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体,包括:
对所述多个第二电力设备信息进行数据清洗,得到数据清洗后的多个第二电力设备信息;
对所述数据清洗后的多个第二电力设备信息进行标准化处理,得到多个第一状态数据,其中,所述第一状态数据包括:功率数据和能耗数据;
基于预置的策略网络创建多个初始智能体,并通过预置的深度强化学习算法对所述多个初始智能体进行训练,得到多个目标智能体;
分别将所述多个第一状态数据传递至所述多个目标智能体,得到多个第一电力设备智能体。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合,包括:
计算每个第一状态数据的多个第一特征值,并对所述多个第一状态数据进行均值运算,得到第一目标值;
对每个第一状态数据的多个第一特征值和所述第一目标值进行比较,得到每个第一状态数据的多个第一比较结果;
根据每个第一状态数据的多个第一比较结果生成对应的多个第二特征值;
将所述多个第二特征值作为状态向量元素,并根据所述状态向量元素生成每个第一电力设备智能体的第一状态向量;
基于预置的设备功率梯度,定义所述多个第一电力设备智能体的动作集合,其中,所述动作集合包括多个不同的梯度设备功率值。
结合第一方面,在本发明第一方面的第四种实现方式中,所述将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量,包括:
将所述第一状态向量输入所述多个第一电力设备智能体,并通过所述第一电力设备智能体中的输入层接收所述第一状态向量;
通过所述第一电力设备智能体中的策略网络对所述第一状态向量和所述动作集合进行动作执行和前向传播,得到每个动作的概率分布;
通过所述第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换,得到每个第一电力设备智能体的第二状态向量。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值,包括:
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型,其中,所述设备能耗分析模型包括:两层门限循环网络和线性回归层;
通过所述两层门限循环网络对所述第二状态向量进行特征提取,得到特征状态向量;
将所述特征状态向量输入所述线性回归层进行能耗运算,得到每个第一电力设备智能体的目标能耗值;
通过预置的奖励函数对所述目标能耗值进行奖励计算,得到每个第一电力设备智能体的目标奖励值。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略,包括:
根据所述目标能耗值和所述目标奖励值,计算每个第一电力设备智能体的损失函数;
通过预置的梯度下降法,根据所述损失函数对每个第一电力设备智能体的策略网络进行参数更新,得到多个第二电力设备智能体;
采集所述目标智慧园区的环境交互信息,并根据所述环境交互信息对所述多个第二电力设备智能体进行能耗负载分析,得到所述目标智慧园区的能耗负载策略。
本发明第二方面提供了一种智慧园区的信息处理装置,所述智慧园区的信息处理装置包括:
获取模块,用于获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
处理模块,用于对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体;
创建模块,用于对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合;
执行模块,用于将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量;
分析模块,用于将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
生成模块,用于根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略。
结合第二方面,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:
获取目标智慧园区的第一电力设备信息以及多个电力设备标识;
将所述第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心;
对所述第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到所述第一电力设备信息与每个初始聚类中心的多个聚类距离;
对所述多个聚类距离进行平均值计算,得到多个聚类均值,并根据所述多个聚类均值确定每个电力设备标识的目标聚类中心;
根据所述目标聚类中心,对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息。
结合第二方面,在本发明第二方面的第二种实现方式中,所述处理模块具体用于:
对所述多个第二电力设备信息进行数据清洗,得到数据清洗后的多个第二电力设备信息;
对所述数据清洗后的多个第二电力设备信息进行标准化处理,得到多个第一状态数据,其中,所述第一状态数据包括:功率数据和能耗数据;
基于预置的策略网络创建多个初始智能体,并通过预置的深度强化学习算法对所述多个初始智能体进行训练,得到多个目标智能体;
分别将所述多个第一状态数据传递至所述多个目标智能体,得到多个第一电力设备智能体。
结合第二方面,在本发明第二方面的第三种实现方式中,所述创建模块具体用于:
计算每个第一状态数据的多个第一特征值,并对所述多个第一状态数据进行均值运算,得到第一目标值;
对每个第一状态数据的多个第一特征值和所述第一目标值进行比较,得到每个第一状态数据的多个第一比较结果;
根据每个第一状态数据的多个第一比较结果生成对应的多个第二特征值;
将所述多个第二特征值作为状态向量元素,并根据所述状态向量元素生成每个第一电力设备智能体的第一状态向量;
基于预置的设备功率梯度,定义所述多个第一电力设备智能体的动作集合,其中,所述动作集合包括多个不同的梯度设备功率值。
结合第二方面,在本发明第二方面的第四种实现方式中,所述执行模块具体用于:
将所述第一状态向量输入所述多个第一电力设备智能体,并通过所述第一电力设备智能体中的输入层接收所述第一状态向量;
通过所述第一电力设备智能体中的策略网络对所述第一状态向量和所述动作集合进行动作执行和前向传播,得到每个动作的概率分布;
通过所述第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换,得到每个第一电力设备智能体的第二状态向量。
结合第二方面,在本发明第二方面的第五种实现方式中,所述分析模块具体用于:
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型,其中,所述设备能耗分析模型包括:两层门限循环网络和线性回归层;
通过所述两层门限循环网络对所述第二状态向量进行特征提取,得到特征状态向量;
将所述特征状态向量输入所述线性回归层进行能耗运算,得到每个第一电力设备智能体的目标能耗值;
