CN109164704A - 一种基于混合模型的空压机群组优化调度方法 - Google Patents
一种基于混合模型的空压机群组优化调度方法 Download PDFInfo
- Publication number
- CN109164704A CN109164704A CN201810888070.3A CN201810888070A CN109164704A CN 109164704 A CN109164704 A CN 109164704A CN 201810888070 A CN201810888070 A CN 201810888070A CN 109164704 A CN109164704 A CN 109164704A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- compressor machine
- air
- energy consumption
- compression station
- 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
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于混合模型的空压机群组优化调度方法,属于信息技术领域。本发明为了解决目前空压机群组调度中存在的盲目性,建立模拟仿真技术与组合调度优化决策相结合的混合模型。本发明利用工业现场实时样本动态更新利用专家经验构建的空压机能耗模型样本集,然后应用最小二乘算法对空压机能耗模型的相关参数进行在线学习,并应用模拟仿真技术和分层树搜索算法求解空压机群组多目标优化调度模型,最后利用熵权法和优劣解距离法对获取的调度方案进行综合评价,从而协助现场调度人员制定安全、节能、环保和经济的调度方案。此方法在不同的工业领域中亦有广泛的应用价值。
Description
技术领域
本发明属于信息技术领域,涉及到基于数据的空压机动态建模、模型参数的在线更新以及基于模拟仿真技术和分层树搜索算法的组合模型优化求解等理论,是一种基于混合模型的空压机群组优化调度方法。本发明利用工业现场实时样本动态更新利用专家经验构建的空压机能耗模型样本集,然后利用最小二乘算法对空压机能耗模型的相关参数进行在线学习,并应用模拟仿真技术和分层树搜索算法求解空压机群组多目标优化调度模型,最后运用熵权法和优劣解距离法对获取的调度方案进行综合评价,从而协助现场调度人员制定安全、节能、环保和经济的调度方案。此方法在不同的工业领域中亦有广泛的应用价值。
背景技术
气动控制***以压缩气体为工作介质,具有结构简单、***维护量小、元器件价格低廉等特点,在提高工业生产效率以及生产过程自动化率方面发挥着重要的作用。但压缩空气的生产是冶金、工业制造、生物制药等工业生产环节中的主要耗能单元,其主要原因是空压机群组调度的不合理、不及时等,导致了气动***能耗高、资源利用率低。因此,合理的空压机机组调度一方面能够在气动***短期运行中实现生产资源的结构性优化,满足不同生产用户的用气需求,为企业的安全生产及经济调度提供基础;另一方面也可提升空压机机组的运行效率,尽可能使其运行在最佳的工作点,以提升气动***运行的经济性和节能性。
常见的空压机群调度是一个包含多个约束条件的大规模非线性混合整数优化问题,依据算法的求解类型通常分为两类:(1)经典算法。目前对该类调度求解方法的研究很多,主要是借助动态规划法、混合整数法、拉格朗日松弛法、分支界定法等来求解机组的开启组合策略。但该类算法随着机组数目的增多,计算耗时成指数增长,例如基于拉格朗日松弛的分布式方法求解航空运输调度问题(Zhang,Y.,Su,R.,Li,Q.,et al.(2017).Distributed flight routing and scheduling for air traffic flowmanagement.IEEE Transactions on Intelligent Transportation Systems,10,2681-2692.),混合整数非线性规划算法求解热电联产热电厂的调度(Kim,J.S.,Edgar,T.F.(2014).Optimal scheduling of combined heat and power plants using mixed-integer nonlinear programming.Energy,77,675-690.)。(2)仿生物智能法。主要借助智能优化算法如遗传算法、模拟退火算法、粒子群算法、蚁群算法等搜索机组的开启组合方案。该类算法一般需要多次运行求解才能获取最优解,例如粒子群和遗传算法相结合的混合模型求解半导体制造车间组合调度问题(Jamrus,T.,Chien,C.F.,et al.(2017).Hybridparticle swarm optimization combined with genetic operators for flexible job-shop scheduling under uncertain processing time for semiconductormanufacturing.IEEE Transactions on Semiconductor Manufacturing,99,1-1.),粒子群优化算法求解交通信号灯的实时调度(Hu,W.,Wang,H.,Yan,L.,Du,B.(2016).A swarmintelligent method for traffic light scheduling:application to real urbantraffic networks.Applied Intelligence,1,208-231.)。
除以上问题和局限外,如何将设备模型的特点与机器学习算法相结合,并实现快速精确获取全局最优解,是目前相关研究的重点和难点。冶金能源***中存在多个空压机群组,如何实现不同群组中空压机的合理配置,在人工智能领域属于智能调度问题,其难点在于:本发明面向不同品牌、不同类型、不同型号的空压机,其运行机理和模型参数各有差异,因此建立一个普适性的空压机机理模型是难以实现的;空压机运行过程中设备的耗损,参数的漂移等要求空压机能耗模型应具有实时性,才能准确反映空压机的实际生产耗能状况;对可能存在的空压机开启组合方案进行穷举是十分困难的,需要一种能够快速准确求解空压机群组多目标优化模型的方法;从实际应用上考虑,空压机群组合方案存在多个评价指标,所以应综合考虑各个评价指标,从众多可行的方案中选取一个最优的调度方案。目前还缺少一种有效的方法能够***性的同时解决上述问题。
发明内容
本发明要解决的是空压机群组调度问题。本发明首先将工业现场实时样本在线更新至模型训练样本集中,进而利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。然后应用模拟仿真技术和分层树搜索算法求解空压机群组多目标优化调度模型,利用熵权法和优劣距离法对获取的空压机群组调度方案进行评价。该发明可以有效地提高空压机群组的资源利用率,从而为现场工作人员进行安全和经济的空压机群组调度提供决策支持。
本发明技术方案:
一种基于混合模型的空压机群组优化调度方法,如附图1所示,具体步骤如下:
(1)空压机能耗模型样本集构建:从数据库中获取每台空压机一段时间内的进气流量、电机电流、出口排气压力、出口流量,构造每台空压机能耗模型的样本集。
(2)空压机能耗模型样本集在线更新:空压机能耗模型样本集在线更新可通过实时采集样本更新和定时器触发动态更新两个流程实现能耗模型样本集的动态调整。
(3)空压机能耗模型相关参数的在线学习:空压机进气流量与电机电流之间的关系,空压机进气流量与出口排气压力之间的关系,空压机进气流量与出口流量之间的关系可分别利用最小二乘法实现空压机能耗模型相关参数的在线更新。
(4)基于模拟仿真和分层树搜索算法的空压机群组多目标优化调度建模与求解:所建立的空压机优化调度模型包含经济成本、空压机比功率等多个目标函数,应用分层树搜索算法求解空压机优化调度模型,并利用空压机能耗模型进行仿真模拟。
(5)基于熵权法和优劣距离法的调度方案优化决策:对获取的多个可行调度方案,应用熵权法和优劣距离法对不同评价指标下的调度方案进行决策分析。
本发明的效果和益处:本发明能够实现空压机群组合方案的快速求解,可行调度方案的模拟仿真以及调度方案的优化决策等功能,极大程度地缩短了调度方案的制定时间,降低了生产过程中电力消耗的成本,提高了企业生产的经济效益。本发明不需要考虑空压机的品牌、种类和型号,而是通过数据拟合的方法建立一种普适性的空压机能耗模型;随后的优化调度模块充分考虑了设备的实际运行状态,提出了一种基于模拟仿真和分层树搜索算法的空压机群组组合调度模型快速准确求解方法;此外,本发明还综合考虑了选择空压机方案的不同评价指标,应用熵权法和优劣距离法实现可行调度方案的优化决策。
附图说明
图1为本发明中各个模块间的关系图。
图2为本发明空压机群组的构成及厂区分布图。
图3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对本发明的实施方式作详细描述。
一种基于混合模型的空压机群组优化调度方法,步骤如下:
步骤1:空压机能耗模型样本集构建
从数据库中获取第i个空压站第j台空压机一段时间内的进气流量、出气流量、电机电流和出口排气压力;按照经验选择从上述时间段内的部分样本,构造该空压机能耗模型的初始样本集;依次初始化不同空压站中每台空压机的样本集;
步骤2:空压机能耗模型样本集在线更新
空压机能耗模型样本集在线更新包含实时采集样本更新空压机能耗模型样本集和定时器触发动态更新空压机能耗模型样本集两个流程;
实时采集样本更新空压机能耗模型样本集流程:从数据库中获取一条最新采集样本,首先计算该最新采集样本与第i个空压站第j台空压机能耗模型样本集中第个样本的欧式距离当时,该空压机能耗模型仅更新第个样本的时间;当时,该空压机能耗模型增加此最新采集样本到空压机能耗模型样本集中;σij的取值依据经验进行设定;不同空压站中每台空压机的能耗模型样本集依次按照此法进行更新;
定时器触发动态更新空压机能耗模型样本集流程:依据经验设定每台空压机能耗模型样本集的更新时间δij;当第i个空压站第j台空压机的第个样本时,空压机能耗模型对该样本进行遗忘,否则,空压机能耗模型则保留该样本;不同空压站中每台空压机的能耗模型样本集依次按照此法进行动态调整;
步骤3:空压机能耗模型构建及其参数更新
在一个交替运行周期内,设第i个空压站第j台空压机的进气流量为υij,空压机的能耗在空压机的开启、加载和卸载三个阶段耗电量不同,因此采用一个分段函数表示如下:
其中,第i个空压站第j台空压机在启动阶段和卸载阶段的电力耗能通过对相应时间段的耗能积分获得,为一个固定的数值;Uij和分别表示第i个空压站第j台空压机的电压和驱动电机的功率因数;Ψ(υij)表示第i个空压站第j台空压机的进气流量与电机电流之间的关系,两者之间关系的更新参数通过最小二乘算法拟合更新后的空压站能耗模型样本集实现;
空压机出口排气压力与进气流量之间的关系表示如下:
Pij=φij(υij) (2)
其中,Pij和υij分别表示第i个空压站第j台空压机在加载阶段的出口排气压力和进气流量,两者之间关系的参数更新通过最小二乘算法拟合更新后的空压站能耗模型样本集实现;
考虑空压机余隙容积内残留高压气体膨胀、气缸结构容积损失和内部通道的泄漏等原因,首先建立γ个时间段内第i个空压站第j台空压机进出口流量之间的映射关系集合利用其在γ个时间段内的均值来表征空压机进出口流量间的关系;空压机流量进出口关系计算公式如下:
其中,υij,Qij、λij分别表示第i个空压站第j台空压机在加载阶段的进气流量、出气流量、进气流量和出气流量之间的映射关系;
步骤4:空压机优化调度问题建模
1)目标函数
①比功率最大化
其中,表示m个空压站中空压机比功率的目标函数,Si表示第i个空压站中空压机的开启策略,表示第i空压站第j空压机在开启策略Si下的加载功率,υi′j表示第i个空压站第j空压机在开启策略Si下的进气流量;
②经济运行成本最小
其中,表示m个空压站中空压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个空压机站在开启策略Si下的电力耗能(kw),和εij分别表示第i个空压站中第j个空压机的启动成本、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空压机进气阀流量的开度约束
和分别表示第i个空压站第j台空压机进气流量的最大最小约束;
②空压机的产气量约束
和分别表示第i个空压站第j台空压机出气流量的最大和最小约束;
③产气量和用气量匹配约束
表示m个空压站台空压机的产气量,Qneed表示空气需求用户的空气需求量;
④空压机运行时间约束
和分别表示第i个空压站第j台空压机运行的最短和最长时间约束,该约束旨在避免空压机的频繁启停和空压机的长时间使用;
⑤管网压力变化约束
HL、HH分别是管网的压力上下限,H0表示空气压力的初始状态,ΔH则是对应的变化量;
步骤5:模拟仿真和分层树搜索算法求解空压调度模型
本研究提出一种分层树搜索算法,以快速获取空压机机组的最优组合;该算法求解过程自上而下可分为三层,即人机交互层、策略搜索层和设备选择层,具体的步骤如下:
1)人机交互层:空压机设备状态是现场人员依据生产工况或生产计划设定;状态State=1表示空压机处于正常状态;状态State=0表示空压机处于检修或故障状态,处于该状态的空压机不能作为组合调度求解的备选设备;
2)策略搜索层:人机交互层设定的空压机状态是构建不同空压站空压机的开启策略集合S的基础;深度优先树搜索算法遍历每一个开启策略集合,先判断该开启策略集合中空压机的开启台数是否满足用户气体的总需求量,如果满足则进入设备选择层选择需要开启的空压机组合,否则进入下一个空压机策略搜索过程;
3)设备选择层:深度优先树搜索算法遍历每个空压站空压机开启策略下的组合方案集合T,并利用蒙特卡洛模拟和空压机能耗模型计算每个组合方案的经济性和比功率;在所有开启策略下的组合方案都遍历之后,开始重复策略搜索层步骤进行下一开启策略的搜索;
步骤6:基于熵权法和优劣距离法的调度方案决策分析
装置群调度方案往往拥有不同的评价指标,经常因为仅考虑某一评价指标而获得偏离全局最优的调度方案;本发明将多目标熵权法引入到调度方案制定过程中,从而建立调度方案的决策分析模型。具体的计算流程如下:
1)空压机群组运行的评价体系构建
空压机群组运行的评价指标体系包含比功率以及运行成本,前者作为空压机的节能指标越大越好,后者作为空压机的经济运行指标越小越好;
2)评价指标数值的标准化处理
设有θ个调度评价指标来评价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)θ×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为空压机比功率指标,I2为成本性指标;
3)熵及熵权的计算
确定各个指标的权重,第i个指标的熵Ha为:
其中,Ha表示信息熵,此值越小表明该指标的变异程度越大,能够提供的信息量及其在综合评价中所起的作用也越大,因而权重也越大;ωa表示第a个指标的权重系数;
4)理想解集的定义
计算各个评价方案相对评价指标的最大值和最小值,进而构成最理想解和负理想解,表示如下:
其中,X+和X-分别理想解集和负理想解集;
5)计算各个备选方案与理想解集的距离
其中,D+和D-分别表示待评对象与最优和最劣解的距离;
6)综合评价指数
其中,O*∈(0,1),O*的值越大表征越接近最优解,评价对象越优。
以某冶金企业空压机群***为例,假设压缩气体在管道中传输为理想状态,空压机用户的需求总量为人工设定,不考虑空压机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1给出了本发明方法与人工调度方法的效果对比
表1给出了本发明方法与人工调度方法的效果对比
Claims (1)
1.一种基于混合模型的空压机群组优化调度方法,其特征在于,步骤如下:
步骤1:空压机能耗模型样本集构建
从数据库中获取第i个空压站第j台空压机一段时间内的进气流量、出气流量、电机电流和出口排气压力;按照经验选择从上述时间段内的部分样本,构造该空压机能耗模型的初始样本集;依次初始化不同空压站中每台空压机的样本集;
步骤2:空压机能耗模型样本集在线更新
空压机能耗模型样本集在线更新包含实时采集样本更新空压机能耗模型样本集和定时器触发动态更新空压机能耗模型样本集两个流程;
实时采集样本更新空压机能耗模型样本集流程:从数据库中获取一条最新采集样本,首先计算该最新采集样本与第i个空压站第j台空压机能耗模型样本集中第个样本的欧式距离当时,该空压机能耗模型仅更新第个样本的时间;当时,该空压机能耗模型增加此最新采集样本到空压机能耗模型样本集中;σij的取值依据经验进行设定;不同空压站中每台空压机的能耗模型样本集依次按照此法进行更新;
定时器触发动态更新空压机能耗模型样本集流程:依据经验设定每台空压机能耗模型样本集的更新时间δij;当第i个空压站第j台空压机的第个样本时,空压机能耗模型对该样本进行遗忘,否则,空压机能耗模型则保留该样本;不同空压站中每台空压机的能耗模型样本集依次按照此法进行动态调整;
步骤3:空压机能耗模型构建及其参数更新
在一个交替运行周期内,设第i个空压站第j台空压机的进气流量为υij,空压机的能耗在空压机的开启、加载和卸载三个阶段耗电量不同,因此采用一个分段函数表示如下:
其中,第i个空压站第j台空压机在启动阶段和卸载阶段的电力耗能通过对相应时间段的耗能积分获得,为一个固定的数值;Uij和分别表示第i个空压站第j台空压机的电压和驱动电机的功率因数;Ψ(υij)表示第i个空压站第j台空压机的进气流量与电机电流之间的关系,两者之间关系的更新参数通过最小二乘算法拟合更新后的空压站能耗模型样本集实现;
空压机出口排气压力与进气流量之间的关系表示如下:
Pij=φij(υij) (2)
其中,Pij和υij分别表示第i个空压站第j台空压机在加载阶段的出口排气压力和进气流量,两者之间关系的参数更新通过最小二乘算法拟合更新后的空压站能耗模型样本集实现;
考虑空压机余隙容积内残留高压气体膨胀、气缸结构容积损失和内部通道的泄漏,首先建立γ个时间段内第i个空压站第j台空压机进出口流量之间的映射关系集合利用其在γ个时间段内的均值来表征空压机进出口流量间的关系;空压机流量进出口关系计算公式如下:
其中,υij,Qij、λij分别表示第i个空压站第j台空压机在加载阶段的进气流量、出气流量、进气流量和出气流量之间的映射关系;
步骤4:空压机优化调度问题建模
1)目标函数
①比功率最大化
其中,表示m个空压站中空压机比功率的目标函数,Si表示第i个空压站中空压机的开启策略,表示第i空压站第j空压机在开启策略Si下的加载功率,υi′j表示第i个空压站第j空压机在开启策略Si下的进气流量;
②经济运行成本最小
其中,表示m个空压站中空压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个空压机站在开启策略Si下的电力耗能(kw),和εij分别表示第i个空压站中第j个空压机的启动成本、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空压机进气阀流量的开度约束
和分别表示第i个空压站第j台空压机进气流量的最大最小约束;
②空压机的产气量约束
和分别表示第i个空压站第j台空压机出气流量的最大和最小约束;
③产气量和用气量匹配约束
表示m个空压站台空压机的产气量,Qneed表示空气需求用户的空气需求量;
④空压机运行时间约束
和分别表示第i个空压站第j台空压机运行的最短和最长时间约束,该约束旨在避免空压机的频繁启停和空压机的长时间使用;
⑤管网压力变化约束
HL、HH分别是管网的压力上下限,H0表示空气压力的初始状态,ΔH则是对应的变化量;
步骤5:模拟仿真和分层树搜索算法求解空压调度模型
本研究提出一种分层树搜索算法,以快速获取空压机机组的最优组合;该算法求解过程自上而下可分为三层,即人机交互层、策略搜索层和设备选择层,具体的步骤如下:
1)人机交互层:空压机设备状态是现场人员依据生产工况或生产计划设定;状态State=1表示空压机处于正常状态;状态State=0表示空压机处于检修或故障状态,处于该状态的空压机不能作为组合调度求解的备选设备;
2)策略搜索层:人机交互层设定的空压机状态是构建不同空压站空压机的开启策略集合S的基础;深度优先树搜索算法遍历每一个开启策略集合,先判断该开启策略集合中空压机的开启台数是否满足用户气体的总需求量,如果满足则进入设备选择层选择需要开启的空压机组合,否则进入下一个空压机策略搜索过程;
3)设备选择层:深度优先树搜索算法遍历每个空压站空压机开启策略下的组合方案集合T,并利用蒙特卡洛模拟和空压机能耗模型计算每个组合方案的经济性和比功率;在所有开启策略下的组合方案都遍历之后,开始重复策略搜索层步骤进行下一开启策略的搜索;
步骤6:基于熵权法和优劣距离法的调度方案决策分析
装置群调度方案往往拥有不同的评价指标,经常因为仅考虑某一评价指标而获得偏离全局最优的调度方案;本发明将多目标熵权法引入到调度方案制定过程中,从而建立调度方案的决策分析模型;具体的计算流程如下:
1)空压机群组运行的评价体系构建
空压机群组运行的评价指标体系包含比功率以及运行成本,前者作为空压机的节能指标越大越好,后者作为空压机的经济运行指标越小越好;
2)评价指标数值的标准化处理
设有θ个调度评价指标来评价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)θ×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为空压机比功率指标,I2为成本性指标;
3)熵及熵权的计算
确定各个指标的权重,第i个指标的熵Ha为:
其中,Ha表示信息熵,此值越小表明该指标的变异程度越大,能够提供的信息量及其在综合评价中所起的作用也越大,因而权重也越大;ωa表示第a个指标的权重系数;
4)理想解集的定义
计算各个评价方案相对评价指标的最大值和最小值,进而构成最理想解和负理想解,表示如下:
其中,X+和X-分别理想解集和负理想解集;
5)计算各个备选方案与理想解集的距离
其中,D+和D-分别表示待评对象与最优和最劣解的距离;
6)综合评价指数
其中,O*∈(0,1),O*的值越大表征越接近最优解,评价对象越优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888070.3A CN109164704B (zh) | 2018-08-07 | 2018-08-07 | 一种基于混合模型的空压机群组优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888070.3A CN109164704B (zh) | 2018-08-07 | 2018-08-07 | 一种基于混合模型的空压机群组优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109164704A true CN109164704A (zh) | 2019-01-08 |
CN109164704B CN109164704B (zh) | 2021-03-26 |
Family
ID=64895111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810888070.3A Active CN109164704B (zh) | 2018-08-07 | 2018-08-07 | 一种基于混合模型的空压机群组优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109164704B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886493A (zh) * | 2019-02-26 | 2019-06-14 | 江南大学 | 一种基于改进多目标粒子群算法的物流***设计方法 |
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 |
CN111736466A (zh) * | 2020-06-08 | 2020-10-02 | 武汉理工大学 | 一种半潜平台快速排载***的优化控制方法及*** |
CN111831963A (zh) * | 2020-07-14 | 2020-10-27 | 中国南方电网有限责任公司 | 电力市场背景下的综合能源服务商的可调控能力评估方法 |
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***及方法 |
CN113606111A (zh) * | 2021-09-09 | 2021-11-05 | 广东鑫钻节能科技股份有限公司 | 一种基于空压站的节能保护***及其实现方法 |
CN113669242A (zh) * | 2021-08-03 | 2021-11-19 | 新奥数能科技有限公司 | 空压机***的功率控制方法、装置和计算机设备 |
CN115343967A (zh) * | 2022-10-19 | 2022-11-15 | 蘑菇物联技术(深圳)有限公司 | 用于对空压站进行仿真控制的方法、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718270A (zh) * | 2009-11-20 | 2010-06-02 | 上海应用技术学院 | 空压机控制***的预测调压方法 |
CN104635684A (zh) * | 2014-12-25 | 2015-05-20 | 冶金自动化研究设计院 | 一种空压机集群优化控制*** |
CN106651182A (zh) * | 2016-12-25 | 2017-05-10 | 北京工业大学 | 基于熵权重的轨道客流拥塞风险评价方法 |
CN206190525U (zh) * | 2016-11-04 | 2017-05-24 | 大同煤矿集团有限责任公司 | 空压机变频节能集控*** |
US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
CN107358332A (zh) * | 2017-05-18 | 2017-11-17 | 国网浙江省电力公司 | 一种电网调度运行精益化评价方法 |
-
2018
- 2018-08-07 CN CN201810888070.3A patent/CN109164704B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718270A (zh) * | 2009-11-20 | 2010-06-02 | 上海应用技术学院 | 空压机控制***的预测调压方法 |
CN104635684A (zh) * | 2014-12-25 | 2015-05-20 | 冶金自动化研究设计院 | 一种空压机集群优化控制*** |
CN206190525U (zh) * | 2016-11-04 | 2017-05-24 | 大同煤矿集团有限责任公司 | 空压机变频节能集控*** |
CN106651182A (zh) * | 2016-12-25 | 2017-05-10 | 北京工业大学 | 基于熵权重的轨道客流拥塞风险评价方法 |
CN107358332A (zh) * | 2017-05-18 | 2017-11-17 | 国网浙江省电力公司 | 一种电网调度运行精益化评价方法 |
US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
Non-Patent Citations (4)
Title |
---|
JONG SUKKIM,ET AL.: "Optimal scheduling of combined heat and power plants using mixed-integer nonlinear programming", 《ENERGY》 * |
THITIPONG JAMRUS,ET AL.: "Hybrid Particle Swarm Optimization Combined With Genetic Operators for Flexible Job-Shop Scheduling Under Uncertain Processing Time for Semiconductor Manufacturing", 《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 * |
WENBIN HU,ET AL.: "A swarm intelligent method for traffic light scheduling: application to real urban traffic networks", 《APPLIED INTELLIGENCE》 * |
YICHENG ZHANG,ET AL.: "Distributed flight routing and scheduling for air traffic flow management", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (13)
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 |
CN109886493A (zh) * | 2019-02-26 | 2019-06-14 | 江南大学 | 一种基于改进多目标粒子群算法的物流***设计方法 |
CN109886493B (zh) * | 2019-02-26 | 2022-09-02 | 江南大学 | 一种基于改进多目标粒子群算法的物流***设计方法 |
CN111736466A (zh) * | 2020-06-08 | 2020-10-02 | 武汉理工大学 | 一种半潜平台快速排载***的优化控制方法及*** |
CN111736466B (zh) * | 2020-06-08 | 2021-09-10 | 武汉理工大学 | 一种半潜平台快速排载***的优化控制方法及*** |
CN111831963A (zh) * | 2020-07-14 | 2020-10-27 | 中国南方电网有限责任公司 | 电力市场背景下的综合能源服务商的可调控能力评估方法 |
CN113669242A (zh) * | 2021-08-03 | 2021-11-19 | 新奥数能科技有限公司 | 空压机***的功率控制方法、装置和计算机设备 |
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***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***及方法 |
CN113606111A (zh) * | 2021-09-09 | 2021-11-05 | 广东鑫钻节能科技股份有限公司 | 一种基于空压站的节能保护***及其实现方法 |
CN113606111B (zh) * | 2021-09-09 | 2023-02-24 | 广东鑫钻节能科技股份有限公司 | 一种基于空压站的节能保护***及其实现方法 |
CN115343967A (zh) * | 2022-10-19 | 2022-11-15 | 蘑菇物联技术(深圳)有限公司 | 用于对空压站进行仿真控制的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109164704B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164704A (zh) | 一种基于混合模型的空压机群组优化调度方法 | |
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 | |
CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 | |
Lei et al. | Multi-stage stochastic planning of regional integrated energy system based on scenario tree path optimization under long-term multiple uncertainties | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
CN102707621B (zh) | 大规模优化和控制的透明模型 | |
CN102289590B (zh) | Sf6高压断路器运行状态评估方法及智能*** | |
CN107784397B (zh) | 一种电网物资需求预测***及其预测方法 | |
CN103591637B (zh) | 一种集中供热二次网运行调节方法 | |
CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和*** | |
CN102705957A (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及*** | |
CN105529700A (zh) | 一种非侵入式在线负荷分解装置 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN114692265A (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控***及方法 | |
Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
CN108984830A (zh) | 一种基于模糊网络分析的建筑能效评价方法及装置 | |
CN109946968B (zh) | 一种楼宇内分布式能源匹配***和方法 | |
Zhang et al. | The power big data-based energy analysis for intelligent community in smart grid | |
Cen et al. | Multi-Task Learning of the PatchTCN-TST Model for Short-Term Multi-Load Energy Forecasting Considering Indoor Environments in a Smart Building | |
Li et al. | Optimizing combination of aircraft maintenance tasks by adaptive genetic algorithm based on cluster search | |
CN104657789B (zh) | 一种蒸汽动力***的运行操作方法 | |
Yang et al. | A Combined ARIMA-PPR Model for Short-Term Load Forecasting | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调***运行控制优化方法 |
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 |