CN104181900A - 一种多能源介质分层动态调控方法 - Google Patents

Abstract

本发明提供了一种多能源介质分层动态调控方法，包括：基于能源梯级利用的方案，建立能源介质分层动态调控框架；根据能源介质分层动态调控框架，建立能源子系统的调控方案；根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；根据分层动态调控的优化模型及求解方式，设计仿生智能的协同优化算法对优化模型进行求解；利用求解得到的结果对多能源介质进行动态调控；其建立适合多种能源介质分层梯阶协同优化的调控策略，实现能源调控多周期、多目标动态协同优化并建立优化模型，设计具有自学习机制的差异进化算法对优化模型进行求解，从而解决钢铁生产复杂环境下多种能源介质的协同优化调度，综合经济性和实效性较好。

Description

一种多能源介质分层动态调控方法

技术领域

本发明涉及能源调控领域，具体而言，涉及一种多能源介质分层动态调控方法。

背景技术

目前，国内大多数钢铁企业生产钢铁均分为焦化、烧结、炼铁、炼钢和轧钢等生产工艺，钢铁的生产过程复杂，使用的能源介质多样且耦合复杂。

钢铁在生产过程中的能量消耗既包括宏观的热平衡和物料平衡的能耗转换，也包括冶金过程中热力学、动力学和气、液、固三相流体力学作用造成的微观能耗。钢铁生产和能源生产的连续性决定了生产流程，其中，钢铁生产和能源生产的任意一个环节的变化都会对能量流与供需平衡产生重大影响，因此节能降耗工作是全局性、系统性的，要涉及各个用能环节。能源调控不能光针对某一设备、某一能源品种以及某一生产工序进行，而应作为一个整体进行考虑，寻求最佳的经济点(节能点)。能源利用过程中，能量的损失不可避免，还需考虑按能源品位及能源转换效率逐级加以利用和协调。现有钢铁企业及生产过程中还存在大量不合理用能的情况，还不能很好地做到能级匹配下的高质高用、低质低用和梯级利用。

相关技术中的能源管理与调控，一般基于较长的统计周期进行静态计算，其具体采用宏观手段调节能源的生产和消耗，调控对象也大多集中在单一能源介质或系统，这样并不能很好地满足多个系统组成的全局用能的低能耗、零放散和高效益的要求。

国内外在钢铁生产过程的能源系统建模与优化方面做了大量的理论研究与应用系统的开发，对保证能源系统的管理、能耗的控制、降低生产成本等方面取得了较好的成效。从整体上看，这些研究工作主要是以实现能耗最小或最经济为目标，其方法的研究主要集中在数学规划、静态计算和能耗模型的研究上。在基于工序流程及单一能源介质的能源调控方法上，国内外专家已做了大量的研究，形成了一定的研究基础，尤其是针对技术气体、电能介质等的调控及优化方法研究比较成熟。进入21世纪，随着钢铁工业的发展和能源管控一体化思想的建立，基于能源转换、能耗平衡及能源高效配置的研究逐渐增多，但在此基础上面向能量流及多能源介质综合调控的应用实例并还未形成系统的报道，综合经济性和实效性考虑不全。

故缺乏一种面向能量流及多能源介质综合调控的应用的动态调控方法。

发明内容

本发明的目的在于提供一种多能源介质分层动态调控方法，以解决上述的问题。

在本发明的实施例中提供了一种多能源介质分层动态调控方法，包括：

基于能源梯级利用的方案，建立能源介质分层动态调控框架；

根据能源介质分层动态调控框架，建立能源子系统的调控方案；

根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；

根据分层动态调控的优化模型及相应的求解方式，设计仿生智能的协同优化算法对优化模型进行求解；

利用求解得到的结果对多能源介质进行动态调控。

进一步的，该方法中，建立能源介质分层动态调控框架，包括：

基于能源梯级利用的方案，建立钢铁生产过程中各工序能量传递及消化机理的分层框架；

根据分层框架，将多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。

进一步的，该方法中，根据能源介质分层动态调控框架，建立能源子系统的调控方案，包括：

根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程。

进一步的，该方法中，根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程，包括：

构造能源分介质的梯阶框架模型；梯阶框架模型包括第一子系统、第二子系统和第三子系统；其中，第一子系统包括：燃料子系统；第二子系统包括：技术气体子系统、压缩空气子系统及水子系统；第三子系统包括：电力子系统及蒸汽子系统；

计算燃料子系统的发生量，并根据燃气柜位变化及管网压力，计算富余燃气发电需求，并计算富余燃气的放散量，得到第一计算结果；

计算第二子系统中技术气体、压缩空气、水的需求及第二子系统与第三子系统能源转换需求，得到第二计算结果；

综合二次能源转换需求，调控蒸汽、电及可用煤气子系统分配方案，形成发电和蒸汽基准方案，计算蒸汽放散量，得到第三计算结果；

将第一计算结果、第二计算结果以及第三计算结果转换为第一子系统、第二子系统和第三子系统的系统间约束关系，并根据约束关系反馈主生产用能需求。

进一步的，该方法中，根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式，包括：

以时间t为变量，计算对燃料子系统中的能源介质在第t时段的能源消耗量C_i(q_i,t)和能源转换系统的启停状态S_i,t-1的乘积；

使乘积、外购能源量C_g和能源放散量C_w相加，并对相加得到的结果进行求和，得到第三结果；

构建能源平衡方程，并对能源平衡方程进行求和，得到第四结果；

确定第三结果和第四结果的最小值为目标函数F；其中， $F=\underset{u_i\left(t\right),g_i\left(t\right),p_i\left(k\right)}{\min }\{\underset{j}{\overset{I}{\mathrm{\Σ}}}{E}_{E,J}+\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}[C_i\left(q_{i,t}\right)\·S_{i,t-1}+C_g-C_w\}.$

进一步的，该方法中，构建能源平衡方程包括：

根据能量守恒定律，构建能源平衡方程：E_E＝E_PC-E_PP+E_TC-E_TP-E_D+E_W；

其中，为主系统能源消耗向量，为主系统各能源发生向量， $E_{\mathrm{TC}}={[\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{e}_{i,1}{B}_{i,1\left(i\right)}\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{e}_{i,2}{B}_{i,2\left(i\right)}...\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{e}_{i,n}{B}_{i,k\left(i\right)}]}^T$ 为能源转换系统能源消耗向量， $E_{\mathrm{TP}}={[\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{b}_{i,1}{B}_{i,1\left(i\right)}\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{b}_{i,2}{B}_{i,2\left(i\right)}...\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}{b}_{i,n}{B}_{i,k\left(i\right)}]}^T$ 为能源转换系统能源发生向量；n为能源品种个数，m为生产单元个数，k为能源转换单元个数，p_i为第i个单元产品产量，e_i,j为第i个单元第j种能源产品单耗，b_i,j为第i个单元第j种能源单位产品发生量；

E_D＝[E_d,1E_d,2…E_d,n]^T表示能源存储量，E_w＝[E_w,1E_w,2…E_w,n]^T表示能源放散量；

在忽略辅助系统能耗时，设E_e＝[E_e,1E_e,2…E_e,n]^T，其中E_e,1，E_e,2…E_e,n分别表示各种能源介质，对企业能源平衡方程表示为：

$E_E=\left[\begin{array}{c}{E}_{E,1}\\ E_{E,2}\\ ......\\ E_{E,n}\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(e_{i,1}-b_{i,1})p_i\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}(e_{i,2}-b_{i,2})p_i\\ ......\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}(e_{i,n}-b_{i,n})p_i\end{array}\right]+\left[\begin{array}{c}\underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}(e_{i,1}-b_{i,1})B_{i,1\left(i\right)}\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}(e_{i,2}-b_{i,2})B_{i,2\left(i\right)}\\ ......\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\Σ}}}(e_{i,n}-b_{i,n})B_{i,k\left(i\right)}\end{array}\right]+\left[\begin{array}{c}{E}_{w,1}\\ E_{w,2}\\ ......\\ E_{w,n}\end{array}\right]-\left[\begin{array}{c}{E}_{d,1}\\ E_{d,2}\\ ......\\ E_{d,n}\end{array}\right].$

进一步的，该方法中，设计仿生智能的协同优化算法对优化模型进行求解，包括：

优化目标；优化目标包括：对优化模型进行分解，确定分解后单个动态优化问题的数学描述为：

min f(x,t)

$s.t.\left\{\begin{array}{c}{h}_i(x,t)=0,i=\mathrm{1,2}...,m\\ g_j(x,t)<0,j=\mathrm{1,2},...,n\end{array}\right.;$

其中，f(x,t)是与时间相关的目标函数，h_i(x,t)＝0是第i个与时间t相关的等式约束条件，等式约束条件为m个；g_j(x,t)<0是第j个与时间t相关的不等式约束条件，不等式约束条件为n个；当静态环境下的n维函数f(x)，第i个状态点为ο_i(c_i1,c_i2,…,c_in)，i＝1,2,…,K时，动态函数为：

其中，F(x,ο，,t)是与时间相关的动态函数；是变量x和状态点o间的映射关系；t是驱动f(x)动态变化的时间变量；

设计自适应差异进化算法对优化模型进行求解；自适应差异进化算法包括：

输入动态环境下被优化函数f(x)及其定义域；

Step 1:初始化群体P：在定义域内初始化群体P，NP个体、D维，P＝{x_ij},i＝1,…,NP,j＝1,…,D；初始化参数变异步长F和交叉概率CR；

Step 2:执行动态优化环境检测：检测优化环境是否变化，若优化环境改变则执行Step3至Step8；否则执行Step4至Step8；

Step 3:学习操作1：判定当前优化环境所在的状态，用状态的历史最优解引导群体P学习适应环境；

Step 4:学习操作2：群体P向当代最优解学习；

Step 5:评估群体P，从父代和对应的子代中选择优秀个体；

Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR；

Step 7:记录最优解x^*与最优解对应的适应值fit＝f(x^*)；

Step 8:若满足结束条件，则输出相关统计数据；否则执行Step2。

进一步的，该方法中，历史最优解包括：

设算法在状态j下的历史最优解为stageBest(j)；当环境从i转变为j后，个体x在历史最优个体stageBest(j)引导下学习，学习策略如下：

其中，x_new是x的学习后得到的新个体，是扰动参数；

当代最优解为：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)；

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布；

当代最优解包括：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)；

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布。

进一步的，该方法中，Step 5：评估群体P，从父代和对应的子代中选择优秀个体，包括：

采用指数交叉：交叉对象是v_i和P_i，生成目标向量u_i，u_i＝(u_i1,u_i2,…,u_iD)；

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}{v}_{\mathrm{ij}}& \mathrm{if\; U}\left(\mathrm{0,1}\right)<\mathrm{CR\; or\; j}=j\_\mathrm{rand}\\ P_{\mathrm{ij}}& \mathrm{otherwise}\end{array}\right.;$

其中，U(0,1)是区间[0,1]上的随机分布，CR是交叉概率，j_rand是[1,…,D]中的随机整数，以保证u_i和x_i中至少有1维不同；

从u_i和x_i中选择较为优秀的个体x_i'，进入下一代群体；

$x_i^{\&prime;}=\left\{\begin{array}{cc}{u}_i& \mathrm{if}{u}_i\mathrm{issuperior}{x}_i\\ x_i& \mathrm{otherwise}\end{array}\right.;$

Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR，包括：

群体P中个体均对应变异步长F和交叉概率CR两个控制参数，三者同时进化；其中，第g+1代第i个体的参数F与CR的更新机制为：

$F_{i,g+1}=\left\{\begin{array}{cc}{F}_l+\mathrm{randl}*F_u& \mathrm{if\; rand}2<{\mathrm{\&tau;}}_1\\ F_{i,g}& \mathrm{otherwise}\end{array}\right.$

${\mathrm{CR}}_{i,g+1}=\left\{\begin{array}{cc}\mathrm{rand}3& \mathrm{if\; rand}4<{\mathrm{\&tau;}}_2\\ {\mathrm{CR}}_{i,g}& \mathrm{otherwise}\end{array}\right.$

其中，rand_j j＝1,2,3,4是[0,1]上的随机数,τ₁和τ₂是调整概率，都设定为0.1；F_l＝0.1,F_u＝0.9。

进一步的，该方法中，自适应差异进化算法还包括：

引入约束处理模型；

根据约束处理模型，将约束优化问题转换为一个多目标优化问题；

对多目标优化问题进行求解；

基于构造惩罚函数的方法对约束条件做如下处理：

令 $G_j\left(x\right)=\left\{\begin{array}{c}\max \{0,g_j\left(x\right)\},1\&le;j\&le;l\\ \left|h_j\left(x\right)\right|,l+1\&le;j\&le;m\end{array}\right.,$ 及 $G\left(x\right)=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_j\left(x\right)$

将约束条件转化为一个目标G(x)；G(x)和f(x)构成两目标的矢量f(x)：

f(x)＝(f(x),G(x))；

所以，由n个决策变量，单目标函数，l个不等式和m-l个等式约束条件组成的约束优化问题就转化为n个决策变量，两个目标函数的非约束多目标优化问题，其数学描述如下：

根据此方案，将能源介质分组的约束求解转化为多个多目标求解问题，在一个周期内迭代求解。

本发明实施例提供的本发明实施例提供的一种多能源介质分层动态调控方法，包括：基于能源梯级利用的方案，建立能源介质分层动态调控框架；根据能源介质分层动态调控框架，建立能源子系统的调控方案；根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；根据分层动态调控的优化模型及求解方式，设计仿生智能的协同优化算法对优化模型进行求解；利用求解得到的结果对多能源介质进行动态调控，与现有技术中缺乏一种面向能量流及多能源介质综合调控的应用的动态调控方法的方案相比，其首先将钢铁生产过程多种能源介质(包煤、电、水、蒸汽及二次能源等)的各工序能量传递及消化机理，建立能源介质总流程—局部流程—工序流程的分层体系(即能源介质分层动态调控框架)，在根据建立的能源介质分层动态调控框架，建立能源子系统的调控策略，将能源分介质不同阶段计算结果转化为系统间约束条件及优化顺序，把能源整体动态调控优化问题描述成多周期内动态优化问题，实现能源调控的多周期、多目标动态协同优化，最后设计仿生智能的协同优化算法对优化模型进行求解，从而解决钢铁生产复杂环境下多种能源介质的协同优化调度，实现了资源的高效利用，综合经济性和实效性较好。

附图说明

图1示出了本发明实施例提供的一种多能源介质分层动态调控方法的流程图；

图2示出了本发明实施例提供的一种多能源介质分层动态调控方法的流程图；

图3示出了本发明实施例提供的构造目标函数的流程图；

图4示出了本发明实施例中多种能源介质综合调控分层框架模型；

图5示出了本发明实施例中环境变化的“瞬间”，个体适应值的变化的原理示意图；

图6示出了本发明实施例中个体的自学习机制的原理示意图；

图7示出了本发明实施例中钢铁生产多能源介质动态调控的流程示意图；

图8示出了本发明实施例中能源介质动态调控优化方法设计示意图。

具体实施方式

下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。

在本发明的实施例中提供了一种多能源介质分层动态调控方法，如图1所示，包括：

101、基于能源梯级利用的方案，建立能源介质分层动态调控框架。

本实施例及下面所有实施例均基于钢铁的生成工艺和流程进行举例说明。具体的，首先采用能源梯级利用的思想，建立反映钢铁生产过程中各工序能量传递及消化机理的分层框架，把多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。综合系统调控的目标为钢铁生产流程能源总成本最小及能源动态平衡；能源分介质调控的目标是实现不同能源介质间高效转化和梯级利用，保证分介质能源数据准确、安全、稳定、可靠运行。具体的，综合系统调控考虑总成本和系统整体带来的效益的最优值；能源分介质包括但不限于油，沥青、天然气、技术气体(如氧气)、压缩空气、水、蒸汽、电力等。

102、根据能源介质分层动态调控框架，建立能源子系统的调控方案。

本实施例中，在分层动态调控框架中，采用“分解—协调”的方法，确定能源递阶优化策略。具体的，求解目标函数为典型的非线性系统，为方便求解，将多种能源介质分解为变量数较少的子系统分别求解，并对各子系统的约束进行协调，最终使多种能源介质动态调控获得全局最优和局部最优的统一。

103、根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式。

具体的，钢铁企业能源介质种类繁多，大致可分为燃气、蒸汽、电、技术气体、压缩空气和水六大类，多种能源介质间存在一定的转换关系。为避免综合动态调控的“维数灾”，本发明根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定其梯阶求解流程。

104、根据分层动态调控的优化模型及相应的求解方式，设计仿生智能的协同优化算法对优化模型进行求解。

具体的，该算法先将动态优化问题分解为一系列单节点动态优化子问题，然后通过迭代求解子问题的方式得到整个动态优化问题的最优解。在各子问题求解过程中，通过设计该算法信息传递机制及竞争算子，控制迭代求解过程中各能源流程中约束参数及动作控制时域，从而形成多种能源介质综合动态调控策略和方案，减少多参数变约束规划问题的求解工作量。

105、利用求解得到的结果对多能源介质进行动态调控。

本发明实施例提供的一种多能源介质分层动态调控方法，包括：采用能源梯级利用的思想，建立能源介质分层动态调控框架；根据能源介质分层动态调控框架，建立能源子系统的调控策略；根据能源子系统的调控策略，建立适合分层动态调控的优化模型及求解策略；根据分层动态调控的优化模型及求解策略，设计仿生智能的协同优化算法对优化模型进行求解；利用求解得到的结果对多能源介质进行动态调控，与现有技术中缺乏一种面向能量流及多能源介质综合调控的应用的动态调控方法的方案相比，其首先将钢铁生产过程多种能源介质(包煤、电、水、蒸汽及二次能源等)的各工序能量传递及消化机理，建立能源介质总流程—局部流程—工序流程的分层体系(即能源介质分层动态调控框架)，在根据建立的能源介质分层动态调控框架，建立能源子系统的调控策略，将能源分介质不同阶段计算结果转化为系统间约束条件及优化顺序，把能源整体动态调控优化问题描述成多周期内动态优化问题，实现能源调控的多周期、多目标动态协同优化，最后设计仿生智能的协同优化算法对优化模型进行求解，从而解决钢铁生产复杂环境下多种能源介质的协同优化调度，实现了资源的高效利用，综合经济性和实效性较好。

本发明实施例提供的本发明实施例提供的一种多能源介质分层动态调控方法，包括：采用能源梯级利用的思想，建立能源介质分层动态调控框架；根据能源介质分层动态调控框架，建立能源子系统的调控策略；根据能源子系统的调控策略，建立适合分层动态调控的优化模型及求解策略；根据分层动态调控的优化模型及求解策略，设计仿生智能的协同优化算法对优化模型进行求解；利用求解得到的结果对多能源介质进行动态调控，与现有技术中缺乏一种面向能量流及多能源介质综合调控的应用的动态调控方法的方案相比，其首先将钢铁生产过程多种能源介质(包煤、电、水、蒸汽及二次能源等)的各工序能量传递及消化机理，建立能源介质总流程—局部流程—工序流程的分层体系(即能源介质分层动态调控框架)，在根据建立的能源介质分层动态调控框架，建立能源子系统的调控策略，将能源分介质不同阶段计算结果转化为系统间约束条件及优化顺序，把能源整体动态调控优化问题描述成多周期内动态优化问题，最后设计仿生智能的协同优化算法对优化模型进行求解。最后使得钢铁企业可以利用求解得到的结果对多能源介质进行动态调控模型，实现了资源的高效利用，综合经济性和实效性较好。

进一步的，该方法中，建立能源介质分层动态调控框架，包括：

步骤1、基于能源梯级利用的方案，建立钢铁生产过程中各工序能量传递及消化机理的分层框架。

步骤2、根据分层框架，将多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。

具体的，综合系统调控的目标为钢铁生产流程能源总成本最小及能源动态平衡；能源分介质调控的目标是实现不同能源介质间高效转化和梯级利用，保证分介质能源数据准确、安全、稳定、可靠运行。

进一步的，该方法中，根据能源介质分层动态调控框架，建立能源子系统的调控方案，包括：根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程。

具体的，应用多阶段分层协同优化策略，将能源分介质不同阶段的计算结果转化为系统间约束条件及优化时序，从而形成多种能源介质综合动态调控策略，用以建立目标函数和约束模型，以便后续对该目标函数进行求解，最后根据求解结果使用该目标函数对多种能源进行综合调控。

进一步的，该方法中，根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程，如图2所示，包括：

201、构造能源分介质的梯阶框架模型；梯阶框架模型包括第一子系统、第二子系统和第三子系统；其中，第一子系统包括：燃料子系统；第二子系统包括：技术气体子系统、压缩空气子系统及水子系统；第三子系统包括：电力子系统及蒸汽子系统。

具体的，在求解综合系统调控时，以企业净能耗最小为目标，以各能源介质平衡及发生量等参数为决策变量，以能源平衡模型为约束方程进行求解。在求解分介质系统调控时，首先根据框架模型将能源分介质分为：燃料子系统；电力及蒸汽子系统；技术气体、压缩空气及水子系统三个子系统。在利用方式上，按能源介质的品种并综合能源转换效率逐级加以利用，比如燃料系统消耗后产生的高温蒸汽等二次能源，可用于发电或生产工艺；低温余热可用于供热等。三个子系统建立约束条件进行弱关联，便于递阶协同优化方法求解。三个子系统分解优化顺序为：“燃料子系统”目标权重最高、“技术气体—压缩空气—水”系统其次、“蒸汽—电”子系统为最低。

202、计算燃料子系统的发生量，并根据燃气柜位变化及管网压力，计算富余燃气发电需求，并计算富余燃气的放散量，得到第一计算结果。

其中，管网压力指的是燃气或蒸汽管道中的气体压力，用来衡量气体流量的测量单位；具体是指燃烧燃料子系统产生的气体(该气体会存储在管道里，且其会对管道产生压力，即管网压力)。

203、计算第二子系统中技术气体、压缩空气、水的需求及第二子系统与第三子系统能源转换需求，得到第二计算结果。

204、综合二次能源转换需求，调控蒸汽、电及可用煤气子系统分配方案，形成发电和蒸汽基准方案，计算蒸汽放散量，得到第三计算结果。

205、将第一计算结果、第二计算结果以及第三计算结果转换为第一子系统、第二子系统和第三子系统的系统间约束关系，并根据约束关系反馈主生产用能需求。

具体的，任何一个子系统优化的边界条件都是其他子系统综合或优化的结果。根据各子系统间影响大小和能源转换次序，以及各子系统对负荷需求、管网压力、成本、放散率、副产能源优先、用户优先等约束要求，确定各子系统边界约束。

进一步的，如图3所示，该方法中，根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式，包括：

301、以时间t为变量，计算对燃料子系统中主要能源介质第t时段的能源消耗量C_i(q_i,t)和能源转换系统的启停状态S_i,t-1的乘积。

具体的，能源消耗量为燃料子系统(主要是油，沥青和天然气)的能源消耗量。

302、使乘积、外购能源量C_g和能源放散量C_w相加，并对相加得到的结果进行求和，得到第三结果。

具体的，能源放散量C_w为燃烧燃料子系统产生的气体(如煤气等，可根据管网压力通过煤气柜进行调节，作为第二次能源使用)；

当燃烧燃料子系统产生的气体不足以用以支撑下面的第三子系统时，需要外购能源量C_g；另外，外购能源量C_g也可以是外购的新的燃料子系统的物质(如煤(精煤)、油(重油)、沥青和天然气等)。

303、构建能源平衡方程，并对能源平衡方程进行求和，得到第四结果。

304、确定第三结果和第四结果的最小值为目标函数F；其中， $F=\underset{u_i\left(t\right),g_i\left(t\right),p_i\left(k\right)}{\min }\{\underset{j}{\overset{I}{\mathrm{\&Sigma;}}}{E}_{E,J}+\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[C_i\left(q_{i,t}\right)\&CenterDot;S_{i,t-1}+C_g-C_w\}.$

具体的，分层框架中所考虑主生产系统与能源分介质转换系统的能耗为企业能耗的主要成分，其他系统能耗所占比例较小且较稳定，在一定周期内的能耗可以视为常量，因此在本动态调控模型中没有考虑。建立数学模型时考虑几个主要的生产用能环节和能源介质转换环节，并且仅考虑每个耗能单位所需的若干种主要能源。对于主生产综合调控，主要考虑物流及总能耗变化规律，对于能源分介质系统，除了考虑能源转换功能以外，还考虑时序性及缓冲、调节功能等动态特性。本发明在系统模型中加入启动/停止驱动状态及异动标志。因为，在具体的生产计划中，由于作业流程的需要，往往对用能单元(比如能源转换设备)进行人工启停操作，加入该状态标识，为了控制模型中能源介质消耗的计算(可以把停止工作的具体能源种类控制为0)。

具体的，本实施例中以能耗总成本最小为目标，考虑能源动态平衡，能源分介质外购及放散率最少，设计目标函数 $F=\underset{u_i\left(t\right),g_i\left(t\right),p_i\left(k\right)}{\min }\{\underset{j}{\overset{I}{\mathrm{\&Sigma;}}}{E}_{E,J}+\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[C_i\left(q_{i,t}\right)\&CenterDot;S_{i,t-1}+C_g-C_w\}---\left(1\right)$

C_i(q_i,t)为各能源介质在第t时段的能源消耗量，S_i,t-1为能源转换系统的启停状态,C_g为外购能源量，C_w为能源放散量，u_i(t)为决策变量，g_i(t)和p_i(t)为状态变量，决策变量主要包括能源发生量参数，该能源发生量参数可根据分组系统中的上下限约束条件具体确定。约束设计中考虑任何一个子系统优化的边界条件都是其他系统综合或优化的结果，具有相对独立性。

具体的，钢铁生产过程中主要流程包括烧结、炼铁、炼钢、锻造、热轧和冷轧六道工序，能源消耗主要包括焦化、蒸汽、给水、电厂、CDQ(Coke Dry Quenching，干熄焦)发电等。其中焦化单元主要消耗洗精煤等能源，产生焦炭和焦炉煤气；蒸汽单元主要消耗动力煤，高炉煤气，焦炉煤气和转炉煤气。CDQ发电主要利用焦炭和余热回收蒸汽和电力。在整个钢铁生产过程中，煤气、蒸汽和氧气是主要的二次能源。

进一步的，该方法中，构建能源平衡方程包括：

根据能量守恒定律，构建能源平衡方程：E_E＝E_PC-E_PP+E_TC-E_TP-E_D+E_W；

其中，为主系统能源消耗向量，为主系统各能源发生向量， $E_{\mathrm{TC}}={[\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,1}{B}_{i,1\left(i\right)}\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,2}{B}_{i,2\left(i\right)}...\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,n}{B}_{i,k\left(i\right)}]}^T$ 为能源转换系统能源消耗向量，为能源转换系统能源发生向量；n为能源品种个数，m为生产单元个数，k为能源转换单元个数，p_i为第i个单元产品产量，e_i,j为第i个单元第j种能源产品单耗，b_i,j为第i个单元第j种能源单位产品发生量；

E_D＝[E_d,1E_d,2…E_d,n]^T表示能源存储量，E_w＝[E_w,1E_w,2…E_w,n]^T表示能源放散量；

在忽略辅助系统能耗时，设E_e＝[E_e,1E_e,2…E_e,n]^T，其中E_e,1，E_e,2…E_e,n分别表示各种能源介质，对企业能源平衡方程表示为：

$E_E=\left[\begin{array}{c}{E}_{E,1}\\ E_{E,2}\\ ......\\ E_{E,n}\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,1}-b_{i,1})p_i\\ \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,2}-b_{i,2})p_i\\ ......\\ \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,n}-b_{i,n})p_i\end{array}\right]+\left[\begin{array}{c}\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,1}-b_{i,1})B_{i,1\left(i\right)}\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,2}-b_{i,2})B_{i,2\left(i\right)}\\ ......\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,n}-b_{i,n})B_{i,k\left(i\right)}\end{array}\right]+\left[\begin{array}{c}{E}_{w,1}\\ E_{w,2}\\ ......\\ E_{w,n}\end{array}\right]-\left[\begin{array}{c}{E}_{d,1}\\ E_{d,2}\\ ......\\ E_{d,n}\end{array}\right]---\left(2\right).$

公式(2)本身是一个n个方程，我们可以仅需选取其中含有二次能源转换的方程，共K个方程。目标函数(1)分别含有线性、非线性部分及常量。动态调配需考虑多个时间周期内的整体优化，为便于对模型的优化求解，方案拟采用等区间离散法对非线性问题进行处理，对于时间约束，按工序流程将多周期分解为单位周期(一天)内的能耗动态变化，在一个周期内，又将其等区间的分为n个时区，这样调度问题就确定在单位周期内不同时区间上的能源优化调度方法。这样将多周期多目标动态规划问题转换为固定时段寻优的多任务问题，利用多层线性模型来代替复杂非线性模型。

在优化策略和方法的选择上，可考虑多阶段分层优化的迭代求解。整体优化的过程不是一次性序列优化求解，而是必须在分解优化的基础上反复协同。在后续优化求解过程中根据目标子系统分解梯阶优化的结果，动态更新各子系统的约束条件，并判断是否进行下一轮优化。

优化具体需要解决两个技术问题：即协调参数的选取和收敛准则的确定。方案中可选取“技术气体—压缩空气—水”子系统对“蒸汽—电”的需求以及“蒸汽一电”子系统可使用副产煤气量等为下一轮优化的协调参数，将多种能源介质综合动态调控目标函数的收敛作为停止优化的判据。

进一步的，该方法中，设计仿生智能的协同优化算法对优化模型进行求解，包括：

优化目标；优化目标包括：对优化模型进行分解，确定分解后单个动态优化问题的数学描述为：

min f(x,t)

$s.t.\left\{\begin{array}{c}{h}_i(x,t)=0,i=\mathrm{1,2}...,m\\ g_j(x,t)<0,j=\mathrm{1,2},...,n\end{array}\right.---\left(3\right)$

其中，f(x,t)是与时间相关的目标函数，h_i(x,t)＝0是第i个与时间t相关的等式约束条件，等式约束条件为m个；g_j(x,t)<0是第j个与时间t相关的不等式约束条件，不等式约束条件为n个；当静态环境下的n维函数f(x)，第i个状态点为ο_i(c_i1,c_i2,…,c_in)，i＝1,2,…,K时，动态函数为：

其中，F(x,ο，,t)是与时间相关的动态函数；是变量x和状态点o间的映射关系；t是驱动f(x)动态变化的时间变量；

设计自适应差异进化算法对优化模型进行求解；自适应差异进化算法主要由动态环境检测机制、两阶段的个体学习机制和参数的自适应调整三部分构成。其主要框架如下：

自适应差异进化算法包括：

算法1：

输入：动态环境下被优化函数f(x)及其定义域；输出：算法获得的函数f(x)的最优适应值；

Step 1:初始化群体P：在定义域内初始化群体P，NP个体、D维，P＝{x_ij},i＝1,…,NP,j＝1,…,D；初始化参数变异步长F和交叉概率CR；

Step 2:执行动态优化环境检测：检测优化环境是否变化，若优化环境改变则执行Step3至Step8；否则执行Step4至Step8；

Step 3:学习操作1：判定当前优化环境所在的状态，用状态的历史最优解引导群体P学习适应环境；

Step 4:学习操作2：群体P向当代最优解学习；

Step 5:评估群体P，从父代和对应的子代中选择优秀个体；

Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR；

Step 7:记录最优解x^*与最优解对应的适应值fit＝f(x^*)；

Step 8:若满足结束条件，则输出相关统计数据；否则执行Step2。

具体的，在对上述模型目标还是目标函数(1)进行求解过程中，需要重点考虑系统全局最优和局部最优的动态平衡、信息传递机制、约束处理以及并行求解效率问题。

如图8所示，本发明设计优化方法：首先根据优化目标：能源系统综合能耗最小、能源分截至系统动态平衡以及能源梯级利用及效率最高，设计基于自学习极致的多阶段梯阶优化算法，该算法包括但不限于：

(1)差异进化算子、精英保持策略；

(2)协同-竞争策略、信息传递共享机制；

(3)抗体聚类竞争机制；

(4)约束转换函数。

在设计该算法之前，构造约束条件，以便后续根据构造的约束条件设计该算法：

约束条件包括但不限于：

(1)能源平衡约束；

(2)子系统间能量流动梯级关联约束；

(3)外部(成本、放散率、优先对象等)约束；

(4)运行效率与效果的约束；

(5)官网压力动态约束。

最后，求出设计的算法的最优解集及动态调控策略，根据最优解即能实现多能源介质的动态调控。

其中，本发明中的动态调配需考虑多个时间周期内的整体优化，为便于对模型的优化求解，方案采用等区间离散法对非线性问题进行处理，对于时间约束，按工序流程将多周期分解为单位周期(一天)内的能耗动态变化，在一个周期内，又将其等区间的分为n个时区，这样调度问题就确定在单位周期内不同时区间上的能源优化调度方法。这样将多周期多目标动态规划问题转换为固定时段寻优的动态问题。

具体的，由环境检测机制执行环境的动态检测，环境检测机制包含两个阶段，首先检测环境是否发生变化，其次确定当前环境所处的状态。如图5所示，以函数最小化为例，两个状态点是ο₁和ο₂，个体u和v是进化群体中的随机个体。当优化环境处于o₂时，个体u接近状态中心点o₂，优于远离o₂的个体v；但当优化环境从o₂变化到o₁时，则个体u的适应值迅速增加，劣于个体v，不再是最优解。本发明以特定个体作为环境变化监测器，如进化群体的最优个体、问题空间中随机生成的个体等。

如图4所示，其次是确定环境所处的状态。在算法中用变量changTime统计环境变化的次数，设定初始值changTime＝1，若环境发生变化则changTime＝changTime+1。用逻辑变量Status标志当前环境所处的状态，Status＝mod(changeTime,2)，其中mod表示取余函数。Status＝1表明当前环境处于状态1；否则处于状态2。

为让群体尽快适应变化后的环境，算法采用精英引导下的个体学习机制。根据进化过程中所处的“时空”位置，群体的学习过程分为两个阶段。第一阶段，环境变化后的“瞬间”即环境从状态i转变到状态j时，群体向状态j下的历史最优解学习，i≠j,i,j∈{1,2}。第二阶段，向历史最优解学习结束后，群体向当代最优个体学习。算法2详细描述了群体在两个阶段的学习过程。

算法2

输入：群体P及其适应值fit；

状态的历史最优解stageBestIndi及适应值stageBestFit；

changeTime＝1；％环境变化次数记录器；

输出：测试向量v；

Step1:确定当前群体的最优解bestIndi和最优值bestFit；

Step2:if bestFit≠Revaluate(bestIndi)％重新评估最优解，确定优化环境发生改变；

Step3:flag＝mod(changeTime,2)；

Step4:if flag＝＝2；％优化环境从第一种状态转变到第二种状态；

Step5:if bestFit<stageBest(1)；％更新第一种状态的历史最优解与适应值；

Step6:update(bestIndi,bestFit)；

Step7:对群体P中的所有个体x,v＝x+w*(stageBestIndi(2)-x)％向状态2下的历史最优个体学习；

Step8:else％环境从第二种状态转变到第一种状态；

Step9:if bestFit<stageBest(2)；％更新第二种状态的历史最优解与适应值；

Step10:update(bestIndi,bestFit)；

Step11:对群体P中的所有个体x,v＝x+w*(stageBestIndi(1)-x)％向状态1下的历史最优个体学习；

Step12：changeTime＝changeTime+1；

Step13:else％环境没有发生动态变化,向当代最优个体学习；

Step14:对群体P中所有个体x，v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)。

进一步的，当优化环境从状态i转变到状态j后，个体适应值和优秀程度均发生变化，群体需要尽快学习、适应新环境。因此，算法以状态j下的历史最优解作为个体的学习对象。

历史最优解包括：

设算法在状态j下的历史最优解为stageBest(j)；当环境从i转变为j后，个体x在历史最优个体stageBest(j)引导下学习，学习策略如下：

其中，x_new是x的学习后得到的新个体，是扰动参数；

当代最优解为：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布；

在应用智能优化问题处理问题时，评价次数、进化代数等均可看作驱动群体进化的资源。动态优化问题中由于环境的动态变换，算法需要在给定资源下快速适应新环境，进而获得相对较好的解。因此，算法采用个体向当代最优解学习的策略。

当代最优解包括：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)    (6)

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布。

进一步的，该方法中，Step 5：评估群体P，从父代和对应的子代中选择优秀个体，包括：

采用指数交叉：交叉对象是v_i和P_i，生成目标向量u_i，u_i＝(u_i1,u_i2,…,u_iD)；

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}{v}_{\mathrm{ij}}& \mathrm{if\; U}\left(\mathrm{0,1}\right)<\mathrm{CR\; or\; j}=j\_\mathrm{rand}\\ P_{\mathrm{ij}}& \mathrm{otherwise}\end{array}\right.---\left(7\right)$

其中，U(0,1)是区间[0,1]上的随机分布，CR是交叉概率，j_rand是[1,…,D]中的随机整数，以保证u_i和x_i中至少有1维不同；

从u_i和x_i中选择较为优秀的个体x_i'，进入下一代群体；

$x_i^{\&prime;}=\left\{\begin{array}{cc}{u}_i& \mathrm{if}{u}_i\mathrm{issuperior}{x}_i\\ x_i& \mathrm{otherwise}\end{array}\right.---\left(8\right)$

Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR，包括：

群体P中个体均对应变异步长F和交叉概率CR两个控制参数，三者同时进化；其中，第g+1代第i个体的参数F与CR的更新机制为：

$F_{i,g+1}=\left\{\begin{array}{cc}{F}_l+\mathrm{randl}*F_u& \mathrm{if\; rand}2<{\mathrm{\&tau;}}_1\\ F_{i,g}& \mathrm{otherwise}\end{array}\right.---\left(9\right)$

${\mathrm{CR}}_{i,g+1}=\left\{\begin{array}{cc}\mathrm{rand}3& \mathrm{if\; rand}4<{\mathrm{\&tau;}}_2\\ {\mathrm{CR}}_{i,g}& \mathrm{otherwise}\end{array}\right.---\left(10\right)$

其中，rand_j j＝1,2,3,4是[0,1]上的随机数,τ₁和τ₂是调整概率，都设定为0.1；F_l＝0.1,F_u＝0.9。

进一步的，该方法中，自适应差异进化算法还包括：

引入约束处理模型；

根据所述约束处理模型，将约束优化问题转换为一个多目标优化问题；对所述多目标优化问题进行求解；(将约束优化问题转换为一个多目标优化问题并进行求解)；基于常用构造惩罚函数的方法对约束条件做如下处理：

令 $G_j\left(x\right)=\left\{\begin{array}{c}\max \{0,g_j\left(x\right)\},1\&le;j\&le;l\\ \left|h_j\left(x\right)\right|,l+1\&le;j\&le;m\end{array}\right.$ 及 $G\left(x\right)=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_j\left(x\right)---\left(11\right)$

将约束条件转化为一个目标G(x)；G(x)和f(x)构成两目标的矢量f(x)：

f(x)＝(f(x),G(x))    (12)

所以，由n个决策变量，单目标函数，l个不等式和m-l个等式约束条件组成的约束优化问题就转化为n个决策变量，两个目标函数的非约束多目标优化问题，其数学描述如下：

根据此思想，将能源介质分组的约束求解转化为多个多目标求解问题，在一个周期内迭代求解。所转化过来的f(x)在可行域内可退化为一个单目标优化问题f(x)(此时G(x)＝0)，这样最优解仍然为一个点，对于f(x)而言不需关注算法所得Pareto-最优解的分布情况，因此依然可以采用本方案的多种群进化方法对目标进行协同求解。

具体的，不同钢铁企业，不同工艺的约束条件可能不同：约束条件例如：潮湿度，品质、运输成本等，具体的，使用企业可以根据具体需求进行任意设置。

该算法先将动态优化问题分解为一系列单节点动态优化子问题，然后通过迭代求解子问题的方式得到整个动态优化问题的最优解。在各子问题求解过程中，通过设计算法信息传递机制及竞争算子，控制迭代求解过程中各能源流程中约束参数及动作控制时域，从而形成多种能源介质综合动态调控策略和方案，减少多参数变约束规划问题的求解工作量，

如图7所示，本发明实施例中提供了一种能源介质动态调控优化方法，包括：

401、确定钢铁生产多能源介质动态调控目标。

402、多种能源介质分层动态调控策略：根据动态调控目标，把系统整体优化分解成能源综合系统与能源分介质系统的多层优化体系，建立能源梯阶利用的优化策略。

403、构造目标函数及约束：根据分解的多层优化体系，建立符合能源总成本最小能源分介质动态平衡的优化目标函数，建立能源平衡方程。

404、模型线性化及动态参数处理：1、根据分层递阶优化框架，对模型进行多层线性化处理。2、建立能源分介质系统优化时序及协调参数，进行目标降维。

405、边界约束条件及目标函数优化：设计聚类竞争、免疫记忆、个体迁移、信息共享等相关算子进行约束降维、目标函数优化。

406、免疫协同优化算法设计：根据模型递阶优化时序，设计竞争-x协作的分层协同优化方法对问题求解。

407、仿真实验：进行仿真实验，根据梯阶分解求解结果动态优化各目标函数及约束，在周期内迭代求解，形成在线动态优化。

408、满足收敛指标及调控目标，完成一个周期的优化求解，输出结果。

本发明采用CPLEX(一种数学优化技术)优化软件包对数学模型进行建立和修改：在模型设计过程中需要考虑分介质能源子系统间参数协同和信息交互，分析系统动态特性，因此在实验环境下验证通过信号注入(启动/停止驱动状态)和添加参数检测来构建动态参考模型的可行性。在仿真计算时加入流程调控机制，通过修改影响能量消耗/回收设备和能源转换的异动标志，分析评估不同条件下对能源介质协同的影响。在管网压力动态约束实验中，借鉴相关文献所建立的数学模型，采用图论有向图原理，通过关联矩阵和基本回路矩阵将管网图形信息数据化，并与各能源节点相关联。根据流体网络的一些基本定律，对管段压力及参数进行辨识，形成基于管网模拟的动态优化，设计求解策略，设置求解精度，从而对模型进行仿真验证。

采用Visual Studio、Matlab等软件设计智能协同进化算法：算法设计时考虑生产用能的连续性，简单的对一个时段优化可能造成下一个时段的劣化。在仿真计算综合系统能量消耗/回收量时，不是按钢比匹配条件把各流程一次算完，而是按一定时间周期循环计算，直到收敛准则或单位生产周期完成，各能源子系统按分层递阶优化策略依次计算。在实验过程中，针对复杂非线性方程组，采用多层迭代线性化处理，设计相关算子和调整系统参数，不断优化算法和求解效果。

本发明目的是为了解决如下的技术问题：

(1)建立适合多种能源介质分层梯阶协同优化的调控策略，实现能源调控的多周期、多目标动态协同优化。

(2)根据动态优化目标、决策变量不同，设计求解算子及信息传递机制，提出具有自学习机制的差异进化算法。通过重新评估特定个体的方式监测环境变化。通过群体向新状态历史最优解引导学习，将当代最优个体和两随机个体共同引导个体，保持群体多样性的同时加快算法收敛速度，降低环境的频繁变化对算法搜索能力的影响。从而解决钢铁生产复杂环境下多种能源介质的协同优化调度。

具体的，本发明采用如下技术方案实现其发明目的。首先将钢铁生产过程多种能源介质(包煤、电、水、蒸汽及二次能源等)的各工序能量传递及消化机理，建立能源介质总流程—局部流程—工序流程的分层体系，把能源调控目标分为综合系统调控和能源分介质调控两个层次。将能源分介质不同阶段计算结果转化为系统间约束条件及优化顺序，把能源整体动态调控优化问题描述成多周期内动态优化问题，设计仿生智能的协同优化算法对目标问题进行求解。该算法先将动态优化问题分解为一系列单节点动态优化子问题，然后通过迭代求解子问题的方式得到整个动态优化问题的最优解。在各子问题求解过程中，通过设计算法信息传递机制及竞争算子，控制迭代求解过程中各能源流程中约束参数及动作控制时域，从而形成多种能源介质综合动态调控策略和方案，减少多参数变约束规划问题的求解工作量。

本发明以综合能耗全局优化为目标，采用协同优化理论与方法发明一种多种能源介质梯级优化模型及具有动态环境自学习机制的协同优化算法。以便能解决能源系统从静态优化到动态优化；从局部优化到多层级、综合总体目标优化；从能源单项优化到多能源、跨品种、跨区域协同优化为目标，结合数学规划、数据挖掘、专家系统、协同优化等方法研究解决全局与局部优化的矛盾，解决多参数、变约束条件对综合系统的影响，提升实时应用效果，满足实际工程应用需要。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多能源介质分层动态调控方法，其特征在于，包括：

基于能源梯级利用的方案，建立能源介质分层动态调控框架；

根据所述能源介质分层动态调控框架，建立能源子系统的调控方案；

根据所述能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；

根据所述分层动态调控的优化模型及相应的求解方式，设计仿生智能的协同优化算法对所述优化模型进行求解；

利用求解得到的结果对多能源介质进行动态调控。

2.根据权利要求1所述的方法，其特征在于，所述建立能源介质分层动态调控框架，包括：

基于能源梯级利用的方案，建立钢铁生产过程中各工序能量传递及消化机理的分层框架；

根据所述分层框架，将多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。

3.根据权利要求1所述的方法，其特征在于，所述根据所述能源介质分层动态调控框架，建立能源子系统的调控方案，包括：

根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定所述能源分介质的梯阶求解流程。

4.根据权利要求3所述的方法，其特征在于，所述根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定所述能源分介质的梯阶求解流程，包括：

构造能源分介质的梯阶框架模型；所述梯阶框架模型包括第一子系统、第二子系统和第三子系统；其中，第一子系统包括：燃料子系统；第二子系统包括：技术气体子系统、压缩空气子系统及水子系统；第三子系统包括：电力子系统及蒸汽子系统；

计算燃料子系统的发生量，并根据燃气柜位变化及管网压力，计算富余燃气发电需求，并计算富余燃气的放散量，得到第一计算结果；

计算所述第二子系统中技术气体、压缩空气、水的需求及所述第二子系统与所述第三子系统能源转换需求，得到第二计算结果；

综合二次能源转换需求，调控蒸汽、电及可用煤气子系统分配方案，形成发电和蒸汽基准方案，计算蒸汽放散量，得到第三计算结果；

将所述第一计算结果、第二计算结果以及第三计算结果转换为第一子系统、第二子系统和第三子系统的系统间约束关系，并根据所述约束关系反馈主生产用能需求。

5.根据权利要求4所述的方法，其特征在于，所述根据所述能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式，包括：

以时间t为变量，计算对燃料子系统中的能源介质在第t时段的能源消耗量C_i(q_i,t)和能源转换系统的启停状态S_i,t-1的乘积；

使所述乘积、外购能源量C_g和能源放散量C_w相加，并对相加得到的结果进行求和，得到第三结果；

构建能源平衡方程，并对所述能源平衡方程进行求和，得到第四结果；

确定第三结果和第四结果的最小值为目标函数F；其中， $F=\underset{u_i\left(t\right),g_i\left(t\right),p_i\left(k\right)}{\min }\{\underset{j}{\overset{I}{\mathrm{\&Sigma;}}}{E}_{E,J}+\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}[C_i\left(q_{i,t}\right)\&CenterDot;S_{i,t-1}+C_g-C_w\}.$

6.根据权利要求5所述的方法，其特征在于，所述构建能源平衡方程包括：

根据能量守恒定律，构建能源平衡方程：E_E＝E_PC-E_PP+E_TC-E_TP-E_D+E_W；

其中，为主系统能源消耗向量，为主系统各能源发生向量， $E_{\mathrm{TC}}={[\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,1}{B}_{i,1\left(i\right)}\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,2}{B}_{i,2\left(i\right)}...\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{e}_{i,n}{B}_{i,k\left(i\right)}]}^T$ 为能源转换系统能源消耗向量， $E_{\mathrm{TP}}={[\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{b}_{i,1}{B}_{i,1\left(i\right)}\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{b}_{i,2}{B}_{i,2\left(i\right)}...\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}{b}_{i,n}{B}_{i,k\left(i\right)}]}^T$ 为能源转换系统能源发生向量；n为能源品种个数，m为生产单元个数，k为能源转换单元个数，p_i为第i个单元产品产量，e_i,j为第i个单元第j种能源产品单耗，b_i,j为第i个单元第j种能源单位产品发生量；

E_D＝[E_d,1E_d,2…E_d,n]^T表示能源存储量，E_w＝[E_w,1E_w,2…E_w,n]^T表示能源放散量；

在忽略辅助系统能耗时，设E_e＝[E_e,1E_e,2…E_e,n]^T，其中E_e,1，E_e,2…E_e,n分别表示各种能源介质，对企业能源平衡方程表示为：

$E_E=\left[\begin{array}{c}{E}_{E,1}\\ E_{E,2}\\ ......\\ E_{E,n}\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,1}-b_{i,1})p_i\\ \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,2}-b_{i,2})p_i\\ ......\\ \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(e_{i,n}-b_{i,n})p_i\end{array}\right]+\left[\begin{array}{c}\underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,1}-b_{i,1})B_{i,1\left(i\right)}\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,2}-b_{i,2})B_{i,2\left(i\right)}\\ ......\\ \underset{i=m+1}{\overset{m+k}{\mathrm{\&Sigma;}}}(e_{i,n}-b_{i,n})B_{i,k\left(i\right)}\end{array}\right]+\left[\begin{array}{c}{E}_{w,1}\\ E_{w,2}\\ ......\\ E_{w,n}\end{array}\right]-\left[\begin{array}{c}{E}_{d,1}\\ E_{d,2}\\ ......\\ E_{d,n}\end{array}\right].$

7.根据权利要求6所述的方法，其特征在于，所述设计仿生智能的协同优化算法对所述优化模型进行求解，包括：

优化目标；所述优化目标包括：对所述优化模型进行分解，确定分解后单个动态优化问题的数学描述为：

min f(x,t)

$s.t.\left\{\begin{array}{c}{h}_i(x,t)=0,i=\mathrm{1,2}...,m\\ g_j(x,t)<0,j=\mathrm{1,2},...,n\end{array}\right.;$

其中，f(x,t)是与时间相关的目标函数，h_i(x,t)＝0是第i个与时间t相关的等式约束条件，所述等式约束条件为m个；g_j(x,t)<0是第j个与时间t相关的不等式约束条件，所述不等式约束条件为n个；当静态环境下的n维函数f(x)，第i个状态点为o_i(c_i1,c_i2,…,c_in)，i＝1,2,…,K时，动态函数为：

其中，F(x,o，,t)是与时间相关的动态函数；是变量x和状态点o间的映射关系；t是驱动f(x)动态变化的时间变量；

设计自适应差异进化算法对所述优化模型进行求解；所述自适应差异进化算法包括：

输入动态环境下被优化函数f(x)及其定义域；

Step 1:初始化群体P：在定义域内初始化群体P，NP个体、D维，P＝{x_ij},i＝1,…,NP,j＝1,…,D；初始化参数变异步长F和交叉概率CR；

Step 2:执行动态优化环境检测：检测优化环境是否变化，若优化环境改变则执行Step3至Step8；否则执行Step4至Step8；

Step 3:学习操作1：判定当前优化环境所在的状态，用所述状态的历史最优解引导群体P学习适应环境；

Step 4:学习操作2：群体P向当代最优解学习；

Step 5:评估群体P，从父代和对应的子代中选择优秀个体；

Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR；

Step 7:记录最优解x^*与最优解对应的适应值fit＝f(x^*)；

Step 8:若满足结束条件，则输出相关统计数据；否则执行Step2。

8.根据权利要求7所述的方法，其特征在于，所述历史最优解包括：

设算法在状态j下的历史最优解为stageBest(j)；当环境从i转变为j后，个体x在历史最优个体stageBest(j)引导下学习，学习策略如下：

其中，x_new是x的学习后得到的新个体，是扰动参数；

所述当代最优解为：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)；

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布；

所述当代最优解包括：

v_i＝bestIndi+F*(bestIndi-randP₁)+k*(randP₂-randP₃)；

其中，v_i是对应于第i个体的过渡测试向量，bestIndi是本代的最优个体，randP_j,j＝1,2,3是从群体P中随机选择的、不同于bestIndi和当前个体的个体，F是控制变异步长的参数，k是(0,1]间的随机均匀分布。

9.根据权利要求8所述的方法，其特征在于，所述Step 5：评估群体P，从父代和对应的子代中选择优秀个体，包括：

采用指数交叉：交叉对象是v_i和P_i，生成目标向量u_i，u_i＝(u_i1,u_i2,…,u_iD)；

$u_{\mathrm{ij}}=\left\{\begin{array}{cc}{v}_{\mathrm{ij}}& \mathrm{if\; U}\left(\mathrm{0,1}\right)<\mathrm{CR\; or\; j}=j\_\mathrm{rand}\\ P_{\mathrm{ij}}& \mathrm{otherwise}\end{array}\right.;$

其中，U(0,1)是区间[0,1]上的随机分布，CR是交叉概率，j_rand是[1,…,D]中的随机整数，以保证u_i和x_i中至少有1维不同；

从u_i和x_i中选择较为优秀的个体x_i'，进入下一代群体；

$x_i^{\&prime;}=\left\{\begin{array}{cc}{u}_i& \mathrm{if}{u}_i\mathrm{issuperior}{x}_i\\ x_i& \mathrm{otherwise}\end{array}\right.;$

所述Step 6:控制参数调整：采用自适应机制更新变异步长F和交叉概率CR，包括：

群体P中个体均对应变异步长F和交叉概率CR两个控制参数，三者同时进化；其中，第g+1代第i个体的参数F与CR的更新机制为：

$F_{i,g+1}=\left\{\begin{array}{cc}{F}_l+\mathrm{randl}*F_u& \mathrm{if\; rand}2<{\mathrm{\&tau;}}_1\\ F_{i,g}& \mathrm{otherwise}\end{array}\right.$

${\mathrm{CR}}_{i,g+1}=\left\{\begin{array}{cc}\mathrm{rand}3& \mathrm{if\; rand}4<{\mathrm{\&tau;}}_2\\ {\mathrm{CR}}_{i,g}& \mathrm{otherwise}\end{array}\right.$

其中，rand_j j＝1,2,3,4是[0,1]上的随机数,τ₁和τ₂是调整概率，都设定为0.1；F_l＝0.1,F_u＝0.9。

10.根据权利要求9所述的方法，其特征在于，所述自适应差异进化算法还包括：

引入约束处理模型；

根据所述约束处理模型，将约束优化问题转换为一个多目标优化问题；

对所述多目标优化问题进行求解；

基于构造惩罚函数的方法对约束条件做如下处理：

令 $G_j\left(x\right)=\left\{\begin{array}{c}\max \{0,g_j\left(x\right)\},1\&le;j\&le;l\\ \left|h_j\left(x\right)\right|,l+1\&le;j\&le;m\end{array}\right.,$ 及 $G\left(x\right)=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_j\left(x\right)$

将约束条件转化为一个目标G(x)；G(x)和f(x)构成两目标的矢量f(x)：

f(x)＝(f(x),G(x))；

所以，由n个决策变量，单目标函数，l个不等式和m-l个等式约束条件组成的约束优化问题就转化为n个决策变量，两个目标函数的非约束多目标优化问题，其数学描述如下：

根据此方案，将能源介质分组的约束求解转化为多个多目标求解问题，在一个周期内迭代求解。