CN117422274A - 综合能源系统运行优化系统及方法 - Google Patents
综合能源系统运行优化系统及方法 Download PDFInfo
- Publication number
- CN117422274A CN117422274A CN202311469093.8A CN202311469093A CN117422274A CN 117422274 A CN117422274 A CN 117422274A CN 202311469093 A CN202311469093 A CN 202311469093A CN 117422274 A CN117422274 A CN 117422274A
- Authority
- CN
- China
- Prior art keywords
- energy
- node
- data
- scheduling
- generate
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 126
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims description 34
- 238000005265 energy consumption Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 21
- 238000013079 data visualisation Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000009826 distribution Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012043 cost effectiveness analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005259 measurement 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
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及能源优化技术领域，尤其涉及一种综合能源系统运行优化方法。该方法包括以下步骤：对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值。本发明实现了高效、准确的能源系统优化。
Description
技术领域
本发明涉及能源优化技术领域，尤其涉及综合能源系统运行优化系统及方法。
背景技术
随着能源供需模式的不断演变和环境可持续性的愈发重要，现代工业和社会需要不同类型的能源，包括电力、燃气、太阳能、风能等。这多样性带来了能源供应链的复杂性，需要综合优化不同能源的生产、传输、存储和使用，综合能源系统运行优化成为工业和社会的关键挑战。能源系统包括电力、热能、化学能等多种形式的能源，其高效运行对于降低能源成本、减少环境影响以及确保能源供应的可靠性至关重要。传统的运维和管理方法往往存在着能源运行效率不高、不准确的问题，因此需要一种智能化的综合能源系统运行优化系统及方法。
发明内容
本发明为解决上述技术问题，提出了综合能源系统运行优化系统及方法，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种综合能源系统运行优化方法，包括以下步骤：
步骤S1：对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
步骤S2：根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
步骤S3：通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
步骤S4：基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
步骤S5：根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
步骤S6：对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
本发明通过对综合能源系统进行运行检测，可以实时获取能源系统的运行状态和性能数据。这使得能够了解能源系统当前的实际运行情况，监测能源设备的位置数据有助于在能源节点矩阵中构建准确的空间映射。可以将能源系统中的设备与其物理位置相对应，为后续的分析提供基础，通过对实时运行数据进行分析，能够生成准确的能源需求数据。可以了解系统当前的能源需求情况。根据能源需求数据计算节点的能源性能，可以提供关于能源供应和消耗的重要信息，通过对节点的能源性能数据进行分析，可以预测未来的能源负载趋势。这使得可以提前做好能源分配和调度的准备工作。对节点负载值的分析有助于了解各个节点的实际负载情况。基于能源性能数据，构建分布式多级能源层次结构可以帮助更好地理解能源系统的层次结构和分布情况。通过对节点负荷值进行调度优先分析，可以确定哪些节点在能源调度中具有优先权，从而更有效地分配能源，根据节点调度优先数据，进行动态能源调度决策分析，可以实现对能源的实时调配，从而保证了系统在不刻的高效运行。，通过动态优化分配分析，可以建立更加灵活和高效的能源优化策略，将能源优化策略进行数据可视化，可以使决策者直观地了解优化结果，有助于制定更加合适的能源调度方案。，利用循环卷积网络对可视化视图进行膨胀卷积，可以提取出更高级别的特征，从而构建更为精细和高效的能源调度优化模型。
优选地，步骤S1包括以下步骤：
步骤S11：对综合能源系统进行运行检测，获取实时运行数据；
步骤S12：对能源设备进行位置数据监测，获取能源设备位置数据；
步骤S13：对能源设备进行空间拓扑结构分析，生成空间拓扑结构数据；
步骤S14：利用能源设备位置数据对空间拓扑结构数据进行能源节点映射，构建能源节点矩阵。
本发明通过运行检测和获取实时运行数据，能够了解综合能源系统当前的实际运行状态，包括能源供应、能源消耗、设备运行状态等方面的信息。这为能源系统的优化提供了基准数据，帮助识别潜在问题和性能瓶颈，监测能源设备的位置数据有助于建立综合能源系统的物理布局。这可以帮助理解设备之间的空间关系，包括距离、连接方式等，这对于能源系统的优化非常重要，进行空间拓扑结构分析可以帮助确定能源设备之间的拓扑关系，包括连接、传输路径等。这提供了系统内部结构的详细信息，有助于理解能源流动和传输的路径，为能源分配和调度提供基础，通过将能源设备的位置数据与空间拓扑结构数据相结合，可以建立能源节点映射，从而创建能源节点矩阵。这个矩阵将设备、位置和拓扑信息整合在一起，形成了系统的结构表示。这为能源系统的分析和优化提供了关键工具，包括了解节点之间的能源传输关系、能源路径和潜在的瓶颈。
优选地，步骤S2包括以下步骤：
步骤S21：对实时运行数据进行能源消耗计算，生成节点能源消耗参数；
步骤S22：根据节点能源消耗参数对实时运行数据进行能源效率分析，生成节点能源效率数据；
步骤S23：根据节点能源效率数据对能源节点矩阵进行能源需求分析，生成能源需求数据；
步骤S24：根据能源需求数据对实时运行数据进行需求响应分析，生成能源需求响应数据；
步骤S25：根据能源需求响应数据利用节点能源性能计算公式对实时运行数据进行能源性能计算，以生成节点能源性能数据。
本发明通过计算实时运行数据，可以量化各个节点的能源消耗，这有助于识别哪些节点在消耗能源方面表现良好，哪些需要改进。生成节点能源消耗参数提供了有关节点的消耗级别的信息，为能源优化提供了基础。通过将能源消耗参数与实时运行数据结合，可以评估每个节点的能源效率。这有助于确定哪些节点在产生单位能源消耗方面表现良好，哪些可能存在浪费。生成节点能源效率数据帮助识别潜在的改进空间，以提高整体系统的能源效率，基于节点的能源效率数据，可以进行能源需求分析，确定不同节点对系统能源需求的贡献。这有助于了解系统中哪些节点对能源需求起关键作用，从而有针对性地进行能源分配和调度，以满足不同节点的需求。需求响应分析帮助了解系统中不同节点的需求情况以及它们对能源供应的影响。这可以帮助在系统中发生变化时更好地适应，确保能够满足关键节点的需求，从而提高系统的可靠性和韧性，能源性能计算利用能源需求响应数据和性能公式，提供有关不同节点在满足需求方面的绩效评估。这有助于识别性能良好的节点以及潜在的性能改进机会。生成节点能源性能数据可为系统的长期运行和改进提供重要信息。
优选地，步骤S25中的节点能源性能计算公式具体为：
其中，E为节点能源性能值，M为节点能源容量，P为节点能源损耗值，Q为节点能源供应频率，K为节点运行效率，d为能源利用效率，A为节点实际负载值，P为节点能源输出周期，L为节点能源密度，n为该节点的负载设备数量，R为节点能源功率，T为节点运行时长。
