CN108805463B - 一种支持削峰型电力需求响应的生产调度方法 - Google Patents

Abstract

本发明涉及生产调度领域，更具体地，涉及一种支持削峰型电力需求响应的生产调度方法。建立支持削峰型电力需求响应的生产调度数学模型；参数初始化，并随机产生N个初始灰狼种群，得到集合N(t)；计算N(t)中每个灰狼的适应度值；将适应度最好的前三个灰狼记为α、β、δ，其他灰狼记为ω；利用α、β、δ狼协同更新其他ω狼的位置，得到集合U(t)；全局粒子信息更新狼群N(t)，得到集合V(t)；对集合{N(t)∪U(t)∪V(t)}中的最好灰狼、最差灰狼和一个随机灰狼使用变异搜索策略得到集合W(t)；计算全局最优灰狼位置X_b和最优适应度值f_b；判断是否满足结束条件。本发明所提出的生产调度方法具有较好的收敛能力、全局寻优能力和实用性，能够有效地支持电力需求响应项目的实施。

Description

一种支持削峰型电力需求响应的生产调度方法

技术领域

本发明涉及生产调度领域，更具体地，涉及一种支持削峰型电力需求响应的生产调度方法。

背景技术

随着智能电网的发展，电力需求响应已经成为维护电网供需平衡的核心技术。电力需求响应是指电力市场中电力用户通过对随时间变化的价格或者激励报酬的响应，来改变其正常电力消费模式的行为。工业用户具有耗电量大、稳定性强、智能化程高等优点，是非常重要的需求响应资源。削峰型电力需求响应是工业用户常用的一种需求响应方式。在电网高峰时期，工业用户可以通过减少生产任务的方式削减高峰时段的生产负荷，从而支持电力需求响应项目的实施，但传统的生产调度模型无法支持削峰型电力需求响应调度。因此，，研究支持削峰型电力需求响应的生产调度问题具有相当重要的实用价值。该问题在理论上属于复杂的组合优化问题，具有较大的求解难度，而常用求解算法普遍存在收敛能力差、寻优能力弱的缺点。灰狼算法是Mirjalili在2014年所提出来的一种新的群智能优化算法，具有较好的优化性能。虽然灰狼算法出现的时间较晚，但已经被用于求解各种优化问题。因此，本文将采用灰狼算法求解该问题。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种支持削峰型电力需求响应的生产调度方法，具有收敛能力好、全局寻优能力强的特点。

为解决上述技术问题，本发明采用的技术方案是：一种支持削峰型电力需求响应的生产调度方法，其特征在于，包括有以下步骤：

S1：建立支持削峰型电力需求响应的生产调度数学模型；

S2：初始化参数，进行参数设置；机器个数q；工序数S；灰狼种群数目为N；最大迭代次数为t_max；迭代计数器t(初始值为0)；灰狼元素区间范围为[-θ,θ]；预设参数G₀和η；极小值常数ε；变异搜索参数γ、M和Q；

S3：初始化灰狼种群，生成N个初始灰狼初始化灰狼种群X_i＝{x₁,x₂,...,x_n,x_n+1,...,x_n+q}，保存到集合N(t)，X_i前n个元素为工件排序方案的编码，后q个元素为机器调度方案的编码，i＝1,2,…,N，x_j∈[-θ,θ]，j＝1,2,…,n+q，计算N(t)中每个灰狼Xi的适应度值fi；

S4：按照适应度值从小到大的顺序将N(t)中灰狼进行分类，适应度值排在前三位的灰狼分别依次记为α、β、δ，其他灰狼都记为ω；

S5：利用α、β、δ狼协同更新其他ω狼的位置，得到集合U(t)；

S6：采用全局粒子信息更新狼群N(t)中的每一个灰狼Xi，i＝1,2,…,N，并将更新后的狼群保存到集合V(t)中；

S7：按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)}中的灰狼进行排序，将适应度值排在第一位的灰狼记为最好灰狼，将适应度值排在最后一位的灰狼记为最差灰狼，对最好灰狼、最差灰狼和{N(t)∪U(t)∪V(t)}中随机选择的灰狼使用变异搜索策略得到集合W(t)；

S8：计算集合{N(t)∪U(t)∪V(t)∪W(t)}中所有灰狼的适应度值，将适应度值最小的灰狼记为最优灰狼Xb，其对应的适应度值记为最优适应度值fb；

S9：若满足t≥t_max，则输出Xb与fb；若不满足t≥t_max，按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)∪W(t)}中的灰狼进行排序，令t＝t+1，将适应度值排在前N位的灰狼作为下一代灰狼，并保存到N(t)中，转至步骤S4。

在一个实施方式中，步骤S1中，数学模型为：

e_ij＝s_ij+t_ij,i＝1,2,...,n,j＝1,2,...,S (5)

e_ij+t_b≤s_i(j+1),i＝1,2,...,n,j＝1,2,...,S-1 (6)

其中，n表示工件个数；J_i表示工件编号，i＝1,2,…,n；S为工件的工序数；f_ijt为J_i第j道工序在t时刻的加工负荷；s_ij为J_i第j道工序的开始加工时间；e_ij为工件J_i第j道工序的加工完成时间；T_s为需求响应开始时间；T_e为需求响应结束时间；F为需求响应时段的最大允许负荷；t_ij为J_i第j道工序的加工时间；t_b为工件搬运时间；t_r为机器准备时间；T_max为最大未完工时间和；T表示截止加工时间(已经开始加工的工序直到加工完为止)；

公式(1)为支持削峰型电力需求响应的生产调度模型的优化指标；公式(2)为峰荷约束指标，确保需求响应时段的最大负荷不超过约定负荷F；公式(3)表示一个优先级位置只能对应一个工件；公式(4)保证每个工件只有一个优先级位置；公式(5)表示每个工件在每台机器上的完成时间和开始时间的关系；公式(6)表示工件搬运时间对同一工件不同工序间的先后约束关系；公式(7)表示工件优先级越高，其开始加工时间越早；公式(8)表示机器准备时间对下一个工件的开始时间的约束关系。

在一个实施方式中，步骤S3中，计算N(t)中每个灰狼Xi的适应度值fi包括有以下步骤：

S31：对工件排序方案的解码采用最大位置法，即对x₁,x₂,...,x_n进行降序排序，x_i对应的位置序号就是工件J_i的加工顺序，i＝1,2,…,n；

S32：设定机器调度方案的每个元素解码后的值小于0时，解码为0；元素解码后的值大于等于0时，解码为1；

S33：将解码后的X_i带入步骤S1所提模型计算适应度值f_i，f_i＝minT_max，i＝1,2,…,N。

在一个实施方式中，步骤S5中，包括有以下步骤：

S51：设α、β、δ狼的当前位置分别为X_α(t)、X_β(t)、X_δ(t)，一个ω狼的位置为X(t)，其下一代X(t+1)的更新公式如下：

D_α＝|C₁×X_α(t)-X(t)| (10)

D_β＝|C₂×X_β(t)-X(t)| (11)

D_δ＝|C₃×X_δ(t)-X(t)| (12)

X₁＝X_α(t)-A₁D_α (13)

X₂＝X_β(t)-A₂D_β (14)

X₃＝X_δ(t)-A₃D_δ (15)

X(t+1)＝(X₁+X₂+X₃)/3 (16)

C＝2r₁ (17)

A＝2a×r₂-a×I (18)

其中，t为目前迭代次数；A和C表示协同系数向量；a是收敛因子，在迭代过程中由2线性递减到0；公式(13)-(15)分别定义了ω狼X(t)朝α、β、δ狼前进的步长；公式(16)给出了ω狼最终位置的计算公式；

S52：根据X(t+1)的更新公式更新所有的X(t)，并将它们与X_α(t)、X_β(t)、X_δ(t)保存到集合U(t)中。

在一个实施方式中，步骤S6中，包括有以下步骤：

S61：设X_i是集合N(t)中的第i个灰狼，其适应度为f_i，i＝1,2,…,N，计算每个灰狼的M_i；

S62：计算在d维上灰狼X_j对灰狼X_i的作用力

i,j＝1,2,…,N，d∈{1,2,…,n+q}；

S63：计算X_i在d维上更新后的位置V_i ^d，d∈{1,2,…,n+q}；

S64：按以上步骤对X_i的每一维进行更新，设X_i更新后为V_i，将N(t)中所有灰狼更新后的结果保存到集合V(t)中，V(t)＝{V₁,V₂,...,V_N}。