通过预置的奖励函数对所述目标能耗值进行奖励计算,得到每个第一电力设备智能体的目标奖励值。
结合第二方面,在本发明第二方面的第六种实现方式中,所述生成模块具体用于:
根据所述目标能耗值和所述目标奖励值,计算每个第一电力设备智能体的损失函数;
通过预置的梯度下降法,根据所述损失函数对每个第一电力设备智能体的策略网络进行参数更新,得到多个第二电力设备智能体;
采集所述目标智慧园区的环境交互信息,并根据所述环境交互信息对所述多个第二电力设备智能体进行能耗负载分析,得到所述目标智慧园区的能耗负载策略。
本发明第三方面提供了一种智慧园区的信息处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述智慧园区的信息处理设备执行上述的智慧园区的信息处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的智慧园区的信息处理方法。
本发明提供的技术方案中,创建多个第一电力设备智能体并进行状态向量转换,得到第一状态向量并定义动作集合;将第一状态向量输入多个第一电力设备智能体并执行动作集合,得到每个第一电力设备智能体的第二状态向量;将每个第一电力设备智能体的第二状态向量输入设备能耗分析模型进行设备能耗分析,得到目标能耗值和目标奖励值;根据目标能耗值和目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过多个第二电力设备智能体生成能耗负载策略,本发明通过对智慧园区中的第一电力设备进行智能化管理和优化,可以实现对能源的高效利用。通过动态调整设备功率和能耗,根据目标能耗值和目标奖励值对智能体进行策略网络更新,能够使园区的能源消耗与目标契合,进而减少不必要的能源浪费,提高能源利用效率。通过对园区内各个设备和系统的监测和控制,实现对环境质量的改善。通过对设备的智能调度和协同优化,避免设备之间的冲突和重复操作,减少资源的浪费,进而实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。
附图说明
图1为本发明实施例中智慧园区的信息处理方法的一个实施例示意图;
图2为本发明实施例中创建多个第一电力设备智能体的流程图;
图3为本发明实施例中状态向量转换的流程图;
图4为本发明实施例中执行所述动作集合的流程图;
图5为本发明实施例中智慧园区的信息处理装置的一个实施例示意图;
图6为本发明实施例中智慧园区的信息处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种智慧园区的信息处理方法、装置、设备及存储介质,用于实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中智慧园区的信息处理方法的一个实施例包括:
S101、获取目标智慧园区的第一电力设备信息,并对第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
可以理解的是,本发明的执行主体可以为智慧园区的信息处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器收集目标智慧园区的第一电力设备信息以及多个电力设备标识。这些信息可能包括设备的特征、参数、历史数据等,以及设备的唯一标识符,例如设备编号或ID。将所收集到的第一电力设备信息输入预置的设备信息聚类模型。这个聚类模型可以采用聚类算法,如K均值聚类或层次聚类。通过该模型,对设备信息进行聚类操作。在聚类过程中,需要使用预置的初始聚类函数来确定每个电力设备标识的初始聚类中心。这些初始聚类中心可以根据先验知识或随机选择来确定。对第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,以获得第一电力设备信息与每个初始聚类中心之间的多个聚类距离。常用的距离度量方法包括欧氏距离、曼哈顿距离等。接着,对多个聚类距离进行平均值计算,以得到多个聚类均值。通过对聚类距离进行求和并除以距离数量,可以得到每个特征维度的聚类均值。根据这些聚类均值,确定每个电力设备标识的目标聚类中心。可以选择距离均值最近的点作为目标聚类中心,以确保该中心能够代表聚类簇的特征。根据目标聚类中心,对第一电力设备信息进行信息聚类,以获得多个第二电力设备信息。这些第二电力设备信息代表了具有相似特征的设备簇。例如,假设服务器有一个目标智慧园区,其中包含了10个不同类型的电力设备,如风力发电机、太阳能电池板等。服务器对这些设备进行聚类,以便更好地管理和优化能耗。服务器收集了这10个设备的特征数据,例如功率、转速、温度等。将这些特征数据输入到预置的设备信息聚类模型中。通过预置的初始聚类函数,服务器得到了每个设备标识的初始聚类中心,比如设备1的初始聚类中心为(10,100,30),设备2的初始聚类中心为(5,200,25),以此类推。服务器计算每个设备特征数据与初始聚类中心之间的距离。例如,设备1的特征数据与初始聚类中心的距离为(5,80,10),设备2的距离为(3,150,15),以此类推。对这些距离进行平均值计算,得到每个特征维度的聚类均值,比如(4,120,12)。根据聚类均值,确定每个设备标识的目标聚类中心。例如,设备1的目标聚类中心为(4,120,12),设备2的目标聚类中心为(4,120,12),以此类推。根据目标聚类中心,对设备特征数据进行聚类,将相似的设备分为同一簇,得到多个第二电力设备信息簇。例如,服务器将设备1和设备2归为一簇,设备3和设备4归为另一簇,以此类推。通过这样的信息处理方法,服务器将智慧园区的电力设备根据特征数据进行聚类,从而实现更有效的设备管理和能耗优化。
S102、对多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据多个第一状态数据创建多个第一电力设备智能体;
具体的,服务器对多个第二电力设备信息进行数据清洗。数据清洗的目的是处理异常值、缺失数据等问题,以确保数据的准确性和一致性。例如,可以通过剔除异常数据或使用插值方法填补缺失数据来清洗数据,得到清洗后的多个第二电力设备信息。对清洗后的多个第二电力设备信息进行标准化处理。标准化可以将不同范围和单位的数据转换为统一的标准形式,以消除数据间的差异。常用的标准化方法包括均值方差标准化和最大最小值标准化。例如,可以对功率数据和能耗数据进行标准化处理,使其具有相同的尺度。基于预置的策略网络,创建多个初始智能体。策略网络是一种深度学习模型,用于预测智能体在给定状态下采取的最优行动。通过定义网络结构和初始化参数,创建多个初始智能体。通过预置的深度强化学习算法,对这些初始智能体进行训练。深度强化学习算法可以通过智能体与环境的交互,学习到最优策略以获得最大的奖励。训练过程包括状态的观测、动作的选择和奖励的反馈。在训练过程中,将多个第一状态数据传递给多个目标智能体。第一状态数据包括经过数据清洗和标准化处理后的功率数据和能耗数据。这些数据将作为智能体的输入,用于决策和行动选择。通过训练和优化,得到多个目标智能体。这些智能体通过学习,能够根据输入的第一状态数据做出合适的决策,并执行相应的行动。例如,假设服务器有一个智慧园区,其中包含多个电力设备,如照明灯具、空调系统等。服务器收集了这些设备的第二电力设备信息,包括功率和能耗数据。对这些第二电力设备信息进行数据清洗。服务器发现有一些数据存在异常值,例如功率值为负数或能耗值为零的情况。通过剔除这些异常数据,服务器得到了清洗后的第二电力设备信息。对清洗后的第二电力设备信息进行标准化处理。服务器使用均值方差标准化方法,将功率和能耗数据转换为具有零均值和单位方差的数据。基于预置的策略网络,服务器创建了多个初始智能体。这些智能体具有相同的网络结构,但参数是随机初始化的。通过预置的深度强化学习算法,服务器对这些初始智能体进行训练。在训练过程中,服务器提供了清洗和标准化后的功率和能耗数据作为智能体的输入。智能体根据输入的状态数据选择行动,并根据奖励信号进行反馈和学习。经过一段时间的训练,服务器得到了多个目标智能体。这些智能体能够根据输入的第一状态数据做出相应的决策,例如调整照明灯具的亮度或控制空调系统的温度。
