CN111311006B - 一种可重入伯努利生产***状态预测及生产节能调度方法 - Google Patents
一种可重入伯努利生产***状态预测及生产节能调度方法 Download PDFInfo
- Publication number
- CN111311006B CN111311006B CN202010107387.6A CN202010107387A CN111311006B CN 111311006 B CN111311006 B CN 111311006B CN 202010107387 A CN202010107387 A CN 202010107387A CN 111311006 B CN111311006 B CN 111311006B
- Authority
- CN
- China
- Prior art keywords
- state
- buffer
- machine
- production
- transition probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000000872 buffer Substances 0.000 claims abstract description 105
- 230000007704 transition Effects 0.000 claims abstract description 72
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims abstract description 7
- 238000004134 energy conservation Methods 0.000 claims abstract description 6
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims abstract description 5
- 102100036788 Tubulin beta-4A chain Human genes 0.000 claims abstract description 3
- 235000003642 hunger Nutrition 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000037351 starvation Effects 0.000 claims description 8
- 239000013256 coordination polymer Substances 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种可重入伯努利生产***状态预测及生产节能调度方法,包括如下步骤:步骤SS1:推导可重入伯努利生产***缓冲区的状态转移概率公式;步骤SS2:推导机器的实际生产概率公式;步骤SS3:推导***的电费收缴公式;步骤SS4:设置工作矩阵,规划生产方案,并计算具体生产方案下,实际的***生产率以及电费费用;步骤SS5:利用粒子群算法获得最佳调度方案。基于本预测方法和能耗成本模型,生产***可以根据制造任务准确预测不同调度过程的生产状态及能耗结果,进而优化生产调度过程,实现绿色可持续制造。本发明能够有效克服制造过程中生产资源和能耗浪费的问题,具有很强的全局寻优能力,在短时间内得到可行的优化资源调度组合方案。
Description
技术领域
本发明涉及一种可重入伯努利生产***状态预测及生产节能调度方法,属于生产制造设计技术领域。
背景技术
企业在生产中合理调度机器,在满足自身生产需求的条件下,注重节能减排,既可以减少固定生产成本,又有利于社会利益。准确预测具体生产机器的状态,对于合理调度机器从而有效降低电费有着至关重要的作用。而传统的预测方式更多关注到机器稳态变化或者仅仅以简单的串型生产结构作为预测***。因此,如何研发可重入伯努利生产***的暂态生产概率来预测以及调度机器来求解生产***中的资源分配问题,可以满足企业运行效益的条件下,保证生产质量,有效节约能源,具有重要的理论价值和实际意义。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种可重入伯努利生产***状态预测及生产节能调度方法,能够有效克服传统预测方式精度低,适用范围窄等缺点,针对不同的可重入伯努利生产***均具有较强的适用性,可稳定的获得高质量的资源调度方案。
为解决上述技术问题,本发明提供一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,包括如下步骤:
步骤SS1:推导可重入伯努利生产***缓冲区的状态转移概率公式;
步骤SS2:推导机器的实际生产概率公式;
步骤SS3:推导***的电费收缴公式;
步骤SS4:设置工作矩阵,规划生产方案,并计算具体生产方案下,实际的***生产率以及电费费用;
步骤SS5:利用粒子群算法获得最佳调度方案。
作为一种较佳的实施例,所述步骤SS1具体包括:
步骤SS11:所述可重入伯努利生产***包括缓冲区b与机器m间隔组成;缓冲区b的状态取决于时隙的末尾,机器m的状态取决于时隙的开始;其中,bh-1、bk、bn、bn+r分别为结点周围的缓冲区,其余缓冲区为具有串行特征的缓冲区;设Ti(j2|j1)(t+1)是从缓冲器bi状态由j1到j2的转移概率,其中在每个时隙期间最多转移1个部分;pi是机器mi的生产概率;ci是机器mi的最大容量;设STi(t+1)和BLi(t+1)分别为机器mi的在t+1时刻的饥饿概率和阻塞概率;
步骤SS12:确定具有串型特征的缓冲区的状态转换概率;
步骤SS13:确定结点周围缓冲区b的状态转换概率;
步骤SS14:确定缓冲区处于某种状态下的概率;Si,j(t+1)表示缓冲区bi在t+1时隙处于j状态下的概率,其公式如下:
作为一种较佳的实施例,所述步骤SS12具体包括:从每个缓冲区b的角度来看,在时隙t中从一个状态转换到另一个状态的概率由周围的机器m是否正在产生来确定,具体的由前面机器同时刻的生产状态决定;
缓冲区bi在t+1时刻状态由0变为0的转换概率为:
Ti(0|0)(t+1)=1-pi+STi(t+1),(ci≥1);
缓冲区bi在t+1时刻状态由0变为1的转换概率为:
Ti(1|0)(t+1)=pi-STi(t+1),(ci≥1);
进一步,缓冲区bi在t+1时刻状态由1变为0的转换概率为:
Ti(0|1)(t+1)=(1-pi+STi(t+1))·(pi+1-BLi+1(t+1)),(ci≥1);
缓冲区bi在t+1时刻状态由j变为j的转换概率为:
Ti(j|j)(t+1)=(pi-STi(t+1))·(pi+1-BLi+1(t+1))+(1-pi+STi(t+1))·(1-pi+1+BLi+1(t+1)),(j=1,...ci-1ci≥2);
缓冲区bi在t+1时刻状态由j+1变为j的转换概率为:
Ti(j|j+1)(t+1)=(1-pi+STi(t+1))·(pi+1-BLi+1(t+1)),(j=1,...ci-1,ci≥2)
缓冲区bi在t+1时刻状态由ci变为ci的转换概率为:
Ti(Ci|Ci)(t+1)=(pi-STi(t+1))·(pi+1-BLi+1(t+1))+(1-pi+1+BLi+1(t+1)),(Ci≥1)。
作为一种较佳的实施例,所述步骤SS13具体包括:可重入伯努利生产***结点周围的缓冲区包括bh-1、bk、bn、bn+r。
作为一种较佳的实施例,所述缓冲区bh-1的状态转换概率计算过程如下:从缓冲区bh-1的角度来看,机器mh仅在开机不被阻塞、没有饥饿且缓冲区bn+r为空的情况下生产,机器mh不会生产;因此,关于机器mh的生成状态的等式写成:
P[mhpr]=P[{mhup}∩{mhnbl}∩{mhnst}∩{hn+r(t)=0}]
P[mhnpr]=P[{mhdown}∪{mhbl}∪{mhst}∪({mhup}∩{mhnbl}∩{mhnst}∩{hn+r(t)≠0})];
由此推得:
缓冲区bh-1在时隙t+1期间从状态0到0的转换概率是:
Th-1(0|0)(t+1)=1-ph-1+STh-1(t+1),(ci≥1);
缓冲区bh-1在时隙t+1从0到1的转换概率是:
Th-1(1|0)(t+1)=ph-1-STh-1(t+1),(ci≥1);
进一步,缓冲区bh-1在t+1时刻状态由j变为j+1的转换概率为:
Th-1,(j+1|j)(t+1)=(ph-1-STh-1(t+1))·(1-ph+BLh(t+1)+(ph-BLh(t+1))·(1-Sn+r,0(t))),(j=1,…Ch-1-1,Ch-1≥2);
缓冲区bh-1在t+1时刻状态由j+1变为j的转换概率为:
Th-1,(j|j+1)(t+1)=(1-ph-1+STh-1(t+1))·(ph-BLh(t+1))·Sn+r,0(t),(j=1,...Ch-1-1,Ch-1≥2);
缓冲区bh-1在t+1时刻状态由Ch-1变为Ch-1的转换概率为:
作为一种较佳的实施例,所述缓冲区bk的状态转移概率计算方法如下:从缓冲区bk的角度来看,如果mk处于关机,缺乏,阻塞或产生缺陷部件,则机器mk不会生产,因此,关于机器mk生产状态的方程可以写成:
P(mkpr)=P[{mkup}∩{mknbl}∩{mknst}]{1-a);
P(mknpr)=P[{mkdown}∪{mkbl}∪{mkst}]+P[{mkup}∩{mknbl}∩{mknst}]·a;
其中,α表示循环率;
进一步得到:机器mk在t+1时刻状态由0变为0的转换概率为:
Tk,(0|0)(t+1)=1-pk+STk(t+1)+α·(pk-STk(t+1)),(Ck≥1);
机器mk在t+1时刻状态由0变为1的转换概率为:
Tk,(1|0)(t+1)=(1-α)·(pk-STk(t+1)),(Ck≥1);
机器mk在t+1时刻状态由1变为0的转换概率为:
Tk,(0|1)(t+1)=(1-pk+STk(t+1)+α·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(Ck≥1)
机器mk在t+1时刻状态由j变为j的转换概率为:
机器mk在t+1时刻状态由j变为j+1的转换概率为:
Tk,(j+1|j)(t+1)=(1-α)·(pk-STk(t+1))·(1-pk+1+BLk+1(t+1)),(j=1,...Ck-1,Ck≥2);
机器mk在t+1时刻状态由j+1变为j的转换概率为:
Tk,(j|j+1)(t+1)=(1-pk+STk(t+1)+α·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(j=1,...Ck-1,Ck≥2);
机器mk在t+1时刻状态由Ck变为Ck的转换概率为:
作为一种较佳的实施例,所述缓冲区bn的状态转移概率的计算方法如下:从bn的角度来看,如果机器mk关机,缺乏,阻塞或产生良好的部件,机器mk不会生产,则表示机器mk生产状态的方程式写为:
P[mkpr]=P[{mkup}∩{mknbl}∩{mknst}]·α;
P[mknpr]=P[{mkdown}∪{mkbl}∪{mkst}]+P[{mkup}∩{mknbl}∩{mknst}](1-α);
进一步,缓冲区bn在t+1时刻状态由0变为0的转换概率为:
Tn,(0|0)(t+1)=1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)),(Cn≥1)
缓冲区bn在t+1时刻状态由0变为1的转换概率为:
Tn,(1,0)(t+1)=α·(pk-STk(t+1)),(Cn≥1):
缓冲区bn在t+1时刻状态由1变为0的转换概率为:
Tn,(0|1)(t+1)=(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1))·(pn+1-BLn+1(t+1),(Cn≥1);
缓冲区bn在t+1时刻状态由j变为j的转换概率为:
Tn,(j|j)(t+1)=(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)))·(1-pn+1+BLk+1(t+1))+α(pk-STk(t+1))(pk+1-BLk+1(t+1)),(j=1,...Cn-1,Cn≥2)
缓冲区bn在t+1时刻状态由j变为j+1的转换概率为:
Tn,(j+1|j)(t+1)=α·(pk-STk(t+1))·(1-pk+1+BLk+1(t+1)),(j=1,...Cn-1,Cn≥2);
缓冲区bn在t+1时刻状态由j+1变为j的转换概率为:
Tn,(j|j+1)(t+1)二(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(j=1,...Cn-1,Cn≥2);
缓冲区bn在t+1时刻状态由Cn变为Cn的转换概率为:
Tn,(Cn|Cn)(t+1)=(1-pk+1+BLk+1(t+1))+α·(pk-STk(t+1))·(pk+1-BLk+1(t+1)),(Cn≥1)
进一步,缓冲区bn+r的状态转换概率为:
缓冲区bh-1对缓冲区bn+r没有影响,因为bn+r的优先级高于缓冲区bh-1;因此,缓冲区bn+r的转换概率与所述步骤SS12串型特征的缓冲区bi的转换概率一致。
作为一种较佳的实施例,所述步骤SS2具体包括:可重入伯努利生产***的生产率取决于第N台机器累计的生产率;而机器m在开机状态下有三种状态,分别为生产、堵塞以及饥饿;有且仅有机器m处在生产状态下,整个可重入伯努利生产***是实际产出的;由于机器的生产状态取决于时隙之初,所以机器t+1时隙之初的状态,即为t时隙的最后状态;故整个可重入伯努利生产***各时隙的生产率为:
prsys(t+1)=prn(t+1)=p-stn(t+1)-bln(t+1);
其中,p是根据机器性能确定的;st以及bl的计算公式具体推导如下:
步骤SS21:确定各机器饥饿状态下的概率,第一台机器永不堵塞,所以:
ST1(t+1)=P[{m1st}]=0;
具有串行生产特征的机器mi饥饿概率为:
STi(t+1)=P[{mist}]=pi·Si-1,0(t);
对于机器mh,上游有两个缓冲区,所以饥饿概率如下:
STh(t+1)=ph·Sh-1,0(t)·Sn+r,0(t);
对于机器mk,只有一个上游缓冲区,它的饥饿概率与串行特征缓冲区的一样;
步骤SS22:确定最后一台机器堵塞状态下的概率,最后一台机器永不堵塞,所以:
BLn(t+1)=P[{mnst}]=0。
作为一种较佳的实施例,所述步骤SS3具体包括:
步骤SS31:确定电量消耗量的相关公式,可重入伯努利生产***在时隙t过程中的耗电量为:
在计划期,可重入伯努利生产***总的电力消耗为:
步骤SS32:确定电力需求量的相关公式,可重入伯努利生产***在时隙t的过程中的电力需求为:
可重入伯努利生产***的可计费功率需求是指在计划范围内在任何高峰15分钟间隔内测得的最高平均功率kW,表示为
其中,l为任意15分钟的向上取整数个间隔,即为:
步骤SS33:确定总电费的相关公式,在计划期内,可重入伯努利生产***的电量消耗总支出为:
在计划期内,可重入伯努利生产***的电力需求总支出:
在计划期内,可重入伯努利生产***的电费总支出为:
CT=CDT+CET+CFixed。
作为一种较佳的实施例,所述步骤SS4具体包括:在CP≥CP0下达到eTmin、dTmin,设置如下的工作矩阵,即为调度方案;
其中si(t)代表第i台机器在t时隙的状态,其取值为{0,1},0表示机器处于关机状态,1表示机器处于开机状态。
本发明所达到的有益效果:本发明针对传统的预测方式更多关注到机器稳态变化或者仅仅以简单的串型生产结构作为预测***,存在精度低,适用范围窄等技术缺点,提供一种可重入伯努利生产***状态预测及生产节能调度方法,能够有效克服传统预测方式精度低,适用范围窄等缺点,针对不同的可重入伯努利生产***均具有较强的适用性,可稳定的获得高质量的资源调度方案;基于本发明的预测方法和能耗成本模型,生产***可以根据制造任务准确预测不同调度过程的生产状态及能耗结果,进而优化生产调度过程,实现绿色可持续制造。本发明能够有效克服制造过程中生产资源和能耗浪费的问题,具有很强的全局寻优能力,在短时间内得到可行的优化资源调度组合方案。
附图说明
图1是本发明的可重入伯努利***的优选实施例的拓扑示意图。
图2是本发明的一种可重入伯努利生产***状态预测及生产节能调度方法的流程图。
图3是本发明的运用粒子群寻优算法的具体流程图。
图4是本发明的优选实施例的计算结果表图。
图5是本发明的运用粒子群寻优算法的波形图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1是本发明的可重入伯努利***的优选实施例的拓扑示意图,图2是本发明的一种可重入伯努利生产***状态预测及生产节能调度方法的流程图,本发明提出一种可重入伯努利生产***状态预测及生产节能调度方法,具体包括如下5个步骤。
步骤1:推导可重入伯努利生产***缓冲器状态转移概率公式,其中,具体过程包括:
确定具有串行特征的缓冲区的状态转换概率,确定结点周围缓冲区的状态转换概率。根据机器的状态转移概率计算机器在某时刻具体的状态概率。具体来说,假设有5台机器、5台缓冲区,规划期的工作时长为16个小时,0.25小时(15分钟)为一个时隙(机器的生产状态改变一次),那么T=H/tc=64个时隙(即机器改变64次生产状态)。机器的具体参数如下:m1=m2=m3=m4=m5=0.95,缓冲器b的容量为5,每次最多可改变一单位的状态。具有串行生产状态的缓冲器分别为b1、b2、b4,结点周围缓冲器分别为b3、b5。
题设要求下可以根据上述推导公式计算出各个缓冲器在各时隙的状态转移功率,部分计算结果如图4所示。
步骤2:推导可重入伯努利生产***的实际生产概率公式;可重入伯努利生产***的实际生产率为:prsys(t+1)=prn(t+1)=p-stn(t+1)-bln(t+1);
由于上述公式中,p已知为0.95。最后一台机器永不堵塞,所以bln(t+1)=0。根据推导公式可知,stn(t+1)也是可以求得。而总的生产率为:通过计算可得CP=9.86838843434,满足生产要求。
步骤3:推导可重入伯努利生产***的电费收缴公式;现行大工业企业实行的两部制电价收费标准。其中,城市建设附加费、三峡工程建设基金以及水库移民后期扶持基金的累计费用为固定电价。假设每月实际是开工22天,则cD(t)=32/22元/kw=1.45元/千瓦;1~10千伏cE(t)=65.55元/千瓦时,35~110千伏,cE(t)=63.05元/千瓦时,220千伏及以上cE(t)=60.55千瓦时/元。
根据上述推导公式可知,可重入伯努利生产***的电费收缴公式可以简化为关于工作矩阵的函数。
步骤4:设置工作矩阵,规划生产方案,并计算具体生产方案下,实际的***生产率以及电费费用;企业可以通过关闭部分机器,在达到生产要求的条件下,满足节能要求。即在CP≥CP0下达到eTmin、dTmin。设置如下的工作矩阵,即为调度方案。
其中si(t)代表第i台机器在t时隙的状态,其可能的取值为{0,1},0表示机器处于关机状态,1表示机器处于开机状态。
步骤5:调整方案,得到满足生产条件的下的最节能方案,即为最佳调度方案。整个规划期被划分为64个时隙。图3所示的流程图是通过粒子群算法得到最佳调度方案的过程。
每台机器的电力需求是d1=d2=d3=25kw千瓦,每台机器的电量消耗量为e1=e2=e3=6.25kwh千瓦时,每台机器的可靠性为m1=m2=m3=m4=m5=0.95,每个缓冲器的容量为5。
根据以往研究成果,设置了群大小Np=1000和迭代数Nt=2000,参数为θ0=1、θ1=2、θ2=2。
v(i,j)=θ0·v(i,j)+rand(0,θ1)·[Spb(i,j)-s(i,j)]+rand(0,θ2)·[Sgb(i,j)-s(i,j)];
通过粒子群优化算法,节省了计算时间,找到满足生产要求的最佳节能方案,如图5所示。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,包括如下步骤:
步骤SS1:推导可重入伯努利生产***缓冲区的状态转移概率公式;
步骤SS2:推导机器的实际生产概率公式;
步骤SS3:推导***的电费收缴公式;
步骤SS4:设置工作矩阵,规划生产方案,并计算具体生产方案下,实际的***生产率以及电费费用;
步骤SS5:利用粒子群算法获得最佳调度方案;
所述步骤SS2具体包括:可重入伯努利生产***的生产率取决于第N台机器累计的生产率;而机器m在开机状态下有三种状态,分别为生产、堵塞以及饥饿;有且仅有机器m处在生产状态下,整个可重入伯努利生产***是实际产出的;由于机器的生产状态取决于时隙之初,所以机器t+1时隙之初的状态,即为t时隙的最后状态;故整个可重入伯努利生产***各时隙的生产率为:
prsys(t+1)=prn(t+1)=p-stn(t+1)-bln(t+1);
其中,p是根据机器性能确定的;st以及bl的计算公式具体推导如下:
步骤SS21:确定各机器饥饿状态下的概率,第一台机器永不堵塞,所以:
ST1(t+1)=P[{m1st}]=0;
具有串行生产特征的机器mi饥饿概率为:
STi(t+1)=P[{mist}]=pi·Si-1,0(t);
对于机器mh,上游有两个缓冲区,所以饥饿概率如下:
STh(t+1)=ph·Sh-1,0(t)·Sn+r,0(t);
对于机器mk,只有一个上游缓冲区,它的饥饿概率与串行特征缓冲区的一样;
步骤SS22:确定最后一台机器堵塞状态下的概率,最后一台机器永不堵塞,所以:
BLn(t+1)=P[{mnst}]=0;
所述步骤SS3具体包括:
步骤SS31:确定电量消耗量的相关公式,可重入伯努利生产***在时隙t过程中的耗电量为:
在计划期,可重入伯努利生产***总的电力消耗为:
步骤SS32:确定电力需求量的相关公式,可重入伯努利生产***在时隙t的过程中的电力需求为:
可重入伯努利生产***的可计费功率需求是指在计划范围内在任何高峰15分钟间隔内测得的最高平均功率kW,表示为
其中,l为任意15分钟的向上取整数个间隔,即为:
步骤SS33:确定总电费的相关公式,在计划期内,可重入伯努利生产***的电量消耗总支出为:
在计划期内,可重入伯努利生产***的电力需求总支出:
在计划期内,可重入伯努利生产***的电费总支出为:
CT=CDT+CET+CFixed。
2.根据权利要求1所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述步骤SS1具体包括:
步骤SS11:所述可重入伯努利生产***由缓冲区b与机器m间隔组成;缓冲区b的状态取决于时隙的末尾,机器m的状态取决于时隙的开始;其中,bh-1、bk、bn、bn+r分别为结点周围的缓冲区,其余缓冲区为具有串行特征的缓冲区;设Ti(j2|j1)(t+1)是从缓冲器bi状态由j1到j2的转移概率,其中在每个时隙期间最多转移1个部分;pi是机器mi的生产概率;ci是机器mi的最大容量;设STi(t+1)和BLi(t+1)分别为机器mi在t+1时刻的饥饿概率和阻塞概率;
步骤SS12:确定具有串型特征的缓冲区的状态转换概率;
步骤SS13:确定结点周围缓冲区b的状态转换概率;
步骤SS14:确定缓冲区处于某种状态下的概率;Si,j(t+1)表示缓冲区bi在t+1时隙处于j状态下的概率,其公式如下:
3.根据权利要求2所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述步骤SS12具体包括:从每个缓冲区b的角度来看,在时隙t中从一个状态转换到另一个状态的概率由周围的机器m是否正在产生来确定,具体的由前面机器同时刻的生产状态决定;
缓冲区bi在t+1时刻状态由0变为0的转换概率为:
Ti(0|0)(t+1)=1-pi+STi(t+1),(ci≥1);
缓冲区bi在t+1时刻状态由0变为1的转换概率为:
Ti(1|0)(t+1)=pi-STi(t+1),(ci≥1);
进一步,缓冲区bi在t+1时刻状态由1变为0的转换概率为:
Ti(0|1)(t+1)=(1-pi+STi(t+1))·(pi+1-BLi+1(t+1)),(ci≥1);
缓冲区bi在t+1时刻状态由j变为j的转换概率为:
Ti(j|j)(t+1)=(pi-STi(t+1))·(pi+1-BLi+1(t+1))+(1-pi+STi(t+1))·(1-pi+1+BLi+1(t+1)),(j=1,...ci-1,ci≥2);
缓冲区bi在t+1时刻状态由j+1变为j的转换概率为:
Ti(j|j+1)(t+1)=(1-pi+STi(t+1))·(pi+1-BLi+1(t+1)),(j=1,...ci-1,ci≥2)
缓冲区bi在t+1时刻状态由ci变为ci的转换概率为:
Ti(Ci|Ci)(t+1)=(pi-STi(t+1))·(pi+1-BLi+1(t+1))+(1-pi+1+BLi+1(t+1)),(Ci≥1)。
4.根据权利要求2所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述步骤SS13具体包括:可重入伯努利生产***结点周围的缓冲区包括bh-1、bk、bn、bn+r。
5.根据权利要求4所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述缓冲区bh-1的状态转换概率计算过程如下:从缓冲区bh-1的角度来看,机器mh仅在开机不被阻塞、没有饥饿且缓冲区bn+r为空的情况下生产,机器mh不会生产;因此,关于机器mh的生成状态的等式写成:
P[mhpr]=P[{mhup}∩{mhnbl}∩{mhnst}∩{hn+r(t)=0}]
P[mhnpr]=P[{mhdown}∪{mhbl}∪{mhst}∪({mhup}∩{mhnbl}∩{mhnst}∩{hn+r(t)≠0})];
由此推得:
缓冲区bh-1在时隙t+1期间从状态0到0的转换概率是:
Th-1(0|0)(t+1)=1-ph-1+STh-1(t+1),(ci≥1);
缓冲区bh-1在时隙t+1从0到1的转换概率是:
Th-1(1|0)(t+1)=ph-1-STh-1(t+1),(ci≥1);
进一步,缓冲区bh-1在t+1时刻状态由j变为j+1的转换概率为:
Th-1,(j+1|j)(t+1)=(ph-1-STh-1(t+1))·(1-ph+BLh(t+1)+(ph-BLh(t+1))·(1-Sn+r,0(t))),(j=1,...Ch-1-1,Ch-1≥2);
缓冲区bh-1在t+1时刻状态由j+1变为j的转换概率为:
Th-1,(j|j+1)(t+1)=(1-ph-1+STh-1(t+1))·(ph-BLh(t+1))·Sn+r,0(t),(j=1,...Ch-1-1,Ch-1≥2);
缓冲区bh-1在t+1时刻状态由Ch-1变为Ch-1的转换概率为:
6.根据权利要求4所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述缓冲区bk的状态转移概率计算方法如下:从缓冲区bk的角度来看,如果mk处于关机,缺乏,阻塞或产生缺陷部件,则机器mk不会生产,因此,关于机器mk生产状态的方程可以写成:
P(mkpr)=P[{mkup}∩{mknbl}∩{mknst}](1-a);
P(mknpr)=P[{mkdown}∪{mkbl}∪{mkst}]+P[{mkup}∩{mknbl}∩{mknst}]·α;
其中,α表示循环率;
进一步得到:机器mk在t+1时刻状态由0变为0的转换概率为:
Tk,(0|0)(t+1)=1-pk+STk(t+1)+α·(pk-STk(t+1)),(Ck≥1);
机器mk在t+1时刻状态由0变为1的转换概率为:
Tk,(1|0)(t+1)=(1-α)·(pk-STk(t+1)),(Ck≥1);
机器mk在t+1时刻状态由1变为0的转换概率为:
Tk,(0|1)(t+1)=(1-pk+STk(t+1)+α·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(Ck≥1)
机器mk在t+1时刻状态由j变为j的转换概率为:
机器mk在t+1时刻状态由j变为j+1的转换概率为:
Tk,(j+1|j)(t+1)=(1-α)·(pk-STk(t+1))·(1-pk+1+BLk+1(t+1)),(j=1,...Ck-1,Ck≥2);
机器mk在t+1时刻状态由j+1变为j的转换概率为:
Tk,(j|j+1)(t+1)=(1-pk+STk(t+1)+α·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(j=1,...Ck-1,Ck≥2);
机器mk在t+1时刻状态由Ck变为Ck的转换概率为:
7.根据权利要求4所述的一种可重入伯努利生产***状态预测及生产节能调度方法,其特征在于,所述缓冲区bn的状态转移概率的计算方法如下:从bn的角度来看,如果机器mk关机,缺乏,阻塞或产生良好的部件,机器mk不会生产,则表示机器mk生产状态的方程式写为:
P[mkpr]=P[{mkup}∩{mknbl}∩{mknst}]·α;
P[mknpr]=P[{mkdown}∪{mkbl}∪{mkst}]+P[{mkup}∩{mknbl}∩{mknst}]·(1-α);
进一步,缓冲区bn在t+1时刻状态由0变为0的转换概率为:
Tn,(0|0)(t+1)=1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)),(Cn≥1)
缓冲区bn在t+1时刻状态由0变为1的转换概率为:
Tn,(1,0)(t+1)=α·(pk-STk(t+1)),(Cn≥1)
缓冲区bn在t+1时刻状态由1变为0的转换概率为:
Tn,(0|1)(t+1)=(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1))·(pn+1-BLn+1(t+1),(Cn≥1);
缓冲区bn在t+1时刻状态由j变为j的转换概率为:
Tn,(j|j)(t+1)=(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)))·(1-pn+1+BLk+1(t+1))+α·(pk-STk(t+1))(pk+1-BLk+1(t+1)),(j=1,...Cn-1,Cn≥2)
缓冲区bn在t+1时刻状态由j变为j+1的转换概率为:
Tn,(j+1|j)(t+1)=α·(pk-STk(t+1))·(1-pk+1+BLk+1(t+1)),(j=1,...Cn-1,Cn≥2);
缓冲区bn在t+1时刻状态由j+1变为j的转换概率为:
Tn,(j|j+1)(t+1)=(1-pk+STk(t+1)+(1-α)·(pk-STk(t+1)))·(pk+1-BLk+1(t+1)),(j=1,...Cn-1,Cn≥2);
缓冲区bn在t+1时刻状态由Cn变为Cn的转换概率为:
Tn,(Cn|Cn)(t+1)=(1-pk+1+BLk+1(t+1))+α·(pk-STk(t+1))·(pk+1-BLk+1(t+1)),(Cn≥1)
进一步,缓冲区bn+r的状态转换概率为:
缓冲区bh-1对缓冲区bn+r没有影响,因为bn+r的优先级高于缓冲区bh-1;因此,缓冲区bn+r的转换概率与所述步骤SS12串型特征的缓冲区bi的转换概率一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107387.6A CN111311006B (zh) | 2020-02-21 | 2020-02-21 | 一种可重入伯努利生产***状态预测及生产节能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107387.6A CN111311006B (zh) | 2020-02-21 | 2020-02-21 | 一种可重入伯努利生产***状态预测及生产节能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311006A CN111311006A (zh) | 2020-06-19 |
CN111311006B true CN111311006B (zh) | 2022-08-16 |
Family
ID=71149208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010107387.6A Active CN111311006B (zh) | 2020-02-21 | 2020-02-21 | 一种可重入伯努利生产***状态预测及生产节能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311006B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN109617939A (zh) * | 2018-10-15 | 2019-04-12 | 西安理工大学 | 一种基于任务预调度的WebIDE云服务器资源分配方法 |
CN109767118A (zh) * | 2019-01-11 | 2019-05-17 | 沈阳建筑大学 | 一种在具有可重入工序的客车涂装车间中有限缓冲区动态容量预留方法 |
-
2020
- 2020-02-21 CN CN202010107387.6A patent/CN111311006B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408594A (zh) * | 2016-09-28 | 2017-02-15 | 江南大学 | 基于多伯努利特征协方差的视频多目标跟踪方法 |
CN107703496A (zh) * | 2017-10-12 | 2018-02-16 | 桂林电子科技大学 | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 |
CN109617939A (zh) * | 2018-10-15 | 2019-04-12 | 西安理工大学 | 一种基于任务预调度的WebIDE云服务器资源分配方法 |
CN109767118A (zh) * | 2019-01-11 | 2019-05-17 | 沈阳建筑大学 | 一种在具有可重入工序的客车涂装车间中有限缓冲区动态容量预留方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111311006A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110676885B (zh) | 一种以新能源为核心的调峰方法 | |
Wang et al. | Privacy-preserving energy scheduling in microgrid systems | |
de Salis et al. | Energy storage control for peak shaving in a single building | |
CN109149571A (zh) | 一种考虑***燃气和火电机组特性的储能优化配置方法 | |
CN107818385A (zh) | 一种梯级水电站群实时运行趋势预测方法 | |
CN103745023A (zh) | 水电站发电出力方案制作与最优负荷分配耦合建模方法 | |
CN107276065B (zh) | 基于负荷特征时段的月度发电计划优化与安全校核方法 | |
CN111900729B (zh) | 一种区域电网源网荷互动日内计划优化调整方法及装置 | |
CN115036963B (zh) | 一种提升配电网韧性的两阶段需求响应策略 | |
JP2020524325A (ja) | 環境コストおよびリアタイムの電気代の両方を考慮した変位可能な負荷モデルの構築方法 | |
CN111311006B (zh) | 一种可重入伯努利生产***状态预测及生产节能调度方法 | |
CN112736944A (zh) | 一种电化学储能电站有功功率调度方法和*** | |
Yun et al. | Vehicle-to-manufacturing (V2M) system: A novel approach to improve energy demand flexibility for demand response towards sustainable manufacturing | |
CN113705899B (zh) | 水库优化调度最优决策与效益的找寻方法 | |
JP2015014935A (ja) | 電力制御システム及び電力制御方法 | |
CN111271824B (zh) | 一种中央空调需求响应集中分散控制方法 | |
CN111582599A (zh) | 一种基于虚拟电厂调峰的储能设备日内有功调度方法 | |
CN113922422B (zh) | 一种恒功率柔性运行控制方法、***、设备和存储介质 | |
CN114389262B (zh) | 一种弹性环境下基于鲁棒优化的区域电网调度方法 | |
Aznavi et al. | Two-stage energy management of smart homes in presence of intermittencies | |
CN114844119A (zh) | 一种储能发电装机和容量优化配置方法及*** | |
Yang et al. | Privacy-preserving energy scheduling for smart grid with renewables | |
KR102219993B1 (ko) | 병렬형 열처리 공정을 위한 에너지 절감형 동적 생산 스케줄링 운영 방법 | |
Zhang et al. | A day-ahead scheduling of equivalent energy storage model considering minimum-on-off time | |
Agheb et al. | Robust provisioning of demand-side flexibility under electricity price uncertainty |
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 |