CN104463414B - 一种分时电价下热轧生产经济负荷调度方法 - Google Patents
一种分时电价下热轧生产经济负荷调度方法 Download PDFInfo
- Publication number
- CN104463414B CN104463414B CN201410603677.4A CN201410603677A CN104463414B CN 104463414 B CN104463414 B CN 104463414B CN 201410603677 A CN201410603677 A CN 201410603677A CN 104463414 B CN104463414 B CN 104463414B
- Authority
- CN
- China
- Prior art keywords
- mrow
- slab
- munder
- msub
- msubsup
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 84
- 238000005098 hot rolling Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005096 rolling process Methods 0.000 claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000035772 mutation Effects 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- 101100348084 Drosophila melanogaster CDase gene Proteins 0.000 claims description 76
- 230000005611 electricity Effects 0.000 claims description 22
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- XNKARWLGLZGMGX-UHFFFAOYSA-N ethyl 4-(4-chloro-2-methylphenoxy)butanoate Chemical group CCOC(=O)CCCOC1=CC=C(Cl)C=C1C XNKARWLGLZGMGX-UHFFFAOYSA-N 0.000 claims 1
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分时电价下热轧生产经济负荷调度方法,包括以下步骤:1)加载分时电价费率数据和待排产的板坯数据;2)确定热轧生产经济负荷调度的目标函数和约束条件;3)批量计划编制与轧制生产空闲等待时间信息的混合染色体编码;4)混合染色体编码的选择、交叉、变异算子及其操作;5)执行非支配排序多目标遗传算法优化热轧生产经济负荷调度目标函数;6)解集的多目标决策及推荐方案输出。本发明方法适用于分时电价环境下的热轧生产调度,在批量计划编制时同步构造与电价时段相适应的生产负荷单元,合理安排轧制生产等待时间进行负荷转移,以错峰和避峰生产方式组织生产,可节约生产用电成本并促进电网负荷削峰。
Description
技术领域
本发明涉及工业电力需求侧管理领域和钢铁冶金热轧生产优化调度技术领域,特别涉及一种分时电价下热轧生产经济负荷调度方法。
背景技术
钢铁行业作为我国十大重点能耗行业之首,电力成本居高不下,节能降耗需求迫切。作为钢铁生产关键工序,热轧过程能耗较大且可调度性强,是节能降耗重点关注环节。热轧生产主要通过热轧批量计划进行组织,批量计划编制结果直接影响产品质量、生产效率、生产成本等。
智能电网需求响应为电力用户节约用电成本及参与电力系统运行调峰提供了新的契机。作为需求响应的一种实现形式,分时电价可实现性强且应用较广,基于分时电价实施高耗能企业经济负荷调度,可改善企业经济运行水平。分时电价环境下,以热轧生产过程为对象实施经济负荷调度,在批量计划编制构造轧制单元时,同步构造与电价时段相适应的生产负荷单元,在轧制生产能力裕量下通过合理安排轧制生产等待时间进行自身生产负荷的时间转移,以错峰和避峰生产方式组织生产,可节约生产用电成本并促进电网负荷削峰。
发明内容
本发明要解决的技术问题是提供一种能根据电价时段以错峰和避峰生产方式组织生产,以节约生产用电成本并促进电网负荷削峰的分时电价下热轧生产经济负荷调度方法。
为达到上述目的,本发明的一种分时电价下热轧生产经济负荷调度方法,其特征在于,包括如下步骤:
步骤1:加载分时电价费率数据和待排产的板坯数据;
步骤2:确定热轧生产经济负荷调度多目标优化模型的约束条件和目标函数;
所述多目标优化模型的约束条件为:
所述多目标优化模型的目标函数为:
①最小化相邻板坯间宽度、厚度、硬度跳变惩罚值的目标函数为:
②最小化生产用电成本的目标函数为:
所述约束条件和目标函数中,N为板坯库中的板坯序号集合,N={1,2,…,n},n为板坯数;M为轧制单元序号集合,M={1,2,…,m},m为轧制单元数;Cij为相邻板坯因宽度、厚度、硬度跳变引起的惩罚值,其中 和分别为相邻板坯i和j的宽度、厚度、硬度跳变惩罚值;li为第i个板坯的轧制长度,i∈N;L为轧制单元内板坯连续轧制长度下限值;U为轧制单元内板坯连续轧制长度上限值;R为轧制单元内相同宽度板坯连续轧制长度上限值;Ts为可安排生产时间;为轧制单元i生产所需时间;T为电价时段集合,T={1,2,…,t},t为一个电价费率周期划分的电价时段个数;πb为电价时段b的电价,b∈T;;Wi为板坯i轧制生产所需电能,i∈N;pi为板坯i轧制生产所需时间,i∈N;
多目标优化的决策变量为:
步骤3:批量计划编制与轧制生产空闲等待时间信息的混合染色体编码;
所述混合染色体编码表示为G由自然数序列C和浮点数序列V构成:G=(C,V)=(c1,c2,…,cm×n,v1,v2,…,vm);
其中,C中元素ci(i=1,2,…,m×n)为[1,m×n]范围内不重复的自然数,通过编码映射由序列C确定批量计划编制方案;V中元素vi(1≤i≤m)表示第i个轧制单元生产前的空闲等待时间;m为轧制单元数,n为板坯数;
所述编码映射的具体步骤为:
1)令板坯i的利用标志变量fi=0(i=1,2,…,n);轧制单元k中,板坯数numk=0(k=1,2,…,m),板坯轧制总长度dk=0(k=1,2,…,m),相同宽度板坯轧制总长度qk=0(k=1,2,…,m);设置循环变量j=1;
2)确定自然数cj对应的板坯s与轧制单元k,计算方法为:
3)判断fs=0?
i.若fs=0成立,表明板坯s为自由板坯,判断ws≠w'k成立则设置qk=0,其中ws表示板坯s的宽度,w'k表示轧制单元k中最近加入板坯的宽度;进一步判断dk+ls≤L且qk+ls≤R成立,则将板坯s加入轧制计划k,令numk=numk+1,dk=dk+ls,qk=qk+ls,fs=1,轧制单元k中板坯序列Rk=Rk∪{s};
ii.如果fs=0不成立,直接转步骤4);
4)令j=j+1,转步骤2)重复执行上述步骤,直到j=m×n+1;
5)检查是否所有fi=0(i=1,2,…,n)成立;
i.若成立,表明在满足约束条件前提下所有板坯均分配到轧制单元中,集合R={R1,R2,…,Rm}即为批量计划编制的一个可行解;
ii.若不成立,表明该染色体编码表示的批量计划不满足约束,为不可行解,对该编码赋予一个较大适应度函数值,使其不被选入新种群;
步骤4:混合染色体编码的选择、交叉、变异算子及其操作;
所述选择算子的操作为:采用基于非支配排序和拥挤距离计算的锦标赛排序方法选择种群内个体;
所述交叉算子的操作为:采用部分交叉匹配策略对父代染色体编码的序列C进行交叉重组,交叉重组后在序列C的基础上规划序列V;
所述变异算子的操作为:采用子串重组变异策略对父代染色体编码的序列C进行变异操作,变异操作后在序列C的基础上规划序列V;
所述在序列C的基础上规划序列V的具体步骤为:
1)计算每个轧制单元ui开始生产时间的电价和结束生产时间的电价i∈M;
2)随机初始化分配m个轧制单元的待产时间序列V=(v1,v2,…,vm),序列V中元素满足条件
3)将t个电价时段按电价降序排列,得到排序后电价时段集合T'=(t'1,t'2,…,t't),t'b对应电价为π'b,令j=1;
4)调整轧制单元待产时间,对从t'j开始生产的轧制单元ui,若满足且vi+1>0,则令vi+1=0,vi=vi+vi+1;对在t'j结束生产的轧制单元ui,若满足且vi>0,则令vi=0,vi+1=vi+1+vi;
5)令j=j+1,转4)对次高电价时段重复上述操作,直到j=t表示所有电价时段待产时间调整完毕;
步骤5:执行非支配排序多目标遗传算法优化热轧生产经济负荷调度目标函数;
步骤6:解集的多目标决策及推荐方案输出:对包含有限个可行解的优化解集进行多目标决策,选取多目标决策后的最优可行解作为热轧生产经济负荷调度的推荐方案输出。
所述解集的多目标决策为采用TOPSIS双基点法对优化解集内的有限个可行解进行排序以选取最优解。
所述对优化解集内的有限个可行解进行排序的具体步骤如下:
步骤1:用向量规范法求得规范决策矩阵Z,Z中元素其中xij为初始决策矩阵X中元素,表示第i个可行解第j个目标的值,1≤i≤m,1≤j≤n,m和n分别为可行解个数和优化目标个数;
步骤2:构成加权规范阵V,V中元素vij=wj·zij,其中wj为第j个目标的权重;
步骤3:确定正理想解和负理想解;
正理想解
负理想解
步骤4:计算各个可行解到正理想解与负理想解的距离;
第i个可行解到正理想解的距离
第i个可行解到负理想解的距离
步骤5:计算各个可行解与理想解的接近程度:
步骤6:按由大到小排列确定各个可行解的优劣次序。
本发明所述的一种分时电价下热轧生产经济负荷调度方法,在批量计划编制时同步构造与电价时段相适应的生产负荷单元,在轧制生产能力裕量下通过合理安排轧制生产空闲等待时间进行生产负荷的时间转移,以错峰和避峰生产方式组织生产,基于多目标遗传算法同时优化相邻板坯间惩罚值和生产用电成本,可在保证生产前提下节约生产用电成本并促进电网负荷削峰。
附图说明
图1为本发明一种分时电价下热轧生产经济负荷调度方法的流程图;
图2为本发明调度方法中非支配排序的多目标遗传算法流程图;
图3为本发明实施例的推荐方案与人机结合方案在各电价时段的生产负荷分布对比情况;
具体实施方式
参照附图,将详细叙述本发明的具体实施方案。
如图1所示,本发明一种分时电价下热轧生产经济负荷调度方法的具体实现步骤如下:
S101、加载分时电价费率数据和待排产的板坯数据:
加载表1所示的某钢铁厂执行的分时电价费率,该费率表由供电企业根据地区电网负荷将每日划分为尖、高、平、谷4类共计8个电价时段。
表1分时电价费率表
加载从某钢铁厂生产数据中选取的一组板坯数据,包含440块板坯。
S102、确定热轧生产经济负荷调度的目标函数和约束条件:
多目标优化模型的约束条件为:
多目标优化模型的目标函数为:
①最小化相邻板坯间宽度、厚度、硬度跳变惩罚值的目标函数为:
②最小化生产用电成本的目标函数为:
约束条件和目标函数中,N为板坯库中的板坯序号集合,N={1,2,…,n},n为板坯数,本例中值为440;M为轧制单元序号集合,M={1,2,…,m},m为轧制单元数,本例中值为8;
Cij为相邻板坯因宽度、厚度、硬度跳变引起的惩罚值,其中和分别为相邻板坯i和j的宽度、厚度、硬度跳变惩罚值,相邻板坯间宽度、厚度和硬度跳变惩罚值按表2~表4所示惩罚系数表确定:
表2宽度跳变惩罚系数表
表3厚度跳变惩罚系数表
表4硬度跳变惩罚系数表
li为第i个板坯的轧制长度,i∈N;L为轧制单元内板坯连续轧制长度下限值,取值为5km;U为轧制单元内板坯连续轧制长度上限值,取值为10km;R为轧制单元内相同宽度板坯连续轧制长度上限值,取值为1km;Ts为可安排生产时间,本例中取一个费率周期,即24h;为轧制单元i生产所需时间;T为电价时段集合,T={1,2,…,t},t为一个电价费率周期划分的电价时段个数;πb为电价时段b的电价,b∈T;;Wi为板坯i轧制生产所需电能,i∈N;pi为板坯i轧制生产所需时间,i∈N;单个板坯的轧制长度和经济负荷调度所需的轧制生产所需电能、所需时间通过钢铁厂热轧过程控制系统预测取得;
多目标优化的决策变量为:
S103、批量计划编制与轧制生产空闲等待时间信息的混合染色体编码:
混合染色体编码G由自然数序列C和浮点数序列V构成:
G=(C,V)=(c1,c2,…,cm×n,v1,v2,…,vm);
其中,C中元素ci(i=1,2,…,m×n)为[1,m×n]范围内不重复的自然数,通过编码映射由序列C确定批量计划编制方案;V中元素vi(1≤i≤m)表示第i个轧制单元生产前的空闲等待时间;m为轧制单元数,n为板坯数;
编码映射的具体步骤为:
1)令板坯i的利用标志变量fi=0(i=1,2,…,n);轧制单元k中,板坯数numk=0(k=1,2,…,m),板坯轧制总长度dk=0(k=1,2,…,m),相同宽度板坯轧制总长度qk=0(k=1,2,…,m);设置循环变量j=1;
2)确定自然数cj对应的板坯s与轧制单元k,计算方法为:
3)判断fs=0?