优选地，对于灰狼的M_i计算：

优选地，对于计算在d维上灰狼X_j对灰狼X_i的作用力

i,j＝1,2,…,N，d∈{1,2,…,n+q}；

其中，

为N(t)中第i、j灰狼在第d(d＝1,2,…,n+q)维上的元素；r_ij表示灰狼X_j、X_i之间的欧氏距离；ε是一个非常小的常数，防止分母出现为0的情况；G₀、η为预设参数，t为当前迭代次数，t_max为设置的最大迭代数。

在一个实施方式中，步骤S7所述变异搜索策略包括：

在每次迭代过程中，从集合{N(t)∪U(t)∪V(t)}中选择最好灰狼、最差灰狼和一个随机灰狼做变异搜索，每个灰狼产生M个新灰狼。

优选地，变异搜索的具体步骤如下：

S71：设所选变异搜索灰狼为y₀＝(y_0,1,y_0,2,...,y_0,m)，y_0,i∈[-θ,θ],i＝1,2,...,m，按公式(26)将y₀每个元素值映射到[-1,1]；

y_0,j＝y_0,j/θ,j＝1,2,...,m (26)

S72：进行变异搜索生成Q(Q>M)个向量，设第i个向量为y_i＝(y_i,1,y_i,2,...,y_i,m)，i＝1,2,…,Q，其中

y_i,j＝γ×y_i-1,j(1-y_i-1,j),j＝1,2,...,m (27)

S73：将Q个向量映射到定义域中形成Q个新灰狼，设映射后的第i个灰狼为X_i＝(x_i,1,x_i,2,...,x_i,m)，其中

x_i,j＝y_i,j×θ (28)

S74：计算Q个灰狼的适应度值，并按照从小到大的顺序排序，将适应度值排名前M的灰狼作为当前所选变异搜索灰狼的变异搜索结果；设最好灰狼、最差灰狼和随机灰狼的变异搜索结果集分别为W₁、W₂、W₃，则每次迭代获得的变异灰狼种群集为W(t)＝{W₁∪W₂∪W₃}。

本发明与现有技术相比，具有以下特点：本发明首先建立了支持削峰型电力需求响应的生产调度数学模型，然后提出了一种改进的灰狼算法用于模型求解。本发明所提出的生产调度方法具有较好的收敛能力、全局寻优能力和实用性，能够有效地支持电力需求响应项目的实施。

附图说明

图1为本发明的支持削峰型电力需求响应的生产调度方法的流程图。

图2为本发明的支持削峰型电力需求响应的生产调度方法的算例最优工件机器调度图。

图3为本发明的支持削峰型电力需求响应的生产调度方法的算例负荷需求曲线图。

图4为本发明的支持削峰型电力需求响应的生产调度方法的参数设置。

图5为本发明的支持削峰型电力需求响应的生产调度方法的工件加工时间数据。

图6为本发明的支持削峰型电力需求响应的生产调度方法的机器负荷数据。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

实施例1：

如图1所示，本发明提供一种支持削峰型电力需求响应的生产调度方法，包括有以下步骤：

S1：建立支持削峰型电力需求响应的生产调度数学模型；

步骤S1中，建立的数学模型为：

e_ij＝s_ij+t_ij,i＝1,2,...,n,j＝1,2,...,S (5)

e_ij+t_b≤s_i(j+1),i＝1,2,...,n,j＝1,2,...,S-1 (6)

