CN114565238A - 综合能源低碳调度方法及装置 - Google Patents
综合能源低碳调度方法及装置 Download PDFInfo
- Publication number
- CN114565238A CN114565238A CN202210137882.0A CN202210137882A CN114565238A CN 114565238 A CN114565238 A CN 114565238A CN 202210137882 A CN202210137882 A CN 202210137882A CN 114565238 A CN114565238 A CN 114565238A
- Authority
- CN
- China
- Prior art keywords
- individual
- scheduling
- energy
- target
- population
- 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 86
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 59
- 241000191380 Byblis gigantea Species 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000007726 management method Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 78
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010367 cloning Methods 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 238000004949 mass spectrometry Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 239000013256 coordination polymer Substances 0.000 description 16
- 238000009826 distribution Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003592 biomimetic effect Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 244000062804 prey Species 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种综合能源低碳调度方法及装置,该方法包括:基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数;基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案;基于目标调度方案,对目标区域内的电力能源进行调度;其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率。本发明提供的综合能源低碳调度方法及装置,能实现更高效和更精准的综合能源低碳调度,能最大化的提高综合能源调度的可靠度,综合能源调度的鲁棒性更强。
Description
技术领域
本发明涉及能源调度技术领域,尤其涉及一种综合能源低碳调度方法及装置
背景技术
随着经济的高速发展和社会的持续进步,能源和环境问题日益突出。通过大力发展风力发电、光伏发电、水力发电、核能发电和氢能发电等清洁能源发电方式,摸索和发展更加先进的电力生产和电力消费模式,已成为电力行业发展的新的方向。
综合能源调度,指通过耦合区域内的多种电力能源,对区域内的多种电力能源进行合理调度,从而实现区域内电力能源的动态协同和优势互补。在综合能源调度的研究中,如何利用各类电力能源的特性优势进行多能优化协调调度,实现多种不同电力能源的优势互补,尽可能的使得电力能源的供给可靠度最高,是综合能源调度的主要研究目标。合理的综合能源调度方案可以使得区域内的各种电力能源具有更灵活的动态调配互补特性、较高安全性和分配精度,确保供电的安全性和可靠度。
随着低碳能源的蓬勃发展,传统的人工综合能源调度方法已无法满足现有的庞大综合能源体系的调度需求,综合能源调度效率较低、调度精度较差。因此,如何更高效和更精准的进行综合能源低碳调度是本领域亟待解决的问题。
发明内容
本发明提供一种综合能源低碳调度方法及装置,用以解决现有技术中综合能源调度效率较低和调度精度较差的缺陷,实现更高效和更精准的综合能源低碳调度。
本发明提供一种综合能源低碳调度方法,包括:
获取第一目标数据和第二目标数据;
基于所述第一目标数据,构建综合能源调度模型,基于所述第二目标数据,构建所述综合能源调度模型对应的目标函数;
基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案;
基于所述目标调度方案,对目标区域内的电力能源进行调度;
其中,所述第一目标数据,包括:所述目标区域内供电方的数量和电力能源的类型;所述第二目标数据,包括:每一所述供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;所述管控风险指数用于描述对应供电方提供电力能源的安全程度,所述能源输送便利指数用于描述对应供电方提供电力能源的便利程度;所述能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
根据本发明提供的一种综合能源低碳调度方法,所述基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案,具体包括:
步骤S1,基于所述综合能源调度模型,获取多个初始调度方案;
步骤S2,初始化所述食肉植物算法的控制参数,获得第一次迭代对应的个体种群,所述第一次迭代对应的个体种群中的每一个体与每一所述初始调度方案相对应;
步骤S3,基于所述食肉植物算法,对第m次迭代对应的个体种群进行种群进化,获取种群进化后的第m次迭代对应的个体种群;其中,1≤m≤T,T表示预设最大迭代次数;
步骤S4,获取所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,将目标函数值最大的个体作为第m次迭代对应的备选个体;
步骤S5、基于所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对所述种群进化后的第m次迭代对应的个体种群进行克隆重组之后,获得第m+1次迭代对应的个体种群,并重复执行步骤S3和步骤S5,直至m大于T;
步骤S6,基于获取到的各所述备选个体对应的目标函数值,在各所述备选个体中确定目标个体,将所述目标个体对应的调度方案,作为所述目标调度方案。
根据本发明提供的一种综合能源低碳调度方法,所述目标函数的公式为:
resulte,d=Xi,m×(1-MSe,d)×MCe,d×URe,d
其中,i为第m次迭代对应的个体种群中任一个体的标识,i=1,2,…,M,M表示个体种群中的个体的总数;Xi,m表示第m次迭代对应的个体种群中第i个个体;fi,m表示Xi,m的目标函数值;E表示所述目标区域内电力能源的类型的总数,e为所述类型的标识,e=1,2,…,E;D表示所述目标区域内供电方的数量,d为所述供电方的标识,d=1,2,…,D;MSe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的管控风险指数;MCe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源输送便利指数;URe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源利用率。
根据本发明提供的一种综合能源低碳调度方法,所述基于所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对所述种群进化后的第m次迭代对应的个体种群进行克隆重组,获得第m+1次迭代对应的个体种群,具体包括:
按照所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值由大到小的顺序,对各所述个体进行排序;
将排名前w的每一个体克隆s份,获得所述每一个体对应的克隆个体;
基于预设的变异概率阈值对每一所述克隆个体进行更新,将更新后的每一所述克隆个体,作为所述第m+1次迭代对应的个体种群中的每一个体;
其中,w为不大于M的正整数;s=M/w。
根据本发明提供的一种综合能源低碳调度方法,所述变异概率阈值在0.5至0.6之间。
根据本发明提供的一种综合能源低碳调度方法,所述个体种群,包括食肉植物个体和猎物个体,所述猎物个体的数量为所述食肉植物个体的数量的整数倍。
本发明还提供一种综合能源低碳调度装置,包括:
数据获取模块,用于获取第一目标数据和第二目标数据;
模型构建模块,用于基于所述第一目标数据,构建综合能源调度模型,基于所述第二目标数据,构建所述综合能源调度模型对应的目标函数;
算法求解模块,用于基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案;
能源调度模块,用于基于所述目标调度方案,对目标区域内的电力能源进行调度;
其中,所述第一目标数据,包括:所述目标区域内供电方的数量和电力能源的类型;所述第二目标数据,包括:每一所述供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;所述管控风险指数用于描述对应供电方提供电力能源的安全程度,所述能源输送便利指数用于描述对应供电方提供电力能源的便利程度;所述能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述综合能源低碳调度方法的步骤。
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如上述任一种所述综合能源低碳调度方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述综合能源低碳调度方法的步骤。
本发明提供的综合能源低碳调度方法及装置,通过基于目标区域内供电方的数量和电力能源的类型构建综合能源调度模型,基于每一供电方对应的管控风险指数、能源输送便利指数和能源利用率构建上述综合能源调度模型对应的目标函数,基于食肉植物算法和上述目标函数,对综合能源调度模型进行求解,获取目标调度方案,基于上述目标调度方案,对目标区域内的电力能源进行调度的可靠度最高,能实现更高效和更精准的综合能源低碳调度,能最大化的提高综合能源调度的可靠度,综合能源调度的鲁棒性更强,在能源调度环境和调度方式不断变化的情况下,能解决综合能源的最佳精准管控调度问题,能提高综合能源调度的经济效益,具有更好的推广前景。
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是本发明提供的综合能源低碳调度方法的流程示意图之一;
图2是本发明提供的综合能源低碳调度方法的流程示意图之二;
图3是本发明提供的综合能源低碳调度方法与现有调度方法的仿真结果对比示意图;
图4是本发明提供的综合能源低碳调度装置的结构示意图;
图5是本发明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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是,食肉植物算法是一种新的启发式智能算法,在组合优化问题、高维设计变量、各种约束的存在以及具有许多局部最优解的搜索空间等方面均有所应用。食肉植物算法可以包括算法参数初始化过程、种群初始化过程、种群分类与分组过程、生长探索过程、繁殖开发过程以及克隆重组过程等步骤,基于上述步骤可以对问题的解空间进行较好的搜索。
本发明提供的综合能源低碳调度方法中,将食肉植物算法应用于解决综合能源精准调度方面,能更准确、更高效的获取可靠度最高的调度方案,基于上述调度方案对目标区域内的电力能源进行调度,可以最大化的提高综合能源调度的供能可靠度,在能源调度环境和调度方式不断变化的情况下,可以解决综合能源的最佳精准管控调度问题。
图1是本发明提供的综合能源低碳调度方法的流程示意图之一。下面结合图1描述本发明的综合能源低碳调度方法。如图1所示,该方法包括:步骤101、获取第一目标数据和第二目标数据;其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方对应的管控风险指数、能源输送便利指数和能源利用率;管控风险指数用于描述对应供电方提供电力能源的安全程度,能源输送便利指数用于描述对应供电方提供电力能源的便利程度;能源利用率用于描述对应供电方提供每一类型电力能源的实际消纳情况。
具体地,目标区域为本发明提供的综合能源低碳调度方法的调度目标,基于本发明提供的综合能源低碳调度方法,可以对目标区域内的电力能源进行调度。
目标区域内包括多个供电方。对于任一供电方,该供电方可以为目标区域提供电力能源,该供电方可以提供一个或多个类型的电力能源。电力能源的类型可以包括但不限于煤炭发电、燃气发电、风力发电、光伏发电、水力发电、核能发电和氢能发电。
可以基于先验知识,获取目标区域内供电方的数量和电力能源的类型,作为第一目标数据。
对于目标区域内的任一供电方,可以基于对该供电方的实时监控,获取该供电方对应的管控风险指数、能源输送便利指数和能源利用率。