本发明通过计算了节点能源容量和能源损耗的乘积的自然对数，量化节点的能源容量和损耗水平，将其转化为对数尺度，计算节点能源供应频率的平方根，能源供应频率表示单位时间内节点能够获得能源的次数，平方根的引入可以使得频率的影响更加均衡，避免极端频率值对最终结果的过度影响，通过/>计算节点运行效率、能源利用效率和节点实际负载值的乘积的自然对数，将运行效率、能源利用效率和负载值综合考虑，并将其转化为对数尺度，/>计算了节点能源输出周期和节点能源密度的比值的1/n次方，能源输出周期表示单位时间内节点能够输出能源的次数，而能源密度表示单位体积或单位面积内的能源量，考虑了能源输出周期和能源密度之间的关系，并通过指数运算对其进行调整。/>计算节点能源功率与节点运行时长的比值的负指数，能源功率表示单位时间内节点消耗的能源量，而节点运行时长表示节点的运行时间。该计算考虑了能源功率和运行时长之间的关系，并通过负指数运算对其进行调整，公式综合考虑了节点的能源容量、能源损耗、能源供应频率、运行效率、能源利用效率、节点实际负载值等参数，通过对这些因素进行数学运算和转化，得到最终的节点能源性能值，评估和比较不同节点的能源性能，从而优化能源利用和管理。
优选地，步骤S3包括以下步骤：
步骤S31：对实时运行数据进行负载波动分析，生成负载波动数据；
步骤S32：对实时运行数据进行负载时序分析，生成负载时序数据；
步骤S33：根据负载时序数据对负载波动数据进行波动曲线拟合，生成负载波动曲线；
步骤S34：通过节点能源性能数据对负载波动曲线进行能源负载趋势预测，生成节点负载趋势数据；
步骤S35：通过节点负载趋势数据对能源节点矩阵进行负载平衡分析，以生成负载平衡数据；
步骤S36：基于负载平衡数据对能源节点矩阵进行节点负荷分析，生成节点负荷值。
本发明通过负载波动分析，可以了解系统中不同节点的负载波动情况。生成负载波动数据可以帮助识别负载波动的模式和趋势，这对于规划和管理能源系统非常重要。可以发现系统中哪些节点频繁经历负载波动，从而采取措施来稳定能源分配，负载时序数据提供了负载的时间序列信息，允许深入了解负载随时间的变化。这对于发现季节性、周期性或随机性的负载变化非常有用，帮助更好地理解系统运行的动态特性。通过拟合波动曲线，可以总结负载波动的趋势和规律。这有助于创建模型，以预测未来的负载波动，从而更好地规划能源供给和需求。节点能源性能数据与负载波动曲线相结合，允许预测未来负载趋势。这对于计划能源供给、避免能源短缺或过剩非常重要。可以根据负载趋势数据调整能源分配以满足将来的需求。负载平衡分析帮助优化系统中不同节点的负载分配。生成负载平衡数据允许了解哪些节点可能存在负载不平衡的情况，从而可以采取措施来均衡负载，提高系统的可靠性和效率。通过节点负载分析，可以具体了解每个节点的负载水平。这有助于确定哪些节点在负载方面可能承受较大压力，哪些节点仍有可用的容量。这种信息可用于决策，例如重新分配负载或增加能源资源以满足需求。
优选地，步骤S3包括以下步骤：
步骤S41：基于节点能源性能数据对能源节点矩阵进行节点性能级别分类，生成节点性能级别，节点性能级别包括高性能节点、中性能节点及低性能节点；
步骤S42：根据节点性能级别对能源节点矩阵进行能源层级划分，得到节点能源层次；其中，中性能节点为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次；
步骤S43：通过节点能源层次对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；
步骤S44：根据能源需求数据对分布式多级能源层次结构进行能源供应能力计算，生成能源供应能力值；
步骤S45：根据能源供应能力值对节点负荷值进行能源调度优先分析，生成节点调度优先数据。
本发明通过对节点的性能级别分类，可以识别出哪些节点在能源性能方面表现出色，哪些性能一般，哪些性能较差。这有助于确定系统中的强项和薄弱点，从而更好地分配资源和进行性能管理。中性能节点为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次，在能源调度中，先使用中性能节点进行能源提供，因为高性能节点能源利用率能高，但是使用成本及能源消耗过大，而低性能节点的能源利用率过低，因而使用性能始终的中性能节点对负载设备进行功能，中性能节点为一级能源层次，当中性能节点能源不足时，再利用高性能节点进行能源提供，即二级能源层次进行供能，当高性能节点能源不足时，利用低性能节点进行供能，可以达到能源利用率及环保能力达到最大。将节点划分为不同的能源层次允许建立一个分层次的能源系统结构。这可以帮助更有效地管理不同性能水平的节点，将资源分配到合适的层次，提高系统的整体效率和可靠性。分布式多级能源层次结构的构建允许建立一个分层次、分散的能源系统。这种结构更有弹性，可以更好地适应不同能源节点的性能和需求。它也提供了更多的控制选项，以适应不同层次的运行和管理。通过计算能源供应能力，可以量化各级能源层次的能力，以满足系统的能源需求。这有助于确定哪个层次需要更多的能源资源，以确保满足节点的需求，同时避免资源浪费，能源调度优先分析帮助确定哪些节点应该在供能时优先考虑，以确保高效的能源供应。这有助于减少能源浪费，确保能源供应与需求的匹配，提高系统的运行效率。
优选地，步骤S45包括以下步骤：
步骤S451：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值大于或等于节点负荷值，标记为调度低优先级节点；
步骤S452：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值小于节点负荷值，标记为调度高优先级节点；
步骤S453：对调度低优先级节点及调度高优先级节点进行能源调度优先分析，生成节点调度优先数据。
本发明通过将节点分成两类，即低优先级节点和高优先级节点，基于其能源供应能力是否足够满足负荷需求。对于那些能满足需求的节点，它们被标记为低优先级，因为它们不需要紧急的能源调度。这有助于避免不必要的调度和资源浪费，将节点标记为高优先级，因为它们的能源供应能力不足以满足其负荷需求。这些节点需要更紧急的能源调度，以确保它们的运行不受到中断。这有助于集中资源和精力，以满足最重要的需求，通过对高和低优先级节点进行分析，为能源调度提供指导。它帮助决策者明确哪些节点需要更紧急的能源分配，以满足其需求，而哪些节点可以较低优先级运行。这有助于提高系统的效率，确保资源被有效地分配，以满足最重要的能源需求。
优选地，步骤S5包括以下步骤：
步骤S51：根据节点调度优先数据对分布式多级能源层次结构进行调度优先级映射，生成节点调度优先图；
步骤S52：根据分布式多级能源层次结构对节点调度优先图进行动态能源调度，以生成动态能源调度数据；
步骤S53：通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略。
本发明通过节点的调度优先级数据，将不同能源节点映射到分布式多级能源层次结构中。这有助于建立一个节点调度优先图，其中能源节点按照其优先级排列。这样，能源系统管理者可以清晰地了解哪些能源节点应该在能源分配中具有更高的优先级，而哪些节点可以具有较低的优先级。通过动态能源调度，将实际的能源分配与节点调度优先图相结合。这有助于在实际运行中分配能源，确保高优先级的节点得到优先满足，从而降低潜在的能源短缺风险。生成的动态能源调度数据记录了每个节点的实际能源分配情况，为后续的分析提供了数据基础。利用动态能源调度数据，对分布式多级能源层次结构进行实时分析和优化。这有助于确定系统中的潜在瓶颈、效率低下的区域以及可能需要改进的地方。根据分析结果，可以构建能源优化策略，以调整能源分配、提高系统效率、降低能源浪费，以及应对能源需求的波动。
优选地，步骤S52中的动态能源调度具体为；
当中性能节点标记为调度高优先级节点时，利用二级能源层次结构对一级能源层次结构进行能源调度；
当高性能节点标记为调度高优先级节点时，利用三级源层次结构对二级能源层次结构进行能源调度。
本发明通过将中性能节点标记为调度高优先级节点，系统可以在一级能源层次结构中进行优化的能源调度。这意味着能源系统会更倾向于向中性能节点分配更多的能源资源，以确保其高效运行。这有助于提高整个系统的性能，特别是对于对性能要求较高的任务或节点，能够更及时、更充分地满足其能源需求。将高性能节点标记为调度高优先级节点，使得系统在二级能源层次结构中进行更为精细的调度。高性能节点通常对能源的需求更为敏感，因此在这个层次上的调度可以更加灵活和细致。通过对高性能节点的优化能源调度，系统能够更好地适应对性能有严格要求的应用，提高整个系统的效率和响应能力。
优选地，步骤S6包括以下步骤：
步骤S61：对能源优化策略进行数据可视化，生成能源优化可视化视图；
步骤S62：利用循环卷积网络对能源优化可视化视图进行卷积预处理，生成卷积样本集；
步骤S63：对卷积样本集进行超像素卷积数据切割，生成卷积特征序列；
步骤S64：对卷积特征序列进行膨胀卷积，生成卷积特征网络；
步骤S65：利用多尺度采样算法对卷积特征网络进行池化多层采样，生成卷积特征图；
步骤S66：对卷积特征图进行数据挖掘建模，以构建能源调度优化模型。
本发明通过将能源优化策略可视化，系统可以更清晰地理解和分析现有的策略。这有助于决策者和工程师更好地理解系统的能源使用情况，发现潜在的问题和优化机会，并为后续深度学习处理提供输入数据。卷积预处理可以帮助提取图像数据中的特征，将可视化视图转化为计算机可以处理的形式。这有助于改善数据的表示方式，为后续步骤提供更好的输入数据。生成卷积样本集是为了在深度学习模型中使用，以进行进一步的分析和学习。超像素卷积数据切割可以将图像分成更小的区域，有助于模型更好地理解不同区域的特征。这有助于提高模型的感知能力，能够更好地捕捉能源系统中的局部特征。生成卷积特征序列是为了将数据准备好以供后续处理。膨胀卷积是一种卷积神经网络技术，用于增加卷积层的感受野，以更好地捕捉数据中的长程依赖关系。这有助于提高模型对能源系统数据的理解和特征提取能力。生成卷积特征网络是为了建立更复杂的特征表示，以供后续处理使用。多尺度池化可以降低数据的维度，并在不丢失重要信息的情况下减少数据的大小。这有助于提高模型的计算效率，并更好地捕捉不同尺度下的特征。生成卷积特征图是为了得到高维度特征的表示，以供后续建模使用。深度学习模型使用卷积特征图进行数据挖掘和建模，以构建能源调度优化模型。这意味着模型可以学习能源系统的复杂模式和特征，以提供更有效的调度策略。最终的模型可以根据数据进行预测和优化决策，以实现能源系统的运行优化。
在本说明书中，提供一种综合能源系统运行优化系统，包括：
节点矩阵模块，用于对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
能源性能模块，用于根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
负载趋势预测模块，用于通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
调度优先模块，用于基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
动态优化模块，用于根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
调度优化模型模块，用于对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
本发明通过通过对能源节点矩阵进行能源需求分析和能源性能计算，生成了实时的节点能源性能数据。这有助于深入理解系统对能源的需求，为后续的优化提供了基础数据通过节点能源性能数据进行负载趋势预测，生成节点负载趋势数据。这可以帮助系统预测未来的能源负载情况，提前做好准备，优化能源分配和使用。节点负荷分析生成的节点负荷值是优化的重要输入，通过节点能源性能数据构建分布式多级能源层次结构，并根据能源需求数据进行能源调度优先分析，生成节点调度优先数据。这有助于建立系统的分层结构，提高能源调度的灵活性和效率，根据节点调度优先数据进行动态能源调度决策分析，生成动态能源调度数据。通过动态优化分配分析，构建了能源优化策略。这使系统能够根据实时需求进行动态调整，提高整体能源利用效率，对能源优化策略进行数据可视化，生成了能源优化可视化视图。应用循环卷积网络对可视化视图进行膨胀卷积，构建了能源调度优化模型。这有助于更深入地理解和分析优化策略，提高模型的性能和准确性。
附图说明
图1为本发明综合能源系统运行优化系统及方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供综合能源系统运行优化系统及方法。所述综合能源系统运行优化系统及方法的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供综合能源系统运行优化方法，所述方法包括以下步骤：
步骤S1：对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
步骤S2：根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
步骤S3：通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
步骤S4：基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
步骤S5：根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
步骤S6：对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
本发明通过对综合能源系统进行运行检测，可以实时获取能源系统的运行状态和性能数据。这使得能够了解能源系统当前的实际运行情况，监测能源设备的位置数据有助于在能源节点矩阵中构建准确的空间映射。可以将能源系统中的设备与其物理位置相对应，为后续的分析提供基础，通过对实时运行数据进行分析，能够生成准确的能源需求数据。可以了解系统当前的能源需求情况。根据能源需求数据计算节点的能源性能，可以提供关于能源供应和消耗的重要信息，通过对节点的能源性能数据进行分析，可以预测未来的能源负载趋势。这使得可以提前做好能源分配和调度的准备工作。对节点负载值的分析有助于了解各个节点的实际负载情况。基于能源性能数据，构建分布式多级能源层次结构可以帮助更好地理解能源系统的层次结构和分布情况。通过对节点负荷值进行调度优先分析，可以确定哪些节点在能源调度中具有优先权，从而更有效地分配能源，根据节点调度优先数据，进行动态能源调度决策分析，可以实现对能源的实时调配，从而保证了系统在不刻的高效运行。，通过动态优化分配分析，可以建立更加灵活和高效的能源优化策略，将能源优化策略进行数据可视化，可以使决策者直观地了解优化结果，有助于制定更加合适的能源调度方案。，利用循环卷积网络对可视化视图进行膨胀卷积，可以提取出更高级别的特征，从而构建更为精细和高效的能源调度优化模型。
本发明实施例中，参考图1所述，为本发明一种综合能源系统运行优化系统及方法的步骤流程示意图，在本实例中，所述综合能源系统运行优化方法的步骤包括：
步骤S1：对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
本实施例中，在综合能源系统中，安装传感器设备以监测各种关键参数，如电力使用、温度、湿度、水流、燃气使用等。这些传感器可以是物联网设备或传统监测设备，用于实时数据采集，采集的实时数据需要传输到中央数据存储或云平台，安装位置传感器(如GPS、RFID、或Wi-Fi定位设备)在能源设备上，以获取它们的位置信息。这可以涵盖发电机、太阳能板、风力涡轮机等，与运行数据一样，位置数据需要采集并传输到中央数据库或云平台，对位置数据进行清洗和预处理，以确保准确的位置信息。这可能包括去除离群点或纠正GPS信号误差，定义综合能源系统中的各种能源节点，例如，发电机、电池、太阳能板、风力涡轮机、能源储存装置、电网连接点等。将它们按照功能和关联进行分类，将实时运行数据和位置数据整合到一个统一的能源节点映射系统中。这可以通过建立数据关联规则，将设备和其数据点映射到节点上，建立能源设备与能源节点之间的关联，通过整合的数据，构建一个能源节点矩阵，其中每一行代表一个节点，每一列代表一个数据点或属性。这个矩阵将有助于系统的整体视图和数据分析。
步骤S2：根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
本实施例中，选择适当的分析方法，以根据实时数据计算能源需求。这可能包括基于历史数据的模型、预测算法、统计方法等。需求可以涵盖电力需求、热量需求、燃料需求等，使用选择的方法计算每个能源节点的能源需求。这可以是实时的、周期性的或基于事件触发的计算，具体取决于系统的要求，将计算出的需求数据与能源节点矩阵相结合，生成一个新的数据矩阵，其中包含了每个节点的能源需求信息，选择适当的方法，以计算每个能源节点的性能。这可能包括效率计算、能源产出计算、成本效益分析等，使用所选的方法计算每个节点的能源性能参数。这将包括能源利用率、能源产出率、能源消耗率等，将计算出的性能数据与能源节点矩阵相结合，生成一个新的数据矩阵，其中包含了每个节点的能源性能信息。
步骤S3：通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
