CN117933667A - 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 - Google Patents
虚拟电厂的资源调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117933667A CN117933667A CN202410326358.7A CN202410326358A CN117933667A CN 117933667 A CN117933667 A CN 117933667A CN 202410326358 A CN202410326358 A CN 202410326358A CN 117933667 A CN117933667 A CN 117933667A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- parameters
- power plant
- virtual power
- scheduled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 238000010248 power generation Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 239000003016 pheromone Substances 0.000 description 61
- 238000004422 calculation algorithm Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 37
- 241000257303 Hymenoptera Species 0.000 description 19
- 238000004146 energy storage Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 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
-
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种虚拟电厂的资源调度方法、装置、计算机设备和存储介质。方法包括：获取待调度虚拟电厂运行状态的时序变化信息，根据时序变化信息生成待调度虚拟电厂对应的预期状态数据；对预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；根据目标调度参数对待调度虚拟电厂进行资源调度。采用本方法能够准确地反映待调度虚拟电厂运行状态随时间的变化情况，使得最终形成的目标调度参数具有更高的鲁棒性和适应性，最终能够为待调度虚拟电厂的资源调度提供高度可靠的策略支持。
Description
技术领域
本申请涉及虚拟电厂技术领域，特别是涉及一种虚拟电厂的资源调度方法、装置、计算机设备和存储介质。
背景技术
虚拟电厂（virtual power plant，VPP）是一种通过先进信息通信技术和软件系统，实现储能系统、可控负荷以及电动汽车等资源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。基于VPP能够将分布式能源、储能以及负荷等各种分散的能源资源整合起来，并通过统一调度控制实现电力供应与需求的协调平衡。
由于VPP由多种能源资源组成，如何对这些资源进行优化配置，以满足电力系统的需求并提高经济性，是当前VPP面临的一大难题。由于在传统方案中所采用的资源调度策略，其通常未考虑电力负荷等参数不断变化的情况，难以实现应对实时调整；并且所形成的调度策略缺乏对策略中参数的适应性优化调整，从而导致传统技术方案所形成对虚拟电厂进行的资源调度的可靠性相对较低。
发明内容
基于此，有必要针对上述技术问题，提供一种可靠性更高的虚拟电厂的资源调度方法、装置、计算机设备和可读存储介质。
第一方面，本申请提供了一种虚拟电厂的资源调度方法。所述方法包括：
获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
在其中一个实施例中，所述对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数，包括：
根据所述预期状态数据以及所述待调度虚拟电厂的预设调度策略信息，生成多个候选调度参数，并从所述多个候选调度参数中确定初始调度参数；
将所述初始调度参数映射至蚁群迭代优化的解空间中，确定第一位置，并将所述多个候选调度参数映射至蚁群迭代优化的解空间中，确定多个第二位置；
根据所述第一位置和所述多个第二位置，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径，并根据各个空间路径对应的路径长度确定各个候选调度参数对应的性能指标参数；
确定所述多条空间路径中性能指标参数最高的目标路径，并将所述目标路径对应的候选调度参数确定为目标调度参数。
在其中一个实施例中，所述根据所述第一位置和所述多个第二位置，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径，包括：
确定所述第一位置与各个第二位置之间的空间距离；
根据各个候选调度参数，预测所述待调度虚拟电厂的候选状态数据；
根据所述候选状态数据和所述预期状态数据，生成空间路径对应的启发信息，所述启发信息用于表征在所述解空间中，根据候选调度参数对应的第二位置形成空间路径的优先级；
基于所述空间距离和所述启发信息，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径。
在其中一个实施例中，所述方法还包括：
获取预设的性能时序变化参数和前一时刻各个候选调度参数对应的性能指标参数；
根据所述性能时序变化参数和前一时刻候选调度参数对应的性能指标参数，对当前时刻各个候选调度参数对应的性能指标参数进行迭代更新。
在其中一个实施例中，根据虚拟电厂状态数据对应的季节变化信息或负荷峰谷值信息，确定所述时序变化信息的时间步长；
根据所述时间步长，将所述虚拟电厂状态数据中的原始电力负荷和原始发电量进行时序处理，形成待调度虚拟电厂运行状态的时序变化信息。
在其中一个实施例中，根据所述时序变化信息中的原始电力负荷和原始发电量，通过训练后的神经网络生成待调度虚拟电厂对应的预期状态数据；
其中，所述神经网络中的网络参数通过训练数据的反向传播确定，所述反向传播用于根据激励值对应的梯度值对所述网络参数进行更新，所述激励值是所述神经网络中的激励函数根据输入的所述训练数据运算得到。
第二方面，本申请还提供了一种虚拟电厂的资源调度装置。所述装置包括：
状态预测模块，用于获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
优化处理模块，用于对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
资源调度模块，用于根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
本申请虚拟电厂的资源调度方法、装置、计算机设备和存储介质，首先基于待调度虚拟电厂运行状态的时序变化信息，对该待调度虚拟电厂在未来时刻的预期状态数据进行预测。然后，基于预测得到的预期状态数据，确定该预期状态数据对应的初始调度参数，并采用蚁群迭代优化的方式进行参数优化，以得到目标调度参数。在蚁群迭代优化过程中，通过对迭代生成的候选调度参数的性能指标参数进行筛选，将性能指标参数最高的候选调度参数。最终根据目标蚂蚁路径对应的目标调度参数，对待调度虚拟电厂进行资源调度。在预期状态数据的预测阶段，引入了时序变化信息，能够准确地反映待调度虚拟电厂运行状态随时间的变化情况，为后续形成调度参数提供可靠的数据支持；另外，在形成调度参数的阶段，也引入了蚁群迭代优化的方式，根据表征性能指标参数对迭代生成的候选调度参数进行筛选，使得最终形成的目标调度参数具有更高的鲁棒性和适应性，最终能够为待调度虚拟电厂的资源调度提供高度可靠的策略支持。
附图说明
图1为一个实施例中虚拟电厂的资源调度方法的应用环境图；
图2为一个实施例中虚拟电厂的资源调度方法的流程示意图；
图3为一个实施例中确定目标调度参数子步骤的流程示意图；
图4为一个实施例中神经网络模型的结构框图；
图5为一个实施例中神经网络模型训练步骤的流程示意图；
图6为另一个实施例中虚拟电厂的资源调度方法的流程示意图；
图7为一个实施例中虚拟电厂的资源调度装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的虚拟电厂的资源调度方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104配置有相应的数据存储系统可以存储服务器104需要处理的虚拟电厂的各项资源数据或运行状态数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。并且服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。另外，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在图1所示的应用环境中，终端102的交互操作界面接收操作人员对选定的虚拟电厂进行资源调度和状态调整，根据选定的虚拟电厂生成资源调度指令发送至服务器104。服务器104响应于这一资源调度指令，将从数据存储系统中调取该待调度电厂的运行状态记录，并且进行时序化处理以形成该电厂运行状态的时序变化信息。进一步，服务器104将生成的时序变化信息输入至预先训练得到的深度学习模型，通过模型预测得到该待调度电厂在未来某个时刻的预期状态数据。但是，在对电厂进行资源调度的过程中还需要基于必要的性能指标参数以对调度策略进行优化调整，因此，实施例中通过蚁群迭代优化的方式进行处理。确定前述预期状态数据对应的初始调度参数，并将初始调度参数作为蚁群迭代优化的初始解，然后基于初始解通过蚁群迭代优化形成多个可行解，所迭代形成的可行解即为候选调度参数。进一步地，基于每个候选调度参数对应的性能指标参数，从多个可行解中筛选得到性能指标参数最高的最优解，该的最优解即对应了优化得到目标调度参数。最后，服务器104基于优化得到的目标调度参数，形成相应的资源调度策略，并基于该资源调度策略对待调度电厂进行资源调度。
在一个实施例中，如图2所示，提供了一种虚拟电厂的资源调度方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取待调度虚拟电厂运行状态的时序变化信息，根据时序变化信息生成待调度虚拟电厂对应的预期状态数据。
实施例中待调度电厂是指则为对分布式能源、储能、负荷等各种分散的能源资源进行统一调度控制，实现供需协调平衡的虚拟电厂。实施例中电厂运行状态描述的是虚拟电厂在正常运行时的各项参数或数据，包括但不限于当前电力负荷（Load）以及当前发电量（Generation）等。另外，实施例中电厂运行状态还可以记录其他相关参数，包括但不限于环境因素、市场电价以及电厂内设备状态等；前述的各项参数也均可能影响虚拟电厂的运行状态。实施例中的时序变化信息是基于预设的时间步长或时间周期，将虚拟电厂运行状态的变化情况，以时间先后的排序方式所形成的变化信息。实施例中预期状态数据用于表征待调度电厂在未来某个时刻中的运行状态，包括但不限于预期的发电量和预期的电力负荷。
示例性地，实施例中可以采用深度学习的方式对待调度虚拟电厂的预期状态数据进行预测。具体地，实施例中可以采用循环神经网络（Recurrent Neural Network，RNN）来实现对待调度虚拟电厂运行状态的时序变化信息进行深度学习和挖掘分析。例如，实施例中循环神经网络模型输入的时间序列数据包括：电力负荷、发电量以及其他相关参数。循环神经网络模型输出结果包括预期发电量和预期电力负荷。循环神经网络模型运算过程的函数表达式如下所示：
F_NN=RNN([Load(t)，Generation(t)]，[Load(t+1)，Generation(t+1)]，...)
其中，输入参数是当前时刻的Load、Generation。输出参数是未来时刻的Load和Generation。更为具体地，简化循环神经网络（RNN）结构，包括输入层、隐藏层和输出层。其中，输入层包括每个时间步的电力负荷、发电量等参数。每个参数作为一个输入节点。隐藏层是RNN中的隐藏层可以捕捉电力系统数据的时间依赖性。实施例中选择多层RNN来处理更复杂关系。输入层将电力负荷、发电量等参数作为输入，隐藏层通过循环的方式将前一个时间步的隐藏状态作为当前时间步的输入，并将当前时间步的输入与隐藏状态进行计算，得到当前时间步的隐藏状态。最后，由输出层基于隐藏状态进行运算处理，得到预期发电量和预期电力负荷。
步骤204，对预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；其中，目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数。
在实施例中，初始调度参数是在基于预期状态数据，初始形成对应的调度策略情况下，该调度策略中的各项参数内容。其中，调度策略的内容包括但不限于发电机组启停、发电机组功率调节以及储能调度等具体调度行为，进而，实施例中调度参数是用于描述前述各项调度行为对应数值的参数。实施例中的蚁群迭代优化是对初始解，即初始调度参数进行优化的过程。具体在优化过程中，模拟蚂蚁根据初始解和信息素浓度选择路径，模拟蚂蚁在寻找食物时的行为。蚁群迭代优化旨在通过全局搜索来改善初始解，使其更符合资源调度实际情况的最优解。
在基于蚁群算法进行蚁群迭代优化过程中，在问题的解空间蚂蚁通过不同的路径进行移动；因此在解空间中的路径表示蚂蚁从一个可行解或初始解（可选的调度参数或初始调度参数）到另一个可行解的过程。其中，可行解或可选的调度参数则是在蚁群迭代优化过程，根据预期状态数据随机生成的解或调度参数。另外，在蚁群优化过程中，蚂蚁选择路径的概率受到信息素浓度的影响，信息素浓度表示蚂蚁选择该路径的可能性。具体地，性能指标参数的具体数值用于表征基于对应的候选调度参数进行调控所产生的效果，例如，使成本最小化、使效率最大化等。实施例中性能指标参数最高则是指产生的效果最好的候选参数。而在蚁群算法中，性能指标参数即对应了蚂蚁沿某个解空间中的空间路径运动是产生的信息素浓度，通过模拟蚂蚁根据这些信息选择路径，并在路径上留下信息素，影响其他蚂蚁的选择。换言之，蚂蚁选择的路径越好，贡献的信息素浓度越大。