i.若fs=0成立,表明板坯s为自由板坯,判断ws≠w'k成立则设置qk=0,其中ws表示板坯s的宽度,w'k表示轧制单元k中最近加入板坯的宽度;进一步判断dk+ls≤L且qk+ls≤R成立,则将板坯s加入轧制计划k,令numk=numk+1,dk=dk+ls,qk=qk+ls,fs=1,轧制单元k中板坯序列Rk=Rk∪{s};
ii.如果fs=0不成立,直接转步骤4);
4)令j=j+1,转步骤2)重复执行上述步骤,直到j=m×n+1;
5)检查是否所有fi=0(i=1,2,…,n)成立;
i.若成立,表明在满足约束条件前提下所有板坯均分配到轧制单元中,集合R={R1,R2,…,Rm}即为批量计划编制的一个可行解;
ii.若不成立,表明该染色体编码表示的批量计划不满足约束,为不可行解,对该编码赋予一个较大适应度函数值,使其不被选入新种群;
S104、混合染色体编码的选择、交叉、变异算子及其操作:
选择算子的操作为:采用基于非支配排序和拥挤距离计算的锦标赛排序方法选择种群内个体;
交叉算子的操作为:采用部分交叉匹配策略对父代染色体编码的序列C进行交叉重组,交叉重组后在序列C的基础上规划序列V;
变异算子的操作为:采用子串重组变异策略对父代染色体编码的序列C进行变异操作,变异操作后在序列C的基础上规划序列V。
在序列C的基础上规划序列V的具体步骤为:
1)计算每个轧制单元ui开始生产时间的电价和结束生产时间的电价i∈M;
2)随机初始化分配m个轧制单元的待产时间序列V=(v1,v2,…,vm),序列V中元素满足条件
3)将t个电价时段按电价降序排列,得到排序后电价时段集合T'=(t'1,t'2,…,t't),t'b对应电价为π'b,令j=1;
4)调整轧制单元待产时间,对从t'j开始生产的轧制单元ui,若满足且vi+1>0,则令vi+1=0,vi=vi+vi+1;对在t'j结束生产的轧制单元ui,若满足且vi>0,则令vi=0,vi+1=vi+1+vi;
5)令j=j+1,转4)对次高电价时段重复上述操作,直到j=t表示所有电价时段待产时间调整完毕。
S105、执行非支配排序多目标遗传算法优化热轧生产经济负荷调度目标函数:
选取经典非支配排序多目标遗传算法NSGA-II作为本方法优化模型的求解算法框架,算法参数根据文献常用经验取值设定,交叉概率ρc=0.8,变异概率ρm=0.2,染色体种群规模设定为50,迭代次数设定为2000;
将模型约束条件中变量取值按实际生产约束设定,按图2流程步骤执行优化算法,得到包含有限个可行解的热轧生产经济负荷调度优化解集,可行解的优化目标值如表5所示:
表5可行解优化目标值
S106、解集的多目标决策及推荐方案输出:
对包含有限个可行解的优化解集进行多目标决策,选取多目标决策后的最优可行解作为热轧生产经济负荷调度的推荐方案输出;
具体的,步骤S106中解集多目标决策为采用TOPSIS双基点法对多目标优化解集内的有限个可行解进行排序以选取最优解;
对优化解集内的有限个可行解进行排序的具体步骤如下具体步骤如下:
步骤1:用向量规范法求得规范决策矩阵Z,Z中元素其中xij为初始决策矩阵X中元素,表示第i个可行解第j个目标的值,1≤i≤m,1≤j≤n,可行解个数m值等于8,优化目标个数n值等于2;
本实施例中初始决策矩阵X由表5确定,有:
在矩阵X基础上用向量规范法求得规范决策矩阵Z为:
步骤2:构成加权规范阵V,V中元素vij=wj·zij,其中wj为第j个目标的权重,本实施例中根据目标偏好性将两个优化目标权重分别取值0.6和0.4;
步骤3:确定理想解和负理想解;
正理想解
负理想解
A+=(0.2107,0.1372),A-=(0.2149,0.1451)
步骤4:计算各个可行解到正理想解与负理想解的距离;
第i个可行解到正理想解的距离
第i个可行解到负理想解的距离
步骤5:计算各个可行解与理想解的接近程度:
步骤6:按由大到小排列确定各个可行解的优劣次序;
各个可行解的优劣排序为:A2>A1>A3>A4>A5>A6>A7>A8,则A2为最优可行解。
选取根据TOPSIS方法优劣排序后的最优可行解A2作为热轧生产经济负荷调度的推荐方案输出。
推荐方案A2与人机结合方案对比情况见表6,其中人机结合方案不考虑分时电价因素,即不考虑与电价时段相适应的生产负荷单元构造,以及轧制生产空闲等待时间在不同电价时段的分派。
表6 A2方案与人机结合方案对比
由表6可知,与人机结合编制生产计划相比,A2方案在优化相邻板坯间惩罚值的同时节省了生产用电成本。
图3为A2方案与人机结合方案在各电价时段的生产负荷分布对比情况。由图3可知,A2方案中实现了错峰生产,尖峰电价时段负荷大幅减小,高峰时段负荷有所降低,平峰和低谷时段负荷略增或基本持平,最后一个低谷电价时段因避峰生产负荷大幅增加。该结果表明经济负荷调度除节约热轧生产用电费用外,其意义还在于通过响应电价信号构造了与电价时段相适应的生产负荷单元,并进行了自身生产负荷的时间转移,参与了电网“移峰填谷”的运行调峰,可促进电网稳定。
上面结合附图和具体实施方式对本发明一种分时电价下热轧生产经济负荷调度方法作了详细的说明。但是本发明并不限于上面所描述的内容,在本领域技术人员所具备的知识范围内,不脱离本发明构思作出的各种变化,仍落在本发明的保护范围。
Claims (3)
1.一种分时电价下热轧生产经济负荷调度方法,其特征在于,包括如下步骤:
步骤1:加载分时电价费率数据和待排产的板坯数据;
步骤2:确定热轧生产经济负荷调度多目标优化模型的约束条件和目标函数;
所述多目标优化模型的约束条件为:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
<mo>;</mo>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
<mo>;</mo>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>;</mo>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<mi>R</mi>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
<mo>;</mo>
</mrow>
<mrow>
<mi>L</mi>
<mo>&le;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>U</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
<mo>;</mo>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>t</mi>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
</msub>
<mo>;</mo>
</mrow>
所述多目标优化模型的目标函数为:
①最小化相邻板坯间宽度、厚度、硬度跳变惩罚值的目标函数为:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>;</mo>
</mrow>
②最小化生产用电成本的目标函数为:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>b</mi>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>&pi;</mi>
<mi>b</mi>
</msub>
<mo>&CenterDot;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>h</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
所述约束条件和目标函数中,N为板坯库中的板坯序号集合,N={1,2,…,n},n为板坯数;M为轧制单元序号集合,M={1,2,…,m},m为轧制单元数;Cij为相邻板坯因宽度、厚度、硬度跳变引起的惩罚值,其中 和分别为相邻板坯i和j的宽度、厚度、硬度跳变惩罚值;li为第i个板坯的轧制长度,i∈N;L为轧制单元内板坯连续轧制长度下限值;U为轧制单元内板坯连续轧制长度上限值;R为轧制单元内相同宽度板坯连续轧制长度上限值;Ts为可安排生产时间;为轧制单元i生产所需时间;T为电价时段集合,T={1,2,…,t},t为一个电价费率周期划分的电价时段个数;πb为电价时段b的电价,b∈T;Wi为板坯i轧制生产所需电能,i∈N;pi为板坯i轧制生产所需时间,i∈N;
多目标优化的决策变量为:
步骤3:批量计划编制与轧制生产空闲等待时间信息的混合染色体编码;
所述混合染色体编码表示为G由自然数序列C和浮点数序列V构成:G=(C,V)=(c1,c2,…,cm×n,v1,v2,…,vm);
其中,C中元素ci(i=1,2,…,m×n)为[1,m×n]范围内不重复的自然数,通过编码映射由序列C确定批量计划编制方案;V中元素vi(1≤i≤m)表示第i个轧制单元生产前的空闲等待时间;m为轧制单元数,n为板坯数;
所述编码映射的具体步骤为:
1)令板坯i的利用标志变量fi=0(i=1,2,…,n);轧制单元k中,板坯数numk=0(k=1,2,…,m),板坯轧制总长度dk=0(k=1,2,…,m),相同宽度板坯轧制总长度qk=0(k=1,2,…,m);设置循环变量j=1;
2)确定自然数cj对应的板坯s与轧制单元k,计算方法为:
<mrow>
<mi>s</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>&times;</mo>
<mi>m</mi>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
3)判断fs=0?
i.若fs=0成立,表明板坯s为自由板坯,判断ws≠w'k成立则设置qk=0,其中ws表示板坯s的宽度,w'k表示轧制单元k中最近加入板坯的宽度;进一步判断dk+ls≤L且qk+ls≤R成立,则将板坯s加入轧制计划k,令numk=numk+1,dk=dk+ls,qk=qk+ls,fs=1,轧制单元k中板坯序列Rk=Rk∪{s};
ii.如果fs=0不成立,直接转步骤4);
4)令j=j+1,转步骤2)重复执行上述步骤,直到j=m×n+1;
5)检查是否所有fi=0(i=1,2,…,n)成立;
i.若成立,表明在满足约束条件前提下所有板坯均分配到轧制单元中,集合R={R1,R2,…,Rm}即为批量计划编制的一个可行解;
ii.若不成立,表明该染色体编码表示的批量计划不满足约束,为不可行解,对该编码赋予一个较大适应度函数值,使其不被选入新种群;
步骤4:混合染色体编码的选择、交叉、变异算子及其操作;
所述选择算子的操作为:采用基于非支配排序和拥挤距离计算的锦标赛排序方法选择种群内个体;
所述交叉算子的操作为:采用部分交叉匹配策略对父代染色体编码的序列C进行交叉重组,交叉重组后在序列C的基础上规划序列V;
所述变异算子的操作为:采用子串重组变异策略对父代染色体编码的序列C进行变异操作,变异操作后在序列C的基础上规划序列V;
所述在序列C的基础上规划序列V的具体步骤为:
1)计算每个轧制单元ui开始生产时间的电价和结束生产时间的电价i∈M;
2)随机初始化分配m个轧制单元的待产时间序列V=(v1,v2,…,vm),序列V中元素满足条件
3)将t个电价时段按电价降序排列,得到排序后电价时段集合T'=(t′1,t'2,…,t′t),t'b对应电价为π'b,令j=1;
4)调整轧制单元待产时间,对从t'j开始生产的轧制单元ui,若满足且vi+1>0,则令vi+1=0,vi=vi+vi+1;对在t'j结束生产的轧制单元ui,若满足且vi>0,则令vi=0,vi+1=vi+1+vi;
5)令j=j+1,转4)对次高电价时段重复上述操作,直到j=t表示所有电价时段待产时间调整完毕;
步骤5:执行非支配排序多目标遗传算法优化热轧生产经济负荷调度目标函数;
步骤6:解集的多目标决策及推荐方案输出:对包含有限个可行解的优化解集进行多目标决策,选取多目标决策后的最优可行解作为热轧生产经济负荷调度的推荐方案输出。
2.如权利要求1所述的一种分时电价下热轧生产经济负荷调度方法,其特征在于,所述解集的多目标决策为采用TOPSIS双基点法对优化解集内的有限个可行解进行排序以选取最优解。
3.如权利要求2所述的一种分时电价下热轧生产经济负荷调度方法,其特征在于,所述对优化解集内的有限个可行解进行排序的具体步骤如下:
步骤1:用向量规范法求得规范决策矩阵Z,Z中元素其中xij为初始决策矩阵X中元素,表示第i个可行解第j个目标的值,1≤i≤m,1≤j≤n,m和n分别为可行解个数和优化目标个数;
步骤2:构成加权规范阵V,V中元素vij=wj·zij,其中wj为第j个目标的权重;
步骤3:确定正理想解和负理想解;
正理想解
负理想解
步骤4:计算各个可行解到正理想解与负理想解的距离;
第i个可行解到正理想解的距离
第i个可行解到负理想解的距离
步骤5:计算各个可行解与理想解的接近程度:
步骤6:按由大到小排列确定各个可行解的优劣次序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603677.4A CN104463414B (zh) | 2014-10-23 | 2014-10-31 | 一种分时电价下热轧生产经济负荷调度方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410571535 | 2014-10-23 | ||
CN2014105715354 | 2014-10-23 | ||
CN201410603677.4A CN104463414B (zh) | 2014-10-23 | 2014-10-31 | 一种分时电价下热轧生产经济负荷调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463414A CN104463414A (zh) | 2015-03-25 |
CN104463414B true CN104463414B (zh) | 2017-11-07 |
Family
ID=52909411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410603677.4A Expired - Fee Related CN104463414B (zh) | 2014-10-23 | 2014-10-31 | 一种分时电价下热轧生产经济负荷调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463414B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016477A (zh) * | 2016-01-28 | 2017-08-04 | 株式会社日立制作所 | 基于分时电价对生产任务进行调度的方法和装置 |
CN106971243B (zh) * | 2017-03-29 | 2020-06-02 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
CN108171372B (zh) * | 2017-12-25 | 2022-06-14 | 上海大学 | 一种存在准备时间的多品种生产分批调度方法 |
CN111045403B (zh) * | 2019-11-20 | 2020-10-23 | 广州博依特智能信息科技有限公司 | 一种基于遗传算法的球磨车间生产调度方法及装置 |
CN114386702A (zh) * | 2022-01-14 | 2022-04-22 | 国网浙江省电力有限公司 | 一种间歇性生产工艺参与电力需求响应的优化方法及系统 |
CN116882593B (zh) * | 2023-09-05 | 2024-02-23 | 美云智数科技有限公司 | 工单排产方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3093077B2 (ja) * | 1993-04-27 | 2000-10-03 | 新日本製鐵株式会社 | 熱間圧延工場の物流スケジューリング装置 |
JP4734024B2 (ja) * | 2005-05-12 | 2011-07-27 | 新日本製鐵株式会社 | 熱間圧延工場の加熱・圧延スケジュール作成装置、作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
US7996344B1 (en) * | 2010-03-08 | 2011-08-09 | Livermore Software Technology Corporation | Multi-objective evolutionary algorithm based engineering design optimization |
CN103235980B (zh) * | 2013-04-08 | 2017-03-22 | 广东电网公司信息中心 | 一种基于多目标规划的用电管理避峰策略优化方法 |
CN103246818A (zh) * | 2013-05-15 | 2013-08-14 | 西北工业大学 | 基于信息熵的topsis法多目标威胁排序方法 |
CN103426032B (zh) * | 2013-07-25 | 2017-03-01 | 广东电网公司电力科学研究院 | 一种热电联产机组的经济优化调度方法 |
CN104036334B (zh) * | 2014-06-27 | 2015-08-19 | 大连理工大学 | 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法 |
-
2014
- 2014-10-31 CN CN201410603677.4A patent/CN104463414B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104463414A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463414B (zh) | 一种分时电价下热轧生产经济负荷调度方法 | |
CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
CN104808636B (zh) | 柔性流水车间能耗优化调度方法 | |
CN104616069B (zh) | 一种年度发电计划滚动分解优化方法 | |
CN105956689B (zh) | 一种基于改进粒子群优化的运输和生产协同调度方法 | |
CN107292766B (zh) | 面向风电消纳的电力系统调峰手段经济性评估方法与系统 | |
CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
CN110276698A (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
CN104778504A (zh) | 一种家庭用户智能家电的用电安排优化方法 | |
CN106971243A (zh) | 一种降低生产用电成本的热轧优化调度方法 | |
CN104915737A (zh) | 基于风险控制含大规模风电的电力系统协调经济调度方法 | |
CN101752903A (zh) | 一种时序递进式电力调度方法 | |
CN102915472A (zh) | 基于基因修复混沌遗传算法的配电网综合优化规划方法 | |
CN104009494A (zh) | 一种环境经济发电调度方法 | |
CN103136585A (zh) | 基于混沌遗传策略的加权Voronoi图变电站规划方法 | |
CN105552971B (zh) | 小水电与大中型水电站群协调优化的分区消纳方法 | |
CN107748944A (zh) | 一种售电侧放开环境下用户侧需求响应方法 | |
CN104218683A (zh) | 一种闭环自学习需求响应系统及方法 | |
CN106877339A (zh) | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 | |
CN110247428A (zh) | 一种基于源网荷协同优化的配电网光储联合配置方法 | |
CN101587573A (zh) | 一种纸厂纸卷分切与库存综合优化的方法 | |
CN113344273B (zh) | 基于建筑用能的区域配电网峰谷差调节优化方法及系统 | |
CN102621941B (zh) | 一种冷轧电镀锌机组钢卷排序方法及系统 | |
CN113537568A (zh) | 一种钢铁热轧生产调度计划确定方法及系统 | |
CN105701717B (zh) | 一种基于改进遗传算法的配电网互动方案编制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20201031 |