本实施例中，对获取的节点能源性能数据需要进行清洗和整理，确保数据的准确性和完整性。这可能包括去除异常值、填充缺失数据等，在进行预测和分析之前，将不同节点的性能数据进行标准化，以确保它们在相同的度量标准下进行比较，选择适当的数据分析方法来预测每个节点的能源负载趋势。这可以包括时间序列分析、回归分析、机器学习模型等，使用历史节点能源性能数据，训练选定的模型，以预测未来的能源负载趋势。模型的选择将取决于数据的性质和系统的特点，利用训练好的模型，对每个节点的未来能源负载趋势进行预测，通常是以时间为基准的预测，以获得未来一段时间内的负载估计，将预测的能源负载趋势数据与节点标识关联，以生成节点负载趋势数据，将生成的节点负载趋势数据与能源节点矩阵相结合，以建立一个包含每个节点的负荷趋势信息的新数据集，选择适当的分析方法，以从趋势数据中提取节点的负荷值。这可以包括平均值、峰值、谷值、负载分布等，使用所选的方法计算每个节点的负荷值，这反映了能源系统中的负载需求，将计算出的负荷值与节点标识相关联，以生成新的数据矩阵，其中包含了每个节点的负荷值信息。
步骤S4：基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
本实施例中，基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；一级能源层次结构为率先对负载设备供能的层次结构，当一级能源层次结构能源不足，则使用二级能源层次结构对负载设备供能，当二级能源层次结构能源不足，则使用三级能源层次结构对负载设备供能，获取实时或历史能源需求数据，这些数据可以包括不同节点的能源需求量、时间窗口等，使用能源需求数据对节点负荷值进行分析，以识别在不同节点上哪些能源需求是关键的、紧急的或具有高优先级的。这可能涉及到负荷预测、需求变化分析等技术，基于能源需求数据的分析，确定哪些节点需要首先得到满足以满足能源需求，以及如何调度能源以满足这些需求。这可能包括制定调度计划、优化能源分配等，将节点调度优先信息与相应的节点关联，以生成节点调度优先数据，其中记录了每个节点的调度顺序或优先级。
步骤S5：根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
本实施例中，获取实时或历史能源生产和需求数据，包括节点负荷、能源供应状况、能源成本、能源质量等。这些数据用于支持决策分析，将节点调度优先数据应用到能源层次结构的各级节点上。这确定了在多级结构中哪些节点需要优先调度，基于当前能源需求和节点调度优先信息，制定动态调度决策。这可能涉及到调整能源分配、启停能源源头、调整能源传输路线等决策，使用数学模型、优化算法或者人工智能技术，建立能源调度模型，以确定如何动态调度能源以满足节点需求，基于动态调度决策，执行实际的能源分配和调度操作，确保满足节点的需求。这可能包括调整发电机输出、变换电网配置、启停存储系统等，记录实际的动态能源调度数据，包括哪些操作被执行，以及它们的时间和效果。这些数据将用于进一步的分析和优化，利用记录的动态能源调度数据，对能源系统的性能进行分析，包括成本、效率、可靠性等，基于分析结果，建立能源系统的优化模型，以确定如何更好地分配和调度能源，以满足节点需求并最小化成本，制定具体的优化策略，这可能包括更有效的资源利用、更优化的调度计划、更好的能源来源选择等，根据优化策略，执行实际的能源系统调整和操作。
步骤S6：对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
本实施例中，使用数据可视化工具，如Matplotlib、Seaborn、Tableau等，将优化数据转化为图形或图表。这可以包括折线图、柱状图、热力图等，以便更好地理解和分析数据，创建能源优化策略的可视化视图，确保这些视图能够清晰地传达系统的性能和优化情况，将生成的能源优化可视化视图转化为适合深度学习的数据格式，通常是图像数据。这可能涉及将图像进行标准化和预处理，使用循环卷积网络(如LSTM、GRU等)来处理可视化数据。这些网络特别适用于序列数据，可以捕捉数据的时序关系，在循环卷积网络的基础上，引入膨胀卷积层，以扩大网络的感受野，更好地捕捉时间序列数据中的长期依赖关系。膨胀卷积在处理序列数据中的不同时间步骤时具有优势，利用标记的优化数据，训练循环卷积网络，以学习能源调度的优化模型。训练过程包括前向传播、反向传播、损失计算等，对训练得到的模型进行评估，确保其性能良好。根据需要，可以进行超参数调整和模型优化，将训练好的循环卷积网络模型与实际的能源调度优化策略进行整合。这可能包括将模型嵌入到实际调度系统中，使用构建的优化模型，对实时的能源系统运行情况进行监测和优化决策。模型可以根据实际数据动态调整能源分配和调度策略，建立反馈循环，以不断改进和优化能源调度模型。这可以通过与实际运行性能的对比和不断的模型更新来实现。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：对综合能源系统进行运行检测，获取实时运行数据；
步骤S12：对能源设备进行位置数据监测，获取能源设备位置数据；
步骤S13：对能源设备进行空间拓扑结构分析，生成空间拓扑结构数据；
步骤S14：利用能源设备位置数据对空间拓扑结构数据进行能源节点映射，构建能源节点矩阵。
本发明通过运行检测和获取实时运行数据，能够了解综合能源系统当前的实际运行状态，包括能源供应、能源消耗、设备运行状态等方面的信息。这为能源系统的优化提供了基准数据，帮助识别潜在问题和性能瓶颈，监测能源设备的位置数据有助于建立综合能源系统的物理布局。这可以帮助理解设备之间的空间关系，包括距离、连接方式等，这对于能源系统的优化非常重要，进行空间拓扑结构分析可以帮助确定能源设备之间的拓扑关系，包括连接、传输路径等。这提供了系统内部结构的详细信息，有助于理解能源流动和传输的路径，为能源分配和调度提供基础，通过将能源设备的位置数据与空间拓扑结构数据相结合，可以建立能源节点映射，从而创建能源节点矩阵。这个矩阵将设备、位置和拓扑信息整合在一起，形成了系统的结构表示。这为能源系统的分析和优化提供了关键工具，包括了解节点之间的能源传输关系、能源路径和潜在的瓶颈。
本实施例中，在能源系统中部署传感器，这些传感器可以监测电力、热能、冷却等各种能源参数。传感器可以包括电表、温度传感器、湿度传感器等。配置数据采集设备以实时获取传感器数据。这些数据可以包括能源消耗、温度、湿度、电流、电压等相关参数，将采集到的实时数据存储在数据库或云存储中，以便进一步的分析和处理，部署位置传感器或使用GPS设备来监测能源设备的位置。这可以包括太阳能电池板、发电机、风力涡轮机等能源设备，配置位置传感器以实时获取能源设备的位置数据。这些数据通常包括经度、纬度、高度等位置信息，将位置数据与能源设备之间的关联信息整理成一份数据集。这可能包括建筑物布局、设备连接关系等，对能源设备之间的空间拓扑结构进行分析。这将帮助确定能源设备之间的相对位置和连接关系，基于分析结果，生成描述能源设备之间关系的空间拓扑数据。这可以采用图论中的图结构来表示，将位置数据和空间拓扑结构数据整合，以创建一个综合数据集，其中包括位置信息和设备连接信息，确定哪些设备或位置被定义为能源节点。这些节点可以是能源产生设备(如太阳能电池板、风力涡轮机)，能源消耗设备(如建筑物、设备)或能源储存设备(如电池)，将能源节点的位置数据与空间拓扑结构数据关联起来，以创建能源节点映射。这将有助于确定能源节点之间的物理连接和拓扑关系，基于节点映射，构建能源节点矩阵，其中包括节点之间的关系、连接状态和其他相关信息。这个矩阵可以用于进一步的能源系统优化算法。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对实时运行数据进行能源消耗计算，生成节点能源消耗参数；
步骤S22：根据节点能源消耗参数对实时运行数据进行能源效率分析，生成节点能源效率数据；
步骤S23：根据节点能源效率数据对能源节点矩阵进行能源需求分析，生成能源需求数据；
步骤S24：根据能源需求数据对实时运行数据进行需求响应分析，生成能源需求响应数据；
步骤S25：根据能源需求响应数据利用节点能源性能计算公式对实时运行数据进行能源性能计算，以生成节点能源性能数据。