S103、对多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义多个第一电力设备智能体的动作集合;
需要说明的是,针对每个第一状态数据计算多个第一特征值。第一特征值可以是与电力设备相关的各种指标或属性,例如功率因子、温度、电流波动等。通过对每个状态数据进行适当的计算和处理,得到多个第一特征值。对这些多个第一状态数据的第一特征值进行均值运算,以获得第一目标值。均值运算可以提取特征值的整体趋势和平均水平,用于后续的比较和判断。将每个第一状态数据的多个第一特征值与第一目标值进行比较,得到每个第一状态数据的多个第一比较结果。比较结果可以表示每个特征值与目标值的关系,例如大于、小于或接近目标值。根据每个第一状态数据的多个第一比较结果,生成对应的多个第二特征值。第二特征值是根据第一比较结果和先验知识确定的,用于描述电力设备的状态或行为。例如,如果第一比较结果为大于目标值,那么对应的第二特征值可以表示电力设备处于高负载状态。将这些多个第二特征值作为状态向量的元素,并根据这些元素生成每个第一电力设备智能体的第一状态向量。状态向量是对设备状态的抽象表示,可以包含多个特征值作为其元素,以提供对设备状态的全面描述。基于预置的设备功率梯度,定义这些第一电力设备智能体的动作集合。设备功率梯度是指设备功率在时间上的变化率。动作集合可以包括多个不同的梯度设备功率值,用于控制设备功率的调整。例如,可以定义动作集合为增加功率、减少功率和保持功率不变等。例如,假设服务器有一个智慧园区,其中包含多个照明灯具。服务器收集了这些灯具的第一状态数据,包括功率因子和照明亮度。对每个状态数据计算功率因子和照明亮度这两个第一特征值。对这些状态数据的功率因子和照明亮度进行均值运算,得到目标功率因子和目标照明亮度。将每个状态数据的功率因子和照明亮度与目标值进行比较,得到功率因子和照明亮度的比较结果,例如大于或小于目标值。根据比较结果,生成对应的第二特征值。例如,如果功率因子大于目标值,对应的第二特征值可以表示灯具处于高效能状态。如果照明亮度小于目标值,对应的第二特征值可以表示灯具处于低亮度状态。将这些第二特征值作为状态向量的元素,并根据这些元素生成每个照明灯具的第一状态向量。基于预置的设备功率梯度,定义这些照明灯具的动作集合。例如,动作集合可以包括增加功率、减少功率和保持功率不变这三种不同的梯度设备功率值。
S104、将第一状态向量输入多个第一电力设备智能体并执行动作集合,得到每个第一电力设备智能体的第二状态向量;
具体的,将第一状态向量输入多个第一电力设备智能体。通过将第一状态向量传递给智能体的输入层实现。输入层是神经网络模型中的一部分,用于接收外部输入。通过每个第一电力设备智能体的策略网络对第一状态向量和动作集合进行动作执行和前向传播。策略网络是一种深度学习模型,用于预测智能体在给定状态下采取的最优动作。在前向传播过程中,策略网络将第一状态向量作为输入,并生成每个动作的概率分布。通过每个第一电力设备智能体的输出层对每个动作的概率分布进行向量转换,以得到每个智能体的第二状态向量。输出层通常使用激活函数将策略网络的输出转换为适当的格式,例如将概率分布转换为向量表示。这个向量表示就是智能体的第二状态向量,它可以包含不同的特征值或指标,用于描述设备的状态或行为。例如,假设服务器有一个智慧园区,其中包含多个电力设备,如风力发电机和太阳能电池板。服务器收集了这些设备的第一状态数据,包括风速、太阳辐射强度等。将这些第一状态数据转换为第一状态向量。例如,第一状态向量可以包含风速和太阳辐射强度这两个特征值。将第一状态向量输入到每个电力设备智能体中。每个智能体具有自己的策略网络和输出层。通过策略网络进行动作执行和前向传播。例如,策略网络可以根据输入的第一状态向量预测风力发电机的转速和太阳能电池板的输出功率。在前向传播过程中,策略网络生成每个动作的概率分布。通过输出层对每个动作的概率分布进行向量转换。例如,输出层可以将转速和功率的概率分布转换为对应的向量表示,如转速值和功率值。这样,每个电力设备智能体就得到了自己的第二状态向量,它包含了设备的具体状态信息,如转速和功率。
S105、将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
具体的,服务器将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型。该模型通常由两部分组成:两层门限循环网络和线性回归层。通过两层门限循环网络对第二状态向量进行特征提取。门限循环网络是一种递归神经网络,能够处理序列数据,并提取有用的特征。通过网络的隐藏层,可以学习到第二状态向量中的抽象特征,如设备的状态模式和趋势。将提取得到的特征状态向量输入线性回归层进行能耗运算。线性回归层是一种简单的神经网络层,用于对输入特征进行线性组合和加权求和。通过对特征状态向量进行线性运算,可以得到每个第一电力设备智能体的目标能耗值的预测。通过预置的奖励函数对目标能耗值进行奖励计算,以得到每个第一电力设备智能体的目标奖励值。奖励函数是根据设备能耗目标和优化目标定义的,可以根据不同的需求和目标进行设计。例如,如果目标能耗值低于设定阈值,可以给予正向奖励;如果超过阈值,则给予负向奖励。例如,假设服务器有一个智慧园区,其中包含多个空调系统。服务器收集了这些系统的第二状态向量,包括温度、湿度和设定温度。将每个空调系统智能体的第二状态向量输入预置的设备能耗分析模型。通过两层门限循环网络对第二状态向量进行特征提取。网络可以学习到温度、湿度和设定温度之间的关系,例如温度上升时能耗的增加趋势。将提取得到的特征状态向量输入线性回归层进行能耗运算。线性回归层通过权重和偏置项的线性组合,对特征进行加权求和,得到每个空调系统智能体的目标能耗值的预测。通过预置的奖励函数对目标能耗值进行奖励计算。例如,如果目标能耗值低于预设的能耗阈值,可以给予正向奖励,表示能耗优良;如果超过阈值,可以给予负向奖励,表示能耗较高。
S106、根据目标能耗值和目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过多个第二电力设备智能体生成目标智慧园区的能耗负载策略。
