CN114091784A - 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 - Google Patents
一种面向钢铁企业氧气系统的不确定优化调度方法及系统 Download PDFInfo
- Publication number
- CN114091784A CN114091784A CN202111454483.9A CN202111454483A CN114091784A CN 114091784 A CN114091784 A CN 114091784A CN 202111454483 A CN202111454483 A CN 202111454483A CN 114091784 A CN114091784 A CN 114091784A
- Authority
- CN
- China
- Prior art keywords
- oxygen
- time
- demand
- theta
- model
- 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.)
- Granted
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 229
- 239000001301 oxygen Substances 0.000 title claims abstract description 229
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 77
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 38
- 239000010959 steel Substances 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000009628 steelmaking Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 26
- 239000007789 gas Substances 0.000 claims description 25
- 238000005266 casting Methods 0.000 claims description 24
- 239000007788 liquid Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000009749 continuous casting Methods 0.000 claims description 15
- 238000000926 separation method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003754 machining Methods 0.000 claims description 6
- 238000010924 continuous production Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000036284 oxygen consumption Effects 0.000 description 3
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Separation By Low-Temperature Treatments (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于节能优化技术领域，具体公开了一种面向钢铁企业氧气系统的不确定优化调度方法及系统，该方法根据制造单元氧气需求量随机波动特点，构造基于时变预算的两阶段鲁棒优化模型，使能源收益最大化和能源放散操作波动偏差最小化；根据不同制造过程的特点构造需求预测模型：(1)针对高炉炼铁过程，运用高斯过程回归构建时间序列模型预测每个调度周期的氧气需求区间；(2)针对转炉炼钢过程，通过建立能力约束的生产调度模型估算各个调度周期的氧气需求；最后通过模型的集成和运行实现氧气系统的安全、稳定、高效运行。本发明采用数学模型和机器学习融合技术，减少了不可预知的随机因素对氧气系统的干扰，有助于钢铁企业实现能源系统的智能化管理。
Description
技术领域
本发明属于节能优化术领域，涉及一种面向钢铁企业氧气系统的不确定优化调度方法及系统。
背景技术
在实现低碳经济的背景下，能源在生产制造系统的运行中发挥着至关重要的作用。然而，大多数能源密集型制造企业面临两个主要挑战:(1)能源成本上升，(2)严格的排放要求。钢铁工业作为全球第二大能源消耗类行业所面临的节能减排挑战更为严峻。氧气作为钢铁企业最重要能源介质之一，为多个生产工序提供反应物质和能量，如高炉炼铁、转炉炼钢等。另外，氧气也是一种重要的医疗资源，特别是在COVID-19大流行期间。因此，如何对氧气生产和供应进行最优化的决策，对于企业节能减排和缓解公共卫生危机均具有重要意义。
在钢铁生产中，氧气能源系统主要由三个子系统组成:氧气生成系统(OGS)、氧气储存系统(OSS)和氧气用户系统(OUS)。OGS有一组空气分离单元(ASU)，它们将大气中的空气同时分离成纯气体，通常是氮气、氧气和氩气，液态氧注入特定容器，气态氧与使用者连接的供应网络连接。OSS包括向每个用户供应高压气体的管道网络，以及在供需之间起调节作用的氧气储气罐。钢铁生产过程中的使用者主要由炼铁、炼钢车间和其他离散用户组成，他们在不同的时间消耗不同的气态氧。在日常生产中，炼铁、炼钢车间耗氧量最大，其中炼铁占40％左右，炼钢占50％左右。
在氧气调度过程中，假设:(1)氮气、氩气和其他气体是充足的，氧气的调度不影响其他能源介质调度。(2)空分装置运行正常，无机器故障。(3)液氧是一种可回收的能源，只有在发生故障、维修或氧气需求不能满足时才使用。目前，大多数能源管理系统在寻求最优氧气调度方案时假定所有模型参数都是已知的。然而，氧气供需平衡往往受到外界不可预知或不可观测的因素的影响，如物料的动态到达、加工时间的随机变化等。这意味着氧气的最优调度决策可能不完全达到预先设计的平衡状态。因此，如何在不确定条件下进行氧气调度是实现钢铁企业能源系统安全、稳定和高效运行的关键问题。
发明内容
本发明的目的在于提供一种面向钢铁企业氧气系统的不确定优化调度方法及系统，实现在不确定条件下分配氧气。
为了达到上述目的，本发明的基础方案为：一种能量管理系统不确定条件下的氧气调度方法，包括如下步骤：
根据钢铁企业氧气能源系统的供需平衡关系与氧气需求柔性可调机制，构建氧气最优调度模型；
根据氧气需求量的随机波动特性，构建基于时变预算的两阶段鲁棒优化模型；
根据高炉炼铁过程氧气需求的连续化特征，建立基于高斯过程回归的时间序列模型预测其在炼铁过程的氧气需求区间；
根据转炉炼钢过程氧气需求的阶跃型特征，建立基于能源负载约束的炼钢生产调度模型，以估算多场景调度条件下的氧气需求区间；
通过EMS数据库获取相应模型的参数取值和氧气需求历史数据，通过需求预测和求解两阶段鲁棒优化模型，获取氧气供需两端的最优运行决策。
本基础方案的工作原理和有益效果在于：由于制造过程中出现的不确定性，供求之间的平衡常常会出现波动，提出一个基于预算不确定集的两阶段鲁棒优化模型(TSRO)。TSRO模型的主要目标最大限度地提高生产效率，并在此时此地做出最小化操作稳定性和过剩/短缺损失的决策。为了发现不确定能源需求的有限信息，建立时间序列模型来预测连续过程的能源需求，并建立基于能源负载约束的调度模型来估算离散过程的多场景能源需求。
首先构造基于时变预算的两阶段鲁棒优化模型：
目标函数如下：
最大限度保证能源利润f1，最小化储气罐液位水平在中间水平的偏差f2和过剩/短缺状况的惩罚f3，
其中，δ表示储气罐液位到其中间液位的偏差，
和
表示介于GVmid之下和之上的偏差，GVmid表示氧气储存器的中位值，
和
表示短缺和过剩的量；ωr，θ表示在时段θ时，制氧系统r的供氧负荷，γ1，γ2，γ3为目标函数中的权重系数，R为制氧系统中的供氧端，Θ表示氧气分布的整个时间，θ表示时间Θ的第θ阶段；
约束条件如下：
在供氧平衡阶段，供给方的空气分离装置r的工作负载(2)和连续需求用户q的使用流量(3)被限制在特定的范围内，且对于离散用户的需求只能选择一种氧气配置状态(4)，
空气分离装置负载变化约束：
在平衡阶段，需要限制两个时段的空分装置的负载之间的偏差在一定范围，
由于|ωr,θ-ωr,θ-1|是非线性函数，引入两个非负辅助变量
并使它们满足如下公式：
让
那么空分装置负载变化约束重新表述如下：
柔性需求约束:
每个时段的总能源需求已经由连续用户的流量和离散用户的所选氧气配置所决定：
平衡约束：
在第(θ-1)个时段末产生的氧气流入第θ个时段初的氧气存储系统，总的氧气生成量和需求量的差值应等于储气罐液位水平的变化值，即
引入两个非负变量
分别表示过剩量和短缺量，通过如下相似方程重新表示气体平衡关系，
容量约束：
将定义氧气储存系统的安全容量在特定范围[GVmin,GVmax]之间，
偏差定义：
第θ个时段，当前储气罐液位与中间液位之间的偏差可表示为:|GVθ-GVmid|，由于在目标函数希望偏差是最小的，所以低于和高于中间水平的偏差量分别用下列不等式来定义：
其中，
为制氧端r的最小制氧负荷，
为制氧端r的最小制氧负荷，ωr，θ-1：在时段θ-1时，制氧端r的供氧负荷，
表示在θ-1和θ时段，两者氧气负荷的最大偏差，两者氧气负荷的最大偏差；
非负辅助变量，Θθ表示第θ阶段的时间节点1,2,3...,θ；S表示离散氧气需求的所有场景，dq,θ表示氧气用户q在时段θ的氧气需求量，
在场景s氧气需求下氧气用户q在时段θ的氧气需求量，GVθ-1表示在时段θ-1时储气罐内气位，GVθ在时段θ时储气罐内气位；ρq用户q的用氧流速，QN连续用氧用户集，Zs：0-1变量，当且仅当选择第s种炼钢氧需求计划时，该变量等于1否则为0，该变量等于1否则为0；GV0初始储气罐内气位，GVmin储气罐氧气的最低气位。
在平衡阶段，能源管理系统首先需要在分配范围内通过最大化氧气生成系统的总工作量来增加能源利润。在调整阶段，由于需求端的变化，存储系统储气罐得液位会经常波动。当储气罐液位水平大于GVmax，其供给过剩就会导致环境污染。当储气罐液位水平低于GVmin，那么其供给短缺就会产生由液氧蒸发进入气室的额外花销。因此储气罐中间液位水平能够代表介于过剩和短缺的最佳状态。储气罐液位应大致保持在中间水平，以保持最佳供给能力，以减少气体系统不平衡影响制造过程的风险。
进一步，基于时变预算的两阶段鲁棒优化模型：
设dθ表示第θ个时段内的氧气总需求，假设dθ是一个基准值和上下界已知的不确定变量，即
其中，
为基准需求，
氧需求最大偏差；定义一个偏差比例因子
使其取值范围为[-1,1]，则在第θ个时段需求偏差满足如下关系：
其中Γθ为偏差累积的总预算，通过引入不确定氧气需求集结合重构后的初始柔性氧气最优调度模型建立TSRO模型，具体如下:
其中，vi为约束条件系数；ωτ表示时刻τ的氧气负荷；dτ(ρ,y)为时刻τ下的氧气需求函数，
为基准需求函数，
为需求函数的偏差，(ρ,y)为函数变量分别表示该时刻的氧气需求量，和需求模式；uτ(δ,∈)为时刻τ下的平衡控制函数，(δ,∈)为函数变量分别表示储气罐气位水平与其中间水平的偏差值和过剩/短缺值；
表示为重构模型后的约束条件；ατ,θ,βθ为引入时变性后模型的决策变量，约束(i)加入了一组保护变量，(ii-iii)为变量的取值范围，在实际使用TSRO时需确定Γθ的边界。
简化方程，利于后续计算。
进一步，针对高炉炼铁过程的氧气需求预测模型，建立时间序列预测模型的方法如下：
根据需氧量的时间序列λt,t∈T(T为整个供需过程的总时间节点集合)建立预测模型，其目的是基于状态空间模型(yt)找到函数φ(·)，
λt＝φ(yt)+εt＝φ(λt-1,…,λt-TL)+ζt (17)
其中，TL表示时间滞后的大小，t表示关注的以往时刻，ζt是t时刻的白噪声，φ(λt-1,…,λt-TL)表示基于状态空间模型的时间序列预测函数；
假设已经获得一个训练输入
大小为n，定义一个均值函数
和一个协方差函数：
对于训练集
定义协方差矩阵：
λ的先验分布表示为：
K(yt,y)＝[k(yt,yt-1),…,k(yt,yt-N)] (20)
构造新的联合分布来得到基于训练数据的函数P(λt∣y,λ,yt)的后验分布:
这里
通过对联合高斯分布的操作，得到的后验分布φ(yt)也是一个具有平均值和协方差函数的高斯分布，
有λt的完全分布，使用其均值、方差，引入置信区间，进行区间估计量化预测中的不确定性；由于氧气在连续过程中是平稳消耗的，假设每一时期的基准需求量及其最大偏差是相等的，用户q在每个时段的总需氧量参数化为λt,t∈T，就能通过时间序列预测模型来预测下一个时段的需氧量。
进一步，针对基于转炉炼钢生产调度模型估算离散氧气需求区间，根据生产率和能量损失，炼钢调度模型的目标是使总的生产周期和等待时间最小；
目标函数：
约束关系：
其中：J表示炼钢炉次集合，Ai,j表示分派在工序i的炉次j，Cmax表示最大完工时间，Wtot表示炉次总的等待时间，Agg,j表示任务Ag,j的下一个任务，Ag,jj表示在同一台机器上任务Ag,j的下一个任务，l表示时间结点；Cgg,j表示任务Ag,j后一个任务的完工时间，Cg,jj表示在同一机器上任务Ag,j后一个任务的完工时间，
为消耗氧气的炼钢工序，h表示炉次号，H表示炉次集合，Cg,j表示任务Ag,j的完工时间；xg,j,l为0-1变量，若炉次j在l时刻分派到工序g上即为1否则为0，
表示初始炼钢工序第q个阶段氧气的最大工作负载，C|G|,j表示炉次j在连铸工序的完工时间，C1,j炉次j在初始工序的完工时间，|G|为总的工序个数，|L|为时间点个数，C|G|,hh'表示连铸阶段浇次hh中第一个炉次的完工时间，CG,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的完工时间，C|G|,h”表示连铸阶段浇次h的末尾炉次的完工时间，PT|G|,hh'表示连铸阶段浇次hh中第一个炉次的加工时间，PT|G|,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的加工时间，SUhh表示浇次hh的开工时间，ESg,j为炉次j在工序g的最早开始加工时间，LFg,j为炉次j在工序g的最晚完工时间；
式(25)表示每一个任务只能在一个确定的时刻开始加工；
式(26)表示决策变量和任务加工结束时间之间的关系；
式(27)表示对于同一炉次的相邻加工任务，只有该炉次的前一个任务结束并转移到下一工序时，该炉次的下一任务才能开始；
式(28)表示在同一机器上的两个相邻加工任务，只有前一个任务加工结束时才能开始加工下一个任务；
式(29)表示在t时刻加工的所有炉次任务所耗资源不能大于当前时刻总的可用加工资源；
式(30)表示同一连铸机上浇次的最小准备时间；
式(31)表示同一浇次中的炉次应连续加工；
求解该模型得到调度解后根据θ时段的所有加工单元估算θ时段的氧气需求区间。
本发明还提供一种面向钢铁企业氧气系统的不确定优化调度系统，包括数据采集单元和计算单元，所述数据采集单元与钢厂MES和EMS数据库连接，用于调取工艺、设备参数信息及相应的历史数据，计算单元用于执行本发明所述方法，并将模型的最终的决策方案输出至EMS和MES系统，实现生产与能源的集成管理。
附图说明
图1是本发明面向钢铁企业氧气系统的不确定优化调度方法的示意图；
图2是本发明面向钢铁企业氧气系统的不确定优化调度方法的连续氧气需求时间序列模型预测示意图；
图3是本发明面向钢铁企业氧气系统的不确定优化调度方法的炼钢厂生产调度模型有向图；
图4是本发明面向钢铁企业氧气系统的不确定优化调度方法的离散氧气需求估算示意图；
图5是本发明面向钢铁企业氧气系统的不确定优化调度方法的决策支持系统示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
气态氧为生产单元提供能量，以进行反应或加工，并且生产单元的消耗需求指导气态氧和气态氧的操作。如何在制造系统和能源系统之间进行良好的权衡，对于现代钢铁企业实现可持续制造至关重要。
如图1所示，本发明公开了一种面向钢铁企业氧气系统的不确定优化调度方法，根据钢铁企业氧气能源系统的供需平衡关系与氧气需求柔性可调机制，构建一个氧气最优调度模型。根据氧气需求量的随机波动特性，构建一个基于时变预算的两阶段鲁棒优化模型。根据高炉炼铁过程氧气需求的连续化特征，建立一个基于高斯过程回归的时间序列模型预测其在炼铁工序的氧气需求区间。根据转炉炼钢过程氧气需求的阶跃型特征，建立基于能源负载约束的炼钢生产调度模型，以估算多场景调度条件下的氧气需求区间。通过EMS数据库获取相应模型的参数取值和氧气需求历史数据，通过需求预测和求解两阶段鲁棒优化模型，获取氧气供需两端的最优运行决策。
首先构造基于时变预算的两阶段鲁棒优化模型：
最大限度保证能源利润f1，最小化储气罐液位水平在中间水平的偏差f2和过剩/短缺状况的惩罚f3；
目标函数如下：
其中，δ表示储气罐液位到其中间液位的偏差，
和
表示介于GVmid之下和之上的偏差，GVmid表示氧气储存器的中位值，
和
表示短缺和过剩的量；ωr，θ表示在时段θ时，制氧系统r的供氧负荷，r为氧气生产系统供应方号数，γ1，γ2，γ3为目标函数中的权重系数，ω为供氧方提供氧气的负载量，R为制氧系统中的供氧端，Θ表示氧气分布的整个时间，θ表示时间Θ的第θ阶段；
约束条件如下：
在供氧平衡阶段，供给方的空气分离装置r的工作负载(2)和连续需求用户q的使用流量(3)被限制在特定的范围内，且对于离散用户的需求只能选择一种氧气配置状态(4)，
空气分离装置负载变化约束：
在平衡阶段，需要限制两个时段的空分装置的负载之间的偏差在一定范围，
由于|ωr,θ-ωr,θ-1|是非线性函数，引入两个非负辅助变量
并使它们满足如下公式：
让
那么空分装置负载变化约束重新表述如下：
柔性需求约束:
每个时段的总能源需求已经由连续用户的流量和离散用户的所选氧气配置所决定：
平衡约束：
在第(θ-1)个时段末产生的氧气流入第θ个时段初的氧气存储系统，总的氧气生成量和需求量的差值应等于储气罐液位水平的变化值，即
引入两个非负变量
分别表示过剩量和短缺量，通过如下相似方程重新表示气体平衡关系，
容量约束：
将定义氧气储存系统的安全容量在特定范围[GVmin,GVmax]之间，
偏差定义：
第θ个时段，当前储气罐液位与中间液位之间的偏差可表示为:|GVθ-GVmid|，由于在目标函数希望偏差是最小的，所以低于和高于中间水平的偏差量分别用下列不等式来定义：
其中，
为制氧端r的最小制氧负荷，
为制氧端r的最小制氧负荷，ωr，θ-1：在时段θ-1时，制氧端r的供氧负荷，
表示在θ-1和θ时段，两者氧气负荷的最大偏差，两者氧气负荷的最大偏差；
非负辅助变量，Θθ表示第θ阶段的时间节点1,2,3...,θ；S表示离散氧气需求的所有场景，dq,θ表示氧气用户q在时段θ的氧气需求量，
在场景s氧气需求下氧气用户q在时段θ的氧气需求量，GVθ-1表示在时段θ-1时储气罐内气位，GVθ在时段θ时储气罐内气位；ρq用户q的用氧流速，QN连续用氧用户集，Zs：0-1变量，当且仅当选择第s种炼钢氧需求计划时，该变量等于1否则为0，该变量等于1否则为0；GV0初始储气罐内气位，GVmin储气罐氧气的最低气位。
基于时变预算的两阶段鲁棒优化模型：
设dθ表示第θ个时段内的氧气总需求，假设dθ是一个基准值和上下界已知的不确定变量，即
其中，
为基准需求，
氧需求最大偏差；定义一个偏差比例因子
使其取值范围为[-1,1]，则在第θ个时段需求偏差满足如下关系：
其中Γθ为偏差累积的总预算，通过引入不确定氧气需求集结合重构后的初始柔性氧气最优调度模型建立TSRO模型，具体如下:
其中，vi为约束条件系数；ωτ表示时刻τ的氧气负荷；dτ(ρ,y)为时刻τ下的氧气需求函数，
为基准需求函数，
为需求函数的偏差，(ρ,y)为函数变量分别表示该时刻的氧气需求量和需求模式；uτ(δ,∈)为时刻τ下的平衡控制函数，(δ,∈)为函数变量分别表示储气罐气位水平与其中间水平的偏差值和过剩/短缺值；
表示为重构模型后的约束条件；ατ,θ,βθ为引入时变性后模型的决策变量，约束(i)加入了一组保护变量，(ii-iii)为变量的取值范围，在实际使用TSRO时需确定Γθ的边界。
根据工作单元的耗氧量，获取对应工作单元的运行参数；(1)根据不确定需求下用氧者的特点，建立时间序列模型，预测连续过程的需氧量；(2)通过设置不同的工作负载限制，建立炼钢调度模型，估算离散过程的耗氧量。
在钢铁厂，能源数据是作为时间序列收集的，能源用户的时间序列具有不同的过程特征。数据中的时间结构引起的时间序列往往表现出高相关性。支持向量机(SVM)、人工神经网络(ANN)、高斯过程(GP)和其他机器学习技术被应用于时间序列分析。图2是本发明面向钢铁企业氧气系统的不确定优化调度方法的连续氧气需求时间序列模型预测示意图建立时间序列模型的方法如下：
根据需氧量的时间序列λt,t∈T(T为整个供需过程的总时间节点集合)建立预测模型，其目的是基于状态空间模型(yt)找到函数φ(·)，
λt＝φ(yt)+εt＝φ(λt-1,…,λt-TL)+ζt (17)
其中，TL表示时间滞后的大小，t表示关注的以往时刻，ζt是t时刻的白噪声，φ(λt-1,…,λt-TL)表示基于状态空间模型的时间序列预测函数；
假设已经获得一个训练输入
大小为n，定义一个均值函数
和一个协方差函数：
对于训练集
定义协方差矩阵：
λ的先验分布表示为：
K(yt,y)＝[k(yt,yt-1),…,k(yt,yt-N)] (20)
构造新的联合分布来得到基于训练数据的函数P(λt∣y,λ,yt)的后验分布:
这里
通过对联合高斯分布的操作，得到的后验分布φ(yt)也是一个具有平均值和协方差函数的高斯分布，
有λt的完全分布，使用其均值、方差，引入置信区间，进行区间估计允许量化预测中的不确定性；由于氧气在连续过程中是平稳消耗的，假设每一时期的基准需求量及其最大偏差是相等的，用户q在每个时段的总需氧量参数化为λt,t∈T，并通过时间序列预测模型来预测下一个时段的需氧量。
钢铁厂炼钢车间采用多阶段离散工艺，能源需求呈阶段性变化，工艺调度直接影响氧气需求的分配。通过设置不同的工作负载限制来生成多个调度解，并根据调度解估算离散生产过程的氧气需求区间。如图3所示为面向钢铁企业氧气系统的不确定优化调度方法的炼钢厂生产调度模型有向图，炼钢调度计划的重点是为作业集J对应的任务Aij，分派相应的加工机器，并在符合能源约束的基础上优化一些给定的目标，如最大完工时间，总的等待时间，浇次提前/迟到惩罚。图4为完整炼钢调度计划甘特图和估算相应调度计划对应的氧气分配示意图。
首先针对炼钢车间工作负荷受限的工艺调度问题，建立一个混合整数线性规划(MILP)离散时间调度模型。根据生产率和能量损失，炼钢调度问题的目标是使总的最大完工时间和总的任务等待时间最小，
调度目标函数：
约束关系：
其中：J表示炼钢炉次集合，Ai,j表示分派在工序i的炉次j，Cmax表示最大完工时间，Wtot表示炉次总的等待时间，Agg,j表示任务Ag,j的下一个任务，Ag,jj表示在同一台机器上任务Ag,j的下一个任务，l表示时间结点；Cgg,j表示任务Ag,j后一个任务的完工时间，Cg,jj表示在同一机器上任务Ag,j后一个任务的完工时间，
为消耗氧气的炼钢工序，h表示炉次号，H表示炉次集合，Cg,j表示任务Ag,j的完工时间；xg,j,l为0-1变量，若炉次j在l时刻分派到工序g上即为1否则为0，
表示初始炼钢工序第q个阶段氧气的最大工作负载，C|G|,j表示炉次j在连铸工序的完工时间，C1,j炉次j在初始工序的完工时间，|G|为总的工序个数，|L|为时间点个数，C|G|,hh'表示连铸阶段浇次hh中第一个炉次的完工时间，C|G|,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的完工时间，C|G|,h”表示连铸阶段浇次h的末尾炉次的完工时间，PT|G|,hh'表示连铸阶段浇次hh中第一个炉次的加工时间，PT|G|,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的加工时间，SUhh表示浇次hh的开工时间，ESg,j为炉次j在工序g的最早开始加工时间，LFg,j为炉次j在工序g的最晚完工时间；
式(25)表示每一个任务只能在一个确定的时刻开始加工；
式(26)表示决策变量和任务加工结束时间之间的关系；
式(27)表示对于同一炉次的相邻加工任务，只有该炉次的前一个任务结束并转移到下一工序时，该炉次的下一任务才能开始；
式(28)表示在同一机器上的两个相邻加工任务，只有前一个任务加工结束时才能开始加工下一个任务；
式(29)表示在t时刻加工的所有炉次任务所耗资源不能大于当前时刻总的可用加工资源；
式(30)表示同一连铸机上浇次的最小准备时间；
式(31)表示同一浇次中的炉次应连续加工；
如图4所示，通过求解该模型得到调度解后根据θ时段的所有加工单元估算θ时段的氧气需求。
如图5所示，本发明还提供一种面向钢铁企业氧气系统的不确定优化调度方法的决策支持系统，包括数据采集单元和计算单元，数据采集单元与钢厂MES和EMS数据库连接，用于调取工艺、设备参数信息及相应的历史数据，计算单元用于执行本发明所述方法，并将模型的最终的决策方案输出至EMS和MES系统，实现生产与能源的集成管理。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种面向钢铁企业氧气系统的不确定优化调度方法，其特征在于，包括如下步骤：
根据钢铁企业氧气能源系统的供需平衡关系与氧气需求柔性可调机制，构建氧气最优调度模型；
根据氧气需求量的随机波动特性，构建基于时变预算的两阶段鲁棒优化模型；
根据高炉炼铁过程氧气需求的连续化特征，建立基于高斯过程回归的时间序列模型预测其在氧气调度周期内的需求区间；
根据转炉炼钢过程氧气需求的阶跃型特征，建立基于负载约束的炼钢生产调度模型，以估算多场景调度条件下的氧气需求区间；
通过EMS数据库获取相应模型的参数取值和氧气需求历史数据，通过需求预测和求解两阶段鲁棒优化模型，获取氧气供需两端的最优运行决策。
2.如权利要求1所述的面向钢铁企业氧气系统的不确定优化调度方法，其特征在于；
目标函数如下：
最大限度保证能源利润f1，最小化储气罐液位水平在中间水平的偏差f2和过剩/短缺状况的惩罚f3，
其中，δ表示储气罐液位到其中间液位的偏差，
和
表示介于GVmid之下和之上的偏差，GVmid表示氧气储存器的中位值，ω为供氧方提供氧气的负载量，
和
表示短缺和过剩的量；ωr，θ表示在时段θ时，制氧系统r的供氧负荷，γ1，γ2，γ3为目标函数中的权重系数，R为制氧系统中的供氧端，Θ表示氧气分布的整个时间，θ表示时间Θ的第θ阶段；
约束条件如下：
在供氧平衡阶段，供给方的空气分离装置r的工作负载(2)和连续需求用户q的使用流量(3)被限制在特定的范围内，且对于离散用户的需求只能选择一种氧气配置状态(4):
空气分离装置负载变化约束：
在平衡阶段，需要限制两个时段的空分装置的负载之间的偏差在一定范围，
由于|ωr,θ-ωr,θ-1|是非线性函数，引入两个非负辅助变量
并使它们满足如下公式：
让
那么空分装置负载变化约束重新表述如下：
柔性需求约束:
每个时段的总能源需求已经由连续用户的流量和离散用户的所选氧气配置所决定：
平衡约束：
在第(θ-1)个时段末产生的氧气流入第θ个时段初的氧气存储系统，总的氧气生成量和需求量的差值应等于储气罐液位水平的变化值，即
引入两个非负变量
分别表示过剩量和短缺量，通过如下相似方程重新表示气体平衡关系，
容量约束：
将定义氧气储存系统的安全容量在特定范围[GVmin,GVmax]之间，
偏差定义：
第θ个时段，当前储气罐液位与中间液位之间的偏差可表示为:|GVθ-GVmid|，由于在目标函数希望偏差是最小的，所以低于和高于中间水平的偏差量分别用下列不等式来定义：
其中，
为制氧端r的最小制氧负荷，
为制氧端r的最小制氧负荷，ωr，θ-1：在时段θ-1时，制氧端r的供氧负荷，
表示在θ-1和θ时段，两者氧气负荷的最大偏差，两者氧气负荷的最大偏差；
非负辅助变量，Θθ表示第θ阶段的时间节点1,2,3...,θ；S表示离散氧气需求的所有场景，dq,θ表示氧气用户q在时段θ的氧气需求量，
在场景s氧气需求下氧气用户q在时段θ的氧气需求量，GVθ-1表示在时段θ-1时储气罐内气位，GVθ在时段θ时储气罐内气位；ρq用户q的用氧流速，QN连续用氧用户集，Zs：0-1变量，当且仅当选择第s种炼钢氧需求计划时，该变量等于1否则为0，该变量等于1否则为0；GV0初始储气罐内气位，GVmin储气罐氧气的最低气位。
3.如权利要求1所述的面向钢铁企业氧气系统的不确定优化调度方法，其特征在于，基于时变预算的两阶段鲁棒优化模型：
设dθ表示第θ个时段内的氧气总需求，假设dθ是一个基准值和上下界已知的不确定变量，即
其中，
为基准需求，
氧需求最大偏差；定义一个偏差比例因子
使其取值范围为[-1,1]，则在第θ个时段需求偏差满足如下关系：
其中Γθ为偏差累积的总预算，通过引入不确定氧气需求集结合重构后的初始柔性氧气最优调度模型建立TSRO模型，具体如下:
其中，vi为约束条件系数；ωτ表示时刻τ的氧气负荷；dτ(ρ,y)为时刻τ下的氧气需求函数，
为基准需求函数，
为需求函数的偏差，(ρ,y)为函数变量分别表示该时刻的氧气需求量，和需求模式；uτ(δ,∈)为时刻τ下的平衡控制函数，(δ,∈)为函数变量分别表示储气罐气位水平与其中间水平的偏差值和过剩/短缺值；
表示为重构模型后的约束条件；ατ,θ,βθ为引入时变性后模型的决策变量，约束(i)加入了一组保护变量，(ii-iii)为变量的取值范围，在实际使用TSRO时需确定Γθ的边界。
4.如权利要求1所述的面向钢铁企业氧气系统的不确定优化调度方法，其特征在于，针对高炉炼铁过程的氧气需求，建立时间序列预测氧气模型的方法如下：
根据需氧量的时间序列λt,t∈T，T为整个供需过程的总时间节点集合，时间序列预测模型的目标是基于状态空间模型(yt)找到函数φ(·)，
λt＝φ(yt)+εt＝φ(λt-1,…,λt-TL)+ζt (17)
其中，TL表示时间滞后的大小，t表示关注的以往时刻，ζt是t时刻的白噪声，φ(λt-1,…,λt-TL)表示基于状态空间模型的时间序列预测函数；
假设已经获得一个训练输入
大小为n，定义一个均值函数
和一个协方差函数：
对于训练集
定义协方差矩阵：
λ的先验分布表示为：
K(yt,y)＝[k(yt,yt-1),…,k(yt,yt-N)] (20)
构造新的联合分布来得到基于训练数据的函数P(λt∣y,λ,yt)的后验分布:
这里
通过对联合高斯分布的操作，得到的后验分布φ(yt)也是一个具有平均值和协方差函数的高斯分布，
有λt的完全分布，使用其均值、方差，引入置信区间，进行区间估计允许量化预测中的不确定性；由于氧气在连续过程中是平稳消耗的，假设每一时期的基准需求量及其最大偏差是相等的，用户q在每个时段的总需氧量参数化为λt,t∈T，并通过时间序列预测模型来预测下一个时段的需氧量。
5.如权利要求1所述的面向钢铁企业氧气系统的不确定优化调度方法，其特征在于，针对转炉炼钢生产调度过程的需求估算模型，问题的目标是使总的生产周期和等待时间最小；
目标函数：
约束关系：
其中：J表示炼钢炉次集合，Ai,j表示分派在工序i的炉次j，Cmax表示最大完工时间，Wtot表示炉次总的等待时间，Agg,j表示任务Ag,j的下一个任务，Ag,jj表示在同一台机器上任务Ag,j的下一个任务，l表示时间结点；Cgg,j表示任务Ag,j后一个任务的完工时间，Cg,jj表示在同一机器上任务Ag,j后一个任务的完工时间，
为消耗氧气的炼钢工序，h表示炉次号，H表示炉次集合，Cg,j表示任务Ag,j的完工时间；xg,j,l为0-1变量，若炉次j在l时刻分派到工序g上即为1否则为0，
表示初始炼钢工序第q个阶段氧气的最大工作负载，C|G|,j表示炉次j在连铸工序的完工时间，C1,j炉次j在初始工序的完工时间，|G|为总的工序个数，|L|为时间点个数，C|G|,hh'表示连铸阶段浇次hh中第一个炉次的完工时间，C|G|,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的完工时间，C|G|,h”表示连铸阶段浇次h的末尾炉次的完工时间，PT|G|,hh'表示连铸阶段浇次hh中第一个炉次的加工时间，PT|G|,jj表示连铸阶段同一浇次中炉次j后面一个炉次jj的加工时间，SUhh表示浇次hh的开工时间，ESg,j为炉次j在工序g的最早开始加工时间，LFg,j为炉次j在工序g的最晚完工时间；
式(25)表示每一个任务只能在一个确定的时刻开始加工；
式(26)表示决策变量和任务加工结束时间之间的关系；
式(27)表示对于同一炉次的相邻加工任务，只有该炉次的前一个任务结束并转移到下一工序时，该炉次的下一任务才能开始；
式(28)表示在同一机器上的两个相邻加工任务，只有前一个任务加工结束时才能开始加工下一个任务；
式(29)表示在t时刻总的加工所耗资源不能大于当前时刻总的可用加工资源；
式(30)表示同一连铸机上浇次的最小准备时间；
式(31)表示同一浇次中的炉次应连续加工；
求解该模型得到调度解后根据θ时段的所有加工单元估算θ时段的氧气需求。
6.一种面向钢铁企业氧气系统的不确定优化调度系统，其特征在于，包括数据采集单元和计算单元，所述数据采集单元与钢厂MES和EMS数据库连接，用于调取工艺、设备参数信息及相应的历史数据，计算单元用于执行权利要求1-5之一所述方法，并将模型的最终的决策方案输出至EMS和MES系统，实现生产与能源的集成管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454483.9A CN114091784B (zh) | 2021-12-01 | 2021-12-01 | 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454483.9A CN114091784B (zh) | 2021-12-01 | 2021-12-01 | 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114091784A true CN114091784A (zh) | 2022-02-25 |
| CN114091784B CN114091784B (zh) | 2023-05-23 |
Family
ID=80306137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111454483.9A Active CN114091784B (zh) | 2021-12-01 | 2021-12-01 | 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091784B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115729198A (zh) * | 2022-12-02 | 2023-03-03 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
| CN115729198B (zh) * | 2022-12-02 | 2024-06-04 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103194553A (zh) * | 2013-04-07 | 2013-07-10 | 昆明理工大学 | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 |
| CN109214709A (zh) * | 2018-10-11 | 2019-01-15 | 冶金自动化研究设计院 | 一种钢铁企业制氧系统优化分配的方法 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
-
2021
- 2021-12-01 CN CN202111454483.9A patent/CN114091784B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103194553A (zh) * | 2013-04-07 | 2013-07-10 | 昆明理工大学 | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 |
| CN109214709A (zh) * | 2018-10-11 | 2019-01-15 | 冶金自动化研究设计院 | 一种钢铁企业制氧系统优化分配的方法 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115729198A (zh) * | 2022-12-02 | 2023-03-03 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
| CN115729198B (zh) * | 2022-12-02 | 2024-06-04 | 福州大学 | 考虑物料到料时间不确定的鲁棒优化成组生产方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114091784B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104616069B (zh) | 一种年度发电计划滚动分解优化方法 | |
| CN106505560B (zh) | 一种基于响应优先级的多策略协调的电网优化运行方法 | |
| CN103390195A (zh) | 一种基于强化学习的机械车间任务调度节能优化系统 | |
| Zhou et al. | Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times | |
| CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
| CN111092428B (zh) | 基于模型预测控制的主动配电网动态虚拟集群划分方法 | |
| CN104376412A (zh) | 一种新能源发电模式下高载能企业调峰控制方法 | |
| CN111293682B (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
| Han et al. | An optimized oxygen system scheduling with electricity cost consideration in steel industry | |
| CN108429265B (zh) | 一种需求响应调控方法及装置 | |
| CN114221357B (zh) | 计及调频备用效益的主动配电网分层分布式优化调度方法 | |
| CN112200348B (zh) | 一种计及综合需求响应的区域综合能源系统多目标运行决策方法 | |
| CN101887544A (zh) | 连续型企业生产与能源耦合优化建模方法 | |
| CN108133285A (zh) | 一种接入大规模可再生能源的混合能源系统实时调度方法 | |
| CN109214709B (zh) | 一种钢铁企业制氧系统优化分配的方法 | |
| CN108268973A (zh) | 不确定两阶段机会约束低碳电力优化规划方法 | |
| CN115062869B (zh) | 一种考虑碳排放量的综合能源调度方法和系统 | |
| Allman et al. | Distributed cooperative industrial demand response | |
| CN109858697A (zh) | 计及源荷随机的冷热电联供系统优化运行方法及系统 | |
| CN111817296A (zh) | 一种微电网用电能调度方法及系统 | |
| CN108365637A (zh) | 一种送电计划与抽水储能发电计划优化方法及系统 | |
| CN114665519A (zh) | 一种基于分层模型的风电场集群有功功率协调控制方法 | |
| CN114091784A (zh) | 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 | |
| CN112288170A (zh) | 基于大数据分析的电厂机组工况寻优分析方法 | |
| CN114925928B (zh) | 一种智能动态调控的地下综合体浅层地热能利用、存储方法及其系统 |
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 |