本发明通过计算实时运行数据，可以量化各个节点的能源消耗，这有助于识别哪些节点在消耗能源方面表现良好，哪些需要改进。生成节点能源消耗参数提供了有关节点的消耗级别的信息，为能源优化提供了基础。通过将能源消耗参数与实时运行数据结合，可以评估每个节点的能源效率。这有助于确定哪些节点在产生单位能源消耗方面表现良好，哪些可能存在浪费。生成节点能源效率数据帮助识别潜在的改进空间，以提高整体系统的能源效率，基于节点的能源效率数据，可以进行能源需求分析，确定不同节点对系统能源需求的贡献。这有助于了解系统中哪些节点对能源需求起关键作用，从而有针对性地进行能源分配和调度，以满足不同节点的需求。需求响应分析帮助了解系统中不同节点的需求情况以及它们对能源供应的影响。这可以帮助在系统中发生变化时更好地适应，确保能够满足关键节点的需求，从而提高系统的可靠性和韧性，能源性能计算利用能源需求响应数据和性能公式，提供有关不同节点在满足需求方面的绩效评估。这有助于识别性能良好的节点以及潜在的性能改进机会。生成节点能源性能数据可为系统的长期运行和改进提供重要信息。
本实施例中，使用适当的算法和模型对实时数据进行处理，以计算每个能源节点的能源消耗。这可以涵盖电能、热能、冷却能量等各种能源类型，将计算得到的能源消耗数据与相应的节点关联，生成节点能源消耗参数。将节点能源消耗参数与实时运行数据整合，确保每个节点的能源消耗参数与其运行状态相关联，使用适当的模型和算法，计算每个节点的能源效率。能源效率可以表示为能源输出与输入的比率，或者其他适当的指标，具体取决于系统性能的度量标准，将计算得到的节点能源效率数据与相应的节点关联，生成节点能源效率数据，将节点能源效率数据与能源节点矩阵结合，确保每个节点的能源效率数据与其位置和连接关系相关联，使用能源节点矩阵和节点能源效率数据，计算不同节点之间的能源需求。这可以包括能源传输、储存和分配的需求，将能源需求数据与实时运行数据结合，确保每个节点的需求数据与其实际运行状态相关联，使用能源需求数据，分析实际运行数据以确定是否满足需求。如果需求未得到满足，确定所需的响应策略，如能源调度、优化运行参数等，将计算得到的响应数据与相应的节点关联，生成能源需求响应数据，将能源需求响应数据与实时运行数据整合，确保每个节点的需求响应数据与其运行状态相关联，使用适当的公式和指标，计算每个节点的能源性能。这可以包括能源使用效率、能源传输损失等，将计算得到的节点能源性能数据与相应的节点关联，生成节点能源性能数据。
本实施例中，步骤S25中的节点能源性能计算公式具体为：
其中，E为节点能源性能值，M为节点能源容量，P为节点能源损耗值，Q为节点能源供应频率，K为节点运行效率，d为能源利用效率，A为节点实际负载值，P为节点能源输出周期，L为节点能源密度，n为该节点的负载设备数量，R为节点能源功率，T为节点运行时长。
本发明通过计算了节点能源容量和能源损耗的乘积的自然对数，量化节点的能源容量和损耗水平，将其转化为对数尺度，计算节点能源供应频率的平方根，能源供应频率表示单位时间内节点能够获得能源的次数，平方根的引入可以使得频率的影响更加均衡，避免极端频率值对最终结果的过度影响，通过/>计算节点运行效率、能源利用效率和节点实际负载值的乘积的自然对数，将运行效率、能源利用效率和负载值综合考虑，并将其转化为对数尺度，/>计算了节点能源输出周期和节点能源密度的比值的1/n次方，能源输出周期表示单位时间内节点能够输出能源的次数，而能源密度表示单位体积或单位面积内的能源量，考虑了能源输出周期和能源密度之间的关系，并通过指数运算对其进行调整。/>计算节点能源功率与节点运行时长的比值的负指数，能源功率表示单位时间内节点消耗的能源量，而节点运行时长表示节点的运行时间。该计算考虑了能源功率和运行时长之间的关系，并通过负指数运算对其进行调整，公式综合考虑了节点的能源容量、能源损耗、能源供应频率、运行效率、能源利用效率、节点实际负载值等参数，通过对这些因素进行数学运算和转化，得到最终的节点能源性能值，评估和比较不同节点的能源性能，从而优化能源利用和管理。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：对实时运行数据进行负载波动分析，生成负载波动数据；
步骤S32：对实时运行数据进行负载时序分析，生成负载时序数据；
步骤S33：根据负载时序数据对负载波动数据进行波动曲线拟合，生成负载波动曲线；
步骤S34：通过节点能源性能数据对负载波动曲线进行能源负载趋势预测，生成节点负载趋势数据；
步骤S35：通过节点负载趋势数据对能源节点矩阵进行负载平衡分析，以生成负载平衡数据；
步骤S36：基于负载平衡数据对能源节点矩阵进行节点负荷分析，生成节点负荷值。
本发明通过负载波动分析，可以了解系统中不同节点的负载波动情况。生成负载波动数据可以帮助识别负载波动的模式和趋势，这对于规划和管理能源系统非常重要。可以发现系统中哪些节点频繁经历负载波动，从而采取措施来稳定能源分配，负载时序数据提供了负载的时间序列信息，允许深入了解负载随时间的变化。这对于发现季节性、周期性或随机性的负载变化非常有用，帮助更好地理解系统运行的动态特性。通过拟合波动曲线，可以总结负载波动的趋势和规律。这有助于创建模型，以预测未来的负载波动，从而更好地规划能源供给和需求。节点能源性能数据与负载波动曲线相结合，允许预测未来负载趋势。这对于计划能源供给、避免能源短缺或过剩非常重要。可以根据负载趋势数据调整能源分配以满足将来的需求。负载平衡分析帮助优化系统中不同节点的负载分配。生成负载平衡数据允许了解哪些节点可能存在负载不平衡的情况，从而可以采取措施来均衡负载，提高系统的可靠性和效率。通过节点负载分析，可以具体了解每个节点的负载水平。这有助于确定哪些节点在负载方面可能承受较大压力，哪些节点仍有可用的容量。这种信息可用于决策，例如重新分配负载或增加能源资源以满足需求。
本实施例中，使用适当的分析工具和算法，对实时负载数据进行分析，以识别负载的波动性质，例如峰谷、周期性等。这可以涵盖统计分析、时序分析等方法，将负载波动的特性数据与时间戳关联，生成负载波动数据，使用时序分析方法，分析负载数据的时间序列特性，包括周期性、趋势、季节性等，将时序分析结果与时间戳关联，生成负载时序数据，使用数学模型或拟合算法，将负载波动数据拟合成适当的波动曲线。这可以是正弦曲线、多项式曲线或其他适用的曲线类型，将拟合得到的波动曲线与时间戳关联，生成负载波动曲线，将负载波动曲线与节点能源性能数据相互对应，确保能源性能数据与负载波动相关，使用节点能源性能数据，分析负载波动曲线的未来趋势。这可以包括预测峰谷负载、能源需求的波动等，将节点负载趋势数据与能源节点矩阵相互对应，以便进行负载平衡分析，使用节点负载趋势数据，分析各个能源节点之间的负载平衡情况。确定哪些节点可能会超负荷，哪些节点可能会有富余，将负载平衡分析结果与相应的节点关联，生成负载平衡数据，将负载平衡数据与能源节点矩阵相互对应，确保节点的负载平衡情况反映在分析中，使用负载平衡数据，计算每个节点的负荷值。这可能涉及重新分配负载、调整能源供应等措施，将计算得到的节点负荷值与相应的节点关联，生成节点负荷数据。
本实施例中，步骤S4包括以下步骤：
步骤S41：基于节点能源性能数据对能源节点矩阵进行节点性能级别分类，生成节点性能级别，节点性能级别包括高性能节点、中性能节点及低性能节点；
步骤S42：根据节点性能级别对能源节点矩阵进行能源层级划分，得到节点能源层次；其中，中性能节点为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次；
步骤S43：通过节点能源层次对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；
步骤S44：根据能源需求数据对分布式多级能源层次结构进行能源供应能力计算，生成能源供应能力值；
步骤S45：根据能源供应能力值对节点负荷值进行能源调度优先分析，生成节点调度优先数据。
本发明通过对节点的性能级别分类，可以识别出哪些节点在能源性能方面表现出色，哪些性能一般，哪些性能较差。这有助于确定系统中的强项和薄弱点，从而更好地分配资源和进行性能管理。中性能节点为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次，在能源调度中，先使用中性能节点进行能源提供，因为高性能节点能源利用率能高，但是使用成本及能源消耗过大，而低性能节点的能源利用率过低，因而使用性能始终的中性能节点对负载设备进行功能，中性能节点为一级能源层次，当中性能节点能源不足时，再利用高性能节点进行能源提供，即二级能源层次进行供能，当高性能节点能源不足时，利用低性能节点进行供能，可以达到能源利用率及环保能力达到最大。将节点划分为不同的能源层次允许建立一个分层次的能源系统结构。这可以帮助更有效地管理不同性能水平的节点，将资源分配到合适的层次，提高系统的整体效率和可靠性。分布式多级能源层次结构的构建允许建立一个分层次、分散的能源系统。这种结构更有弹性，可以更好地适应不同能源节点的性能和需求。它也提供了更多的控制选项，以适应不同层次的运行和管理。通过计算能源供应能力，可以量化各级能源层次的能力，以满足系统的能源需求。这有助于确定哪个层次需要更多的能源资源，以确保满足节点的需求，同时避免资源浪费，能源调度优先分析帮助确定哪些节点应该在供能时优先考虑，以确保高效的能源供应。这有助于减少能源浪费，确保能源供应与需求的匹配，提高系统的运行效率。