具体的,根据目标能耗值和目标奖励值计算每个第一电力设备智能体的损失函数。损失函数用于衡量智能体的预测能耗与目标能耗之间的差异。可以使用不同的损失函数,如均方误差或交叉熵损失,根据具体情况进行选择和定义。通过预置的梯度下降法,根据损失函数对每个第一电力设备智能体的策略网络进行参数更新。梯度下降法是一种优化算法,通过迭代地调整网络参数,使损失函数逐渐减小,从而提高智能体的性能。通过反向传播算法计算损失函数对网络参数的梯度,然后根据梯度方向对参数进行更新。通过策略网络的参数更新,得到多个第二电力设备智能体。这些智能体根据经过训练和优化的策略网络,能够根据当前状态作出更准确的决策和行动选择。进一步地,采集目标智慧园区的环境交互信息,并根据这些信息对多个第二电力设备智能体进行能耗负载分析。环境交互信息可以包括电力设备的实时数据、能源供需情况、用户需求等。通过对这些信息的分析和处理,可以评估每个智能体的能耗负载情况,即设备的能源消耗情况和负载水平。根据多个第二电力设备智能体的能耗负载分析结果,生成目标智慧园区的能耗负载策略。根据设备的负载情况和能源供需平衡考虑,可以制定相应的策略,如调整设备功率、优化设备运行模式等,以实现目标能耗和性能要求。例如,假设服务器有一个智慧园区,其中包含多个电动汽车充电桩。服务器收集了每个充电桩的第二状态向量,包括充电功率、电池剩余容量等。根据目标能耗值和目标奖励值计算每个充电桩智能体的损失函数。假设目标能耗值是使充电桩能量利用率最大化,目标奖励值是使充电速度最优化。通过预置的梯度下降法,对每个充电桩智能体的策略网络进行参数更新。通过梯度下降法,智能体可以根据目标能耗值和目标奖励值来调整充电功率和充电策略,以达到最优的充电效果。采集目标智慧园区的环境交互信息,如电网负荷情况、车辆到达和离开情况等。根据这些信息,对多个充电桩智能体进行能耗负载分析,评估每个充电桩的能耗负载情况。根据能耗负载分析结果生成目标智慧园区的能耗负载策略。例如,根据充电桩的负载情况,制定充电桩的调度策略,合理安排车辆的充电时间和充电功率,以实现能耗的最优化和系统的平衡。
本发明实施例中,创建多个第一电力设备智能体并进行状态向量转换,得到第一状态向量并定义动作集合;将第一状态向量输入多个第一电力设备智能体并执行动作集合,得到每个第一电力设备智能体的第二状态向量;将每个第一电力设备智能体的第二状态向量输入设备能耗分析模型进行设备能耗分析,得到目标能耗值和目标奖励值;根据目标能耗值和目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过多个第二电力设备智能体生成能耗负载策略,本发明通过对智慧园区中的第一电力设备进行智能化管理和优化,可以实现对能源的高效利用。通过动态调整设备功率和能耗,根据目标能耗值和目标奖励值对智能体进行策略网络更新,能够使园区的能源消耗与目标契合,进而减少不必要的能源浪费,提高能源利用效率。通过对园区内各个设备和系统的监测和控制,实现对环境质量的改善。通过对设备的智能调度和协同优化,避免设备之间的冲突和重复操作,减少资源的浪费,进而实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标智慧园区的第一电力设备信息以及多个电力设备标识;
(2)将第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心;
(3)对第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到第一电力设备信息与每个初始聚类中心的多个聚类距离;
(4)对多个聚类距离进行平均值计算,得到多个聚类均值,并根据多个聚类均值确定每个电力设备标识的目标聚类中心;
(5)根据目标聚类中心,对第一电力设备信息进行信息聚类,得到多个第二电力设备信息。
具体的,服务器获取目标智慧园区的第一电力设备信息以及多个电力设备标识。第一电力设备信息可以包括各种属性或指标,如设备类型、功率、电压等。电力设备标识可以是设备的唯一标识符,用于区分不同的设备。将第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心。设备信息聚类模型是一种机器学习模型,用于将设备信息进行自动分类和聚类。初始聚类函数用于初始化每个聚类的中心点,通常采用随机选择或基于先验知识确定。对第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到第一电力设备信息与每个初始聚类中心的多个聚类距离。距离计算可以使用各种距离度量方法,如欧氏距离、曼哈顿距离等,以评估设备信息与聚类中心之间的相似度或差异度。对多个聚类距离进行平均值计算,得到多个聚类均值。平均值计算是为了综合考虑设备信息与每个聚类中心的距离,以得到更准确的聚类均值。这些聚类均值反映了不同聚类的中心位置或特征。根据多个聚类均值,确定每个电力设备标识的目标聚类中心。目标聚类中心是根据聚类均值确定的,它代表了每个聚类的理想中心点。可以根据聚类均值与预先定义的阈值进行比较和判断,以确定目标聚类中心。根据目标聚类中心对第一电力设备信息进行信息聚类,得到多个第二电力设备信息。信息聚类是将设备信息按照相似性进行分组和分类的过程。可以使用各种聚类算法,如K均值聚类或层次聚类,根据目标聚类中心将设备信息进行聚合,得到多个第二电力设备信息的集合。例如,假设服务器有一个智慧园区,其中包含多个太阳能电池板。服务器收集了这些电池板的第一电力设备信息,包括功率和电压,并为每个电池板分配了唯一的设备标识。将这些电池板的第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电池板设备标识的初始聚类中心。计算每个电池板设备信息与每个初始聚类中心的聚类距离。例如,可以使用欧氏距离计算功率和电压之间的差异。对多个聚类距离进行平均值计算,得到多个聚类均值。这些聚类均值可以反映出不同功率和电压的聚类中心位置。根据聚类均值,确定每个电池板设备标识的目标聚类中心。例如,如果有两个聚类均值,可以根据其大小和相对位置判断目标聚类中心。根据目标聚类中心对电池板设备信息进行信息聚类,得到多个第二电力设备信息。例如,可以将功率和电压相似的电池板分为同一聚类,形成多个第二电力设备信息的聚类集群。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对多个第二电力设备信息进行数据清洗,得到数据清洗后的多个第二电力设备信息;
S202、对数据清洗后的多个第二电力设备信息进行标准化处理,得到多个第一状态数据,其中,第一状态数据包括:功率数据和能耗数据;
S203、基于预置的策略网络创建多个初始智能体,并通过预置的深度强化学习算法对多个初始智能体进行训练,得到多个目标智能体;
S204、分别将多个第一状态数据传递至多个目标智能体,得到多个第一电力设备智能体。
具体的,服务器对多个第二电力设备信息进行数据清洗,以去除无效或错误的数据,并得到数据清洗后的多个第二电力设备信息。数据清洗可以包括处理缺失数据、异常值剔除、数据去噪等步骤,确保数据的准确性和一致性。对数据清洗后的多个第二电力设备信息进行标准化处理,以得到多个第一状态数据。标准化处理可以将不同范围和单位的数据统一到一个标准范围内,例如使用Z-score标准化或最小-最大标准化方法。通过标准化处理,可以使不同设备的功率数据和能耗数据具有可比性,方便后续的分析和处理。基于预置的策略网络创建多个初始智能体。策略网络是一种深度学习模型,用于对输入状态进行决策和动作选择。通过预置的策略网络结构和参数设置,创建初始智能体的模型框架。通过预置的深度强化学习算法对多个初始智能体进行训练。深度强化学习算法结合了深度学习和强化学习的方法,通过与环境交互和奖励反馈,使智能体逐步学习优化其策略网络的参数。在训练过程中,智能体通过与环境的交互不断调整策略,以获得更好的能耗控制和决策能力。将多个第一状态数据分别传递至多个目标智能体,以得到多个第一电力设备智能体。每个目标智能体根据其所接收到的第一状态数据,通过策略网络进行决策和动作选择,从而生成第一电力设备智能体的行为和决策。每个智能体可独立处理自己的第一状态数据,并进行能耗控制和优化。例如,假设服务器有一个智慧园区,其中包含多个照明灯具。服务器收集了每个灯具的第二电力设备信息,包括功率和亮度。对收集到的灯具数据进行数据清洗,去除无效的数据或异常值,确保数据的可靠性。对清洗后的灯具数据进行标准化处理,以使功率和亮度数据具有可比性和一致性。基于预置的策略网络创建多个初始智能体,每个智能体代表一个照明灯具。通过预置的深度强化学习算法对这些初始智能体进行训练,使它们能够根据输入的第一状态数据做出相应的调光决策。将多个灯具的第一状态数据分别传递给相应的目标智能体。每个目标智能体根据其所接收到的第一状态数据,利用策略网络进行决策,并控制相应的灯具的亮度调节。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、计算每个第一状态数据的多个第一特征值,并对多个第一状态数据进行均值运算,得到第一目标值;
S302、对每个第一状态数据的多个第一特征值和第一目标值进行比较,得到每个第一状态数据的多个第一比较结果;
S303、根据每个第一状态数据的多个第一比较结果生成对应的多个第二特征值;
S304、将多个第二特征值作为状态向量元素,并根据状态向量元素生成每个第一电力设备智能体的第一状态向量;
S305、基于预置的设备功率梯度,定义多个第一电力设备智能体的动作集合,其中,动作集合包括多个不同的梯度设备功率值。
具体的,服务器对每个第一状态数据计算多个第一特征值。第一特征值可以是对第一状态数据的某些统计量或特定属性的计算结果,如最大值、最小值、平均值等。通过对第一状态数据进行特征提取,得到每个数据样本的多个特征值。对多个第一状态数据的多个第一特征值进行均值运算,得到第一目标值。均值运算可以将多个特征值进行求和,并除以特征值的个数,得到平均值作为第一目标值。这个目标值反映了多个状态数据在特征上的整体趋势或平均水平。对每个第一状态数据的多个第一特征值与第一目标值进行比较,得到多个第一比较结果。比较可以基于阈值或规则,将每个特征值与目标值进行比较,判断特征值在某个特定条件下的相对大小或关系。比较结果可以是二元的(如大于或小于)或多元的(如高、中、低等级)。根据每个第一状态数据的多个第一比较结果,生成对应的多个第二特征值。第二特征值是根据第一比较结果生成的,用于进一步描述和区分设备状态或特征。例如,可以将第一比较结果映射为离散的标签或指示器,作为第二特征值的一部分。将多个第二特征值作为状态向量元素,并根据这些元素生成每个第一电力设备智能体的第一状态向量。状态向量是将多个特征值组合成的向量表示,用于描述设备的状态和特征。每个第一电力设备智能体根据自身的状态数据和特征,生成对应的第一状态向量作为输入。基于预置的设备功率梯度,定义多个第一电力设备智能体的动作集合。设备功率梯度是指在设备的功率调节范围内,每个动作之间的功率变化量。动作集合包括多个不同的梯度设备功率值,用于控制设备的功率调节。智能体可以选择不同的功率梯度作为动作,以调整设备的功率输出。例如,假设服务器有一个智慧园区,其中包含多个风力发电机。服务器收集了每个风力发电机的第一状态数据,包括转速和功率。针对每个风力发电机计算转速和功率的第一特征值,如最大转速、平均功率等。对多个风力发电机的第一特征值进行均值运算,得到第一目标值,例如平均功率。将每个风力发电机的转速和功率与第一目标值进行比较,例如判断功率是否高于平均功率。根据比较结果生成对应的第二特征值,例如将比较结果映射为高、中、低三个级别。将第二特征值作为状态向量元素,并根据这些元素生成每个风力发电机的第一状态向量。基于预置的设备功率梯度,定义风力发电机的动作集合,例如设定三个不同的功率梯度值作为动作。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、将第一状态向量输入多个第一电力设备智能体,并通过第一电力设备智能体中的输入层接收第一状态向量;
S402、通过第一电力设备智能体中的策略网络对第一状态向量和动作集合进行动作执行和前向传播,得到每个动作的概率分布;
S403、通过第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换,得到每个第一电力设备智能体的第二状态向量。
具体的,服务器将第一状态向量输入多个第一电力设备智能体。第一状态向量是描述设备当前状态和特征的向量表示,例如包含功率、温度等信息。将该向量输入到每个第一电力设备智能体中,作为智能体的输入数据。通过第一电力设备智能体中的输入层接收第一状态向量。输入层是智能体网络的一部分,负责接收外部输入数据并将其传递到网络的其他层进行处理。第一状态向量作为输入数据经过输入层进行传递,供后续的策略网络处理和分析。通过第一电力设备智能体中的策略网络对第一状态向量和动作集合进行动作执行和前向传播。策略网络是智能体的主要组成部分,用于根据输入状态和当前策略选择合适的动作。策略网络接收第一状态向量作为输入,并根据当前的网络权重和参数进行动作执行和前向传播,以得到每个动作的概率分布。在策略网络中,根据第一状态向量和动作集合,对每个动作进行执行和评估,得到每个动作的概率分布。概率分布表示了每个动作被选择的概率,反映了智能体对于不同动作的偏好或预测结果。通过第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换。输出层是策略网络的最后一层,负责将网络输出转换为特定形式的向量。根据具体需求和网络设计,可以通过激活函数、线性变换等方法对概率分布进行向量化处理,得到每个第一电力设备智能体的第二状态向量。例如,假设服务器有一个智慧园区,其中包含多个空调设备。服务器将空调的第一状态向量定义为包括当前温度、湿度和设置温度等信息的向量。将每个空调设备的第一状态向量输入到相应的空调设备智能体中。空调设备智能体的输入层接收第一状态向量,并将其传递给策略网络。通过策略网络对第一状态向量和动作集合(如调整温度、调整风速等)进行动作执行和前向传播。策略网络根据第一状态向量和动作集合,计算每个动作的概率分布,例如确定提高温度的概率、调整风速的概率等。输出层对每个动作的概率分布进行向量转换,例如使用softmax函数将概率分布归一化并转换为一个概率向量。每个空调设备智能体得到其第二状态向量,该向量可以包含根据当前状态和动作选择得到的各种信息,如调整后的温度、风速等。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型,其中,设备能耗分析模型包括:两层门限循环网络和线性回归层;
(2)通过两层门限循环网络对第二状态向量进行特征提取,得到特征状态向量;
