CN111985157B - 一种基于工业生产流程的用电模型仿真方法 - Google Patents

一种基于工业生产流程的用电模型仿真方法 Download PDF

Info

Publication number
CN111985157B
CN111985157B CN202010836399.2A CN202010836399A CN111985157B CN 111985157 B CN111985157 B CN 111985157B CN 202010836399 A CN202010836399 A CN 202010836399A CN 111985157 B CN111985157 B CN 111985157B
Authority
CN
China
Prior art keywords
electricity
industrial
model
kth
time
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.)
Active
Application number
CN202010836399.2A
Other languages
English (en)
Other versions
CN111985157A (zh
Inventor
雷霞
白元宝
蔡东
姚黄金
付鑫权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN202010836399.2A priority Critical patent/CN111985157B/zh
Publication of CN111985157A publication Critical patent/CN111985157A/zh
Application granted granted Critical
Publication of CN111985157B publication Critical patent/CN111985157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于工业生产流程的用电模型仿真方法，包括：S1：获取售电公司对工业生产流程的用电需求响应；S2：确定工业生产流程中工业生产设备需要处理的任务操作类型；S3：根据所述任务操作类型建立工业生产流程消耗用电模型；S4：根据所述工业生产流程消耗用电模型和售电公司用电需求响应建立双层优化模型S5：对所述双层优化模型进行求解得到优化用电模型；对于工业生产过程的用电消耗不仅需要对工业生产过程中不同流程以及不同操作的用电进行优化，还需要从售电公司侧对工业生产的用电分配进行优化，通过两个方向组合优化用电模型可以减少不必要的用电消耗，节约大量的电能。

Description

一种基于工业生产流程的用电模型仿真方法
技术领域
本发明涉及模型仿真领域，具体涉及一种基于工业生产流程的用电模型仿真方法。
背景技术
目前在工业生产过程中需要进行大量的用电，在此过程中不同的操作流程所消耗的电力不同，当出现意外情况或者跟换生产流程的操作步骤时可能会出现多余的电力浪费的问题，且现有的很多工业生产用电的节能效果以及用电实施不理想。
发明内容
本发明所要解决的技术问题是如何合理的结合售电公司对工业生产流程中的用电进行合理的优化分配，从而实现工业生产过程中的合理用电以及节约用电的问题，解决上述问题。
本发明通过下述技术方案实现：
一种基于工业生产流程的用电模型仿真方法，包括：
S1：获取售电公司对工业生产流程的用电需求响应；
S2：确定工业生产流程中工业生产设备需要处理的任务操作类型；
S3：根据所述任务操作类型建立工业生产流程消耗用电模型；
S4：根据所述工业生产流程消耗用电模型和售电公司用电需求响应建立双层优化模型；
S5：对所述双层优化模型进行求解得到优化用电模型。
本发明的售电公司通过对工业生产流程的用电需求来进行用电分配，因此对于工业生产过程的用电消耗不仅需要对工业生产过程中不同流程以及不同操作的用电进行优化，还需要从售电公司侧对工业生产的用电分配进行优化，通过两个方向组合优化用电模型可以减少不必要的用电消耗，节约大量的电能；在工业设备的操作中不同类型的操作所消耗的电能是不同的，有部分操作是可以进行用电优化的，因此需要对操作进行分类，从而确定可优化部分的工业生产流程消耗用电模型，本发明的操作分类分为分别为不可调度操作、可调度操作和是否需要投入设备操作，其中不可调度操作指该操作环节的设备按照额定功率生产，不可自由调整，不能参与需求响应，如钢铁行业的炼钢操作、制砖和陶瓷行业的焙烧操作、汽车装配行业的焊接操作等。可调度操作指该操作环节的设备生产功率可以进行调整，如流水线生产行业的传送带、金属工件加工行业的机床切削等操作，都可以通过调整进料量进行生产功率调整，属于可参与需求响应的环节。比如在遇到电价高峰时段，可以延迟加工开始时间或者降低操作2的设备用电功率，在满足物料平衡、资源限制、库存控制和订单要求等约束条件下尽可能节省用电成本。是否需要投入设备操作指根据外界的温度、湿度、降水等气象因素决定是否需要投入设备的操作，如造纸、制砖等行业的干燥操作，如果此时的环境温度达到生产工艺标准，就可以选择不投入设备操作，不属于可参加需求响应环节。有向线上的小数表示投料/产出比例系数。