示例性地，实施例中神经网络的作用是通过学习历史数据和相关参数，生成对问题的初步解，即预期发电量和电力负荷对应的初始调度参数。这些初始调度参数作为初始解被输入到蚁群算法中。蚁群算法则根据初始解和信息素浓度选择路径，通过全局搜索来优化初始解，最终得到更为综合、高效的电荷调度策略。因此，实施例中构建的蚁群迭代优化问题可以理解为在面对预期电力负荷和发电量的情况下，如何通过神经网络的预测和蚁群算法的优化来制定最佳的电荷调度策略。在这个过程中，设定一个目标函数，该目标函数旨在使得电荷调度策略在满足电力需求的同时，选择优化某个特定的性能指标参数，例如成本最小化、效率最大化等指标，并将前述性能指标参数的具体数值作为蚂蚁（蚁群）路径的信息素浓度值。这个目标函数会在蚁群算法的迭代过程中得到优化，最终形成最佳的电荷调度策略。蚂蚁根据信息素浓度，必要时还可以结合一些启发式信息，选择路径完成对初始解的优化。路径的选择受到神经网络输出的更新规则影响，使得运算过程中更有可能选择神经网络认知下的最优路径。基于最终确定的最优路径即为目标蚂蚁路径，并根据该目标蚂蚁路径所表征的调度参数，形成对应的目标调度参数。
步骤206，根据目标调度参数对待调度虚拟电厂进行资源调度。
具体在实施例中，通过神经网络和蚁群算法的相互作用所生成的目标调度参数，最终得到一个综合的调度策略。神经网络提供了问题的初步认知，而蚁群算法则通过不断迭代进行优化，使得策略更为精细和适应性更强。
示例性地，实施例中所形成调度策略可以包括发电机组启停、发动机组功率调节以及储能调度三项内容。其中，发电机组启停是根据预期电力负荷和预期发电量，可以计算出各个发电机组的启停状态。例如，如果预期电力负荷高于预期发电量，则可以启动部分发电机组来满足电力需求。发电机组功率调节是根据预期电力负荷和预期发电量，可以计算出各个发电机组的功率输出。例如，如果预期电力负荷高于预期发电量，则可以提高部分发电机组的功率输出来满足电力需求。储能调度：储能设备可以储存电能，并在需要时释放电能。根据预期电力负荷和预期发电量，可以计算出储能设备的调度策略。又例如，如果预期电力负荷高于预期发电量，则可以调度储能设备释放电能来满足电力需求。
除此之外，实施例中的进行资源调度还可以包括负荷调节；负荷调节是指通过调整用户的用电行为来减少电力负荷。根据预期电力负荷和预期发电量，可以生成负荷调节的策略。例如，可以通过调整用户的用电时间或用电设备来减少电力负荷。
上述虚拟电厂的资源调度方法，首先基于待调度虚拟电厂运行状态的时序变化信息，对该待调度虚拟电厂在未来时刻的预期状态数据进行预测。然后，基于预测得到的预期状态数据，确定该预期状态数据对应的初始调度参数，并采用蚁群迭代优化的方式进行参数优化，以得到目标负载参数。在蚁群迭代优化过程中，通过蚁群运动路径对应的信息素浓度进行筛选，得到信息素浓度最高的目标蚂蚁路径，其中，各个调度参数对应的性能指标参数对应了各个空间路径的信息素浓度。最终根据目标蚂蚁路径对应的目标调度参数，对待调度虚拟电厂进行资源调度。在预期状态数据的预测阶段，引入了时序变化信息，能够准确地反映待调度虚拟电厂运行状态随时间的变化情况，为后续形成调度参数提供可靠的数据支持；另外，在形成调度参数的阶段，也引入了蚁群迭代优化的方式，根据表征性能指标参数的信息素浓度进行优化筛选，使得最终形成的目标调度参数具有更高的鲁棒性和适应性，最终能够为待调度虚拟电厂的资源调度提供高度可靠的策略支持。
在一个实施例中，如图3所示，对预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数的过程，可以包括以下步骤：
步骤302，根据预期状态数据以及待调度虚拟电厂的预设调度策略信息，生成多个候选调度参数，并从多个候选调度参数中确定初始调度参数。
在实施例中，待调度虚拟电厂的预设调度策略信息则是用于限制实施例中对虚拟电厂可以进行调节、调度的资源参数；包括但限于发电机组的运行参数、存储能量以及负载参数等。实施例中的候选调度参数则是在确定了预期的发电量和电力负荷的情况下，根据预设调度策略信息所限定的资源随机生成的多项可选调度参数。可以理解是可选调度参数结合预设调度策略信息，也能够形成待调度电厂的可选调度策略。
示例性地，实施例中利用预训练好的神经网络，输入电力负荷、发电量等参数获取预期电力负荷和发电量。通过选择电荷调度策略的成本作为优化过程中的目标函数，即在蚁群迭代优化，蚂蚁路径对应的信息素浓度用于表征电荷调度策略的成本数据。实施例中首先需要在问题的解空间中随机生成多个可行解，即多个候选调度参数，多个候选调度参数能够在后续优化过程中形成相应的蚂蚁路径。与此同时，实施例中还需要确定优化过程的初始解，即初始调度参数。具体地，可以从多个候选调度参数中随机选择一组调度参数作为初始调度参数，即优化过程中的初始解。
步骤304，将初始调度参数映射至蚁群迭代优化的解空间中，确定第一位置，并将多个候选调度参数映射至蚁群迭代优化的解空间中，确定多个第二位置。
在实施例中，解空间是指蚁群优化算法所有解的集合构成一个向量空间，也是一个解的集合。第一位置表示在蚁群优化算法中，初始调度参数对应的初始解映射至解空间中，得到的具体位置或状态。具体在实施例中，这可以理解为选择了某种电荷调度策略，即在解空间中确定了一个具体点。因此，实施例中初始位置，是初始节点在解空间中的具体位置或状态。第二位置则是将候选调度参数对应的可行解的解空间中，得到的具体位置或状态。
示例性地，实施例中将初始调度参数对应的初始解，映射至蚁群迭代优化解空间中的具体位置或状态，得到初始位置。并且，在形成空间路径之前，需要将所有信息素浓度，即性能指标参数初始化为常数0。然后，再将除初始解以外的其他可行解，同样映射至蚁群迭代优化解空间中，模拟形成蚁群在运动过程中可能抵达的移动位置。
步骤306，根据第一位置和多个第二位置，迭代生成多个候选调度参数在解空间对应的多条空间路径，并根据各个空间路径对应的路径长度确定各个候选调度参数对应的性能指标参数。
在实施例中，解空间中的空间路径，可以表示从一个可行解到另一个可行解的过程。在电力系统调度的实际场景中，通过空间路径所抵达的位置对应不同的电荷调度策略。另外，空间路径对应路径长度即能够描述在形成这一空间路径时确定的性能指标参数。具体地，路径长度能够反映了从一个可行解对应位置移动到另一个可行解对应位置的代价或距离，实施例中可以表示为采用某项候选调度参数对应的调度策略成本数据。例如，如果某个路径代表了某个电荷调度策略，那么该路径的长度可能与该策略的成本。
具体在实施例中，效仿蚂蚁选择路径的概率受到信息素浓度的影响；蚂蚁根据这些信息选择路径，并在路径上留下信息素，影响其他蚂蚁的选择。在实施例的优化迭代过程中，空间路径所反映的是算法搜索解空间的过程。迭代过程中会选择空间路径并更新性能指标参数，这可能导致空间路径的调整和最优解的不断优化，从而形成多条候选空间路径。解空间中的位置对应的电荷调度策略的调度参数，而空间路径所对应的位置变化则反映了算法在搜索解空间中的演化过程。目标是通过解空间中的空间路径选择来搜索解空间，并最终找到一个较优的解，即电荷调度策略。在每次迭代中，空间路径和移动位置都是算法演化的一部分，反映了搜索解空间的动态过程。
示例性地，实施例中的解空间中的空间路径的确定方式包括两种情况；第一，基于初始位置形成的候选空间路径：在第一次迭代中，空间路径是随机生成的；第二，路径的迭代更新：在后续的迭代中，根据解空间中可行解对应位置的性能指标参数，即模拟蚂蚁运动时产生信息素浓度来更新路径。在形成空间路径的同时，也根据路径的长度计算并记录当前时刻下该空间路径对应的性能指标参数。
步骤308，确定多条空间路径中性能指标参数最高的目标路径，并将目标路径对应的候选调度参数确定为目标调度参数。
具体在实施例中，重复前述形成（候选）空间路径的过程，直到达到停止条件。在蚁群算法的每次迭代中，蚂蚁根据当前的信息素浓度和神经网络的输出选择路径，并更新信息素浓度。在实施例中，最终经过多次迭代逐渐优化初始解，根据迭代完成后形成的所有（候选）空间路径中性能指标参数最高的目标空间路径，确定该目标空间路径在解空间中的最终位置，再根据在解空间中的最终位置，得到最终优化的最优解。同时该最优解也表征了最终优化完成的目标调度参数；基于该目标调度参数得到一个更为综合、高效的调度策略。本实施例的蚁群算法迭代过程中，信息素的更新和挥发过程则根据蚁群算法的规则进行，充分利用蚂蚁对神经网络输出的路径选择的反馈。
在实施例中，根据第一位置和多个第二位置，迭代生成多个候选调度参数在解空间对应的多条空间路径的过程，可以包括以下步骤：
步骤一，确定第一位置与各个第二位置之间的空间距离。
步骤二，根据各个候选调度参数，预测待调度虚拟电厂的候选状态数据。
步骤三，根据候选状态数据和预期状态数据，生成空间路径对应的启发信息。
步骤四，基于空间距离和启发信息，迭代生成多个候选调度参数在解空间对应的多条空间路径。
在实施例中，解空间中的空间距离，所描述的是在蚁群迭代优化过程中，从一个可行解或初始解对应的位置，运动到另一个可行解对应的位置之前，测算得到的两个位置之间的性能指标变化。实施例中待调度虚拟电厂的候选状态数据，则是用于描述候选调度参数所对应的调度策略，预测得到待调度虚拟电厂的状态情况。实施例中，启发信息用于表征在解空间中，根据候选调度参数对应的第二位置形成空间路径的优先级，即启发信息用于表征空间路径的优良程度。
示例性地，实施例中启发信息将预测的未来电力负荷和发电量与当前状态进行比较，计算某项评估指标，该指标可以是电荷调度策略的效用。例如，如果电力负荷高于发电量，那么该评估指标可能更倾向于选择能够满足需求的调度策略对应的候选调度参数。
因此，在蚁群迭代优化中，蚁群可以蚂蚁根据信息素浓度和一些启发式信息，选择路径，完成对初始解的优化。在实施例中的路径选择阶段，在选择路径时考虑到这些评估指标，即前述的启发信息，更有可能选择那些在启发式信息下评估较好的空间路径，以提高找到更优解的概率。这样，通过将神经网络的输出与启发式信息结合，蚁群算法可以更有针对性地搜索解空间，从而更可能找到符合实际问题特点的调度策略。
在一个实施例中，虚拟电厂的资源调度方法不仅需要对空间运动路径进行迭代更新，对于已经选择的空间路径，其对应的性能指标参数也需要进行迭代更新，因此，实施例中虚拟电厂的资源调度方法还包括以下步骤：
步骤一，获取预设的性能时序变化参数和前一时刻各个候选调度参数对应的性能指标参数；
步骤二，根据性能时序变化参数和前一时刻候选调度参数对应的性能指标参数，对当前时刻各个候选调度参数对应的性能指标参数进行迭代更新。
在实施例中，性能时序变化参数，可以包括蚁群算法中的信息素挥发率和信息素数量。其中，信息素挥发率是指信息素的消失水平，它的大小直接关系到算法的全局搜索能力和收敛速度，过大导致信息素挥发过快，一些较好的路径会被排除，过小导致路径残留信息素较多，影响运算效率。信息素释放值是指蚂蚁在将路径走完时总共释放的信息素数量。并且信息素挥发率和信息素数量均为超参数。
示例性地，实施例中蚁群迭代优化中每条空间路径对应的性能指标参数，即对应蚁群算法中的信息素浓度更新公式如下所示：
其中，是路径在时刻t+1的信息素浓度。是路径在时刻
t的信息素浓度。是信息素挥发率；是蚂蚁释放信息素的常数；是路径的长度。
实施例在选择路径时会根据路径的长度成本以及信息素浓度来进行决策。因此，路径长度实际上是通过评估可行解得到的，即根据问题的具体情境和目标，将电荷调度策略映射
到一个指标数据，例如城北指标。更新公式中的用于调整信息素浓度的变化。公式中的通常在算法的初始化阶段被设定为一个初始值，然后在迭代过程中根据可行解的评估
进行调整。信息素浓度更新公式中的可以理解为路径的长度，即电荷调度策略的成本。
实施例中为了模拟信息的挥发和更新，所有路径上的信息素都会随时间逐渐减小。这样做可以使得蚂蚁更容易从新的路径上选择，以适应环境的变化。通过重复蚂蚁路径的不断更新以及路径对应的信息素浓度更新，直到达到停止条件。在每次迭代中，蚂蚁根据当前的信息素浓度和神经网络的输出选择路径，并更新信息素。
在一个实施例中，待调度虚拟电厂运行状态的时序变化信息的生成方式，可以包括以下步骤：
步骤一，根据虚拟电厂状态数据对应的季节变化信息或负荷峰谷值信息，确定时序变化信息的时间步长。
步骤二，根据时间步长，将虚拟电厂状态数据中的原始电力负荷和原始发电量进行时序处理，形成待调度虚拟电厂运行状态的时序变化信息。
在实施例中，虚拟电厂状态数据即为虚拟电厂在正常运行时的各项参数或数据，与前述状态数据相同，虚拟电厂状态数据包括但不限于未进行处理的原始电力负荷和原始发电量等数据记录。虚拟电厂状态对应的季节变化信息用于表征虚拟电厂的状态数据根据季节变化所呈现的变化规律或特征。虚拟电厂状态数据中的负荷峰谷值信息描述的是虚拟电厂中状态数据中高峰和低谷所呈现的周期性。实施例中的时序处理，是基于时间信息（例如时间戳）将状态数据中原始电力负荷和原始发电量所产生的变化，按照时间信息进行排序所形成的信息序列。实施例中的时间步长（Time Steps）是根据虚拟电厂的季节性和周期性，选择适当的时间步；并在模型验证过程中，尝试不同的时间步长度，选择在验证集上表现最好的时间步长。
具体在实施例中，实施例中采用简化循环神经网络（RNN）模型来实现对虚拟电厂的预期状态数据进行预测。该简化循环神经网络模型包括输入层、隐藏层和输出层。输入层将电力负荷、发电量等参数作为输入，隐藏层通过循环的方式将前一个时间步的隐藏状态作为当前时间步的输入，并将当前时间步的输入与隐藏状态进行计算，得到当前时间步的隐藏状态。在该简化神经网络结构中，隐藏层的计算公式如下：
其中，表示当前时间步的隐藏状态；表示当前时间步的输入；表示前一个
时间步的隐藏状态；表示激活函数。在其他实施例中采用多层RNN的情况下，隐藏层的
计算公式如下：
其中，表示当前时间步的隐藏状态；表示当前时间步的权重矩阵；表示当
前时间步的偏置向量。
示例性地，实施例中可以根据季节性特征或负荷峰谷值所呈现的周期性的特征选择时间步长。根据季节性选择时间步的情况下，虚拟电厂状态数据呈现季节性变化特征，例如，电力负荷在夏季和冬季会出现峰值。因此，在选择时间步时，需要考虑电力系统的季节性。如果虚拟电厂状态数据具有明显的季节性，则可以选择较大的时步长度，以捕捉季节性的变化。例如，如果电力负荷的季节性周期为一年，则可以选择一天作为时间步长度。根据周期性选择时间步的情况下，虚拟电厂状态数据呈现周期性变化特征，例如，电力负荷在一天中会出现高峰和低谷。因此，在选择时间步时，还需要考虑电力系统的周期性。如果虚拟电厂状态数据具有明显的周期性，则可以选择较小的时步长度，以捕捉周期性的变化。例如，如果电力负荷的周期性周期为一天，则可以选择一个小时作为时间步长度。
