[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109783916A - 一种基于仿真技术的空气压缩机群组优化调度决策方法 - Google Patents

一种基于仿真技术的空气压缩机群组优化调度决策方法 Download PDF

Info

Publication number
CN109783916A
CN109783916A CN201910001583.2A CN201910001583A CN109783916A CN 109783916 A CN109783916 A CN 109783916A CN 201910001583 A CN201910001583 A CN 201910001583A CN 109783916 A CN109783916 A CN 109783916A
Authority
CN
China
Prior art keywords
air compressor
ith
air
jth
group
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
Application number
CN201910001583.2A
Other languages
English (en)
Other versions
CN109783916B (zh
Inventor
赵珺
刘洋
周帆
韩中洋
王霖青
王伟
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910001583.2A priority Critical patent/CN109783916B/zh
Publication of CN109783916A publication Critical patent/CN109783916A/zh
Priority to PCT/CN2019/112956 priority patent/WO2020140564A1/zh
Priority to US16/928,672 priority patent/US11126765B2/en
Application granted granted Critical
Publication of CN109783916B publication Critical patent/CN109783916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • 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
    • 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
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明提供了一种基于仿真技术的空气压缩机群组优化调度决策方法，属于信息技术领域。本发明利用专家经验构建空气压缩机能耗模型样本集，应用最小二乘算法对空气压缩机能耗模型相关参数进行学习，以基于等效电的能源转化效率最大和经济成本最小为目标函数，应用仿真技术和深度优先树搜索算法求解空气压缩机群组多目标优化调度模型，最后利用模糊逻辑理论描述决策者的偏好，在交互式决策中引入决策者的偏好信息，从而协助生产工作人员制定安全、经济、高效和环保的运行方案，实现空气压缩机群组资源最大化利用的运行模式。该方法在不同的工业领域中亦有广泛的应用价值。

Description

一种基于仿真技术的空气压缩机群组优化调度决策方法
技术领域
本发明属于信息技术领域，涉及到基于数据的空气压缩机动态建模、基于等效电的空气压缩机群组能效评估、基于深度优先树搜索算法的空气压缩机组合模型优化求解、以及基于偏好信息的智能优化等理论，是一种基于仿真技术的空气压缩机群组优化调度决策方法。本发明利用专家经验构建空气压缩机能耗模型样本集，并应用最小二乘算法对空气压缩机能耗模型相关参数进行学习；随后以基于等效电的能源转化效率最大和经济成本最小为目标函数，应用仿真技术和深度优先树搜索算法求解空压机群组多目标优化调度模型；最后利用模糊逻辑理论描述决策者的偏好，并引入到交互式决策中，从而协助生产工作人员制定安全、经济、高效和环保的运行方案，实现空气压缩机群组资源最大化利用的运行模式。该方法在不同的工业领域中亦有广泛的应用价值。
背景技术
空气压缩机具有结构简单、系统维护量小、元器件价格低廉的特点，是冶金、工业制造、生物制药等工业生产过程的主要动力能源。随着我国能源形势的日益严峻，其节能潜力评估和优化调度决策越来越成为企业和研究人员关注的重点。空气压缩机群组是一个时变、时滞和非线性的复杂系统，由于机组调度的不合理、不及时等原因，导致空气压缩系统资源利用率低、能耗高，存在较大节能空间。因此，合理的空气压缩机组节能潜力评估和优化调度一方面能够实现空气压缩系统生产资源的结构性优化，满足不同生产用户的用气需求，为生产安全、节能降耗提供基础支撑；另一方面也可提高空气压缩机组综合运行效率，尽可能使空气压缩机组运行在最佳工况点，以提升空气压缩系统的节能性和经济性。
常见的空气压缩机群组调度是一个非线性、非凸、高维、多约束的复杂优化问题，相关解决方案——智能搜索算法通常分为三类：(1)广度优先搜索。该算法又称为宽度优先搜索或横向优先搜索，沿着树的宽度遍历树的所有节点。现有成果包括基于广度优先树搜索的分布式约束优化(Chen,Ziyu,et al.(2017).An improved DPOP algorithm based onbreadth first search pseudo-tree for distributed constraintoptimization.Applied Intelligence,47,607-623.)、并行分布式广度优先搜索应用于开普勒结构(Bisson,M.,et al.(2016).Parallel distributed breadth first search onthe kepler architecture.IEEE Transactions on Parallel&Distributed Systems,27,2091-2102.)等。(2)蒙特卡洛树搜索。该算法将蒙特卡洛模拟和树搜索算法结合，用计算机统计模拟或抽样，以获得复杂问题的近似解。现有成果包括Monte Carlo树搜索应用于计算机快速行动值估计(Gelly,S.,et al.(2011).Monte-carlo tree search and rapidaction value estimation in computer go.Artificial Intelligence,175,1856-1875.)混合蒙特卡罗树搜索方法应用于晶体结构确定(Shankland,K.,et al.(2005).Characterization of a hybrid monte carlo search algorithm for structuredetermination.Journal of Applied Crystallography,38,107-111.)等。(3)深度优先树搜索。该算法的目的是达到被搜索结构的所有结点。现有成果包括用于优化贝叶斯网络三角剖分(Li,C.,et al.(2017).An extended depth-first search algorithm foroptimal triangulation of Bayesian networks.International Journal ofApproximate Reasoning,80,294-312.)，深度优先搜索用于多图集合近似模式挖掘(Acosta-Mendoza,N.(2016).A new algorithm for approximate pattern mining inmulti-graph collections.Knowledge-Based Systems,109,198-207.)等。
除以上问题和局限外，如何将设备模型的特点与智能优化算法相结合，并实现空气压缩机组的快速精确求解，是目前相关研究的重点和难点。冶金能源系统中存在多个空气压缩机组，它们分布于厂区的不同位置，通过管网实现多机组跨区域供能。如何实现不同区域不同机组空压机的合理配置，其难点在于：(1)面向不同类型、不同型号的空气压缩机，其设备机理和参数各有差异，因此难以建立一个普适性的空气压缩机机理模型；(2)空气压缩机组能效在线评估模型如何兼顾能源种类的“质”和“量”；(3)从实际应用上出发，将设备模型的特点与深度优先树搜索算法结合快速准确求解空气压缩机群组多目标优化模型是十分困难的；(4)在人机交互动态智能优化决策中引入决策者偏好信息是一项具有挑战性的工作。目前还缺少一种有效的方法能够系统性的同时解决上述所有问题。
发明内容
本发明要解决的是空压机群组优化调度决策问题。本发明首先基于专家经验构造空压机模型样本集，应用最小二乘算法对空压机能耗模型相关参数进行在线学习；然后以基于等效电法的能源转换效率最大和经济成本最小为目标函数，利用仿真技术和深度优先树搜索算法求解空压机群组多目标优化调度模型；最后利用模糊逻辑理论描述决策者的偏好，引入到交互式决策中。该发明可以为现场工作人员提供既安全又经济的调度方案，从而提高空气压缩机组的资源利用率。
本发明技术方案：
基于仿真技术的空气压缩机群组优化调度决策方法，如附图1所示，具体步骤如下：
(1)空气压缩机能耗模型构建：利用专家经验选取每台空气压缩机一段时间内的进气流量、放散流量和电机电流，作为空气压缩机能耗模型的标准样本集；利用最小二乘法学习空气压缩机能耗模型参数，即空气压缩机进气流量与能耗之间关系；
(2)空气压缩机群组能效评估模型构建：将空气压缩机群组抽象为“黑箱”模型，其中输入是电能，输出是生产的压缩空气，放散为群组中空气压缩机通过放散阀的放散量；基于等效电法将空气压缩机群组输入输出以及放散转化为等效电，进而对空气压缩机群组进行能效评估；
(3)基于模拟仿真和深度优先树搜索算法的空气压缩机群组多目标优化调度建模与求解：所建立的空气压缩机能效评估和调度模型包含经济成本、空气压缩机能效等多个目标函数，进而结合生产工艺特点，应用仿真技术和深度优先树搜索算法求解空气压缩机多目标优化调度模型，并模拟空气压缩机群组的经济性和综合能源转换效率；
(4)引入决策者偏好信息的智能优化决策：利用仿真技术获得各项评价指标值，将决策者的偏好信息引入到Pareto最优解的求解过程中，使智能优化决策结果更加合理；其中，决策者的偏好信息利用模糊规则描述。
本发明的效果和益处：将空气压缩机工况特征与调度目标密切结合，应用模拟仿真技术和深度优先树搜索算法快速求解空气压缩机群组多目标优化模型，实现优化调度方案的经济性和综合能效模拟，有效降低空气压缩机群组调度的盲目性，进而实现空气压缩机群组的经济、安全、高效的运行。本发明充分利用数据建模方法，建立一种普适性的空气压缩机能耗模型；综合考虑能源种类的“质”和“量”，建立基于等效电法的空气压缩机综合能效评估模型；结合空气压缩机设备的实际运行状态，利用仿真技术和深度优先树搜索算法结合快速求解空气压缩机组多目标优化调度模型；此外，本发明利用模糊规则描述决策者的偏好，并合理引入到动态智能化决策的过程中。
附图说明
图1为本发明中各个模块间的流程图。
图2为本发明空气压缩机群组的构成及厂区分布图。
图3为本发明专家偏好信息的模糊隶属度描述；图3(a)为输入变量能源转化效率的模糊隶属度函数；图3(b)为输入变量经济运行成本的模糊隶属度函数；图3(c)为输出变量重要性因子的模糊隶属度函数。
图4为本发明的具体实施流程图。
具体实施方式
为了更好地理解本发明的技术方案，本发明以冶金企业空压机群组调度为例，结合附图2和附图3对本发明的实施方式作详细描述。
一种基于仿真技术的空气压缩机群组优化调度决策方法，步骤如下：
步骤1：空气压缩机能耗模型构建及其参数学习
从数据库中获取第i个空气压缩机群组第j台空气压缩机一段时间内的进气流量、放散流量和电机电流；依据专家经验，从上述时间段内选择部分样本，构造该空气压缩机能耗模型的样本集；按照上述方式，依次初始化不同空气压缩机群组中每台空气压缩机的样本集；
在一个交替运行周期内，设第i个空气压缩机组第j台空气压缩机的进气流量为υij，空气压缩机能耗在开启、加载和卸载三个阶段不同，采用一个分段函数表示如下：
其中，第i个空气压缩机群组第j台空气压缩机在启动阶段和卸载阶段的电力耗能为一个固定的数值，分别可通过启停时间段能耗的积分获得；Uij和分别表示第i个空气压缩机群组第j台空气压缩机的电压和驱动电机的功率因数；Ψ(υij)表示第i个空气压缩机群组第j台空气压缩机的进气流量与电机电流之间的关系，两者之间关系通过最小二乘算法拟合空气压缩机群组能耗模型样本集得到。
步骤2：空气压缩机组在线能效评估及优化调度系统建模
1)目标函数
①基于等效电的综合能源转化效率最大化
其中，表示m个空气压缩机组基于等效电的能源转化效率目标函数，Si表示第i个空气压缩机组中空气压缩机的开启策略，表示第i个空气压缩机组第j个空气压缩机在开启策略Si下的加载功率，α1和β1分别为压缩空气折算成标准煤的系数和标准煤折算成等效电的系数，qi为第i个空气压缩机组中空气压缩机的损失系数，υ′ij表示第i个空气压缩机组第j空气压缩机在开启策略Si下的进气流量；
②经济运行成本最小
其中，表示m个空气压缩机组中空气压缩机经济成本的目标函数，表示电能的单价(kw/元)，表示在(t0,t1)时间段内m个空气压缩机组在开启策略Si下的电力耗能(kw)，和εij分别表示第i个空气压缩机组中第j个空气压缩机的启动成本、卸载成本以及折旧成本。
2)目标函数的约束条件
①空气压缩机进气流量的开度约束：
和分别表示第i个空气压缩机群组第j台空气压缩机进气流量的最大最小约束；
②空气压缩机群组产气量与用气量匹配约束：
表示m个空气压缩机群组中台空气压缩机的产气量，Qneed表示空气需求用户的空气需求量；
③空气压缩机的产气量约束
和分别表示第i个空气压缩机群组第j台空气压缩机出气流量的最大和最小约束；
④空气压缩机运行时间约束
和分别表示第i个空气压缩机群组第j台空气压缩机运行的最短和最长时间约束，该约束旨在避免空气压缩机的频繁启停和空气压缩机的长时间使用；
⑤管网压力变化约束
HL、HH分别是管网的压力上下限，H0表示空气压缩机群组出口压力的初始状态，ΔH则是对应的变化量；
步骤3：基于仿真技术和深度优先树搜索算法求解空气压缩机群组优化调度模型
本专利提出一种基于仿真技术的深度优先树搜索算法，以快速获取空气压缩机机组组合方案的仿真模拟结果，该算法求解步骤如下：
1)初始化运行状态：空气压缩机组每台空气压缩机看作一个节点，现场人员依据生产工况或生产计划设定节点的状态，状态State＝1表示空气压缩机处于正常状态，状态State＝0表示空气压缩机处于检修或故障状态；处于State＝0的空气压缩机不能作为组合调度优化求解的备选设备；
2)组合方案仿真模拟：每一条组合调度方案进行经济性和能源转化效率的数值模拟，如果该组合调度方案已经搜索过，则进行下一条组合调度方案的仿真模拟；
3)模拟仿真结果存储：每一条组合调度方案的经济性和能源转化效率的模拟数值进行存储，待组合调度方案全部遍历完后，进入基于决策者偏好信息的智能优化决策分析流程。
步骤4：基于决策者偏好信息的智能优化决策
设有能源转化效率和经济性两个评价指标来评价k个调度方案，第b个评价对象的第a个指标的特征值为xab，得到调度方案的特征矩阵为X＝(xab)2×k；将得到的特征矩阵进行标准化处理，消除指标间由于量纲不同带来的差异；标准化后处理得到的矩阵为X各值标准化的方法为：
其中，I1为空气压缩机能源转化效率指标，I2为经济性运行成本指标；
空气压缩机组智能优化调度决策系统利用模糊推理描述调度人员的偏好信息和复杂工况引起的指标权重变化等不确定性信息，从而增加调度决策方案的可行性和有效性。本发明借助广泛用于描述工业生产系统不确定信息的Mamdani模糊模型，其模糊规则可以定义为：
其中，和分别为能源转化效率和经济运行指标标准化的输入数值，P表示重要性因子；Af1和Af2分别表示能源转化效率和经济运行的模糊子集，Bf1表示重要性因子的模糊子集。模糊规则如表1所示：
表1模糊规则表
含偏好信息的多目标综合评价指标计算公式为：
y＝Max(y1,y2,…yk) (9)
其中，y值最大表示调度决策综合最优的方案，yk表示第k个调度方案的综合评价数值，Pk表示能源转化效率的重要性因子。
以某冶金企业空压机群系统为例，假设压缩气体在管道中传输为理想状态，空气压缩机用户的需求总量为人工设定，不考虑空气压缩机组的耗电价格不同时间的差别，即电价一律按0.458元/千瓦时计算。表2给出了本发明方法与人工调度方法的效果对比。
表2给出了本发明方法与人工调度方法的效果对比

Claims (1)

1.一种基于仿真技术的空气压缩机群组优化调度决策方法，步骤如下：
步骤1：空气压缩机能耗模型构建及其参数学习
从数据库中获取第i个空气压缩机群组第j台空气压缩机一段时间内的进气流量、放散流量和电机电流；按照经验从上述时间段内选择部分样本，构造空气压缩机能耗模型的样本集；依次初始化不同空气压缩机群组每台空气压缩机的样本集；
在一个交替运行周期内，设第i个空气压缩机组第j台空气压缩机的进气流量为υij，空气压缩机能耗在开启、加载和卸载三个阶段不同，采用一个分段函数表示如下：
其中，第i个空气压缩机群组第j台空气压缩机在启动阶段和卸载阶段的电力耗能为一个固定的数值，分别通过启停时间段能耗的积分获得；Uij和分别表示第i个空气压缩机群组第j台空气压缩机的电压和驱动电机的功率因数；Ψ(υij)表示第i个空气压缩机群组第j台空气压缩机的进气流量与电机电流之间的关系，两者之间关系通过最小二乘算法拟合空气压缩机群组能耗模型样本集得到；
步骤2：空气压缩机组在线能效评估及优化调度系统建模
1)目标函数
①基于等效电的综合能源转化效率最大化
其中，表示m个空气压缩机组基于等效电的能源转化效率目标函数，Si表示第i个空气压缩机组中空气压缩机的开启策略，表示第i空气压缩机组第j空气压缩机在开启策略Si下的加载功率，α1和β1分别为压缩空气折算成标准煤的系数和标准煤折算成等效电的系数，qi为第i个空气压缩机组中空气压缩机的损失系数，υ′ij表示第i个空气压缩机组第j个空气压缩机在开启策略Si下的进气流量；
②经济运行成本最小
其中，表示m个空气压缩机组中空气压缩机经济成本的目标函数，表示电能的单价，kw/元；表示在(t0,t1)时间段内m个空气压缩机组在开启策略Si下的电力耗能，kw；和εij分别表示第i个空气压缩机组中第j个空气压缩机的启动成本、卸载成本以及折旧成本；
2)目标函数的约束条件
目标函数约束条件的描述如下：
①空气压缩机进气流量的开度约束
和分别表示第i个空气压缩机群组第j台空气压缩机进气流量的最大最小约束；
②空气压缩机群组产气量与用气量匹配约束
表示m个空气压缩机群组中台空气压缩机的产气量，Qneed表示空气需求用户的空气需求量；
③空气压缩机的产气量约束
和分别表示第i个空气压缩机群组第j台空气压缩机出气流量的最大和最小约束；
④空气压缩机运行时间约束
和分别表示第i个空气压缩机群组第j台空气压缩机运行的最短和最长时间约束，该约束旨在避免空气压缩机的频繁启停和空气压缩机的长时间使用；
⑤管网压力变化约束
HL、HH分别是管网的压力上下限，H0表示空气压缩机群组出口压力的初始状态，ΔH则是对应的变化量；
步骤3：基于仿真技术和深度优先树搜索算法求解空气压缩机群组优化调度模型
基于仿真技术的深度优先树搜索算法，以快速获取空气压缩机机组组合方案的仿真模拟结果，该算法求解过程自上而下步骤如下：
1)初始化运行状态：空气压缩机组每台空气压缩机看作一个节点，现场人员依据生产工况或生产计划设定节点的状态；状态State＝1表示空气压缩机处于正常状态；状态State＝0表示空气压缩机处于检修或故障状态，处于该状态的空气压缩机不能作为组合调度优化求解的备选设备；
2)组合方案仿真模拟：每一条组合调度方案进行经济性和能源转化效率的数值模拟，如果该组合调度方案已经搜索过，则进行下一条组合调度方案的仿真模拟；
3)模拟仿真结果存储：对每一条组合调度方案的经济性和能源转化效率的数值模拟结果进行存储，待组合调度方案全部遍历完后，进入基于决策者偏好信息的智能优化决策分析流程；
步骤4：基于决策者偏好信息的智能优化决策系统
设有能源转化效率和经济性两个评价指标来评价k个调度方案，第b个评价对象的第a个指标的特征值为xab，得到调度方案的特征矩阵为X＝(xab)2×k；将得到的特征矩阵进行标准化处理，消除指标间由于量纲不同带来的差异；标准化后处理得到的矩阵为X各值标准化的方法为：
其中，I1为空气压缩机能源转化效率指标，I2为经济性运行成本指标；
Mamdani模糊模型广泛用于描述工业生产系统的不确定信息，其模糊规则定义为：
其中，和分别为能源转化效率和经济运行指标标准化的输入数值，P表示重要性因子；Af1和Af2分别表示能源转化效率和经济运行的模糊子集，Bf1表示重要性因子的模糊子集；模糊规则如表1所示：
表1模糊规则表
含偏好信息的多目标综合评价指标计算公式为：
y＝Max(y1,y2,…yk) (9)
其中，y值最大表示调度决策综合最优的方案，yk表示第k个调度方案的综合评价数值，Pk表示能源转化效率的重要性因子。
CN201910001583.2A 2019-01-02 2019-01-02 一种基于仿真技术的空气压缩机群组优化调度决策方法 Active CN109783916B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910001583.2A CN109783916B (zh) 2019-01-02 2019-01-02 一种基于仿真技术的空气压缩机群组优化调度决策方法
PCT/CN2019/112956 WO2020140564A1 (zh) 2019-01-02 2019-10-24 一种基于仿真技术的空气压缩机群组优化调度决策方法
US16/928,672 US11126765B2 (en) 2019-01-02 2020-07-14 Method for optimal scheduling decision of air compressor group based on simulation technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910001583.2A CN109783916B (zh) 2019-01-02 2019-01-02 一种基于仿真技术的空气压缩机群组优化调度决策方法

Publications (2)

Publication Number Publication Date
CN109783916A true CN109783916A (zh) 2019-05-21
CN109783916B CN109783916B (zh) 2021-06-18

Family

ID=66499707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910001583.2A Active CN109783916B (zh) 2019-01-02 2019-01-02 一种基于仿真技术的空气压缩机群组优化调度决策方法

Country Status (3)

Country Link
US (1) US11126765B2 (zh)
CN (1) CN109783916B (zh)
WO (1) WO2020140564A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110173958A (zh) * 2019-05-31 2019-08-27 新奥数能科技有限公司 一种天然气液化制冷优化方法及装置
CN110429893A (zh) * 2019-08-29 2019-11-08 上海电机学院 一种电机控制器载频动态优化方法及电机控制器
WO2020140564A1 (zh) * 2019-01-02 2020-07-09 大连理工大学 一种基于仿真技术的空气压缩机群组优化调度决策方法
CN112613733A (zh) * 2020-12-22 2021-04-06 江苏晟能科技有限公司 一种园区能源的智能管控方法及系统
CN113537644A (zh) * 2021-08-23 2021-10-22 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN113568307A (zh) * 2021-07-02 2021-10-29 福建时代星云科技有限公司 一种储充站的控制策略优化方法及终端
CN113807015A (zh) * 2021-09-17 2021-12-17 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN114358418A (zh) * 2021-12-31 2022-04-15 中冶赛迪重庆信息技术有限公司 一种低碳城市钢厂网络规划系统和方法
CN114781274A (zh) * 2022-05-17 2022-07-22 江苏泰坦智慧科技有限公司 仿真与决策交替学习的综合能源系统控制优化方法与系统
CN116244863A (zh) * 2023-03-09 2023-06-09 北京理工大学 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统
CN117145742A (zh) * 2023-10-31 2023-12-01 深圳市信润富联数字科技有限公司 空压机节能方法、装置、设备及计算机可读存储介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050573B (zh) * 2021-03-26 2022-09-13 山东莱钢永锋钢铁有限公司 一种基于生产节奏的空压机节能的方法
CN113297812B (zh) * 2021-05-19 2022-07-05 浙江国祥股份有限公司 一种多机头变频离心式冷水机组能效寻优控制方法
CN113361763B (zh) * 2021-06-02 2023-12-01 中海石油气电集团有限责任公司 一种输气管网的全时段运行优化方法及系统
CN113408194B (zh) * 2021-06-10 2022-12-02 北京宜能高科科技有限公司 常减压装置的通盘优化方法
CN114893402A (zh) * 2022-04-06 2022-08-12 合肥工业大学 基于人工智能的并联空压机能耗调控方法及系统
CN116988960A (zh) * 2022-04-25 2023-11-03 纬创资通(昆山)有限公司 适于空气压缩机群组的最佳化系统及其方法
CN115048773B (zh) * 2022-05-24 2024-03-29 西安交通大学 双时间尺度室温控制建模方法
CN114707369B (zh) * 2022-06-07 2022-09-02 武汉雄韬氢雄燃料电池科技有限公司 一种基于空压机的燃料电池空路子系统建模仿真方法
CN115099142B (zh) * 2022-06-22 2024-07-02 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法
CN115237075B (zh) * 2022-07-25 2024-09-03 中国地质大学（武汉） 一种基于改进海鸥算法的多目标分布式焊接车间调度排产方法
CN115599060B (zh) * 2022-10-24 2024-09-10 浙江中智达科技有限公司 一种压缩机的能耗调节方法、系统、电子设备及存储介质
CN116703321B (zh) * 2023-06-09 2023-11-21 北京市永康药业有限公司 一种基于绿色生产的药厂管理方法及系统
CN116681311B (zh) * 2023-07-28 2023-10-10 华中科技大学 基于时空尺度的电站运维决策优化方法、系统及介质
CN117154727B (zh) * 2023-11-01 2024-01-16 浙江优能电力设计有限公司 电力系统可靠性控制方法及系统
CN118093203B (zh) * 2024-04-24 2024-07-30 北京壁仞科技开发有限公司 数据搬运方法、分布式训练系统、电子设备和存储介质
CN118395642B (zh) * 2024-06-26 2024-08-20 中国航发四川燃气涡轮研究院 一种低换算转速大流量高压比压气机多参数气动设计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140058534A1 (en) * 2012-08-21 2014-02-27 General Electric Company Plant control optimization system
CN106786603A (zh) * 2017-02-22 2017-05-31 天津大学 一种区域综合能源系统多目标最优混合潮流算法
CN107769215A (zh) * 2018-01-19 2018-03-06 国网天津市电力公司 基于能源集线器的园区混合能源系统优化调度方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8566266B2 (en) * 2010-08-27 2013-10-22 Mitsubishi Electric Research Laboratories, Inc. Method for scheduling the operation of power generators using factored Markov decision process
CN102109823B (zh) * 2010-12-13 2013-06-26 北京三博中自科技有限公司 用于电机驱动的流体输送设备能效计算的建模方法和系统
CN103049625A (zh) * 2011-10-11 2013-04-17 新鼎系统股份有限公司 空压机操作预测管理方法
US9910449B2 (en) * 2013-04-19 2018-03-06 Google Llc Generating and implementing thermodynamic models of a structure
US20140324404A1 (en) * 2013-04-26 2014-10-30 Jose de la Torre-Bueno Systems and Methods for Efficiently Creating An Electronic Description of A Building
CN104463360B (zh) * 2014-12-02 2017-11-07 大连理工大学 一种基于数学规划的冶金企业氧氮能源优化调度方法
CN104751373B (zh) * 2015-03-23 2018-01-09 国网重庆市电力公司电力科学研究院 计及污染气体排放风险的环境经济调度方法
US20170061444A1 (en) * 2015-08-25 2017-03-02 Schneider Electric Usa Inc. Analysis engine that correlates business operations with facility energy use
CN106529021B (zh) * 2016-11-09 2019-07-26 东南大学 一种基于特征识别的空调系统仿真模拟方法
JP2018092248A (ja) * 2016-11-30 2018-06-14 トヨタ自動車株式会社 圧縮エア流量の算出方法、その装置、及びプログラム
JP2019200040A (ja) * 2018-05-18 2019-11-21 ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ モデル駆動型深層学習を有するｈｖａｃ制御システム
CN109164704B (zh) * 2018-08-07 2021-03-26 大连理工大学 一种基于混合模型的空压机群组优化调度方法
CN109783916B (zh) * 2019-01-02 2021-06-18 大连理工大学 一种基于仿真技术的空气压缩机群组优化调度决策方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140058534A1 (en) * 2012-08-21 2014-02-27 General Electric Company Plant control optimization system
CN106786603A (zh) * 2017-02-22 2017-05-31 天津大学 一种区域综合能源系统多目标最优混合潮流算法
CN107769215A (zh) * 2018-01-19 2018-03-06 国网天津市电力公司 基于能源集线器的园区混合能源系统优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郝勇生等: "EMS平台下的钢铁企业能源调度及优化关键问题研究", 《冶金自动化》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140564A1 (zh) * 2019-01-02 2020-07-09 大连理工大学 一种基于仿真技术的空气压缩机群组优化调度决策方法
US11126765B2 (en) 2019-01-02 2021-09-21 Dalian University Of Technology Method for optimal scheduling decision of air compressor group based on simulation technology
CN110173958A (zh) * 2019-05-31 2019-08-27 新奥数能科技有限公司 一种天然气液化制冷优化方法及装置
CN110429893A (zh) * 2019-08-29 2019-11-08 上海电机学院 一种电机控制器载频动态优化方法及电机控制器
CN112613733A (zh) * 2020-12-22 2021-04-06 江苏晟能科技有限公司 一种园区能源的智能管控方法及系统
CN113568307B (zh) * 2021-07-02 2022-04-01 福建时代星云科技有限公司 一种储充站的控制策略优化方法及终端
CN113568307A (zh) * 2021-07-02 2021-10-29 福建时代星云科技有限公司 一种储充站的控制策略优化方法及终端
CN113537644A (zh) * 2021-08-23 2021-10-22 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN113537644B (zh) * 2021-08-23 2022-07-08 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN113807015B (zh) * 2021-09-17 2023-12-26 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN113807015A (zh) * 2021-09-17 2021-12-17 南方电网科学研究院有限责任公司 压缩空气储能系统参数优化方法、装置、设备及存储介质
CN114358418A (zh) * 2021-12-31 2022-04-15 中冶赛迪重庆信息技术有限公司 一种低碳城市钢厂网络规划系统和方法
CN114358418B (zh) * 2021-12-31 2024-06-07 中冶赛迪信息技术(重庆)有限公司 一种低碳城市钢厂网络规划系统和方法
CN114781274B (zh) * 2022-05-17 2023-07-14 江苏泰坦智慧科技有限公司 仿真与决策交替学习的综合能源系统控制优化方法与系统
CN114781274A (zh) * 2022-05-17 2022-07-22 江苏泰坦智慧科技有限公司 仿真与决策交替学习的综合能源系统控制优化方法与系统
CN116244863A (zh) * 2023-03-09 2023-06-09 北京理工大学 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统
CN116244863B (zh) * 2023-03-09 2024-05-17 北京理工大学 基于多粒度案例柔性重构的回流焊焊点仿真设计决策系统
CN117145742A (zh) * 2023-10-31 2023-12-01 深圳市信润富联数字科技有限公司 空压机节能方法、装置、设备及计算机可读存储介质
CN117145742B (zh) * 2023-10-31 2024-02-06 深圳市信润富联数字科技有限公司 空压机节能方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
US11126765B2 (en) 2021-09-21
US20200342150A1 (en) 2020-10-29
CN109783916B (zh) 2021-06-18
WO2020140564A1 (zh) 2020-07-09

Similar Documents

Publication Publication Date Title
CN109783916B (zh) 一种基于仿真技术的空气压缩机群组优化调度决策方法
Sun et al. From independence to interconnection—A review of AI technology applied in energy systems
CN109164704B (zh) 一种基于混合模型的空压机群组优化调度方法
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
Moradzadeh et al. A secure federated deep learning-based approach for heating load demand forecasting in building environment
Jiang et al. A data-driven based decomposition–integration method for remanufacturing cost prediction of end-of-life products
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
Liu et al. A multistage decision-making method for multi-source information with Shapley optimization based on normal cloud models
CN103698627A (zh) 基于灰模糊萤火虫算法优化的变压器故障诊断方法
Liu et al. An integrated fuzzy multi-energy transaction evaluation approach for energy internet markets considering judgement credibility and variable rough precision
Ma et al. Economic operation evaluation of active distribution network based on fuzzy Borda method
Kampouropoulos et al. An energy prediction method using adaptive neuro-fuzzy inference system and genetic algorithms
Yang et al. A Combined ARIMA-PPR Model for Short-Term Load Forecasting
CN115293502A (zh) 一种基于数据驱动的园区综合能源系统随机—分布鲁棒低碳调度方法
CN115034618A (zh) 一种基于模糊评价的社区综合能源系统效益评价方法
Kampouropoulos et al. Optimal control of energy hub systems by use of SQP algorithm and energy prediction
Subramanian et al. A simple approach for emission constrained economic dispatch problems
Li et al. Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm
Tsao et al. Sustainable advanced distribution management system design considering differential pricing schemes and carbon emissions
Kong et al. Running state prediction and evaluation of power transformers
Shao et al. Optimization method based on load forecasting for three-phase imbalance mitigation in low-voltage distribution network
Zhang Optimal Allocation of Power Grid Human Resources Based on Artificial Intelligence Technology and Fuzzy Neural Network
Tan et al. Study on the calculation of new energy subsidies based on multiple linear regression
Chaoyueling et al. Evaluation and analysis of power grid investment benefit efficiency based on DEMATEL-improved grey correlation method
Xu et al. A Hybrid Method Based on SVM Integrated Improved PSO Algorithm for Electrical Energy Consumption Forecasting of Crude Oil Pipeline

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