CN114493090A - 工业园区综合能源智能管控方法及装置 - Google Patents
工业园区综合能源智能管控方法及装置 Download PDFInfo
- Publication number
- CN114493090A CN114493090A CN202111520337.1A CN202111520337A CN114493090A CN 114493090 A CN114493090 A CN 114493090A CN 202111520337 A CN202111520337 A CN 202111520337A CN 114493090 A CN114493090 A CN 114493090A
- Authority
- CN
- China
- Prior art keywords
- energy
- management
- porgy
- control
- energy station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000010276 construction Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 241001494106 Stenotomus chrysops Species 0.000 claims description 73
- 241000282313 Hyaenidae Species 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 98
- 230000006870 function Effects 0.000 description 37
- 241000282472 Canis lupus familiaris Species 0.000 description 26
- 239000002245 particle Substances 0.000 description 22
- 238000002922 simulated annealing Methods 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 108091026890 Coding region Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009326 social learning Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种工业园区综合能源智能管控方法及装置,方法包括:获取多种能源站管控方案;以能源站获得收益最大为目标,构建目标函数;根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。本发明提出的方法针对于现有的工业园区在综合能源管控中心站点建设过程中未能良好平衡建设成本和能源需求的问题,通过综合考虑能源管控中心的建设成本以及不同能源的紧缺程度,得出一种最优的能源中心站点管控方案,降低了能源管控中心的建设成本,保障了园区用户对于各种能源的需求。
Description
技术领域
本发明涉及工业园区综合能源管控技术领域,尤其涉及一种工业园区综合能源智能管控方法及装置。
背景技术
综合能源***作为一种近年来兴起的能源创新管理模式,其可将燃气和多种可再生资源转化为居民需求侧所需要的水、热、电等形式的资源,实现多种异质能源子***之间的协调规划和高效运行。更具体的,在工业园区综合能源***中,多种能源对其深度耦合,完成水、电、热、气的定额定量精细化管理及应用,使得该园区内的能源生产、传输、分配、转化、存储达到最优的能源管理和能源运行调度,实现多能源双向流动以及多类型能源之间的能源互补,这可以高效率的满足园区内居民对水、热、电、气等多种能源的不同需求。这种综合能源***的能源利用方式,可充分利用可再生能源,减少对化石能源使用和用能成本,提高对可再生能源的消纳能力。
不同种类能源的管控中心建设成本是不相同的,同时不同区域的居民对于不同能源的需求紧急程度也是不一样的。目前存在的严峻问题是,现有的工业园区综合能源管控中心建设过程中,并没有良好的考虑到能源管控中心的建设成本和能源需求之间的关系。上述问题会使得投入较大成本建设好的能源管控中心不能发挥最大的效率,并且园区用户对于急需的能源不能很好的获得。因此,为了避免不必要的人力物力成本的浪费,以及满足园区用户的能源需求,迫切需要对传统的工业园区综合能源管控方法进行改善。
现有的应用于工业园区综合能源智能管控的方法主要包括了使用遗传算法、粒子群算法等经典元启发式算法来求解出一种满足要求的管控方案。例如,一种基于粒子群算法的综合能源智能管控方法,其是通过改变粒子群的速度和位置来完成对综合能源管控问题的解空间的搜索。然而,粒子群算法存在着收敛不稳定和求解精度低的问题,这大大影响了管控方案的可靠性。
发明内容
本发明提供一种工业园区综合能源智能管控方法及装置,用以解决现有技术中的工业园区能源管控方法中未能平衡管控中心站点的建设成本以及用户对能源的需求程度之间的关系,导致不必要人力物力浪费的缺陷,实现能源***的高效运行。
本发明提供一种工业园区综合能源智能管控方法,包括:
获取多种能源站管控方案;