需要补充说明的是，针对虚拟电厂的预期状态数据预测，实施例中神经网络的参数，还需要根据输入的时序变化信息的其他数据特征进行调整。例如学习率（LearningRate），通过在一定范围内选择多个学习率值，使用交叉验证来评估它们的性能来选择性能最好的学习率；初始时选择一个相对较大的学习率，然后随着训练的进行逐渐减小学习率。这有助于在训练的早期阶段更快地接近全局最小值，而在后期防止过度波动。又例如神经网络中隐藏层神经元数量，其能够影响网络的复杂度，可以通过交叉验证进行调整。又例如数据的批量大小（Batch Size）：控制每次更新权重时使用的数据量，需要根据数据量和计算资源来选择。
更为具体地，实施例中基于上述各项数据特征对神经网络的参数进行调整之后，可以采用交叉验证的方式，在神经网络的训练过程中，将数据集分为训练集和测试集来评估模型性能的方法。示例性地，将数据集分为多个子集，例如10个子集。使用其中9个子集作为训练集，使用剩余1个子集作为测试集。分别使用每个学习率值来训练模型，并使用测试集来评估模型的性能。选择性能最好的学习率值。在每一次交叉验证中，可以使用不同的学习率值来训练模型，并使用测试集来评估模型的性能。然后，可以根据10次交叉验证的结果来选择性能最好的学习率值。
进一步补充说明的是，本申请实施例中所提及的神经网络的训练学习过程，其主要包括以下步骤：
步骤1、初始化模型参数。
步骤2、将数据集输入到模型中。
步骤3、计算模型的输出。
步骤4、计算损失函数。
步骤5、使用梯度下降算法更新模型参数。
重复上述步骤2-步骤5直到训练完成。另外，在初始化模型参数时，使用随机初始化或预训练参数。
在一个实施例中，根据时序变化信息生成待调度虚拟电厂对应的预期状态数据的过程，可以具体采用如下具体的实施步骤实现：
根据时序变化信息中的原始电力负荷和原始发电量，通过训练后的神经网络生成待调度虚拟电厂对应的预期状态数据。
其中，神经网络中的网络参数通过训练数据的反向传播确定，反向传播用于根据激励值对应的梯度值对网络参数进行更新，激励值是神经网络中的激励函数根据输入的训练数据运算得到。
示例性地，实施例中对神经网络的训练过程可以包括以下步骤：
步骤1，数据准备。
将已有的电力负荷、发电量等数据整理成时间序列形式，构建训练集和验证集。
步骤2，网络初始化。
如图4所示，初始化神经网络的权重和偏差；权重和偏差初始化为零。零值初始化可以防止梯度爆炸问题。另外，确定神经网络模型的参数更新策略，即训练神经网络的目标是通过反向传播算法来最小化损失函数。在每次训练迭代中，权重和偏差根据梯度下降进行更新。梯度是损失函数关于参数的导数，指示了参数变化的方向。
步骤3，向前传播，计算得到激励值。
对每个训练样本，将每个时间步传入输入层，经过隐藏层的ReLU激活函数；其中，是输入值，而则是激活函数的输出值。
在输入值大于等于零的情况下，ReLU函数的输出等于输入值，即。这
表示在非负输入范围内，ReLU是线性的，不会对数据做任何变换。然而，当输入小于零时，输
出为零，。在这个负输入范围内，ReLU是非线性的，它将所有负数映射为零。这种
非线性变换能够帮助神经网络学习复杂的非线性模式。
引入非线性变换，使得神经网络能够捕捉更复杂的数据模式。当输入为正时，激活函数的输出等于输入；当输入为负时，输出为0。这种特性有助于解决梯度消失问题，提高神经网络的训练效率，然后传递给输出层。
步骤4，损失计算。
实施例中使用均方误差（MSE）来计算预测值与实际值之间的误差。采样点（按照
时间序列，即已有的电力负荷、发电量），电力负荷样本的实际值为，而预期电力负荷和发
电量为，均方误差的计算公式如下：
其中，对每次n个采样点，计算实际值与预测值之间的差异，即。将差
异平方，为了保证所有误差都是正数；对所有样本的差异平方求和，将差异平方和除以样本
数n，得到均方误差MSE。均方误差的值越小，表示预测值与实际值之间的差异越小，模型的
拟合效果越好。
步骤5，反向传播。
使用反向传播算法计算关于网络参数的梯度，从输出层向隐藏层传播，然后再传播到输入层。具体地，实施例中反向传播包括以下两个阶段：
第一阶段，激励传播：每次迭代中的传播环节包含两步，（前向传播阶段）将训练输入送入网络以获得预测结果；（反向传播阶段）对预测结果同训练目标求差(损失函数)。
第二阶段，权重更新，对于神经网络中每个突触上的权重，按照以下步骤进行更新：将输入激励和响应误差相乘，从而获得权重的梯度；将这个梯度乘上一个比例并取反后加到权重上。
第一阶段和第二阶段可以反复循环迭代，直到神经网络对输入的响应达到满意的预定的目标范围为止。梯度的方向指明了误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差。更为具体地，实施例中反向传播的公式如下：
其中，为预测值，为目标值；激活函数的导数，当输入值x大于或等于0
时，ReLU函数的导数为1；当输入值x小于0时，ReLU函数的导数为0。为隐藏层到输出层
的权重矩阵；为输入层到隐藏层的权重矩阵；为输出层的误差；为隐藏层的误差。
步骤6，重复训练。重复执行前向传播、计算损失、反向传播和参数更新的步骤，直到损失收敛或达到预定的训练轮数。并且，如图5所示，实施例可以使用验证集来监控模型的性能，以及在训练结束后使用测试集来评估模型的泛化能力。具体地，实施例中为了能够对模型进行验证，在对已有的电力负荷、发电量等数据时，可以进行如下划分处理：
第一部分，训练集（70%）：这是用来训练神经网络的数据集，模型将通过这些数据进行权重的更新和调整，以逐步适应训练数据的特征。
第二部分，验证集（15%）：验证集用于调整神经网络的超参数，例如隐藏层的神经元数、学习率等。通过在验证集上进行性能评估，选择合适的参数设置，以获得更好的模型性能。如果验证集上的性能不再提升，可能意味着模型开始过拟合。
第三部分，测试集（15%）：测试集是用于最终评估模型性能的数据集。在模型经过训练并通过验证集调优后，使用测试集来评估模型在未见过的数据上的表现。有助于了解模型的泛化能力，即模型是否能够在新数据上进行准确预测。
步骤7，模型预测。训练好的神经网络可以用于预测未来电力负荷和发电量，并据此生成优化的数据供蚁群算法使用。
结合说明书附图6，对本申请技术方案中提供的虚拟电厂的资源调度方法，进行完整的事实过程描述如下：
步骤一，将虚拟电厂当前电力负荷、发电量等数据整理成时间序列形式，输入至已训练的神经网络模型中，通过模型中的隐藏层可以捕捉电力系统数据的时间依赖性，预测得到未来时刻虚拟电厂的预期电力负荷和发电量。
步骤二，获取神经网络模型输出，利用预训练好的神经网络，输入电力负荷、发电量等参数，获取初步的信息素浓度的更新规则。神经网络的学习能力使其能够对历史数据进行建模，产生对问题的初步解。
步骤三，初始解输入蚁群优化算法。在蚁群优化算法中，信息素浓度通常是由神经网络输出和蚂蚁路径选择共同决定的，信息素浓度初始化值为常数0，根据初步的信息素浓度的更新规则；例如，蚂蚁选择的路径发电量较高，电荷负荷较低，则增加信息素浓度，否则减少浓度。
步骤四，蚁群算法优化。蚂蚁根据信息素浓度和一些启发式信息，选择路径，完成对初始解的优化。路径的选择受到神经网络输出的更新规则影响，使得蚂蚁更有可能选择神经网络认知下的良好路径。
步骤五，信息素更新和挥发。更新所选择路径上的信息素浓度。蚂蚁走过的路径越好，贡献的信息素越多。蚂蚁路径的确定主要有以下两个步骤：第一，初始化路径：在第一次迭代中，蚂蚁的路径是随机生成的。第二，路径更新：在后续的迭代中，蚂蚁会根据信息素浓度来更新路径。
另外，需要模拟每条蚂蚁路径的信息素的挥发情况；为了模拟信息的挥发和更新，所有路径上的信息素都会随时间逐渐减小。这样做可以使得蚂蚁更容易从新的路径上选择，以适应环境的变化。
步骤六，循环迭代，重复步骤五，直到达到停止条件。在每次迭代中，蚂蚁根据当前的信息素浓度和神经网络的输出选择路径，并更新信息素。经过多次迭代，蚁群算法逐渐优化初始解，最终得到一个更为综合、高效的调度策略。
具体来说，蚂蚁算法会从初始解出发，通过迭代的方式，逐渐更新解，直到达到目标。在迭代过程中，蚂蚁会根据信息素浓度和启发式信息来选择路径。信息素浓度表示蚂蚁选择该路径的可能性，启发式信息表示路径的优良程度。
混合蚂蚁算法的函数表达式为：
表示混合蚂蚁算法生成的解；表示混合蚂蚁算法
函数。表示负载；表示迭代次数；…表示其他参数。
通过这种方式，混合蚁群算法实现了对问题的全局搜索和局部优化的有效结合。神经网络在初始阶段提供了一种基于历史数据和环境因素的初步认知，使得蚂蚁在选择路径时有了更好的先验知识。而后续的蚁群算法迭代过程中，信息素的更新和挥发过程则根据蚁群算法的规则进行，充分利用蚂蚁对神经网络输出的路径选择的反馈。这种结合确实使得算法更加灵活，更好地适应了问题的复杂性和动态变化。神经网络为蚁群算法提供了一种智能引导，使得算法更具适应性和鲁棒性。在电力系统调度等实际应用中，这种整合带来的优势是显著的，提高了调度策略的效率和性能。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟电厂的资源调度方法的虚拟电厂的资源调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟电厂的资源调度装置实施例中的具体限定可以参见上文中对于虚拟电厂的资源调度方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种虚拟电厂的资源调度装置700，包括：状态预测模块701、优化处理模块702和资源调度模块703，其中：
状态预测模块701，用于获取待调度虚拟电厂运行状态的时序变化信息，根据时序变化信息生成待调度虚拟电厂对应的预期状态数据。
优化处理模块702，用于对预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数。
资源调度模块703，用于根据目标调度参数对待调度虚拟电厂进行资源调度。
在一个实施例中，优化处理模块702还用于根据预期状态数据以及待调度虚拟电厂的预设调度策略信息，生成多个候选调度参数，并从多个候选调度参数中确定初始调度参数；将初始调度参数映射至蚁群迭代优化的解空间中，确定第一位置，并将多个候选调度参数映射至蚁群迭代优化的解空间中，确定多个第二位置；根据第一位置和多个第二位置，迭代生成多个候选调度参数在解空间对应的多条空间路径，并根据各个空间路径对应的路径长度确定各个候选调度参数对应的性能指标参数；确定多条空间路径中性能指标参数最高的目标路径，并将目标路径对应的候选调度参数确定为目标调度参数。
在一个实施例中，优化处理模块702还用于确定第一位置与各个第二位置之间的空间距离；根据各个候选调度参数，预测待调度虚拟电厂的候选状态数据；根据候选状态数据和预期状态数据，生成空间路径对应的启发信息，启发信息用于表征在解空间中，根据候选调度参数对应的第二位置形成空间路径的优先级；基于空间距离和启发信息，迭代生成多个候选调度参数在解空间对应的多条空间路径。
在一个实施例中，优化处理模块702还用于获取预设的性能时序变化参数和前一时刻各个候选调度参数对应的性能指标参数；根据性能时序变化参数和前一时刻候选调度参数对应的性能指标参数，对当前时刻各个候选调度参数对应的性能指标参数进行迭代更新。
在一个实施例中，状态预测模块701还用于根据虚拟电厂状态数据对应的季节变化信息或负荷峰谷值信息，确定时序变化信息的时间步长；根据时间步长，将虚拟电厂状态数据中的原始电力负荷和原始发电量进行时序处理，形成待调度虚拟电厂运行状态的时序变化信息。
在一个实施例中，状态预测模块701还用于根据时序变化信息中的原始电力负荷和原始发电量，通过训练后的神经网络生成待调度虚拟电厂对应的预期状态数据；其中，神经网络中的网络参数通过训练数据的反向传播确定，反向传播用于根据激励值对应的梯度值对网络参数进行更新，激励值是神经网络中的激励函数根据输入的训练数据运算得到。
上述虚拟电厂的资源调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储虚拟电厂的各项状态数据记录。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟电厂的资源调度方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种虚拟电厂的资源调度方法，其特征在于，所述方法包括：
获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
2.根据权利要求1所述的方法，其特征在于，所述对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数，包括：
根据所述预期状态数据以及所述待调度虚拟电厂的预设调度策略信息，生成多个候选调度参数，并从所述多个候选调度参数中确定初始调度参数；
将所述初始调度参数映射至蚁群迭代优化的解空间中，确定第一位置，并将所述多个候选调度参数映射至蚁群迭代优化的解空间中，确定多个第二位置；
根据所述第一位置和所述多个第二位置，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径，并根据各个空间路径对应的路径长度确定各个候选调度参数对应的性能指标参数；
确定所述多条空间路径中性能指标参数最高的目标路径，并将所述目标路径对应的候选调度参数确定为目标调度参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一位置和所述多个第二位置，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径，包括：
确定所述第一位置与各个第二位置之间的空间距离；
根据各个候选调度参数，预测所述待调度虚拟电厂的候选状态数据；
根据所述候选状态数据和所述预期状态数据，生成空间路径对应的启发信息，所述启发信息用于表征在所述解空间中，根据候选调度参数对应的第二位置形成空间路径的优先级；
基于所述空间距离和所述启发信息，迭代生成所述多个候选调度参数在所述解空间对应的多条空间路径。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取预设的性能时序变化参数和前一时刻各个候选调度参数对应的性能指标参数；
根据所述性能时序变化参数和前一时刻候选调度参数对应的性能指标参数，对当前时刻各个候选调度参数对应的性能指标参数进行迭代更新。
5.根据权利要求1所述的方法，其特征在于，所述待调度虚拟电厂运行状态的时序变化信息的生成方式，包括：