如图4所示，其中，n表示工件个数；如图5所示，J_i表示工件编号，i＝1,2,…,n；S为工件的工序数；

为J_i第j道工序在t时刻的加工负荷；s_ij为J_i第j道工序的开始加工时间；e_ij为工件J_i第j道工序的加工完成时间；T_s为需求响应开始时间；T_e为需求响应结束时间；F为需求响应时段的最大允许负荷；t_ij为J_i第j道工序的加工时间；t_b为工件搬运时间；t_r为机器准备时间；T_max为最大未完工时间和；T表示截止加工时间(已经开始加工的工序直到加工完为止)；

公式(1)为支持削峰型电力需求响应的生产调度模型的优化指标；公式(2)为峰荷约束指标，确保需求响应时段的最大负荷不超过约定负荷F；公式(3)表示一个优先级位置只能对应一个工件；公式(4)保证每个工件只有一个优先级位置；公式(5)表示每个工件在每台机器上的完成时间和开始时间的关系；公式(6)表示工件搬运时间对同一工件不同工序间的先后约束关系；公式(7)表示工件优先级越高，其开始加工时间越早；公式(8)表示机器准备时间对下一个工件的开始时间的约束关系。

S2：初始化参数，进行参数设置：如图4和如图6所示，机器个数q；工序数S；灰狼种群数目为N；最大迭代次数为t_max；迭代计数器t(初始值为0)；灰狼元素区间范围为[-θ,θ]；预设参数G₀和η；极小值常数ε；变异搜索参数γ、M和Q。

S3：初始化灰狼种群，生成N个初始灰狼初始化灰狼种群X_i＝{x₁,x₂,...,x_n,x_n+1,...,x_n+q}，保存到集合N(t)，X_i前n个元素为工件排序方案的编码，后q个元素为机器调度方案的编码，i＝1,2,…,N，x_j∈[-θ,θ]，j＝1,2,…,n+q，计算N(t)中每个灰狼Xi的适应度值fi；

步骤S3中，计算N(t)中每个灰狼Xi的适应度值fi包括有以下步骤：

S31：对工件排序方案的解码采用最大位置法，即对x₁,x₂,...,x_n进行降序排序，x_i对应的位置序号就是工件J_i的加工顺序，i＝1,2,…,n；

S32：设定机器调度方案的每个元素解码后的值小于0时，解码为0；元素解码后的值大于等于0时，解码为1；

S33：将解码后的X_i带入步骤S1所提模型计算适应度值f_i，f_i＝minT_max，i＝1,2,…,N。

S4：按照适应度值从小到大的顺序将N(t)中灰狼分为四类，适应度值排在前三位的灰狼分别依次记为α、β、δ，其他灰狼都记为ω。

S5：利用α、β、δ狼协同更新其他ω狼的位置，得到集合U(t)；

步骤S5中，包括有以下步骤：

S51：设α、β、δ狼的当前位置分别为X_α(t)、X_β(t)、X_δ(t)，一个ω狼的位置为X(t)，其下一代X(t+1)的更新公式如下：

D_α＝|C₁×X_α(t)-X(t)| (10)

D_β＝|C₂×X_β(t)-X(t)| (11)

D_δ＝|C₃×X_δ(t)-X(t)| (12)

X₁＝X_α(t)-A₁D_α (13)

X₂＝X_β(t)-A₂D_β (14)

X₃＝X_δ(t)-A₃D_δ (15)

X(t+1)＝(X₁+X₂+X₃)/3 (16)

C＝2r₁ (17)

A＝2a×r₂-a×I (18)

其中，t为目前迭代次数；A和C表示协同系数向量，A＝(A₁,A₂,A₃)^T，C＝(C₁,C₂,C₃)^T；r₁＝(r₁₁,r₁₂,r₁₃)^T，r₂＝(r₂₁,r₂₂,r₂₃)^T，r₁₁,r₁₂,r₁₃,r₂₁,r₂₂,r₂₃为[0,1]上均匀分布的随机数；I＝(1,1,1)^T；a是收敛因子，在迭代过程中由2线性递减到0；公式(13)-(15)分别定义了ω狼X(t)朝α、β、δ狼前进的步长；公式(16)给出了ω狼最终位置的计算公式；

S52：根据X(t+1)的更新公式更新所有的X(t)，并将它们与X_α(t)、X_β(t)、X_δ(t)保存到集合U(t)中。

S6：采用全局粒子信息更新狼群N(t)中的每一个灰狼Xi，i＝1,2,…,N，并将更新后的狼群保存到集合V(t)中；

步骤S6中，包括有以下步骤：

S61：设X_i是集合N(t)中的第i个灰狼，其适应度为f_i，i＝1,2,…,N，计算每个灰狼的M_i，计算方法为：

S62：计算在d维上灰狼X_j对灰狼X_i的作用力

i,j＝1,2,…,N，d∈{1,2,…,n+q}，计算方法为：

其中，

为N(t)中第i、j灰狼在第d(d＝1,2,…,n+q)维上的元素；r_ij表示灰狼X_j、X_i之间的欧氏距离；ε是一个非常小的常数，防止分母出现为0的情况；G₀、η为预设参数，t为当前迭代次数，t_max为设置的最大迭代数。

S63：计算X_i在d维上更新后的位置V_i ^d，d∈{1,2,…,n+q}；

S64：按以上步骤对X_i的每一维进行更新，设X_i更新后为V_i，将N(t)中所有灰狼更新后的结果保存到集合V(t)中，V(t)＝{V₁,V₂,...,V_N}。

S7：按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)}中的灰狼进行排序，将适应度值排在第一位的灰狼记为最好灰狼，将适应度值排在最后一位的灰狼记为最差灰狼，对最好灰狼、最差灰狼和一个随机灰狼(除最好灰狼、最差灰狼外，从{N(t)∪U(t)∪V(t)}中随机选择的灰狼)使用变异搜索策略得到集合W(t)，变异搜索策略包括：在每次迭代过程中，从集合{N(t)∪U(t)∪V(t)}中选择最好灰狼、最差灰狼和一个随机灰狼做变异搜索，每个灰狼产生M个新灰狼，变异搜索的具体步骤如下：

S71：设所选变异搜索灰狼为y₀＝(y_0,1,y_0,2,...,y_0,m)，y_0,i∈[-θ,θ],i＝1,2,...,m，按公式(26)将y₀每个元素值映射到[-1,1]；

y_0,j＝y_0,j/θ,j＝1,2,...,m (26)

S72：根据公式(27)进行变异搜索生成Q(Q>M)个向量，设第i个向量为y_i＝(y_i,1,y_i,2,...,y_i,m)，i＝1,2,…,Q，其中

y_i,j＝γ×y_i-1,j(1-y_i-1,j),j＝1,2,...,m (27)

S73：将Q个向量映射到定义域中形成Q个新灰狼，设映射后的第i个灰狼为X_i＝(x_i,1,x_i,2,...,x_i,m)，其中

x_i,j＝y_i,j×θ (28)

S74：计算Q个灰狼的适应度值，并按照从小到大的顺序排序，将适应度值排名前M的灰狼作为当前所选变异搜索灰狼的变异搜索结果；设最好灰狼、最差灰狼和随机灰狼的变异搜索结果集分别为W₁、W₂、W₃，则每次迭代获得的变异灰狼种群集为W(t)＝{W₁∪W₂∪W₃}。

S8：计算集合{N(t)∪U(t)∪V(t)∪W(t)}中所有灰狼的适应度值，将适应度值最小的灰狼记为最优灰狼Xb，其对应的适应度值记为最优适应度值fb。

S9：若满足t≥t_max，则输出Xb与fb；若不满足t≥t_max，按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)∪W(t)}中的灰狼进行排序，令t＝t+1，将适应度值排在前N位的灰狼作为下一代灰狼，并保存到N(t)中，转至步骤S4。

本实施例中，应用本发明提出的方法解决10个工件3个阶段生产的生产调度问题(可供使用的设备共7台，按工序分为3组，各组机器数量分别为2、3、2)，求解结果如图2和图3所示，图2为最优工件机器调度图，图3为负荷需求曲线图。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种支持削峰型电力需求响应的生产调度方法，其特征在于，包括有以下步骤：

S1：建立支持削峰型电力需求响应的生产调度数学模型；建立的数学模型为：

e_ij＝s_ij+t_ij,i＝1,2,...,n,j＝1,2,...,S (5)

e_ij+t_b≤s_i(j+1),i＝1,2,...,n,j＝1,2,...,S-1 (6)

其中，n表示工件个数；J_i表示工件编号，i＝1,2,…,n；S为工件的工序数；

为J_i第j道工序在t时刻的加工负荷；s_ij为J_i第j道工序的开始加工时间；e_ij为工件J_i第j道工序的加工完成时间；T_s为需求响应开始时间；T_e为需求响应结束时间；F为需求响应时段的最大允许负荷；t_ij为J_i第j道工序的加工时间；t_b为工件搬运时间；t_r为机器准备时间；T_max为最大未完工时间和；T表示截止加工时间，已经开始加工的工序直到加工完为止；

公式(1)为支持削峰型电力需求响应的生产调度模型的优化指标；公式(2)为峰荷约束指标，确保需求响应时段的最大负荷不超过约定负荷F；公式(3)表示一个优先级位置只能对应一个工件；公式(4)保证每个工件只有一个优先级位置；公式(5)表示每个工件在每台机器上的完成时间和开始时间的关系；公式(6)表示工件搬运时间对同一工件不同工序间的先后约束关系；公式(7)表示工件优先级越高，其开始加工时间越早；公式(8)表示机器准备时间对下一个工件的开始时间的约束关系；

S2：初始化参数，进行参数设置：机器个数q；工序数S；灰狼种群数目为N；最大迭代次数为t_max；迭代计数器t，初始值为0；灰狼元素区间范围为[-θ,θ]；预设参数G₀和η；极小值常数ε；变异搜索参数γ、M和Q；

S3：初始化灰狼种群，生成N个初始灰狼初始化灰狼种群X_i＝{x₁,x₂,...,x_n,x_n+1,...,x_n+q}，保存到集合N(t)，X_i前n个元素为工件排序方案的编码，后q个元素为机器调度方案的编码，i＝1,2,…,N，x_j∈[-θ,θ]，j＝1,2,…,n+q，计算N(t)中每个灰狼Xi的适应度值fi；

S4：按照适应度值从小到大的顺序将N(t)中灰狼进行分类，适应度值排在前三位的灰狼分别依次记为α、β、δ，其他灰狼都记为ω；

S5：利用α、β、δ狼协同更新其他ω狼的位置，得到集合U(t)；

S6：采用全局粒子信息更新狼群N(t)中的每一个灰狼Xi，i＝1,2,…,N，并将更新后的狼群保存到集合V(t)中；

S7：按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)}中的灰狼进行排序，将适应度值排在第一位的灰狼记为最好灰狼，将适应度值排在最后一位的灰狼记为最差灰狼，对最好灰狼、最差灰狼和{N(t)∪U(t)∪V(t)}中随机选择的灰狼使用变异搜索策略得到集合W(t)；所述变异搜索策略包括：在每次迭代过程中，从集合{N(t)∪U(t)∪V(t)}中选择最好灰狼、最差灰狼和一个随机灰狼进行变异搜索，每个灰狼产生M个新灰狼；变异搜索的具体步骤如下：

S71：设所选变异搜索灰狼为y₀＝(y_0,1,y_0,2,...,y_0,m)，y_0,i∈[-θ,θ],i＝1,2,...,m，按公式(26)将y₀每个元素值映射到[-1,1]；

y_0,j＝y_0,j/θ,j＝1,2,...,m (26)

S72：进行变异搜索生成Q个向量，其中Q>M，设第i个向量为y_i＝(y_i,1,y_i,2,...,y_i,m)，i＝1,2,…,Q，其中

y_i,j＝γ×y_i-1,j(1-y_i-1,j),j＝1,2,...,m (27)

S73：将Q个向量映射到定义域中形成Q个新灰狼，设映射后的第i个灰狼为X_i＝(x_i,1,x_i,2,...,x_i,m)，其中

x_i,j＝y_i,j×θ (28)

