CN113537568A - 一种钢铁热轧生产调度计划确定方法及系统 - Google Patents
一种钢铁热轧生产调度计划确定方法及系统 Download PDFInfo
- Publication number
- CN113537568A CN113537568A CN202110678171.XA CN202110678171A CN113537568A CN 113537568 A CN113537568 A CN 113537568A CN 202110678171 A CN202110678171 A CN 202110678171A CN 113537568 A CN113537568 A CN 113537568A
- Authority
- CN
- China
- Prior art keywords
- rolling
- production
- steel
- hot rolling
- slab
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 197
- 239000010959 steel Substances 0.000 title claims abstract description 132
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 131
- 238000005098 hot rolling Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005096 rolling process Methods 0.000 claims abstract description 261
- 230000005611 electricity Effects 0.000 claims abstract description 79
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 66
- 230000004044 response Effects 0.000 claims abstract description 45
- 229910052742 iron Inorganic materials 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012384 transportation and delivery Methods 0.000 claims description 12
- 125000004432 carbon atom Chemical group C* 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 206010012186 Delayed delivery Diseases 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 37
- 210000000349 chromosome Anatomy 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000006798 recombination Effects 0.000 description 4
- 238000005215 recombination Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101100004280 Caenorhabditis elegans best-2 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
Abstract
本发明涉及一种钢铁热轧生产调度计划确定方法及系统,包括:获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;本发明将钢铁热轧电力大用户的可调容量纳入电力系统调度体系得到优化的钢铁热轧调度计划,能够减小工业生产用电成本,拓展电力需求响应负荷类型,促进电力供需平衡。
Description
技术领域
本发明涉及生产调度领域,具体涉及一种钢铁热轧生产调度计划确定方法及系统。
背景技术
工业用电在全社会用电结构的比重很大,用电结构中工业用电占比超过70%,并且主要集中在钢铁、化工、电力、石油等工业行业。其中,钢铁产业是国家支柱性产业,存在生产成本高、资源消耗大、环境污染严重等问题,节能降耗已成为钢铁工业生产过程亟需解决的难题。随着钢铁产业技术升级,多数企业硬件生产设备已具备先进水平,钢铁企业设备工艺改造节能空间越来越小,设备工艺改造节能的实施成本越来越高,基于计算机系统的精益过程控制和生产管理实现管理节能逐渐成为一个重要研究方向。
与连续过程生产相比,钢材热轧等间歇过程生产需要确定任务划分的批次以及每个批次内的产品加工次序等,通过对系统有限资源在时间和空间上的合理利用提高性能指标要求。由于生产工艺和订单交付时间约束以及生产批次单元高度耦合,导致间歇过程生产负荷与计划调度方案非线性相关。此外,生产计划调度往往同时涉及离散与连续操作,导致问题的复杂性和求解难度。为保证间歇生产过程工艺完整性和物流连续性,传统的直接负荷控制、可中断负荷等需求响应方法无法直接应用到间歇过程生产中,针对间歇过程的需求响应调度目前研究较少。
发明内容
针对现有技术的不足,本发明提供一种钢铁热轧生产调度计划确定方法,包括:
获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
优选的,所述铁热轧生产计划与电力需求响应一体化调度模型的构建,包括:
基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,分别以相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小为惩罚目标函数和以考虑违约成本及分时电价的轧制生产成本最小为成本目标函数确定钢铁热轧生产调度计划;
为所述惩罚目标函数和成本目标函数构建轧制单元内板坯次序约束、每个板坯仅能分配到一个轧制单元中的约束、轧制单元内连续轧制相同宽度板坯的轧制长度约束、轧制单元内板坯轧制长度上下限值约束、总计等待时间不能超过生产能力余量的约束、决策变量间的逻辑关系约束和可调容量约束。
进一步的,所述决策变量包括:板坯所分配的轧制单元、轧制宽度和轧制顺序的决策变量。
进一步的,所述相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小的计算式如下所示:
上式中,f1为相邻板坯间规格尺寸及硬度跳变产生的惩罚值,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合,pij为相邻板坯因宽度、厚度和硬度跳变引起的惩罚值,为轧制单元k的决策变量,若板坯j在轧制单元k内紧接板坯i后轧制,则否则
所述考虑违约成本及分时电价的轧制生产成本最小的计算式如下所示:
上式中,f2为轧制生产过程中的用电成本和订单延迟交付的违约成本之和,T为电价费率周期内划分的电价区段集合,πe为电价区段e对应的电价,e∈T,Wi为第i个板坯的轧制能耗预测值,ct为板坯延迟交付的违约成本,为0-1决策变量,用于表示板坯i生产所处的时间段是否在电价区段e内,若板坯i生产所处的时间段在电价区段e内,则否则 为板坯i实际完成时间与订单交付时间的时间差。
进一步的,所述相邻板坯因宽度、厚度和硬度跳变引起的惩罚值pij的计算式如下所示:
pij=pw,ij+pg,ij+ph,ij
上式中,pw,ij为相邻板坯i和j的宽度跳变惩罚值,pg,ij为相邻板坯i和j的厚度跳变惩罚值,ph,ij为相邻板坯i和j的硬度跳变惩罚值。
优选的,所述钢铁热轧生产负荷可调容量是基于优化时段内板坯的轧制顺序、轧制单元的轧制顺序和轧制单元的等待时间调整前后钢铁热轧生产负荷的用电功率变化值确定的。
进一步的,所述利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到钢铁热轧生产调度计划,包括:
基于铁热轧生产计划与电力需求响应一体化调度模型中的约束条件对调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序和轧制单元的等待时间分别对应个体的基因进行编码与解码,进而获取所述钢铁热轧生产计划与电力需求响应一体化调度模型中惩罚目标函数对应的适应度函数和成本目标函数对应的适应度函数;
利用多目标生产调度算法对获取的惩罚目标函数对应的适应度和成本目标函数对应的适应度函数进行求解,获取优化时段内钢铁热轧生产调度计划。
进一步的,所述基因编码中调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码为C,基因编码中调度计划的轧制单元的等待时间对应个体的基因编码为V;
所述调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C的计算式如下所示:
C=(c1,...,cb,...,cm×n)
上式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中的第b个元素的值,m为轧制单元数,n为板坯数;
所述调度计划的轧制单元的等待时间对应个体的基因编码V的计算式如下所示:
V=(v1,...,vk,...,vm)
上式中,vk为调度计划的轧制单元的等待时间对应个体的基因编码V中的第k个元素的值,m为轧制单元数。
基于同一发明构思本发明提供了一种钢铁热轧生产调度计划确定系统,所述系统包括:
获取模块,用于获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
优化模块,用于将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的一种钢铁热轧生产调度计划确定方法及系统,包括:获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;本发明提供的技术方案,将钢铁热轧电力大用户的可调容量纳入电力系统调度体系得到优化的钢铁热轧调度计划,能够减小工业生产用电成本,拓展电力需求响应负荷类型,促进电力供需平衡。
附图说明
图1是本发明提供的一种钢铁热轧生产调度计划确定方法的流程图;
图2本发明提供的染色体编码与映射示意图;
图3本发明提供的局部拥挤距离示意图;
图4本发明提供的一种钢铁热轧生产调度计划确定系统的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
本发明提供了一种钢铁热轧生产调度计划确定方法,目的是提供一种基本思路说明如何将钢铁热轧电力大用户的间歇生产负荷资源纳入电力系统调度体系中,得到优化的钢铁热轧调度计划,从而减小工业生产用电成本,拓展电力需求响应负荷类型,促进电力供需平衡。
本发明在确定钢铁热轧生产调度计划前预先建立钢铁热轧生产计划与电力需求响应一体化调度模型,所述模型的建立过程包括:
定义决策变量:
为完成电网下达的削峰任务,分时电价下负荷调度原则是尽量保证高生产负荷安排在低电价时段生产,以及将允许的生产空闲等待时间安排在高电价时段,通过错峰或避峰方式实现经济负荷调度,因此建立如下目标函数:
式中,f1为相邻板坯间规格尺寸及硬度跳变产生的惩罚值,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合,pij为相邻板坯因宽度、厚度和硬度跳变引起的惩罚值,为轧制单元k的决策变量,若板坯j在轧制单元k内紧接板坯i后轧制,则否则
所述考虑违约成本及分时电价的轧制生产成本最小的计算式如下所示:
式中,f2为轧制生产过程中的用电成本和订单延迟交付的违约成本之和,T为电价费率周期内划分的电价区段集合,πe为电价区段e对应的电价,e∈T,Wi为第i个板坯的轧制能耗预测值,ct为板坯延迟交付的违约成本,为0-1决策变量,用于表示板坯i生产所处的时间段是否在电价区段e内,若板坯i生产所处的时间段在电价区段e内,则否则 为板坯i实际完成时间与订单交付时间的时间差。
上述目标函数的约束条件包括:轧制单元内板坯次序约束、每个板坯仅能分配到一个轧制单元中的约束、轧制单元内连续轧制相同宽度板坯的轧制长度约束、轧制单元内板坯轧制长度上下限值约束、总计等待时间不能超过生产能力余量的约束、决策变量间的逻辑关系约束和可调容量约束;
其中,所述轧制单元内板坯次序约束,如下式所示:
上式中,为在轧制单元k内板坯j紧接板坯i后轧制的决策变量,若在轧制单元k内板坯j紧接板坯i后轧制,则否则 为板坯j被安排在轧制单元k内生产的决策变量,若板坯j被安排在轧制单元k内生产,则否则M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述每个板坯仅能分配到一个轧制单元中的约束,如下式所示:
上式中,为板坯i被安排在轧制单元k内生产的决策变量,若板坯i被安排在轧制单元k内生产,则否则M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述轧制单元内连续轧制相同宽度板坯的轧制长度约束,如下式所示:
上式中,为板坯j在轧制单元k且在板坯i后与板坯i同宽度连续轧制,sij为宽度决策变量,若板坯i与板坯j的宽度相同,则sij=1,否则sij=0,lj为板坯j的轧制长度,R为轧制单元内相同宽度板坯连续轧制长度上限制,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述轧制单元内板坯轧制长度上下限值约束,如下式所示:
上式中,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,为板坯i被安排在轧制单元k内生产,li为板坯i的轧制长度,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述总计等待时间不能超过生产能力余量的约束,如下式所示:
上式中,vi为板坯i生产加工前的空闲等待时间,pi为板坯i轧制过程的生产耗时,Tsc为生产调度周期的总时长,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述决策变量间的逻辑关系约束,如下式所示:
上式中,为在轧制单元k内板坯j紧接板坯i后轧制的决策变量,若在轧制单元k内板坯j紧接板坯i后轧制,则否则 为板坯j被安排在轧制单元k内生产的决策变量,若板坯j被安排在轧制单元k内生产,则否则 为板坯i被安排在轧制单元k内生产的决策变量,若板坯i被安排在轧制单元k内生产,则否则M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合。
所述可调容量约束,如下式所示:
ΔQDR≥Qs
上式中,Qs为钢铁热轧负荷调度任务要求的调节量,ΔQDR为钢铁热轧生产负荷可调容量。
基于预先建立的上述模型以钢铁热轧间歇过程生产作为研究对象,分析电力需求响应环境对负荷分配与调度的影响,在保证生产工艺约束的前提下,研究兼顾用电和交付订单经济性目标与生产工艺目标的钢铁热轧生产计划与电力需求响应一体化调度方法确定热轧生产调度计划,减小工业生产成本,拓展电力需求响应负荷类型,促进电网调峰和稳定运行,其中对钢铁热轧生产调度计划确定方法进行具体解释如图1所示,该方法包括:
步骤1:获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
步骤2:将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
其中步骤1具体包括:
(1)对钢铁工业可调潜力分析
钢铁生产能耗巨大,节能降耗及可调节潜力巨大。主要生产负荷占总负荷的75%以上;辅助生产负荷约占总负荷的8%;安全保障负荷占总负荷的10%以上;非生产性负荷占总负荷的2%-5%。非生产性负荷包含办公照明、分体及中央空调系统和生活用电,占比较小,调控方式为直控(柔性),准备和恢复时间可以达到秒级,响应时间为0.5-2h。通过典型钢铁企业用户生产数据分析,钢铁行业在生产条件允许的情况下,生产性负荷可调比例为19%,非生产性负荷可调比例约占1%。钢铁企业板坯热轧生产作为铁钢行业中最主要的生产性负荷,具有非常广阔的可调前景;
(2)钢铁热轧生产负荷模型
钢铁热轧生产负荷为可时移负荷,通过响应电网调度转移负荷用电时间,热轧板坯生产计划转移前后t时刻热轧生产用电功率表达式为:
式中,P(t)为调节后t时刻钢铁热轧生产负荷的用电功率;P(t0)为调节前t时刻钢铁热轧生产负荷的用电功率;△P(t)为t时刻钢铁热轧生产负荷的功率调节量;△Q(t)为t时刻钢铁热轧生产负荷的转移电量,Δt为板坯生产所需的间歇时间,其中,开始工作时,在一段时间内处于恒定的能量Ei中,P(t)·Δt∈{0,Ei},Ei为t时刻所生产的板坯i在一段时间内的恒定能耗,Pi(t)为板坯i在Δt内的平均用电功率;
(3)钢铁热轧生产负荷可调容量测算
钢铁热轧生产负荷在整个生产周期内均可以通过调整板坯生产次序、轧制单元次序和轧制单元等待时间进行调整,可调时间尺度大。钢铁热轧生产负荷可调容量可表示为:
式中,△QDR是钢铁热轧生产负荷可调容量。
步骤2中利用多目标生产调度算法(MOPSA)对钢铁热轧生产计划与电力需求响应一体化调度模型求解具体包括:
(1)染色体编码
针对热轧批量计划编制的复杂约束条件,构造热轧批量计划编制问题遗传算法求解的自然数染色体编码,所述染色体编码如图2所示,该染色体编码由调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C和调度计划的轧制单元的等待时间对应个体的基因编码V部分构成,可表示为:
C=(c1,...,cb,...,cm×n)
V=(v1,...,vk,...,vm)
式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中的第b个元素的值,m为轧制单元数,n为板坯数,vk为调度计划的轧制单元的等待时间对应个体的基因编码V中的第k个元素的值,m为轧制单元数,编码C中基因ci(i=1,2,…,m×n)为[1,m×n]范围内不重复的自然数,通过可行化映射过程确定板坯s是否分配在轧制单元k内及其在轧制单元k内的次序。通过可行化映射过程将编码C转换为一个二维矩阵B,B中元素bkj的值表示第k个轧制单元内第j个板坯的原始序号。本发明中,矩阵B为非满秩矩阵,对任意行k,如果找到bkj=0,则可知bk,j-1为该轧制单元内的最后一个板坯。V为各个轧制单元待产时间,即轧制单元生产前的生产空闲等待时间。元素vk(1≤k≤m)表示第k个轧制单元的待产时间,所有轧制单元累计待产时间不能超过待产时间裕量。
其中,可行化映射过程步骤如下:
步骤A1:令b=1、各板坯利用标志变量等于0、各轧制单元中板坯数等于0、各轧制单元中板坯轧制总长度等于0和各轧制单元中相同宽度板坯轧制总长度等于0;
其中,b为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中的第b个元素,b∈[1~m×n];
步骤A2:基于调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中第b个元素的元素值cb确定所述元素值对应的板坯编号和所述板坯所属的轧制单元编号;
步骤A3:判断所述对应板坯的利用标志变量是否等于零,当利用标志变量等于零时,所述板坯为自由板坯,将所述对应板坯的利用标志变量等于其所属的轧制单元编号,对应板坯所属轧制单元中的板坯数增加1,对应板坯所属轧制单元的板坯轧制总长度增加对应板坯的长度,并判断对应板坯的宽度是否等于所属轧制单元中最近加入板坯的宽度,若是,则进入步骤4,否则设置所在轧制单元中相同宽度板坯轧制总长度等于零,进入步骤4;
当所述对应板坯的利用标志变量不等于零时,则进入步骤4;
其中,所述对应板坯的利用标志变量是根据所述对应板坯所属的轧制单元的编号确定的,若所述对应板坯没有所属轧制单元,则所述对应板坯的标志变量等于零;
步骤A4:令b=b+1,转步骤A2,重复执行上述操作,直到b=m×n+1结束操作;
步骤A5:判断各板坯的利用标志变量是否等于零且各板坯轧制总长度是否大于等于其所在轧制单元内板坯连续轧制长度的下限值,若是,则基因编码G=(C,V)即为钢铁热轧生产调度计划的一个可行解,否则,该基因编码表示的批量计划不满足约束,为不可行解,并对该编码赋予一个预设的适应度函数值,使其不被选入新种群。
进一步的,所述基于调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中第b个元素的元素值cb确定所述元素值对应的板坯编号和所述板坯所属的轧制单元编号,包括:
所述基因编码C中第b个元素值对应的板坯编号的计算式如下所示:
上式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中第b个元素的值,m为轧制单元数;
所述基因编码C中第b个元素值对应的板坯所属的轧制单元编号的计算式如下所示:
上式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中第b个元素的值,m为轧制单元数。
根据编码C的不同取值调整待产时间V的具体步骤为:
步骤B2:随机初始化各个轧制单元的待产时间序列V=(v1,v2,...,vm);
步骤B3:将生产调度周期的总时长Tsc划分为T个电价区段并按电价降序排列,得到排序后电价区段集合T=(t1,…,ts,...,tT);
步骤B4:调整轧制单元待产时间,对从tts开始生产的轧制单元uk,若满足且vk+1>0,则令vk+1=0,vk=vk+vk+1;对在tts结束生产的轧制单元uk,若满足且vk>0,则令vk=0,vk+1=vk+1+vk;
步骤B5:令ts=ts+1,转步骤B4对次高电价时段重复上述操作,直到ts=T表示所有待产时间调整完毕;
以上编码方式和可行化映射可以保证求得的可行解满足全部约束条件,解决了问题的约束处理难题,降低了问题求解难度。
(2)遗传算子设计
针对所设计的自然数染色体编码特点,设计如下三种遗传算子:
1)选择算子:选择算子的目标是在迭代过程中使种群向Pareto最优解方向聚集并保持种群多样性。本文算法采用锦标赛选择方法进行种群内个体选择:随机地在种群中选择h个个体构成分组,选取分组内适应值最好的个体将进入下一代种群,其中h称为竞赛规模,通常取值为2。如果种群规模为F,重复上述选择过程F次所得的个体构成新种群。锦标赛选择策略每次是选择最好的个体进入子代种群,显然,这种选择方式使得适应值较好的个体具有较大的“生存”机会。同时,由于它使用适应值的相对值作为选择的标准,而与适应值的数值大小不成直接比例,因此可以通用于最大化和最小化问题,并在一定程度上避免早熟和停滞现象的产生。
2)交叉算子:对选择产生的每一代新种群,按概率ρc选择个体对进行交叉重组,采用部分交叉匹配法对染色体A和B进行交叉重组。对交叉重组后的两个染色体A、B计算适应值并与父代染色体A、B适应值比较,从4个染色体中选择最优的2个进入种群。
3)变异算子:在每代种群中以概率ρm选择染色体采用子串重组变异策略进行变异操作:任意选择染色体编码中两个不大于限定间隔长度的位置,对位置之间的基因随机重排,对变异后染色体与父染色体作适应值比较,择优选入子种群。
(3)适应度函数的计算
在NSGA-II算法中,个体的适应度包括非支配解等级和虚拟适应度。为了保持种群多样性,NSGA-II算法首次提出了虚拟适应度的概念。所谓虚拟适应度,是指解空间上的某个体与其同等级相邻2个个体之间的局部拥挤距离。例如图3中第z点的拥挤距离即为与其处于相同等级相邻的第z-1点和z+1点在不同坐标轴上的距离之和,也即由z-1点和z+1点构成的矩形两条边长的和。
实现过程中,首先通过编码映射过程将染色体编码转换为二维矩阵B,然后按步骤二数学模型计算各个染色体的目标函数值,基于目标函数值确定个体的非支配等级和局部拥挤距离,由此得到每个个体的适应度。其具体步骤如下:
步骤C1:初始化同层个体的局部拥挤距离F[z]dis=0;
步骤C2:根据第α个目标函数值将同层个体按升序进行排列,令F=sort(F,α);
步骤C3:对边缘个体的拥挤距离赋予一个较大值η,以增强其选择优势保持种群多样性,F[1]dis=F[N]dis=η;
步骤C4:对剩余个体计算其局部拥挤距离F[z]dis=F[z]dis+F[z+1].α-F[z-1].α,其中F[z].α表示第z个体的第α个目标函数的值;
步骤C5:跳转至步骤C2,对其他目标函数重复上述操作。
(4)精英策略
精英策略是NSGA-II为保留优良个体直接进入子代所作的重要改进,本专利算法中所采用的方法是:1)将父代和子代种群中的所有染色体合成为一个新种群;2)将新种群按非支配排序等级分类并计算每个个体的局部拥挤距离,按排序等级和拥挤距离大小选取τ个优秀个体加入新的父代种群;3)在新的父代种群基础上开始新一轮的选择、交叉和变异进化操作。
实施例2
基于同一发明构思本发明提供一种钢铁热轧生产调度计划确定系统,如图4所示,所述系统包括:
获取模块,用于获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
优化模块,用于将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
具体的,所述铁热轧生产计划与电力需求响应一体化调度模型的构建,包括:
基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,分别以相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小为惩罚目标函数和以考虑违约成本及分时电价的轧制生产成本最小为成本目标函数确定钢铁热轧生产调度计划;
为所述惩罚目标函数和成本目标函数构建轧制单元内板坯次序约束、每个板坯仅能分配到一个轧制单元中的约束、轧制单元内连续轧制相同宽度板坯的轧制长度约束、轧制单元内板坯轧制长度上下限值约束、总计等待时间不能超过生产能力余量的约束、决策变量间的逻辑关系约束和可调容量约束。
其中,所述决策变量包括:板坯所分配的轧制单元、轧制宽度和轧制顺序的决策变量。
所述相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小的计算式如下所示:
上式中,f1为相邻板坯间规格尺寸及硬度跳变产生的惩罚值,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合,pij为相邻板坯因宽度、厚度和硬度跳变引起的惩罚值,为轧制单元k的决策变量,若板坯j在轧制单元k内紧接板坯i后轧制,则否则
所述考虑违约成本及分时电价的轧制生产成本最小的计算式如下所示:
上式中,f2为轧制生产过程中的用电成本和订单延迟交付的违约成本之和,T为电价费率周期内划分的电价区段集合,πe为电价区段e对应的电价,e∈T,Wi为第i个板坯的轧制能耗预测值,ct为板坯延迟交付的违约成本,为0-1决策变量,用于表示板坯i生产所处的时间段是否在电价区段e内,若板坯i生产所处的时间段在电价区段e内,则否则 为板坯i实际完成时间与订单交付时间的时间差。
所述相邻板坯因宽度、厚度和硬度跳变引起的惩罚值pij的计算式如下所示:
pij=pw,ij+pg,ij+ph,ij
上式中,pw,ij为相邻板坯i和j的宽度跳变惩罚值,pg,ij为相邻板坯i和j的厚度跳变惩罚值,ph,ij为相邻板坯i和j的硬度跳变惩罚值。
具体的,所述钢铁热轧生产负荷可调容量是基于优化时段内板坯的轧制顺序、轧制单元的轧制顺序和轧制单元的等待时间调整前后钢铁热轧生产负荷的用电功率变化值确定的。
进一步的,所述利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到钢铁热轧生产调度计划,包括:
基于铁热轧生产计划与电力需求响应一体化调度模型中的约束条件对调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序和轧制单元的等待时间分别对应个体的基因进行编码与解码,进而获取所述钢铁热轧生产计划与电力需求响应一体化调度模型中惩罚目标函数对应的适应度函数和成本目标函数对应的适应度函数;
利用多目标生产调度算法对获取的惩罚目标函数对应的适应度和成本目标函数对应的适应度函数进行求解,获取优化时段内钢铁热轧生产调度计划。
其中,所述基因编码中调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码为C,基因编码中调度计划的轧制单元的等待时间对应个体的基因编码为V;
所述调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C的计算式如下所示:
C=(c1,...,cb,...,cm×n)
上式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中的第b个元素的值,m为轧制单元数,n为板坯数;
所述调度计划的轧制单元的等待时间对应个体的基因编码V的计算式如下所示:
V=(v1,...,vk,...,vm)
上式中,vk为调度计划的轧制单元的等待时间对应个体的基因编码V中的第k个元素的值,m为轧制单元数。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种钢铁热轧生产调度计划确定方法,其特征在于,所述方法包括:
获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
2.如权利要求1所述的方法,其特征在于,所述铁热轧生产计划与电力需求响应一体化调度模型的构建,包括:
基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,分别以相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小为惩罚目标函数和以考虑违约成本及分时电价的轧制生产成本最小为成本目标函数确定钢铁热轧生产调度计划;
为所述惩罚目标函数和成本目标函数构建轧制单元内板坯次序约束、每个板坯仅能分配到一个轧制单元中的约束、轧制单元内连续轧制相同宽度板坯的轧制长度约束、轧制单元内板坯轧制长度上下限值约束、总计等待时间不能超过生产能力余量的约束、决策变量间的逻辑关系约束和可调容量约束。
3.如权利要求2所述的方法,其特征在于,所述决策变量包括:板坯所分配的轧制单元、轧制宽度和轧制顺序的决策变量。
4.如权利要求2所述的方法,其特征在于,所述相邻板坯间规格尺寸及硬度跳变产生的惩罚值最小的计算式如下所示:
上式中,f1为相邻板坯间规格尺寸及硬度跳变产生的惩罚值,M=[1~m],m为轧制单元数,M为轧制单元序号集合,N=[1~n],n为板坯数,N为板坯库中的板坯序号集合,pij为相邻板坯因宽度、厚度和硬度跳变引起的惩罚值,为轧制单元k的决策变量,若板坯j在轧制单元k内紧接板坯i后轧制,则否则
所述考虑违约成本及分时电价的轧制生产成本最小的计算式如下所示:
5.如权利要求4所述的方法,其特征在于,所述相邻板坯因宽度、厚度和硬度跳变引起的惩罚值pij的计算式如下所示:
pij=pw,ij+pg,ij+ph,ij
上式中,pw,ij为相邻板坯i和j的宽度跳变惩罚值,pg,ij为相邻板坯i和j的厚度跳变惩罚值,ph,ij为相邻板坯i和j的硬度跳变惩罚值。
7.如权利要求1所述的方法,其特征在于,所述钢铁热轧生产负荷可调容量是基于优化时段内板坯的轧制顺序、轧制单元的轧制顺序和轧制单元的等待时间调整前后钢铁热轧生产负荷的用电功率变化值确定的。
8.如权利要求2所述的方法,其特征在于,所述利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到钢铁热轧生产调度计划,包括:
基于铁热轧生产计划与电力需求响应一体化调度模型中的约束条件对调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序和轧制单元的等待时间分别对应个体的基因进行编码与解码,进而获取所述钢铁热轧生产计划与电力需求响应一体化调度模型中惩罚目标函数对应的适应度函数和成本目标函数对应的适应度函数;
利用多目标生产调度算法对获取的惩罚目标函数对应的适应度和成本目标函数对应的适应度函数进行求解,获取优化时段内钢铁热轧生产调度计划。
9.如权利要求8所述的方法,其特征在于,所述基因编码中调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码为C,基因编码中调度计划的轧制单元的等待时间对应个体的基因编码为V;
所述调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C的计算式如下所示:
C=(c1,...,cb,...,cm×n)
上式中,cb为调度计划的板坯是否分配在轧制单元内及其在轧制单元内的次序对应个体的基因编码C中的第b个元素的值,m为轧制单元数,n为板坯数;
所述调度计划的轧制单元的等待时间对应个体的基因编码V的计算式如下所示:
V=(v1,...,vk,...,vm)
上式中,vk为调度计划的轧制单元的等待时间对应个体的基因编码V中的第k个元素的值,m为轧制单元数。
10.一种钢铁热轧生产调度计划确定系统,其特征在于,所述系统包括:
获取模块,用于获取优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量;
优化模块,用于将优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量代入预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型中,利用多目标生产调度算法求解所述预先建立的钢铁热轧生产计划与电力需求响应一体化调度模型,得到优化时段内各轧制单元内的板坯数据及所述板坯的轧制顺序、各轧制单元的轧制顺序和各轧制单元的等待时间的调度计划;
所述钢铁热轧生产计划与电力需求响应一体化调度模型是基于优化时段内钢铁热轧生产的分时电价和钢铁热轧生产负荷可调容量,以相邻板坯间规格尺寸跳变产生的惩罚值最小为目标和以轧制生产成本最小为目标确定钢铁热轧生产调度计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678171.XA CN113537568A (zh) | 2021-06-18 | 2021-06-18 | 一种钢铁热轧生产调度计划确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678171.XA CN113537568A (zh) | 2021-06-18 | 2021-06-18 | 一种钢铁热轧生产调度计划确定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537568A true CN113537568A (zh) | 2021-10-22 |
Family
ID=78125216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678171.XA Pending CN113537568A (zh) | 2021-06-18 | 2021-06-18 | 一种钢铁热轧生产调度计划确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537568A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117541198A (zh) * | 2024-01-09 | 2024-02-09 | 贵州道坦坦科技股份有限公司 | 一种综合办公协作管理平台 |
CN117852904A (zh) * | 2023-12-27 | 2024-04-09 | 天津大学 | 一种面向调峰需求的钢铁热轧的调控能力评估方法 |
-
2021
- 2021-06-18 CN CN202110678171.XA patent/CN113537568A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117852904A (zh) * | 2023-12-27 | 2024-04-09 | 天津大学 | 一种面向调峰需求的钢铁热轧的调控能力评估方法 |
CN117541198A (zh) * | 2024-01-09 | 2024-02-09 | 贵州道坦坦科技股份有限公司 | 一种综合办公协作管理平台 |
CN117541198B (zh) * | 2024-01-09 | 2024-04-30 | 贵州道坦坦科技股份有限公司 | 一种综合办公协作管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537568A (zh) | 一种钢铁热轧生产调度计划确定方法及系统 | |
CN103617564B (zh) | 基于区域负荷预测值综合评价的全网负荷预测方法 | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN105483310A (zh) | 一种面向全流程生产的炼钢组批与排产方法 | |
CN101833709A (zh) | 半导体生产线生产计划的混合智能优化方法 | |
CN111259314B (zh) | 一种分布式混凝土预制构件流水车间生产调度方法 | |
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
CN105652791A (zh) | 订单驱动的离散制造过程能耗优化方法 | |
CN102608916A (zh) | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN109872046B (zh) | 混流装配线任务分配与投产排序集成优化方法 | |
CN104463414B (zh) | 一种分时电价下热轧生产经济负荷调度方法 | |
CN103272853A (zh) | 一种冷连轧各机架压下量与轧制速度的设定装置及方法 | |
CN101231720A (zh) | 基于遗传算法的企业过程模型多目标参数优化方法 | |
CN105013832A (zh) | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 | |
CN104680012A (zh) | 一种烧结配料计算模型 | |
CN114912346A (zh) | 基于学习能力的技能规划配置和车间调度集成优化方法 | |
CN111563629A (zh) | 柔性制造车间多阶段设备产能配置与鲁棒性布局优化方法 | |
CN109193807A (zh) | 一种电力系统经济调度方法及系统 | |
CN102621941B (zh) | 一种冷轧电镀锌机组钢卷排序方法及系统 | |
CN106971243A (zh) | 一种降低生产用电成本的热轧优化调度方法 | |
Lü et al. | Multiproduct and multistage integrated production planning model and algorithm based on an available production capacity network | |
CN116914729A (zh) | 一种钢铁轧钢工艺电力需求响应联合优化方法及系统 | |
CN114676987B (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
CN114298567B (zh) | 连铸机浇次计划排程及开浇时间动态决策方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |