CN107169599A - 一种基于钢铁企业能源系统的多目标优化调度方法 - Google Patents
一种基于钢铁企业能源系统的多目标优化调度方法 Download PDFInfo
- Publication number
- CN107169599A CN107169599A CN201710334224.XA CN201710334224A CN107169599A CN 107169599 A CN107169599 A CN 107169599A CN 201710334224 A CN201710334224 A CN 201710334224A CN 107169599 A CN107169599 A CN 107169599A
- Authority
- CN
- China
- Prior art keywords
- msub
- mtd
- mrow
- mtr
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 59
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 54
- 239000010959 steel Substances 0.000 title claims abstract description 54
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 140
- 239000003034 coal gas Substances 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 35
- 231100000719 pollutant Toxicity 0.000 claims description 35
- 239000000446 fuel Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 11
- 238000012946 outsourcing Methods 0.000 claims description 11
- 241000894007 species Species 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 44
- 239000003245 coal Substances 0.000 description 26
- 239000000243 solution Substances 0.000 description 21
- 238000010606 normalization Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000010025 steaming Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于钢铁企业能源系统的多目标优化调度方法。所述方法包括:获取钢铁企业能源系统网络拓扑结构,可调度关键设备信息,过去调度周期内的能源产耗历史数据;根据能源产耗历史数据构造训练数据集,根据未来调度周期内生产工况对应的能源产耗数据构造预测数据集;通过训练数据集获取训练的BP神经网络;将预测数据集代入训练的BP神经网络进行处理获取煤气系统、蒸汽系统、电力系统分别在未来调度周期内的供需第一预测数据;根据第一预测数据、经济调度模型、环境成本模型、可调度关键设备模型及约束条件,建立多目标优化调度模型,求解多目标优化调度模型,获得能源系统的最优解。上述方法保证计算过程收敛,能够获得最优调度方案。
Description
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,尤其涉及一种基于钢铁企业能源系统的多目标优化调度方法。
背景技术
钢铁工业是国民经济的基础性支柱产业,是典型的流程型产业,同时又是资源、能源密集型产业。具有以下特点: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,其中最主要的能源介质为煤气、蒸汽和电力,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、错综复杂。能源利用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。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。
钢铁企业煤气-蒸汽-电力系统实施优化调度,是要在满足能源产耗需求和安全生产的大前提下,优化能源的分配和消耗结构,充分利用二次能源,减少副产煤气放散,减少污染物的排放,提高蒸汽动力系统的产能效率,降低系统的经济运行成本和对生态环境的影响,实现钢铁企业煤气-蒸汽-电力系统经济效益和环境保护的统筹兼顾。
钢铁企业煤气-蒸汽-电力网络结构紧密、错综复杂和生产工况多变,针对该系统优化调度的问题而言,其中存在着大量的线性和非线性、等式和不等式约束条件,如锅炉效率与负荷关系,汽轮机的抽汽与发电关系,三种能源介质动态平衡约束,单元设备的工艺约束等。对这种复杂的强约束和多目标优化问题,可能导致求解过程不收敛,无法输出最优的调度方案。
发明内容
针对现有存在的技术问题,本发明提供一种基于钢铁企业能源系统的多目标优化调度方法,上述方法保证计算过程收敛,获得最优调度方案。
本发明提供一种基于钢铁企业能源系统的多目标优化调度方法,包括:
S1、获取钢铁企业能源系统的网络拓扑结构、可调度的关键设备信息、调度参数及钢铁企业能源系统在过去调度周期内的能源产耗历史数据,确定能源系统在未来调度周期内的生产工况;所述钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
S2、根据所述能源产耗历史数据构造适用于BP神经网络的训练数据集,根据确定未来调度周期内生产工况对应的能源产耗数据构造预测数据集;
S3、将训练数据集代入BP神经网络,获得训练的BP神经网络;以及将预测数据集代入训练的BP神经网络进行处理,获得煤气系统、蒸汽系统、电力系统分别在未来调度周期内的第一预测数据;
S4、根据第一预测数据中煤气系统、蒸汽系统、电力系统的供需预测数据,预先建立的可调度关键设备模型及约束条件,建立用于实现经济运行成本最小的单目标优化模型;
S5、根据钢铁企业能源系统中预先建立的污染物排放模型和钢铁企业能源系统所属区域的污染物排放限制条件,建立环境成本优化模型;
S6、将所述单目标优化模型、环境成本优化模型,可调度关键设备模型、污染物排放模型及约束条件组成多目标优化调度模型,并采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解。
可选地,所述方法还包括:
若最优解为多个,则根据所述钢铁企业能源系统所属区域的政策,选择一个适合政策的最优解传送能源调度应用服务器进行后续处理。
可选地,所述步骤S1包括:
通过能源调度应用服务器从综合数据集成平台服务器中获取过去调度周期内的能源产耗历史数据。
可选地,所述步骤S2包括:
分别对所述能源产耗历史数据、未来调度周期内生产工况对应的能源产耗数据进行归一化处理;
对归一化处理后的能源产耗历史数据、能源产耗数据分别进行向量空间重构,重构出与能源产耗历史数据对应的训练数据集,未来调度周期内生产工况对应的能源产耗数据对应的预测数据集。
可选地,采用公式一对能源产耗历史数据进行归一化处理;
公式一:
其中,x表示归一化处理前的能源产耗历史数据,x*表示归一化处理后的能源产耗历史数据,min表示归一化处理前的能源产耗历史数据中的最小值,max表示归一化处理后的能源产耗历史数据中的最大值;
重构出训练数据集的构造过程为:
可选地,S3中的将预测数据集代入训练的BP神经网络进行处理,获得第一预测数据,包括:
将预测数据集代入训练的BP神经网络进行处理,获得输出数据;
对输出数据进行反归一化,得到煤气系统、蒸汽系统、电力系统分别在未来调度周期内的第一预测数据。
煤气系统、蒸汽系统、电力系统分别在未来调度周期内确定工况下的第一预测数据,包括:
煤气系统中刚性用户、调节用户、缓冲用户以及产气用户在未来调度周期内的煤气需求量和煤气供应量,
蒸汽系统在未来调度周期内的三种蒸汽产气源的供应量及蒸汽需求量,
电力系统在未来调度周期内的电力产量和电力需求量。
可选地,单目标优化模型为:
其中,T为一个调度周期内所包含的时段数目,k表示燃料的种类数,Ck表示第k种燃料的价格,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内的第k种燃料的消耗量,Cbi表示锅炉bi的单位生产蒸汽的成本,表示锅炉bi在时间段t内蒸汽产量,Cti表示汽轮机ti的单位产电的成本,Pti,t表示汽轮机ti在时间段t内电力产量,Cbp,t表示在时间段t内的电力外购量,Pbp,t表示在时间段t内的电力外购价格,Csp表示在时间段t内的电力外售量,Ps,t表示在时间段t内的电力外售价格,Cgd,k表示第k种煤气的放散惩罚价格,Fgd,k,t表示在时间段t内第k种煤气的放散量;
和分别表示汽轮机ti在时间段t内的主进汽量、抽汽量和凝汽量;
环境成本目标函数为:
其中,G表示污染物的排放种类,Ebi,k,g,t表示燃料锅炉在单位时间t内的污染物g的排放量,Cg表示污染物g的排放成本。
可选地,预先建立的可调度关键设备模型、污染物排放模型及约束条件包括:
锅炉模型、汽轮机模型、煤气柜模型、放散塔模型、混合加压站模型、减温减压阀模型、污染物排放模型、煤气消耗约束、蒸汽和电力平衡约束。
可选地,S6中的采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解的步骤,包括:
MAX[f1(x)+eps×(S2/r2+10-1×S3/r3+…+10-(p-2)×Sp/rp)]
st
f2(x)-S2=e2
f3(x)-S3=e2
…
fi(x)-Si=ei,i=2,3…p
x∈S,Si∈R+
其中,f2(x),f3(x),…fp(x)为各个优化目标,S为可行域,r2,r3,…p为各目标函数范围,S2,S3,…Sp是每个约束的剩余变量,e2,e3,…ep启发式随机搜索方法中特定迭代的参数。
本发明的基于钢铁企业能源系统的多目标优化调度方法,可以保证求解多目标优化调度模型的计算过程收敛,可获得多组对应经济运行成本和环境成本的统筹兼顾的最优解,以及对应每一组最优解下的煤气、蒸汽、电力系统的能源调度方案,为调度人员提供多组不同的目标值搭配方案和每一组最优解下的煤气-蒸汽-电力系统的能源调度策略,方便调度人员在多个目标之间的进行权衡,实现经济成本和环境保护的统筹兼顾,同时可以合理地安排未来钢铁企业煤气-蒸汽-电力系统的各机组的煤气分配计划、产汽计划、发电计划以及外购送电方案,有效解决了钢铁企业煤气-蒸汽-电力集成网络的多目标优化调度问题。
附图说明
图1为本发明一实施例提供的钢铁企业能源系统的多目标优化调度方法的流程框;
图2为当前钢铁企业中煤气-蒸汽-电力各系统的框架图;
图3为本发明的钢铁企业能源系统中各能源介质供需预测模型的流程图;
图4为本发明的多目标运行优化模型流程图;
图5为本发明一实施例的AUGMECON2(改进增广ε-约束)方法流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
图1为本发明一实施例提供的基于钢铁企业能源系统的多目标优化调度方法的流程示意图,本实施例方法的执行主体可为独立的处理设备,如计算机等设备,多目标优化调度包括下述步骤:
S1、获取钢铁企业能源系统的网络拓扑结构、可调度的关键设备信息、调度参数及能源产耗历史数据,确定能源系统在未来调度周期内的生产工况;所述钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
应说明的是,钢铁企业能源系统的网络拓扑结构可为预先依据能源调度中心的各个能源结构,以及操作手册等建立的,且可调度的关键设备信息也是预先根据各个子系统中的操作手册确定的,调度参数为用户预先确定的。
能源产耗历史数据可为通过能源调度应用服务器从综合数据集成平台服务器中获取过去调度周期内的能源产耗历史数据。
参照图2所示,可调度的关键设备信息包括有锅炉、汽轮机、煤气柜、放散塔、混合加压站、减温减压阀等。
参照图2所示,煤气系统中的用户包括刚性用户、调节用户和缓冲用户,是根据其在满足钢铁企业生产中的重要性及对混合煤气的热值要求预先确定的。
举例来说,本实施例的钢铁企业能源系统可包括:煤气系统、蒸汽系统和电力系统;能源产耗历史数据可包括煤气系统在过去调度周期内每一生产工况下的产耗数据,蒸汽系统在过去调度周期内每一生产工况下的产耗数据,以及电力系统在过去调度周期内每一生产工况下的产耗数据。
举例来说,本实施例中可以通过能源调度应用服务器从综合数据集成平台服务器中获取过去调度周期内的能源产耗历史数据。例如,向能源调度应用服务器发送数据获取请求,以便能源调度应用服务器根据数据获取请求从综合数据集成平台服务器中获取对应的数据,并将获取的数据发送当前的计算机中进行后续处理。
S2、根据所述能源产耗历史数据构造适用于BP神经网络的训练数据集,根据确定未来调度周期内生产工况对应的能源产耗数据构造预测数据集。
举例来说,分别对所述能源产耗历史数据、所述未来调度周期内生产工况对应的能源产耗数据进行归一化处理;
例如,归一化公式可为:归一化后的数据均在0-1之间。
其中,x表示归一化处理前的能源产耗历史数据,x*表示归一化处理后的能源产耗历史数据,min表示归一化处理前的能源产耗历史数据中的最小值,max表示归一化处理后的能源产耗历史数据中的最大值;
另外,对归一化处理后的能源产耗历史数据、以及归一化处理后的未来调度周期内生产工况对应的能源产耗数据分别进行向量空间重构,重构出与能源产耗历史数据对应的训练数据集,与未来调度周期内生产工况对应的能源产耗数据对应的预测数据集。
例如,重构出训练数据集的构造过程可为:
S3、将训练数据集代入BP神经网络,获得训练的BP神经网络;以及将预测数据集代入训练的BP神经网络进行处理,获得煤气系统、蒸汽系统、电力系统分别在未来调度周期内的第一预测数据。
应说明的是,第一预测数据可包括:煤气系统中刚性用户、调节用户、缓冲用户及产气用户在未来调度周期内的煤气需求量和煤气供应量,蒸汽系统在未来调度周期内的三种蒸汽产气源的供应量及蒸汽需求量,电力系统在未来调度周期内的电力产量和电力需求量等。
举例来说,在实际应用中,可将预测数据集代入训练的BP神经网络进行处理,获得输出数据;对输出数据进行反归一化,得到第一预测数据。
S4、根据第一预测数据中煤气系统、蒸汽系统、电力系统的供需预测数据,以及预先建立的可调度关键设备模型及约束条件,建立用于实现经济运行成本最小的单目标优化模型。
在本实施例中,单目标优化模型的目标函数可为:
其中,T为一个调度周期内所包含的时段数目,k表示燃料的种类数,Ck表示第k种燃料的价格,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内的第k种燃料的消耗量,Cbi表示锅炉bi的单位生产蒸汽的成本,表示锅炉bi在时间段t内蒸汽产量,Cti表示汽轮机ti的单位产电的成本,Pti,t表示汽轮机ti在时间段t内电力产量,Cbp,t表示在时间段t内的电力外购量,Pbp,t表示在时间段t内的电力外购价格,Csp表示在时间段t内的电力外售量,Ps,t表示在时间段t内的电力外售价格,Cgd,k表示第k种煤气的放散惩罚价格,Fgd,k,t表示在时间段t内第k种煤气的放散量;
和分别表示汽轮机ti在时间段t内的主进汽量、抽汽量和凝汽量。
S5、根据钢铁企业能源系统中预先建立的污染物排放模型和钢铁企业能源系统所属区域的污染物排放限制条件,建立环境成本优化模型。
在本实施例中,环境成本优化模型的目标函数可为:
其中,G表示污染物的排放种类,Ebi,k,g,t表示燃料锅炉在单位时间t内的污染物g的排放量,Cg表示污染物g的排放成本。
S6、将所述单目标优化模型、环境成本优化模型,可调度关键设备模型、污染物排放模型及约束条件组成多目标优化调度模型,并采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解。
本实施例中预先建立的约束条件包括下述可调度关键设备模型、污染物排放模型及约束条件的一种或多种:
锅炉模型、汽轮机模型、煤气柜模型、放散塔模型、混合加压站模型、减温减压阀模型、污染物排放模型、煤气消耗约束、蒸汽和电力平衡约束等。
本实施例的方法,可以保证求解多目标优化调度模型的计算过程收敛,可获得多组对应经济运行成本和环境成本的统筹兼顾的最优解,以及对应每一组最优解下的煤气、蒸汽、电力系统的能源调度方案,为调度人员提供多组不同的目标值搭配方案和每一组最优解下的煤气-蒸汽-电力系统的能源调度策略,方便调度人员在多个目标之间的进行权衡,实现经济成本和环境保护的统筹兼顾,同时可以合理地安排未来钢铁企业煤气-蒸汽-电力系统的各机组的煤气分配计划、产汽计划、发电计划以及外购送电方案,有效解决了钢铁企业煤气-蒸汽-电力集成网络的多目标优化调度问题。
为更好的理解本发明实施例,以下结合公式进行详细说明。
结合图2至图5所示,本实施例的基于钢铁企业煤气-蒸汽-电力集成网络的多目标优化调度方法包括以下步骤:
步骤A01、获取钢铁企业能源系统的网络拓扑结构、可调度的关键设备信息、调度参数及能源产耗历史数据,确定能源系统在未来调度周期内的生产工况;所述钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
举例来说,通过能源调度应用服务器从综合数据集成平台服务器获取过去调度周期内的生产工况下能源系统的能源产耗历史数据。
举例来说,获取在过去调度周期内能源系统的产耗历史数据;具体地,获取煤气系统中刚性用户、调节用户、缓冲用户及产气用户在过去调度周期内的煤气需求量和煤气供应量;获取在过去调度周期内用来满足生产需求的三种蒸汽产汽源和每种蒸汽的需求量;获取在过去调度周期内主要的产电源和满足生产的电力需求量,如图2所示。
步骤A02、根据所述能源产耗历史数据构造适用于BP神经网络的训练数据集,根据确定未来调度周期内生产工况对应的能源产耗数据构造预测数据集。
在具体实现过程中,首先,可预先确定调度周期内的生产工况(如生产计划和检修计划),以及对煤气、蒸汽和电力三种能源介质未来调度周期内生产工况对应的能源产耗数据;
其次,依据能源产耗历史数据,通过归一化和向量空间重构构造训练数据集,以及依据未来调度周期内生产工况对应的能源产耗数据通过归一化和向量空间重构构造预测数据集。
步骤A03、将训练数据集代入BP神经网络训练,得到训练好的BP神经网络;将预测数据集代入训练好的BP神经网络预测,并对输出数据进行反归一化得到未来调度周期内的第一预测数据。
举例来说,第一预测数据可包括:煤气产生装置的煤气发生量和各生产用户的煤气(该生产用户可包括:煤气刚性用户、煤气调节用户和煤气缓冲用户)、蒸汽、电力消耗量;如图3所示。
本实施例中,第一步,对能源产耗历史数据进行归一化处理,使数据线性映射到0-1之间,其转换函数表示为:
上述公式中,x表示原始能源产耗历史数据,x*表示归一化处理后的能源产耗历史数据,min表示该归一化之前的能源产耗历史数据中的最小值,max表示该归一化之前的能源产耗历史数据中的最大值。
第二步,对归一化处理后的能源产耗历史数据进行向量空间重构,将线性排列的数据构造为神经网络所需要的输入输出数据,也即训练数据集,构造过程可表示为:
第三步,将训练数据集代入BP神经网络训练,根据BP神经网络训练过程中的反馈信号不断调整各节点(BP神经网络的节点)的权值和阈值,最终使输出数据误差平方和最小。
第四步,对未来调度周期内生产工况对应的能源产耗数据进行归一化处理,以及进行向量空间重构,得到预测数据集;
第五步,将预测数据集代入训练好的BP神经网络中,得到输出数据,对输出数据进行反归一化得到第一预测数据,即未来调度周期内煤气产生装置的煤气发生量和各生产用户的煤气、蒸汽、电力消耗量;反归一化转换函数为:
y=y*×(max-min)+min
式中,y表示未来调度周期内煤气、蒸汽、电力的产耗预测数据,y*表示BP神经网络的输出数据,min表示上述能源产耗历史数据中的最小值,max表示上述能源产耗历史数据中的最大值,其中min和max与归一化转化函数中使用的min、max的值相等。
步骤A04、根据第一预测数据中煤气系统、蒸汽系统、电力系统的预测数据,以及优选建立的可调度关键设备模型及约束条件,建立用于实现经济运行成本最小的单目标优化模型。
举例来说,第一步041,根据锅炉和汽轮机的测试数据和在线生产数据,分别建立其耗量特性曲线方程;根据煤气-蒸汽-电力系统公辅设备和热力设备的能耗情况,确立其输入/输出变量集,结合工艺模型和约束条件,建立与所述煤气公辅设备和所述热力设备对应的单元数学模型。
该步骤中的锅炉和汽轮机、煤气-蒸汽-电力系统公辅设备和热力设备均属于可调度的关键设备信息。
第二步042,根据每台锅炉的测试数据和在线生产数据,即锅炉的燃气消耗量和锅炉负荷实际数据为基础,通过简单的热力学计算得到锅炉的热效率和锅炉负荷之间的对应生产数据,在实际生产中,所述锅炉模型为二次函数就可以完全满足生产需求,采用非线性形式,可设锅炉的负荷特性模型为:
上述公式中,表示锅炉稳定运行的实际负荷,ηbi,t表示锅炉负荷为的热效率,C1,C2,C3为模型待辨识参数;
第三步043,通过每台锅炉处理过历史生产数据和锅炉的负荷特性模型,进行公式拟合可以得到每台锅炉的负荷特性方程;
应说明的是,建立锅炉的数学模型时,采用拟合的锅炉的负荷特性方程代替固定不变的锅炉热效率,使锅炉模型更加贴近于锅炉的实际生产过程;
第四步044,根据每台汽轮机的测试数据和在线生产数据,利用多元线性回归原理建立汽轮机的耗量特性方程,可表示为:
其中和分别表示汽轮机ti在时间段t内的主进汽量、抽汽量和凝汽量。
第五步045,综合考虑在未来调度周期内的燃料价格、分时电价、
蒸汽需求、电力需求以及煤气设备的缓冲能力,建立单目标优化模型,目标函数为经济运行成本最小,表示为:
其中,T为一个调度周期内所包含的时段数目,k表示燃料的种类数,Ck表示第k种燃料的价格,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内的第k种燃料的消耗量,Cbi表示锅炉bi的单位生产蒸汽的成本,表示锅炉bi在时间段t内蒸汽产量,Cti表示汽轮机ti的单位产电的成本,Pti,t表示汽轮机ti在时间段t内电力产量,Cbp,t表示在时间段t内的电力外购量,Pbp,t表示在时间段t内的电力外购价格,Csp表示在时间段t内的电力外售量,Ps,t表示在时间段t内的电力外售价格,Cgd,k表示第k种煤气的放散惩罚价格,Fgd,k,t表示在时间段t内第k种煤气的放散量。
步骤A05、建立燃料锅炉等相关设备的污染物排放模型以及获取当地各类污染物的排放成本,建立环境成本优化模型,得到环境成本目标函数为:
式中,G表示污染物的排放种类,Ebi,k,g,t表示燃料锅炉在单位时间t内的污染物g的排放量,Cg表示污染物g的排放成本;
上述步骤A04和A05中的优化模型包括:锅炉模型、汽轮机模型、煤气柜模型、放散塔模型、混合加压站模型、减温减压阀模型、污染物排放模型、煤气消耗约束、蒸汽和电力平衡约束;
1)锅炉模型:
公式(1)表示锅炉的物料平衡约束,其中表示锅炉的给水量,表示锅炉的污水排放量,表示锅炉的蒸汽产量;
公式(2)表示锅炉的能量平衡,其中ηbi,t表示锅炉bi在时间段t内的平均效率,表示锅炉bi的给水焓值,表示锅炉bi产蒸汽的焓值,表示锅炉bi污水排放焓值;
公式(3)表示锅炉的蒸汽产量与污水排放量之间的关系,其中表示锅炉bi的污水排放系数;
公式(4)表示锅炉的效率与蒸发量之间的关系,式中,表示锅炉稳定运行的实际负荷,ηbi,t表示锅炉负荷为的热效率,C1,C2,C3为模型待辨识参数;
公式(5)表示锅炉设备的产汽能力,其中和分别表示锅炉bi产汽的上下限;
公式(6)表示锅炉负荷变化约束,其中Zbi表示锅炉bi在相邻时间段内的负荷变化上限。
2)汽轮机模型:
公式(7)表示汽轮机的物料平衡,其中和分别表示汽轮机ti在时间段t内的主进汽量、抽汽量和凝汽量;
公式(8)表示汽轮机的耗量特性方程;
公式(9)表示汽轮机的主进汽量上下限约束;
公式(10)表示汽轮机的抽汽量上下限约束;
Pti,min≤Pti,t≤Pti,max (11)
公式(11)表示汽轮机的产电能力约束,其中Pti,min表示汽轮机满足抽汽的最小的发电负荷,Pti,mmax表示汽轮机最大的发电负荷;
-Zti≤Pti,t+1-Pti,t≤Zti (12)
公式(12)表示汽轮机的爬坡能力上下限约束。
3)煤气柜模型:
公式(13)表示煤气柜的柜位变化,其中和分别表示煤气柜i在时间段t内的初始柜位,表示煤气柜i在时间段t内煤气吞吐量;
公式(14)表示煤气柜i库存上下限约束。
4)放散塔模型:
Fgd,k,t≤DTk,t,max (15)
公式(15)表示煤气放散塔能力约束,其中DTk,t,max表示第k种煤气放散塔在时间段t内的最大放散能力。
5)混合加压站模型:
Li+j,t=Li,t+Lj,t (17)
公式(16)和(17)表示混合加压站的物料守恒和能量守恒,其中qi+j表示煤气i和j混合热值,qi表示煤气i的热值,Li,t表示煤气i在时间段t内进入混合站的管道流量,qj表示煤气j的热值,Lj,t表示煤气j在时间段t内进入混合站的管道流量,Li+j,t表示煤气i和j在时间段t内混合流量。
6)减温减压阀模型:
公式(18)表示减温减压阀的进出口流量约束,其中表示进汽流量,表示降压后出口蒸汽流量,表示减温水比焓,表示减温减压阀流出的饱和水比焓,降压后蒸汽比焓,表示进口蒸汽比焓,θ表示未蒸发的水量占总喷水量的份额。
7)污染物排放模型:
公式(19)和(20)表示污染气体CO2的排放模型,其中CN表示第k种燃料的碳含量,ML表示石灰石流量,表示石灰石中的CaCO3含量,CaS是Ca和S的摩尔比;
公式(21)和(22)表示污染气体SO2的排放模型,公式(21)适用于燃烧混合煤气锅炉,公式(22)适用于燃煤锅炉,其中表示第k种燃料的含硫量,ηdes表示排污设备的除硫效率;
V=(α+β)×K0×q/4187 (24)
公式(23)和(24)表示污染气体NOx的排放模型,其中N表示第k种燃料的氮含量,其中δ表示第k种燃料氮含量的变化比率,TP是烟气中的NOx的浓度,NOx是排放气体每公斤第k种燃料的数量,α是过剩空气比,β是与燃料类型相关的系数,K0是与燃料类型有关的因素;
Femi,j≤LEMj (25)
公式(25)表示污染物排放约束,其中LEMj为企业所在区域的污染物最大允许局部排放量。
8)煤气消耗约束条件:
公式(26)表示煤气供应约束,其中Mk,t,min表示第k种煤气在t时间段内的最小富余量,Mk,t,max表示第k种煤气在t时间段内的最大富余量;
Fbi,k,min≤Fbi,k,t≤Fbi,k,max (27)
公式(27)表示煤气对锅炉的供应约束,其中Fbi,k,min和Fbi,k,max分别表示第k种煤气对锅炉bi的供应量的上下限;
公式(28)表示锅炉对混合煤气的热值约束,其中qk表示煤气k的热值,qbi,min和qbi,max分别表示分别锅炉bi消耗混合煤气热值的上下限。
9)电力和蒸汽需求约束条件:
a1a2=0,a1,a2∈{0,1} (30)
公式(29)和(30)表示电力的需求约束,保证买电和售电在同一个时间段内不能同时发生;
公式(31)表示蒸汽的需求约束,保证每一种的蒸汽需求量等于供应量。
步骤A06,将所述单目标优化模型、环境成本优化模型、可调度关键设备模型、污染物排放模型及约束条件组成多目标优化调度模型,并采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解。
也就是说,由经济运行成本目标函数EOC和环境行成本目标函数EVC以及约束条件(1)—(31)共同构成了钢铁企业能源系统的多目标优化调度模型,该模型从整体来看是一个线性问题,所以可采用线性规划的方法进行求解计算。
在本实施例中,求解多目标优化调度模型过程中,需要注意的是,通过训练好的BP神经网络预测的第一预测数据中煤气发生量和各生产用户的煤气、蒸汽、电力消耗量,首先按照煤气用户分类对煤气进行合理分配,先对刚性用户和调节用户进行合理分配,剩余的部分称为富余煤气供自备电站燃料锅炉使用即缓冲用户使用。
进而,把富余煤气的供应量、蒸汽和电力的需求量,以及收集处理好的设备参数带入多目标优化调度模型,采用改进的多目标优化算法对多目标优化调度模型进行求解,得到多组对应经济成本和环境成本的最优解,以及每一组最优解下的煤气-蒸汽-电力系统的能源调度方案,实现经济运行成本和环境成本的统筹兼顾;
如图4所示,图4示出了多目标运行优化模型流程图,所述多目标运行优化是指在配置好钢铁企业能源系统所需的信息之后,该模型能够为调度人员提供多组不同的目标值搭配方案,从而方便调度人员在多个目标之间的进行权衡,并最终从可行方案中主观选择其中的一个方案作为生产调度策略;
特别地,本实施例中采用基于Pareto最优的多目标进化算法,解过程大致分为两个独立的阶段,因而不必进行反复计算和再优化:
第一步,获取Pareto最优解;第二歩,引入决策意见。
采用AUGMECON2(改进增广ε-约束)方法来解决多目标优化调度模型中的多目标优化问题,UGMEC0N2方法的目标函数如下公式所示,具体的流程图如图5所示:
MAX[f1(x)+eps×(S2/r2+10-1×S3/r3+…+10-(p-2)×Sp/rp)]
st
f2(x)-S2=e2
f3(x)-S3=e2
…
fi(x)-Si=ei,i=2,3…p
x∈S,Si∈R+
其中,f2(x),f3(x),…fp(x)为各个优化目标,S为可行域,r2,r3,…p为各目标函数范围,S2,S3,…Sp是每个约束的剩余变量,e2,e3,…ep启发式随机搜索方法中特定迭代的参数。
步骤A07、企业的能源决策者权衡本企业煤气-蒸汽-电力系统的运行状况和国家的环境保护政策,从多目标优化调度模型的多组最优解中选择其中一个适合当前生产的调度方案,然后将确定的调度方案上传到企业的能源调度应用服务器上,调度人员参考上传的调度方案即可执行下一周期内(与现在距离最近的未来调度周期)的煤气在各消耗用户的分配方案,以及蒸汽和电力在各生产设备的负荷分配方案。
上述实施例综合考虑了燃料价格、煤气放散惩罚(如煤气不能完全使用,点燃放散到大气中所带来的资源浪费成本等)、分时电价、污染物排放问题、锅炉负荷和效率问题,汽轮机的抽汽和发电问题,以调度周期内整个企业的煤气-蒸汽-电力系统经济运行成本EOC和环境成本EVC为目标函数,建立可调度的关键设备包括锅炉、汽轮机、煤气柜、放散塔、混合加压站和减温减压阀的数学模型,以煤气各用户(即刚性用户、调节用户和缓冲用户)的燃料使用限制、机组(如锅炉、汽轮机)的产汽和产电限制等约束条件,建立了钢铁企业能源系统的多目标优化调度模型,并采用基于Pareto的多目标进化算法和AUGMECON2(改进增广ε-约束)方法来解决上述的多目标优化调度模型;
上述方法的具有效果:
首先,可以有效的预测未来调度周期内煤气产生装置的煤气发生量和各用户的煤气、蒸汽、电力消耗量,然后通过模型求解,为调度人员提供多组不同的目标值搭配方案和每一组最优解下的煤气-蒸汽-电力系统的能源调度策略,方便调度人员在多个目标之间的进行权衡,实现经济成本和环境保护的统筹兼顾,同时可以合理地安排未来钢铁企业煤气-蒸汽-电力系统的各机组的煤气分配计划、产汽计划、发电计划以及外购送电方案,有效解决了钢铁企业煤气-蒸汽-电力集成网络的多目标优化调度问题。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,并非是对本发明的限制;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,可以做出各种变换或变型,因此,所有等同的技术方案也应该属于本发明的范畴,应由权利要求所限定。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于钢铁企业能源系统的多目标优化调度方法,其特征在于,包括:
S1、获取钢铁企业能源系统的网络拓扑结构、可调度的关键设备信息、调度参数及钢铁企业能源系统在过去调度周期内的能源产耗历史数据,确定能源系统在未来调度周期内的生产工况;所述钢铁企业能源系统包括:煤气系统、蒸汽系统和电力系统;
S2、根据所述能源产耗历史数据构造适用于BP神经网络的训练数据集,根据确定未来调度周期内生产工况对应的能源产耗数据构造预测数据集;
S3、将训练数据集代入BP神经网络,获得训练的BP神经网络;以及将预测数据集代入训练的BP神经网络进行处理,获得煤气系统、蒸汽系统、电力系统分别在未来调度周期内的第一预测数据;
S4、根据第一预测数据中煤气系统、蒸汽系统、电力系统的供需预测数据,预先建立的可调度关键设备模型及约束条件,建立用于实现经济运行成本最小的单目标优化模型;
S5、根据钢铁企业能源系统中预先建立的污染物排放模型和钢铁企业能源系统所属区域的污染物排放限制条件,建立环境成本优化模型;
S6、将所述单目标优化模型、环境成本优化模型,可调度关键设备模型、污染物排放模型及约束条件组成多目标优化调度模型,并采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若最优解为多个,则根据所述钢铁企业能源系统所属区域的政策,选择一个适合政策的最优解传送能源调度应用服务器进行后续处理。
3.根据权利要求2所述的方法,其特征在于,所述步骤S1包括:
通过能源调度应用服务器从综合数据集成平台服务器中获取过去调度周期内的能源产耗历史数据。
4.根据权利要求3所述的方法,其特征在于,所述步骤S2包括:
分别对所述能源产耗历史数据、未来调度周期内生产工况对应的能源产耗数据进行归一化处理;
对归一化处理后的能源产耗历史数据、能源产耗数据分别进行向量空间重构,重构出与能源产耗历史数据对应的训练数据集,未来调度周期内生产工况对应的能源产耗数据对应的预测数据集。
5.根据权利要求4所述的方法,其特征在于,采用公式一对能源产耗历史数据进行归一化处理;
公式一:
其中,x表示归一化处理前的能源产耗历史数据,x*表示归一化处理后的能源产耗历史数据,min表示归一化处理前的能源产耗历史数据中的最小值,max表示归一化处理后的能源产耗历史数据中的最大值;
重构出训练数据集的构造过程为:
<mrow>
<mtable>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>3</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>4</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>5</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mi>m</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&RightArrow;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>3</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>4</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>5</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>3</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>4</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>5</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>6</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>3</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>4</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>5</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>6</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>7</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>7</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>6</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>5</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>4</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&RightArrow;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>6</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>7</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>8</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>7</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>8</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>9</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mn>8</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>9</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mn>10</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>V</mi>
<mi>m</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
6.根据权利要求5所述的方法,其特征在于,S3中的将预测数据集代入训练的BP神经网络进行处理,获得第一预测数据,包括:
将预测数据集代入训练的BP神经网络进行处理,获得输出数据;
对输出数据进行反归一化,得到煤气系统、蒸汽系统、电力系统分别在未来调度周期内的第一预测数据。
7.根据权利要求6所述的方法,其特征在于,煤气系统、蒸汽系统、电力系统分别在未来调度周期内确定工况下的第一预测数据,包括:
煤气系统中刚性用户、调节用户、缓冲用户以及产气用户在未来调度周期内的煤气需求量和煤气供应量,
蒸汽系统在未来调度周期内的三种蒸汽产气源的供应量及蒸汽需求量,
电力系统在未来调度周期内的电力产量和电力需求量。
8.根据权利要求7所述的方法,其特征在于,单目标优化模型为:
<mrow>
<mi>E</mi>
<mi>O</mi>
<mi>C</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mi>K</mi>
</munder>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<mo>&times;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>B</mi>
</munder>
<msub>
<mi>F</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&times;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>B</mi>
</munder>
<msubsup>
<mi>D</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&times;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>T</mi>
</munder>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mi>p</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>g</mi>
<mi>a</mi>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>C</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,T为一个调度周期内所包含的时段数目,k表示燃料的种类数,Ck表示第k种燃料的价格,B表示可调度的锅炉数量,Fbi,k,t表示锅炉bi在时间段t内的第k种燃料的消耗量,Cbi表示锅炉bi的单位生产蒸汽的成本,表示锅炉bi在时间段t内蒸汽产量,Cti表示汽轮机ti的单位产电的成本,Pti,t表示汽轮机ti在时间段t内电力产量,Cbp,t表示在时间段t内的电力外购量,Pbp,t表示在时间段t内的电力外购价格,Csp表示在时间段t内的电力外售量,Ps,t表示在时间段t内的电力外售价格,Cgd,k表示第k种煤气的放散惩罚价格,Fgd,k,t表示在时间段t内第k种煤气的放散量;
和分别表示汽轮机ti在时间段t内的主进汽量、抽汽量和凝汽量;
环境成本目标函数为:
其中,G表示污染物的排放种类,Ebi,k,g,t表示燃料锅炉在单位时间t内的污染物g的排放量,Cg表示污染物g的排放成本。
9.根据权利要求8所述的方法,其特征在于,预先建立的可调度关键设备模型、污染物排放模型及约束条件包括:
锅炉模型、汽轮机模型、煤气柜模型、放散塔模型、混合加压站模型、减温减压阀模型、污染物排放模型、煤气消耗约束、蒸汽和电力平衡约束。
10.根据权利要求9所述的方法,其特征在于,S6中的采用线性规划的方法求解所述多目标优化调度模型,获得实现煤气系统、蒸汽系统、电力系统能源调度方案的至少一组最优解的步骤,包括:
MAX[f1(x)+eps×(S2/r2+10-1×S3/r3+…+10-(p-2)×Sp/rp)]
st
f2(x)-S2=e2
f3(x)-S3=e2
…
fi(x)-Si=ei,i=2,3…p
x∈S,Si∈R+
其中,f2(x),f3(x),…fp(x)为各个优化目标,S为可行域,r2,r3,…p为各目标函数范围,S2,S3,…Sp是每个约束的剩余变量,e2,e3,…ep启发式随机搜索方法中特定迭代的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334224.XA CN107169599B (zh) | 2017-05-12 | 2017-05-12 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334224.XA CN107169599B (zh) | 2017-05-12 | 2017-05-12 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169599A true CN107169599A (zh) | 2017-09-15 |
CN107169599B CN107169599B (zh) | 2020-04-14 |
Family
ID=59814983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710334224.XA Active CN107169599B (zh) | 2017-05-12 | 2017-05-12 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169599B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993011A (zh) * | 2017-12-04 | 2018-05-04 | 安徽工业大学 | 一种硅钢生产计划系统 |
CN108193012A (zh) * | 2018-01-01 | 2018-06-22 | 冶金自动化研究设计院 | 一种钢铁企业转炉煤气优化控制系统 |
CN108389001A (zh) * | 2018-03-12 | 2018-08-10 | 东北大学 | 一种基于step-nc的智能非线性工艺规划方法 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
CN110186027A (zh) * | 2019-05-31 | 2019-08-30 | 安徽工业大学 | 一种燃气锅炉出力评价系统及方法 |
CN110414807A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 气井的撬装设备调度优化方法及装置 |
CN111105090A (zh) * | 2019-12-18 | 2020-05-05 | 沈阳鼓风机集团自动控制系统工程有限公司 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN112541680A (zh) * | 2020-12-14 | 2021-03-23 | 东北大学 | 煤气柜移峰填谷的动态调整方法、能源调度系统 |
CN112578178A (zh) * | 2020-12-07 | 2021-03-30 | 珠海格力电器股份有限公司 | 能源信息监测方法、能源监测装置以及生产线、存储介质 |
CN112668901A (zh) * | 2020-12-31 | 2021-04-16 | 重庆大学 | 一种考虑能耗的钢厂生产调度方法及系统 |
CN112712211A (zh) * | 2021-01-14 | 2021-04-27 | 首钢京唐钢铁联合有限责任公司 | 一种基于区块链进行能源调度的方法及装置 |
CN112796845A (zh) * | 2021-02-24 | 2021-05-14 | 东北大学 | 基于orc的工业能源梯级利用供电系统及方法 |
CN112966861A (zh) * | 2021-02-24 | 2021-06-15 | 浙江中控技术股份有限公司 | 一种基于案例匹配的产耗平衡测算方法 |
CN113128894A (zh) * | 2021-04-28 | 2021-07-16 | 东北大学 | 一种多能流动态耦合优化调控方法 |
CN113435114A (zh) * | 2021-06-23 | 2021-09-24 | 马鞍山钢铁股份有限公司 | 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 |
CN114492956A (zh) * | 2022-01-07 | 2022-05-13 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN114626635A (zh) * | 2022-04-02 | 2022-06-14 | 北京乐智科技有限公司 | 一种基于混合神经网络的钢铁物流成本预测方法及系统 |
EP4138008A4 (en) * | 2020-04-15 | 2023-08-30 | JFE Steel Corporation | POWER SUPPLY/POWER DEMAND OPERATION GUIDING DEVICE AND POWER SUPPLY/POWER DEMAND OPERATION METHOD IN A STEEL PLANT |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289571A (zh) * | 2011-07-25 | 2011-12-21 | 浙江大学宁波理工学院 | 基于来能预测的海洋能发电系统的负载优化调度方法 |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
US20150051938A1 (en) * | 2013-08-13 | 2015-02-19 | Siemens Industry, Inc. | Systems, methods and apparatus for optimizing fuel mix, fuel allocation and scheduling of generator resources |
-
2017
- 2017-05-12 CN CN201710334224.XA patent/CN107169599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289571A (zh) * | 2011-07-25 | 2011-12-21 | 浙江大学宁波理工学院 | 基于来能预测的海洋能发电系统的负载优化调度方法 |
US20150051938A1 (en) * | 2013-08-13 | 2015-02-19 | Siemens Industry, Inc. | Systems, methods and apparatus for optimizing fuel mix, fuel allocation and scheduling of generator resources |
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
Non-Patent Citations (2)
Title |
---|
张琦等: "钢铁企业富余煤气-蒸汽-电力耦合模型及其应用", 《化工学报》 * |
张鹏飞等: "考虑生产成本和环境成本的蒸汽动力系统多目标运行优化", 《化工学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993011A (zh) * | 2017-12-04 | 2018-05-04 | 安徽工业大学 | 一种硅钢生产计划系统 |
CN108193012A (zh) * | 2018-01-01 | 2018-06-22 | 冶金自动化研究设计院 | 一种钢铁企业转炉煤气优化控制系统 |
CN108193012B (zh) * | 2018-01-01 | 2019-10-25 | 冶金自动化研究设计院 | 一种钢铁企业转炉煤气优化控制系统 |
CN108389001A (zh) * | 2018-03-12 | 2018-08-10 | 东北大学 | 一种基于step-nc的智能非线性工艺规划方法 |
CN108389001B (zh) * | 2018-03-12 | 2021-10-15 | 东北大学 | 一种基于step-nc的智能非线性工艺规划方法 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
CN108490904B (zh) * | 2018-05-10 | 2020-02-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
CN110186027B (zh) * | 2019-05-31 | 2020-07-03 | 安徽工业大学 | 一种燃气锅炉出力评价系统及方法 |
CN110186027A (zh) * | 2019-05-31 | 2019-08-30 | 安徽工业大学 | 一种燃气锅炉出力评价系统及方法 |
CN110414807A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 气井的撬装设备调度优化方法及装置 |
CN110414807B (zh) * | 2019-07-11 | 2022-11-11 | 中国石油大学(北京) | 气井的撬装设备调度优化方法及装置 |
CN111105090A (zh) * | 2019-12-18 | 2020-05-05 | 沈阳鼓风机集团自动控制系统工程有限公司 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
CN111105090B (zh) * | 2019-12-18 | 2024-05-28 | 沈阳鼓风机集团自动控制系统工程有限公司 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN111487937B (zh) * | 2020-02-14 | 2021-04-30 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
EP4138008A4 (en) * | 2020-04-15 | 2023-08-30 | JFE Steel Corporation | POWER SUPPLY/POWER DEMAND OPERATION GUIDING DEVICE AND POWER SUPPLY/POWER DEMAND OPERATION METHOD IN A STEEL PLANT |
CN112578178A (zh) * | 2020-12-07 | 2021-03-30 | 珠海格力电器股份有限公司 | 能源信息监测方法、能源监测装置以及生产线、存储介质 |
CN112541680A (zh) * | 2020-12-14 | 2021-03-23 | 东北大学 | 煤气柜移峰填谷的动态调整方法、能源调度系统 |
CN112668901A (zh) * | 2020-12-31 | 2021-04-16 | 重庆大学 | 一种考虑能耗的钢厂生产调度方法及系统 |
CN112668901B (zh) * | 2020-12-31 | 2024-04-19 | 重庆大学 | 一种考虑能耗的钢厂生产调度方法及系统 |
CN112712211A (zh) * | 2021-01-14 | 2021-04-27 | 首钢京唐钢铁联合有限责任公司 | 一种基于区块链进行能源调度的方法及装置 |
CN112966861A (zh) * | 2021-02-24 | 2021-06-15 | 浙江中控技术股份有限公司 | 一种基于案例匹配的产耗平衡测算方法 |
CN112796845A (zh) * | 2021-02-24 | 2021-05-14 | 东北大学 | 基于orc的工业能源梯级利用供电系统及方法 |
CN113128894A (zh) * | 2021-04-28 | 2021-07-16 | 东北大学 | 一种多能流动态耦合优化调控方法 |
CN113128894B (zh) * | 2021-04-28 | 2023-10-31 | 东北大学 | 一种多能流动态耦合优化调控方法 |
CN113435114A (zh) * | 2021-06-23 | 2021-09-24 | 马鞍山钢铁股份有限公司 | 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 |
CN114492956B (zh) * | 2022-01-07 | 2024-03-12 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN114492956A (zh) * | 2022-01-07 | 2022-05-13 | 上海烁恒科技有限责任公司 | 基于历史数据搜索的工况预测方法、设备及存储介质 |
CN114626635A (zh) * | 2022-04-02 | 2022-06-14 | 北京乐智科技有限公司 | 一种基于混合神经网络的钢铁物流成本预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107169599B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169599A (zh) | 一种基于钢铁企业能源系统的多目标优化调度方法 | |
Li et al. | Hierarchically partitioned coordinated operation of distributed integrated energy system based on a master-slave game | |
Jeddi et al. | A modified harmony search method for environmental/economic load dispatch of real-world power systems | |
Tan et al. | Three-level market optimization model of virtual power plant with carbon capture equipment considering copula–CVaR theory | |
Khazeni et al. | Retail market equilibrium in multicarrier energy systems: A game theoretical approach | |
Fan et al. | A Bi-level optimization model of integrated energy system considering wind power uncertainty | |
CN106786790A (zh) | 一种含水气煤核电的省级电网长期多电源协调调度方法 | |
CN104573875B (zh) | 一种低碳化的电源电网优化规划的方法 | |
CN110163443A (zh) | 考虑电-气综合需求响应的天然气调压站微能网优化调度方法 | |
CN101917024A (zh) | 安全约束调度中通用性成本空间的生成方法 | |
CN113673738B (zh) | 基于供需响应与可调场景的综合能源系统优化配置方法 | |
Lu et al. | Optimal operation scheduling of household energy hub: A multi-objective optimization model considering integrated demand response | |
CN108876026A (zh) | 兼顾特高压电网及区外来电的电源优化配置方法 | |
Jin et al. | Dispatching strategies for coordinating environmental awareness and risk perception in wind power integrated system | |
Li et al. | Optimal design of combined cooling, heating and power multi-energy system based on load tracking performance evaluation of adjustable equipment | |
CN103439926A (zh) | 一种钢铁企业煤气优化调度装置 | |
CN105023056A (zh) | 基于群智能强化学习的电网最优碳能复合流获取方法 | |
Qiu et al. | The coupling impact of subsystem interconnection and demand response on the distributed energy systems: A case study of the composite community in China | |
CN114676878A (zh) | 面向多能互补和低碳化的多区域虚拟电厂优化调度方法 | |
CN106712077A (zh) | 一种公共楼宇参与电网优化运行方法 | |
Wei et al. | A novel approach to hybrid dynamic environmental-economic dispatch of multi-energy complementary virtual power plant considering renewable energy generation uncertainty and demand response | |
CN107392791A (zh) | 多能互补系统的分布式光伏与气电混合容量规划方法和系统 | |
CN117040027B (zh) | 一种农村虚拟电厂的协调优化方法和装置 | |
Ju et al. | Near-zero carbon stochastic dispatch optimization model for power-to-gas-based virtual power plant considering information gap status theory | |
CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |