[發(fā)明專利]一種針對園區(qū)小樣本數(shù)據(jù)的雙代理輔助搜索能量優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 202011279183.7
• 申請日: 2020-11-16
• 公開（公告）號: CN112465198B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計(jì)）人: 曹一家;王雅慧;李勇;龍乙林;鄧有月;侯波
• 申請（專利權(quán)）人: 湖南大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/0201;G06Q50/06;G06N3/048;G06F30/27;G06F111/06;G06F111/08
• 代理公司: 廣州容大知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44326
• 代理人: 潘素云

本發(fā)明公開一種針對園區(qū)小樣本數(shù)據(jù)的雙代理輔助搜索能量優(yōu)化方法(簡稱為DSEO?SSD)。該方法針對智慧園區(qū)多能協(xié)同能量優(yōu)化的工程問題，采用全局/局部搜索結(jié)合的雙代理模型改進(jìn)深度學(xué)習(xí)優(yōu)化算法。在DSEO?SSD中，將智慧園區(qū)的小樣本數(shù)據(jù)庫劃分為多個(gè)子集，再通過集成學(xué)習(xí)增強(qiáng)代理模型的預(yù)測精度；同時(shí)設(shè)計(jì)基于Kriging代理模型策略和RBF代理模型策略，分別用于全局搜索和局部搜索，并將兩者結(jié)合為一個(gè)高精度的代理集成。若運(yùn)用傳統(tǒng)的單一代理輔助搜索的優(yōu)化算法解決該問題，常面臨采樣數(shù)據(jù)不充足、可能陷入局部最優(yōu)的難題，而將本方法應(yīng)用于智慧園區(qū)多能協(xié)同能量優(yōu)化工程問題時(shí)，比普通的智能優(yōu)化方法效果更明顯。

技術(shù)領(lǐng)域

本發(fā)明涉及用于智慧園區(qū)多能協(xié)同能量優(yōu)化的一種基于Kriging和RBF雙代理輔助局部/全局搜索的小樣本數(shù)據(jù)優(yōu)化算法。

背景技術(shù)

智慧園區(qū)是智慧城市發(fā)展的重要組成模塊之一，目前不論是產(chǎn)業(yè)園區(qū)還是居民園區(qū)，均面臨著向智慧化、智能化轉(zhuǎn)型的挑戰(zhàn)，而制約其快速轉(zhuǎn)型的瓶頸之一就是前期的測量終端安裝不充足、測量數(shù)據(jù)不充分、測量時(shí)間間隔太長等造成的數(shù)據(jù)采集不足的問題。

隨著能源互聯(lián)網(wǎng)、泛在電力物聯(lián)網(wǎng)建設(shè)，考慮包含冷、熱、電、氣等不同能源形態(tài)的協(xié)同能量優(yōu)化問題成為當(dāng)前的一個(gè)重要研究課題。對于智慧園區(qū)在數(shù)據(jù)不足情況下的協(xié)同能量優(yōu)化問題，若運(yùn)用傳統(tǒng)的單一代理輔助搜索的優(yōu)化算法解決該問題時(shí)，經(jīng)常會面臨陷入局部最優(yōu)的難題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種針對園區(qū)小樣本數(shù)據(jù)的雙代理輔助搜索能量優(yōu)化方法，其需解決的技術(shù)問題、技術(shù)方案和方案技術(shù)效果如下：

本發(fā)明針對的技術(shù)問題為：現(xiàn)有園區(qū)存在前期測量終端安裝不充足、測量數(shù)據(jù)不充分、測量時(shí)間間隔太長等問題，會造成的數(shù)據(jù)采集不足，進(jìn)而導(dǎo)致數(shù)據(jù)預(yù)測精度不達(dá)標(biāo)、預(yù)測誤差偏大的問題。因此在此情景下，難以做出智慧園區(qū)的多能協(xié)同能量優(yōu)化的最優(yōu)方案。若運(yùn)用傳統(tǒng)的單一代理輔助搜索的優(yōu)化算法解決該問題時(shí)，經(jīng)常會面臨陷入局部最優(yōu)的難題。

本發(fā)明的技術(shù)方案為：發(fā)明一種針對園區(qū)小樣本數(shù)據(jù)的雙代理輔助搜索能量優(yōu)化方法，應(yīng)用于僅采集到智慧園區(qū)小樣本數(shù)據(jù)情形下的多能協(xié)同能量優(yōu)化。首先，設(shè)定智慧園區(qū)多能協(xié)同調(diào)度的多重優(yōu)化目標(biāo)，如泛能站售冷、熱、電的收益最大、新能源利用率最高、用電峰谷差值最小的三重優(yōu)化目標(biāo)，并通過目標(biāo)加權(quán)將三個(gè)目標(biāo)統(tǒng)一成單目標(biāo)，從而簡化模型的復(fù)雜性，提高優(yōu)化效率。然后，根據(jù)智慧園區(qū)泛能站的產(chǎn)能設(shè)備和園區(qū)內(nèi)的負(fù)荷設(shè)備確定運(yùn)行等式和不等式約束條件。其次，將園區(qū)采集到的泛能站產(chǎn)能、負(fù)荷用能等的小樣本數(shù)據(jù)集劃分為多個(gè)子集，通過集成學(xué)習(xí)在同一個(gè)樣本集上訓(xùn)練多個(gè)模型以增強(qiáng)模型的預(yù)測精度。最后，設(shè)計(jì)兩種模型管理策略，即Kriging代理模型管理策略和RBF模型管理策略分別用于全局搜索和局部搜索，兩種搜索方式巧妙結(jié)合形成一個(gè)高精度的Kriging和RBF代理集成，從而更快速、準(zhǔn)確地找到最優(yōu)解。

本發(fā)明的技術(shù)效果在于：1)將智慧園區(qū)的小樣本數(shù)據(jù)集劃分為多個(gè)子集，通過集成學(xué)習(xí)，在同一個(gè)樣本集上訓(xùn)練多個(gè)模型，可以增強(qiáng)模型的預(yù)測精度，有效地在數(shù)據(jù)不足的情況下減小預(yù)測誤差；2)雙代理輔助搜索算法采用局部搜索和全局搜索相結(jié)合的思路，使其能夠在當(dāng)前最優(yōu)點(diǎn)附近進(jìn)行充分搜索，從而取得收斂質(zhì)量和收斂效率的平衡。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的雙代理輔助搜索優(yōu)化算法流程圖；

圖2為本發(fā)明采用的梯次采樣示意圖；

圖3為本發(fā)明的代理模型集成學(xué)習(xí)步驟示意圖。

具體實(shí)施方式