CN105069533A - 一种基于随机预测模型的钢铁企业多能源优化调度方法 - Google Patents

Abstract

本发明公开了一种基于随机预测模型的钢铁企业多能源优化调度方法，基于能源介质相关的需求量建立钢铁企业在各个周期内的具有随机干扰的需求预测模型；根据所述的能源系统拓扑图的确定调度方案，并针对该调度方案根据所述的生产工艺约束条件和需求预测模型建立带有随机参数的企业能源介质的多周期集成的随机优化调度模型，并转化为优化调度模型；求解优化调度模型得到优化调度结果，并根据优化调度结果生成可执行的调度结果以进行多能源调度。本发明考虑了调度过程中预测模型具有随机性，通过将带有随机变量的优化问题转变为确定量的优化问题，使得原优化问题能够求解，能够实现能源利用最合理化，最大限度的提高钢铁企业的利润。

Description

一种基于随机预测模型的钢铁企业多能源优化调度方法

技术领域

本发明属于钢铁企业能源调度领域，尤其涉及一种基于随机预测模型的钢铁企业多能源优化调度方法。

背景技术

钢铁号称工业的粮食，钢铁工业是我国国民经济重要的基础产业。能源消耗是决定钢铁工业生产成本和利润的重要因素，我国钢铁企业的能源成本约占钢铁生产成本的1/3，能源利用率低，既浪费资源又污染环境，加大了生产成本。

钢铁行业是高能耗行业,在国民经济总能耗中占较大的比重,在我国,该比例约为10％。能源消耗结构中,煤炭占主体,电力其次。随着企业生产规模的不断扩大、能源价格不断上涨和市场竞争日趋激烈,在钢铁企业提高能源利用效率,节约资源,不但可以降低企业的生产成本,提供企业竞争力,增加企业经济效益,也有利于可持续发展、保护环境和减少碳的排放量,已成为发展钢铁工业的重要任务之一。

钢铁企业能耗的影响因素有许多,比如企业现有设备的工艺水平,企业的产品结构组成,企业能源调度方法的合理性等。钢铁企业节能的主要方法有:1)采用耗能少的先进设备,提高工艺水平,降低各工序的能耗；2)调整企业的产品结构,使得各种产品(不同产品耗能量不同)搭配得当；3)提高能源管理水平,准确预测各个工序能源需求趋势,进行合理的调度配置。为了使有限能源得到更加安全、高效、合理的利用，与其他的节能方法相比，提高能源的配置水平，促进能源的优化调度是非常有效的途径。

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。但研究成果在能源平衡、调度方面主要集中在煤气或蒸汽等单一能源介质系统中，综合考虑多种能源介质的耦合关系并实施优化调度成果还不多见，特别是在考虑多种能源介质的同时，还考虑预测模型具有随机性的，更是少之又少。即使有考虑到随机性的文章，也都是高屋建瓴，以高度概括的方式为钢铁企业指明研究方向，只停留在理论层面，对具体实践指导不明确。

钢铁生产过程中伴随大量电力、氧气、煤气等能源介质的消耗。能源配置问题解决的是在考虑一次能源和二次能源以及能源转换的条件下如何对给定的展望期范围内的能源介质进行优化分配,实现最小化总能源耗。

发明内容

针对现有技术的不足，本发明提供了一种基于随机预测模型的钢铁企业多能源优化调度方法。

一种基于随机预测模型的钢铁企业多能源优化调度方法包括：

步骤1，获取钢铁企业的生产信息，所述生产信息包括能源介质相关的需求量、生产工艺约束条件及能源系统拓扑图；

步骤2，基于能源介质相关的需求量建立钢铁企业在各个周期内的具有随机干扰的需求预测模型；

步骤3，根据所述的能源系统拓扑图的确定调度方案，并针对该调度方案根据所述的生产工艺约束条件和需求预测模型建立带有随机参数的企业能源介质的多周期集成的随机优化调度模型J；

步骤4，将所述的随机优化调度模型J转化为优化调度模型J′；

步骤5，求解优化调度模型J’得到优化调度结果，并根据所述的优化调度结果生成可执行的调度结果以进行多能源调度。

作为优选，所述的生产工艺约束条件包括混合站的工艺约束条件、联络管的物料平衡约束、锅炉设备的工艺约束条件、发电机设备的工艺约束条件和供销平衡约束条件。

本发明中采用联络管的物料平衡约束和供销平衡约束条件即可。为提高优化调度方法的精度，作为优选，所述的混合站的工艺约束条件如下：

${\mathrm{\Σ}}_i(F_i^{in}\×H_i)=F_{mix}^{out}\×H_{mix}---\left(1\right)$

$H_{mix}^l\≤\frac{{\mathrm{\Σ}}_i(F_i^{in}\×H_i)}{F_{mix}^{out}}\≤H_{mix}^h---\left(2\right)$

为煤气i进入混合站的量，为出混合站的混合煤气量，H_i为煤气i的热值，为混合煤气热值的下限、上限，MQ为煤气种类数。

所述锅炉设备的工艺约束条件：

$F_o^{s,l}\≤\frac{F_o^B}{a_o^B}\≤F_o^{s,h}---\left(3\right)$

$\left|\frac{F_{o,k}^s}{F_o^{s,h}}-\frac{F_{o,k-1}^s}{F_o^{s,h}}\right|\≤{\mathrm{\η}}_B(k\≥2)$ 且 $\left|\frac{F_{o,k}^s}{F_o^{s,h}}-\frac{{\left(F_o^s\right)}_{acv}}{F_o^{s,h}}\right|\≤{\mathrm{\η}}_B(k=1)---\left(7\right)$

