【技术实现步骤摘要】
本专利技术属于工业电网控制领域，具体涉及一种考虑新能源消纳的作业车间动态调度方法。
技术介绍
1、以风光为代表的新能源不会产生温室气体，不会造成空气污染，势必成为未来能源供给的主要力量。然而，以风光为代表的新能源发电具有间歇性、波动性等特征，造成发电与用电之间难以同步协调，导致能源利用率低，弃风、弃光较为严重，解决新能源消纳问题十分紧迫。工厂生产用电负荷与新能源发电严重不匹配，负荷调节能力未有效发展，如何在保障完成生产任务的前提下，通过大规模工业可调可控负荷与电网智能互动，促进清洁能源消纳和削峰填谷是需要迫切解决的难点问题。
2、现代化的装备制造业更是国家工业化和国防现代化的根本保证。现有车间调度一般只专注于提高生产效率如制造时间、提前、廷迟工作量等或者降低能耗。缺少面向新能源消纳的作业车间调度方法的研究。
技术实现思路
1、本专利技术的目的在于解决现有技术中的上述不足，提供了一种考虑新能源消纳的作业车间动态调度方法，在车间作业动态调度的基础上增加了对新能源消纳的考虑，在保障生产任务的前提下，提高负荷调节能力，最大化消纳新能源，有助于推动低碳生产方式的转变。
2、本专利技术为实现上述目的所采用的技术方案是：一种考虑新能源消纳的作业车间动态调度方法，包括以下步骤：
3、首先建立能源供给侧和负荷需求侧的数学模型；然后将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程；其次设计强化学习算法模型对马尔可夫决策过程进行求解，优化算法模型；最后根据
4、进一步地，所述能源供给侧模型包括风力发电模型、光伏发电模型和电化学储能模型；
5、风力发电模型与风速有关：
6、
7、其中，prw表示风机的额定功率，vin，vout和vr分别表示切入风速、切出风速和额定风速，v表示当前风速；
8、光伏发电模型与光照强度和温度有关：
9、
10、其中，ps为额定功率，ging为光照强度，tc表示光照温度，光照强度和光照温度符合正态分布，α表示温度系数；
11、电化学储能模型用荷电状态描述，储能系统荷电状态的变化与它的充放电过程有关：
12、
13、其中，soct表示储能系统在调度时段δt中的t时刻的荷电状态，ptess表示充放电功率，ηess为充放电效率，caess表示储能系统的容量。
14、进一步地，所述负荷需求侧的数学模型，表示为在m台机器上完成n个作业的总能耗pec，具体公式如下：
15、
16、其中，peijk表示第i个作业的第j个工序oij在第k个机器上的功耗；tijk表示oij在第k个机器上的处理时间。
17、进一步地，将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程，具体包括建立状态信息空间、动作变量空间和状态转移约束条件；
18、所述状态信息空间，指的是系统在作业车间调度过程中的状态信息，包括能源供给侧的状态信息和负荷需求侧的状态信息；
19、所述能源供给侧的状态信息spt，公式表达如下：
20、
21、其中，ptg为电网供电量，为风机发电量，为光伏发电量，ptw为消耗的风力发电量，ptpv为消耗的光伏发电量，soct为储能系统的荷电状态；
22、所述负荷需求侧的状态信息st，公式表达如下：
23、st＝{nt,mt,tt,ptl}
24、其中，nt为当前作业数量，mt为当前可用发电机器数量，tt为当前总运行时间,ptl为当前总能耗；
25、所述动作变量空间，包括两个变量，一个是作业工序的加工顺序向量一个是对应工序的机器分配向量公式表达如下：
26、
27、在马尔可夫决策过程中，当系统在调度时段t的状态st时采取动作at，根据转移概率得到系统在下一个调度时段(t+1)时的状态st+1；并且，系统在状态转移时需要满足能源供给侧的能量和负荷需求侧的能耗平衡约束条件：
28、ptg+ptw+ptpv+ptess＝ptl。
29、进一步地，所述设计强化学习算法模型对马尔可夫决策过程进行求解，具体包括如下步骤：
30、(1)建立深度学习神经网络；
31、(2)建立强化学习仿真环境；
32、(3)将所述作业车间调度过程的状态信息作为所述深度学习神经网络的输入；
33、(4)将所述作业车间调度过程的动作变量作为深度学习神经网络的输出；
34、(5)根据奖励函数设定的奖赏规则对所述深度学习神经网络进行训练，得到优化后的深度学习神经网络模型。
35、更进一步地，所述建立的强化学习仿真环境包括风机、光伏、储能和车间负荷的模型。
36、更进一步地，所述奖励函数综合考虑完成时间和新能源消纳量，具体公式如下：
37、
38、其中，表示新能源消纳量，为风机发电量，为光伏发电量，ptw为实际消耗的风力电量，ptpv为实际消耗的光伏电量；表示作业完成时间，ati为第i个作业的到达时间，为第i个作业所有工序都完成的时间。
39、进一步地，所述根据训练好的算法模型对车间作业进行智能调度，具体步骤包括：
40、(1)将训练好的模型部署到车间调度系统中；
41、(2)车间调度系统获取当前车间所有机器的作业情况，根据模型的调度策略给出排产指令；
42、(3)车间收到相应的排产指令后，下发到具体的机器执行操作。
43、更进一步地，所述排产指令包括各个作业的工序加工顺序和机器工作分配情况，用于控制现场车间的若干机器执行作业工序。
44、本专利技术与现有技术相比具有以下优点及有益效果：
45、1.本专利技术所提方法采用强化学习算法求解不确定供需条件下作业车间动态调度问题，将供需两侧的不确定因素均构建在学习环境中，并由学习代理自动适应，解决了因系统复杂难以直接用数学公式求解的问题；
46、2.本专利技术所提方法在作业车间动态调度中考虑了新能源的消纳问题，通过设计综合考虑完成时间和新能源消纳量的低碳调度策略，在保障生产任务的前提下，最大化消纳新能源，有助于推动低碳生产方式的转变。
本文档来自技高网...【技术保护点】
1.一种考虑新能源消纳的作业车间动态调度方法，其特征在于，包括以下步骤：首先建立能源供给侧和负荷需求侧的数学模型；然后将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程；其次设计强化学习算法模型对马尔可夫决策过程进行求解，优化算法模型；最后根据训练好的算法模型对车间作业进行智能调度。
2.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述能源供给侧模型包括风力发电模型、光伏发电模型和电化学储能模型；
3.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述负荷需求侧的数学模型，表示为在m台机器上完成n个作业的总能耗PEC，具体公式如下：
4.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程，具体包括建立状态信息空间、动作变量空间和状态转移约束条件；
5.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述设计强化学习算法模型对马尔可夫决策过程进行求解，具体包括
6.根据权利要求5所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述建立的强化学习仿真环境包括风机、光伏、储能和车间负荷的模型。
7.根据权利要求5所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述奖励函数综合考虑完成时间和新能源消纳量，具体公式如下：
8.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述根据训练好的算法模型对车间作业进行智能调度，具体步骤包括：
9.根据权利要求8所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述排产指令包括各个作业的工序加工顺序和机器工作分配情况，用于控制现场车间的若干机器执行作业工序。
...【技术特征摘要】
1.一种考虑新能源消纳的作业车间动态调度方法，其特征在于，包括以下步骤：首先建立能源供给侧和负荷需求侧的数学模型；然后将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程；其次设计强化学习算法模型对马尔可夫决策过程进行求解，优化算法模型；最后根据训练好的算法模型对车间作业进行智能调度。
2.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述能源供给侧模型包括风力发电模型、光伏发电模型和电化学储能模型；
3.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，所述负荷需求侧的数学模型，表示为在m台机器上完成n个作业的总能耗pec，具体公式如下：
4.根据权利要求1所述的一种考虑新能源消纳的作业车间动态调度方法，其特征在于，将不确定供需条件下作业车间动态调度问题建模为马尔可夫决策过程，具体包括建立状态信息空间、动作变量空间和状态...
【专利技术属性】
技术研发人员：崔世界，曾鹏，王忠锋，邵帅，李力刚，王楚，万广喜，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。