CN115169754A - 能源调度方法、装置、电子设备及存储介质 - Google Patents
能源调度方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115169754A CN115169754A CN202211087468.XA CN202211087468A CN115169754A CN 115169754 A CN115169754 A CN 115169754A CN 202211087468 A CN202211087468 A CN 202211087468A CN 115169754 A CN115169754 A CN 115169754A
- Authority
- CN
- China
- Prior art keywords
- spider
- energy
- target
- individual
- individuals
- 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 108
- 241000239290 Araneae Species 0.000 claims abstract description 430
- 230000008569 process Effects 0.000 claims abstract description 43
- 108091026890 Coding region Proteins 0.000 claims description 78
- 238000005265 energy consumption Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 15
- 238000005457 optimization Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 9
- 239000003245 coal Substances 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000010367 cloning Methods 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
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 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
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (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
本发明提供一种能源调度方法、装置、电子设备及存储介质,该方法涉及综合能源技术领域,包括:获取目标数据;目标数据包括多个园区分别对多种能源的需求信息和各能源的成本信息;基于需求信息和成本信息,采用自适应因子和社会蜘蛛算法确定各园区对应的目标能源类型,自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于目标能源类型,确定各园区的能源分配数据;基于能源分配数据,分别调度各园区对应的能源。本发明提供的方法,通过自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,从而实现了多个园区的目标能源的合理分配,提升了能源调度的精度。
Description
技术领域
本发明涉及综合能源技术领域,尤其涉及一种能源调度方法、装置、电子设备及存储介质。
背景技术
综合能源***是具备多能协调互补特性,是能够协调多种能源和消纳的能源利用新模式。综合能源***利用物联网、通信信息等技术融合,实现对多种能流信息的整合,强调对于电、气、热多种能源的互补特性挖掘,采用能量梯级综合利用,通过对综合能源***内部各***的整合规划和运行调度,实现整体可再生能源渗透率、消纳能力的上升,各能源***运行成本降低。
目前,对于综合能源***在优化调度领域已经开展了较多的研究,传统的方法大多是经典的群智能优化算法,例如,粒子群优化算法、遗传算法和模拟退火算法。然而,传统的优化算法具有局部最优的缺点,导致能源优化的精度低,从而增加能耗成本。
发明内容
本发明提供一种能源调度方法、装置、电子设备及存储介质,用以解决现有技术中能源优化的精度低,导致增加能耗成本的缺陷,实现高精度的能源优化,在满足各园区对能源使用需求的情况下,降低能耗成本。
本发明提供一种能源调度方法,包括:
获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;
基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;
基于所述目标能源类型,确定各所述园区的能源分配数据;
基于所述能源分配数据,分别调度各所述园区对应的能源。
根据本发明提供的一种能源调度方法,所述基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,包括:
步骤A:基于所述需求信息,对所述社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;所述第一编码序列用于表示对各所述园区分别分配对应能源的初始能源类型;
步骤B:基于各所述第一编码序列和所述成本信息,计算各所述蜘蛛个体的适应度值;所述适应度值用于表示各所述园区对应的能耗成本;
步骤C:基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置;
步骤D:基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列;
步骤E:在迭代次数不满足预设迭代次数的情况下,基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体;
步骤F:将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并迭代执行步骤A-步骤F,直至迭代次数满足预设迭代次数,基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型。
根据本发明提供的一种能源调度方法,所述基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列,包括:
基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,采用公式(1)生成各所述蜘蛛个体分别对应的第二编码序列;
其中,表示蜘蛛个体S在(t+1)次迭代过程中的第二编码序列,表示蜘蛛
个体S在第t次迭代过程中的第一编码序列,表示蜘蛛个体S在(t-1)次迭代过程中
的第三编码序列,是[-1,1]中的随机整数,表示自适应因子,表示蜘蛛个体S在第t
次迭代过程中的目标位置。
根据本发明提供的一种能源调度方法,所述基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体,包括:
基于所述第二编码序列,判断各所述蜘蛛个体是否移除蛛网;
在各所述蜘蛛个体不存在移除蛛网的情况下,将所述初始蜘蛛种群中各所述蜘蛛个体的所述适应度值进行排序;
将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,所述精英池包括多个所述第一目标蜘蛛个体;根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体。
根据本发明提供的一种能源调度方法,所述根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体,包括:
将所述精英池中多个所述第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换所述初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体。
根据本发明提供的一种能源调度方法,所述基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型,包括:
将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为所述目标能源类型。
根据本发明提供的一种能源调度方法,所述基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置,包括:
基于所述适应度值,确定各所述蜘蛛个体在当前位置振动时所能产生的振动强度;
基于所述振动强度,确定各所述蜘蛛个体分别对应的目标位置。
本发明还提供一种能源调度装置,包括:
获取模块,用于获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;
第一确定模块,用于基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;
第二确定模块,用于基于所述目标能源类型,确定各所述园区的能源分配数据;
调度模块,用于基于所述能源分配数据,分别调度各所述园区对应的能源。
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能源调度方法。
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能源调度方法。
本发明提供的能源调度方法、装置、电子设备及存储介质,通过获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。本发明提供的方法,通过自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,使得各蜘蛛个体具有全局搜索能力,扩大了寻优空间,从而使得社会蜘蛛算法的全局开发能力得到加强,进而实现了多个园区的目标能源的合理分配,在满足各园区对能源使用需求的情况下,降低能耗成本,提升了能源调度的精度。
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是本发明提供的能源调度方法的流程示意图之一;
图2是本发明提供的能源调度方法的流程示意图之二;
图3是本发明提供的能耗成本的对比结果示意图;
图4是本发明提供的能源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。
下面结合附图,通过一些实施例及其应用场景对本发明提供的能源调度方法进行详细地说明。
本发明提供一种能源调度方法,该能源调度方法适用于工业园区综合能源调度场景中,通过获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。本发明提供的方法,通过自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,使得各蜘蛛个体具有全局搜索能力,扩大了寻优空间,从而使得社会蜘蛛算法的全局开发能力得到加强,进而实现了多个园区的目标能源的合理分配,在满足各园区对能源使用需求的情况下,降低能耗成本,提升了能源调度的精度。
下面结合图1-图3描述本发明的能源调度方法。
图1是本发明提供的能源调度方法的流程示意图之一,如图1所示,该方法包括步骤101-步骤105,其中:
步骤101,获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息。
需要说明的是,本发明提供的能源调度方法可适用于工业园区综合能源调度场景中。该方法的执行主体可以为能源调度装置,例如电子设备、或者该能源调度装置中的用于执行能源调度方法的控制模块。
具体地,可以通过多个园区分别上报各园区对多种能源的需求信息和各能源的成本信息,也可以通过综合评估各园区对各能源的需求程度,以及各园区对各能源的历史需求信息,预测各园区对各能源的需求信息,从而获取到目标数据。
实际中,可以建立一个综合考虑电能、天然气需求响应的,以***格引导的综合能源优化配置模型,该综合能源优化配置模型可以使用本发明提供的方法,实现各园区对各能源的合理分配。其中,园区的数量根据实际情况进行设定,例如,园区的数量为8个;能源的数量也可以根据实际各园区的用能情况进行设定,例如,风电、燃气发电、光伏、水电、核电和煤电等6种能源。
步骤102,基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整。
具体地,根据获取的多个园区分别对多种能源的需求信息和各能源的成本信息,采用自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,使得各蜘蛛个体具有全局搜索能力,可以确定出最优能源配置矩阵,最优能源配置矩阵表示各园区对应的目标能源类型。