(3)将特征状态向量输入线性回归层进行能耗运算,得到每个第一电力设备智能体的目标能耗值;
(4)通过预置的奖励函数对目标能耗值进行奖励计算,得到每个第一电力设备智能体的目标奖励值。
具体的,准备设备能耗分析模型,其中包括两层门限循环网络和线性回归层。门限循环网络是一种递归神经网络结构,可用于对序列数据进行特征提取和建模。线性回归层用于进行能耗运算,将特征状态向量映射为设备的能耗预测结果。将每个第一电力设备智能体的第二状态向量输入到设备能耗分析模型中。第二状态向量是描述设备状态和特征的向量表示,通过输入模型进行能耗分析和预测。通过两层门限循环网络对第二状态向量进行特征提取。门限循环网络可以捕捉序列数据中的时序关系和长期依赖,通过循环计算和递归更新,将第二状态向量转换为特征状态向量。这个特征状态向量包含了设备状态的关键特征,以供后续能耗运算使用。将特征状态向量输入线性回归层进行能耗运算。线性回归层将特征状态向量与预置的权重和偏置进行线性变换和加权求和,得到每个第一电力设备智能体的能耗预测值。这个能耗预测值反映了设备在给定状态下的能耗估计。通过预置的奖励函数对能耗预测值进行奖励计算。奖励函数是一个根据能耗目标和要求定义的函数,用于评估能耗预测值的好坏。根据预设的能耗目标,可以计算每个第一电力设备智能体的目标能耗值,并将其与能耗预测值进行比较和评估。奖励函数可以根据能耗偏差的大小、能耗优化的程度等方面进行设计,以得到每个智能体的目标奖励值。例如,假设服务器有一个智慧园区,其中包含多个太阳能光伏电池板。服务器将光伏电池板的第二状态向量定义为包括当前光照强度、温度和电池输出功率等信息的向量。将每个光伏电池板的第二状态向量输入到设备能耗分析模型中。设备能耗分析模型包括两层门限循环网络和线性回归层。门限循环网络对光伏电池板的第二状态向量进行特征提取,提取出重要的特征状态向量。线性回归层将特征状态向量映射为光伏电池板的能耗预测值。通过预置的奖励函数,根据能耗目标和要求,计算每个光伏电池板的目标能耗值,并将其与能耗预测值进行比较。根据比较结果,得到每个光伏电池板的目标奖励值。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据目标能耗值和目标奖励值,计算每个第一电力设备智能体的损失函数;
(2)通过预置的梯度下降法,根据损失函数对每个第一电力设备智能体的策略网络进行参数更新,得到多个第二电力设备智能体;
(3)采集目标智慧园区的环境交互信息,并根据环境交互信息对多个第二电力设备智能体进行能耗负载分析,得到目标智慧园区的能耗负载策略。
具体的,根据目标能耗值和目标奖励值计算每个第一电力设备智能体的损失函数。损失函数是衡量智能体性能的度量,可以根据预设的目标能耗值和目标奖励值与实际能耗值和奖励值之间的差异来定义。常见的损失函数包括均方差、交叉熵等。通过预置的梯度下降法,根据损失函数对每个第一电力设备智能体的策略网络进行参数更新。梯度下降法是一种优化算法,用于最小化损失函数。通过计算损失函数对于策略网络参数的梯度,可以根据梯度的方向和大小来更新参数,使得损失函数逐渐减小。采集目标智慧园区的环境交互信息。环境交互信息是指与智慧园区环境相关的数据,如温度、湿度、能耗负载等。这些信息可以通过传感器、监测设备等手段获取。采集到的环境交互信息将用于后续的能耗负载分析。根据环境交互信息对多个第二电力设备智能体进行能耗负载分析。能耗负载分析是对智慧园区中各个电力设备的能耗情况进行评估和分析,以确定合理的能耗分配策略。通过分析环境交互信息、设备状态和智能体决策等因素,可以评估每个电力设备的能耗情况,并对其进行合理的负载分配。得到目标智慧园区的能耗负载策略。根据能耗负载分析的结果,可以制定相应的能耗分配策略,如调整电力设备的工作模式、功率分配等。这些策略旨在优化智慧园区的能耗,实现能耗的合理控制和管理。例如,假设服务器有一个智慧园区,其中包含多个照明设备。服务器的目标是通过智能控制来优化照明设备的能耗,以实现节能和效率提升。计算每个照明设备的目标能耗值和目标奖励值。目标能耗值可以根据预设的能耗目标和要求来确定,目标奖励值可以根据目标能耗值与实际能耗值之间的差异进行计算。根据目标能耗值和目标奖励值,计算每个照明设备智能体的损失函数。损失函数可以选择均方差,用于衡量目标能耗值和实际能耗值之间的差异。通过梯度下降法,对每个照明设备智能体的策略网络进行参数更新。通过计算损失函数对于策略网络参数的梯度,可以根据梯度的方向和大小来更新网络参数,以逐渐减小损失函数。采集目标智慧园区的环境交互信息,如室内光照强度、人员活动情况等。根据环境交互信息对多个照明设备智能体进行能耗负载分析。通过分析环境交互信息、设备状态和智能体决策等因素,评估每个照明设备的能耗情况,例如确定设备的亮度、开关状态等。根据能耗负载分析的结果,制定照明设备的能耗负载策略,如调整照明亮度、合理分配工作负载等。这些策略旨在实现智慧园区的能耗优化和节能目标。
上面对本发明实施例中智慧园区的信息处理方法进行了描述,下面对本发明实施例中智慧园区的信息处理装置进行描述,请参阅图5,本发明实施例中智慧园区的信息处理装置一个实施例包括:
获取模块501,用于获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
处理模块502,用于对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体;
创建模块503,用于对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合;
执行模块504,用于将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量;
分析模块505,用于将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
生成模块506,用于根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略。
可选的,所述获取模块501具体用于:
获取目标智慧园区的第一电力设备信息以及多个电力设备标识;
将所述第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心;
对所述第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到所述第一电力设备信息与每个初始聚类中心的多个聚类距离;
对所述多个聚类距离进行平均值计算,得到多个聚类均值,并根据所述多个聚类均值确定每个电力设备标识的目标聚类中心;
根据所述目标聚类中心,对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息。
可选的,所述处理模块502具体用于:
对所述多个第二电力设备信息进行数据清洗,得到数据清洗后的多个第二电力设备信息;
对所述数据清洗后的多个第二电力设备信息进行标准化处理,得到多个第一状态数据,其中,所述第一状态数据包括:功率数据和能耗数据;
基于预置的策略网络创建多个初始智能体,并通过预置的深度强化学习算法对所述多个初始智能体进行训练,得到多个目标智能体;
分别将所述多个第一状态数据传递至所述多个目标智能体,得到多个第一电力设备智能体。
可选的,所述创建模块503具体用于:
计算每个第一状态数据的多个第一特征值,并对所述多个第一状态数据进行均值运算,得到第一目标值;
对每个第一状态数据的多个第一特征值和所述第一目标值进行比较,得到每个第一状态数据的多个第一比较结果;
根据每个第一状态数据的多个第一比较结果生成对应的多个第二特征值;
将所述多个第二特征值作为状态向量元素,并根据所述状态向量元素生成每个第一电力设备智能体的第一状态向量;
基于预置的设备功率梯度,定义所述多个第一电力设备智能体的动作集合,其中,所述动作集合包括多个不同的梯度设备功率值。
可选的,所述执行模块504具体用于:
将所述第一状态向量输入所述多个第一电力设备智能体,并通过所述第一电力设备智能体中的输入层接收所述第一状态向量;
通过所述第一电力设备智能体中的策略网络对所述第一状态向量和所述动作集合进行动作执行和前向传播,得到每个动作的概率分布;
通过所述第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换,得到每个第一电力设备智能体的第二状态向量。
可选的,所述分析模块505具体用于:
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型,其中,所述设备能耗分析模型包括:两层门限循环网络和线性回归层;
通过所述两层门限循环网络对所述第二状态向量进行特征提取,得到特征状态向量;
将所述特征状态向量输入所述线性回归层进行能耗运算,得到每个第一电力设备智能体的目标能耗值;
通过预置的奖励函数对所述目标能耗值进行奖励计算,得到每个第一电力设备智能体的目标奖励值。
可选的,所述生成模块506具体用于:
根据所述目标能耗值和所述目标奖励值,计算每个第一电力设备智能体的损失函数;
通过预置的梯度下降法,根据所述损失函数对每个第一电力设备智能体的策略网络进行参数更新,得到多个第二电力设备智能体;
采集所述目标智慧园区的环境交互信息,并根据所述环境交互信息对所述多个第二电力设备智能体进行能耗负载分析,得到所述目标智慧园区的能耗负载策略。
通过上述各个组成部分的协同合作,创建多个第一电力设备智能体并进行状态向量转换,得到第一状态向量并定义动作集合;将第一状态向量输入多个第一电力设备智能体并执行动作集合,得到每个第一电力设备智能体的第二状态向量;将每个第一电力设备智能体的第二状态向量输入设备能耗分析模型进行设备能耗分析,得到目标能耗值和目标奖励值;根据目标能耗值和目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过多个第二电力设备智能体生成能耗负载策略,本发明通过对智慧园区中的第一电力设备进行智能化管理和优化,可以实现对能源的高效利用。通过动态调整设备功率和能耗,根据目标能耗值和目标奖励值对智能体进行策略网络更新,能够使园区的能源消耗与目标契合,进而减少不必要的能源浪费,提高能源利用效率。通过对园区内各个设备和系统的监测和控制,实现对环境质量的改善。通过对设备的智能调度和协同优化,避免设备之间的冲突和重复操作,减少资源的浪费,进而实现对智慧园区中电力设备的能耗负载进行智能化分析并提高分析的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的智慧园区的信息处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中智慧园区的信息处理设备进行详细描述。
图6是本发明实施例提供的一种智慧园区的信息处理设备的结构示意图,该智慧园区的信息处理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对智慧园区的信息处理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在智慧园区的信息处理设备600上执行存储介质630中的一系列指令操作。
智慧园区的信息处理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的智慧园区的信息处理设备结构并不构成对智慧园区的信息处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种智慧园区的信息处理设备,所述智慧园区的信息处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述智慧园区的信息处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智慧园区的信息处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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)
1.一种智慧园区的信息处理方法,其特征在于,所述智慧园区的信息处理方法包括:
获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体;
对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合;
将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量;
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略。
2.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息,包括:
获取目标智慧园区的第一电力设备信息以及多个电力设备标识;
将所述第一电力设备信息输入预置的设备信息聚类模型,并通过预置的初始聚类函数确定每个电力设备标识的初始聚类中心;
对所述第一电力设备信息和每个电力设备标识的初始聚类中心进行距离计算,得到所述第一电力设备信息与每个初始聚类中心的多个聚类距离;
对所述多个聚类距离进行平均值计算,得到多个聚类均值,并根据所述多个聚类均值确定每个电力设备标识的目标聚类中心;
根据所述目标聚类中心,对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息。
3.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体,包括:
对所述多个第二电力设备信息进行数据清洗,得到数据清洗后的多个第二电力设备信息;
对所述数据清洗后的多个第二电力设备信息进行标准化处理,得到多个第一状态数据,其中,所述第一状态数据包括:功率数据和能耗数据;
基于预置的策略网络创建多个初始智能体,并通过预置的深度强化学习算法对所述多个初始智能体进行训练,得到多个目标智能体;
分别将所述多个第一状态数据传递至所述多个目标智能体,得到多个第一电力设备智能体。
4.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合,包括:
计算每个第一状态数据的多个第一特征值,并对所述多个第一状态数据进行均值运算,得到第一目标值;
对每个第一状态数据的多个第一特征值和所述第一目标值进行比较,得到每个第一状态数据的多个第一比较结果;