根据虚拟电厂状态数据对应的季节变化信息或负荷峰谷值信息，确定所述时序变化信息的时间步长；
根据所述时间步长，将所述虚拟电厂状态数据中的原始电力负荷和原始发电量进行时序处理，形成待调度虚拟电厂运行状态的时序变化信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据，包括：
根据所述时序变化信息中的原始电力负荷和原始发电量，通过训练后的神经网络生成待调度虚拟电厂对应的预期状态数据；
其中，所述神经网络中的网络参数通过训练数据的反向传播确定，所述反向传播用于根据激励值对应的梯度值对所述网络参数进行更新，所述激励值是所述神经网络中的激励函数根据输入的所述训练数据运算得到。
7.一种虚拟电厂的资源调度装置，其特征在于，所述装置包括：
状态预测模块，用于获取待调度虚拟电厂运行状态的时序变化信息，根据所述时序变化信息生成待调度虚拟电厂对应的预期状态数据；
优化处理模块，用于对所述预期状态数据对应的初始调度参数进行蚁群迭代优化，得到目标调度参数；所述目标调度参数为蚁群迭代优化中性能指标参数最高的候选调度参数；
资源调度模块，用于根据所述目标调度参数对所述待调度虚拟电厂进行资源调度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410326358.7A CN117933667B (zh) | 2024-03-21 | 2024-03-21 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410326358.7A CN117933667B (zh) | 2024-03-21 | 2024-03-21 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933667A true CN117933667A (zh) | 2024-04-26 |
| CN117933667B CN117933667B (zh) | 2024-08-02 |
Family
ID=90751025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410326358.7A Active CN117933667B (zh) | 2024-03-21 | 2024-03-21 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933667B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101686410A (zh) * | 2008-09-28 | 2010-03-31 | 新奥特（北京）视频技术有限公司 | 一种基于蚁群算法的摄像参数获取方法 |
| CN105427063A (zh) * | 2016-01-04 | 2016-03-23 | 厦门大学 | 一种微电网调度决策方法及系统 |
| CN106940068A (zh) * | 2017-03-15 | 2017-07-11 | 山东大学 | 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法 |
| CN108107299A (zh) * | 2018-02-09 | 2018-06-01 | 衢州学院 | 一种微电网小信号稳定性分析并参数协调整定系统 |
| CN109101316A (zh) * | 2018-07-11 | 2018-12-28 | 南京邮电大学 | 一种能效相关的云计算平台资源调度方法 |
| CN109473976A (zh) * | 2018-10-22 | 2019-03-15 | 华润智慧能源有限公司 | 一种冷热电联供型微网能量调度方法及系统 |
| WO2019174039A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
| CN112084035A (zh) * | 2020-09-21 | 2020-12-15 | 西安理工大学 | 一种基于蚁群算法的任务调度方法及系统 |
| CN113435793A (zh) * | 2021-08-09 | 2021-09-24 | 贵州大学 | 一种基于强化学习的微电网优化调度方法 |
| CN114077475A (zh) * | 2020-08-11 | 2022-02-22 | 中移(苏州)软件技术有限公司 | 任务调度方法、装置、电子设备及存储介质 |
| CN115102200A (zh) * | 2022-07-19 | 2022-09-23 | 贵州大学 | 一种储能系统模型辨识方法和系统 |
| CN115983423A (zh) * | 2022-11-15 | 2023-04-18 | 中国地质大学（武汉） | 一种考虑双资源约束的上下料场景调度优化方法 |
| CN116302389A (zh) * | 2023-01-05 | 2023-06-23 | 上海应用技术大学 | 一种基于改进蚁群算法的任务调度方法 |
| CN116579560A (zh) * | 2023-05-16 | 2023-08-11 | 国网湖北综合能源服务有限公司 | 考虑多类型负荷需求响应的虚拟电厂能量分配方法 |
| CN116862214A (zh) * | 2023-06-29 | 2023-10-10 | 广西电网有限责任公司梧州供电局 | 一种分布式光伏并网管理流程效率提升方法及装置 |
| CN117477562A (zh) * | 2023-11-22 | 2024-01-30 | 东北电力大学 | 一种基于时序预测的虚拟电厂调度优化方法 |
| CN117578602A (zh) * | 2023-04-12 | 2024-02-20 | 国网河北省电力有限公司信息通信分公司 | 一种基于虚拟电厂的电网调峰方法、装置及调峰设备 |
| CN117639244A (zh) * | 2023-11-28 | 2024-03-01 | 国网山西省电力公司朔州供电公司 | 一种多域异构配电通信网络集中控制系统 |
-
2024
- 2024-03-21 CN CN202410326358.7A patent/CN117933667B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101686410A (zh) * | 2008-09-28 | 2010-03-31 | 新奥特（北京）视频技术有限公司 | 一种基于蚁群算法的摄像参数获取方法 |
| CN105427063A (zh) * | 2016-01-04 | 2016-03-23 | 厦门大学 | 一种微电网调度决策方法及系统 |
| CN106940068A (zh) * | 2017-03-15 | 2017-07-11 | 山东大学 | 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法 |
| CN108107299A (zh) * | 2018-02-09 | 2018-06-01 | 衢州学院 | 一种微电网小信号稳定性分析并参数协调整定系统 |