本实施例中，使用适当的算法或规则，将各个节点分为不同性能级别，如高性能、中性能、低性能。这可以基于性能指标的阈值、历史数据或其他相关信息，将每个节点的性能级别与节点ID关联，生成节点性能级别数据，将每个性能级别映射到相应的能源层次。例如，中性能节点可以定义为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次，将定义的节点能源层次信息与节点性能级别数据关联，生成节点能源层次数据，将节点能源层次数据与能源节点矩阵关联，确保每个节点都与其所属的能源层次相关联，根据节点的能源层次信息，构建分布式多级能源层次结构。这可以涉及将节点分组为不同的层次、定义层次之间的关系等，将构建好的多级能源层次结构与相应的节点关联，生成分布式多级能源层次结构数据。使用能源需求数据和节点性能信息，计算每个能源层次的能源供应能力。这可以包括能源生成能力、存储能力等，将计算得到的能源供应能力值与相应的能源层次关联，生成能源供应能力数据，将能源供应能力数据与节点负荷值关联，确保节点的负荷需求与能源供应能力数据相关，使用能源供应能力数据，确定哪些节点需要优先获得能源供应，以满足其负荷需求。这可以基于能源层次、负荷大小等因素进行分析，将调度优先分析结果与相应的节点关联，生成节点调度优先数据，以指导能源的分配和调度。
本实施例中，步骤S45包括以下步骤：
步骤S451：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值大于或等于节点负荷值，标记为调度低优先级节点；
步骤S452：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值小于节点负荷值，标记为调度高优先级节点；
步骤S453：对调度低优先级节点及调度高优先级节点进行能源调度优先分析，生成节点调度优先数据。
本发明通过将节点分成两类，即低优先级节点和高优先级节点，基于其能源供应能力是否足够满足负荷需求。对于那些能满足需求的节点，它们被标记为低优先级，因为它们不需要紧急的能源调度。这有助于避免不必要的调度和资源浪费，将节点标记为高优先级，因为它们的能源供应能力不足以满足其负荷需求。这些节点需要更紧急的能源调度，以确保它们的运行不受到中断。这有助于集中资源和精力，以满足最重要的需求，通过对高和低优先级节点进行分析，为能源调度提供指导。它帮助决策者明确哪些节点需要更紧急的能源分配，以满足其需求，而哪些节点可以较低优先级运行。这有助于提高系统的效率，确保资源被有效地分配，以满足最重要的能源需求。
本实施例中，对每个节点，比较其能源供应能力值和负荷值。如果能源供应能力值大于或等于节点的负荷值，将该节点标记为低优先级节点。这表示该节点的能源需求可以得到满足，但不紧急，对每个节点，比较其能源供应能力值和负荷值。如果能源供应能力值小于节点的负荷值，将该节点标记为高优先级节点。这表示该节点的能源需求无法得到完全满足，需要优先处理，将已经标记为低优先级和高优先级的节点与能源供应能力数据和节点负荷数据关联，确定如何分配有限的能源资源以满足其负荷需求。这可能包括提高能源供应、优化能源分配策略等，确定如何分配剩余的能源资源，以最大程度地满足其负荷需求，同时确保高优先级节点的需求得到满足，将优先级分析的结果与相应的节点关联，生成节点调度优先数据。这些数据可用于指导实际的能源调度操作，确保高优先级节点的能源需求得到满足，同时充分利用可用的能源资源。
本实施例中，步骤S5包括以下步骤：
步骤S51：根据节点调度优先数据对分布式多级能源层次结构进行调度优先级映射，生成节点调度优先图；
步骤S52：根据分布式多级能源层次结构对节点调度优先图进行动态能源调度，以生成动态能源调度数据；
步骤S53：通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略。
本发明通过节点的调度优先级数据，将不同能源节点映射到分布式多级能源层次结构中。这有助于建立一个节点调度优先图，其中能源节点按照其优先级排列。这样，能源系统管理者可以清晰地了解哪些能源节点应该在能源分配中具有更高的优先级，而哪些节点可以具有较低的优先级。通过动态能源调度，将实际的能源分配与节点调度优先图相结合。这有助于在实际运行中分配能源，确保高优先级的节点得到优先满足，从而降低潜在的能源短缺风险。生成的动态能源调度数据记录了每个节点的实际能源分配情况，为后续的分析提供了数据基础。利用动态能源调度数据，对分布式多级能源层次结构进行实时分析和优化。这有助于确定系统中的潜在瓶颈、效率低下的区域以及可能需要改进的地方。根据分析结果，可以构建能源优化策略，以调整能源分配、提高系统效率、降低能源浪费，以及应对能源需求的波动。
本实施例中，根据节点之间的关系和优先级数据，构建一个节点调度优先图。这个图将显示各个节点之间的依赖关系和优先级，获取分布式多级能源层次结构的数据，包括各级能源节点的能源供应和负荷需求数据，选择适当的调度算法，这可以是负载均衡、优先级调度、最短路径算法等，根据系统需求和节点之间的关系，根据节点的优先级和能源供需情况，动态分配能源资源。高优先级节点可能会获得更多的资源，而低优先级节点可能会受到限制，持续监控能源供应情况，根据需求进行调整。这可能需要实时数据和反馈控制系统，记录每个节点的实际调度情况，包括分配的能源量、时间等信息。这些数据将用于后续的分析和优化。评估系统在动态能源调度下的性能，包括能源利用率、响应时间、系统可靠性等，确保高优先级节点的需求得到满足，低优先级节点得到适度的资源，根据性能评估结果和需求满足度，调整调度策略，以满足系统目标，针对性能不足或不平衡的情况，优化资源分配，可能需要重新分配能源资源或优化节点位置等，实施构建的能源优化策略，确保系统按照策略进行运行。
本实施例中，步骤S52中的动态能源调度具体为；
当中性能节点标记为调度高优先级节点时，利用二级能源层次结构对一级能源层次结构进行能源调度；
当高性能节点标记为调度高优先级节点时，利用三级源层次结构对二级能源层次结构进行能源调度。
本发明通过将中性能节点标记为调度高优先级节点，系统可以在一级能源层次结构中进行优化的能源调度。这意味着能源系统会更倾向于向中性能节点分配更多的能源资源，以确保其高效运行。这有助于提高整个系统的性能，特别是对于对性能要求较高的任务或节点，能够更及时、更充分地满足其能源需求。将高性能节点标记为调度高优先级节点，使得系统在二级能源层次结构中进行更为精细的调度。高性能节点通常对能源的需求更为敏感，因此在这个层次上的调度可以更加灵活和细致。通过对高性能节点的优化能源调度，系统能够更好地适应对性能有严格要求的应用，提高整个系统的效率和响应能力。
本实施例中，确定哪些节点在一级能源层次结构中被标记为中性能节点，并需要调度高优先级，获取一级和二级能源层次结构的数据，包括节点能源供应、负载需求和优先级信息，基于中性能节点的优先级，设计能源调度策略。这可能包括重新分配能源、重新排序任务、调整节点工作状态等，根据生成的策略，执行能源调度操作。这可能包括分配更多能源给中性能节点，以确保其性能和需求得到满足，持续监控中性能节点的性能和能源供应情况，根据实际情况进行必要的调整。这可以是实时的反馈控制系统，确定哪些节点在二级能源层次结构中被标记为高性能节点，并需要调度高优先级，获取二级和三级能源层次结构的数据，包括节点能源供应、负载需求和优先级信息，基于高性能节点的优先级，设计能源调度策略。这可能包括重新分配能源、重新排序任务、调整节点工作状态等，根据生成的策略，执行能源调度操作。这可能包括分配更多能源给高性能节点，以确保其性能和需求得到满足，持续监控高性能节点的性能和能源供应情况，根据实际情况进行必要的调整。这可以是实时的反馈控制系统。
本实施例中，步骤S6包括以下步骤：
步骤S61：对能源优化策略进行数据可视化，生成能源优化可视化视图；
步骤S62：利用循环卷积网络对能源优化可视化视图进行卷积预处理，生成卷积样本集；
步骤S63：对卷积样本集进行超像素卷积数据切割，生成卷积特征序列；
步骤S64：对卷积特征序列进行膨胀卷积，生成卷积特征网络；
步骤S65：利用多尺度采样算法对卷积特征网络进行池化多层采样，生成卷积特征图；
步骤S66：对卷积特征图进行数据挖掘建模，以构建能源调度优化模型。
