分時(shí)電價(jià)下煉鋼連鑄生產(chǎn)調(diào)度優(yōu)化方法.pdf

1、煉鋼連鑄生產(chǎn)過(guò)程是鋼鐵企業(yè)生產(chǎn)中的一個(gè)重要環(huán)節(jié)，具有多階段、多機(jī)器、以及離散與連續(xù)生產(chǎn)相混合的特點(diǎn)。其生產(chǎn)調(diào)度優(yōu)化可以使鋼鐵企業(yè)各工序間有效銜接，并加快生產(chǎn)節(jié)奏、提高生產(chǎn)效率、降低生產(chǎn)成本，歷來(lái)是企業(yè)界和研究領(lǐng)域關(guān)注的熱點(diǎn)問(wèn)題。煉鋼連鑄生產(chǎn)過(guò)程消耗的能源介質(zhì)種類(lèi)多，其中電能消耗量大而且電力成本與分時(shí)電價(jià)密切相關(guān)。優(yōu)化分時(shí)電價(jià)下的電能消耗和電力成本可以降低生產(chǎn)過(guò)程的總能耗及能源成本，提高企業(yè)經(jīng)濟(jì)效益，具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值。

2、
　　本文針對(duì)分時(shí)電價(jià)下電能消耗及電力成本最小的煉鋼連鑄生產(chǎn)調(diào)度優(yōu)化這一復(fù)雜問(wèn)題，從工藝路徑相同、復(fù)雜工藝路徑、加工時(shí)間不確定、多目標(biāo)等情況進(jìn)行深入研究。
　　針對(duì)工藝路徑相同的煉鋼連鑄生產(chǎn)過(guò)程電能消耗及電力成本最小化問(wèn)題，建立了分時(shí)電價(jià)下的調(diào)度優(yōu)化模型。針對(duì)該模型引入分時(shí)電價(jià)后0-1變量急劇增加、目標(biāo)計(jì)算復(fù)雜、求解速度慢等問(wèn)題提出了一種基于局部搜索的混合啟發(fā)式交叉熵算法。該算法采用矩陣編碼策略和基于階段順序的倒推解碼方法、

3、基于FIFO啟發(fā)式規(guī)則的混合樣本生成和基于行列交換的局部搜索等策略，能在較短的時(shí)間內(nèi)求得高質(zhì)量的調(diào)度方案，具有很好的穩(wěn)定性和收斂性。仿真結(jié)果表明，與優(yōu)化爐次駐留時(shí)間以間接降低能耗相比，該優(yōu)化模型對(duì)降低煉鋼連鑄生產(chǎn)過(guò)程的電能消耗效果更好，尤其是分時(shí)電價(jià)下的電力成本優(yōu)化效果更明顯。
　　針對(duì)復(fù)雜工藝路徑的煉鋼連鑄生產(chǎn)過(guò)程電能消耗及電力成本最小化問(wèn)題，建立了分時(shí)電價(jià)下的調(diào)度優(yōu)化模型。與工藝路徑相同的情況比較，復(fù)雜路徑約束導(dǎo)致交叉熵算法的

4、編碼與解碼更困難;分時(shí)電價(jià)的引入使優(yōu)化模型的決策變量規(guī)模擴(kuò)大至少三倍，導(dǎo)致目標(biāo)計(jì)算更復(fù)雜、模型更難以求解。因此提出了一種基于動(dòng)態(tài)參數(shù)的混合自適應(yīng)交叉熵算法。該算法采用基于操作順序的倒推解碼方法，以及基于全局選擇和隨機(jī)置換啟發(fā)式規(guī)則的混合樣本生成、基于矩陣分割與行列交換的局部搜索和參數(shù)動(dòng)態(tài)調(diào)整等策略，求解質(zhì)量高、求解速度快、自適應(yīng)能力強(qiáng)。仿真結(jié)果表明，該優(yōu)化模型能有效地描述更復(fù)雜的大規(guī)模煉鋼連鑄生產(chǎn)過(guò)程，在優(yōu)化分時(shí)電價(jià)下電能消耗及電力成本

5、方面比只考慮爐次駐留時(shí)間時(shí)的效果更好。
　　針對(duì)煉鋼連鑄生產(chǎn)過(guò)程中爐次LF精煉時(shí)間和爐次基本加工時(shí)間等不確定的情況，建立了分時(shí)電價(jià)下電能消耗及電力成本最小化問(wèn)題的調(diào)度優(yōu)化模型。該模型整數(shù)變量及其約束條件增加，LF精煉時(shí)間需要調(diào)整，從而決策變量更多、規(guī)模更大、求解更困難。因此，提出了一種離散與連續(xù)交叉熵算法相混合的串級(jí)交叉熵算法。該算法將不確定加工時(shí)間的求解與爐次機(jī)器分配狀態(tài)的求解分別進(jìn)行，簡(jiǎn)化了問(wèn)題的編碼及解碼過(guò)程，減少了不可行解

6、的數(shù)量，避免了遺傳算法染色體太長(zhǎng)、交叉變異復(fù)雜、解碼困難的問(wèn)題，從而縮短了求解時(shí)間。提出了基于關(guān)鍵爐次的混合調(diào)整方法，對(duì)爐次LF精煉時(shí)間進(jìn)行調(diào)整以補(bǔ)償溫度損失，降低了分時(shí)電價(jià)下增加的電能消耗及電力成本。仿真結(jié)果表明，與加工時(shí)間確定的隨機(jī)實(shí)例和特殊實(shí)例的求解結(jié)果相比，該模型優(yōu)化了不確定加工時(shí)間的組合，在減少電能消耗及電力成本方面合理且有效。
　　最后，針對(duì)煉鋼連鑄生產(chǎn)過(guò)程考慮分時(shí)電價(jià)后電能消耗、電力成本以及完工時(shí)間等多個(gè)目標(biāo)相互矛盾

7、而難以抉擇的問(wèn)題，建立了多目標(biāo)調(diào)度優(yōu)化模型。針對(duì)該模型目標(biāo)種類(lèi)多、引入分時(shí)電價(jià)后計(jì)算更復(fù)雜、個(gè)體排序及評(píng)價(jià)困難、求解結(jié)果多樣性差、分布較集中等問(wèn)題，提出了一種基于Pareto最優(yōu)的混合多目標(biāo)交叉熵算法。該算法采用混合多樣本生成、基于快速非支配排序的個(gè)體評(píng)價(jià)、基于擁擠距離和精英樣本聚類(lèi)的多樣性保持等策略，達(dá)到了很好的求解效果。尤其是聚類(lèi)算法的引入，有效地避免了非支配解向Pareto前沿中間部分聚集，提高了非支配解的多樣性和分布廣泛性。仿真