在所述工业生产流程消耗用电模型中包含多种影响工业生产的参数，因此需要对所有对电力消耗有影响的参数进行确认，所述参数包括工业流程的用电功率模型、加工时间，根据流程工业生产过程中包含的连续性操作和间歇性操作，分别确定连续性操作和间歇性操作操作开始时间，根据生产计划、工艺约束、大量复杂的资源约束、人工管理等多方面的限制，建立了时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束，建立是否需要投入设备操作判断模型和电力成本计算模型，上述的所有参数模型能够适用于大部分的工业用户生产过程中的电力消耗。所述连续性操作是指除了启停及异常情况外，生产中物料呈连续状态通过整个生产流程，主要通过化学和物理化学变化实现产品的工业生产，例如石化、天然气、水处理、电力、造纸等工业的主要生产流程。由于每个操作的总加工时间存在差异，为了满足生产的物理约束，连续性生产的每个操作流程开始时间确定分为两种情况。第一种情况：当第k个工业用户生产线j执行i操作的总加工时间Tij，k小于第i+1个操作的总加工时间T(i+1)j，k时，每个操作的生产开始时间确定；第二种情况：当第k个工业用户生产线 j执行i操作的总加工时间大于i+1操作的总加工时间时，每个操作的生产开始时间确定。所述间歇性操作是指操作过程存在断续，在生产过程中并不是呈连续状态通过整个生产流程的，所述间歇性操作的时间确定为：当第k个工业用户生产线j执行i操作的总加工时间大于i+1 操作的总加工时间时，每个操作的生产开始时间确定，，从而在最大程度上提高用电模型的优化，以达到最大以及最优的工业用电。
进一步的，所述用电需求响应公式：
Figure SMS_1
其中，
Figure SMS_2
为t时刻的现货实时电价；/>
Figure SMS_3
为t时刻的区域负荷；d为电价关于负荷的相关系数；e为常数项。
进一步的，所述S2中的任务操作类型包括：不可调度操作、可调度操作和是否需要投入设备操作。
进一步的，所述S3包括：
S31：根据所述可调度操作确定所述工业生产流程消耗用电模型的参数；
S32：确定所述工业生产流程消耗用电模型的用电功率模型；
S33：确定所述工业生产流程消耗用电模型的加工时间；
S34：确定所述工业生产流程消耗用电模型的工业生产过程中连续性操作和间歇性操作的开始时间；
S35：确定所述工业生产流程消耗用电模型的时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束；
S36：确定所述工业生产流程消耗用电模型的是否需要投入设备操作判断模型和电力成本计算模型。
进一步的，所述用电功率模型：
ENij,k＝Pij,k·rij,k·bij,k (2)
其中，ENij,k为第k个工业用户生产线j执行操作i的单位时间电耗；Pij，k为第k个工业用户生产线j执行操作i的用电功率；rij，k为第k个工业用户生产线j执行操作i的效率；bij,k为第k个工业用户生产线j是否选择执行操作i，bij,k∈{0,1}；
所述加工时间：
Figure SMS_4
其中，Tij,k为第k个工业用户生产线j执行操作i的总加工时间；Sij,k为第k个工业用户生产线j执行操作i的投入物料量；βij,k为第k个工业用户生产线j执行操作i的投料产出比例系数；Vij,k为第k个工业用户生产线j执行操作i的单位物料容量；T'ij,k＝a·(ENij,k)c为第k个工业用户生产线j执行操作i的单位加工时间，a和c为常系数，由设备不同状态下的功率和加工时间统计数据拟合而成；
进一步的，所述工业生产过程中连续性操作的开始时间：
当第k个工业用户生产线j执行i操作的总加工时间Tij，k小于第i+1个操作的总加工时间 T(i+1)j，k时：
Figure SMS_5
其中，stij,k、st(i+1)j,k分别为第k个工业用户生产线j执行操作i和i+1的加工开始时间； ct(i+1)j,k为第k个工业用户生产线j执行操作i+1的加工结束时间；
Figure SMS_6
为第k个工业用户生产线j执行操作i与i+1之间调整区的时间；A(i,i+1)j,k为第k个工业用户生产线j执行操作i+1 时是否参与售电公司的需求侧响应项目，A(i,i+1)j,k∈{0,1}；
当第k个工业用户生产线j执行i操作的总加工时间大于i+1操作的总加工时间时：
Figure SMS_7
其中，T'(i+1)j,k是第k个工业用户生产线j执行生产线j执行操作i+1的单位加工时间；ctij,k第k个工业用户生产线j执行操作i的加工结束时间；
所述工业生产过程中间歇性操作的开始时间：
Figure SMS_8
进一步的，所述时间约束：
stij,k≥0 (7)
ctij,k-stij,k≥Tij,k (8)
所述顺序约束：
st(i+1)j,k≥stij,k+T'ij,k (9)
所述容量约束：
Figure SMS_9
其中，
Figure SMS_10
和/>
Figure SMS_11
分别表示第k个工业用户生产线j执行操作i时的最小和最大物料加工容量；
所述效率约束：
Figure SMS_12
其中，
Figure SMS_13
和/>
Figure SMS_14
分别表示第k个工业用户生产线j执行操作i时的最小和最大生产效率；表示第k个工业用户生产线j执行操作i时的最小生产效率；
所述物料平衡约束：
S(i+1)j,k＝Sij,k·βij,k (12)
其中，S(i+1)j,k表示第k个工业用户生产线j执行操作i+1的投入物料量；
所述任务完工约束：
Figure SMS_15
其中，
Figure SMS_16
为第k个工业用户所在时间段内需完成的生产目标任务量。
进一步的，所述是否需要投入设备操作判断模型：
Figure SMS_17
其中，MFt为加工时刻的环境因素包括温度、湿度等；MC为是否需要投入设备操作产品生产时的温度、湿度等工艺要求；
所述电力成本计算模型：
Figure SMS_18
其中，epcij，k为第k个工业用户生产线j执行操作i的电力成本；pn为分时电价的价格； Tn为时间区间的时间间隔点。
进一步的，所述双层优化模型包括：
上层售电公司用电需求响应模型：
Figure SMS_19
其中，f1为售电公司的售电收益；epcij,k为售电公司在第k个工业用户生产线j执行操作i 的电费收益；K为工业用户集合；
Figure SMS_20
pL分别为t时刻售电公司在中长期市场中的购电电量和购电电价；/>
Figure SMS_21
分别为t时刻售电公司在现货市场中的购电电量和实时电价；/>
Figure SMS_22
为第 k个工业用户参与需求响应的时间，Ck为第K个工厂调整单位负荷的补偿费用，ΔPK为第K 个工厂的负荷调整量；
在所述上层售电公司用电需求响应模型中，
Figure SMS_23
Figure SMS_24
Figure SMS_25
将上述三式代入所述上层售电公司用电需求响应模型进行最后的优化计算，且售电公司从中长期、现货市场和需求响应削减的负荷应与所属工业用户的用电负荷实时平衡，即：
Figure SMS_26
下层工业流程用电模型：
Figure SMS_27
其中，f1为工业用户总收益，c1为产品单价，c2为原料单价，dd为交货期，rd为实际完成期，pc为拖期惩罚系数，ps为存储费用，N为工人数量，W为单位时间单个工人工作日的人力成本；μ为生产任务加班时段时人力成本增加系数，λ为生产任务安排在节假日时段时人力成本增加系数；
且所述下层工业流程用电模型中的第一项为产品价值；第二项为存储成本，即提前交货期完成生产目标量而造成的库存费用；第三项为拖期成本，即未能按照合同约定完成生产目标量所引起的拖期惩罚(包括合同违约金和企业信誉损失)；第四项为电能成本；第五项为需求响应补偿收益；第六项为原料成本；第七项为人力成本；
其中，
Figure SMS_28
进一步的，所述求解过程包括：
确定所述上层售电公司用电需求响应模型的优化变量和约束条件；
确定所述下层工业流程用电模型的优化变量和约束条件；
将所述上层售电公司用电需求响应模型采用CPLEX求解器进行求解；
将所述下层工业流程用电模型采用粒子群算法对模型进行求解。
在此过程中，上层售电公司用电需求响应模型是一个整数线性规划问题，优化变量为
Figure SMS_29
Figure SMS_30
ΔPk，约束条件为/>
Figure SMS_31
下层工业流程用电模型是一个包含多种约束的混合整数非线性规划问题，优化变量为stij，k、rij，k、Sij，k和bij，k，约束条件为所述时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束。针对上述双层优化模型，上层在MATLAB R2014a里调用CPLEX求解器进行求解，下层采用粒子群算法对模型进行求解。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种基于工业生产流程的用电模型仿真方法，采用双层优化模型对售电公司用电分配和工业生产流程的用电过程进行模型化体现，并对模型进行优化，从而减少不必要的用电消耗，节约大量的电能。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明整体流程图；
图2为本发明考虑需求响应的售电公司用电分配图；
图3为本发明工业生产流程图；
图4为本发明连续性操作开始时间的一种确定方式示意图；
图5为本发明连续性操作开始时间的另一种确实方式示意图；
图6为本发明间歇生产过程开始时间的确实示意图；
图7为本发明双层优化模型的关系示意图；
图8为本发明售电公司所属区域调度周期内的负荷预测曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1所示，一种基于工业生产流程的用电模型仿真方法，包括：
S1：获取售电公司对工业生产流程的用电需求响应；
S2：确定工业生产流程中工业生产设备需要处理的任务操作类型；
S3：根据所述任务操作类型建立工业生产流程消耗用电模型；
S4：根据所述工业生产流程消耗用电模型和售电公司用电需求响应建立双层优化模型；
S5：对所述双层优化模型进行求解得到优化用电模型。
在工业设备的操作中不同类型的操作所消耗的电能是不同的，有部分操作是可以进行用电优化的，因此需要对操作进行分类，从而确定可优化部分的工业生产流程消耗用电模型，本发明的操作分类分为分别为不可调度操作、可调度操作和是否需要投入设备操作，其中不可调度操作指该操作环节的设备按照额定功率生产，不可自由调整，不能参与需求响应。可调度操作指该操作环节的设备生产功率可以进行调整，属于可参与需求响应的环节。是否需要投入设备操作指根据外界的温度、湿度、降水等气象因素决定是否需要投入设备的操作，如造纸、制砖等行业的干燥操作，如果此时的环境温度达到生产工艺标准，就可以选择不投入设备操作，不属于可参加需求响应环节。