以能源站获得收益最大为目标,构建目标函数;
根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
根据本发明提供的一种工业园区综合能源智能管控方法,所述采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案,包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
根据本发明提供的一种工业园区综合能源智能管控方法,所述通过斑鬣狗个***置的寻优,包括:
采用自适应更新的摇摆因子和控制因子对斑鬣狗个***置进行寻优。
根据本发明提供的一种工业园区综合能源智能管控方法,所述斑鬣狗个***置的寻优,之前还包括:
将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
根据本发明提供的一种工业园区综合能源智能管控方法,所述改进的斑鬣狗优化算法中斑鬣狗种群大小为60,最大迭代次数为100。
根据本发明提供的一种工业园区综合能源智能管控方法,所述能源站的数量大于等于8,所述能源的种类数量大于等于4。
本发明还提供一种工业园区综合能源智能管控装置,包括:
获取模块,用于获取多种能源站管控方案;
构建模块,用于以能源站获得收益最大为目标,构建目标函数;
确定模块,用于根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
选择模块,用于采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
根据本发明提供的一种工业园区综合能源智能管控装置,所述选择模块包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
根据本发明提供的一种工业园区综合能源智能管控装置,在所述选择模块中所述通过斑鬣狗个***置的寻优,包括:
采用自适应更新的摇摆因子和控制因子对斑鬣狗个***置进行寻优。
根据本发明提供的一种工业园区综合能源智能管控装置,所述选择模块还包括精英策略子模块,所述精英策略子模块用于将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
本发明提供的一种工业园区综合能源智能管控方法及装置,通过综合考虑不同种类的能源管控中心站点的建设成本以及用户对不同种类能源的需求紧急程度,能够有效的降低管控中心站点的建设成本,提高用户的能源使用满意程度,具有良好的推广前景。该方法以平衡建设成本和能源需求为目标,为工业园区不同的区域选择符合用户需求且成本最低的能源站点进行建设,具有步骤明晰,性能稳定,操作简单,求解质量高等优点。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的工业园区能源站点管控方法的流程示意图之一;
图2是本发明实施例提供的工业园区能源站点管控方法的流程示意图之二;
图3是本发明实施例的方法与模拟退火算法和粒子群算法的总体收益值对比曲线图之一;
图4是本发明实施例的方法与模拟退火算法和粒子群算法的总体收益值对比曲线图之二。
图5是本发明实施例提供的工业园区能源站点管控***的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中,根据工业园区综合能源站点管控方案当前的收益值弹性选择参数,计划在工业园区建设最大程度符合各方利益的综合能源管控中心站点。在进行综合能源中心站点管控之前,具体的能源管控中心站点建设位置已经确定,则需要考虑的问题是建设何种类型的能源管控中心站点,其在工业园区综合能源智能管控方法中主要涉及两个方面的因素,分别是不同种类的能源管控中心站点的建设成本和用户对于不同能源的需求紧急程度。一般来说,建立的能源管控中心站点成本越低,且其能够满足的用户需求越多,则表示该方案的效果越优秀。由于区域地形因素的不同,在不同的区域建设相同类型的能源管控中心站点成本也不一样,因此,本发明通过提前将不同区域各种类型的能源管控中心站点的建设成本进行整理归一化存储,同时将不同区域用户对于能源需求的紧急程度进行归一化存储,作为约束条件,再采用群智能算法对设定的目标函数进行求解。
下面结合图1-图4描述本发明的工业园区综合能源智能管控方法,包括:
步骤101、获取多种能源站管控方案;
步骤102、以能源站获得收益最大为目标,构建目标函数;
步骤103、根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
步骤104、采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
需要说明的是,能源站可以是能源管控中心站点,能源站获得收益最大是指工业园区建设最大程度符合各方利益。所述能源站的建设成本矩阵通过评估在工业园区内不同能源管控中心的建设成本获得,能源紧缺程度矩阵通过实地调研,根据居民的需求的来确定,例如调查问卷形式。
本发明实施例的工业园区综合能源智能管控方法针对于现有的工业园区在综合能源管控中心站点建设过程中未能良好平衡建设成本和能源需求的问题,通过综合考虑能源管控中心的建设成本以及不同能源的紧缺程度,得出一种最优的能源中心站点管控方案,降低了能源管控中心的建设成本,保障了园区用户对于各种能源的需求。
在本发明的至少一个实施例中,所述采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案,包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
本发明实施例的工业园区综合能源智能管控方法引入了精英策略和自适应机制来对传统的斑鬣狗优化算法进行改进,有效提升了算法的计算效率,加快了算法的收敛速度,并改善了所得到的综合能源管控方案质量。
需要说明的是,如图2所示,改进的斑鬣狗优化算法的完整算法流程包括如下步骤:
步骤210、对改进的斑鬣狗优化算法中的斑鬣狗个体D进行实数编码,编码中采用十进制序列的方式来表示一种可行的工业园区综合能源智能管控方法;
需要说明的是,假设工业园区需要进行管控的综合能源有4种,即水、热、电、气,在划分的区域地点需要建设的能源管控中心站点为8个,此外用数字1表示水能,数字2表示热能,数字3表示电能,数字4表示气能;则一个可行的编码序列为[2,3,1,1,2,3,4,2],其表示在第一个指定位置拟建热能管控中心,在第二个指定位置拟建电能管控中心,后面的序列以此类推。
步骤220、初始化改进的斑鬣狗优化算法的参数,其中包括斑鬣狗种群的大小N,斑鬣狗种群的位置P,工业园区综合能源***中能源管控中心的数量S,摇摆因子B,收敛因子E,控制因子z,最大迭代次数MaxIt,当前迭代次数It;
设定斑鬣狗种群的大小为N=60,最大迭代次数MaxIt=100,斑鬣狗种群的位置随机生成,B初始为[0,2]之间的随机值,E初始为[0,10]之间的随机值,z初始值为5;
步骤230、获取适应度值最高的斑鬣狗个体,以及适应度值最高的斑鬣狗个体对应的初始最佳斑鬣狗个***置;
步骤240、斑鬣狗个体随着猎物的移动更新当前位置,斑鬣狗个体的当前位置包括猎物与斑鬣狗之间的距离和猎物的位置向量,更新公式如式(1)和式(2)所示:
步骤250、追捕猎物阶段;认定最优斑鬣狗的个***置是猎物的所在位置,其他斑鬣狗的搜寻个体构成一个群落,都朝向更好个体的位置移动,并且保留目前更新的最好值,追捕猎物阶段更新公式如式(3)-(6)所示:
步骤260、攻击猎物阶段;对猎物完成追捕过程之后,斑鬣狗种群开始进行猎物攻击操作,攻击猎物的公式如式(7)所示:
步骤270、检查更新后的斑鬣狗个***置是否存在越界的情况,若有则需进行相应的调整,之后再次计算斑鬣狗种群中每个个体的适应度值;所述越界是指所述个体变化范围是否超出约束条件;
步骤280、使用精英策略,将当前斑鬣狗种群中适应度值表现最优的G个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到下一次迭代过程的初始种群中;
步骤290、判断迭代次数It是否大于最大迭代次数MaxIt,如果是则将斑鬣狗优化算法终止,并且输出全局最优的斑鬣狗个体所携带的序列作为工业园区综合能源管控的最佳方案;否则,It=It+1,并返回步骤S230。
需要说明的是,步骤230具体包括:
步骤231、根据适应度函数计算出斑鬣狗个体所携带的管控方案序列的适应度值;在工业园区综合能源智能管控问题中,改进的斑鬣狗优化算法的适应度函数设为:
fitness=W*P*;
其中W是不同种类的能源管控中心的建设成本矩阵,P是不同种类能源的紧缺程度矩阵;
步骤232、按照适应度的大小对斑鬣狗种群进行排序;
步骤233、记录适应度值最佳的斑鬣狗个体。
需要说明的是,步骤280具体包括:
步骤281、根据适应度函数计算出更新后的斑鬣狗种群的适应度值;
步骤282、将斑鬣狗个体按照适应度升序排列;
步骤283、为了避免出现传统的精英策略仅仅保留适应度值最佳的个体会导致斑鬣狗种群陷入早熟收敛的现象,在本发明所提供的一种改进的斑鬣狗优化算法中,G=4,需要选出适应度最高的前4个斑鬣狗个体放入到精英池中,并从精英池中选出4个适应度最高的个体放入到下一轮迭代的初始种群中;
在本发明的至少一个实施例中,所述通过斑鬣狗个***置的寻优,包括:
其中f表示当前斑鬣狗个体的适应度值,favg表示各代种群的平均适应度值,fmax表示各代种群的最大适应度值,Bmax和Bmin分别表示摇摆因子的最大值和最小值,Emax和Emin分别表示控制因子的最大值和最小值;
在本发明的至少一个实施例中,所述斑鬣狗个***置的寻优,之前还包括:
将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
在本发明的至少一个实施例中,所述改进的斑鬣狗优化算法中斑鬣狗种群大小范围为50到100,最大迭代次数为100次到500次。
优选的,斑鬣狗种群大小为60,最大迭代次数为100。
在本发明的至少一个实施例中,所述能源站的数量大于等于8,所述能源的种类数量大于等于4。在本实施例中,工业园区中拟建设的能源管控中心站点为8个,涉及到的综合能源包括水、热、电、气4种,建设成本矩阵为:
能源需求紧急程度矩阵为:
其中两个矩阵的行号分别表示水、热、电、气四种能源,列号分别表示要建设的能源管控中心站点编号,如,第一列则表示编号为1的管控中心站点。
假设现在有三个斑鬣狗个体,且斑鬣狗个体1的编码序列为[2,3,1,1,2,3,4,1],斑鬣狗个体2的编码序列为[4,2,1,1,2,3,3,4],斑鬣狗个体3的编码序列为[1,2,2,4,3,2,4,4]。
斑鬣狗个体1的建设成本序列W1为:
[0.27,0.25,0.24,0.27,0.14,0.20,0.38,0.23];
斑鬣狗个体1的能源紧急程度序列P1为:
[0.37,0.35,0.34,0.17,0.14,0.10,0.38,0.12];
斑鬣狗个体2的建设成本序列W2为:
[0.18,0.32,0.24,0.27,0.14,0.20,0.21,0.18];
斑鬣狗个体2的能源紧急程度序列P2为:
[0.28,0.22,0.34,0.17,0.14,0.10,0.21,0.29];
斑鬣狗个体3的建设成本序列W3为:
[0.35,0.32,0.28,0.31,0.36,0.19,0.38,0.18];
斑鬣狗个体3的能源紧急程度序列P3为:
[0.25,0.22,0.30,0.31,0.26,0.29,0.38,0.29];
根据步骤S231中的适应度函数公式计算出斑鬣狗个体1的适应度值为fitness1=0.5265;斑鬣狗个体2的适应度值为fitness2=0.3842;斑鬣狗个体3的适应度值为fitness3=0.6833。
可以看到,斑鬣狗个体3的解是三者中最优的,则应选取斑鬣狗个体3所携带的综合能源管控中心站点序列作为工业园区的综合能源管控方案。从斑鬣狗个体3的编码[1,2,2,4,3,2,4,4]可以发现,在第一个既定区域建设水能源管控站点,第二个既定区域建设热能源管控站点,……,第八个既定区域建设天然气能源管控站点。
在考虑了综合能源管控中心站点的建设成本和用户对于各种能源的需求程度后,斑鬣狗个体3对应的管控方案的适应度值为0.6833。
下面将给出本发明实施例中工业园区综合能源智能管控方法的计算机仿真实验的详细参数配置和仿真结果。
实施例1
本发明实施例中共有8个综合能源管控中心站点和4种不同的能源种类,工业园区综合能源***中心提前评估了既定区域内的不同能源管控中心站点的建设成本以及用户对于不同能源的需求紧急程度。管控中心站点的建设成本和能源的需求紧急程度均以结构相同的矩阵的形式存储,矩阵的行号表示不同的能源,列号表示不同的区域。改进的斑鬣狗优化算法中斑鬣狗个体的数量为N=60,最大迭代次数MaxIt=100,精英策略中每代挑选出适应度最高的前4个个体放入精英池中。作为对比的模拟退火算法和粒子群算法种群大小为60,最大迭代次数为100,其中模拟退火算法的初始温度为300度,退火系数为0.96,粒子群算法的个体学习因子和社会学习因子都为2,惯性权重为0.8。
图3是本发明实施例的方法相对现有技术中的模拟退火算法和粒子群算法经过100次迭代后的工业园区综合能源管控方案收益值的对比曲线图。如图3所示,最上面的曲线是本发明实施例1提出的基于改进的斑鬣狗优化算法得到的收益值曲线,中间的是粒子群算法得到的寿命曲线,下面的是通过模拟退火算法得到的轮值寿命曲线。从图可以看出,在100次迭代运算后,本发明实施例1所述的方法最终得到的工业园区综合能源管控收益值为0.89,粒子群算法得到的收益值为0.84,模拟退火算法得到的收益值为0.75,即本发明算法的性能分别比粒子群算法和模拟退火算法在求解管控序列时提高了6%和18%,说明采用本发明所提供的方法得出的工业园区综合能源管控序列能够有效的平衡能源中心站点的建设成本和用户对于不同能源的需求紧急程度。同时从图中还可以看出,相比于粒子群算法和模拟退火算法,本发明方法的收敛速度明显更快,且粒子群算法和模拟退火算法在迭代过程中陷入了早熟收敛,并且无法跳出局部最优,得到的管控序列质量较低,不利于实际采用。
实施例2
本发明实施例中共有12个综合能源管控中心站点和4种不同的能源种类,工业园区综合能源***中心提前评估了既定区域内的不同能源管控中心站点的建设成本以及用户对于不同能源的需求紧急程度。管控中心站点的建设成本和能源的需求紧急程度均以结构相同的矩阵的形式存储,矩阵的行号表示不同的能源,列号表示不同的区域。改进的斑鬣狗优化算法中斑鬣狗个体的数量为N=60,最大迭代次数MaxIt=200,精英策略中每代挑选出适应度最高的前4个个体放入精英池中。作为对比的模拟退火算法和粒子群算法种群大小为60,最大迭代次数为200,其中模拟退火算法的初始温度为300度,退火系数为0.96,粒子群算法的个体学习因子和社会学习因子都为2,惯性权重为0.8。
图4是本发明实施例2的方法相对现有技术中的模拟退火算法和粒子群算法的工业园区综合能源管控方案收益值的对比曲线图。如图4所示,最上面的曲线是本发明实施例2提出的基于改进的斑鬣狗优化算法得到的收益值曲线,中间的是粒子群算法得到的寿命曲线,下面的是通过模拟退火算法得到的轮值寿命曲线。从图可以看出,在200次迭代运算后,本发明实施例2所述的方法最终得到的工业园区综合能源管控收益值为0.98,粒子群算法得到的收益值为0.90,模拟退火算法得到的收益值为0.82,即本发明算法的性能分别比粒子群算法和模拟退火算法在求解管控序列时提高了8%和19%,说明采用本发明所提供的方法得出的工业园区综合能源管控序列能够有效的平衡能源中心站点的建设成本和用户对于不同能源的需求紧急程度。同时从图中还可以看出,本发明方法的收敛速度明显快于粒子群算法和模拟退火算法快,且粒子群算法和模拟退火算法在整个200次迭代过程中陷入了局部最优解,并且无法跳出局部最优值,得到的管控序列质量较低,不利于实际采用。
下面对本发明提供的工业园区综合能源智能管控装置进行描述,下文描述的工业园区综合能源智能管控装置与上文描述的工业园区综合能源智能管控方法可相互对应参照。如图5所示的工业园区综合能源智能管控装置,包括:
获取模块501,用于获取多种能源站管控方案;
构建模块502,用于以能源站获得收益最大为目标,构建目标函数;
确定模块503,用于根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
选择模块504,用于采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
本发明实施例的工业园区综合能源智能管控装置针对于现有的工业园区在综合能源管控中心站点建设过程中未能良好平衡建设成本和能源需求的问题,通过综合考虑能源管控中心的建设成本以及不同能源的紧缺程度,得出一种最优的能源中心站点管控方案,降低了能源管控中心的建设成本,保障了园区用户对于各种能源的需求。
在本发明的至少一个实施例中,所述选择模块504包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
在本发明的至少一个实施例中,在所述选择模块504中所述通过斑鬣狗个***置的寻优,包括:
采用自适应更新的摇摆因子和控制因子对斑鬣狗个***置进行寻优。
在本发明的至少一个实施例中,所述选择模块还包括精英策略子模块,所述精英策略子模块用于将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行一种工业园区综合能源智能管控方法,包括:
获取多种能源站管控方案;
以能源站获得收益最大为目标,构建目标函数;
根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
此外,上述的存储器630中的逻辑指令可以通过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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的工业园区综合能源智能管控方法,该方法包括:
获取多种能源站管控方案;
以能源站获得收益最大为目标,构建目标函数;
根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
又一方面,本发明还提供一种非暂态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以执行上述各方法提供的工业园区综合能源智能管控方法,该方法包括:
获取多种能源站管控方案;
以能源站获得收益最大为目标,构建目标函数;
根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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)
1.一种工业园区综合能源智能管控方法,其特征在于,包括:
获取多种能源站管控方案;
以能源站获得收益最大为目标,构建目标函数;
根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
2.根据权利要求1所述的工业园区综合能源智能管控方法,其特征在于,所述采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案,包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
3.根据权利要求2所述的工业园区综合能源智能管控方法,其特征在于,所述通过斑鬣狗个***置的寻优,包括:
采用自适应更新的摇摆因子和控制因子对斑鬣狗个***置进行寻优。
4.根据权利要求2所述的工业园区综合能源智能管控方法,其特征在于,所述斑鬣狗个***置的寻优,之前还包括:
将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
5.根据权利要求2所述的工业园区综合能源智能管控方法,其特征在于,所述改进的斑鬣狗优化算法中斑鬣狗种群大小为60,最大迭代次数为100。
6.根据权利要求1至5中任一所述的工业园区综合能源智能管控方法,其特征在于,所述能源站的数量大于等于8,所述能源的种类数量大于等于4。
7.一种工业园区综合能源智能管控装置,其特征在于,包括:
获取模块,用于获取多种能源站管控方案;
构建模块,用于以能源站获得收益最大为目标,构建目标函数;
确定模块,用于根据能源站的建设成本矩阵和能源紧缺程度矩阵,确定目标函数的约束条件;
选择模块,用于采用群智能算法根据所述约束条件计算每种能源站管控方案下目标函数的值,将目标函数的最大值对应的能源站管控方案作为最优能源站管控方案。
8.根据权利要求7所述的工业园区综合能源智能管控装置,其特征在于,所述选择模块包括:
采用改进的斑鬣狗优化算法,将斑鬣狗个体的适应度值对应所述约束条件,将所述多种能源站管控方案对应多个斑鬣狗个***置,通过斑鬣狗个***置的寻优获得最佳斑鬣狗个***置作为猎物位置,获得最优能源站管控方案,所述最优能源站管控方案对应猎物位置。
9.根据权利要求8所述的工业园区综合能源智能管控装置,其特征在于,在所述选择模块中所述通过斑鬣狗个***置的寻优,包括:
采用自适应更新的摇摆因子和控制因子对斑鬣狗个***置进行寻优。
10.根据权利要求8所述的工业园区综合能源智能管控装置,其特征在于,所述选择模块还包括精英策略子模块,所述精英策略子模块用于将上次迭代的斑鬣狗种群中适应度值表现最优G个个体保留到精英池中,并从精英池里挑选出最优的前G个体放入到当前迭代的初始种群中,G为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520337.1A CN114493090A (zh) | 2021-12-13 | 2021-12-13 | 工业园区综合能源智能管控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520337.1A CN114493090A (zh) | 2021-12-13 | 2021-12-13 | 工业园区综合能源智能管控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493090A true CN114493090A (zh) | 2022-05-13 |
Family
ID=81492457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520337.1A Pending CN114493090A (zh) | 2021-12-13 | 2021-12-13 | 工业园区综合能源智能管控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173490A (zh) * | 2022-09-05 | 2022-10-11 | 北京邮电大学 | 综合能源站供能方法和装置、电子设备 |
-
2021
- 2021-12-13 CN CN202111520337.1A patent/CN114493090A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115173490A (zh) * | 2022-09-05 | 2022-10-11 | 北京邮电大学 | 综合能源站供能方法和装置、电子设备 |
CN115173490B (zh) * | 2022-09-05 | 2022-11-25 | 北京邮电大学 | 综合能源站供能方法和装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN112651634B (zh) | 基于序列运算的有源配电***源网荷储日前有功调度方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及*** | |
CN108596438B (zh) | 一种多目标野花算法的动态环境经济调度方法 | |
CN101118611A (zh) | 基于遗传算法的业务过程模型资源配置优化方法 | |
CN111340299A (zh) | 一种微电网多目标优化调度方法 | |
CN109886446A (zh) | 基于改进混沌粒子群算法的电力***动态经济调度方法 | |
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN112202847B (zh) | 一种基于移动边缘计算的服务器资源配置方法 | |
CN108830479A (zh) | 一种计及电网全成本链的主配协同规划方法 | |
CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN110148971A (zh) | 一种分布式电源优化配置方法 | |
CN111126765B (zh) | 一种电动汽车群联合优化方法及*** | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及*** | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
CN115954957A (zh) | 一种复合发电***的容量配置方法、装置和电子设备 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其*** | |
CN111885551B (zh) | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 | |
CN107392350B (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
CN107909510B (zh) | 一种基于野花优化算法的电力***经济调度方法 | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 | |
CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
CN114781705A (zh) | 一种综合考虑用户侧多能负荷特性的能源局域网划分方法 | |
CN109347913B (zh) | 一种基于智能遗传算法的web服务协同调度方法及*** | |
CN114723217A (zh) | 碳中和目标下的综合能源供给侧配置方法和*** |
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 |