根据每个第一状态数据的多个第一比较结果生成对应的多个第二特征值;
将所述多个第二特征值作为状态向量元素,并根据所述状态向量元素生成每个第一电力设备智能体的第一状态向量;
基于预置的设备功率梯度,定义所述多个第一电力设备智能体的动作集合,其中,所述动作集合包括多个不同的梯度设备功率值。
5.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量,包括:
将所述第一状态向量输入所述多个第一电力设备智能体,并通过所述第一电力设备智能体中的输入层接收所述第一状态向量;
通过所述第一电力设备智能体中的策略网络对所述第一状态向量和所述动作集合进行动作执行和前向传播,得到每个动作的概率分布;
通过所述第一电力设备智能体中的输出层对每个动作的概率分布进行向量转换,得到每个第一电力设备智能体的第二状态向量。
6.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值,包括:
将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型,其中,所述设备能耗分析模型包括:两层门限循环网络和线性回归层;
通过所述两层门限循环网络对所述第二状态向量进行特征提取,得到特征状态向量;
将所述特征状态向量输入所述线性回归层进行能耗运算,得到每个第一电力设备智能体的目标能耗值;
通过预置的奖励函数对所述目标能耗值进行奖励计算,得到每个第一电力设备智能体的目标奖励值。
7.根据权利要求1所述的智慧园区的信息处理方法,其特征在于,所述根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略,包括:
根据所述目标能耗值和所述目标奖励值,计算每个第一电力设备智能体的损失函数;
通过预置的梯度下降法,根据所述损失函数对每个第一电力设备智能体的策略网络进行参数更新,得到多个第二电力设备智能体;
采集所述目标智慧园区的环境交互信息,并根据所述环境交互信息对所述多个第二电力设备智能体进行能耗负载分析,得到所述目标智慧园区的能耗负载策略。
8.一种智慧园区的信息处理装置,其特征在于,所述智慧园区的信息处理装置包括:
获取模块,用于获取目标智慧园区的第一电力设备信息,并对所述第一电力设备信息进行信息聚类,得到多个第二电力设备信息;
处理模块,用于对所述多个第二电力设备信息进行标准化处理,得到多个第一状态数据,并根据所述多个第一状态数据创建多个第一电力设备智能体;
创建模块,用于对所述多个第一状态数据进行状态向量转换,得到每个第一电力设备智能体的第一状态向量,并定义所述多个第一电力设备智能体的动作集合;
执行模块,用于将所述第一状态向量输入所述多个第一电力设备智能体并执行所述动作集合,得到每个第一电力设备智能体的第二状态向量;
分析模块,用于将每个第一电力设备智能体的第二状态向量输入预置的设备能耗分析模型进行设备能耗分析,得到每个第一电力设备智能体的目标能耗值和目标奖励值;
生成模块,用于根据所述目标能耗值和所述目标奖励值,对每个第一电力设备智能体进行策略网络更新,得到多个第二电力设备智能体,并通过所述多个第二电力设备智能体生成所述目标智慧园区的能耗负载策略。
9.一种智慧园区的信息处理设备,其特征在于,所述智慧园区的信息处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述智慧园区的信息处理设备执行如权利要求1-7中任一项所述的智慧园区的信息处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的智慧园区的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420134.4A CN117422254A (zh) | 2023-10-30 | 2023-10-30 | 智慧园区的信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420134.4A CN117422254A (zh) | 2023-10-30 | 2023-10-30 | 智慧园区的信息处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422254A true CN117422254A (zh) | 2024-01-19 |
Family
ID=89526106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311420134.4A Pending CN117422254A (zh) | 2023-10-30 | 2023-10-30 | 智慧园区的信息处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422254A (zh) |
-
2023
- 2023-10-30 CN CN202311420134.4A patent/CN117422254A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106351793B (zh) | 用于改进风力发电的系统和方法 | |
CN113364062A (zh) | 用于利用机器学习的多电力资源管理的微电网站点预测控制 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
EP3343496A1 (en) | Method and system for energy management in a facility | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN110298494A (zh) | 一种基于分段聚类及组合优化的风电功率预测方法 | |
Pinto et al. | Coping with wind power uncertainty in unit commitment: A robust approach using the new hybrid metaheuristic deepso | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN117422254A (zh) | 智慧园区的信息处理方法、装置、设备及存储介质 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
Zandi et al. | An automatic learning framework for smart residential communities | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
Jiahui et al. | Short-term load forecasting based on GA-PSO optimized extreme learning machine |
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 |