【技术实现步骤摘要】
一种现代工业产区智能能耗调度方法及装置
[0001]本专利技术属于设备智能能耗调度
，具体涉及一种现代工业产区智能能耗调度方法及装置。
技术介绍
[0002]在能源消耗增长、能源价格上升、倡导绿色生产、节能环保的全球背景下，针对生产过程中能源消耗问题的研究价值逐渐上升。通过合理的能耗调度，可实现经济指标的优化。现有的智能能耗调度设备有以下几种：
[0003]第一种，通过建立能耗优化调度模型，在完成加工任务的同时实现对制造过程的能耗进行优化和控制，以成本的方式将能耗量和交货期作为调度目标，能够在降低调度成本的同时实现对制造过程能源消耗的控制和优化。控制用电设备使用时长对于能耗调节是一个重要的调控指标，该方案缺少对用电设备使用时间点以及时长、员工工作时间以及人数的调控调度；
[0004]第二种，电力供应商通过差异化电价设置，来鼓励企业降低高峰用电，在单机能耗优化模型中避开高能源价格时期从而降低总电力成本，通过“生态调度”模型，在分时电价环境下同时优化能源成本(经济)和碳足迹(生态)，使系统能源成本降低同时也...
【技术保护点】
【技术特征摘要】
1.一种现代工业产区智能能耗调节方法，其特征在于，包括如下步骤：步骤1：采集各设备用电数据、厂区电负荷需求、产区员工的工作时长数据、历史月度请假数据和员工数，其中设备用电数据包括自动化产线的、员工参与产线的设备用电数据，并对所述数据进行归一化处理；步骤2：基于厂区电负荷需求数据和自动化产线的设备用电数据，采用优化后的LSTM神经网络模型进行自动化产线用电数据预测，基于电负荷需求数据和员工参与产线的设备用电数据，采用优化后的LSTM神经网络模型进行员工参与的产线用电数据预测；所述优化后的LSTM神经网络模型具体为：采用LSTM神经网络模型进行用电数据预测，同时采用蜜獾优化算法优化LSTM神经网络的部分参数，包括LSTM层数、Dense参数、隐藏层神经元个数以及Dense层神经元个数；步骤3：根据步骤2中的预测的自动化产线用电数据、员工参与产线的设备用电数据，利用AOA算法求解符合时下情况的调度策略。2.根据权利要求1所述的现代工业产区智能能耗调节方法，其特征在于，所述步骤2中采用优化后的LSTM神经网络模型进行自动化产线用电数据、员工参与的产线用电数据预测的具体操作为：步骤2.1：将经过预处理的采集的厂区电负荷需求数据和自动化产线的设备用电数据或电负荷需求数据和员工参与产线的设备用电数据作为输入数据；步骤2.2：划分数据集，将数据集按8:2划分为训练集和测试集；步骤2.3：采用HBA算法优化参数，其具体步骤为：步骤2.3.1：初始化种群，并设定算法基本参数：x
i
＝lb
i
+r1*(ub
i
‑
lb
i
)其中，ub和lb为搜索上下边界，r1为[0,1]之间的随机数，x
i
为种群第i个体；种群就是能够达到预测目的的各组LSTM层数、Dense参数、隐藏层神经元个数以及Dense层神经元个数解；步骤2.3.2：计算当前种群各个体的适应度值，并记录当前最优适应度值以及对应个体位置，适应度的值就是预测准确率；步骤2.3.3：定义气味强度，且更新密度因子，气味强度于猎物的集中力以及蜜獾之间的距离有关：其中，I
i
为气味强度，S为源强度，d
i
为猎物与当前蜜獾个体的距离，r2为[0,1]之间的随机数，x
i
和x
i+1
为蜜獾个体的位置，x
prey
为猎物位置；
其中，α为密度因子，C为大于等于1的常数，t为当前迭代次数，t
max
为最大迭代次数；步骤2.3.4：更新个体位置，更新过程分为两个部分，包括挖掘阶段以及采蜜阶段，通过rand进行判断，当rand<0.5则进行挖掘阶段，反之则进行采蜜阶段；x
new
＝x
prey
+F*β*I*x
prey
+F*r3*α*d
i
*|cos(2*π*r4)*[1
‑
cos(2πr5)]|x
new
＝x
prey
+F*r7*α*d
i
其中，x
new
为个体新位置，x
prey
为全局最优位置，β≥1代表蜜獾获取食物能力，F为改变搜索方向的标志，r3,r4,r5,r6,r7为不同的[0，1]之间的随机数；步骤2.3.5：再次计算适应度值，并记录最优适应度值，以及所对应的个体位置；步骤2.3.6：判断是否达到最大迭代次数，未达到则跳至步骤2.3.3，达到则输出最优LSTM神经网络参数；步...
【专利技术属性】
技术研发人员：郭仁威，周孟雄，黄佳惠，王夫诚，纪捷，殷庆媛，胡代明，谢滢琦，谢金博，马梦宇，温文潮，陈帅，黄慧，赵环宇，杜董生，张楚，孙娜，彭甜，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。