CN104239981A - 一种基于多目标优化算法的能源动态平衡与优化调度方法 - Google Patents

Abstract

本发明适用于钢铁企业能源动态平衡与优化调度领域，提供了一种基于多目标优化算法的能源动态平衡与优化调度方法，包括：步骤1，获取钢铁企业能源系统网络拓扑结构以及煤气、蒸汽和电力子系统中的各单元设备信息；步骤2，获取各种能源介质的供需预测数据、生产检修计划和其他设定信息；步骤3，建立钢铁企业能源动态平衡与优化调度数学模型，确定优化调度模型的优化变量；确定优化调度模型的目标函数和约束条件；步骤4，将优化调度模型转化为具有两个优化目标的问题；步骤5，采用多目标优化算法对步骤4中得到的两目标优化问题进行求解；综合考虑了钢铁企业多种能源介质的耦合关系，从综合调度和全局优化的角度给出了多能源介质动态平衡与优化调度的技术方案，对具体实践的指导意义明确。

Description

一种基于多目标优化算法的能源动态平衡与优化调度方法

技术领域

本发明属于钢铁企业能源动态平衡与优化调度领域，尤其涉及一种基于多目标优化算法的钢铁企业能源动态平衡与优化调度方法。

背景技术

钢铁工业是国民经济的基础性支柱产业，同时又是资源、能源密集型产业。能源消耗是决定钢铁工业生产成本和利润的重要因素，也是影响环境负荷的主要原因。一方面，钢铁企业生产流程长，工序、设备繁多，各工序间相互衔接，且每种工序、设备都与多种能源介质关联；另一方面，钢铁企业需要用到的能源种类超过20种，这些能源介质不仅各自存在产耗、储存、缓冲和输配等多种形态，而且相互之间有着复杂的转换、替代等关联关系，这都使得整个钢铁企业能源系统网络结构紧密耦合、错综复杂。因此，对钢铁企业能源系统的研究具有理论和现实两方面的重要意义。

近年来，国内外研究人员已经在钢铁企业能源系统研究工作中取得了许多成果，大致可归为能源预测及能源平衡、调度两个方向。其中，能源平衡、调度的研究成果主要集中在煤气或蒸汽等单一能源介质系统中，而综合考虑多种能源介质的耦合关系并实施优化调度的成果还不多见。文献(孙彦广.钢铁企业能量流网络信息模型及多种能源介质动态调控[C].香山科学会议第356次学术讨论会.2009:123-131.)于2009年在香山科学会议上提出了多种能源介质分解-协调优化策略和实现方法，以提升能源中心调控水平，实现钢铁企业能源系统高效有序运行。文献(罗先喜，苑明哲，徐化岩，等.面向钢铁企业的先进能源管理系统研究新进展[J].信息与控制.2011,40(6):819-828.)把基于全流程优化控制与系统节能思想的能源系统作为钢铁企业能源系统发展的高级阶段。这些成果高屋建瓴，以高度概括的方式为钢铁企业能源系统的研究指明了方向，但唯一的缺憾是它们都聚焦在理论层面，对具体实践的指导不明确。

发明内容

本发明实施例的目的在于提供一种基于多目标优化算法的能源动态平衡与优化调度方法，以解决现有技术缺少钢铁企业多能源介质综合的动态平衡与优化调度方法的问题。

本发明实施例是这样实现的，一种基于多目标优化算法的能源动态平衡与优化调度方法，所述方法包括以下步骤：

步骤1，获取钢铁企业能源系统网络拓扑结构以及煤气、蒸汽和电力子系统中的各单元设备信息；

步骤2，获取各种能源介质的供需预测数据、生产检修计划和其他设定信息；

步骤3，建立钢铁企业能源动态平衡与优化调度数学模型，确定优化调度模型的优化变量为确定煤气子系统的能源成本目标函数J₁、蒸汽子系统的能源成本目标函数J₂和电力子系统的能源成本目标函数J₃，确定所述优化调度模型的目标函数为 $\mathrm{Minf}\left(\stackrel{\→}{x}\right)=J_1+J_2+J_3,\stackrel{\→}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t}),$ 确定优化调度模型的约束条件；

其中，i为煤气管网的序号，j为煤气子系统中单元设备的序号，t为调度周期序号， 分别设备的煤气消耗量和产生量，n为蒸汽和电力子系统中单元设备的序号，s为蒸汽管网的序号，为设备n消耗的煤气量，为设备n入口蒸汽流量，为设备n出口产生/抽汽/凝汽流量，z_n,t为设备n产生的电量；

步骤4，将转化为具有两个优化目标的问题：

$\left\{\begin{array}{c}\mathrm{Minf}\left(\stackrel{\→}{x}\right)=J_1+J_2+J_3,\\ \mathrm{MinG}\left(\stackrel{\→}{x}\right)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{G}_k\left(\stackrel{\→}{x}\right),\end{array}\right.,\stackrel{\→}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})$

并且满足所有约束条件，其中：

具体地，g_k(·)为不等式约束，h_k(·)为等式约束，k为不等式约束或等式约束的序号；δ为设定的一个较小的正数；

步骤5，采用多目标优化算法对所述步骤4中得到的所述两目标优化问题进行求解，并应用Pareto支配关系和Pareto优超数作为个体排序选择的准则，其中，Pareto优超数的定义为：

设为进化种群pop中一个个体，用表示种群中Pareto优于的个体总数，称为的Pareto优超数， $D\left({\stackrel{\&RightArrow;}{x}}_i\right)=\#\left\{{\stackrel{\&RightArrow;}{x}}_j\right|{\stackrel{\&RightArrow;}{x}}_j\&Element;\mathrm{pop}^{\stackrel{\&RightArrow;}{x}}_j<{\stackrel{\&RightArrow;}{x}}_i\},$ #表示集合中的元素个数。

本发明实施例提供的一种基于多目标优化算法的能源动态平衡与优化调度方法的有益效果包括：

(1)克服了传统研究仅对单一能源介质进行平衡和调度的缺陷，综合考虑了钢铁企业多种能源介质的耦合关系，从综合调度和全局优化的角度给出了多能源介质动态平衡与优化调度的技术方案，对具体实践的指导意义明确。

(2)应用多目标优化的基本思想，将钢铁企业能源综合调度这一复杂的约束优化问题转化为包含两个目标的多目标优化问题，其中，第1个目标取为原问题的目标函数值，第2个目标由约束条件转换得到，表示违反所有约束条件的程度，这种转换方法为研究钢铁企业能源动态平衡和优化调度问题提供了新的思路和途径。

(3)针对钢铁企业多能源介质动态平衡与优化调度课题综合程度较高，且介质之间耦合性强，数学模型求解困难的问题，公开了一种基于多目标优化算法的求解方法。通过对钢铁企业能源动态平衡与优化调度这一具体工程问题的测试结果表明了该算法的有效性，它不仅适用于能源系统问题研究，还可应用于其它类似的科学和工程优化问题。

(4)钢铁企业多能源介质动态平衡与优化调度这一技术方案的取得，实现了副产煤气的“零”放散，减少了蒸汽了盲目生产，实现了蒸汽的“零”放散，实现了电力负荷的削峰填谷，最终达到了充分利用二次能源，提高能源综合利用效率的目的。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于多目标优化算法的能源动态平衡与优化调度方法的总体流程图；

图2为本发明实施例提供的基于多目标优化算法的能源动态平衡与优化调度方法的详细流程图；

图3为本发明实施例提供的多目标进化算法中全局交叉算子的方法流程图；

图4为本发明实施例提供的多目标进化算法中局部交叉算子的方法流程图；

图5为典型钢铁企业煤气子系统拓扑结构图；

图6为典型钢铁企业蒸汽和电力子系统拓扑结构图；

图7为本发明提供的实施例中某钢铁企业的煤气、蒸汽和电力子系统拓扑结构简图；

图8为本发明提供的实施例中得到的高炉煤气动态平衡和优化调度结果；

图9为本发明提供的实施例中得到的焦炉煤气动态平衡和优化调度结果；

图10为本发明提供的实施例中得到的转炉煤气动态平衡和优化调度结果；

图11为本发明提供的实施例中得到的高压蒸汽动态平衡和优化调度结果；

图12为本发明提供的实施例中得到的中压蒸汽动态平衡和优化调度结果；

图13为本发明提供的实施例中得到的低压蒸汽动态平衡和优化调度结果；

图14为本发明提供的实施例中得到的电力动态平衡和优化调度结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图1所示为本发明提供的基于多目标优化算法的能源动态平衡与优化调度方法的总体流程图，所述方法包括以下步骤：

步骤1，获取钢铁企业能源系统网络拓扑结构以及煤气、蒸汽和电力子系统中的各单元设备信息。

步骤2，获取各种能源介质的供需预测数据、生产检修计划和其他设定信息，生产检修计划定义了各个子系统中单元设备的即时状态，并将某些不可用的设备排除在调度优化范畴之外；其他设定信息用于接收用户的个性化输入条件，如根据预测信息获知某一时段的高炉煤气(BFG)富余量较大，这时为减少BFG放散，可以将锅炉等用户的BFG流量设置在允许的上限值，让其燃烧尽可能多的BFG。

步骤3，建立钢铁企业能源动态平衡与优化调度数学模型，确定优化调度模型的优化变量为确定煤气子系统的能源成本目标函数J₁、蒸汽子系统的能源成本目标函数J₂和电力子系统的能源成本目标函数J₃，确定优化调度模型的目标函数为 $\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t}),$ 确定优化调度模型的约束条件。

其中，i为煤气管网的序号，j为煤气子系统中单元设备的序号，t为调度周期序号， 分别设备的煤气消耗量和产生量，n为蒸汽和电力子系统中单元设备的序号，s为蒸汽管网的序号，为设备n消耗的煤气量，为设备n入口蒸汽流量，为设备n出口产生/抽汽/凝汽流量，z_n,t为设备n产生的电量。由于锅炉燃烧煤气产生蒸汽，蒸汽推动蒸汽轮机产生电力两个过程是耦合在一起的，所以不对蒸汽和电力子系统中的单元设备作区分，用一组相同的四元变量表示。

步骤4，将转化为具有两个优化目标的问题：

$\left\{\begin{array}{c}\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,\\ \mathrm{MinG}\left(\stackrel{\&RightArrow;}{x}\right)=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_k\left(\stackrel{\&RightArrow;}{x}\right),\end{array}\right.,\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})$

并且满足所有约束条件，其中：

具体地，g_k(？)为不等式约束，h_k(？)为等式约束，k为不等式约束或等式约束的序号；不等式约束的处理比较简单，对于等式约束，将它们转换为不等式约束来处理，为了平衡计算负荷与精度之间的矛盾，转换后需放松约束程度，取δ为一较小的正数，当满足时，则认为满足等式约束条件，计算误差也在容许的范围之内。

步骤5，采用多目标优化算法对步骤4中得到的两目标优化问题进行求解，并应用Pareto支配关系和Pareto优超数作为个体排序选择的准则，其中，Pareto优超数的定义为：

设为进化种群pop中一个个体，用表示种群中Pareto优于的个体总数，称为的Pareto优超数， $D\left({\stackrel{\&RightArrow;}{x}}_i\right)=\#\left\{{\stackrel{\&RightArrow;}{x}}_j\right|{\stackrel{\&RightArrow;}{x}}_j\&Element;\mathrm{pop}^{\stackrel{\&RightArrow;}{x}}_j<{\stackrel{\&RightArrow;}{x}}_i\},$ #表示集合中的元素个数。

本发明实施例，基于多目标优化算法的钢铁企业能源动态平衡与优化调度方法，该方法以钢铁企业煤气-蒸汽-电力等多介质在多个调度周期内的能源总成本最小化为优化目标，各能源介质的物理约束和多种单元设备的工艺约束为约束条件，以各单元设备的能源产耗量为优化变量，建立了煤气-蒸汽-电力等多介质多周期混合优化调度的数学规划模型，并将钢铁企业能源综合调度这一复杂的约束优化问题转化为具有两个目标的多目标优化问题，其中，第1个目标取为原问题的目标函数值，第2个目标由约束条件转换得到，表示违反所有约束条件的程度，再利用多目标优化算法对进行求解，通过优化计算获得煤气-蒸汽-电力等多种介质在多个调度周期内的动态平衡与优化调度结果，克服了传统研究仅对单一能源介质进行平衡和调度的缺陷，综合考虑了钢铁企业多种能源介质的耦合关系，从综合调度和全局优化的角度给出了多能源介质动态平衡与优化调度的技术方案，对具体实践的指导意义明确。

实施例一

如图2所示为本发明实施例提供的基于多目标优化算法的能源动态平衡与优化调度方法的详细流程图，由图2可知，本发明提供的基于多目标优化算法的能源动态平衡与优化调度方法的实施例中，步骤1中获取钢铁企业能源系统网络拓扑结构的过程包括：输入各类能源介质管网的类型和数量，以及能源介质管网的物理属性；能源介质管网的物理属性包括：煤气管网的介质形式、压力上/下限、热值等，蒸汽管网的压力上/下限、温度上/下限、焓值等，内部电网的主变容量、最大负荷和电压等级等参数。

步骤1中获取煤气、蒸汽和电力子系统中的单元设备信息的过程包括：

步骤101，确定各子系统中单元设备所属类型和数量；

步骤102，根据能源产耗关系，将单元设备挂接到对应的能源介质管网上，确定了单元设备的能源产耗变量集；

步骤103，输入各个单元设备的工艺模型和约束条件，如蒸汽子系统中的锅炉设备，其工艺模型为所燃副产煤气和产生蒸汽之间的数学关系式，约束条件包含运行负荷约束、煤气流量约束和混合煤气热值约束等。

在本发明实施例中，步骤3中煤气子系统、蒸汽子系统和电力子系统的目标函数具体为：

$\min J_1={\mathrm{pun}}_{\mathrm{emi}}^{\mathrm{gas}}-{\mathrm{pro}}^{\mathrm{gas}};$

其中，为煤气放散惩罚；pro^gas为煤气外售收益。

$\min J_2={\mathrm{fed}}^{\mathrm{wat}}+{\mathrm{pun}}_{\mathrm{emi}}^{\mathrm{stm}}+{\mathrm{buy}}^{\mathrm{stm}};$

其中，fed^wat为锅炉给水费用；为蒸汽放散惩罚；buy^stm为外购蒸汽成本。

minJ₃＝buy^ele-pro^ele；

其中，buy^ele为外购电力成本；pro^ele为外售电力收益。

在本发明实施例中，步骤3中的优化调度模型的约束条件包括单元设备的工艺约束、各能源介质的物理约束和煤气、蒸汽和电力三种能源介质的动态平衡约束。

单元设备的工艺约束和各能源介质的物理约束为：

$\left\{\begin{array}{cc}{g}_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\&le;0,& j\&Element;\mathrm{EQG}\\ h_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})=0,& j\&Element;\mathrm{EQG}\end{array}\right.$

$\left\{\begin{array}{cc}{g}_n(x_{i,n,t}^{\mathrm{sume}},x_{i,n,t}^{\mathrm{gen}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,& n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}\\ h_n(x_{i,n,t}^{\mathrm{sume}},x_{i,n,t}^{\mathrm{gen}},y_{s,n,t}^{\mathrm{out}},z_{n,t})=0,& n\&Element;\mathrm{EQS}\&cup;\mathrm{EQG}\end{array}\right.$

其中，g_j(·)、h_j(·)分别煤气子系统中单元设备j的不等式约束和等式约束，EQG为煤气子系统单元设备集合；g_n(·)、h_n(·)分别为蒸汽和电力子系统中单元设备n的不等式约束和等式约束，EQS、EQE分别为蒸汽和电力子系统单元设备集合。

煤气、蒸汽和电力三种能源介质的动态平衡约束为：

$\&ForAll;i,t,\underset{j\&Element;\mathrm{EQG}}{\mathrm{\&Sigma;}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\&ForAll;s,t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\&ForAll;t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

其中，表示“对于任意的…”，为煤气i在周期t内的富余量，为蒸汽s在周期t内的需求量，为电力在周期t内的需求量。

生成的数学模型为：

$\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})$

$s.t.g_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\&le;0,j\&Element;\mathrm{EQG}$

$h_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})=0,j\&Element;\mathrm{EQG}$

$g_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}$

$h_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}$

$\&ForAll;i,t,\underset{j\&Element;\mathrm{EQG}}{\mathrm{\&Sigma;}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\&ForAll;s,t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\&ForAll;t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

其中，为目标函数，为优化变量，表示成向量的形式。

本发明实施例中，步骤4中应用多目标优化的基本思想，将上述数学模型对应的钢铁企业能源综合调度这一复杂的约束优化问题转化为具有两个目标的多目标优化问题，其中，第1个目标取为原问题的目标函数值第2个目标由约束条件转换得到，表示个体违反所有约束条件的程度，记为具体如下：

$\left\{\begin{array}{c}\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,\\ \mathrm{MinG}\left(\stackrel{\&RightArrow;}{x}\right)=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_k\left(\stackrel{\&RightArrow;}{x}\right),\end{array}\right.,\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})$

$s.t.g_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\&le;0,j\&Element;\mathrm{EQG}$

$h_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})=0,j\&Element;\mathrm{EQG}$

$g_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}$

$h_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}$

$\&ForAll;i,t,\underset{j\&Element;\mathrm{EQG}}{\mathrm{\&Sigma;}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\&ForAll;s,t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\&ForAll;t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

本发明实施例中，步骤5中采用的多目标优化算法的过程包括：

步骤510，按初始化处理策略对种群pop初始化。

步骤520，执行全局搜索操作，对种群pop执行全局交叉和变异操作，得到子代种群offPop；执行全局选择操作，根据pop和offPop中下标对应的成对个体之间的Pareto支配关系，若子代个体支配父代个体成立，则用子代个体替换父代个体。

步骤530，随机生成用于选择亚种群subpop个体的参考点，并新建空白临时种群tempPop。

步骤540，执行局部搜索操作，具体包括：

步骤541，首先在种群pop中搜索到与上述参考点距离最近的个体，然后按照其它个体与该个体距离的大小，依次选择距离最近若干个体组成亚种群subpop，并将这些个体从pop中删除。

步骤542，执行局部交叉操作，生成子代亚种群offSubpop。

步骤543，计算子代亚种群offSubpop中每个个体的Pareto优超数。

步骤544，执行局部选择操作，搜索子代亚种群offSubpop中Pareto优超数为0的个体，并分别用这些个体替换亚种群subpop中第1个被它支配的个体；若在subpop中找不到被它们支配的个体，且所有Pareto优超数为0的个体的第2个目标函数值均大于0，则选中值最小，即违反约束程度最小的个体，并用该个体随机替换subpop中的某个个体。

步骤545，将亚种群subpop中的所有个体复制到临时种群tempPop中。

步骤546，判断是否达到局部搜索的最大次数(＝种群pop的规模/亚种群subpop的规模)，若是，则执行步骤550，否则转步骤540，开始下一次局部搜索。

步骤550，将临时种群tempPop作为新一代的种群pop。

步骤560，判断是否达到最大的进化代数，若是，则执行步骤570，否则转步骤520，开始下一次全局搜索。

步骤570，结束，输出优化计算结果。

进一步的，步骤520中执行全局交叉，与常规的简单交叉方法不同，全局交叉算子采用正交交叉方法生成子代个体，正交交叉方法利用正交实验的均衡分散性，可以用较小的代价搜索到较大的解集空间，如图3所示为本发明实施例提供的多目标进化算法中全局交叉算子的方法流程图，由图3可知，对种群pop执行全局交叉得到子代种群offPop的过程具体包括：

步骤521，给定一个n×m维的正交表(o_ij)_n×m，定义一个包含n个个体的数组，用于临时保存正交交叉操作生成的子代个体。

步骤522，采用联赛选择机制任选父代种群pop中的2个个体p(联赛规模为2)进行随机配对，作为正交交叉的父代个体，并随机选取m个交叉点，以适应子代个体生成时的多点交叉需求。

步骤523，生成子代个体：

对于n个子代个体的m个交叉点，若o_ij＝0，则将父代个体中下标位置在[m-1,m]之间的基因值复制到子代个体中；若o_ij＝1，则复制父代个体中对应位置的基因值。当所有n个子代个体生成完毕，计算它们的多个目标函数值。

步骤524，根据个体排序选择准则，从n个子代个体中选择较优的两个进入子代种群offPop中。

步骤525，判断子代种群是否填满，是则继续下一步，否则转步骤522。

步骤526，正交交叉操作结束。

进一步的，步骤542中执行局部交叉操作，生成子代亚种群offSubpop的过程中，局部交叉算子采用正态分布交叉算法，如图4所示为本发明实施例提供的多目标进化算法中局部交叉算子的方法流程图，由图4可知，局部交叉操作生成子代亚种群offSubpop的过程具体包括：

步骤5421，比较个体包含的变量个数N与亚种群subpop规模的大小，若变量个数小于种群规模，则需要多次在subpop中随机选取N+1个个体应用单形杂交方法生成N+1个子代个体，直至子代亚种群offSubpop被完全填满；反之，则仅需一次在subpop中选取数目与subpop规模相等的个体就可以生成子代亚种群(为了方便描述，下面统一将父代个体(向量)的个数设为n)。

步骤5422，从n个父代向量张成的子空间中随机的取一点对于所有的k_i，它们是[0,1]上均匀分布的随机数，且满足： $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{k}_i=1.$

步骤5423，对进行高斯变异，产生子代个体具体为：

${\stackrel{\&RightArrow;}{x}}^{\&prime;\&prime;}={\stackrel{\&RightArrow;}{x}}^{\&prime;}+\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}d({\stackrel{\&RightArrow;}{x}}_i,\stackrel{\&RightArrow;}{o})\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&zeta;}}_i{e}_i,{\mathrm{\&zeta;}}_i~N(0,{\mathrm{\&sigma;}}_{\mathrm{\&zeta;}}^2)$

其中，为向量和之间的欧几里得距离，为n个父代向量的均值，在几何图形上，它是多个父代向量围成的多面体的中心；ζ_i为服从正态分布的随机数，e_i为n维单位向量。

步骤5424，判断新生成的子代个体是否越界，若是，则重新随机选取ζ_i，以确定新的子代。否则转下一步。

步骤5425，将新生成的子代个体加入子代亚种群offSubpop中。

步骤5426，判断是否生成了n个子代个体，若是转下一步，否则转至步骤5422，生成下一个子代个体。

步骤5427，若变量个数小于种群规模，则还需转步骤5421开始下一轮循环，否则转下一步。

步骤5428，结束，输出子代亚种群offSubpop。

优选的，本发明提供的实施例中，步骤5之后还包括：由工作人员决定是否接受获得的解，是则输出煤气-蒸汽-电力等多种介质在多个调度周期内的动态平衡与优化调度结果，否则重新执行步骤5，直至获得满意解时结束。

实施例二

本发明提供的实施例二为基于多目标优化算法的能源动态平衡与优化调度方法的具体应用实施例，图5为典型钢铁企业煤气子系统拓扑结构图，图6为典型钢铁企业蒸汽和电力子系统拓扑结构图。由图5可知，钢铁企业的主要副产煤气有高炉煤气(BFG)、焦炉煤气(COG)和转炉煤气(LDG)，它们分别由高炉、焦炉和转炉产生。各种煤气介质的主管网上配备有对应的煤气柜和放散塔，主要生产工序用户，如炼铁厂、炼钢厂和宽厚板厂等也分别连接到不同的管网中。除单一煤气介质之外，可能还存在混合煤气，它由两种不同的单一介质在混合站混制而成，混合煤气也供给不同的主生产工序用户或热电厂等。由图6可知，蒸汽和电力子系统中包含的单元设备主要有锅炉、蒸汽轮机和减温减压器，其中，燃料锅炉用于燃烧煤气或其他燃料产生蒸汽，蒸汽轮机则由蒸汽驱动产生电力；有些钢铁企业可能还包含燃气-蒸汽联合循环发电机组(CCPP)，在图6中，将CCPP拆解为燃气轮机、余热锅炉和蒸汽轮机，燃气轮机用煤气燃烧后产生的高温高压烟气直接推动透平产生电力，做完功之后的烟气输入余热锅炉中产生蒸汽。

图7为国内某钢铁企业的煤气、蒸汽和电力子系统拓扑结构简图，针对该钢铁企业在未来5个调度周期内的煤气-蒸汽-电力等能源介质进行动态平衡和优化调度，周期的时间长度为1h。副产煤气有高炉煤气、焦炉煤气和转炉煤气，蒸汽也分高、中、低压三种不同品质的蒸汽，它们在各个调度周期内的富余量或需求量等预测结果见表1～2。煤气子系统中与每种煤气对应分别设置了1座煤气柜和放散塔，蒸汽和电力子系统中有2台动力锅炉和2台蒸汽轮机，其中，动力锅炉为全烧煤气锅炉，各设备参数见表3～4。

表1各调度周期内副产煤气的富余量(单位：kNm³/h)

表2各调度周期内蒸汽和电力的需求量(单位：t/h或MW.h/h)

表3锅炉设备参数

表4蒸汽轮机设备参数

通过应用本发明公开的方法，经优化计算得到的该钢铁企业在未来5个调度周期内的煤气-蒸汽-电力等能源介质动态平衡和优化调度结果分别如图8～14表示。

由图8～10可知，所有煤气的富余量加上煤气柜吞吐量均被锅炉吸纳，实现了煤气的“零”放散。锅炉也充分发挥了其作为重要的煤气缓冲用户的功效，在满足其自身工艺约束和安全生产的前提下，锅炉尽可能最大限度的消耗副产煤气，如图8中2#锅炉在周期1、2内的BFG消耗量，图9中1#锅炉在周期1、2内的COG消耗量，以及2#锅炉在周期1、2、3、4内的COG消耗量均已达上限值。

由图11～13可知，1、2#锅炉产生的高压蒸汽全部分配给汽轮机。中压蒸汽和低压蒸汽的需求量中除少部分外购之外，其余大部分均由1#和2#汽轮机抽汽满足；并且，各等级蒸汽均无放散，有效的避免了蒸汽盲目生产而导致的放空。可以看出，由于1#汽轮机的发电效率较2#高，所以大部分低压蒸汽均由2#汽轮机抽出，这样自发电量较多，但是由于受1#汽轮机凝汽流量上限的限制，在入口高压蒸汽流量较大的前提下，必须有部分做功后的减压蒸汽从中压和低压侧抽出。

综上所述，本发明公开的方法较好的解决了所面临的技术问题，实现了钢铁企业煤气-蒸汽-电力等多种介质在多个调度周期内的动态平衡与优化调度，这不仅提高了能源综合利用效率，也使钢铁企业了获得最大的经济效益。

本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多目标优化算法的能源动态平衡与优化调度方法，其特征在于，所述方法包括：

步骤1，获取钢铁企业能源系统网络拓扑结构以及煤气、蒸汽和电力子系统中的各单元设备信息；

步骤2，获取各种能源介质的供需预测数据、生产检修计划和其他设定信息；

步骤3，建立钢铁企业能源动态平衡与优化调度数学模型，确定优化调度模型的优化变量为确定煤气子系统的能源成本目标函数J₁、蒸汽子系统的能源成本目标函数J₂和电力子系统的能源成本目标函数J₃，确定所述优化调度模型的目标函数为 $\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,$ $\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t}),$ 确定优化调度模型的约束条件；

其中，i为煤气管网的序号，j为煤气子系统中单元设备的序号，t为调度周期序号， 分别设备的煤气消耗量和产生量，n为蒸汽和电力子系统中单元设备的序号，s为蒸汽管网的序号，为设备n消耗的煤气量，为设备n入口蒸汽流量，为设备n出口产生/抽汽/凝汽流量，z_n,t为设备n产生的电量；

步骤4，将转化为具有两个优化目标的问题：

$\left\{\begin{array}{c}\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,\\ \mathrm{MinG}\left(\stackrel{\&RightArrow;}{x}\right)=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_k\left(\stackrel{\&RightArrow;}{x}\right),\end{array}\right.\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})$

并且满足所有约束条件，其中：

具体地，g_k(·)为不等式约束，h_k(·)为等式约束，k为不等式约束或等式约束的序号；δ为设定的一个较小的正数；

步骤5，采用多目标优化算法对所述步骤4中得到的所述两目标优化问题进行求解，并应用Pareto支配关系和Pareto优超数作为个体排序选择的准则，其中，Pareto优超数的定义为：

设为进化种群pop中一个个体，用表示种群中Pareto优于的个体总数，称为的Pareto优超数，#表示集合中的元素个数。

2.如权利要求1所述的方法，其特征在于，

所述步骤1中获取所述钢铁企业能源系统网络拓扑结构的过程包括：

输入各类能源介质管网的类型和数量，以及能源介质管网的物理属性；

所述能源介质管网的物理属性包括：煤气管网的介质形式、压力上/下限、热值，蒸汽管网的压力上/下限、温度上/下限、焓值，内部电网的主变容量、最大负荷和电压等级；

所述步骤1中获取所述煤气、蒸汽和电力子系统中的单元设备信息的过程包括：

步骤101，确定各子系统中单元设备所属类型和数量；

步骤102，根据能源产耗关系，将所述单元设备挂接到对应的能源介质管网上，确定所述单元设备的能源产耗变量集；

步骤103，输入各个单元设备的工艺模型和约束条件，所述约束条件包含运行负荷约束、煤气流量约束和混合煤气热值约束。

3.如权利要求1所述的方法，其特征在于，所述步骤3中所述煤气子系统、蒸汽子系统和电力子系统的目标函数为：

$\min J_1={\mathrm{pun}}_{\mathrm{emi}}^{\mathrm{gas}}-{\mathrm{pro}}^{\mathrm{gas}};$

其中，为煤气放散惩罚；pro^gas为煤气外售收益；

$\min J_2={\mathrm{fed}}^{\mathrm{wat}}+{\mathrm{pun}}_{\mathrm{emi}}^{\mathrm{stm}}+{\mathrm{buy}}^{\mathrm{stm}};$

其中，fed^wat为锅炉给水费用；为蒸汽放散惩罚；buy^stm为外购蒸汽成本；

minJ₃＝buy^ele-pro^ele；

其中，buy^ele为外购电力成本；pro^ele为外售电力收益。

4.如权利要求1所述的方法，其特征在于，所述步骤3中的所述优化调度模型的所述约束条件包括单元设备的工艺约束、各能源介质的物理约束和煤气、蒸汽和电力三种能源介质的动态平衡约束；

所述单元设备的工艺约束和各能源介质的物理约束为：

$\left\{\begin{array}{cc}{g}_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\&le;0,& j\&Element;\mathrm{EQG}\\ h_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})=0,& j\&Element;\mathrm{EQG}\end{array}\right.$

$\left\{\begin{array}{cc}{g}_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\&le;0,& n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}\\ h_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})=0,& n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}\end{array}\right.$

其中，g_j(·)、h_j(·)分别煤气子系统中单元设备j的不等式约束和等式约束，EQG为煤气子系统单元设备集合；g_n(·)、h_n(·)分别为蒸汽和电力子系统中单元设备n的不等式约束和等式约束，EQS、EQE分别为蒸汽和电力子系统单元设备集合；

所述煤气、蒸汽和电力三种能源介质的动态平衡约束为：

$\&ForAll;i,t,\underset{j\&Element;\mathrm{EQG}}{\mathrm{\&Sigma;}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\&ForAll;s,t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\&ForAll;t,\underset{n\&Element;\mathrm{EQS}\&cup;\mathrm{EQE}}{\mathrm{\&Sigma;}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

其中，表示“对于任意的…”，为煤气i在周期t内的富余量，为蒸汽s在周期t内的需求量，为电力在周期t内的需求量。

5.如权利要求1所述的方法，其特征在于，所述步骤5中采用的多目标优化算法的过程包括：

步骤510，按初始化处理策略对种群pop初始化；

步骤520，执行全局搜索操作，对种群pop执行全局交叉和变异操作，得到子代种群offPop；执行全局选择操作，根据pop和offPop中下标对应的成对个体之间的Pareto支配关系，若子代个体支配父代个体成立，则用子代个体替换父代个体；

步骤530，随机生成用于选择亚种群subpop个体的参考点，并新建空白临时种群tempPop；

步骤540，执行局部搜索操作，包括：

步骤541，首先在种群pop中搜索到与上述参考点距离最近的个体，然后按照其它个体与该个体距离的大小，依次选择距离最近若干个体组成亚种群subpop，并将这些个体从pop中删除；

步骤542，执行局部交叉操作，生成子代亚种群offSubpop；

步骤543，计算子代亚种群offSubpop中每个个体的Pareto优超数；

步骤544，执行局部选择操作，搜索子代亚种群offSubpop中Pareto优超数为0的个体，并分别用这些个体替换亚种群subpop中第1个被它支配的个体；若在subpop中找不到被它们支配的个体，且所有Pareto优超数为0的个体的第2个目标函数值均大于0，则选中值最小，即违反约束程度最小的个体，并用该个体随机替换subpop中的某个个体；

步骤545，将亚种群subpop中的所有个体复制到临时种群tempPop中；

步骤546，判断是否达到局部搜索的最大次数，若是，则执行步骤550，否则转步骤540，开始下一次局部搜索；

步骤550，将临时种群tempPop作为新一代的种群pop；

步骤560，判断是否达到最大的进化代数，若是，则执行步骤570，否则转步骤520，开始下一次全局搜索；

步骤570，结束，输出优化计算结果。

6.如权利要求5所述的方法，其特征在于，所述步骤520中对种群pop执行全局交叉得到子代种群offPop的过程包括：

步骤521，给定一个n×m维的正交表(o_ij)_n×m，定义一个包含n个个体的数组，用于临时保存正交交叉操作生成的子代个体；

步骤522，采用联赛选择机制任选父代种群pop中的2个个体(联赛规模为2)进行随机配对，作为正交交叉的父代个体，并随机选取m个交叉点，以适应子代个体生成时的多点交叉需求；

步骤523，生成子代个体：

对于n个子代个体的m个交叉点，若o_ij＝0，则将父代个体中下标位置在[m-1,m]之间的基因值复制到子代个体中；若o_ij＝1，则复制父代个体中对应位置的基因值；当所有n个子代个体生成完毕，计算它们的多个目标函数值；

步骤524，根据个体排序选择准则，从n个子代个体中选择较优的两个进入子代种群offPop中；

步骤525，判断子代种群是否填满，是则继续下一步，否则转所述步骤522；

步骤526，正交交叉操作结束。

7.如权利要求5所述的方法，其特征在于，所述步骤542中执行局部交叉操作生成子代亚种群offSubpop的过程包括：

步骤5421，比较个体包含的变量个数N与亚种群subpop规模的大小，若变量个数小于种群规模，则需要多次在subpop中随机选取N+1个个体应用单形杂交方法生成N+1个子代个体，直至子代亚种群offSubpop被完全填满；反之，则仅需一次在subpop中选取数目与subpop规模相等的个体就可以生成子代亚种群；

步骤5422，从n个父代向量张成的子空间中随机的取一点对于所有的k_i，它们是[0,1]上均匀分布的随机数，且满足： $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{k}_i=1;$

n为父代向量的个数；

步骤5423，对进行高斯变异，产生子代个体具体为：

${\stackrel{\&RightArrow;}{x}}^{\&prime;\&prime;}={\stackrel{\&RightArrow;}{x}}^{\&prime;}+\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}d({\stackrel{\&RightArrow;}{x}}_i,\stackrel{\&RightArrow;}{o})\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&zeta;}}_i{e}_i,{\mathrm{\&zeta;}}_i~N(0,{\mathrm{\&sigma;}}_{\mathrm{\&zeta;}}^2)$

其中，为向量和之间的欧几里得距离，为n个父代向量的均值，在几何图形上，它是多个父代向量围成的多面体的中心；ζ_i为服从正态分布的随机数，e_i为n维单位向量；

步骤5424，判断新生成的子代个体是否越界，若是，则重新随机选取ζ_i，以确定新的子代；否则转下一步；

步骤5425，将新生成的子代个体加入子代亚种群offSubpop中；

步骤5426，判断是否生成了n个子代个体，若是转下一步，否则转至步骤5422，生成下一个子代个体；

步骤5427，若变量个数小于种群规模，则还需转步骤5421开始下一轮循环，否则转下一步；

步骤5428，结束，输出子代亚种群offSubpop。

8.如权利要求1所述的方法，其特征在于，所述步骤5之后还包括：由工作人员决定是否接受获得的解，是则输出动态平衡与优化调度结果，否则重新执行所述步骤5，直至获得满意解时结束。