步骤103,基于所述目标能源类型,确定各所述园区的能源分配数据。
具体地,根据各园区对应的目标能源类型,以及各园区对各能源的需求信息,可以确定出各园区的能源分配数据;其中,能源分配数据与需求信息一一对应,例如,某园区对风电的需求数据是兆瓦(MW),则可以确定该园区的能源分配数据为87.00MW。
步骤104,基于所述能源分配数据,分别调度各所述园区对应的能源。
具体地,根据能源分配数据,调度中心分别调度各园区对应的能源,即选择各园区对应能源的能源分配数据输入至各园区。例如,某园区针对风电的能源分配数据为87.00MW,即为该园区分配87.00MW的风电。
本发明提供的能源调度方法,通过获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。本发明提供的方法,通过自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,使得各蜘蛛个体具有全局搜索能力,扩大了寻优空间,从而使得社会蜘蛛算法的全局开发能力得到加强,进而实现了多个园区的目标能源的合理分配,在满足各园区对能源使用需求的情况下,降低能耗成本,提升了能源调度的精度。
可选地,上述步骤102的具体实现方式包括以下步骤:
步骤A:基于所述需求信息,对所述社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;所述第一编码序列用于表示对各所述园区分别分配对应能源的初始能源类型。
具体地,根据各园区对各能源的需求信息,对社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;第一编码序列用于表示对各园区分别分配对应能源的初始能源类型,即表示一种可行的各园区对各能源的分配方案。其中,编码方式可以采用二进制编码的方式,也可以采用实数编码的方式,编码中采用十进制序列的方式来表示一种可行的园区能源配置方法对此不做限定。
需要说明的是,多个第一编码序列对应的编码表上的每一位可以独立变化,且不依赖上一次迭代的结果。若每个第一编码序列上每一位的值都相同,则将会随机选出一个维度置换第一编码序列中的任一值,例如,园区的数量为8个,每个园区所需的能源数量为6,则第一编码序列中的每一位的值均相同,则可以采用1至6中的随机数置换第一编码序列中的任一位的值。
实际中,社会蜘蛛算法所涉及的初始蜘蛛种群中包括多个蜘蛛个体,每个蜘蛛个体在蛛网中均有一个初始位置,则首先对多个蜘蛛个体在蛛网中的初始位置进行编码,可以确定多个第一编码序列。
例如,假设需要能源分配的园区为8个,分别用数字1至8表示,各园区需要进行调度分配的能源分别有6种,即风电、燃气发电、光伏、水电、核电、煤电等6种综合能源,则一个可行的第一编码序列为[5,2,6,3,5,1,2,1],该第一编码序列表示在第一个园区拟分配核电,在第二个园区拟分配光伏发电,在第三个园区拟分配煤电,在第四个园区拟分配光伏,在第五个园区拟分配核电,在第六个园区拟分配风电,在第七个园区拟分配燃气发电,在第八个园区拟分配风电。
进一步地,根据各园区对各能源的需求信息,可以确定能耗矩阵。例如,根据8个园区对6种能源的需求信息,可以确定出对应的能耗矩阵为:
其中,能耗矩阵的行表示八个工业园区,能耗矩阵的列表示风电、燃气发电、光伏、水电、核电、煤电等6种能源,即第一行第一列表示1号园区的风电能源需求数据(单位/MW)。
根据成本信息,可以确定能源成本矩阵。例如,6种能源的成本矩阵为,其中,能源成本矩阵中的行表示单位能源的发电成本,
能源成本矩阵中的列表示风电、燃气发电、光伏、水电、核电、煤电等6种综合能源,即第一行
第一列的值表示风电的单位发电成本(单位/元)。
接着,对社会蜘蛛算法中的初始蜘蛛种群进行初始化,并设置初始化参数,其中,参数包括初始蜘蛛种群,各蜘蛛的位置维度,蛛网振动衰减率,目标震动强度,最大迭代次数,当前迭代次数。例如,初始蜘蛛种群中蜘蛛个体数量为25个,各蜘蛛的位置维度为6,蛛网振动衰减率为0.7,目标震动强度为0,最大迭代次数为200次,当前迭代次数为0。
步骤B:基于各所述第一编码序列和所述成本信息,计算各所述蜘蛛个体的适应度值;所述适应度值用于表示各所述园区对应的能耗成本。
具体地,根据能耗矩阵,可以确定各第一编码序列中各能源对应的需求信息,及根据能源成本矩阵,可以确定各第一编码序列中各能源对应的能源成本矩阵,采用下述公式(2)可以计算出各蜘蛛个体的适应度值,适应度值在每次迭代过程中仅更新一次。公式(2)表示为:
例如,社会蜘蛛算法中涉及的初始蜘蛛种群中包括3个蜘蛛个体,其中,蜘蛛个体1
的第一编码序列为[3,1,5,3,4,2,6,2],蜘蛛个体2的第一编码序列为[2,5,6,1,1,4,3,4],
蜘蛛个体3的第一编码序列为[2,6,4,5,3,3,1,6],则蜘蛛个体1的第一编码序列表示对各
园区分别分配对应能源的初始能源类型为:光伏、风电、核电、光伏、水电、燃气,蜘蛛个体2
的第一编码序列表示对各园区分别分配对应能源的初始能源类型为:燃气、核电、煤电、风
电、风电、水电,蜘蛛个体3的第一编码序列表示对各园区分别分配对应能源的初始能源类
型为:燃气、煤电、水电、核电、光伏、光伏。再根据上述公式(2)表示的适应度函数,能够计算
蜘蛛个体1的适应度值,蜘蛛个体2的适应度值,
蜘蛛个体3的适应度值。
步骤C:基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置。
可选地,根据计算的各蜘蛛个体的适应度值,可以确定各蜘蛛个体分别对应的目标位置。
步骤D:基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列。
可选地,上述步骤D的具体实现方式包括:
基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,采用公式(1)生成各所述蜘蛛个体分别对应的第二编码序列;
其中,表示蜘蛛个体S在(t+1)次迭代过程中的第二编码序列,表示蜘蛛
个体S在第t次迭代过程中的第一编码序列,表示蜘蛛个体S在(t-1)次迭代过程中
的第三编码序列,是[-1,1]中的随机整数,表示自适应因子,表示蜘蛛个体S在第
t次迭代过程中的目标位置。
需要说明的是,R为[0,1]范围内的步长因子,即R是服从[0,1]范围内均匀分布的
随机数,通过对R进行调节,将自适应因子引入算法的最优编码指导环节,使蜘蛛个体
在迭代前期拥有较大的搜索步长,能够实现快速接近目标位置的同时扩大了寻优空间,使