需要说明的是,任一供电方对应的管控风险指数,可以包括该供电方提供每一类型的电力能源对应的管控风险指数。该供电方提供任一类型的电力能源对应的管控风险指数,可以用于描述该供电方提供该类型电力能源的安全程度。若该供电方提供任一类型的电力能源对应的管控风险指数越高,则可以说明该供电方提供该类型的电力能源的安全程度越低;反之,则可以说明该供电方提供每一类型的电力能源的安全程度越高。
任一供电方对应的能源输送便利指数,可以包括该供电方提供每一类型的电力能源对应的能源输送便利指数,该供电方提供任一类型的电力能源对应的能源输送便利指数,可以用于描述该供电方提供该类型的电力能源的便利程度。若该供电方提供任一类型的电力能源对应的能源输送便利程度越高,则可以说明该供电方提供该类型的电力能源越便利;反之,则可以说明该供电方提供每一类型的电力能源越不便利。供电方提供某一类型的电力能源是否便利,可以基于供电方提供该类型的电力能源所需投入的建设成本、供电方与受电方的距离以及输送损耗等方面进行评价。
任一供电方对应的能源利用率,可以包括该供电方提供的每一类型的电力能源的利用率。该供电方提供的任一类型的电力能源的利用率,可以用于描述该供电方提供的该类型的电力能源的实际消纳情况。若该供电方提供的任一类型的电力能源的利用率越高,则可以说明该供电方提供的该类型的电力能源的实际消纳量较高;反之,则可以说明该供电方提供每一类型的电力能源的实际消纳量越低。供电方提供的任一类型的电力能源的利用率,可以基于供电方提供的该类型电力能源的实际电量以及该类型的电力能源的实际消纳量确定。
步骤102、基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数。
步骤103、基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案。
具体地,基于食肉植物算法和目标函数,可以通过数值计算的方法对综合能源调度模型进行求解,获取目标调度方案。
需要说明的是,目标调度方案可以包括目标区域内每一供电方提供每一类型的电力能源的分配比例。
步骤104、基于目标调度方案,对目标区域内的电力能源进行调度。
具体地,获取目标调度方案之后,可以基于上述目标调度方案中每一供电方提供每一类型的电力能源的分配比例,对目标区域内的电力能源进行调度。
相较于其他调度方案,目标调度方案的可靠度最高。其中,目标调度方案的可靠度最高,表示基于目标调度方案对目标区域内的电力能源进行调度时,目标区域的供电可靠度最高。
需要说明的是,供电可靠度,指供电***持续供电的能力,是考核供电***电能质量的重要指标,反映了电力工业对国民经济电能需求的满足程度,可以基于供电可靠率、受电方平均停电时间、受电方平均停电次数、***停电等效小时数等指标进行评价。
本发明实施例通过基于目标区域内供电方的数量和电力能源的类型构建综合能源调度模型,基于每一供电方对应的管控风险指数、能源输送便利指数和能源利用率构建上述综合能源调度模型对应的目标函数,基于食肉植物算法和上述目标函数,对综合能源调度模型进行求解,获取目标调度方案,基于上述目标调度方案,对目标区域内的电力能源进行调度,能实现更高效和更精准的综合能源低碳调度,能最大化的提高综合能源调度的可靠度,综合能源调度的鲁棒性更强,在能源调度环境和调度方式不断变化的情况下,能解决综合能源的最佳精准管控调度问题,能提高综合能源调度的经济效益,具有更好的推广前景。
基于上述各实施例的内容,基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案,具体包括:步骤S1,基于综合能源调度模型,获取多个初始调度方案。
具体地,基于综合能源调度模型,可以随机生成多个初始调度方案;基于综合能源调度模型,还可以根据预设规则,生成多个初始调度方案。其中,预设规则可以是基于先验知识获取的。例如:可以基于历史调度方案,获取上述预设规则。
需要说明的是,各初始调度方案可以包括目标区域内每一供电方提供每一类型的电力能源的不同分配比例。
步骤S2,初始化食肉植物算法的控制参数,获得第一次迭代对应的个体种群,第一次迭代对应的个体种群中的每一个体与每一初始调度方案相对应。
具体地,对食肉植物算法进行初始化,可以初始化食肉植物算法的控制参数,获得第一次迭代对应的个体种群。上述个体种群中的每一个体与每一初始调度方案相对应。
需要说明的是,第一次迭代对应的个体种群中不区分食肉植物个体和猎物个体。
可选地,m表示迭代的次数,m=1,2,…,T,T表示预设最大迭代次数;第m次迭代对应的个体种群中个体的总数为M,第m次迭代对应的个体种群可以表示为Popm。Popm中第i个个体可以用Xi,m表示,i=1,2,…,M。
第m次迭代对应的个体种群中第i个个体Xi,m可以表示为:
其中,E表示目标区域内电力能源的类型的总数,e为类型的标识,e=1,2,…,E;D表示目标区域内供电方的数量,d为供电方的标识,d=1,2,…,D。
需要说明的是,公式(1)代表个体Xi,m的矩阵编码。Xi,m中的每一元素x可以表示目标区域内每一供电方提供每一类型的电力能源的分配比例,例如:可以表示个体Xi,m对应的调度方案中,第d个供电方提供第e种类型的电力能源的比例。Xi,m中任一元素的变化上下限为[Lmin,Lmax]。
可选地,预设最大迭代次数T可以在100至150之间;变化下限Lmin可以为0,变化上限Lmax可以为0.5;个体总数M可以在30至50之间。
优选地,预设最大迭代次数T可以为120;个体总数M可以为40。
需要说明的是,个体Xi,m中每一行各元素之和以及每一列各元素之和均为1,表示个体Xi,m对应的调度方案中,各供电方提供的电力能源的分配比例之和为1,各类型的电力能源的分配比例之和为1。
第m次迭代对应的个体种群Popm可以表示为:
步骤S3,基于食肉植物算法,对第m次迭代对应的个体种群进行种群进化,获取种群进化后的第m次迭代对应的个体种群;其中,m=1,2,…,T,T表示预设最大迭代次数。
具体地,第m次迭代对应的个体种群Popm中第i个个体Xi,m对应的目标函数可以通过如下公式表示:
resulte,d=Xi,m×(1-MSe,d)×MCe,d×URe,d (4)
其中,i为第m次迭代对应的个体种群中任一个体的标识,i=1,2,…,M,M表示个体种群中的个体的总数;Xi,m表示第m次迭代对应的个体种群中第i个个体;fi,m表示Xi,m的目标函数值;E表示目标区域内电力能源的类型的总数,e为类型的标识,e=1,2,…,E;D表示目标区域内供电方的数量,d为供电方的标识,d=1,2,…,D;MSe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的管控风险指数;MCe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源输送便利指数;URe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源利用率。
需要说明的是,任一供电方对应的管控风险指数、能源输送便利指数和能源利用率的矩阵编码类型为浮点数。
基于公式(3)和公式(4)可以获取个体Xi,m的目标函数值fi,m。
需要说明的是,个体Xi,m的目标函数值fi,m可以用于描述个体Xi,m对应的调度方案的可靠度。fi,m越大,个体Xi,m对应的调度方案的可靠度越高,从而可以说明基于个体Xi,m对应的调度方案对目标区域进行综合能源调度时,目标区域的供电可靠度越高;反之,则可以说明目标区域的供电可靠度越低。
可选地,第m次迭代对应的个体种群Popm的目标函数值如下所示:
通过数值计算获得个体种群Popm中每一个体的目标函数值之后,可以基于上述目标函数值,由大到小对个体种群Popm中的各个体进行排序。
基于个体种群Popm中各个体的顺序以及预先确定的食肉植物个体CP的数量与猎物个体Prey的数量之间的关系,可以将个体种群Popm中的各个体分为食肉植物个体CP和猎物个体Prey两类。个体种群Popm中顶部植物解NCP可以作为是食肉植物个体CP,而剩余解NPrey可以作为猎物个体Prey。
需要说明的是,本发明实施例中食肉植物个体CP的数量与猎物个体Prey的数量之间的关系,可以是猎物个体Prey的数量为食肉植物个体CP的数量的整数倍。
优选地,猎物个体Prey的数量为食肉植物个体CP的数量的3倍。
对于任一个体种群,依据目标函数值对该个体种群中的各个体进行排序可以表示为:
该个体种群中的各个体的顺序可以表示为:
其中,分组过程需要模拟每个食肉植物及其猎物的环境。在分组过程中,具有最大目标函数值的猎物被分配给排名第一的食肉植物。类似地,排名第二和第三猎物分别被分配给第二和第三的食肉植物。重复该过程,直到第NCP级猎物被分配到第NCP级食肉植物之后,完成本轮分配,开始进行下一轮分配,将第NCP+1级猎物分配到1级食肉植物。以此类推,一共进行k轮分配,将个体种群中的各个体分为k个小组,每一小组中仅包括一个食肉植物个体,但包括至少两个猎物个体。
k的计算公式如下:
其中,k为正整数,k的取值为猎物个体Prey的数量为食肉植物个体CP的数量的倍数。
从仿生层面来看,由于土壤营养贫乏,食肉植物为了生长而吸引、捕获和消化猎物。猎物被食肉植物的气味吸引至食肉植物身上,猎物还可能会间歇性地成功逃离食肉植物。因此引入了吸引率attract_rate,用于描述上述过程。
对于任一个体种群中的任一猎物个体,一方面,若吸引率attract_rate高于随机生成数,则食肉植物个体会捕获并消化猎物个体以进行生长。
食肉植物个体捕获并消化猎物个体以进行生长的生长模型如下所示:
growth=growth_rate*θ (10)
另一方面,若吸引率attract_rate不高于上述随机生成数,则猎物个体可以成功逃离食肉植物个体并继续生长。
猎物个体成功逃离食肉植物个体并继续生长的生长模型如下所示:
可选地,吸引率attract_rate可以在[0.7,0.8]之间;生长率growth_rate可以在[0.8,0.85]之间。
优选地,吸引率attract_rate可以为0.82;生长率growth_rate可以为0.75。
从仿生层面来看,食肉植物捕获和消化猎物,可以从猎物身上吸收养分,并利用这些养分进行生长和繁殖。就繁殖而言,只有个体种群中排名第一的食肉植物,也就是个体种群中可靠度最高的调度方案是被允许繁殖的。目的是确保算法的开发只关注最佳解决方案。可以避免对其他解决方案进行不必要的利用,从而节省计算成本。排名第一的食肉植物的繁殖更新过程表示为:
其中,表示个体种群中排名第一的食肉植物个体;表示繁殖更新后的食肉植物个体;繁殖率reproductive_rate是常数;η为[0,1]之间的随机值;XCP(a)和XCP(b)为随机选取的食肉植物个体。
个体种群中排名第一的食肉植物个体繁殖更新之后,得到繁殖更新后的食肉植物个体。繁殖更新后的食肉植物个体与其余的食肉植物个体和猎物个体构成种群进化后的个体种群,实现个体种群的种群进化。
可选地,繁殖率reproductive_rate可以在[0.9,0.92]之间。
优选地,繁殖率reproductive_rate可以为0.91。
步骤S4,获取种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,将目标函数值最大的个体作为第m次迭代对应的备选个体;
具体地,对于第m次迭代对应的个体种群,获取种群进化后第m次迭代对应的个体种群之后,可以获取种群进化后第m次迭代对应的个体种群中每一个体的目标函数值。
基于上述目标函数值,可以获取目标函数值最大的个体作为第m次迭代对应的备选个体。
步骤S5、基于种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对种群进化后的第m次迭代对应的个体种群进行克隆重组之后,获得第m+1次迭代对应的个体种群,并重复执行步骤S3和步骤S5,直至m大于T。
具体地,对于第m次迭代对应的个体种群,获取种群进化后第m次迭代对应的个体种群中每一个体的目标函数值之后,在m不大于预设最大迭代次数T的情况下,可以基于上述目标函数值,对种群进化后第m次迭代对应的个体种群进行变异,并可以将变异后的种群进化后第m次迭代对应的个体种群,作为第m+1次迭代对应的个体种群。
获取第m+1次迭代对应的个体种群之后,可以重复上述步骤S3至步骤S5,获取第m+1次迭代对应的备选个体。
步骤S6,基于获取到的各备选个体的目标函数值,在各备选个体中确定目标个体,将目标个体对应的调度方案,作为目标调度方案。
具体地,对于m次迭代,在m大于预设最大迭代次数T的情况下,可以结束上述迭代计算过程,并可以基于数理统计的方式,根据获取到的每次迭代对应的备选个体的目标函数值,将目标函数值最大的备选个体确定为目标个体XbeSt。
确定目标个体XbeSt之后,可以获取上述目标个体对应的调度方案,作为目标调度方案。
基于目标调度方案中每一供电方提供每一类型的电力能源的占比,可以对目标区域内的电力能源进行综合调度。
本发明实施例通过基于食肉植物算法和综合能源调度模型对应的目标函数,对综合能源调度模型进行求解,并能通过对个体种群的种群进化,实现对可靠度最高的目标调度方法进行更好的搜索,能更准确、更高效的获取可靠度最高的目标调度方案,从而能基于目标调度方案对目标区域内的电力能源进行调度,算法结构简单、步骤明显、复杂度低且稳健性较强。
基于上述各实施例的内容,基于种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对种群进化后的第m次迭代对应的个体种群进行克隆重组,获得第m+1次迭代对应的个体种群,具体包括:按照种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值由大到小的顺序,对各个体进行排序。
具体地,对于第m次迭代对应的个体种群,获取种群进化后第m次迭代对应的个体种群之后,基于种群进化后第m次迭代对应的个体种群中每一个体的目标函数值,按照上述目标函数值由大到小的顺序,对种群进化后第m次迭代对应的个体种群中各个体进行排序。
将排名前w的每一个体克隆s份,获得每一个体对应的克隆个体;其中,w为不大于M的正整数;s=M/w。
具体地,基于种群进化后第m次迭代对应的个体种群中各个体的顺序,可以对排名前w的每一个体进行克隆,将上述每一个体分别克隆s份,获得上述每一个体对应的克隆个体。
需要说明的是,w为不大于个体总数M的正整数;克隆份数s为M与w之商。
可选地,w可以在[3.5]之间。
优选地,w可以为4。
基于预设的变异概率阈值对每一克隆个体进行更新,将更新后的每一克隆个体,作为第m+1次迭代对应的个体种群中的每一个体。
具体地,基于预设的变异概率阈值τ,可以对每一克隆个体进行更新,获取更新后的每一克隆个体。
获取更新后的每一克隆个体之后,可以将每一克隆个体,作为第m+1次迭代对应的个体种群中的每一个体。
可选地,上述变异概率阈值τ在0.5至0.6之间。
优选地,上述变异概率阈值τ为0.54。
本发明实施例通过将本次迭代对应的种群进化后的个体种群中排名前w的个体进行克隆,获取上述每一个体对应的克隆个体之后,基于预设的变异概率阈值对每一克隆个体进行更新,将更新后的每一克隆个体,作为下一次迭代对应的个体种群,能在不影响计算准确率的情况下,减少迭代计算的计算量,提高迭代计算的计算效率,能进一步提高综合能源调度的效率。
为了便于对本发明提供的综合能源低碳调度方法的理解,以下通过一个实例说明本发明提供的综合能源低碳调度方法。在上述实例中,目标区域包括7种能源类型,包括16个供电方。
为了便于算法运算,可以将供电方提供每一类型的电力能源对应的管控风险指数MS、能源输送便利指数CD和能源利用率UR分别规范映射至[0,1]之间的浮点数。
例如,供电方提供每一类型的电力能源对应的管控风险指数MS可以如下所示:
又例如,供电方提供每一类型的电力能源对应的能源输送便利指数CD可以如下所示:
又例如,供电方提供每一类型的电力能源对应的能源利用率UR可以如下所示:
图2是本发明提供的综合能源低碳调度方法的流程示意图之二。如图2所示,构建综合能源调度模型,并基于上述综合能源调度模型生成多个初始调度方案之后,该方法包括:步骤S201、初始化食肉植物算法参数和第一次迭代对应的个体种群。
具体地,第一次迭代对应的个体种群Pop1中个体的总数为M,每一个体与每一初始调度方案对应。
对于第一次迭代对应的个体种群Pop1中第i个个体Xi,1,个体Xi,1中的每一元素可以表示目标区域内每一供电方提供上述7种类型的电力能源的分配比例。
步骤S202、计算种群中每个个体的目标函数值。具体地,基于公式(3)和公式(4)可以计算得到第一次迭代对应的个体种群Pop1中每一个体的目标函数值,个体Xi,1的目标函数值fi,1=4.4647。
步骤S203、种群分类与分组过程。具体如下:基于公式(5)对个体种群Pop1中的各个体进行排序和分组。其中,分组过程需要模拟每个食肉植物及其猎物的环境。在分组过程中,具有最大目标函数值的猎物被分配给排名第一的食肉植物。类似地,排名第二和第三猎物分别被分配给第二和第三的食肉植物。重复该过程,直到第NCP级猎物被分配到第NCP级食肉植物之后,完成本轮分配,开始进行下一轮分配,将第NCP+1级猎物分配到1级食肉植物。以此类推,一共进行k轮分配,将个体种群中的各个体分为k个小组,每一小组中仅包括一个食肉植物个体,但包括至少两个猎物个体。
步骤S204、种群生长探索过程。从仿生层面来看,由于土壤营养贫乏,食肉植物为了生长而吸引、捕获和消化猎物。猎物被食肉植物的气味吸引至食肉植物身上,猎物还可能会间歇性地成功逃离食肉植物。因此引入了吸引率attract_rate,用于描述上述过程。
对于任一个体种群中的任一猎物个体,一方面,若吸引率attract_rate高于随机生成数,则食肉植物个体会捕获并消化猎物个体以进行生长。可以基于公式(9)和公式(10)获取繁殖生长后的食肉植物个体。
另一方面,若吸引率attract_rate不高于上述随机生成数,则猎物个体可以成功逃离食肉植物个体并继续生长。可以基于公式(11)和公式(12)获取繁殖生长后的猎物个体。
步骤S205、种群进化过程。具体的,从仿生层面来看,食肉植物捕获和消化猎物,可以从猎物身上吸收养分,并利用这些养分进行生长和繁殖。就繁殖而言,只有个体种群中排名第一的食肉植物,也就是个体种群中可靠度最高的调度方案是被允许繁殖的。目的是确保算法的开发只关注最佳解决方案。可以避免对其他解决方案进行不必要的利用,从而节省计算成本。可以基于公式(13)和公式(14)对个体种群中排名第一的食肉植物个体进行繁殖更新,获取繁殖更新后的食肉植物个体。繁殖更新后的食肉植物个体与其余的食肉植物个体和猎物个体构成第一次迭代对应的种群进化后的个体种群,实现个体种群的种群进化。将目标函数值最大的个体,作为第一次迭代对应的备选个体。
步骤S206、种群克隆重组过程。具体的,基于目标函数值由大到小的顺序,对第一次迭代对应的种群进化后的个体种群中的各个体进行排序,对排名前w的每一个体进行克隆,将上述每一个体分别克隆d份,获得上述每一个体对应的克隆个体。基于预设的变异概率阈值τ,可以对每一克隆个体进行更新,获取更新后的每一克隆个体。获取更新后的每一克隆个体之后,可以将每一克隆个体,作为第二次迭代对应的个体种群中的每一个体。
步骤S207、判断迭代次数是否达到预设最大迭代次数T。若否,则返回执行步骤202至步骤206,获取每次迭代对应的备选个体。
步骤S208、若迭代次数是否达到预设最大迭代次数,则根据获取到的每次迭代对应的备选个体的目标函数值,将目标函数值最大的备选个体确定为目标个体XbeSt。确定目标个体XbeSt之后,可以获取上述目标个体对应的调度方案,作为目标调度方案输出。
基于目标调度方案可以进行综合能源调度,可获得最高的供能可靠度以及最好的调度经济效益。
基于本发明提供的综合能源低碳调度方法进行综合能源调度仿真,仿真参数设置与仿真结果如下:
目标区域包括7种类型的电力能源,分别为煤炭发电、燃气发电、风力发电、光伏发电、水力发电、核能发电和氢能发电。目标区域包括16个供电方。食肉植物算法中个体种群中个体的数量为N=40,猎物个体的数量是食肉植物个体的数量的3倍。变异概率阈值τ为0.54;预设最大迭代次数上限T=120。个体中任一元素的变化上下限为[0,0.5]。
作为对比算法的蚁群算法中种群包括40个个体,信息素挥发因子设为0.89,预设最大迭代次数上限T=120。
作为对比算法的鲸鱼优化算法中种群包括40个个体,预设最大迭代次数上限T=120。
作为对比算法的布谷鸟搜索算法中种群包括40个个体,预设最大迭代次数上限T=120。
作为对比的粒子群算法,粒子数量设为40,社会学习因子和个体学习因子均设为1.8,预设最大迭代次数上限T=120。
综合能源调度仿真中,可以分别基于上述对比算法,对目标区间进行综合能源调度。
图3是本发明提供的综合能源低碳调度方法与现有调度方法的仿真结果对比示意图。如图3所示,图3中最上方的曲线为基于本发明提出的综合能源低碳调度方法得到的目标调度方案的可靠度曲线。从算法进化过程可以看出,本发明提供的综合能源低碳调度方法相对于基于其他四种算法的调度方法,求解精度和收敛性有较大的提升。
从仿真结果可以得出,本发明提供的综合能源低碳调度方法可以明显提高对获得的目标调度方案的可靠度。
图4是本发明提供的综合能源低碳调度装置的结构示意图。下面结合图4对本发明提供的综合能源低碳调度装置进行描述,下文描述的综合能源低碳调度装置与上文描述的本发明提供的综合能源低碳调度方法可相互对应参照。如图4所示,该装置包括:数据获取模块401、模型构建模块402、算法求解模块403和能源调度模块404。
数据获取模块401,用于获取第一目标数据和第二目标数据。
模型构建模块402,用于基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数。
算法求解模块403,用于基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案。
能源调度模块404,用于基于目标调度方案,对目标区域内的电力能源进行调度。
其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;管控风险指数用于描述对应供电方提供电力能源的安全程度,能源输送便利指数用于描述对应供电方提供电力能源的便利程度;能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
具体地,数据获取模块401、模型构建模块402、算法求解模块403和能源调度模块404电连接。
需要说明的是,综合能源低碳调度装置可以为云端服务器。
本发明实施例通过基于目标区域内供电方的数量和电力能源的类型构建综合能源调度模型,基于每一供电方对应的管控风险指数、能源输送便利指数和能源利用率构建上述综合能源调度模型对应的目标函数,基于食肉植物算法和上述目标函数,对综合能源调度模型进行求解,获取目标调度方案,基于上述目标调度方案,对目标区域内的电力能源进行调度的可靠度最高,能实现更高效和更精准的综合能源低碳调度,能最大化的提高综合能源调度的可靠度,综合能源调度的鲁棒性更强,在能源调度环境和调度方式不断变化的情况下,能解决综合能源的最佳精准管控调度问题,能提高综合能源调度的经济效益,具有更好的推广前景。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行综合能源低碳调度方法,该方法包括:获取第一目标数据和第二目标数据;基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数;基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案;基于目标调度方案,对目标区域内的电力能源进行调度;其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;管控风险指数用于描述对应供电方提供电力能源的安全程度,能源输送便利指数用于描述对应供电方提供电力能源的便利程度;能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
此外,上述的存储器530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综合能源低碳调度方法,该方法包括:获取第一目标数据和第二目标数据;基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数;基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案;基于目标调度方案,对目标区域内的电力能源进行调度;其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;管控风险指数用于描述对应供电方提供电力能源的安全程度,能源输送便利指数用于描述对应供电方提供电力能源的便利程度;能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
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综合能源低碳调度方法,该方法包括:获取第一目标数据和第二目标数据;基于第一目标数据,构建综合能源调度模型,基于第二目标数据,构建综合能源调度模型对应的目标函数;基于食肉植物算法和目标函数,对综合能源调度模型进行求解,获取目标调度方案;基于目标调度方案,对目标区域内的电力能源进行调度;其中,第一目标数据,包括:目标区域内供电方的数量和电力能源的类型;第二目标数据,包括:每一供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;管控风险指数用于描述对应供电方提供电力能源的安全程度,能源输送便利指数用于描述对应供电方提供电力能源的便利程度;能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
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)
1.一种综合能源低碳调度方法,其特征在于,包括:
获取第一目标数据和第二目标数据;
基于所述第一目标数据,构建综合能源调度模型,基于所述第二目标数据,构建所述综合能源调度模型对应的目标函数;
基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案;
基于所述目标调度方案,对目标区域内的电力能源进行调度;
其中,所述第一目标数据,包括:所述目标区域内供电方的数量和电力能源的类型;所述第二目标数据,包括:每一所述供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;所述管控风险指数用于描述对应供电方提供电力能源的安全程度,所述能源输送便利指数用于描述对应供电方提供电力能源的便利程度;所述能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
2.根据权利要求1所述的综合能源低碳调度方法,其特征在于,所述基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案,具体包括:
步骤S1,基于所述综合能源调度模型,获取多个初始调度方案;
步骤S2,初始化所述食肉植物算法的控制参数,获得第一次迭代对应的个体种群,所述第一次迭代对应的个体种群中的每一个体与每一所述初始调度方案相对应;
步骤S3,基于所述食肉植物算法,对第m次迭代对应的个体种群进行种群进化,获取种群进化后的第m次迭代对应的个体种群;其中,m=1,2,3,…,T,T表示预设最大迭代次数;
步骤S4,获取所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,将目标函数值最大的个体作为第m次迭代对应的备选个体;
步骤S5、基于所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对所述种群进化后的第m次迭代对应的个体种群进行克隆重组之后,获得第m+1次迭代对应的个体种群,并重复执行步骤S3和步骤S5,直至m大于T;
步骤S6,基于获取到的各所述备选个体对应的目标函数值,在各所述备选个体中确定目标个体,将所述目标个体对应的调度方案,作为所述目标调度方案。
3.根据权利要求2所述的综合能源低碳调度方法,其特征在于,所述目标函数的公式为:
resulte,d=Xi,m×(1-MSe,d)×MCe,d×URe,d
其中,i为第m次迭代对应的个体种群中任一个体的标识,i=1,2,…,M,M表示个体种群中的个体的总数;Xi,m表示第m次迭代对应的个体种群中第i个个体;fi,m表示Xi,m的目标函数值;E表示所述目标区域内电力能源的类型的总数,e为所述类型的标识,e=1,2,…,E;D表示所述目标区域内供电方的数量,d为所述供电方的标识,d=1,2,…,D;MSe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的管控风险指数;MCe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源输送便利指数;URe,d表示在基于第i个个体对应的调度方案对目标区域内的电力能源进行调度的情况下,第d个供电方提供第e种类型的电力能源的能源利用率。
4.根据权利要求3所述的综合能源低碳调度方法,其特征在于,所述基于所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值,对所述种群进化后的第m次迭代对应的个体种群进行克隆重组,获得第m+1次迭代对应的个体种群,具体包括:
按照所述种群进化后的第m次迭代对应的个体种群中每一个体的目标函数值由大到小的顺序,对各所述个体进行排序;
将排名前w的每一个体克隆s份,获得所述每一个体对应的克隆个体;
基于预设的变异概率阈值对每一所述克隆个体进行更新,将更新后的每一所述克隆个体,作为所述第m+1次迭代对应的个体种群中的每一个体;
其中,w为不大于M的正整数;s=M/w。
5.根据权利要求4所述的综合能源低碳调度方法,其特征在于,所述变异概率阈值在0.5至0.6之间。
6.根据权利要求2至5任一所述的综合能源低碳调度方法中,其特征在于,所述个体种群,包括食肉植物个体和猎物个体,所述猎物个体的数量为所述食肉植物个体的数量的整数倍。
7.一种综合能源低碳调度装置,其特征在于,包括:
数据获取模块,用于获取第一目标数据和第二目标数据;
模型构建模块,用于基于所述第一目标数据,构建综合能源调度模型,基于所述第二目标数据,构建所述综合能源调度模型对应的目标函数;
算法求解模块,用于基于食肉植物算法和所述目标函数,对所述综合能源调度模型进行求解,获取目标调度方案;
能源调度模块,用于基于所述目标调度方案,对目标区域内的电力能源进行调度;
其中,所述第一目标数据,包括:所述目标区域内供电方的数量和电力能源的类型;所述第二目标数据,包括:每一所述供电方提供每一类型的电力能源对应的管控风险指数、能源输送便利指数和能源利用率;所述管控风险指数用于描述对应供电方提供电力能源的安全程度,所述能源输送便利指数用于描述对应供电方提供电力能源的便利程度;所述能源利用率用于描述对应供电方提供电力能源的实际消纳情况。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述综合能源低碳调度方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述综合能源低碳调度方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述综合能源低碳调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137882.0A CN114565238B (zh) | 2022-02-15 | 2022-02-15 | 综合能源低碳调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137882.0A CN114565238B (zh) | 2022-02-15 | 2022-02-15 | 综合能源低碳调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565238A true CN114565238A (zh) | 2022-05-31 |
CN114565238B CN114565238B (zh) | 2023-04-18 |
Family
ID=81714462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137882.0A Active CN114565238B (zh) | 2022-02-15 | 2022-02-15 | 综合能源低碳调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565238B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029142A1 (en) * | 2010-07-02 | 2011-02-03 | David Sun | System tools that provides dispatchers in power grid control centers with a capability to make changes |
CN107862418A (zh) * | 2017-12-05 | 2018-03-30 | 清华大学 | 基于储能能源枢纽的热电耦合***优化调度方法及装置 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源***并网优化调度方法及装置 |
WO2019237316A1 (zh) * | 2018-06-15 | 2019-12-19 | 大连理工大学 | 一种基于知识迁移的高炉煤气调度***建模方法 |
CN110705776A (zh) * | 2019-09-27 | 2020-01-17 | 中冶赛迪电气技术有限公司 | 能源优化调度方法 |
CN111723992A (zh) * | 2020-06-23 | 2020-09-29 | 四川中电启明星信息技术有限公司 | 一种计及多能源耦合损耗的园区综合能源调度方法 |
CN113239607A (zh) * | 2021-06-16 | 2021-08-10 | 国网浙江省电力有限公司杭州供电公司 | 综合能源***经济调度优化方法、***、设备及存储介质 |
CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
-
2022
- 2022-02-15 CN CN202210137882.0A patent/CN114565238B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029142A1 (en) * | 2010-07-02 | 2011-02-03 | David Sun | System tools that provides dispatchers in power grid control centers with a capability to make changes |
CN107862418A (zh) * | 2017-12-05 | 2018-03-30 | 清华大学 | 基于储能能源枢纽的热电耦合***优化调度方法及装置 |
WO2019237316A1 (zh) * | 2018-06-15 | 2019-12-19 | 大连理工大学 | 一种基于知识迁移的高炉煤气调度***建模方法 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源***并网优化调度方法及装置 |
CN110705776A (zh) * | 2019-09-27 | 2020-01-17 | 中冶赛迪电气技术有限公司 | 能源优化调度方法 |
CN111723992A (zh) * | 2020-06-23 | 2020-09-29 | 四川中电启明星信息技术有限公司 | 一种计及多能源耦合损耗的园区综合能源调度方法 |
CN113239607A (zh) * | 2021-06-16 | 2021-08-10 | 国网浙江省电力有限公司杭州供电公司 | 综合能源***经济调度优化方法、***、设备及存储介质 |
CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
ONG KOK MENG ET AL.: "A carnivorous plant algorithm for solving global optimization problems" * |
杨涵晟: "基于自适应遗传算法的综合能源***多目标优化研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114565238B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Askarzadeh | A memory-based genetic algorithm for optimization of power generation in a microgrid | |
CN109980700B (zh) | 一种分布式电源多目标优化规划方法、装置和设备 | |
CN104123595B (zh) | 一种配电网负荷预测方法及*** | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练***及训练方法 | |
CN109165808A (zh) | 一种电力通信网现场运维工单派发方法 | |
CN108596438B (zh) | 一种多目标野花算法的动态环境经济调度方法 | |
CN111340299A (zh) | 一种微电网多目标优化调度方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及*** | |
CN107784427A (zh) | 一种基于布谷鸟算法的虚拟电厂优化调度方法 | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
Abedinia et al. | A new reconfigured electricity market bidding strategy in view of players' concerns | |
CN112952807A (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
Abarghooee et al. | Stochastic dynamic economic emission dispatch considering wind power | |
Beşkirli | A novel Invasive Weed Optimization with levy flight for optimization problems: The case of forecasting energy demand | |
CN114565238B (zh) | 综合能源低碳调度方法及装置 | |
CN111552912B (zh) | 一种微电网并网的双层经济优化方法 | |
CN116094009A (zh) | 储能电站的电量分配方法 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
Pappala et al. | Power system optimization under uncertainties: A PSO approach | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN113988399A (zh) | 综合能源调度方法、装置、电子设备及存储介质 | |
CN114626180A (zh) | 配电网集中式储能优化配置方法及装置 | |
Srinivasan et al. | Generator maintenance scheduling with hybrid evolutionary algorithm | |
CN114565236B (zh) | 一种双碳目标下的电力综合能源***调度方法及装置 |
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 |