在所述工业生产流程消耗用电模型中包含多种影响工业生产的参数，因此需要对所有对电力消耗有影响的参数进行确认，所述参数包括工业流程的用电功率模型、加工时间，根据流程工业生产过程中包含的连续性操作和间歇性操作，分别确定连续性操作和间歇性操作操作开始时间，根据生产计划、工艺约束、大量复杂的资源约束、人工管理等多方面的限制，建立了时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束，建立是否需要投入设备操作判断模型和电力成本计算模型，上述的所有参数模型能够适用于大部分的工业用户生产过程中的电力消耗。所述连续性操作是指除了启停及异常情况外，生产中物料呈连续状态通过整个生产流程，主要通过化学和物理化学变化实现产品的工业生产，例如石化、天然气、水处理、电力、造纸等工业的主要生产流程。由于每个操作的总加工时间存在差异，为了满足生产的物理约束，连续性生产的每个操作流程开始时间确定分为两种情况。所述间歇性操作是指操作过程存在断续，在生产过程中并不是呈连续状态通过整个生产流程的，所述间歇性操作的时间确定为：当第k个工业用户生产线j执行i操作的总加工时间大于 i+1操作的总加工时间时，每个操作的生产开始时间确定，，从而在最大程度上提高用电模型的优化，以达到最大以及最优的工业用电。
如图2所示，进一步的，所述用电需求响应公式：
Figure SMS_32
其中，
Figure SMS_33
为t时刻的现货实时电价；/>
Figure SMS_34
为t时刻的区域负荷；d为电价关于负荷的相关系数；e为常数项。
如图3所示，进一步的，所述S2中的任务操作类型包括：不可调度操作、可调度操作和是否需要投入设备操作。
如图4、图5和图6所示，进一步的，所述S3包括：
S31：根据所述可调度操作确定所述工业生产流程消耗用电模型的参数；
S32：确定所述工业生产流程消耗用电模型的用电功率模型；
S33：确定所述工业生产流程消耗用电模型的加工时间；
S34：确定所述工业生产流程消耗用电模型的工业生产过程中连续性操作和间歇性操作的开始时间；
S35：确定所述工业生产流程消耗用电模型的时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束；
S36：确定所述工业生产流程消耗用电模型的是否需要投入设备操作判断模型和电力成本计算模型。
进一步的，所述用电功率模型：
ENij,k＝Pij,k·rij,k·bij,k (2)
其中，ENij,k为第k个工业用户生产线j执行操作i的单位时间电耗；Pij，k为第k个工业用户生产线j执行操作i的用电功率；rij，k为第k个工业用户生产线j执行操作i的效率；bij,k为第k个工业用户生产线j是否选择执行操作i，bij,k∈{0,1}；
所述加工时间：
Figure SMS_35
其中，Tij,k为第k个工业用户生产线j执行操作i的总加工时间；Sij,k为第k个工业用户生产线j执行操作i的投入物料量；βij,k为第k个工业用户生产线j执行操作i的投料产出比例系数；Vij,k为第k个工业用户生产线j执行操作i的单位物料容量；T'ij,k＝a·(ENij,k)c为第k个工业用户生产线j执行操作i的单位加工时间，a和c为常系数，由设备不同状态下的功率和加工时间统计数据拟合而成；
进一步的，所述工业生产过程中连续性操作的开始时间：
当第k个工业用户生产线j执行i操作的总加工时间Tij，k小于第i+1个操作的总加工时间 T(i+1)j，k时：
Figure SMS_36
其中，stij,k、st(i+1)j,k分别为第k个工业用户生产线j执行操作i和i+1的加工开始时间； ct(i+1)j,k为第k个工业用户生产线j执行操作i+1的加工结束时间；
Figure SMS_37
为第k个工业用户生产线j执行操作i与i+1之间调整区的时间；A(i,i+1)j,k为第k个工业用户生产线j执行操作i+1 时是否参与售电公司的需求侧响应项目，A(i,i+1)j,k∈{0,1}；
当第k个工业用户生产线j执行i操作的总加工时间大于i+1操作的总加工时间时：
Figure SMS_38
其中，T'(i+1)j,k是第k个工业用户生产线j执行生产线j执行操作i+1的单位加工时间；ctij,k第k个工业用户生产线j执行操作i的加工结束时间；
所述工业生产过程中间歇性操作的开始时间：
Figure SMS_39
进一步的，所述时间约束：
stij,k≥0 (7)
ctij,k-stij,k≥Tij,k (8)
所述顺序约束：
st(i+1)j,k≥stij,k+T'ij,k (9)
所述容量约束：
Figure SMS_40
其中，
Figure SMS_41
和/>
Figure SMS_42
分别表示第k个工业用户生产线j执行操作i时的最小和最大物料加工容量；
所述效率约束：
Figure SMS_43
其中，
Figure SMS_44
和/>
Figure SMS_45
分别表示第k个工业用户生产线j执行操作i时的最小和最大生产效率；表示第k个工业用户生产线j执行操作i时的最小生产效率；
所述物料平衡约束：
S(i+1)j,k＝Sij,k·βij,k (12)
其中，S(i+1)j,k表示第k个工业用户生产线j执行操作i+1的投入物料量；
所述任务完工约束：
Figure SMS_46
其中，
Figure SMS_47
为第k个工业用户所在时间段内需完成的生产目标任务量。
进一步的，所述是否需要投入设备操作判断模型：
Figure SMS_48
其中，MFt为加工时刻的环境因素包括温度、湿度等；MC为是否需要投入设备操作产品生产时的温度、湿度等工艺要求；
所述电力成本计算模型：
Figure SMS_49
其中，epcij，k为第k个工业用户生产线j执行操作i的电力成本；pn为分时电价的价格； Tn为时间区间的时间间隔点。
如图7所示，进一步的，所述双层优化模型包括：