得算法的全局开发能力得到加强,随着迭代过程的进行,各蜘蛛个体的步长不断减小,保证
了后续迭代过程中的搜索精度,以获取高精度的最优解。
步骤E:在迭代次数不满足预设迭代次数的情况下,基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体。
具体地,在迭代次数不满足预设迭代次数的情况下,即在当前迭代次数小于预设迭代次数的情况下,根据第二编码序列可以更新当前迭代次数中的初始蜘蛛种群中的蜘蛛个体。
步骤F:将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并迭代执行步骤A-步骤F,直至迭代次数满足预设迭代次数,基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型。
具体地,将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并重复执行上述步骤A-步骤F,直至迭代次数大于迭代次数,此时根据最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各园区对应的目标能源类型。
本发明提供的能源调度方法,通过步骤A:基于需求信息,对社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;第一编码序列用于表示对各园区分别分配对应能源的初始能源类型;步骤B:基于各第一编码序列和成本信息,计算各蜘蛛个体的适应度值;适应度值用于表示各园区对应的能耗成本;步骤C:基于适应度值,确定各蜘蛛个体分别对应的目标位置;步骤D:基于目标位置和自适应因子,各蜘蛛个体分别向各蜘蛛个体对应的目标位置执行随机行走,生成各蜘蛛个体分别对应的第二编码序列;步骤E:在迭代次数不满足预设迭代次数的情况下,基于第二编码序列更新初始蜘蛛种群中的蜘蛛个体;步骤F:将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并迭代执行步骤A-步骤F,直至迭代次数满足预设迭代次数,基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各园区对应的目标能源类型。本发明提供的方法,通过自适应因子将社会蜘蛛算法进行改进,使用自适应因子对各蜘蛛个体在随机行走过程中的步长因子进行调整,能够实现快速接近目标位置的同时扩大了寻优空间,同时,保证了后续迭代过程中的搜索精度,以获取高精度的最优解,提升了能源调度的精度。
可选地,上述步骤E的具体实现方式包括以下步骤:
步骤1)基于所述第二编码序列,判断各所述蜘蛛个体是否移除蛛网。
具体地,根据各蜘蛛个体在到达目标位置之后,各蜘蛛个体分别对应第二编码序列,检查行走后的各蜘蛛个体的位置是否存在移除蛛网的情况,若在移除蛛网的情况,则对移除蛛网的各蜘蛛个体的位置进行相应的调整,其中,调整的公式采用如下公式(4)表示:
步骤2)在各所述蜘蛛个体不存在移除蛛网的情况下,将所述初始蜘蛛种群中各所述蜘蛛个体的所述适应度值进行排序。
具体地,在各蜘蛛个体不存在移除蛛网的情况下,将当前迭代次数对应的初始蜘蛛种群中各蜘蛛个体的适应度值进行排序。在对各蜘蛛个体的适应度值进行排序之后,确定各蜘蛛个体的适应度值中最低的适应度值。
步骤3)将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,所述精英池包括多个所述第一目标蜘蛛个体;根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体。
具体地,使用精英克隆策略,将初始蜘蛛种群中最低适应度值对应的第一目标蜘蛛个体存储至精英池中,在不断迭代的过程中,精英池中包括多个第一目标蜘蛛个体;并可以根据多个第一目标蜘蛛个体的适应度值,更新初始蜘蛛种群中的蜘蛛个体。
本发明提供的能源调度方法,通过第二编码序列判断各蜘蛛个体是否移除蛛网,在各蜘蛛个体不存在移除蛛网的情况下,将初始蜘蛛种群中各蜘蛛个体的所述适应度值进行排序,并将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,精英池包括多个第一目标蜘蛛个体;并根据多个第一目标蜘蛛个体的适应度值,更新初始蜘蛛种群中的蜘蛛个体。通过精英克隆策略,实现了初始蜘蛛种群中蜘蛛个体的不断更新,从而可以根据最终更新后的初始蜘蛛种群中的蜘蛛个体确定各园区对应的目标能源类型,提升了能源调度的精度。
可选地,上述步骤3)的具体实现方式包括以下步骤:
将所述精英池中多个所述第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换所述初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体。
具体地,从精英池里中多个第一目标蜘蛛个体中挑选出适应度值最低的第一目标蜘蛛个体,替换初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体,以更新初始蜘蛛种群中的蜘蛛个体,在每一次迭代的过程中,初始蜘蛛种群中的蜘蛛个体不断更新和优化,从而提升了算法的收敛速度。
本发明提供的能源调度方法,通过将精英池中多个第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体,通过精英池中第一目标蜘蛛个体数量的不断更新,实现了初始蜘蛛种群中蜘蛛个体的不断更新,提升了算法的收敛速度,并可以根据最终更新后的初始蜘蛛种群中的蜘蛛个体确定各园区对应的目标能源类型,从而提升了能源调度的精度。
可选地,上述步骤F中的基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型,包括:将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为所述目标能源类型。
具体地,在将精英池中适应度值最低的第一目标蜘蛛个体替换初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体之后,判断当前的迭代次数是否大于最大迭代次数;若当前迭代次数不大于最大迭代次数,则继续下一次迭代的过程;若当前迭代次数大于最大迭代次数,则算法迭代过程结束,将最后一次迭代过程中的初始蜘蛛种群作为最终更新后的初始蜘蛛种群,并将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列作为目标分配方案,根据第一编码序列中各园区对应的实数编码,确定各园区的目标能源类型。
需要说明的是,还可以将最终更新后的初始蜘蛛种群中的蜘蛛个体中的最低适应度值作为全局最优值,即表示各园区的能耗成本最低。
例如,最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体3的第一编码序列为[2,6,4,5,3,3,1,6],则将该第一编码序列作为目标分配方案,再根据第一编码序列中各园区对应的实数编码,即园区1对应的实数编码为2,园区2对应的实数编码为6,园区3对应的实数编码为4,园区4对应的实数编码为5,园区5对应的实数编码为3,园区6对应的实数编码为3,园区7对应的实数编码为1,园区8对应的实数编码为6,从而确定园区1的目标能源类型为燃气,园区2的目标能源类型为煤电,园区3的目标能源类型为水电,园区4的目标能源类型为核电,园区5的目标能源类型为光伏,园区6的目标能源类型为光伏,园区7的目标能源类型为风电,园区8的目标能源类型为煤电。
图2是本发明提供的能源调度方法的流程示意图之二,如图2所示,该方法包括步骤201-步骤211,其中:
步骤201,获取目标数据;目标数据包括多个园区分别对多种能源的需求信息和各能源的成本信息。
步骤202,根据各园区分别对各能源的需求信息,对社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;第一编码序列用于表示对各园区分别分配对应能源的初始能源类型。
步骤203,初始化社会蜘蛛算法中的初始蜘蛛种群,并设置初始化参数,其中,参数包括初始蜘蛛种群,各蜘蛛的位置维度,蛛网振动衰减率,目标震动强度,最大迭代次数,当前迭代次数。例如,初始蜘蛛种群中蜘蛛个体数量为25个,各蜘蛛的位置维度为6,蛛网振动衰减率为0.7,目标震动强度为0,最大迭代次数为200次,当前迭代次数为0。
步骤204,根据各第一编码序列和成本信息,计算各蜘蛛个体的适应度值,适应度值用于表示各园区对应的能耗成本;并根据适应度值,确定各蜘蛛个体在当前位置振动时所能产生的振动强度。
步骤205,根据振动强度,确定各蜘蛛个体分别对应的目标位置。具体地,各蜘蛛个体在各自的位置上会产生振动且在蛛网进行传播,各蜘蛛个体会接收到初始蜘蛛种群中其他蜘蛛个体产生的振动强度,选择最大的振动强度与自身对应的目标震动强度进行比较,确定出各蜘蛛个体分别对应的目标位置。
步骤206,根据目标位置和自适应因子,各蜘蛛个体分别向各蜘蛛个体对应的目标位置执行随机行走,生成各蜘蛛个体分别对应的第二编码序列;在各蜘蛛个体到达目标位置之后,根据各蜘蛛个体对应的第二编码序列,判断各蜘蛛个体是否移除蛛网。在各蜘蛛个体移除蛛网的情况下,对蛛网进行调整;在各蜘蛛个体未移除蛛网的情况下,转至步骤207。
步骤207,将初始蜘蛛种群中各蜘蛛个体的适应度值进行排序,将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,精英池包括多个第一目标蜘蛛个体。
步骤208,将精英池中多个第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体,以对初始蜘蛛种群中的蜘蛛个体进行更新;将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列。
步骤209,判断迭代次数是否满足预设迭代次数。在迭代次数不满足预设迭代次数的情况下,重复执行上述步骤202-步骤208,直至迭代次数满足预设迭代次数。
步骤210,根据最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为目标能源类型,将最低适应度值作为全局最优最优值。
步骤211,根据目标能源类型,确定各园区的能源分配数据;根据能源分配数据,分别调度各园区对应的能源。
本发明提供的能源调度方法,通过获取目标数据;目标数据包括多个园区分别对多种能源的需求信息和各能源的成本信息,根据各园区分别对各能源的需求信息,对社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列,再初始化社会蜘蛛算法中的初始蜘蛛种群并设置初始化参数,根据各第一编码序列和成本信息,计算各蜘蛛个体的适应度值,适应度值用于表示各园区对应的能耗成本,再根据适应度值,确定各蜘蛛个体在当前位置振动时所能产生的振动强度,进而确定各蜘蛛个体分别对应的目标位置,根据目标位置和自适应因子,各蜘蛛个体分别向各蜘蛛个体对应的目标位置执行随机行走,生成各蜘蛛个体分别对应的第二编码序列,在各蜘蛛个体到达目标位置之后,根据各蜘蛛个体对应的第二编码序列,判断各蜘蛛个体是否移除蛛网。在各蜘蛛个体移除蛛网的情况下,对蛛网进行调整;在各蜘蛛个体未移除蛛网的情况下,将初始蜘蛛种群中各蜘蛛个体的适应度值进行排序,将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,精英池包括多个第一目标蜘蛛个体,再将精英池中多个第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体,以对初始蜘蛛种群中的蜘蛛个体进行更新,将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,判断迭代次数是否满足预设迭代次数。在迭代次数不满足预设迭代次数的情况下,重复执行上述步骤,直至迭代次数满足预设迭代次数,根据最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为所述目标能源类型,将最低适应度值作为全局最优最优值;根据目标能源类型,确定各园区的能源分配数据;根据能源分配数据,分别调度各园区对应的能源,实现了最优的目标能源类型,从而分别调度各园区对应的能源,提升了能源调度的精度。
图3是本发明提供的用能成本的对比结果示意图,如图3所示,分别与遗传算法和蚁群算法进行对比,图中最上方为遗传算法所得的能耗成本结果,中间曲线为蚁群算法得到的能耗成本结果,最下方曲线为本发明提供的方法得到的能耗成本结果。在经过200次迭代之后,本发明的方法所对应的能耗成本结果曲线明显收敛且能耗成本为18014000元,同时对比遗传算法和蚁群算法,本发明提供的方法比遗传算法在求解过程中的效率提高了3%,比蚁群算法的效率提高了5%,可见,本发明所提供的方法有利于综合能源调度在实际中的应用。
下面对本发明提供的能源调度装置进行描述,下文描述的能源调度装置与上文描述的能源调度方法可相互对应参照。
