【技術實現步驟摘要】
本專利技術屬于能源管理與優化，更具體地，涉及一種基于改進的神經網絡的綜合能源優化調度方法及系統。
技術介紹
1、在全球能源需求日益增長和環境問題日益嚴重的背景下，能源系統的高效運行和可持續發展成為關鍵課題。綜合能源系統(integrated?energy?system，ies)作為解決這一挑戰的重要手段，集成了電力、熱力、冷力、氣體等多種能源形式，旨在通過協調和優化不同能源形式的生產、傳輸和消費，實現能源資源的最優配置和利用。ies不僅能夠提高能源利用效率，減少能源浪費，還能促進可再生能源的接入和使用，降低對化石能源的依賴，從而減輕環境負擔。
2、然而，隨著能源系統的復雜性增加，傳統的規劃和優化方法面臨了諸多挑戰。特別是在應對復雜多變的能源需求和供應情況下，現有方法往往難以提供高效、全面的解決方案。這是因為傳統方法通常基于線性或簡化的模型，無法充分考慮能源系統中各組件間的非線性關系和動態特性。因此，需要新的方法和技術來改進能源系統的規劃和優化。
3、現有的綜合能源系統規劃方法主要包括線性規劃(lp)、混合整數線性規劃(milp)、動態規劃(dp)等。這些方法在一定程度上解決了能源系統中的優化問題，但也存在一些不足：線性規劃(lp)：適用于系統中各組件之間關系可以線性描述的情況，但在面對非線性或復雜的能源轉換過程時，效果有限。混合整數線性規劃(milp)：能夠處理具有整數決策變量的問題，如設備啟停狀態的優化。然而，這種方法在處理大規模問題時計算復雜度高，求解效率低。動態規劃(dp)：適用于時間序列決策問題，
4、這些傳統方法雖然在特定情境下有效，但由于其對模型假設的依賴和計算復雜度的限制，難以應對能源系統中不斷變化的需求和環境條件。因此，探索更高效的優化方法是當前研究的重要方向。
5、近年來，深度學習和神經網絡技術取得了顯著進展，在圖像識別、自然語言處理等領域展現了強大的性能。這些技術的核心優勢在于其強大的特征提取能力和非線性建模能力，使得神經網絡能夠從復雜的數據中學習潛在的規律和模式。這一優勢使得神經網絡在能源系統優化中的應用成為一種新的研究方向。盡管神經網絡在能源系統優化中展現出潛力，但傳統的神經網絡模型在處理高維、多變的能源系統時仍存在一些問題，如過擬合、訓練不穩定、計算復雜度高等。
技術實現思路
1、為解決現有技術中存在的不足，本專利技術提供一種基于改進的神經網絡的綜合能源優化方法及系統，以應對ies規劃中的多目標優化問題。
2、本專利技術采用如下的技術方案。
3、本專利技術的第一方面提供了一種基于改進的神經網絡的綜合能源優化方法，包括以下步驟：
4、以最小化運行總成本、最小化碳排放和其他污染物排放以及最大化整體能源利用效率為目標，根據預先收集的多模態數據集構建改進的神經網絡模型；
5、使用改進的神經網絡模型，對綜合能源進行預測，通過改進的神經網絡模型輸出的結果與設定目標進行對比，結合約束條件，建立綜合能源優化模型；
6、根據綜合能源優化模型，針對不同能源形式的需求和供給，生成多種優化方案，結合風險評估，選擇在所有擾動情景下性能指標波動最小的方案作為最佳方案進行優化綜合能源。
7、優選地，改進的神經網絡模型如下：
8、
9、式中：
10、wl和bl分別表示每層的權重和偏置；σ表示激活函數；αi表示注意力機制的權重；wo和bo表示輸出層的權重和偏置。
11、優選地，根據預先收集的多模態數據集構建改進的神經網絡模型，包括：
12、將收集到的多模態數據輸入到神經網絡模型中，通過輸入層接收多模態數據，輸入層的輸出如下：
13、x(t)＝[x1(t)，x2(t)，...，xn(t)]
14、式中：
15、n表示輸入特征的數量；
16、xi(t)表示第i個特征在時刻t的數值，i＝1，2，...，n；
17、通過多層隱藏層提取輸入數據特征，隱藏層包括卷積層和循環層；設定網絡包含l層，第l層的輸出如下：
18、hl(t)＝f(wlhl-1(t)+bl)
19、式中：
20、hl(t)表示第l層在時刻t的輸出，l＝1，2，...，l，其中h0(t)＝x(t)；
21、wl表示第l層權重矩陣，用于線性變換輸入特征；
22、bl表示第l層的偏置向量，用于調整神經網絡模型的輸出；
23、f(·)表示激活函數；
24、卷積層用于提取輸入數據的局部特征，設定卷積核的權重為kl，，卷積層的輸出如下：
25、cl(t)＝f(kl*hl-1(t)+bl)
26、式中：
27、*表示卷積操作；kl表示卷積核的權重矩陣；
28、循環層用于捕捉時間序列數據的時間依賴性，循環層的輸出如下：
29、dl(t)＝lstm(dl-1(t)，dl(t-1)，wl，bl)
30、式中：
31、dl(t)表示第l層循環層在時刻t的輸出；
32、設定注意力權重為αi(t)，注意力層的輸出a(t)如下：
33、
34、式中：
35、vi是注意力機制的學習參數；hi(t)是隱藏層的輸出；
36、融合層用于整合多模態特征，以如下式計算融合層的輸出f(t)為多模態特征的加權和：
37、
38、式中：
39、wm是第m個模態特征的權重；m是模態特征的數量；
40、輸出層根據融合層的輸出進行決策，設定輸出層有k個神經元，輸出o(t)如下：
41、o(t)＝g(wof(t)+b0)
42、式中：
43、wo是輸出層的權重矩陣；bo是輸出層的偏置向量；g(·)是輸出層的激活函數。
44、優選地，以最小化運行總成本、最小化碳排放和其他污染物排放以及最大化整體能源利用效率為目標，包括：
45、最小化運行總成本包括最小化燃料成本、最小化設備運行和最小化維護成本，以如下式計算總成本ctotal：
46、ctotal＝cfuel(t)+com(t)
47、cfuel(t)＝pfuel·f(t)
48、com(t)＝com·trun(t)
49、式中：
50、cfuel(t)表示燃料成本；pfuel表示每單位燃料的價格；
51、com(t)表示設備的運行和維護成本；trun(t)和表示設備在時間t內的運行時長；f(t)表示燃料消耗量；
52、通過燃料消耗量和排放因子計算最小化碳排放和其他污染物排放：
53、以如下式計算燃料的碳排放因子efuel：
54、mi本文檔來自技高網...
【技術保護點】
1.一種基于改進的神經網絡的綜合能源優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
3.根據權利要求1或2所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
4.根據權利要求1或2所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
5.根據權利要求1所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
6.根據權利要求1或5所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
7.根據權利要求1或5所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
8.根據權利要求7所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
9.根據權利要求1所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
10.一種基于改進的神經網絡的綜合能源優化系統，包括：神經網絡模型構建與訓練模塊、優化模型構建與方案生成模塊以及風險評估與最佳方案選擇模塊；運行如權利要求1
...【技術特征摘要】
1.一種基于改進的神經網絡的綜合能源優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
3.根據權利要求1或2所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
4.根據權利要求1或2所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
5.根據權利要求1所述的一種基于改進的神經網絡的綜合能源優化方法，其特征在于：
6.根據權利要求1或5所述的一種基于改進的神經網絡的綜合能源優化方法，其...
【專利技術屬性】
技術研發人員：馮建錄，張永剛，王雪鵬，石峰，
申請(專利權)人：國網河北省電力有限公司保定市清苑區供電分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。