本發(fā)明涉及能源系統(tǒng)優(yōu)化，具體為基于智群優(yōu)化引擎的綜合能源系統(tǒng)運(yùn)行優(yōu)化方法。

背景技術(shù)：

1、綜合能源系統(tǒng)通過整合多種能源資源，實(shí)現(xiàn)對能源的轉(zhuǎn)換、存儲和分配，在日常的生活中，為了滿足用戶的需求，需要調(diào)整能源轉(zhuǎn)化設(shè)備的輸出功率，特別是當(dāng)遇到極端天氣時，內(nèi)的冷負(fù)荷或熱負(fù)荷會急劇增加，或突然出現(xiàn)大規(guī)模的電力、熱能或冷能需求變化時，系統(tǒng)需要迅速調(diào)整能源轉(zhuǎn)化設(shè)備的控制策略，使得這些情況下系統(tǒng)控制的實(shí)時性要求非常高，以保持高度的穩(wěn)定性，確保能源供應(yīng)不中斷，避免造成損失或安全事故，而常用的深度神經(jīng)網(wǎng)絡(luò)雖然準(zhǔn)確性較高，但由于具有多層結(jié)構(gòu)，隨著層數(shù)的增加，網(wǎng)絡(luò)中的參數(shù)和計(jì)算量急劇上升，因此其計(jì)算效率較低，難以滿足極端條件下實(shí)時性與高穩(wěn)定性的需求，而感知機(jī)神經(jīng)網(wǎng)絡(luò)雖然計(jì)算效率較高，可以滿足實(shí)時性需求，但其主要用于處理線性可分?jǐn)?shù)據(jù)且輸出為離散數(shù)據(jù)，并不適用于綜合能源系統(tǒng)。因此在確保準(zhǔn)確性的同時具有較高的實(shí)時性是目前難以解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)難以在確保準(zhǔn)確性的同時具有較高的實(shí)時性的問題，本發(fā)明提供了基于智群優(yōu)化引擎的綜合能源系統(tǒng)運(yùn)行優(yōu)化方法，通過核函數(shù)獲取歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，進(jìn)而使得線性不可分的歷史運(yùn)行數(shù)據(jù)在高維空間中線性可分，使用預(yù)測需求中的預(yù)測變量構(gòu)建智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)中的線性激活函數(shù)，以便感知機(jī)神經(jīng)網(wǎng)絡(luò)輸出離散數(shù)據(jù)，解決了感知機(jī)神經(jīng)網(wǎng)絡(luò)局限于處理線性可分?jǐn)?shù)據(jù)且局限于輸出離散數(shù)據(jù)的問題，因此本發(fā)明克服了現(xiàn)有技術(shù)中難以在確保準(zhǔn)確性的同時具有較高的實(shí)時性的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了基于智群優(yōu)化引擎的綜合能源系統(tǒng)運(yùn)行優(yōu)化方法，包括以下步驟：

3、s1：基于綜合能源系統(tǒng)的歷史運(yùn)行數(shù)據(jù)特性與預(yù)測需求選擇核函數(shù)，基于所選擇的核函數(shù)，計(jì)算綜合能源系統(tǒng)的歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，基于所述相似度獲取線性可分?jǐn)?shù)據(jù)；

4、s2：基于感知機(jī)神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法構(gòu)建智群優(yōu)化引擎，基于預(yù)測需求中的預(yù)測變量構(gòu)建智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)中的線性激活函數(shù)；

5、s3：使用外購能源價格、預(yù)測需求中的預(yù)測值與用戶的總體負(fù)荷構(gòu)建優(yōu)化目標(biāo)函數(shù)；

6、s4：將實(shí)時獲取的運(yùn)行數(shù)據(jù)輸入智群優(yōu)化引擎中的感知機(jī)神經(jīng)網(wǎng)絡(luò)中，基于所述線性激活函數(shù)獲取優(yōu)化目標(biāo)函數(shù)中的需求預(yù)測值；

7、s5：基于智群優(yōu)化引擎中粒子群優(yōu)化算法，使用優(yōu)化目標(biāo)函數(shù)中的需求預(yù)測值獲取能源轉(zhuǎn)化設(shè)備的最優(yōu)控制策略，進(jìn)而對綜合能源系統(tǒng)運(yùn)行進(jìn)行優(yōu)化。

8、采用上述技術(shù)方案后，本發(fā)明具有如下優(yōu)點(diǎn)：

9、考慮到感知機(jī)神經(jīng)網(wǎng)絡(luò)的特性，因此使用核函數(shù)獲取歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，進(jìn)而使得線性不可分的歷史運(yùn)行數(shù)據(jù)在高維空間中線性可分，將非線性的歷史運(yùn)行數(shù)據(jù)轉(zhuǎn)換為感知機(jī)神經(jīng)網(wǎng)絡(luò)可用的線性數(shù)據(jù)，同時使用預(yù)測需求中的預(yù)測變量構(gòu)建智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)中的線性激活函數(shù)，以便感知機(jī)神經(jīng)網(wǎng)絡(luò)輸出優(yōu)化目標(biāo)函數(shù)可用的連續(xù)數(shù)據(jù)，解決了感知機(jī)神經(jīng)網(wǎng)絡(luò)局限于處理線性可分?jǐn)?shù)據(jù)且局限于輸出離散數(shù)據(jù)的問題，再結(jié)合感知機(jī)神經(jīng)網(wǎng)絡(luò)計(jì)算效率較高，能夠滿足實(shí)時性需求的特點(diǎn)，本發(fā)明實(shí)現(xiàn)了兼顧準(zhǔn)確性與較高實(shí)時性的效果；

10、通過使用粒子群優(yōu)化算法不斷優(yōu)化能源轉(zhuǎn)化設(shè)備的控制策略，使得綜合能源系統(tǒng)能夠更準(zhǔn)確地匹配用戶的負(fù)荷需求，減少供需之間的偏差和不平衡現(xiàn)象，進(jìn)而提高了綜合能源系統(tǒng)的穩(wěn)定性和可靠性，同時提高了資源利用率；

11、通過核函數(shù)、線性激活函數(shù)、粒子群優(yōu)化算法的結(jié)合使用能夠在兼顧準(zhǔn)確性與較高實(shí)時性的基礎(chǔ)上，更準(zhǔn)確地預(yù)測和響應(yīng)負(fù)荷需求的變化，在保障了實(shí)時性的同時，從多個方面顯著的提高了準(zhǔn)確性，進(jìn)而顯著的提高了綜合能源系統(tǒng)的穩(wěn)定性和可靠性。

12、優(yōu)選的，s1中，所述基于綜合能源系統(tǒng)的歷史運(yùn)行數(shù)據(jù)特性與預(yù)測需求選擇核函數(shù)包括：

13、對綜合能源系統(tǒng)的歷史運(yùn)行數(shù)據(jù)進(jìn)行清洗、去除異常值、去除缺失值和歸一化處理；

14、將所述歷史運(yùn)行數(shù)據(jù)中同一時間點(diǎn)獲取的數(shù)據(jù)與預(yù)測需求進(jìn)行分析，獲取數(shù)據(jù)局部特征，將所述歷史運(yùn)行數(shù)據(jù)中同一類別的數(shù)據(jù)與預(yù)測需求進(jìn)行分析，獲取數(shù)據(jù)全局特征，基于數(shù)據(jù)局部特征與全局特征選擇核函數(shù)。

15、本方案中，通過對同一時間點(diǎn)獲取的數(shù)據(jù)與預(yù)測需求進(jìn)行分析，能夠發(fā)現(xiàn)不同類別數(shù)據(jù)之間的依賴關(guān)系與該依賴關(guān)系對預(yù)測需求的影響，通過對同一類別的數(shù)據(jù)與預(yù)測需求進(jìn)行分析，能夠發(fā)現(xiàn)同一類別數(shù)據(jù)隨著時間變化的規(guī)律與該規(guī)律對預(yù)測需求的影響，通過依賴關(guān)系與規(guī)律選擇核函數(shù)，使得核函數(shù)能夠更好地適應(yīng)不同的數(shù)據(jù)分布和特征，提高了獲取線性可分?jǐn)?shù)據(jù)的準(zhǔn)確性，同時通過選擇合適的核函數(shù)，進(jìn)一步提高了計(jì)算的效率，進(jìn)而提高了實(shí)時性。

16、優(yōu)選的，s1中，所述基于所選擇的核函數(shù)，計(jì)算綜合能源系統(tǒng)的歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，基于所述相似度獲取線性可分?jǐn)?shù)據(jù)包括：

17、s1a：使用所選擇的核函數(shù)測量所述歷史運(yùn)行數(shù)據(jù)中不同時刻同一類別數(shù)據(jù)之間的距離，基于所述距離，通過指數(shù)函數(shù)得到所述歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，基于所述相似度將所述歷史運(yùn)行數(shù)據(jù)映射到高維特征空間進(jìn)而得到高維數(shù)據(jù)；