图4是本发明提供的能源调度装置的结构示意图,如图4所示,该能源调度装置400包括:获取模块401、第一确定模块402、第二确定模块403和调度模块404,其中:
获取模块401,用于获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;
第一确定模块402,用于基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;
第二确定模块403,用于基于所述目标能源类型,确定各所述园区的能源分配数据;
调度模块404,用于基于所述能源分配数据,分别调度各所述园区对应的能源。
本发明提供的能源调度装置,通过获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。本发明提供的方法,通过自适应因子对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整,使得各蜘蛛个体具有全局搜索能力,扩大了寻优空间,从而使得社会蜘蛛算法的全局开发能力得到加强,进而实现了多个园区的目标能源的合理分配,在满足各园区对能源使用需求的情况下,降低能耗成本,提升了能源调度的精度。
可选地,所述第一确定模块402,具体用于:
步骤A:基于所述需求信息,对所述社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;所述第一编码序列用于表示对各所述园区分别分配对应能源的初始能源类型;
步骤B:基于各所述第一编码序列和所述成本信息,计算各所述蜘蛛个体的适应度值;所述适应度值用于表示各所述园区对应的能耗成本;
步骤C:基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置;
步骤D:基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列;
步骤E:在迭代次数不满足预设迭代次数的情况下,基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体;
步骤F:将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并迭代执行步骤A-步骤F,直至迭代次数满足预设迭代次数,基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型。
可选地,所述第一确定模块402,具体用于:
基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,采用公式(1)生成各所述蜘蛛个体分别对应的第二编码序列;
其中,表示蜘蛛个体S在(t+1)次迭代过程中的第二编码序列,表示蜘蛛
个体S在第t次迭代过程中的第一编码序列,表示蜘蛛个体S在(t-1)次迭代过程中的
第三编码序列,是[-1,1]中的随机整数,表示自适应因子,表示蜘蛛个体S在第t
次迭代过程中的目标位置。
可选地,所述第一确定模块402,具体用于:
基于所述第二编码序列,判断各所述蜘蛛个体是否移除蛛网;
在各所述蜘蛛个体不存在移除蛛网的情况下,将所述初始蜘蛛种群中各所述蜘蛛个体的所述适应度值进行排序;
将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,所述精英池包括多个所述第一目标蜘蛛个体;根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体。
可选地,所述第一确定模块402,具体用于:
将所述精英池中多个所述第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换所述初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体。
可选地,所述第一确定模块402,具体用于:
将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为所述目标能源类型。
可选地,所述第一确定模块402,还用于:
基于所述适应度值,确定各所述蜘蛛个体在当前位置振动时所能产生的振动强度;
基于所述振动强度,确定各所述蜘蛛个体分别对应的目标位置。
图5是本发明提供的一种电子设备的实体结构示意图,如图5所示,该电子设备500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,以执行能源调度方法,该方法包括:获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。
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。
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能源调度方法,该方法包括:获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;基于所述目标能源类型,确定各所述园区的能源分配数据;基于所述能源分配数据,分别调度各所述园区对应的能源。
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)
1.一种能源调度方法,其特征在于,包括:
获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;
基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;
基于所述目标能源类型,确定各所述园区的能源分配数据;
基于所述能源分配数据,分别调度各所述园区对应的能源。
2.根据权利要求1所述的能源调度方法,其特征在于,所述基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,包括:
步骤A:基于所述需求信息,对所述社会蜘蛛算法所涉及的初始蜘蛛种群中多个蜘蛛个体在蛛网中的初始位置进行编码,确定多个第一编码序列;所述第一编码序列用于表示对各所述园区分别分配对应能源的初始能源类型;
步骤B:基于各所述第一编码序列和所述成本信息,计算各所述蜘蛛个体的适应度值;所述适应度值用于表示各所述园区对应的能耗成本;
步骤C:基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置;
步骤D:基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列;
步骤E:在迭代次数不满足预设迭代次数的情况下,基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体;
步骤F:将更新后的初始蜘蛛种群中的蜘蛛个体对应的第二编码序列作为新的第一编码序列,并迭代执行步骤A-步骤F,直至迭代次数满足预设迭代次数,基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型。
3.根据权利要求2所述的能源调度方法,其特征在于,所述基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,生成各所述蜘蛛个体分别对应的第二编码序列,包括:
基于所述目标位置和所述自适应因子,各所述蜘蛛个体分别向各所述蜘蛛个体对应的所述目标位置执行随机行走,采用公式(1)生成各所述蜘蛛个体分别对应的第二编码序列;
4.根据权利要求2或3所述的能源调度方法,其特征在于,所述基于所述第二编码序列更新所述初始蜘蛛种群中的蜘蛛个体,包括:
基于所述第二编码序列,判断各所述蜘蛛个体是否移除蛛网;
在各所述蜘蛛个体不存在移除蛛网的情况下,将所述初始蜘蛛种群中各所述蜘蛛个体的所述适应度值进行排序;
将最低适应度值对应的第一目标蜘蛛个体存储至精英池中,所述精英池包括多个所述第一目标蜘蛛个体;根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体。
5.根据权利要求4所述的能源调度方法,其特征在于,所述根据所述多个所述第一目标蜘蛛个体的适应度值,更新所述初始蜘蛛种群中的蜘蛛个体,包括:
将所述精英池中多个所述第一目标蜘蛛个体中适应度值最低的第一目标蜘蛛个体,替换所述初始蜘蛛种群中适应度值最高的第二目标蜘蛛个体。
6.根据权利要求5所述的能源调度方法,其特征在于,所述基于最终更新后的初始蜘蛛种群中的蜘蛛个体对应的第一编码序列,确定各所述园区对应的目标能源类型,包括:
将最终更新后的初始蜘蛛种群中的蜘蛛个体中最低适应度值对应的目标蜘蛛个体的第一编码序列,确定为所述目标能源类型。
7.根据权利要求2或3所述的能源调度方法,其特征在于,所述基于所述适应度值,确定各所述蜘蛛个体分别对应的目标位置,包括:
基于所述适应度值,确定各所述蜘蛛个体在当前位置振动时所能产生的振动强度;
基于所述振动强度,确定各所述蜘蛛个体分别对应的目标位置。
8.一种能源调度装置,其特征在于,包括:
获取模块,用于获取目标数据;所述目标数据包括多个园区分别对多种能源的需求信息和各所述能源的成本信息;
第一确定模块,用于基于所述需求信息和所述成本信息,采用自适应因子和社会蜘蛛算法确定各所述园区对应的目标能源类型,所述自适应因子用于对社会蜘蛛算法中各蜘蛛个体在随机行走过程中的步长因子进行调整;
第二确定模块,用于基于所述目标能源类型,确定各所述园区的能源分配数据;
调度模块,用于基于所述能源分配数据,分别调度各所述园区对应的能源。
9.一种电子设备,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7任一项所述能源调度方法。
10.一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7任一项所述能源调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087468.XA CN115169754B (zh) | 2022-09-07 | 2022-09-07 | 能源调度方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087468.XA CN115169754B (zh) | 2022-09-07 | 2022-09-07 | 能源调度方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169754A true CN115169754A (zh) | 2022-10-11 |
CN115169754B CN115169754B (zh) | 2022-11-29 |
Family
ID=83481606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087468.XA Active CN115169754B (zh) | 2022-09-07 | 2022-09-07 | 能源调度方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169754B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495032A (zh) * | 2023-11-21 | 2024-02-02 | 青岛东湖绿色节能研究院有限公司 | 一种园区能源分配方法、装置、设备及介质 |
CN117495032B (zh) * | 2023-11-21 | 2024-08-27 | 青岛东湖绿色节能研究院有限公司 | 一种园区能源分配方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340272A (zh) * | 2020-02-14 | 2020-06-26 | 迈拓仪表股份有限公司 | 一种基于蜘蛛群智算法的供热调度最优化方法 |
CN111818119A (zh) * | 2020-05-04 | 2020-10-23 | 国网浙江省电力有限公司 | 基于改进的蜘蛛集群的数据服务资源优化调度方法 |
CN112019133A (zh) * | 2020-08-26 | 2020-12-01 | 上海交通大学 | 露天停车场智能太阳能充电桩*** |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
GB2597380A (en) * | 2021-05-13 | 2022-01-26 | Univ Guizhou | Adaptive event-triggered control method for permanent magnet synchronous generator coupled chaotic network system |
CN114565239A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于产业园区的综合低碳能源调度方法及*** |
-
2022
- 2022-09-07 CN CN202211087468.XA patent/CN115169754B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN111340272A (zh) * | 2020-02-14 | 2020-06-26 | 迈拓仪表股份有限公司 | 一种基于蜘蛛群智算法的供热调度最优化方法 |
CN111818119A (zh) * | 2020-05-04 | 2020-10-23 | 国网浙江省电力有限公司 | 基于改进的蜘蛛集群的数据服务资源优化调度方法 |
CN112019133A (zh) * | 2020-08-26 | 2020-12-01 | 上海交通大学 | 露天停车场智能太阳能充电桩*** |
GB2597380A (en) * | 2021-05-13 | 2022-01-26 | Univ Guizhou | Adaptive event-triggered control method for permanent magnet synchronous generator coupled chaotic network system |
CN114565239A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于产业园区的综合低碳能源调度方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495032A (zh) * | 2023-11-21 | 2024-02-02 | 青岛东湖绿色节能研究院有限公司 | 一种园区能源分配方法、装置、设备及介质 |
CN117495032B (zh) * | 2023-11-21 | 2024-08-27 | 青岛东湖绿色节能研究院有限公司 | 一种园区能源分配方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115169754B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886588B (zh) | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 | |
Zaman et al. | Evolutionary algorithms for dynamic economic dispatch problems | |
Yu et al. | Unit commitment using Lagrangian relaxation and particle swarm optimization | |
Ardakani et al. | A novel approach for optimal chiller loading using particle swarm optimization | |
CN108365608B (zh) | 一种区域能源互联网不确定优化调度方法及*** | |
Liao et al. | An adaptive artificial bee colony algorithm for long-term economic dispatch in cascaded hydropower systems | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及*** | |
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 | |
Sinha et al. | PSO embedded evolutionary programming technique for nonconvex economic load dispatch | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
Pourdarvish et al. | Cold standby redundancy allocation in a multi-level series system by memetic algorithm | |
CN111126707A (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN110851247A (zh) | 一种带约束云工作流的成本优化调度方法 | |
CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN110362378A (zh) | 一种任务调度方法及设备 | |
CN114723217B (zh) | 碳中和目标下的综合能源供给侧配置方法和*** | |
CN114089699B (zh) | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 | |
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 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
Mansour et al. | Dynamic economic load dispatch of thermal power system using genetic algorithm | |
CN114565242A (zh) | 一种综合低碳能源基地选址智能优化方法及装置 | |
CN114548790A (zh) | 一种综合能源***碳排放分配方法、装置及相关组件 | |
Pappala et al. | Power system optimization under uncertainties: A PSO approach | |
Salama et al. | Short term optimal generation scheduling of fixed head hydrothermal system using genetic algorithm and constriction factor based particle swarm optimization technique |
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 |