上层售电公司用电需求响应模型：
Figure SMS_50
其中，f1为售电公司的售电收益；epcij,k为售电公司在第k个工业用户生产线j执行操作i 的电费收益；K为工业用户集合；
Figure SMS_51
pL分别为t时刻售电公司在中长期市场中的购电电量和购电电价；/>
Figure SMS_52
分别为t时刻售电公司在现货市场中的购电电量和实时电价；
Figure SMS_53
为第 k个工业用户参与需求响应的时间，Ck为第K个工厂调整单位负荷的补偿费用，ΔPK为第K 个工厂的负荷调整量；
在所述上层售电公司用电需求响应模型中，
Figure SMS_54
Figure SMS_55
Figure SMS_56
将上述三式代入所述上层售电公司用电需求响应模型进行最后的优化计算，且售电公司从中长期、现货市场和需求响应削减的负荷应与所属工业用户的用电负荷实时平衡，即：
Figure SMS_57
下层工业流程用电模型：
Figure SMS_58
其中，f1为工业用户总收益，c1为产品单价，c2为原料单价，dd为交货期，rd为实际完成期，pc为拖期惩罚系数，ps为存储费用，N为工人数量，W为单位时间单个工人工作日的人力成本；μ为生产任务加班时段时人力成本增加系数，λ为生产任务安排在节假日时段时人力成本增加系数；
且所述下层工业流程用电模型中的第一项为产品价值；第二项为存储成本，即提前交货期完成生产目标量而造成的库存费用；第三项为拖期成本，即未能按照合同约定完成生产目标量所引起的拖期惩罚(包括合同违约金和企业信誉损失)；第四项为电能成本；第五项为需求响应补偿收益；第六项为原料成本；第七项为人力成本；
其中，
Figure SMS_59
进一步的，所述求解过程包括：
确定所述上层售电公司用电需求响应模型的优化变量和约束条件；
确定所述下层工业流程用电模型的优化变量和约束条件；
将所述上层售电公司用电需求响应模型采用CPLEX求解器进行求解；
将所述下层工业流程用电模型采用粒子群算法对模型进行求解。
在此过程中，上层售电公司用电需求响应模型是一个整数线性规划问题，优化变量为
Figure SMS_60
Figure SMS_61
ΔPk，约束条件为/>
Figure SMS_62
下层工业流程用电模型是一个包含多种约束的混合整数非线性规划问题，优化变量为stij，k、rij，k、Sij，k和bij，k，约束条件为所述时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束。针对上述双层优化模型，上层在MATLAB R2014a里调用CPLEX求解器进行求解，下层采用粒子群算法对模型进行求解。
实施例2
在实施例1的基础上，如图2所示，售电公司会提前在中长期市场中获得一定的电量，并通过现货市场实现不平衡电量的基本平衡。中长期市场中售电公司与发电企业通过双边交易确定用电分配，一般执行固定电价表示用电分配。而现货交易的电量取决于系统实时供需关系，因此现货市场执行实时用电。首先参照某电网典型工业园区的工业负荷，得到售电公司所属区域调度周期内的负荷预测曲线图8所示，根据公式(1)得出现货市场的实时用电，然后根据工业用户的用量与现货市场和中长期市场的购电量总和确定需要调整负荷的量和调整的时间，以最优化上层售电公司的用电分配。如图8所示，以某砖厂工业用户为例，根据表1每个设备固定的参数，通过MATLAB曲线拟合工具箱拟合得出每个操作环节设备的单位加工时间与功率的关系常系数a、c如表2所示。再将上层的需求响应时间、调整的负荷和售电公司制定的分时电力分配和该工业用户每个操作的设备参数输入公式(2)～公式(15)和公式(22)采用粒子群算法得到下层的工业用户用电最优化，得出工业用户每个操作流程的详细调度参数，指导工业用户的生产。
表1
Figure SMS_63
表2
Figure SMS_64
Figure SMS_65
原始数据：
售电公司在中长期市场的购电价格为170元/(MW.h)电量为53.48MW.h。现货电价关于负荷的相关系数d＝0.0004、e＝-0.235。将用电策略设计的调度周期设为2天，即T7＝2880min，这是因为原本不使用用电策略1天的生产任务量，使用用电策略后生产时间可能会增加至2 天。因此，根据售电公司与工业用户签订的分时用电分配合同，采用分时用电信号指导用户生产，将调度周期分为6个时段，每个时段时长为480min，各时段的用电通过电价表示如表 3所示。生产目标任务量Sgoal为5000kg；产品单价为10元/kg；原料单价为2元/kg；交货期为 1500min，存储费用为500元/min；拖期惩罚系数为50元/min；工作日的人力成本平均每人 9.38元/h；工人人数为20人；μ＝1.5，λ＝2；
表3
Figure SMS_66
算法参数：
实现粒子群算法求解，设置种群规模为150，学习因子为1.5，速度最大值为0.5，最小值为-0.5。
综上所述，若以售电公司或工业用户单个用电最优化为目标进行优化，只能达到其中一方的目标最优，另一方的目标效果就会相应的受到影响，并且只是单纯的转移生产任务，降低用电成本，并没有使工业用户的用电最优化，而且售电公司也将会受损。所以，工业用户采用以售电公司和工业用户用电最优化的双层优化用电策略，能使售电公司用电分配最优化的同时考虑到工业用户的用电也达到最优化，以保证工业用户的积极配合执行售电公司制定的此用电策略。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于工业生产流程的用电模型仿真方法，其特征在于，包括：