本发明通过将能源优化策略可视化，系统可以更清晰地理解和分析现有的策略。这有助于决策者和工程师更好地理解系统的能源使用情况，发现潜在的问题和优化机会，并为后续深度学习处理提供输入数据。卷积预处理可以帮助提取图像数据中的特征，将可视化视图转化为计算机可以处理的形式。这有助于改善数据的表示方式，为后续步骤提供更好的输入数据。生成卷积样本集是为了在深度学习模型中使用，以进行进一步的分析和学习。超像素卷积数据切割可以将图像分成更小的区域，有助于模型更好地理解不同区域的特征。这有助于提高模型的感知能力，能够更好地捕捉能源系统中的局部特征。生成卷积特征序列是为了将数据准备好以供后续处理。膨胀卷积是一种卷积神经网络技术，用于增加卷积层的感受野，以更好地捕捉数据中的长程依赖关系。这有助于提高模型对能源系统数据的理解和特征提取能力。生成卷积特征网络是为了建立更复杂的特征表示，以供后续处理使用。多尺度池化可以降低数据的维度，并在不丢失重要信息的情况下减少数据的大小。这有助于提高模型的计算效率，并更好地捕捉不同尺度下的特征。生成卷积特征图是为了得到高维度特征的表示，以供后续建模使用。深度学习模型使用卷积特征图进行数据挖掘和建模，以构建能源调度优化模型。这意味着模型可以学习能源系统的复杂模式和特征，以提供更有效的调度策略。最终的模型可以根据数据进行预测和优化决策，以实现能源系统的运行优化。
本实施例中，收集能源优化策略的相关数据，这可以包括能源供应、负载需求、节点信息、优化参数等，使用数据可视化工具或库，将策略数据可视化成图形或图表，以便更好地理解和分析策略，根据可视化需求，创建能源优化的可视化视图。这可以包括时间序列图、热力图、散点图等，以便更好地呈现数据，准备可视化视图的数据，可以将可视化视图转换成适合深度学习的格式，如图像，使用循环卷积网络(Convolutional Neural Network，CNN)进行数据预处理。CNN可以用于图像特征提取和转换。这一步旨在提取有用的特征，以供后续处理使用，经过CNN预处理后，生成卷积样本集，这些样本包含了从可视化视图中提取的特征。这些样本可以用于深度学习模型的训练，将卷积样本集进行超像素切割，将图像分成小块，每个块称为超像素。这有助于减少数据的维度和复杂性，对每个超像素应用卷积操作，以进一步提取特征。这可以是传统的卷积操作或使用更复杂的深度学习模型，将卷积操作后的结果组合成卷积特征序列，这是一系列特征向量或特征图，用于后续处理，使用膨胀卷积(Dilated Convolution)对卷积特征序列进行处理。膨胀卷积可以增加感受野，有助于捕捉更广泛的信息，将经过膨胀卷积处理的特征序列组合成一个卷积特征网络。这个网络包含了更丰富的信息，可用于更高级的数据处理，使用多尺度采样算法对卷积特征网络进行处理，以在不同尺度上捕捉信息。这可以包括池化操作或使用不同的卷积核尺寸，经过多尺度采样后，生成卷积特征图，这些图包含了不同尺度的特征信息，使用数据挖掘和机器学习技术，对卷积特征图进行建模。这可以包括分类、回归、聚类等任务，根据问题的性质进行选择，基于数据挖掘技术，构建能源调度优化模型。这个模型将根据卷积特征图的信息来预测最佳的能源调度策略，对建立的模型进行训练，并使用评估指标来评估其性能。根据模型的性能进行调整和改进。
在本实施例中，提供一种综合能源系统运行优化系统，包括：
节点矩阵模块，用于对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
能源性能模块，用于根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
负载趋势预测模块，用于通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
调度优先模块，用于基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
动态优化模块，用于根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
调度优化模型模块，用于对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
本发明通过通过对能源节点矩阵进行能源需求分析和能源性能计算，生成了实时的节点能源性能数据。这有助于深入理解系统对能源的需求，为后续的优化提供了基础数据通过节点能源性能数据进行负载趋势预测，生成节点负载趋势数据。这可以帮助系统预测未来的能源负载情况，提前做好准备，优化能源分配和使用。节点负荷分析生成的节点负荷值是优化的重要输入，通过节点能源性能数据构建分布式多级能源层次结构，并根据能源需求数据进行能源调度优先分析，生成节点调度优先数据。这有助于建立系统的分层结构，提高能源调度的灵活性和效率，根据节点调度优先数据进行动态能源调度决策分析，生成动态能源调度数据。通过动态优化分配分析，构建了能源优化策略。这使系统能够根据实时需求进行动态调整，提高整体能源利用效率，对能源优化策略进行数据可视化，生成了能源优化可视化视图。应用循环卷积网络对可视化视图进行膨胀卷积，构建了能源调度优化模型。这有助于更深入地理解和分析优化策略，提高模型的性能和准确性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种综合能源系统运行优化方法，其特征在于，包括以下步骤：
步骤S1：对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
步骤S2：根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
步骤S3：通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
步骤S4：基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
步骤S5：根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
步骤S6：对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：对综合能源系统进行运行检测，获取实时运行数据；
步骤S12：对能源设备进行位置数据监测，获取能源设备位置数据；
步骤S13：对能源设备进行空间拓扑结构分析，生成空间拓扑结构数据；
步骤S14：利用能源设备位置数据对空间拓扑结构数据进行能源节点映射，构建能源节点矩阵。
3.根据权利要求1所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对实时运行数据进行能源消耗计算，生成节点能源消耗参数；
步骤S22：根据节点能源消耗参数对实时运行数据进行能源效率分析，生成节点能源效率数据；
步骤S23：根据节点能源效率数据对能源节点矩阵进行能源需求分析，生成能源需求数据；
步骤S24：根据能源需求数据对实时运行数据进行需求响应分析，生成能源需求响应数据；
步骤S25：根据能源需求响应数据利用节点能源性能计算公式对实时运行数据进行能源性能计算，以生成节点能源性能数据；
其中，步骤S25中的节点能源性能计算公式具体为：
其中，E为节点能源性能值，M为节点能源容量，P为节点能源损耗值，Q为节点能源供应频率，K为节点运行效率，d为能源利用效率，A为节点实际负载值，P为节点能源输出周期，L为节点能源密度，n为该节点的负载设备数量，R为节点能源功率，T为节点运行时长。
4.根据权利要求1所述的方法，其特征在于，步骤S3的具体步骤为：
步骤S31：对实时运行数据进行负载波动分析，生成负载波动数据；
步骤S32：对实时运行数据进行负载时序分析，生成负载时序数据；
步骤S33：根据负载时序数据对负载波动数据进行波动曲线拟合，生成负载波动曲线；
步骤S34：通过节点能源性能数据对负载波动曲线进行能源负载趋势预测，生成节点负载趋势数据；
步骤S35：通过节点负载趋势数据对能源节点矩阵进行负载平衡分析，以生成负载平衡数据；
步骤S36：基于负载平衡数据对能源节点矩阵进行节点负荷分析，生成节点负荷值。
5.根据权利要求1所述的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：基于节点能源性能数据对能源节点矩阵进行节点性能级别分类，生成节点性能级别，节点性能级别包括高性能节点、中性能节点及低性能节点；
步骤S42：根据节点性能级别对能源节点矩阵进行能源层级划分，得到节点能源层次；其中，中性能节点为一级能源层次，高性能节点为二级能源层次，低性能节点为三级能源层次；
步骤S43：通过节点能源层次对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；
步骤S44：根据能源需求数据对分布式多级能源层次结构进行能源供应能力计算，生成能源供应能力值；
步骤S45：根据能源供应能力值对节点负荷值进行能源调度优先分析，生成节点调度优先数据。
6.根据权利要求5所述的方法，其特征在于，步骤S45的具体步骤为：
步骤S451：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值大于或等于节点负荷值，标记为调度低优先级节点；
步骤S452：根据能源供应能力值对节点负荷值进行供需匹配判断，当能源供应能力值小于节点负荷值，标记为调度高优先级节点；
步骤S453：对调度低优先级节点及调度高优先级节点进行能源调度优先分析，生成节点调度优先数据。
7.根据权利要求1所述的方法，其特征在于，步骤S5的具体步骤为：
步骤S51：根据节点调度优先数据对分布式多级能源层次结构进行调度优先级映射，生成节点调度优先图；
步骤S52：根据分布式多级能源层次结构对节点调度优先图进行动态能源调度，以生成动态能源调度数据；
步骤S53：通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略。
8.根据权利要求7所述的方法，其特征在于，步骤S52中的动态能源调度具体为；
当中性能节点标记为调度高优先级节点时，利用二级能源层次结构对一级能源层次结构进行能源调度；
当高性能节点标记为调度高优先级节点时，利用三级源层次结构对二级能源层次结构进行能源调度。
9.根据权利要求1所述的方法，其特征在于，步骤S6的具体步骤为：
步骤S61：对能源优化策略进行数据可视化，生成能源优化可视化视图；
步骤S62：利用循环卷积网络对能源优化可视化视图进行卷积预处理，生成卷积样本集；
步骤S63：对卷积样本集进行超像素卷积数据切割，生成卷积特征序列；
步骤S64：对卷积特征序列进行膨胀卷积，生成卷积特征网络；
步骤S65：利用多尺度采样算法对卷积特征网络进行池化多层采样，生成卷积特征图；
步骤S66：对卷积特征图进行数据挖掘建模，以构建能源调度优化模型。
10.综合能源系统运行优化系统，其特征在于，用于执行如权利要求1所述的综合能源系统运行优化方法，包括：
节点矩阵模块，用于对综合能源系统进行运行检测，获取实时运行数据；对能源设备进行位置数据监测，获取能源设备位置数据；对能源设备位置数据进行能源节点映射，构建能源节点矩阵；
能源性能模块，用于根据实时运行数据对能源节点矩阵进行能源需求分析，生成能源需求数据；根据能源需求数据对实时运行数据进行能源性能计算，以生成节点能源性能数据；
负载趋势预测模块，用于通过节点能源性能数据对实时运行数据进行能源负载趋势预测，生成节点负载趋势数据；通过节点负载趋势数据对能源节点矩阵进行节点负荷分析，生成节点负荷值；
调度优先模块，用于基于节点能源性能数据对能源节点矩阵进行分布式多级结构构建，构建分布式多级能源层次结构，分布式多级能源层次结构包括一级能源层次结构、二级能源层次结构及三级能源层次结构；根据能源需求数据对节点负荷值进行能源调度优先分析，生成节点调度优先数据；
动态优化模块，用于根据节点调度优先数据对分布式多级能源层次结构进行动态能源调度决策分析，以生成动态能源调度数据；通过动态能源调度数据对分布式多级能源层次结构进行动态优化分配分析，以构建能源优化策略；
调度优化模型模块，用于对能源优化策略进行数据可视化，生成能源优化可视化视图；利用循环卷积网络对能源优化可视化视图进行膨胀卷积，以构建能源调度优化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311469093.8A CN117422274A (zh) | 2023-11-02 | 2023-11-02 | 综合能源系统运行优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311469093.8A CN117422274A (zh) | 2023-11-02 | 2023-11-02 | 综合能源系统运行优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117422274A true CN117422274A (zh) | 2024-01-19 |
Family
ID=89522674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311469093.8A Pending CN117422274A (zh) | 2023-11-02 | 2023-11-02 | 综合能源系统运行优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422274A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117650571A (zh) * | 2024-01-30 | 2024-03-05 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
-
2023
- 2023-11-02 CN CN202311469093.8A patent/CN117422274A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117650571A (zh) * | 2024-01-30 | 2024-03-05 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
| CN117650571B (zh) * | 2024-01-30 | 2024-04-09 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220215275A1 (en) | Predictive asset optimization for computer resources | |
| CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
| CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
| KR20140043184A (ko) | 에너지 소비량 예측 장치 및 방법 | |
| CN117422274A (zh) | 综合能源系统运行优化系统及方法 | |
| CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
| Sharma | Exploring the Predictive Power of Machine Learning for Energy Consumption in Buildings | |
| CN117539726B (zh) | 绿色智算中心能效优化方法及系统 | |
| Lujic et al. | Adaptive recovery of incomplete datasets for edge analytics | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
| CN116596408B (zh) | 一种储能集装箱温控能力评价方法及系统 | |
| CN117453398A (zh) | 一种提高供电可靠性的算力调度的智能优化方法及系统 | |
| CN114897210B (zh) | 一种基于能源损耗预测的能源互联方法及系统 | |
| CN117498348A (zh) | 一种综合能源系统运行优化调度方法 | |
| CN117710153B (zh) | 一种基于多终端设备的用能辅助决策方法和系统 | |
| CN117477673B (zh) | 一种动态适应型工业园区负荷建模与智能调控系统 | |
| CN117934202A (zh) | 一种虚拟电厂调度封装模型的构建方法 | |
| Cornelusse et al. | Supervised learning of intra-daily recourse strategies for generation management under uncertainties | |
| Jha et al. | Optimizing CPU Resources: A Deep Learning Approach for Usage Forecasting in Cloud Environments | |
| CN117950868A (zh) | 一种用于智算中心的多元算力综合纳管调度方法及系统 | |
| CN117993582A (zh) | 一种电力供应数据模拟优化运行方法及系统 | |
| Doring et al. | Using k-means for clustering in complex automotive production systems to support a Q-learning-system | |
| Jurado et al. | iURBAN Smart Algorithms |
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 |