18、s1b：基于高維數(shù)據(jù)，應(yīng)用線性分類器進(jìn)行訓(xùn)練，若應(yīng)用線性分類器進(jìn)行訓(xùn)練所獲取的準(zhǔn)確率大于預(yù)設(shè)準(zhǔn)確率，則高維數(shù)據(jù)即為線性可分?jǐn)?shù)據(jù)，若小于預(yù)設(shè)準(zhǔn)確率，則基于預(yù)測需求從所述歷史運(yùn)行數(shù)據(jù)中選取特征數(shù)據(jù)，將特征數(shù)據(jù)作為歷史運(yùn)行數(shù)據(jù)，執(zhí)行s1a，或者調(diào)節(jié)線性分類器的參數(shù)，執(zhí)行s1b。

19、本方案中，通過核函數(shù)測量歷史運(yùn)行數(shù)據(jù)中不同時刻同一類別數(shù)據(jù)之間的距離，并利用指數(shù)函數(shù)將這種距離轉(zhuǎn)化為相似度，能夠更加準(zhǔn)確地反映歷史運(yùn)行數(shù)據(jù)之間的內(nèi)在聯(lián)系，以便將歷史運(yùn)行數(shù)據(jù)映射到高維空間，使得線性不可分?jǐn)?shù)據(jù)線性可分，通過應(yīng)用線性分類器進(jìn)行訓(xùn)練，判斷高維數(shù)據(jù)是否線性可分，評估了高維數(shù)據(jù)在當(dāng)前特征空間下的預(yù)測準(zhǔn)確性和可靠性。當(dāng)歷史運(yùn)行數(shù)據(jù)不可分時，考慮到歷史運(yùn)行數(shù)據(jù)中依賴性較差的歷史運(yùn)行數(shù)據(jù)的影響，因此若小于預(yù)設(shè)準(zhǔn)確率時，則從所述歷史運(yùn)行數(shù)據(jù)中選取特征數(shù)據(jù)，提高了歷史運(yùn)行數(shù)據(jù)的純度和質(zhì)量，或者考慮到調(diào)節(jié)線性分類器參數(shù)的不合理性，因此若小于預(yù)設(shè)準(zhǔn)確率時，調(diào)節(jié)線性分類器的參數(shù)，使得線性分類器更好地適應(yīng)歷史運(yùn)行數(shù)據(jù)的特性，提高了線性分類器的分類能力和泛化能力，在上述特征得共同影響下，能夠準(zhǔn)確的使得線性不可分?jǐn)?shù)據(jù)線性可分化。

20、優(yōu)選的，所述s2包括：

21、s21：基于感知機(jī)神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法構(gòu)建智群優(yōu)化引擎，基于智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)獲取線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)的權(quán)重；

22、s22：將所述權(quán)重與線性可分?jǐn)?shù)據(jù)作為自變量，將預(yù)測需求中的預(yù)測變量作為因變量，進(jìn)而構(gòu)建智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)中的線性激活函數(shù)。

23、本方案中，由于線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)對預(yù)測需求中的預(yù)測變量的影響不一，由于感知機(jī)神經(jīng)網(wǎng)絡(luò)能夠高效率的計(jì)算輸入的數(shù)據(jù)對輸出結(jié)果的影響，因此能夠使用感知機(jī)神經(jīng)網(wǎng)絡(luò)獲取線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)的權(quán)重，提高了計(jì)算效率與輸出結(jié)果的準(zhǔn)確性?？紤]到感知機(jī)神經(jīng)網(wǎng)絡(luò)二分類的特性，因此通過構(gòu)建線性激活函數(shù)使得感知機(jī)神經(jīng)網(wǎng)絡(luò)不再局限于輸出二分類等離散數(shù)據(jù)，能夠輸出連續(xù)數(shù)據(jù)，顯著的提高了感知機(jī)神經(jīng)網(wǎng)絡(luò)的通用性和靈活性。

24、優(yōu)選的，s21中，所述基于智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)獲取線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)的權(quán)重包括：

25、s21a：將線性可分?jǐn)?shù)據(jù)輸入智群優(yōu)化引擎中的感知機(jī)神經(jīng)網(wǎng)絡(luò)中，基于隨機(jī)為線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)預(yù)設(shè)的權(quán)重值，使用感知機(jī)神經(jīng)網(wǎng)絡(luò)中的分類線性函數(shù)對線性可分?jǐn)?shù)據(jù)進(jìn)行分類，進(jìn)而獲取預(yù)測分類結(jié)果；

26、s21b：將預(yù)測分類結(jié)果與真實(shí)分類結(jié)果進(jìn)行比對，若比對成功的數(shù)目大于預(yù)設(shè)數(shù)目，則隨機(jī)為線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)預(yù)設(shè)的權(quán)重值即為線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)的權(quán)重，若比對成功的數(shù)目小于等于預(yù)設(shè)數(shù)目，則基于損失函數(shù)修正線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)預(yù)設(shè)的權(quán)重值，將經(jīng)過損失函數(shù)修正所獲取的線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)預(yù)設(shè)的權(quán)重值作為隨機(jī)為線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)預(yù)設(shè)的權(quán)重值，繼續(xù)執(zhí)行s21a。通過將預(yù)測分類結(jié)果與真實(shí)分類結(jié)果進(jìn)行比對，驗(yàn)證所獲取的權(quán)重的合理性，不合理時對權(quán)重進(jìn)行修正，提高了權(quán)重分配的準(zhǔn)確性。

27、優(yōu)選的，s3中，所述預(yù)測需求中的預(yù)測值包括當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供冷功率、當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供熱功率與當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供電功率。

28、優(yōu)選的，所述s3包括：

29、所述優(yōu)化目標(biāo)函數(shù)，式中，表示當(dāng)前綜合能源系統(tǒng)運(yùn)行成本，表示懲罰函數(shù)，表示用戶所需的總體冷負(fù)荷，表示用戶所需的總體熱負(fù)荷，表示用戶所需的總體電負(fù)荷，為當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供冷功率，為當(dāng)前園能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供熱功率，為當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下綜合能源系統(tǒng)總體可供電功率。優(yōu)化目標(biāo)函數(shù)中包含了用戶所需的總體冷負(fù)荷、熱負(fù)荷和電負(fù)荷，以及在當(dāng)前能源轉(zhuǎn)化設(shè)備控制策略下系統(tǒng)能夠提供的冷、熱、電功率，確保在滿足用戶需求的同時，盡可能的減少了能源的浪費(fèi)和損失，提高了資源利用率，同時提高了系統(tǒng)的經(jīng)濟(jì)效益。

30、優(yōu)選的，所述s5包括：

31、s51：基于優(yōu)化目標(biāo)函數(shù)中的需求預(yù)測值獲取優(yōu)化目標(biāo)函數(shù)值；

32、s52：判斷優(yōu)化目標(biāo)函數(shù)值是否滿足預(yù)設(shè)要求，若滿足則優(yōu)化目標(biāo)函數(shù)值所對應(yīng)的能源轉(zhuǎn)化設(shè)備控制策略即為能源轉(zhuǎn)化設(shè)備的最優(yōu)控制策略，若不滿足則基于粒子群優(yōu)化算法改進(jìn)能源轉(zhuǎn)化設(shè)備控制策略，將通過改進(jìn)所獲取的能源轉(zhuǎn)化設(shè)備控制策略所對應(yīng)的數(shù)據(jù)作為實(shí)時獲取的運(yùn)行數(shù)據(jù)，執(zhí)行s4。通過不斷優(yōu)化能源轉(zhuǎn)化設(shè)備的控制策略，系統(tǒng)能夠更準(zhǔn)確地匹配用戶的負(fù)荷需求，減少供需之間的偏差和不平衡現(xiàn)象，提高了系統(tǒng)的運(yùn)行效率，進(jìn)而提高了系統(tǒng)的穩(wěn)定性和可靠性，同時提高了資源利用率。

33、優(yōu)選的，s52中，所述若不滿足則基于粒子群優(yōu)化算法改進(jìn)能源轉(zhuǎn)化設(shè)備的控制策略包括：

34、使用粒子群優(yōu)化算法中的第一公式與第二公式得到全局最優(yōu)解，基于全局最優(yōu)解改進(jìn)能源轉(zhuǎn)化設(shè)備控制策略；

35、所述第一公式為：，式中，和為加速度常數(shù)，和為在0至1之間的隨機(jī)數(shù)，為慣性權(quán)值，為第i個粒子在第(k+1)代的速度，為第i個粒子在第k代的速度，為第i個粒子在第k代的位置，為第i個粒子在第k代的最優(yōu)位置，為粒子群體在第k代的最優(yōu)位置；

36、所述第二公式為：，式中，為第i個粒子在第（k+1）代的位置，為第i個粒子在第k代的位置，為第i個粒子在第(k+1)代的速度。

37、本方案的有益效果：

38、考慮到感知機(jī)神經(jīng)網(wǎng)絡(luò)的特性，因此使用核函數(shù)獲取歷史運(yùn)行數(shù)據(jù)中不同數(shù)據(jù)之間的相似度，進(jìn)而使得線性不可分的歷史運(yùn)行數(shù)據(jù)在高維空間中線性可分，將非線性的歷史運(yùn)行數(shù)據(jù)轉(zhuǎn)換為感知機(jī)神經(jīng)網(wǎng)絡(luò)可用的線性數(shù)據(jù)，同時使用預(yù)測需求中的預(yù)測變量構(gòu)建智群優(yōu)化引擎中感知機(jī)神經(jīng)網(wǎng)絡(luò)中的線性激活函數(shù)，以便感知機(jī)神經(jīng)網(wǎng)絡(luò)輸出優(yōu)化目標(biāo)函數(shù)可用的連續(xù)數(shù)據(jù)，解決了感知機(jī)神經(jīng)網(wǎng)絡(luò)局限于處理線性可分?jǐn)?shù)據(jù)且局限于輸出離散數(shù)據(jù)的問題，再結(jié)合感知機(jī)神經(jīng)網(wǎng)絡(luò)計(jì)算效率較高，能夠滿足實(shí)時性需求的特點(diǎn)，本發(fā)明實(shí)現(xiàn)了兼顧準(zhǔn)確性與較高實(shí)時性的效果；

39、具體地，通過核函數(shù)測量歷史運(yùn)行數(shù)據(jù)中不同時刻同一類別數(shù)據(jù)之間的距離，并利用指數(shù)函數(shù)將這種距離轉(zhuǎn)化為相似度，能夠更加準(zhǔn)確地反映歷史運(yùn)行數(shù)據(jù)之間的內(nèi)在聯(lián)系，以便將歷史運(yùn)行數(shù)據(jù)映射到高維空間，使得線性不可分?jǐn)?shù)據(jù)線性可分，同時由于核函數(shù)計(jì)算效率高的特性，因此通過使用核函數(shù)也進(jìn)一步的提高了整體的計(jì)算效率；

40、具體地，通過使用感知機(jī)神經(jīng)網(wǎng)絡(luò)獲取線性可分?jǐn)?shù)據(jù)中不同類別數(shù)據(jù)的權(quán)重，提高了計(jì)算效率與輸出結(jié)果的準(zhǔn)確性。考慮到感知機(jī)神經(jīng)網(wǎng)絡(luò)二分類的特性，因此通過構(gòu)建線性激活函數(shù)使得感知機(jī)神經(jīng)網(wǎng)絡(luò)不再局限于輸出二分類等離散數(shù)據(jù)，能夠輸出連續(xù)數(shù)據(jù)，顯著的提高了感知機(jī)神經(jīng)網(wǎng)絡(luò)的通用性和靈活性，進(jìn)一步地提高了計(jì)算準(zhǔn)確性與計(jì)算效率；

41、通過使用粒子群優(yōu)化算法不斷優(yōu)化能源轉(zhuǎn)化設(shè)備的控制策略，使得綜合能源系統(tǒng)能夠更準(zhǔn)確地匹配用戶的負(fù)荷需求，減少供需之間的偏差和不平衡現(xiàn)象，進(jìn)而提高了綜合能源系統(tǒng)的穩(wěn)定性和可靠性，同時提高了資源利用率；

42、通過核函數(shù)、線性激活函數(shù)、粒子群優(yōu)化算法的結(jié)合使用能夠在兼顧準(zhǔn)確性與較高實(shí)時性的基礎(chǔ)上，更準(zhǔn)確地預(yù)測和響應(yīng)負(fù)荷需求的變化，在保障了實(shí)時性的同時，從多個方面顯著的提高了準(zhǔn)確性，進(jìn)而顯著的提高了綜合能源系統(tǒng)的穩(wěn)定性和可靠性；

43、解決了難以在確保準(zhǔn)確性的同時具有較高的實(shí)時性的問題。

44、本發(fā)明還提供一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有計(jì)算機(jī)可執(zhí)行指令，所述計(jì)算機(jī)可執(zhí)行指令被處理器加載并執(zhí)行時，實(shí)現(xiàn)所述的基于智群優(yōu)化引擎的綜合能源系統(tǒng)運(yùn)行優(yōu)化方法的步驟。