S1：获取售电公司对工业生产流程的用电需求响应；
S2：确定工业生产流程中工业生产设备需要处理的任务操作类型；
S3：根据所述任务操作类型建立工业生产流程消耗用电模型；
S4：根据所述工业生产流程消耗用电模型和售电公司用电需求响应建立双层优化模型；
S5：对所述双层优化模型进行求解得到优化用电模型；
其中，所述用电需求响应公式：
Figure FDA0004173498310000011
其中，
Figure FDA0004173498310000012
为t时刻的现货实时电价；Pt load为t时刻的区域负荷；d为电价关于负荷的相关系数；e为常数项；
其中，所述S2中的任务操作类型包括：不可调度操作、可调度操作和是否需要投入设备操作；
其中，所述S3包括：
S31：根据所述可调度操作确定所述工业生产流程消耗用电模型的参数；
S32：确定所述工业生产流程消耗用电模型的用电功率模型；
S33：确定所述工业生产流程消耗用电模型的加工时间；
S34：确定所述工业生产流程消耗用电模型的工业生产过程中连续性操作和间歇性操作的开始时间；
S35：确定所述工业生产流程消耗用电模型的时间约束、顺序约束、容量约束、效率约束、物料平衡约束和任务完工约束；
S36：确定所述工业生产流程消耗用电模型的是否需要投入设备操作判断模型和电力成本计算模型；
其中，所述双层优化模型包括：
上层售电公司用电需求响应模型：
Figure FDA0004173498310000013
其中，f1为售电公司的售电收益；epcij,k为售电公司在第k个工业用户生产线j执行操作i的电费收益；K为工业用户集合；Pt L、pL分别为t时刻售电公司在中长期市场中的购电电量和购电电价；Pt s、
Figure FDA0004173498310000021
分别为t时刻售电公司在现货市场中的购电电量和实时电价；Tk DR为第k个工业用户参与需求响应的时间，Ck为第K个工厂调整单位负荷的补偿费用，ΔPK为第K个工厂的负荷调整量；
下层工业流程用电模型：
Figure FDA0004173498310000022
其中，f1为工业用户总收益，c1为产品单价，c2为原料单价，dd为交货期，rd为实际完成期，pc为拖期惩罚系数，ps为存储费用，N为工人数量，W为单位时间单个工人工作日的人力成本；μ为生产任务加班时段时人力成本增加系数，λ为生产任务安排在节假日时段时人力成本增加系数；
其中，所述求解过程包括：
确定所述上层售电公司用电需求响应模型的优化变量和约束条件；
确定所述下层工业流程用电模型的优化变量和约束条件；
将所述上层售电公司用电需求响应模型采用CPLEX求解器进行求解；
将所述下层工业流程用电模型采用粒子群算法对模型进行求解。
2.根据权利要求1所述的一种基于工业生产流程的用电模型仿真方法，其特征在于，所述用电功率模型：
ENij,k＝Pij,k·rij,k·bij,k (2)
其中，ENij,k为第k个工业用户生产线j执行操作i的单位时间电耗；Pij，k为第k个工业用户生产线j执行操作i的用电功率；rij，k为第k个工业用户生产线j执行操作i的效率；bij,k为第k个工业用户生产线j是否选择执行操作i，bij,k∈{0,1}；
所述加工时间：
Figure FDA0004173498310000023
其中，Tij,k为第k个工业用户生产线j执行操作i的总加工时间；Sij,k为第k个工业用户生产线j执行操作i的投入物料量；βij,k为第k个工业用户生产线j执行操作i的投料产出比例系数；Vij,k为第k个工业用户生产线j执行操作i的单位物料容量；T'ij,k＝a·(ENij,k)c为第k个工业用户生产线j执行操作i的单位加工时间。
3.根据权利要求1所述的一种基于工业生产流程的用电模型仿真方法，其特征在于，所述工业生产过程中连续性操作的开始时间：
当第k个工业用户生产线j执行i操作的总加工时间Tij，k小于第i+1个操作的总加工时间T(i+1)j，k时：
Figure FDA0004173498310000031
其中，stij,k、st(i+1)j,k分别为第k个工业用户生产线j执行操作i和i+1的加工开始时间；ct(i+1)j,k为第k个工业用户生产线j执行操作i+1的加工结束时间；
Figure FDA0004173498310000032
为第k个工业用户生产线j执行操作i与i+1之间调整区的时间；A(i,i+1)j,k为第k个工业用户生产线j执行操作i+1时是否参与售电公司的需求侧响应项目，A(i,i+1)j,k∈{0,1}；
当第k个工业用户生产线j执行i操作的总加工时间大于i+1操作的总加工时间时：
Figure FDA0004173498310000033
其中，T’(i+1)j,k是第k个工业用户生产线j执行生产线j执行操作i+1的单位加工时间；ctij,k第k个工业用户生产线j执行操作i的加工结束时间；
所述工业生产过程中间歇性操作的开始时间：
Figure FDA0004173498310000034
4.根据权利要求1所述的一种基于工业生产流程的用电模型仿真方法，其特征在于，所述时间约束：
stij,k≥0 (7)
ctij,k-stij,k≥Tij,k (8)
所述顺序约束：
st(i+1)j,k≥stij,k+T’ij,k (9)
所述容量约束：
Figure FDA0004173498310000041
其中，
Figure FDA0004173498310000042
和/>
Figure FDA0004173498310000043
