CN104268712A - 基于改进的混合多种群进化算法的能源平衡与调度方法 - 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，提供了一种基于改进的混合多种群进化算法的能源平衡与调度方法，包括：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；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；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；调用改进的混合多种群进化算法求解；求解过程中采用惩罚函数法来处理数学模型中的多个约束条件，个体违反约束条件的程度由惩罚函数确定，通过在目标函数上增加惩罚项来构造新的个体适应度值；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

基于改进的混合多种群进化算法的能源平衡与调度方法

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，尤其涉及一种基于改进的混合多种群进化算法的能源平衡与调度方法。

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改进的混合多种群进化算法的能源平衡与调度方法，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，一种基于改进的混合多种群进化算法的能源平衡与调度方法，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，调用改进的混合多种群进化算法求解；求解过程中采用惩罚函数法来处理数学模型中的多个约束条件，个体违反约束条件的程度由惩罚函数确定，通过在目标函数上增加惩罚项来构造新的个体适应度值。

本发明实施例提供的一种基于改进的混合多种群进化算法的能源平衡与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)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，公开了一种基于改进的混合多种群进化算法的求解方法，该方法在传统进化算法的基础上做了多项改进，其一，将遗传算法和模拟退火二者结合起来，降低了进化搜索陷入局部最优“陷阱”的可能性，也提高了搜寻得到全局最优解的概率；其二，在进化种群中设置了小生境处理、多样性保护和局部搜索等多种算子，既有利于维持种群的多样性特征，克服种群过早收敛现象，也利于增强算法的全局优化能力；其三，将传统进化算法中的单一种群拓展为多种群，不仅实施多种群的并行进化和更迭，还设置了种群之间的最优个体交换和通讯算子，在维持了种群多样性的同时，进一步增强了算法的运行性能；

(3)经典测试函数和钢铁企业能源动态平衡与优化调度这一具体工程问题两个实施算例的测试结果表明了改进的混合多种群进化算法的有效性，该算法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，实现了煤气-蒸汽-电力等多种能源介质的最优化分配、转换和使用，在提高能源综合利用效率的同时，也使钢铁企业获得最大的经济效益。

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改进的混合多种群进化算法的能源平衡与调度方法的总体流程图；

图2为本发明提供的实施例二中随机选取的MPGA和TGA单次运行结果的对比图；

图3为典型钢铁企业煤气子系统拓扑结构图；

图4为典型钢铁企业蒸汽和电力子系统拓扑结构图；

图5为钢铁企业的煤气、蒸汽和电力子系统拓扑结构简图；

图6为本发明提供的实施例三中得到的高炉煤气动态平衡和优化调度结果；

图7为本发明提供的实施例三中得到的焦炉煤气动态平衡和优化调度结果；

图8为本发明提供的实施例三中得到的转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三中得到的高压蒸汽动态平衡和优化调度结果；

图10为本发明提供的实施例三中得到的中压蒸汽动态平衡和优化调度结果；

图11为本发明提供的实施例三中得到的低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三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改进的混合多种群进化算法的能源平衡与调度方法的流程图，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 $\mathrm{Minf}\left(\stackrel{\→}{x}\right)=J_1+J_2+J_3,\stackrel{\→}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t}),$ 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。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，调用改进的混合多种群进化算法求解；求解过程中采用惩罚函数法来处理数学模型中的多个约束条件，个体违反约束条件的程度由惩罚函数确定，通过在目标函数上增加惩罚项来构造新的个体适应度值。

本发明实施例提出了一种基于改进的混合多种群进化算法的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-电力等多介质能源全局成本最小化为优化目标，以各个子系统中单元设备的工艺约束和能源介质自身的物料平衡、能量守恒等物理约束为约束条件，以各单元设备的能源产耗量为优化变量，将钢铁企业能源动态平衡与优化调度问题抽象成一个非线性规划数学问题，再利用基于改进的混合多种群进化算法对非线性数学规划模型进行求解，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

本发明提供的实施例一为基于改进的混合多种群进化算法的能源平衡与调度方法的优选实施例。

本发明实施例中，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：

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

其中，为煤气放散惩罚；为煤气外售收益。

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

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：

$\left\{\begin{array}{c}{g}_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\≤0,j\∈\mathrm{EQG}\\ h_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})=0,j\∈\mathrm{EQG}\end{array}\right.$

$\left\{\begin{array}{c}{g}_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\≤0,n\∈\mathrm{EQS}\∪\mathrm{EQE}\\ h_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})=0,n\∈\mathrm{EQS}\∪\mathrm{EQE}\end{array}\right.$

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。

煤气、蒸汽和电力三种能源介质的动态平衡约束为：

$\∀i,t,\underset{j\∈\mathrm{EQG}}{\mathrm{\Σ}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\∀s,t,\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\∀t,\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

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：

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

$\begin{array}{cc}s.t.& g_j(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}})\≤0,j\∈\mathrm{EQG}\end{array}$

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

$g_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\≤0,n\∈\mathrm{EQS}\∪\mathrm{EQE}$

$h_n(x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t})\≤0,n\∈\mathrm{EQS}\∪\mathrm{EQE}$

$\∀i,t,\underset{j\∈\mathrm{EQG}}{\mathrm{\Σ}}(x_{i,j,t}^{\mathrm{gen}}-x_{i,j,t}^{\mathrm{sume}})-\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}{x}_{i,n,t}^{\mathrm{sume}}={\mathrm{sp}}_{i,t}^{\mathrm{gas}}$

$\∀s,t,\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}(y_{s,n,t}^{\mathrm{out}}-y_{s,n,t}^{\mathrm{in}})={\mathrm{de}}_{s,t}^{\mathrm{stm}}$

$\∀t,\underset{n\∈\mathrm{EQS}\∪\mathrm{EQE}}{\mathrm{\Σ}}{z}_{n,t}={\mathrm{de}}_t^{\mathrm{ele}}$

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中调用改进的混合多种群进化算法求解的过程包括：

步骤410，设置种群pop中包含的亚种群subpop数目、亚种群中的染色体数目、最大进化代数、最大未进化代数、最大未进化终止代数、模拟退火初始温度等参数。

步骤420，种群初始化，包括各亚种群的初始化和亚种群中个体的评价。

步骤430，对每个亚种群执行下列各项操作，具体包括：

步骤4301，计算亚种群当前代中个体之间的最大欧几里得距离，并更新当前代的最优个体等信息。欧几里得距离表明了个体之间的相似程度，个体和之间的距离按下式计算：

$d(\stackrel{\→}{x},\stackrel{\→}{y})=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-y_i)}^2}$

其中，x_i和y_i分别为个体和中的第i个基因值，N为基因数目。

步骤4302，执行模拟退火操作，产生亚种群的子代种群offSubpop。

步骤4303，对亚种群及其子代种群执行选择操作。

步骤4304，计算个体的调整适应度f_adj，并对调整适应度进行线性化变换处理。

调整适应度按下式计算：

f_adj＝f^maxf

其中，f为个体的适应度，f^max为亚种群当前代中个体适应度的最大值。

线性化变换过程如下：首先计算比例系数a和b，分别满足：

$a=\frac{c_{\mathrm{adj}}\·f_{\mathrm{adj}}^{\max }-f_{\mathrm{adj}}^{\mathrm{avg}}}{f_{\mathrm{adj}}^{\max }-f_{\mathrm{adj}}^{\mathrm{avg}}},b=(1-a)\·f_{\mathrm{adj}}^{\mathrm{avg}}$

其中，c_adj为线性化变换因子，和分别为亚种群当前代中个体调整适应度的最大值和平均值；然后计算调整适应度变换后的值f′_adj，满足：

f′_adj＝a·f_adj+b

步骤4305，执行小生境处理操作。

步骤4306，计算个体的相对适应度和累积适应度。

步骤4307，执行亚种群内常规交叉操作，重新产生亚种群的子代种群offSubpop。

步骤4308，再次对亚种群及其子代种群执行选择操作，与步骤4303相同。

步骤4309，执行多样性保护操作。

步骤4310，计算个体的调整适应度、相对适应度和累积适应度。

步骤4311，执行亚种群内正交交叉操作，重新产生亚种群的子代种群offSubpop。

步骤4312，第三次对亚种群及其子代种群执行选择操作，与步骤4303相同。

步骤4313，执行亚种群内变异操作，采用单点变异方式。

步骤4314，计算亚种群未进化代数，若达到最大未进化代数，则执行局部搜索操作。

步骤440，判断是否对每个亚种群均已执行上述操作，是则执行步骤450，否则转步骤430。

步骤450，执行亚种群之间的最优个体交换和通讯操作。

步骤460，判断是否达到最大进化代数，或满足其他终止条件，是则继续下一步，否则更新进化代数和模拟退火温度，并转步骤430。

步骤470，输出多个亚种群中的最优个体作为能源动态平衡与优化调度结果，结束进化计算流程。

用伪代码表示的包含所有核心算子的算法整体流程如下：

其中，t为进化代数，T为模拟退火温度，函数SA表示模拟退火算子，Select表示选择算子，Niche表示小生境处理算子，Cross1表示常规交叉算子，PB表示多样性保护算子，Cross2表示正交交叉算子，Mutate表示变异算子，LS表示局部搜索算子，Exchange和Comm分别表示亚种群之间的最优个体交换和通讯算子。

本发明实施例中，步骤4305中小生境处理算子的具体流程如下：

步骤43051：定义个体在亚种群中的共享度、共享函数、欧几里得距离矩阵和小生境半径r等变量。

步骤43052，计算亚种群中所有个体与其它个体之间的欧几里得距离，并保存在上述距离矩阵中。

步骤43053，比较亚种群当前代中个体之间的最大欧几里得距离与上述距离矩阵中最大值的大小，若后者较大，则更新亚种群当前代中的最大欧几里得距离。

步骤43054，计算小生境半径。

步骤43055，计算亚种群中每个个体的共享度和共享函数，满足：

$\mathrm{sh}\left(d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})\right)=\left\{\begin{array}{cc}1,& d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})<0.01\\ 0,& d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})>r\\ 1-d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})/r,& 0.01\&le;d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})\&le;r\end{array}\right.$

$\mathrm{si}\left(\stackrel{\&RightArrow;}{x}\right)=\underset{\stackrel{\&RightArrow;}{y}\&Element;\mathrm{subpop}}{\mathrm{\&Sigma;}}\mathrm{sh}\left(d\left(\stackrel{\&RightArrow;}{x,}\stackrel{\&RightArrow;}{y}\right)\right)$

步骤43056，计算个体的调整适应度f_adj，满足：

f_adj＝f_adj ^si

其中，si为的简记。

本发明实施例中，步骤4309中多样性保护算子的具体流程如下：

步骤43091，对亚种群中的每个个体，依次计算该个体与其它所有个体之间的欧几里得距离，若距离小于某一给定的值，则继续下一步，否则无操作。

步骤43092，比较距离较小的两个个体的适应度值，若大于某一给定的值，则继续下一步，否则转步骤43094。

步骤43093，对个体执行局部搜索操作，采用迭代技术，在个体的某个基因的许可范围内随机产生一个初始点作为当前点，然后从当前点的邻域内产生一个点，如果该点优于当前点，则用其对应的基因值替换当前点的基因值，否则，就另外产生一个点在进行比较，直到达到局部搜索次数时结束对选中基因的试探和比较；针对个体中不同的基因重复多次，最后返回经局部搜索修改多个基因值后的新个体，并替换亚种群中的原个体，并转步骤43095。

步骤43094，对个体执行变异操作，并用变异后的新个体替换亚种群中的原个体。

步骤43095，结束多样性保护操作。

优选的，本发明提供的实施例中，步骤4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4，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改进的混合多种群进化算法的能源平衡与调度方法的一种具体应用实施例，为了验证改进的混合多种群进化算法的有效性，选取了3个经典的标准测试函数对算法进行考核，其中，f₁为Rosenbrock函数，f₂为Colville函数，f₃为Benchmark函数，它们均为最小值问题。需要说明的是，f₁只有一个全局最小值0，虽然如此，但其在全局最小值附近取值变化缓慢，因此是一个病态函数；与f₁不同，f₂有无穷多个局部极值点，为多峰函数，因而一般的算法很难使其收敛于全局最优点0；类似的，f₃也具有多个局部极值点，另外，它还是一个高维函数，变量维度为30，其全局最小值为-12569.5。本发明用这些函数来检验算法的搜索和寻优能力。

$\begin{array}{cc}\mathrm{Rosenbrock}& f_1=100{(x_1^2-x_2)}^2+{(1-x_1)}^2,\\ & -2.048\&le;x_i\&le;2.048(i=\mathrm{1,2})\end{array}$

$\begin{array}{cc}\mathrm{Colville}& f_2=100{(x_2-x_1^2)}^2+{(1-x_1)}^2+90{(x_4-x_3^2)}^2+{(1-x_3)}^2\\ & +10.1[{(x_2-1)}^2+]{(x_4-1)}^2+19.8(x_4-1)(x_4-1),\\ & -10\&le;x_1,x_2,x_3,x_4\&le;100\end{array}$

$\begin{array}{cc}\mathrm{Benchmark}& f_3=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(-x_i\sin \left(\sqrt{\left|x_i\right|}\right)),-500\&le;x_i\&le;500,N=30\end{array}$

本发明将传统遗传算(TGA)作为改进的混合多种群进化算法(MPGA)的对比对象，分别使用两种算法对上面的每一个测试函数各运行30次，MPGA的种群规模取为100，亚种群数目取为4，得到运行结果的统计值如表1所示。

表1 MPGA和TGA运行30次的统计结果

由表1可以看出，MPGA算法在平均最优值、最优值方差和平均收敛代数等三个指标上的统计结果均优于TGA算法，其中，MPGA在f₁、f₂两个测试函数上的平均最优值优于TGA约6个数量级，最优值方差优于TGA约6～7个数量级；对测试函数f₃而言，MPGA明显更接近与最优值。图2为两种算法针对测试函数f₂的一次随机运行结果的对比。由此可见，与TGA相比，MPGA在最优解的搜索能力和稳定性，以及收敛速度等方面均有明显的改善。

实施例三

本发明提供的实施例三为基于改进的混合多种群进化算法的能源平衡与调度方法的另一种具体应用实施例，以大型全流程钢铁联合企业为例。图3为典型钢铁企业煤气子系统拓扑结构图，图4为典型钢铁企业蒸汽和电力子系统拓扑结构图。由图3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4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4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5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2～3。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4～5。

表2 各调度周期内副产煤气的富余量(单位：kNm³/h)

表3 各调度周期内蒸汽和电力的需求量(单位：t/h或MW.h/h)

表4 锅炉设备参数

表5 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6～12所示。

由图6～8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6中2#锅炉在所有周期内的BFG消耗量，图7中1#锅炉在周期1、4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9～11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，除图11中低压蒸汽在周期2的少量放散之外，其余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)

1.一种基于改进的混合多种群进化算法的能源平衡与调度方法，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 $\mathrm{Minf}\left(\stackrel{\&RightArrow;}{x}\right)=J_1+J_2+J_3,$ $\stackrel{\&RightArrow;}{x}=(x_{i,j,t}^{\mathrm{sume}},x_{i,j,t}^{\mathrm{gen}},x_{i,n,t}^{\mathrm{sume}},y_{s,n,t}^{\mathrm{in}},y_{s,n,t}^{\mathrm{out}},z_{n,t}),$ 确定所述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，调用改进的混合多种群进化算法求解；求解过程中采用惩罚函数法来处理数学模型中的多个约束条件，个体违反约束条件的程度由惩罚函数确定，通过在目标函数上增加惩罚项来构造新的个体适应度值。

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；

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4中调用改进的混合多种群进化算法求解的过程包括：

步骤410，设置种群pop中包含的亚种群subpop数目、亚种群中的染色体数目、最大进化代数、最大未进化代数、最大未进化终止代数、模拟退火初始温度的参数；

步骤420，对各亚种群进行初始化和对所述亚种群中个体进行评价；

步骤430，对每个所述亚种群执行下列各项操作：

步骤4301，计算所述亚种群当前代中所述个体之间的最大欧几里得距离，并更新当前代的最优个体的信息；所述欧几里得距离表明了所述个体之间的相似程度，个体和之间的距离的计算公式为：

$d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_i-y_i)}^2}$

其中，x_i和y_i分别为个体和中的第i个基因值，N为基因数目；

步骤4302，执行模拟退火操作，产生亚种群的子代种群offSubpop；

步骤4303，对所述亚种群及其子代种群执行选择操作；

步骤4304，计算个体的调整适应度f_adj，并对所述调整适应度进行线性化变换处理；

所述调整适应度计算公式为：

f_adj＝f^max/f

其中，f为个体的适应度，f^max为所述亚种群当前代中个体适应度的最大值；

所述个体的所述调整适应度进行线性化变换处理的过程包括：

计算比例系数a和b，分别满足：

$a=\frac{c_{\mathrm{adj}}\&CenterDot;f_{\mathrm{adj}}^{\max }-f_{\mathrm{adj}}^{\mathrm{avg}}}{f_{\mathrm{adj}}^{\max }-f_{\mathrm{adj}}^{\mathrm{avg}}},b=(1-a)\&CenterDot;f_{\mathrm{adj}}^{\text{avg}}$

其中，c_adj为线性化变换因子，和分别为亚种群当前代中个体调整适应度的最大值和平均值；

计算调整适应度变换后的值f′_adj为：

f′_adj＝a·f_adj+b

步骤4305，执行小生境处理操作；

步骤4306，计算个体的相对适应度和累积适应度；

步骤4307，执行亚种群内常规交叉操作，重新产生亚种群的子代种群offSubpop；

步骤4308，再次对所述亚种群及其子代种群执行所述步骤4303的选择操作；

步骤4309，执行多样性保护操作；

步骤4310，计算所述个体的调整适应度、相对适应度和累积适应度；

步骤4311，执行亚种群内正交交叉操作，重新产生亚种群的子代种群offSubpop；

步骤4312，第三次对所述亚种群及其子代种群执行所述步骤4303的选择操作；

步骤4313，执行亚种群内变异操作，采用单点变异方式；

步骤4314，计算所述亚种群未进化代数，若达到最大未进化代数，则执行局部搜索操作；

步骤440，判断是否对每个亚种群均已执行上述操作，是则执行步骤450，否则转步骤430；

步骤450，执行亚种群之间的最优个体交换和通讯操作；

步骤460，判断是否达到最大进化代数或满足其他终止条件，是则执行步骤470，否则更新进化代数和模拟退火温度，并转步骤430；

步骤470，输出多个亚种群中的最优个体作为能源动态平衡与优化调度结果，结束进化计算流程。

6.如权利要求5所述的方法，其特征在于，所述步骤4305中小生境处理算子的流程包括：

步骤43051：定义个体在所述亚种群中的共享度共享函数欧几里得距离矩阵和小生境半径r变量；

步骤43052，计算所述亚种群中所有个体与其它个体之间的欧几里得距离，并保存在所述距离矩阵中；

步骤43053，比较所述亚种群当前代中个体之间的最大欧几里得距离与上述距离矩阵中最大值的大小，若后者较大，则更新所述亚种群当前代中的最大欧几里得距离；

步骤43054，计算小生境半径；

步骤43055，计算所述亚种群中每个个体的共享度和共享函数，满足：

$\mathrm{sh}\left(d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})\right)=\left\{\begin{array}{cc}1,& d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})<0.01\\ 0,& d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})>r\\ 1-d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})/r,& 0.01\&le;d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})\&le;r\end{array}\right.$

$\mathrm{si}\left(\stackrel{\&RightArrow;}{x}\right)=\underset{\stackrel{\&RightArrow;}{y}\&Element;\mathrm{subpop}}{\mathrm{\&Sigma;}}\mathrm{sh}\left(d(\stackrel{\&RightArrow;}{x},\stackrel{\&RightArrow;}{y})\right)$

步骤43056，计算所述个体的调整适应度f_adj，满足：

f_adj＝f_adj/si

其中，si为的简记。

7.如权利要求5所述的方法，其特征在于，所述步骤4309中多样性保护算子的具体流程如下：

步骤43091，对所述亚种群中的每个个体依次计算所述个体与其它所有个体之间的欧几里得距离，若距离小于某一给定的值，则执行步骤43092，否则无操作；

步骤43092，比较距离较小的两个个体的适应度值，若大于某一给定的值，则执行步骤43093，否则转步骤43094；

步骤43093，采用迭代技术对个体执行局部搜索操作，在个体的某个基因的许可范围内随机产生一个初始点作为当前点，然后从当前点的邻域内产生一个点，如果该点优于当前点，则用其对应的基因值替换当前点的基因值，否则，就另外产生一个点在进行比较，直到达到局部搜索次数时结束对选中基因的试探和比较；针对个体中不同的基因重复多次，最后返回经局部搜索修改多个基因值后的新个体，并替换亚种群中的原个体并转步骤43095；

步骤43094，对个体执行变异操作，并用变异后的新个体替换亚种群中的原个体

步骤43095，结束多样性保护操作。

8.如权利要求1所述的方法，其特征在于，所述步骤4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4，直至获得满意解时结束。