S74：计算Q个灰狼的适应度值，并按照从小到大的顺序排序，将适应度值排名前M的灰狼作为当前所选变异搜索灰狼的变异搜索结果；设最好灰狼、最差灰狼和随机灰狼的变异搜索结果集分别为W₁、W₂、W₃，则每次迭代获得的变异灰狼种群集为W(t)＝{W₁∪W₂∪W₃}；

S8：计算集合{N(t)∪U(t)∪V(t)∪W(t)}中所有灰狼的适应度值，将适应度值最小的灰狼记为最优灰狼Xb，其对应的适应度值记为最优适应度值fb；

S9：若满足t≥t_max，则输出Xb与fb；若不满足t≥t_max，按照适应度值从小到大的顺序对集合{N(t)∪U(t)∪V(t)∪W(t)}中的灰狼进行排序，令t＝t+1，将适应度值排在前N位的灰狼作为下一代灰狼，并保存到N(t)中，转至步骤S4。

2.根据权利要求1所述的支持削峰型电力需求响应的生产调度方法，其特征在于，所述步骤S3中，计算N(t)中每个灰狼Xi的适应度值fi包括有以下步骤：

S31：对工件排序方案的解码采用最大位置法，即对x₁,x₂,...,x_n进行降序排序，x_i对应的位置序号就是工件J_i的加工顺序，i＝1,2,…,n；

S32：设定机器调度方案的每个元素解码后的值小于0时，解码为0；元素解码后的值大于等于0时，解码为1；

S33：将解码后的X_i带入步骤S1所提模型计算适应度值f_i，f_i＝minT_max，i＝1,2,…,N。

3.根据权利要求1所述的支持削峰型电力需求响应的生产调度方法，其特征在于，所述步骤S5中，包括有以下步骤：

S51：设α、β、δ狼的当前位置分别为X_α(t)、X_β(t)、X_δ(t)，一个ω狼的位置为X(t)，其下一代X(t+1)的更新公式如下：

D_α＝|C₁×X_α(t)-X(t)| (10)

D_β＝|C₂×X_β(t)-X(t)| (11)

D_δ＝|C₃×X_δ(t)-X(t)| (12)

X₁＝X_α(t)-A₁D_α (13)

X₂＝X_β(t)-A₂D_β (14)

X₃＝X_δ(t)-A₃D_δ (15)

X(t+1)＝(X₁+X₂+X₃)/3 (16)

C＝2r₁ (17)

A＝2a×r₂-a×I (18)

其中，t为目前迭代次数；A和C表示协同系数向量；X表示灰狼的个体位置向量；a是收敛因子，在迭代过程中由2线性递减到0；公式(13)-(15)分别定义了ω狼X(t)朝α、β、δ狼前进的步长；公式(16)给出了ω狼最终位置的计算公式；

S52：根据X(t+1)的更新公式更新所有的X(t)，并将它们与X_α(t)、X_β(t)、X_δ(t)保存到集合U(t)中。

4.根据权利要求1所述的支持削峰型电力需求响应的生产调度方法，其特征在于，所述步骤S6中，包括有以下步骤：

S61：设X_i是集合N(t)中的第i个灰狼，其适应度为f_i，i＝1,2,…,N，计算每个灰狼的M_i；

S62：计算在d维上灰狼X_j对灰狼X_i的作用力

S63：计算X_i在d维上更新后的位置V_i ^d，d∈{1,2,…,n+q}；

S64：按以上步骤对X_i的每一维进行更新，设X_i更新后为V_i，将N(t)中所有灰狼更新后的结果保存到集合V(t)中，V(t)＝{V₁,V₂,...,V_N}。

5.根据权利要求4所述的支持削峰型电力需求响应的生产调度方法，其特征在于，对于灰狼的M_i计算：

6.根据权利要求5所述的支持削峰型电力需求响应的生产调度方法，其特征在于，对于计算在d维上灰狼X_j对灰狼X_i的作用力

其中，

为N(t)中第i、j灰狼在第d(d＝1,2,…,n+q)维上的元素；r_ij表示灰狼X_j、X_i之间的欧氏距离；ε是一个非常小的常数，防止分母出现为0的情况；G₀、η为预设参数，t为当前迭代次数，t_max为设置的最大迭代数。

Images