分别表示第k个工业用户生产线j执行操作i时的最小和最大物料加工容量；
所述效率约束：
Figure FDA0004173498310000044
其中，
Figure FDA0004173498310000045
和/>
Figure FDA0004173498310000046
分别表示第k个工业用户生产线j执行操作i时的最小和最大生产效率；表示第k个工业用户生产线j执行操作i时的最小生产效率；
所述物料平衡约束：
S(i+1)j,k＝Sij,k·βij,k (12)
其中，S(i+1)j,k表示第k个工业用户生产线j执行操作i+1的投入物料量；
所述任务完工约束：
Figure FDA0004173498310000047
其中，
Figure FDA0004173498310000048
为第k个工业用户所在时间段内需完成的生产目标任务量。
5.根据权利要求1所述的一种基于工业生产流程的用电模型仿真方法，其特征在于，所述是否需要投入设备操作判断模型：
Figure FDA0004173498310000049
其中，MFt为加工时刻的环境因素包括温度、湿度等；MC为是否需要投入设备操作产品生产时的温度、湿度等工艺要求；
所述电力成本计算模型：
Figure FDA0004173498310000051
其中，epcij，k为第k个工业用户生产线j执行操作i的电力成本；pn为分时电价的价格；Tn为时间区间的时间间隔点。
CN202010836399.2A 2020-08-19 2020-08-19 一种基于工业生产流程的用电模型仿真方法 Active CN111985157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836399.2A CN111985157B (zh) 2020-08-19 2020-08-19 一种基于工业生产流程的用电模型仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836399.2A CN111985157B (zh) 2020-08-19 2020-08-19 一种基于工业生产流程的用电模型仿真方法

Publications (2)

Publication Number Publication Date
CN111985157A CN111985157A (zh) 2020-11-24
CN111985157B true CN111985157B (zh) 2023-05-23

Family

ID=73434125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836399.2A Active CN111985157B (zh) 2020-08-19 2020-08-19 一种基于工业生产流程的用电模型仿真方法

Country Status (1)

Country Link
CN (1) CN111985157B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895241A (zh) * 2017-12-18 2018-04-10 华北电力大学 一种售电公司购售电业务决策与风险评估方法
CN110084394A (zh) * 2019-06-11 2019-08-02 天津大学 一种考虑温控设备和电动汽车的工业用户智能用电优化方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3872286A (en) * 1973-10-12 1975-03-18 Westinghouse Electric Corp Control system and method for limiting power demand of an industrial plant
JP5646206B2 (ja) * 2010-04-28 2014-12-24 株式会社東芝 消費電力管理装置および消費電力管理方法
KR101589231B1 (ko) * 2013-11-08 2016-01-28 한양대학교 에리카산학협력단 전력 관리 방법 및 시스템
CN107093896B (zh) * 2017-05-10 2018-03-09 合肥工业大学 一种基于需求响应的工业负荷优化调度建模方法
CN108303958B (zh) * 2017-11-09 2019-03-19 重庆大学 一种炼钢连铸过程的多目标柔性调度方法
CN110020742A (zh) * 2018-12-25 2019-07-16 广东电网有限责任公司 一种工业用户源荷储需求响应优化方法及设备
CN109740948A (zh) * 2019-01-08 2019-05-10 重庆大学 一种计及用户需求响应的售电公司购电决策方法
CN110245808B (zh) * 2019-06-25 2023-05-12 湘潭大学 一种基于需量控制的钢包炉优化调度方法
CN110705921A (zh) * 2019-11-05 2020-01-17 东北电力大学 基于混合发电系统和需求响应工业用户能源用量评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895241A (zh) * 2017-12-18 2018-04-10 华北电力大学 一种售电公司购售电业务决策与风险评估方法
CN110084394A (zh) * 2019-06-11 2019-08-02 天津大学 一种考虑温控设备和电动汽车的工业用户智能用电优化方法

Also Published As

Publication number Publication date
CN111985157A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
Li et al. Real-time demand bidding for energy management in discrete manufacturing facilities
Shoreh et al. A survey of industrial applications of Demand Response
CN101261695A (zh) 一种流程工业生产调度系统的实时动态再调度方法
Lu et al. A hybrid deep learning-based online energy management scheme for industrial microgrid
CN102909844A (zh) 一种注塑机工件生产线的生产方法
Tan et al. Business model of virtual power plant considering uncertainty and different levels of market maturity
CN110766335B (zh) 一种计及需求侧响应的区域电力规划方法
Cheung et al. Short-term site-wide maintenance scheduling
Zhang et al. Big data driven decision-making for batch-based production systems
CN110570037A (zh) 基于scuc的电厂中长期极限交易电量优化方法及系统
CN111985157B (zh) 一种基于工业生产流程的用电模型仿真方法
Vöth et al. Demand response service architecture for power system of Russian mining enterprise
Guo et al. Energy-efficient flow-shop scheduling with the strategy of switching the power statuses of machines
Deng et al. Decentralized energy management system of distributed energy resources as virtual power plant: Economic risk analysis via downside risk constraints technique
CN107067168A (zh) 实现最优经济增长的国家多区域低碳政策设计与规划方法
Zhang et al. Artificial intelligence algorithm-based multi-objective optimization model of flexible flow shop smart scheduling
Forghani et al. Hierarchical framework for maintenance and production scheduling of continuous ball mills in tile industries under TOU electricity pricing
CN113869927B (zh) 一种促进社区微网内部多产消者能源共享的分时定价方法
Omoregie et al. Measuring regional competitiveness in oilseeds production and processing in Nigeria: a spatial equilibrium modelling approach
CN115713151A (zh) 一种数据中心源荷协同优化调度方法、系统、设备及介质
Lei et al. A new business model beneficial to both retailers and industrial customers in smart grids
Su et al. Multi-objective scheduling of a steelmaking plant integrated with renewable energy sources and energy storage systems: Balancing costs, emissions and make-span
Ashok PLC-based load management in steel rolling mills
CN112001522A (zh) 一种基于stn状态网络的专变用户用能优化方法
Urrutia et al. An aggregate production planning mathematical model, under a peak-demand electrical control policy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant