本发明涉及露天矿区车辆调度优化,特别涉及一种基于数据驱动的露天矿区车辆低碳调度优化方法、系统、设备及介质。
背景技术:
1、在双碳时代,发挥大数据、信息化、智能化优势,促进矿区绿色开采,加强降碳技术创新,建设以绿色低碳为特征的现代化经济体系,构建低碳化矿山建设已成为必然趋势。在露天矿开采过程中,运输环节占据重要地位,燃油卡车作为大部分矿山通用的运输工具,其碳排放主要发生在运输过程中,因此如何充分考虑矿场的各种影响因素、合理进行车辆调度是碳减排的关键。
2、在卡车运输过程中,碳排放与油耗成正比关系,影响油耗的因素有很多,名称为“考虑车载量与油耗相关的绿色车辆路径优化方法”,申请号为[cn202210498125.6]的专利申请,提供了一种考虑车载量与油耗相关的绿色车辆路径优化方法,技术方案为:确定碳排放量与载重之间的关系;建立环境车辆路径优化模型;设计模型的求解算法,其中确定碳排放量与载重之间的关系的具体方法为:使用油耗率与车辆载重之间的线性表达式来计算燃油消耗率,再根据行驶距离和载重通过公式计算碳排放量。
3、张媛提出了综合成本最小的露天矿卡车低碳调度优化研究,以总成本最小为目标构建了露天矿的低碳调度模型,总成本包含有重车、空车状态下的运输成本、油耗成本、碳排放成本,卡车的维修成本和卡车固定成本,其中油耗成本计算公式中的变量为载重量和行驶距离(张媛.综合成本最小的露天矿卡车低碳调度优化研究[d].西安建筑科技大学)。
4、但在以往的研究中,通常只考虑了运输距离和载重,忽略了卡车型号、路况、天气等不确定因素对油耗的影响,因此,其研究成果不能准确的衡量实际调度过程中产生的碳排放,对实现碳减排目标造成了阻碍。
技术实现思路
1、为了克服上述现有技术的缺点,本发明的目的在于提供一种基于数据驱动的露天矿区车辆低碳调度优化方法、系统、设备及介质,通过建立以碳排放量最小、总运输综合成本最小和设备等待时间最小为目标的露天矿区车辆低碳多目标调度优化模型,构建以麻雀搜索算法优化的基于数据驱动的神经网络lstm预测模型来预测油耗进而计算碳排放量,并设计改进的多目标粒子群求解算法来对调度模型进行求解,能够获得更符合矿山生产现状的运输方案,对加快矿山实现绿色化、智能化以及企业实现降本增效具有重要意义。
2、为了实现上述目的,本发明采取的技术方案如下:
3、一种基于数据驱动的露天矿区车辆低碳调度优化方法,包括以下步骤:
4、步骤1:根据当前露天矿区的生产需求及指标,构建以碳排放量最小、总运输综合成本最小和设备空闲时间最小为目标的露天矿区车辆低碳多目标调度优化模型;
5、步骤2:训练和优化基于数据驱动的神经网络lstm预测模型,以此来预测步骤1所构建的露天矿区车辆低碳多目标调度优化模型中的碳排放量;
6、步骤3:对多目标粒子群求解算法进行改进;
7、步骤4:利用步骤2中基于数据驱动的神经网络lstm预测模型辅助步骤3改进后的多目标粒子群求解算法对步骤1建立的露天矿区车辆低碳多目标调度优化模型进行求解。
8、所述步骤1中的露天矿区车辆低碳多目标调度优化模型具体如下:
9、(1)碳排放量最小:
10、
11、式中,f1表示碳排放量,n表示装载点的个数,i={1,2,…,n},m表示卸载点的个数,j={1,2,…,m},k表示矿场所有运输车辆的总数,r={1,2,…,k},μ表示燃油二氧化碳转化系数,xij表示从第i个装载点到第j个卸载点每单位千米的油耗量,yji表示从第j个卸载点到第i个装载点每单位千米的油耗量,xrij表示一个班次内第r辆车从第i个装载点去往第j个卸载点的次数,yrji表示一个班次内第r辆车从第j个卸载点去往第i个装载点的次数;
12、(2)总运输综合成本最小:
13、总运输综合成本由四部分组成,第一部分是卡车的运输成本,包括重载成本和空载成本;第二部分是油耗成本;第三部分是碳排放成本;第四部分是维修费用,维修费用取决于卡车的运输距离,所述总运输综合成本的具体表达式如下:
14、
15、式中,f2表示总运输综合成本,dij表示从第i个装载点到第j个卸载点的距离,cw表示卡车重载运行状态下的单位成本,ce表示卡车空载运行状态下的单位成本,co表示卡车单位燃油成本,cc表示二氧化碳单位排放成本,cf表示卡车单位距离的维修成本;
16、(3)设备空闲时间最小:
17、设备空闲时间由两部分组成,包括卡车的排队时间和挖机的怠速运转时间,具体表达式如下:
18、
19、式中,f3表示设备空闲时间,tm表示一个班次的时间,twrij表示第i个装载点到第j个卸载点的重载运行时间,terji表示从第j个卸载点到第i个装载点的空载运行时间,tp表示装车时间;
20、(4)装载点矿石装载约束:
21、装载点矿石装载约束表示从每个装载点运输出的矿石不能超过该装载点的矿石总量,具体表达式如下:
22、
23、式中,gw表示卡车容量,limax表示第i个装载点最大矿石总量;
24、(5)卸载点矿石卸载约束:
25、卸载点矿石卸载约束表示每个卸载点矿石卸载总量不能小于该卸矿站的产量要求,且不得超过该卸载站的最大容量,具体表达式如下:
26、
27、式中,ujmax表示第j个卸载点可容纳的最大矿石量,ujmin表示第j个卸载点一个班次内最低产量要求;
28、(6)卸载点矿石品位偏差约束:
29、
30、式中,qi表示第i个装载点的矿石品位,qj表示第j个卸载点的矿石品位限制,e%表示矿石品位允许偏差;
31、(7)一个班次内矿场产量约束:
32、一个班次内矿场产量约束表示在一个班次的工作时间内矿场车辆运输的总产量不能低于既定工作计划,具体表达式如下:
33、
34、式中,u表示一个班次内矿场的工作计划;
35、(8)电铲装车能力约束:
36、
37、(9)每条运输道路上运输总次数约束:
38、xrij,yrij∈{0,1,2,3...}
39、式中,露天矿区车辆低碳多目标调度优化模型中涉及变量均为非负值。
40、所述步骤2训练和优化基于数据驱动的神经网络lstm预测模型的过程包括:
41、步骤2.1,数据收集与处理:通过露天矿智能平台和现场实际调研采集历史数据,数据包括车辆载重、位置高程、道路类型、运载距离、天气温度以及油耗量,对采集到的样本数据进行异常值检验和归一化处理,并将处理后的样本数据分为训练数据集和验证数据集;
42、所述归一化公式如下:
43、
44、式中,x表示处理前的原始数据,x’表示处理后得到的数据,xmax表示原始数据中的最大值,xmin表示原始数据中的最小值;
45、步骤2.2,构建基于数据驱动的神经网络lstm预测模型:使用matlab deeplearning toolbox lstmlayer深度学习工具箱对露天矿运输车辆的油耗进行预测,网络输入为步骤2.1中采集到的车辆载重、位置高程、道路类型、运载距离、天气温度的特征变量,网络输出为车辆的单位油耗,结合燃油二氧化碳转化系数得到碳排放量;
46、步骤2.3,优化基于数据驱动的神经网络lstm预测模型:使用麻雀搜索算法优化基于数据驱动的神经网络lstm预测模型的超参数初始学习率、隐藏层单元数,得到预测精度最高的基于数据驱动的神经网络lstm预测模型;
47、步骤2.4,将待测数据输入步骤2.3获得的预测精度最高的基于数据驱动的神经网络lstm预测模型,进行油耗和碳排放量的预测。
48、所述步骤3中对多目标粒子群求解算法进行改进,具体为:
49、(1)在多目标粒子群求解算法中引入igd+指标,以确定最优粒子,具体为:
50、首先根据初始化种群每个维度目标值最大的粒子确定m个极值点,以此确定参考点的下界zmax,然后根据m个极值点构建m维切割平面,并计算其与坐标轴的截距,根据截距,得到参考点的上界zmin,由确定的上下界即可等距离均匀生成参考点,最后分别计算参考点的igd+值,确定最优粒子,igd+值越小,个体的综合性能越好;
51、igd+值的计算公式如下:
52、
53、
54、式中,x是候选解集,x*是参考点集,x和x*分别是x和x*中的个体,|x*|是参考点数目,xi和xi*分别是个体x和x*的第i个目标值,d+(x*,x)表示从x*∈x*到x∈x所支配区域的欧式距离;所述个体表示露天矿区车辆低碳调度优化运输的一个解决方案,种群表示露天矿区车辆低碳调度优化运输的多个解决方案;
55、(2)在多目标粒子群求解算法中引入信息反馈模型,以更新粒子位置,具体为:
56、首先使用各粒子的igd+指标值通过公式(4)计算权重,然后基于igd+指标值的信息反馈模型,将公式(4)带入公式(3)计算第i个个体在第t+1代的位置,计算公式如下:
57、
58、
59、式中,xit表示第i个体在第t代时的位置,是其igd+指标值,表示由基础粒子群算法生成的个体,是其igd+指标值,xjt表示第j个体在第t代时的位置,是其igd+指标值,i,j∈(1,2,…,n);
60、(3)在多目标粒子群求解算法中引入自适应惯性权重,具体为:
61、利用成功率s(t)动态调整惯性权重,具体公式如下:
62、w(t)=(wmax-wmin)s(t)+wmin (5)
63、式中,w(t)表示第t代的惯性权重,wmax表示惯性权重最大值,wmin表示惯性权重最小值,s(t)表示所有粒子位置更新“成功”的百分比,当第i个粒子在第t代的igd+指标小于此粒子在第t-1代的igd+值时,则位置更新“成功”,所有粒子“成功”的百分比为成功率s(t),wmax、wmin和s(t)均在[0,1]范围内。
64、所述步骤4中的具体求解过程如下:
65、步骤4.1:初始化算法参数,参数包括种群规模np,初始学习率ρ,隐藏层单元数q,认知加速系数c1,社会加速系数c2,惯性权重最大值wmax,惯性权重最小值wmin,最大评估次数femax等;
66、步骤4.2:初始化粒子的速度和位置,粒子位置即表示车辆在一个班次时间内访问的节点;
67、步骤4.3:用步骤2优化得到的预测精度最高的基于数据驱动的神经网络lstm预测模型预测各个粒子位置对应的碳排放量,进而计算粒子的适应度值和非支配解并保存外部档案;
68、步骤4.4:计算粒子的igd+指标值,以此确定全局最优解和个体最优;
69、步骤4.5:使用步骤3中的自适应惯性权重和信息反馈模型更新粒子的速度和位置;
70、步骤4.6:对更新后的不可行粒子进行约束惩罚和修复处理;
71、步骤4.7:计算步骤4.6处理后的粒子的适应度值和igd+指标值;
72、步骤4.8:更新全局最优解、个体最优以及外部档案;
73、步骤4.9:对迭代状态进行判断,如果已达到设置的迭代次数,则输出当前外部档案也即非支配解;反之,返回步骤4.3;
74、所述个体表示露天矿区车辆低碳调度优化运输的一个解决方案,种群表示露天矿区车辆低碳调度优化运输的多个解决方案。
75、所述步骤2.3中使用麻雀搜索算法优化基于数据驱动的神经网络lstm预测模型的具体过程为:
76、步骤2.3.1:根据超参数取值范围随机初始化各麻雀位置;
77、步骤2.3.2:根据麻雀位置对应的超参数取值建立基于数据驱动的神经网络lstm预测模型;
78、步骤2.3.3:将步骤2.1中获取的训练数据集输入步骤2.3.2建立的基于数据驱动的神经网络lstm预测模型,并将验证数据集代入基于数据驱动的神经网络lstm预测模型进行预测,得到基于数据驱动的神经网络lstm预测模型在验证数据集上的均方误差mse;
79、步骤2.3.4:将步骤2.3.3得到的均方误差mse作为麻雀的适应度值,根据麻雀的适应度来更新麻雀位置;
80、步骤2.3.5:重复步骤2.3.2-步骤2.3.4对基于数据驱动的神经网络lstm预测模型进行训练,当达到最大迭代次数时,输出最优超参数取值;
81、步骤2.3.6:利用最优超参数取值设置基于数据驱动的神经网络lstm预测模型,得到预测精度最高的基于数据驱动的神经网络lstm预测模型。
82、一种基于数据驱动的露天矿区车辆低碳调度优化系统,包括:
83、露天矿区车辆低碳多目标调度优化模型模块:根据当前露天矿区的生产需求及指标,构建以碳排放量最小、总运输综合成本最小和设备空闲时间最小为目标的露天矿区车辆低碳多目标调度优化模型;
84、碳排放量预测模块:训练和优化基于数据驱动的神经网络lstm预测模型,以此来预测露天矿区车辆低碳多目标调度优化模型中的碳排放量;
85、算法改进模块:对多目标粒子群求解算法进行改进;
86、模型求解模块:利用基于数据驱动的神经网络lstm预测模型和改进后的多目标粒子群求解算法对露天矿区车辆低碳多目标调度优化模型进行求解。
87、一种基于数据驱动的露天矿区车辆低碳调度优化设备,包括:
88、存储器:用于存储实现所述的一种基于数据驱动的露天矿区车辆低碳调度优化方法的计算机程序;
89、处理器:用于执行所述计算机程序时实现所述的一种基于数据驱动的露天矿区车辆低碳调度优化方法。
90、一种计算机可读存储介质,包括:
91、所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的一种基于数据驱动的露天矿区车辆低碳调度优化方法。
92、相对于现有技术,本发明的有益效果在于:
93、1、本发明步骤1建立的露天矿区车辆低碳多目标调度优化模型综合考虑了一个班次内总产量要求、装载点矿石装载量、卸载点卸矿能力、矿石品味偏差、电铲装车能力等约束,结合了露天矿区车辆在运输过程中的实际情况,从低碳目标和矿山生产需求出发,将现实问题中的相关因素和指标进行抽象和简化。
94、2、本发明步骤2中使用麻雀搜索算法优化超参数的基于数据驱动的神经网络lstm预测模型来预测卡车单位距离的油耗量,不忽略任何不确定因素,综合考虑各种影响因素,使用最佳超参数准确衡量碳排放量,进而辅助调度模型对矿区车辆进行合理调度安排,以达到降低碳排放的目标。
95、3、本发明步骤3对原始多目标粒子群求解算法进行改进的过程中,利用igd+指标确定最优粒子,igd+能够综合评价非支配解集中个体的收敛性和多样性,精准确定最优个体。
96、4、本发明步骤3对原始多目标粒子群求解算法进行改进的过程中,利用信息反馈模型更新粒子位置,能够将粒子的历史有用信息引入新粒子的生成过程中从而提升新粒子质量,并采用igd+指标值来计算反馈模型的权重,杜绝了增加一次函数评估带来的计算代价。
97、5、本发明步骤3对原始多目标粒子群求解算法进行改进的过程中,引入自适应惯性权重,能够根据成功提高粒子性能的粒子百分比动态调整惯性权重,而不是设定为一个固定的参数,从而产生更佳的粒子。
98、综上所述,本发明针对露天矿区车辆低碳调度问题,根据矿山实际生产要求和指标,构建以碳排放量最小、总运输综合成本最小和设备空闲时间最小为目标的露天矿区车辆低碳多目标调度优化模型,并综合考虑一个班次内总产量要求、装载点矿石装载量、卸载点卸矿能力、矿石品味偏差、电铲装车能力等约束条件;为更好的综合考虑影响碳排放的各种不确定因素,准确衡量碳排放量,采用麻雀搜索算法优化基于数据驱动的神经网络lstm预测模型,并使用得到的最优参数构建预测模型得到调度过程中的单位碳排放量;同时改进多目标粒子群求解算法来求解提出的调度优化模型,能够获得更符合矿山生产现状的运输方案,对加快矿山实现绿色化、智能化以及企业实现降本增效具有重要意义。