| WO2019174039A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种超大规模水电站群短期实用化调度方法 |
| CN109101316A (zh) * | 2018-07-11 | 2018-12-28 | 南京邮电大学 | 一种能效相关的云计算平台资源调度方法 |
| CN109473976A (zh) * | 2018-10-22 | 2019-03-15 | 华润智慧能源有限公司 | 一种冷热电联供型微网能量调度方法及系统 |
| CN114077475A (zh) * | 2020-08-11 | 2022-02-22 | 中移(苏州)软件技术有限公司 | 任务调度方法、装置、电子设备及存储介质 |
| CN112084035A (zh) * | 2020-09-21 | 2020-12-15 | 西安理工大学 | 一种基于蚁群算法的任务调度方法及系统 |
| CN113435793A (zh) * | 2021-08-09 | 2021-09-24 | 贵州大学 | 一种基于强化学习的微电网优化调度方法 |
| CN115102200A (zh) * | 2022-07-19 | 2022-09-23 | 贵州大学 | 一种储能系统模型辨识方法和系统 |
| CN115983423A (zh) * | 2022-11-15 | 2023-04-18 | 中国地质大学（武汉） | 一种考虑双资源约束的上下料场景调度优化方法 |
| CN116302389A (zh) * | 2023-01-05 | 2023-06-23 | 上海应用技术大学 | 一种基于改进蚁群算法的任务调度方法 |
| CN117578602A (zh) * | 2023-04-12 | 2024-02-20 | 国网河北省电力有限公司信息通信分公司 | 一种基于虚拟电厂的电网调峰方法、装置及调峰设备 |
| CN116579560A (zh) * | 2023-05-16 | 2023-08-11 | 国网湖北综合能源服务有限公司 | 考虑多类型负荷需求响应的虚拟电厂能量分配方法 |
| CN116862214A (zh) * | 2023-06-29 | 2023-10-10 | 广西电网有限责任公司梧州供电局 | 一种分布式光伏并网管理流程效率提升方法及装置 |
| CN117477562A (zh) * | 2023-11-22 | 2024-01-30 | 东北电力大学 | 一种基于时序预测的虚拟电厂调度优化方法 |
| CN117639244A (zh) * | 2023-11-28 | 2024-03-01 | 国网山西省电力公司朔州供电公司 | 一种多域异构配电通信网络集中控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117933667B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11861502B2 (en) | Control sequence generation system and methods | |
| Hong et al. | SVR with hybrid chaotic genetic algorithms for tourism demand forecasting | |
| Dash et al. | Efficient stock price prediction using a self evolving recurrent neuro-fuzzy inference system optimized through a modified differential harmony search technique | |
| CN108510074A (zh) | 一种改进gwo算法的实现方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| Zulfiqar et al. | A hybrid framework for short term load forecasting with a navel feature engineering and adaptive grasshopper optimization in smart grid | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
| Al-Hajj et al. | Multi-level stacking of long short term memory recurrent models for time series forecasting of solar radiation | |
| Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
| CN117933667B (zh) | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 | |
| CN116933037A (zh) | 一种基于多模型融合的光伏出力预测方法及相关装置 | |
| CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 | |
| CN112465195A (zh) | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 | |
| CN118195160A (zh) | 一种电网断面调控模型训练方法、装置和计算机设备 | |
| CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
| CN118112446B (zh) | 一种基于集成学习的氢燃料电池寿命预测方法 | |
| Shu et al. | Wind power generation prediction based on the SSA-CNN-BiLSTM neural network model | |
| Yi et al. | GRU combined model based on multi-objective optimization for short-term residential load forecasting | |
| CN116753561B (zh) | 供热控制方法、控制装置和供热系统 | |
| CN117272098A (zh) | 一种电力能源智能管控方法、终端以及存储介质 | |
| Xia et al. | Study on the Prediction of Short-term Power Load Based on ECGWO-WDESN Combined Model | |
| CN118316018A (zh) | 模型-数据混合驱动的电力系统调度方法及系统 | |
| CN117371559A (zh) | 一种配电网供电可靠性预测方法 | |
| CN116742613A (zh) | 基于多相关日数值天气预报关联特性的风电功率预测方法 |
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 |