$\left|\frac{F_{o_i}^s}{F_{o_i}^{s,h}}-\frac{F_{o_j}^s}{F_{o_j}^{s,h}}\right|\≤{\mathrm{\γ}}_B---\left(8\right)$

为进锅炉o的煤气量，

为锅炉o的蒸汽负荷下限、上限，

为锅炉o产蒸汽的煤气单耗，

分别为锅炉o在第k周期和k-1周期内的蒸汽负荷，

为锅炉o的当前实际负荷，

η_B为同一锅炉相邻周期间负荷波动范围，

分别为锅炉o_i和锅炉o_j个锅炉的产蒸汽负荷和产蒸汽负荷上限，

γ_B为锅炉负荷组负荷波动范围，

o,o_i,o_j∈GL,GL为锅炉集合

式(3)为产量约束，煤气量(此处已将各种煤气按热值折算为相应高炉煤气的量)，蒸汽负荷单位为kg/h，产蒸汽煤气单耗单位为m³/kg。

锅炉o_i和锅炉o_j分别为同一锅炉组中的任意两个锅炉。

式(4)为锅炉相邻周期负荷均衡，式(5)为锅炉组负荷均衡，

η_B为同一锅炉相邻周期间负荷波动范围，γ_B为锅炉负荷组负荷波动范围，二者根据实际应用场景设定。

所述发电机设备的工艺约束条件如下：

$F_q^{e,l}\≤\frac{F_q^G}{a_q^G}\≤F_q^{e,h}---\left(6\right)$

$\left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{F_{q,k-1}^e}{F_q^{e,h}}\right|\≤{\mathrm{\η}}_G(k\≥2)$ 且 $\left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{{\left(F_q^e\right)}_{acv}}{F_q^{e,h}}\right|\≤{\mathrm{\η}}_G(k=1)---\left(7\right)$

$\left|\frac{F_{q_i}^e}{F_{q_i}^{e,h}}-\frac{F_{q_j}^e}{F_{q_j}^{e,h}}\right|\≤{\mathrm{\γ}}_G---\left(8\right)$

其中，为进发电机q的蒸汽量，分别为发电机q的发电负荷下限、上限，为发电机q的发电单耗；

分别为发电机q在第k个周期和第k-1周期内的发电负荷，为发电机q的当前实际发电负荷，η_G为同一发电机相邻周期间负荷波动范围；

分别为发电机q_i、发电机q_j的发电负荷和发电负荷上限，γ_G为发电机组负荷波动范围；

q,q_i,q_j∈FD，FD为发电机集合。

式(6)为发电机产量约束，式(7)为发电机相邻周期负荷均衡，式(8)为发电机组负荷均衡，η_G和γ_G的取值根据实际应用场景设定。

进一步优选，所述步骤2中具有随机干扰的需求预测模型如下：

$S_{i,d,k}^c=f_{i,d,k}+{\mathrm{\ϵ}}_k---\left(9\right)$

$S_{j,k}^g=g_{j,k}+{\mathrm{\ϵ}}_k---\left(10\right)$

其中，ε_k为服从标准正态分布的随机变量，

d∈CYH，CYH为煤气生产用户集合，表示第k个周期内煤气生产用户d的煤气i消耗量，f_i,d,k表示与煤气i、生产用户d和周期k有关的函数，由煤气生产用户d的历史煤气消耗量建模得到；

j∈GYH，GYH为蒸汽生产用户集合，表示第k周期内蒸汽生产用户j的蒸汽消耗量，g_j,k表示与蒸汽生产用户j和周期k有关的函数，由蒸汽生产用户j的历史蒸汽消耗量建模得到。

式(9)为煤气生产用户需求预测，式(10)为蒸汽生产用户需求预测。

所述随机优化调度模型J如下：

J＝min{E(F₁+F₂-F₃-F₄+F₅)+Var(F₁)+Var(F₂)+Var(F₃)+Var(F₄)+Var(F₅)}(11)

且满足所述的生产工艺约束条件和需求预测模型，其中：

F₁＝∑_k∑_o∑_i(X_i,o,kp_i)(12)

X_i,o,k表示第k周期内锅炉o的煤气i的消耗量，p_i表示煤气i价格；

F₂＝∑_k∑_i(F_i,kp_i)(13)

F_i,k表示第k周期内煤气i的放散量，

$F_3={\mathrm{\Σ}}_k{\mathrm{\Σ}}_d{\mathrm{\Σ}}_i\left(S_{i,d,k}^c{p}_i^{cs}\right)+{\mathrm{\Σ}}_k{\mathrm{\Σ}}_j\left(S_{j,k}^s{p}_j^{gs}\right)----\left(14\right)$

表示煤气生产用户d的单位生产效益，表示蒸汽生产用户j的单位生产效益；

$F_4={\mathrm{\Σ}}_k{\mathrm{\Σ}}_q\left(G_{q,k}\right(\frac{p_k^e}{a_q^G}-p^g))---\left(15\right)$

G_q,k表示第k周期内发电机q的蒸汽消耗量，表示第k周期的电价，p^g为蒸汽单价，为发电机q的发电蒸汽单耗；

$F_5={\mathrm{\Σ}}_k{\mathrm{\Σ}}_i\left(U_{i,k}{p}_{i,k}^c\right)---\left(16\right)$

U_i,k表示第k周期内煤气i的生产量，表示第k周期内煤气i的单位生产成本。

所述步骤4中基于多项式混沌展开原理将所述的随机优化调度模型J转化为优化调度模型J′。得到的化调度模型J′如下：

且满足所述的生产工艺约束条件和需求预测模型，并且满足：

$u_{i,l,k}={\mathrm{\Σ}}_o\left(x_{i,o,l,k}\right)+f_{i,l,k}+{\mathrm{\Σ}}_d{s}_{i,d,l,k}^c---\left(17\right)$

${\mathrm{\Σ}}_o\frac{{\mathrm{\Σ}}_i\left(e_i{x}_{i,o,l,k}\right)}{a_o^B}={\mathrm{\Σ}}_q\left(g_{q,l,k}\right)+{\mathrm{\Σ}}_j\left(s_{j,l,k}^g\right)---\left(18\right)$

其中<·,·>定义为<h(ε),g(ε)>＝∫_Ωh(ε)g(ε)f_εdε，Ω为ε的取值空间，f_ε为ε的概率密度函数，

为Hermite多项式混沌的基函数，可查表得到， 且当i≠j时δ_ij＝0，当i＝j时δ_ij＝1；

u_i,l,k，x_i,o,l,k，f_i,l,k，g_q,l,k分别为U_i,k，X_i,o,k，F_i,k， G_i,k的多项式混沌展开第l项的系数，l＝0,1,2…P，P为正实数。

P为正实数，由人为选定，P越大，精度越高，但计算花费越大。

由于原目标函数和条件约束中含有随机变量，是没有办法对其直接进行优化求解的，需要利用Hermite多项式混沌展开的思想对其进行变换。这样，经过变换后的优化问题在计算求解时就是一个不含随机变量的确定性问题。

所述步骤5中根据所述的优化调度结果生成可执行的调度结果方法如下：

对于多项式混沌展开的随机变量等式两边同做运算可得：

即：

令H(ε)为的原函数，则

由于ψ_l(t)已从优化调度问题中解出，易知Ψ(t)即为上式的解。解方程求出Ψ(t)后，则可将Ψ(t)的值用于生产调度指导。这里Ψ(t)等价于U_i,k，X_i,o,k，F_i,k，G_i,k这些决策变量。

未作特殊说明，本发明中：

煤气量的单位为m³/hr，煤气的生产量单位为m³/hr，煤气消耗量的单位为m³/hr，煤气放散量的单位为m³/hr，煤气价格的单位为￥/m³，煤气生产用户的单位生产效益的单位为￥/m³，煤气的单位生产成本的单位为￥/m³；

蒸汽量的单位为kg/hr，蒸汽消耗量，单位为kg/hr，蒸汽单价的单位为￥/kg，蒸汽生产用户j的单位生产效益，单位为￥/t；

发电负荷的单位为kWh/hr，发电单耗的单位为kg/kWh，电价的单位为￥/kWh，发电蒸汽单耗为的单位为kWh/kg，

热值的单位为kcal/m³。

与现有技术相比，本发明适用于钢铁企业的能源调度技术，该方法考虑了在调度过程中，预测模型具有随机性的情况，将这种预测的随机性考虑到整个调度优化过程中，建立能源系统的优化调度模型，并通过混沌多项式展开的方法，将带有随机变量的优化问题转变为确定量的优化问题，使得原优化问题能够求解，实现了能源的利用最合理化，且最大限度得提高了钢铁企业的利润。

附图说明

图1为本实施例的煤气蒸汽平衡调度策略；

图2为本实施例的基于随机预测模型的钢铁企业多能源优化调度方法的流程图。

具体实施方式

为使本发明描述的方法更加清楚明白，以下结合附图及实施例，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并非是限定本发明。

将本实施例以如下钢厂对多能源优化调度方法进行说明：

该钢铁企业(即钢厂)的煤气蒸汽平衡调度策略如图1所示。该钢厂能源调度优化系统包含了煤气平衡、蒸汽平衡与发电、调峰发电三个子系统。其中优化调度策略还涉及了平衡调度策略和调峰发电策略。

某周期内进行煤气蒸汽平衡调度时，首先通过指标历史数据预测得到稳定生产用户的能源消耗量以及三种煤气(焦炉煤气、高炉煤气、转炉煤气)的产量，进而得到富余煤气量的预测值。各个锅炉根据效率的高低分配富余煤气，并产出蒸汽。这些蒸汽首先保高炉供风用户，剩余的蒸汽进入发电机组进行发电。

调峰发电以20万柜作为缓冲用户，在用电谷时，气柜存储部分富余煤气，以减少锅炉蒸汽产量从而减少发电机组自发电量，生产用户多用外购电。待到用电峰时，气柜吐气，锅炉蒸汽产量上升，与此同时发电机组自发电量也相应上升，从而降低了外购电量。由于峰谷时段电价的差异，调峰发电降低了企业经营成本。

如图2所示，本实施例的基于随机预测模型的钢铁企业多能源优化调度方法包括：

步骤1，取钢铁企业的生产信息，生产信息包括能源介质相关的需求量、生产工艺约束条件及能源系统拓扑图。

同时，还获取到与能源优化相关的信息，如煤气和蒸汽热值及单价、电力峰谷平价格、能源产耗用户参数、稳定生产用户历史能源消耗数据等信息，具体见表1，表2，表3和表4，其中表1为煤气和蒸汽热值及单价，表2为电力峰谷平价格，表3为锅炉发电机负荷分组，表4能源产耗用户参数列表。

表1

表2

表3

表4

步骤2，基于能源介质相关的需求量建立钢铁企业在各个周期内的具有随机干扰的需求预测模型。

本实施例中建立的具有随机干扰的需求预测模型：

$\begin{array}{cc}\&ForAll;d\&Element;CYH,i\&Element;MQ,k,& S_{i,d,k}^c=f_{i,d,k}+{\mathrm{\&epsiv;}}_k\end{array}$

$\&ForAll;j\&Element;GYH,k,S_{j,k}^g=g_{j,k}+{\mathrm{\&epsiv;}}_k$

其中，MQ为煤气集合，CYH为煤气用户集合，GYH为蒸汽用户集合，表示第k周期内煤气生产用户d的煤气i的消耗量，单位为m³/hr。表示第k周期，蒸汽生产用户j的蒸汽消耗量，单位为kg/hr。第一式表示煤气生产用户d的煤气预测消耗量，f_i,d,k表示与煤气i，煤气生产用户d和周期k有关的函数，可由煤气生产用户d的历史数据建模得到。第二式表示蒸汽生产用户j的蒸汽预测消耗量，g_j,k表示与蒸汽生产用户j的和周期k有关的函数，可由蒸汽生产用户j的历史数据建模得到，ε_k为服从标准正态分布的随机变量，即ε_k～N(0,1)。

步骤3，根据能源系统拓扑图的确定调度方案，并针对该调度方案根据生产工艺约束条件和需求预测模型建立带有随机参数的企业能源介质的多周期集成的随机优化调度模型J；

该钢铁企业调度的能源介质包括：煤气、蒸汽、电力三大类，其中煤气又可分为焦炉煤气、转炉煤气、高炉煤气和混合煤气四类。能源平衡调度系统由煤气平衡、蒸汽平衡与发电、调峰发电三个子系统组成。确定总的调度思想(即调度方案)是：由焦炉、高炉、转炉所产生的各种煤气首先保证生产用户的需求，在煤气有富余的情况下，将富余煤气按效率高低分配给各台锅炉进行燃烧，产生的蒸汽优先保高炉供风风机的用汽，其余再按效率高低分配给各发电机组发电，其中煤气用户又包括气柜，它可对富余煤气进行缓冲，在用电峰谷不同时段通过适当调节富余煤气量，从而发挥调峰发电的作用。

本实施例中建立的随机优化调度模型J：

J＝min{E(F₁+F₂-F₃-F₄+F₅)+Var(F₁)+Var(F₂)+Var(F₃)+Var(F₄)+Var(F₅)}(1)

s.t.

$\begin{array}{cc}\&ForAll;o\&Element;GL,i\&Element;MQ,k,& F_1=\underset{k}{\&Sigma;}\underset{o}{\&Sigma;}\underset{i}{\&Sigma;}\left(X_{i,o,k}{p}_i\right)---\left(2\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,k,& F_2=\underset{k}{\&Sigma;}\underset{i}{\&Sigma;}\left(F_{i,k}{p}_i\right)---\left(3\right)\end{array}$

$\begin{array}{cc}\&ForAll;d\&Element;CYH,j\&Element;GYH,i\&Element;MQ,k,& F_3=\underset{k}{\&Sigma;}\underset{d}{\&Sigma;}\underset{i}{\&Sigma;}\left(S_{i,d,k}^c{p}_i^{cs}\right)+\underset{k}{\&Sigma;}\underset{j}{\&Sigma;}\left(S_{j,k}^g{p}_j^{gs}\right)---\left(4\right)\end{array}$

$\begin{array}{cc}\&ForAll;q\&Element;FD,k,& F_4=\underset{k}{\&Sigma;}\underset{q}{\&Sigma;}\left(G_{q,k}\right(\frac{p_k^e}{{\mathrm{\&alpha;}}_q^B}-p^g))---\left(5\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,k,& F_5=\underset{k}{\&Sigma;}\underset{i}{\&Sigma;}\left(U_{i,k}{p}_{i,k}^c\right)---\left(6\right)\end{array}$

$\begin{array}{cc}\&ForAll;d\&Element;CYH,i\&Element;MQ,k,& S_{i,d,k}^c=f_{i,d,k}+{\mathrm{\&epsiv;}}_k---\left(7\right)\end{array}$

$\begin{array}{cc}\&ForAll;j\&Element;GYH,k,& S_{j,k}^g=g_{j,k}+{\mathrm{\&epsiv;}}_k---\left(8\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,& \underset{i}{\&Sigma;}(F_i^{in}\&times;H_i)=F_{mix}^{out}\&times;H_{mix}---\left(9\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,& H_{mix}^l\&le;\frac{{\mathrm{\&Sigma;}}_i(F_i^{in}\&times;H_i)}{F_{mix}^{out}}\&le;H_{mix}^h---\left(10\right)\end{array}$

$\begin{array}{cc}\&ForAll;Z\&Element;ZGJ,c\&Element;ZGC,& \underset{z}{\&Sigma;}{F}_z^{in}=\underset{c}{\&Sigma;}{F}_c^{out}---\left(11\right)\end{array}$

$\&ForAll;i\&Element;MQ,F_i^{s,l}\&le;\frac{F_i^B}{{\mathrm{\&alpha;}}_i^B}\&le;F_i^{s,h}---\left(12\right)$

$\begin{array}{cc}\&ForAll;o\&Element;GL,k,& \left|\frac{F_{o,k}^s}{F_o^{s,h}}-\frac{F_{o,k-1}^s}{F_o^{s,h}}\right|\&le;{\mathrm{\&eta;}}_B(k\&GreaterEqual;2)\end{array}$ 且 $\left|\frac{F_{o,k}^s}{F_o^{s,h}}-\frac{{\left(F_o^S\right)}_{acv}}{F_o^{s,h}}\right|\&le;{\mathrm{\&eta;}}_B(k=1)---\left(13\right)$

$\begin{array}{cc}\&ForAll;o_i,o_j\&Element;GL,k,& |\frac{F_{o_i}^s}{F_{o_i}^{s,h}}-\frac{F_{o_j}^s}{F_{o_j}^{s,h}}|\&le;{\mathrm{\&gamma;}}_B---\left(14\right)\end{array}$

$\begin{array}{cc}\&ForAll;q\&Element;FD,k,& F_q^{e,l}\&le;\frac{F_q^G}{{\mathrm{\&alpha;}}_q^G}\&le;F_q^{e,h}---\left(15\right)\end{array}$

$\begin{array}{cc}\&ForAll;q\&Element;FD,k,& \left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{F_{q,k-1}^e}{F_q^{e,h}}\right|\&le;{\mathrm{\&eta;}}_G(k\&GreaterEqual;2)\end{array}$ 且 $\left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{{\left(F_q^e\right)}_{acv}}{F_q^{e,h}}\right|\&le;{\mathrm{\&eta;}}_G(k=1)---\left(16\right)$

$\begin{array}{cc}\&ForAll;q_i,q_j\&Element;FD,k,& \left|\frac{F_{q_i}^e}{F_{q_i}^{e,h}}-\frac{F_{qj}^e}{F_{q_j}^{e,h}}\right|\&le;{\mathrm{\&gamma;}}_G---\left(17\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,d\&Element;CYH,o\&Element;GL,k,& U_{i,k}=\underset{o}{\&Sigma;}{X}_{i,o,k}+F_{i,k}+\underset{i}{\&Sigma;}\underset{d}{\&Sigma;}{S}_{i,d,k}^c---\left(18\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,o\&Element;GL,q\&Element;D,j\&Element;YH,k,& \underset{o}{\&Sigma;}\frac{{\mathrm{\&Sigma;}}_i\left(e_i{X}_{i,o,k}\right)}{{\mathrm{\&alpha;}}_o^B}=\underset{q}{\&Sigma;}\left(G_{q,k}\right)+\underset{j}{\&Sigma;}\left(S_{j,k}^g\right)---\left(19\right)\end{array}$

式(2)表示锅炉燃料消耗价值。GL为锅炉编号集合，MQ为煤气介质编号集合，包含所有单一煤气和混合煤气，X_i,o,k表示第k周期，锅炉o煤气i的消耗量，单位为m³/hr。p_i表示煤气i价格，单位为￥/m³。

式(3)表示火柜放散的煤气损失价值。F_i,k表示第k周期，煤气i的放散量,单位为m³/hr。

式(4)表示生产用户生产效益。CYH为煤气用户编号集合，GYH为蒸汽用户编号集合，表示第k周期，煤气生产用户d的煤气i消耗量，单位为m³/hr。表示煤气生产用户d的单位生产效益，单位为￥/m³。表示第k周期，蒸汽生产用户j的蒸汽消耗量，单位为kg/hr。表示蒸汽生产用户j的单位生产效益，单位为￥/t。

式(5)表示发电机组发电效益。FD为所有发电机的编号集合，G_q,k表示第k周期，发电机q的蒸汽消耗量，单位为kg/hr。表示第k周期电价，单位为￥/kWh。

式(6)表示煤气生产成本。U_i,k表示第k周期，煤气i的生产量，单位为m³/hr。表示第k周期，煤气i的单位生产成本，单位为￥/m³。

式(7)～(8)为生产用户的预测消耗约束。式(7)表示煤气生产用户d的煤气i预测消耗量，f_i,d,k表示与煤气i，煤气生产用户d和周期k有关的函数，可由煤气生产用户d的历史数据建模得到，式(8)表示蒸汽生产用户j的蒸汽预测消耗量，g_j,k表示与蒸汽生产用户j和周期k有关的函数，可由蒸汽生产用户j的历史数据建模得到，ε_k为服从标准正态分布的随机变量，即ε_k～N(0,1)。

式(9)～(10)为混合站的工艺约束条件。式(9)为混合站能量守恒，为煤气i煤气进入混合站的量，单位为m³/hr，为混合煤气出混合站的量，单位为m³/hr，H_i为煤气i的热值，单位为kcal/m³，为混合煤气热值的下限、上限，单位为kcal/m³。

式(11)为联络管的物料平衡约束。ZGJ为进气支管集合，ZGC为出气支管集合，分别表示支管z进联络管的能源量，支管c从联络管输出的能源量，单位为m³/hr(煤气)，kg/hr(蒸汽)。

式(12)～(14)为锅炉设备的工艺约束条件。式(12)为产量约束，为进锅炉o的煤气量(此处已将各种煤气按热值折算为相应高炉煤气的量)，单位为m³/hr，为锅炉o的蒸汽负荷下限、上限，单位为kg/h。为锅炉o的产蒸汽煤气单耗，单位为m³/kg。式(13)为锅炉相邻周期负荷均衡，分别为锅炉o的第k周期、k-1周期蒸汽负荷，锅炉o的产蒸汽负荷上限，单位为kg/hr。为锅炉o的当前实际负荷，单位为kg/hr，η_B为同一锅炉相邻周期间负荷波动范围。式(14)为锅炉组负荷均衡，分别为锅炉o_i、锅炉o_j的产蒸汽负荷，锅炉o_i、锅炉o_j的产蒸汽负荷上限，γ_B为锅炉负荷组负荷波动范围。

式(15)～(17)为发电机设备的工艺约束条件。式(15)为发电机产量约束，为进发电机q的蒸汽量，单位为kg/hr，表示发电机q的发电负荷下限、上限，单位为kWh/hr。为发电机q的发电单耗，单位为kg/kWh。式(16)为发电机相邻周期负荷均衡，分别为发电机q的第k周期、k-1周期发电负荷，发电机q的发电负荷上限，单位为kWh/hr。为发电机q的当前实际负荷，单位为kWh/hr，η_G为同一发电机相邻周期间负荷波动范围。式(17)为发电机组负荷均衡， 分别为发电机q_i、发电机q_j的发电负荷，发电机q_i、发电机q_j的发电负荷上限，γ_G为发电机组负荷波动范围。

式(18)～(19)为供销平衡约束。式(18)为煤气供销平衡，各变量含义同上述说明。式(19)式为蒸汽供销平衡，其中，e_i为热值转换参数数，将各种煤气按热值折算为相应高炉煤气的量，a_o ^B为锅炉o产蒸汽煤气单耗，其他各变量含义同上述说明。

步骤4，基于多项式混沌展开原理将随机优化调度模型J转化为优化调度模型J′，得到的优化调度模型J′便于计算。

具体转化方法如下：将U_i,k，X_i,o,k，F_i,k，G_i,k,进行混沌展开并代入(18)、(19)式并做可得

$u_{i,l,k}=\underset{o}{\&Sigma;}\left(x_{i,o,l,k}\right)+f_{i,l,k}+\underset{d}{\&Sigma;}{s}_{i,d,l,k}^c$

$\underset{o}{\&Sigma;}\frac{{\mathrm{\&Sigma;}}_i\left(e_i{x}_{i,o,l,k}\right)}{{\mathrm{\&alpha;}}_o^B}=\underset{q}{\&Sigma;}\left(g_{q,l,k}\right)+\underset{j}{\&Sigma;}\left(s_{j,l,k}^g\right)$

对于多项式混沌展开的随机变量有如下性质：

E[Ψ(ε)]＝ψ₀

且设同一类型不同下标的决策变量间相互独立，例如X_i,o,k与X_i+l,o+n,k+m间相互独立，进一步将原目标函数(即随机优化调度模型J)转化为：

s.t.满足(7)～(17)，同时还满足如下约束条件：

$\begin{array}{cc}\&ForAll;i\&Element;MQ,l\&Element;PC,d\&Element;CYH,k,& u_{i,l,k}={\mathrm{\&Sigma;}}_j\left(x_{i,j,l,k}\right)+f_{i,l,k}+{\mathrm{\&Sigma;}}_d{s}_{i,d,l,k}^c---\left(21\right)\end{array}$

$\begin{array}{cc}\&ForAll;i\&Element;MQ,o\&Element;GL,q\&Element;FD,j\&Element;GYH,l\&Element;PC,k,& {\mathrm{\&Sigma;}}_o\frac{{\mathrm{\&Sigma;}}_i\left(e_i{x}_{i,o,l,k}\right)}{a_o^B}={\mathrm{\&Sigma;}}_q\left(g_{q,l,k}\right)+{\mathrm{\&Sigma;}}_j\left(s_{j,l,k}^g\right)---\left(22\right)\end{array}$

由于原目标函数和条件约束中含有随机变量，是没有办法对其直接进行优化求解的，需要利用Hermite多项式混沌展开的思想对其进行变换。这样，经过变换后的优化问题在计算求解时就是一个不含随机变量的确定性问题。其中其中式(21)、(22)分别有由式(18)、(19)变换而来，式(23)～(28)为各变量的多项式混沌展开形式。为Hermite多项式混沌的基函数，可查表得到,并且满足 表示其中<·,·>定义为<h(ε),g(ε)>＝∫_Ωh(ε)g(ε)f_εdε，Ω为ε的取值空间，f_ε为ε的概率密度函数,δ_ij＝0(i≠j),δ_ij＝1(i＝j)。集合PC＝{0,1,2…P}，P为正实数，由人为选定，P越大，精度越高，但计算花费越大。

步骤5，根据优化调度模型J′，得求取优化调度结果，并按相应关系式求取出可执行的调度结果:

由于优化调度模型J′得到的最优解为混沌多项式展开后的参数值，不能直接指导生产调度，需进一步求导出用于指导生产调度的结果(即调度结果)，U_i,k，X_i,o,k，F_i,k，G_i,k这些决策变量的求导方法如下：

对于多项式混沌展开的随机变量等式两边同做可得(表示取内积运算)：

即：

令H(ε)为的原函数，则

求上式的解则可得到Ψ(t)。这里Ψ(t)等同于U_i,k，X_i,o,k，F_i,k，G_i,k。

通过应用本实施例的多能源优化调度方法，该钢厂取得如下经济效益：

一、能效指标提升

1、焦炉煤气放散率降低

由2009年2.24％下降至2012年1.60％，下降0.64％。

同比年减少焦炉煤气放散量2308万m3，折算节能量为12426吨标煤。

2、高炉煤气放散率降低

由2009年8.37％下降至2012年0.67，下降7.70％。

同比年减少高炉煤气放散量60468万m3，折算节能量为74376吨标煤。

3、转炉煤气回收量提高

由2009年66.85m3/t提高至2012年104.08m3/t，提高37.23m3/t。

同比年增加转炉煤气放散量19269万m3，折算节能量为39668吨标煤。

4、吨钢新水耗下降

由2009年6.1t/t下降至2012年的4.23t/t年，下降1.87t/t：

同比年节约新水量968万m3，折算节能量为251吨标煤。

以上4项合计，同比项目投产前，2012年实现节能量17.6万吨标煤。

二、节能效益评估

我司2012年节能效益显著，主要体现以下两方面：

1、提高二次源能回收量，减少放散创造效益。

1)多回收利用焦炉煤气：1269万元；

2)多回收利用高炉煤气：4837万元；

3)多回收转炉煤气：2505(万元)；；

4)节约新水：387(万元)；

以上4项合计为8998万元(均按2012年与2009年对比，按厂内结算价格计算)。

2、提高二次能源利用效率，降低生产工序的能耗。

1)单位产品电耗下降，年节电总量9942万kWh，效益4971万元；

2)单位产品煤气单耗下降，共节约转炉煤气约9156万m3，效益1190万元、混合煤气3660万m3，效益1464万元。

以上2项合计2654万元(均按2012年与2009年对比，按厂内结算价格计算)。

在2012年节能创效中，能源管理中心体现了重要的管理效益，在优化煤气、蒸汽等二次能源的平衡与调度；加强二次能源利用的考核与管理等方面均发挥了重要作用。

Claims (9)

1.一种基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，包括：

步骤1，获取钢铁企业的生产信息，所述生产信息包括能源介质相关的需求量、生产工艺约束条件及能源系统拓扑图；

步骤2，基于能源介质相关的需求量建立钢铁企业在各个周期内的具有随机干扰的需求预测模型；

步骤3，根据所述的能源系统拓扑图的确定调度方案，并针对该调度方案根据所述的生产工艺约束条件和需求预测模型建立带有随机参数的企业能源介质的多周期集成的随机优化调度模型J；

步骤4，将所述的随机优化调度模型J转化为优化调度模型J′；

步骤5，求解优化调度模型J^’得到优化调度结果，并根据所述的优化调度结果生成可执行的调度结果以进行多能源调度。

2.如权利要求1所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述的生产工艺约束条件包括混合站的工艺约束条件、联络管的物料平衡约束、锅炉设备的工艺约束条件、发电机设备的工艺约束条件和供销平衡约束条件。

3.如权利要求2所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述的混合站的工艺约束条件如下：

${\mathrm{\&Sigma;}}_i(F_i^{in}\&times;H_i)=F_{mix}^{out}\&times;H_{mix}---\left(1\right)$

$H_{mix}^l\&le;\frac{{\mathrm{\&Sigma;}}_i(F_i^{in}\&times;H_i)}{F_{mix}^{out}}\&le;H_{mix}^h---\left(2\right)$

为煤气i进入混合站的量，为出混合站的混合煤气量，H_i为煤气i的热值，为混合煤气热值的下限、上限，MQ为煤气种类数。

4.如权利要求3所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述锅炉设备的工艺约束条件：

$F_o^{s,l}\&le;\frac{F_o^B}{a_o^B}\&le;F_o^{s,h}---\left(3\right)$

$\left|\frac{F_{o_i}^s}{F_{o_i}^{s,h}}-\frac{F_{o_j}^s}{F_{o_j}^{s,h}}\right|\&le;{\mathrm{\&gamma;}}_B---\left(5\right)$

为进锅炉o的煤气量，

为锅炉o的蒸汽负荷下限、上限，

为锅炉o产蒸汽的煤气单耗，

分别为锅炉o在第k周期和k-1周期内的蒸汽负荷，

为锅炉o的当前实际负荷，

η_B为同一锅炉相邻周期间负荷波动范围，

分别为锅炉o_i和锅炉o_j个锅炉的产蒸汽负荷和产蒸汽负荷上限，

γ_B为锅炉负荷组负荷波动范围，

o,o_i,o_j∈GL,GL为锅炉集合。

5.如权利要求4所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述发电机设备的工艺约束条件如下：

$F_q^{e,l}\&le;\frac{F_q^G}{a_q^G}\&le;F_q^{e,h}---\left(6\right)$

$\left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{F_{q,k-1}^e}{F_q^{e,h}}\right|\&le;{\mathrm{\&eta;}}_G(k\&GreaterEqual;2)$ 且 $\left|\frac{F_{q,k}^e}{F_q^{e,h}}-\frac{{\left(F_q^e\right)}_{acv}}{F_q^{e,h}}\right|\&le;{\mathrm{\&eta;}}_G(k=1)---\left(7\right)$

$\left|\frac{F_{q_i}^e}{F_{R_i}^{e,h}}-\frac{F_{q_j}^e}{F_{q_j}^{e,h}}\right|\&le;{\mathrm{\&gamma;}}_G---\left(8\right)$

其中，为进发电机q的蒸汽量，分别为发电机q的发电负荷下限、上限，为发电机q的发电单耗；

分别为发电机q在第k个周期和第k-1周期内的发电负荷，为发电机q的当前实际发电负荷，η_G为同一发电机相邻周期间负荷波动范围；

分别为发电机q_i、发电机q_j的发电负荷和发电负荷上限，γ_G为发电机组负荷波动范围；

q,q_i,q_j∈FD，FD为发电机集合。

6.如权利要求5所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述步骤2中具有随机干扰的需求预测模型如下：

$S_{i,d,k}^c=f_{i,d,k}+{\mathrm{\&epsiv;}}_k---\left(9\right)$

$S_{j,k}^g=g_{j,k}+{\mathrm{\&epsiv;}}_k---\left(10\right)$

其中，ε_k为服从标准正态分布的随机变量，

d∈CYH，CYH为煤气生产用户集合，表示第k个周期内煤气生产用户d的煤气i的消耗量，f_i,d,k表示与煤气i、生产用户d和周期k有关的函数，由煤气生产用户d的历史煤气消耗量建模得到；

j∈GYH，GYH为蒸汽生产用户集合，表示第k周期内蒸汽生产用户j的蒸汽消耗量，g_j,k表示与蒸汽生产用户j和周期k有关的函数，由蒸汽生产用户j的历史蒸汽消耗量建模得到。

7.如权利要求6所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述随机优化调度模型J如下：

J＝min{E(F₁+F₂-F₃-F₄+F₅)+Var(F₁)+Var(F₂)+Var(F₃)+Var(F₄)+Var(F₅)}(11)

且满足所述的生产工艺约束条件和需求预测模型，其中：

F₁＝∑_k∑_o∑_i(X_i,o,kp_i)(12)

X_i,o,k表示第k周期内锅炉o的煤气i的消耗量，p_i表示煤气i价格；

F₂＝∑_k∑_i(F_i,kp_i)(13)

F_i,k表示第k周期内煤气i的放散量，

$F_3={\mathrm{\&Sigma;}}_k{\mathrm{\&Sigma;}}_d{\mathrm{\&Sigma;}}_i\left(S_{i,d,k}^c{p}_i^{cs}\right)+{\mathrm{\&Sigma;}}_k{\mathrm{\&Sigma;}}_j\left(S_{j,k}^g{p}_j^{gs}\right)---\left(14\right)$

表示煤气生产用户d的单位生产效益，表示蒸汽生产用户j的单位生产效益；

$F_4={\mathrm{\&Sigma;}}_k{\mathrm{\&Sigma;}}_q\left(G_{q,k}\right(\frac{p_k^e}{a_q^G}-p^g))---\left(15\right)$

G_q,k表示第k周期内发电机q的蒸汽消耗量，表示第k周期的电价，p^g为蒸汽单价，为发电机q的发电蒸汽单耗；

$F_5={\mathrm{\&Sigma;}}_k{\mathrm{\&Sigma;}}_i\left(U_{i,k}{p}_{i,k}^c\right)---\left(16\right)$

U_i,k表示第k周期内煤气i的生产量，表示第k周期内煤气i的单位生产成本。

8.如权利要求7所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述步骤4中基于多项式混沌展开原理将所述的随机优化调度模型J转化为优化调度模型J′。

9.如权利要求8所述的基于随机预测模型的钢铁企业多能源优化调度方法，其特征在于，所述的优化调度模型J′如下：

且满足所述的生产工艺约束条件和需求预测模型，并且满足：

$u_{i,l,k}={\mathrm{\&Sigma;}}_o\left(x_{i,o,l,k}\right)+f_{i,l,k}+{\mathrm{\&Sigma;}}_d{s}_{i,d,l,k}^c---\left(17\right)$

${\mathrm{\&Sigma;}}_o\frac{{\mathrm{\&Sigma;}}_i\left(e_i{x}_{i,o,l,k}\right)}{a_o^B}={\mathrm{\&Sigma;}}_q\left(g_{q,l,k}\right)+{\mathrm{\&Sigma;}}_j\left(s_{j,l,k}^g\right)---\left(18\right)$

其中<·,·>定义为<h(ε),g(ε)>＝∫_Ωh(ε)g(ε)f_εdε，Ω为ε的取值空间，f_ε为ε的概率密度函数，

为Hermite多项式混沌的基函数， 且当i≠j时δ_ij＝0，当i＝j时δ_ij＝1；

u_i,l,k，x_i,o,l,k，f_i,l,k，g_q,l,k分别为U_i,k，X_i,o,k，F_i,k，G_i,k的多项式混沌展开第l项的系数，l＝0,1,2…P，P为正实数。