CN108734419A - 一种基于知识迁移的高炉煤气调度系统建模方法 - Google Patents

Abstract

本发明提供了一种基于知识迁移的高炉煤气调度系统建模方法，首先，基于煤气系统的管网结构，建立能源发生、传输、消耗、存储、转换各阶段的能源本体模型，并基于该能源模型提取不同煤气系统的共同结构特征；其次，设计了一种基于数据分布特征的隶属度函数迁移方法，根据数据的分布特征学习不同煤气系统数据的映射关系，然后将隶属度函数进行迁移；再次，提出一种基于特征的模糊规则迁移方法，将不同系统的规则结构映射到邻近的低维特征上，通过规则重构的方式实现规则的迁移；最后，设计基于调度数据的迁移知识调整策略，将高炉煤气系统的实际调度数据输入到模型中，以输出调度方案的偏差最小为目标调整相应的规则参数。

Description

一种基于知识迁移的高炉煤气调度系统建模方法

技术领域

本发明属于信息技术领域，涉及到语义特征提取、特征重构、数据挖掘、模糊推理和迁移学习，是一种基于知识迁移学习的冶金企业高炉煤气调度系统的建模方法。本发明利用能源系统结构上的相似性，基于其他煤气系统中已有的调度知识信息和高炉煤气系统中保存的运行数据，设计了一种煤气调度知识的迁移学习方法。该模型通过对煤气数据进行特征提取和迁移学习，挖掘不同煤气系统结构和调度知识中的特征信息，进而实现调度规则的迁移，并通过高炉煤气系统的实际调度数据实现规则的修正。通过此方法能够更加有效利用实践工作中总结的调度知识，在冶金企业其它能源介质的调度问题中有广泛的推广价值。

背景技术

冶金企业是高能耗、高污染、高排放的产业。节能降耗一直是冶金行业所面临的最严峻问题之一。随着一次能源的紧缺和新节能技术的提高，冶金生产过程中产生的副产煤气能否得到合理的利用将直接影响到整个冶金企业的能耗成本和节能减排效果(J.Yang,J.Cai,W.Sun,J.Liu.(2015).Optimization and scheduling of byproduct gas systemin steel plant.钢铁研究学报(英文版),22(5),408-413.)。高炉煤气是炼铁过程的副产品，其生产过程连续、产生的煤气量较大，加之炼铁环节热风炉单元存在换炉操作，使得高炉煤气发生量存在较大波动，出现煤气产消不平衡的问题。在生产现场，通过煤气柜可以缓冲一定量的煤气不平衡。然而煤气柜容量有限，如果对生产过程调度不合理，则需要对过剩煤气进行点火放散，造成能源的浪费。反之，如果煤气量严重不足，则会造成部分生产环节的停产，影响正常的生产计划。因此，对高炉煤气进行合理的调度，可以保证煤气的合理利用，提高二次能源的使用效率、减少煤气的无效排放。

目前实际生产中，对冶金企业高炉煤气的综合平衡以流量实时监测和柜位报警机制为主，通过调度人员的经验进行调度决策，至今没有完善的理论方法对高炉煤气的调度问题进行建模。由于煤气系统用户众多，管网情况复杂，各个调度人员的经验存在差异，煤气放散和不足的情况时有发生。对于调度方法的研究，有学者采用数学规划的方法进行建模分析，通过求解数学模型可以得到最佳调度方案(L.Zhou,Z.W.Liao,J.D.Wang,B.B.Jiang,Y.R.Yang,W.L.Du.(2015).Energy configuration and operationoptimization of refinery fuel gas networks.Applied Energy,139:365-375.)。其建立的调度模型由目标函数和约束条件两部分组成，目标函数一般是最小化运行成本以及最大化生产收益，约束条件是根据生产工艺约束及物理约束建立的。还有学者使用复杂网络、贝叶斯网络等网络化方法对需要调度对象进行动态描述，建立调度模型，从而将生产过程中的调度问题转换成网络上的节点遍历过程(J.Zhao,W.Wang,K.Sun,Y.Liu.(2014).Abayesian networks structure learning and reasoning-based byproduct gasscheduling in steel industry.IEEE Transactions on Automation Science andEngineering,11(4):1149-1154.)。此外，针对实际生产过程的不确定信息，一些学者采用基于模糊的调度方法，将调度模型转化成模糊规则，然后再通过模糊控制器将系统的实时信息映射到调度指令集中的相应模式，从而产生调度指令(Chen,X.,&Azim,A.(2017).TFS:towards fuzzy rule-based feedback scheduling in networked controlsystems.Intelligent Industrial Systems(4),1-13.)。近年来，大量学者利用数据挖掘、异构数据处理等相关技术，对制造过程产生的大量离线和在线数据进行分析处理，挖掘出隐含在数据中的经验、知识及规则，再进一步应用到生产过程的优化与管理中，以解决传统调度方法难以解决的复杂制造过程中的调度问题(Long,H.,Zhang,Z.,Sun,M.X.,&Li,Y.F.(2018).The data-driven schedule of wind farm power generations and requiredreserves.Energy.)。

然而，这些方法存在明显不足：首先，由于复杂制造过程涉及到的物料能源种类、耗能设备以及能源转换设备较多，同时生产现场的环境恶劣，机理模型难以体现实际环境的复杂性和随机性。其次，采用数学规划方法建立调度模型时，产生的变量、约束条件较多，需要的数据量大，计算耗时长，随着调度规模的扩大，调度问题的求解难度急剧增加。再次，基于网络的调度方法结构简单，计算量少，能够比较好的描述出复杂生产过程中的动态特性，但是该方法建立的网络模型参数难以确定。此外，使用调度规则来确定调度方案避免了大量的复杂计算，效率高且模型稳定性好，但是对于复杂的工业调度问题，通过经验知识建立规则库的工作难度较大。最后，基于数据的调度方法需要大量的有标签数据作为样本，而在实际应用问题中有时无法获取足够的样本数据。

发明内容

本发明要解决的技术问题是现有冶金企业高炉煤气系统的平衡调度问题。为解决上述这一问题，设计了一种基于特征和数据的迁移学习方法，将其他煤气系统的调度知识信息迁移到高炉煤气系统的调度问题中。首先，基于煤气系统的管网结构，建立能源发生、传输、消耗、存储、转换各阶段的能源本体模型，并基于该能源模型提取不同煤气系统的共同结构特征；其次，设计了一种基于数据分布特征的隶属度函数迁移方法，根据数据的分布特征学习不同煤气系统数据的映射关系，然后将隶属度函数进行迁移；再次，提出一种基于特征的模糊规则迁移方法，将不同系统的规则结构映射到邻近的低维特征上，通过规则重构的方式实现规则的迁移；最后，设计基于调度数据的迁移知识调整策略，将高炉煤气系统的实际调度数据输入到模型中，以输出调度方案的偏差最小为目标调整相应的规则参数。利用该发明可以充分利用煤气系统中已有的调度知识，将已有知识迁移到其他的能源系统中，大大节省将经验知识转化为调度模型的工作量，提高调度模型的建模效率。

本发明的技术方案：

一种基于知识迁移的高炉煤气调度系统建模方法，包括以下五个部分：

(1)确定模型结构，建立煤气系统的本体模型，并提取不同煤气系统的共同结构特征；

(2)根据确定的模型结构，对煤气系统调度模型各输入输出变量的隶属度进行重新调整，并从现场的数据库中收集相应的历史数据，根据数据的分布特征学习不同煤气系统对应结构的数据映射关系，进而将各个变量的隶属度函数进行迁移；

(3)根据确定的模型结构，对煤气系统已有的模糊规则进行重构，进而实现规则的迁移。

(4)通过实际调度数据实现对迁移调度知识的微调和优化。

本发明的效果和益处是：

本发明能够充分利用已有的相关知识，将不同煤气系统的大量调度知识迁移到高炉煤气系统中，并通过实际数据对知识信息进行动态调整和优化，有效提高了知识的利用率，为调度模型的建立提供了新的解决思路。这种基于经验知识和数据的方法能够将不同系统的丰富专家经验和实际数据信息相融合，提高调度模型的建模效率。

本方法能够充分利用煤气系统的知识信息和数据特征，大大提升高炉煤气系统调度模型的建模效率，为高炉煤气系统的平衡调度和高效生产提供在线决策支持，为调度知识的有效利用提供了新的思路。

附图说明

图1(a)为高炉煤气系统管网结构图。

图1(b)为转炉煤气系统管网结构图。

图2为高炉和转炉煤气系统的本体模型。

图3为调度知识迁移学习的流程图。

图4(a)为高炉煤气调度方案中电厂的调整情况。

图4(b)为高炉煤气调度方案中放散塔的调整情况。

图5为不同调度方案的煤气柜变化趋势。

具体实施方式

为了更好地理解本发明的技术方案，以国内自动化水平较高的宝钢钢铁企业的高炉煤气系统为例，对本发明的实施方式作进一步描述。该企业的高炉煤气发生源为4座高炉，每小时约产生200km³的高炉煤气。其中一部分直接用于热风炉的使用，其余煤气通过输配系统供各个生产单元和锅炉、电厂等调节用户使用，其输配系统由管网、除尘装置和加压站组成；生产单元主要包括焦炉、热轧、冷轧、化产等，系统中设有2座煤气柜来缓冲一定量煤气产消不平衡对系统的影响；如果高炉煤气量过多，则需要通过放散塔进行点火放散。

本发明能够将其他煤气系统的调度知识迁移到高炉煤气系统中，以转炉煤气系统为例，转炉煤气系统现有6座转炉作为转炉煤气的发生单元，每小时大约产生200km³的转炉煤气；其主要消耗用户约有30个，主要包括高炉、热轧和冷轧、石灰窑等；此外还有发电机组、3台70吨的低压锅炉和1台热电机组作为煤气的调节用户；管网中配备了4座8万m³的煤气柜。

本发明提出一种基于知识迁移的高炉煤气调度系统建模方法，以转炉煤气系统为例，按照图3所示的调度知识迁移学习流程，本方法的具体实施步骤如下：

步骤1：根据煤气调度系统的实际管网结构建立其对应的本体模型。在本体模型中，令其节点分别表示不同的设备实体，并且通过节点之间的连线表达不同实体之间的能量供需平衡关系，包括能源的生成、使用、存储、转化。

步骤2：对步骤1建立的本体模型进行特征提取，找到高炉煤气系统和转炉煤气系统的相同结构特征，并依据该相同结构确定调度模型的输入变量和输出变量；

步骤2.1为了确定高炉煤气系统和转炉煤气系统实体间的相似度，首先建立相似度矩阵S，其中每个元素s(eq_a,eq_b)表示高炉煤气系统eq_a节点和转炉煤气系统eq_b节点的相似度，如公式(1)所示。

其中，|I(eq_a)|和|I(eq_b)|分别表示本体模型中指向eq_a煤气系统节点和eq_b煤气系统节点的节点个数，η∈[0.6,0.8]是阻尼系数；

步骤2.2按照能源介质的产消关系，将转炉煤气系统和高炉煤气系统的所有发生量实体分别放入集合R_LDGin和R_BFGin中，并确定两个集合中实体的对应关系；

步骤2.2.1首先确定两个集合中的相同实体，每个相同的实体即构成一组对应关系；

步骤2.2.2对于集合中的不同实体，根据相似度s的大小将其与各自集合中最相似的相同实体合并；若没有相同实体，则分别将R_LDGin和R_BFGin中的所有实体合并，并形成一组对应关系；步骤2.3对于消耗量实体进行与发生量实体同样的处理，最终得到转炉煤气系统和高炉煤气系统所有实体的对应关系，从而确定其相同的结构特征，将这个相同的结构作为模型的输入/输出变量；

步骤3：从数据库中读取高炉煤气系统和转炉煤气系统的能源相关数据，基于步骤2确定的模型输入变量和输出变量，将原转炉煤气系统调度模型的隶属度函数进行重构，对需要融合的节点进行变换；

步骤3.1采用三角形隶属度函数，节点的第i个隶属度函数如下：

其中a_i，c_i确定“脚”，b_i确定“峰”；

步骤3.2对于两个相互独立的节点，分别以p和q表示，则隶属度函数分别为l_pi(x,a_i,b_i,c_i)和l_qj(x,a_j,b_j,c_j)，其中i∈{1,2,…,m}，j∈{1,2,…,n}，m和n分别为两个节点的隶属度函数个数，且有m≥n；采用公式(3-5)对两个节点的隶属度函数进行重构：

当j＝1时，

当j＝m时

当1<j<m时

步骤3.3对于存在关联性的节点，先对其采集数据进行合并，然后根据人工经验和数据分布直接确定其隶属度函数的参数；

步骤4：根据数据的分布特征学习高炉煤气系统和转炉煤气系统的映射关系，并将转炉煤气系统的隶属度函数迁移到高炉煤气系统模型中；采用直方图规定化方法，将转炉煤气系统数据分布映射到高炉煤气系统，使两系统具有相近的分布特征，具体实现如下：

步骤4.1对于第μ个变量，从数据库中分别读取其转炉煤气系统数据和高炉煤气系统的数据将其组合成为新的数据集然后将D离散化为p个区间，并对转炉煤气系统和高炉煤气系统数据分别统计每个区间下的频数v，组成频数向量V_L＝[v_L1,v_L2,…,v_Lp]和V_B＝[v_B1,v_B2,…,v_Bp]，其中，v_Lp为转炉煤气系统数据在第p个区间下的频数，v_Bp为高炉煤气系统数据在第p个区间下的频数，即数据的个数；

步骤4.2根据频数向量V_L和V_B计算累积频数向量S_L＝[s_L1,s_L2,…,s_Lp]和S_B＝[s_B1,s_B2,…,s_Bp]，

步骤4.3确定高炉煤气系统和转炉煤气系统数据区间的映射关系；首先固定高炉煤气系统数据的一个区间γ，然后依次计算其与转炉煤气系统数据累积频数的差距；

d_α,β＝|s_Bα-s_Lβ|,β＝1,2,…,p

(8)

当其差距d_α,β为最小值时，得到新的转炉煤气系统数据区间终止编号λ_α＝β；那么，高炉煤气系统数据区间α将与转炉煤气系统数据区间(λ_α-1，λ_α]相对应，其中λ₀＝0；

步骤4.4获取转炉煤气系统数据区间(λ_α-1，λ_α]的左右边界RL_ml和RL_mr，高炉煤气系统数据区间i的左右边界RB_ml和RB_mr，则转炉煤气系统数据区间到高炉煤气系统数据区间的线性映射公式如下：

步骤4.5根据映射关系f_α(x)，将转炉煤气系统隶属度函数迁移到高炉煤气系统，得到新的隶属度函数：

a′＝fa(a)，b′＝fb(b)，c′＝fc(c) (11)

其中，fa()，fb()，fc()分别是转炉煤气系统数据a，b，c所处的数据区间对应的映射关系；

步骤5：基于步骤2确定的模型输入变量和输出变量，对原转炉煤气系统调度模型的规则进行重构，在规则前件中将需要合并的输入变量进行合并；若待重构的规则如公式(12)所示，需要合并的变量为x₁和x₂，重构后的规则如公式(13)所示，其中合并后的变量x′的隶属度函数通过公式(3-5)进行重构，l_pqk通过公式(14)进行确定；

if x₁ is l_pi and x₂ is l_qj and …,then … (12)

if x′ is l_pqnew and …,then … (13)

规则重构后，新的转炉煤气系统调度模型与高炉煤气系统具有相同的结构和数据分布特征，直接进行调度知识的迁移，得到高炉煤气系统的调度模型；

步骤6：将高炉煤气系统的实际调度数据输入到调度模型中，根据调度方案的偏差率对迁移的调度知识进行微调和优化；通过迁移转炉煤气系统得到的知识对于高炉煤气系统存在不完整和不准确的情况，采用误差阈值进一步提升模型的鲁棒性和准确性；

步骤6.1对于输出方案y，若存在某个输出变量与实际方案的偏差大于阈值h，则表明迁移得到的知识不完备，不能覆盖样本所有情况，则为调度模型添加新的方案；

步骤6.2若输出方案y的所有输出变量与实际方案的偏差均小于阈值h，则通过粒子群算法优化各个输出的隶属度函数参数；其中，a_oj,b_oj,c_oj为输出变量y_j的所有隶属度函数参数，是其中第i个隶属度函数的参数，高炉系统实际调整方案为y_i′，模型输出调整方案为y_i，利用重心法centroid解模糊化，则粒子群算法的优化目标为最小化模型输出误差，如公式(19)所示，相应的约束条件如公式(20)所示：

如图1(a)和图1(b)所示，高炉和转炉煤气系统均由煤气发生源、消耗用户、电厂锅炉、煤气柜和煤气输送管网等单元组成，两个管网具有极为相似的结构特征。本发明对煤气系统的结构进行深入的分析，基于其结构的相似性对调度知识进行迁移学习。

图2给出的是本文系统所建立的本体模型，本发明通过本体模型寻找不同能源系统的共同结构特征，进而确定调度模型的输入和输出变量。

图3为本发明的核心技术环节，该调度建模方法首先对系统结构知识进行分析，建立其本体模型，进而通过相似度评价和聚类分析方法得到不同煤气系统的共同结构特征，确定其调度模型的输入和输出变量；在此基础上，通过隶属度函数的重构、隶属度函数迁移、规则重构和迁移、以及基于调度数据的规则微调和优化完成调度知识的迁移过程，并最终得到新的调度模型。该模型建立方法可以推广到其他能源系统中。

图4中4(a)是采用本发明的调度模型得到的电厂BFG使用流量的调度建议与人工调度建议的对比。图4(b)是采用本发明的调度模型得到的放散流量与人工调度的结果对比，可以看出，采用本发明的方法得到的调度方案放散量很少，减少了煤气的浪费。

图5是采用本发明的调度建议和人工调度建议后高炉煤气柜位的变化趋势，可以看出本发明能够将调度知识进行充分的迁移，很好的指导调度决策，将煤气柜位控制在安全的范围内。

Claims (1)

1.一种基于知识迁移的高炉煤气调度系统建模方法，其特征在于，步骤如下：

步骤1：根据煤气调度系统的实际管网结构，建立其对应的本体模型；在本体模型中，令其节点分别表示不同的设备实体，并且通过节点之间的连线表达不同设备实体之间的能量供需平衡关系，包括能源的生成、使用、存储和转化；

步骤2：对步骤1建立的本体模型进行特征提取，找到两高炉煤气系统的相同结构特征，并依据该相同结构确定调度模型的输入变量和输出变量；

步骤2.1为了确定梁高炉煤气系统实体间的相似度，首先建立相似度矩阵S，其中每个元素s(eq_a,eq_b)表示第一高炉煤气系统eq_a节点和第二高炉煤气系统eq_b节点的相似度，如公式(1)所示：

其中，|I(eq_a)|和|I(eq_b)|分别表示本体模型中指向eq_a第一高炉煤气系统节点和eq_b第二高炉煤气系统节点的节点个数，η∈[0.6,0.8]是阻尼系数；

步骤2.2按照能源介质的产消关系，将第一高炉煤气系统和第二高炉煤气系统的所有发生量实体分别放入集合R_LDGin和R_BFGin中，并确定两个集合中实体的对应关系；

步骤2.2.1首先确定两个集合中的相同实体，每个相同的实体即构成一组对应关系；

步骤2.2.2对于集合中的不同实体，根据相似度s的大小将其与各自集合中最相似的相同实体合并；若没有相同实体，则分别将R_LDGin和R_BFGin中的所有实体合并，并形成一组对应关系；

步骤2.3对于消耗量实体进行与发生量实体同样的处理，最终得到第一高炉煤气系统和第二高炉煤气系统所有实体的对应关系，从而确定其相同的结构特征，将这个相同的结构作为模型的输入/输出变量；

步骤3：从数据库中读取第一高炉煤气系统和第二高炉煤气系统的能源相关数据，基于步骤2确定的模型输入变量和输出变量，将第二高炉煤气系统调度模型的隶属度函数进行重构，对需要融合的节点进行变换；

步骤3.1采用三角形隶属度函数，节点的第i个隶属度函数如下：

其中a_i，c_i确定“脚”，b_i确定“峰”；

步骤3.2对于两个相互独立的节点，分别以p和q表示，则隶属度函数分别为l_pi(x,a_i,b_i,c_i)和l_qj(x,a_j,b_j,c_j)，其中i∈{1,2,…,m}，j∈{1,2,…,n}，m和n分别为两个节点的隶属度函数个数，且有m≥n；采用公式(3-5)对两个节点的隶属度函数进行重构：

当j＝1时，

当j＝m时

当1<j<m时

步骤3.3对于存在关联性的节点，先对其采集数据进行合并，然后根据人工经验和数据分布直接确定其隶属度函数的参数；

步骤4：根据数据的分布特征学习第一高炉煤气系统和第二高炉煤气系统的映射关系，并将第二高炉煤气系统的隶属度函数迁移到第一高炉煤气系统调度模型中；采用直方图规定化方法，将第二高炉煤气系统数据分布映射到第一高炉煤气系统，使两系统具有相近的分布特征，具体实现如下：

步骤4.1对于第μ个变量，从数据库中分别读取其第二高炉煤气系统的数据和第一高炉煤气系统的数据将其组合成为新的数据集然后将D离散化为p个区间，并对第二高炉煤气系统和第一高炉煤气系统数据分别统计每个区间下的频数v，组成频数向量V_L＝[v_L1,v_L2,…,v_Lp]和V_B＝[v_B1,v_B2,…,v_Bp]，其中，v_Lp为第二高炉煤气系统数据在第p个区间下的频数，v_Bp为第一高炉煤气系统数据在第p个区间下的频数，即数据的个数；

步骤4.2根据频数向量V_L和V_B计算累积频数向量S_L＝[s_L1,s_L2,…,s_Lp]和S_B＝[s_B1,s_B2,…,s_Bp]，

步骤4.3确定第一高炉煤气系统和第二高炉煤气系统数据区间的映射关系；首先固定第一高炉煤气系统数据的一个区间γ，然后依次计算其与第二高炉煤气系统数据累积频数的差距；

d_α,β＝|s_Bα-s_Lβ|,β＝1,2,…,p

(8)

当其差距d_α,β为最小值时，得到新的第二高炉煤气系统数据区间终止编号λ_α＝β；那么，第一高炉煤气系统数据区间α将与第二高炉煤气系统数据区间(λ_α-1，λ_α]相对应，其中λ₀＝0；

步骤4.4获取第二高炉煤气系统数据区间(λ_α-1，λ_α]的左右边界RL_ml和RL_mr，第一高炉煤气系统数据区间i的左右边界RB_ml和RB_mr，则第二高炉煤气系统数据区间到第一高炉煤气系统数据区间的线性映射公式如下：

步骤4.5根据映射关系f_α(x)，将第二高炉煤气系统隶属度函数迁移到第一高炉煤气系统，得到新的隶属度函数：

a′＝fa(a)，b′＝fb(b)，c′＝fc(c) (11)

其中，fa()，fb()，fc()分别是第二高炉煤气系统数据a，b，c所处的数据区间对应的映射关系；

步骤5：基于步骤2确定的模型输入变量和输出变量，对原第二高炉煤气系统调度模型的规则进行重构，在规则前件中将需要合并的输入变量进行合并；若待重构的规则如公式(12)所示，需要合并的变量为x₁和x₂，重构后的规则如公式(13)所示，其中合并后的变量x′的隶属度函数通过公式(3‐5)进行重构，l_pqk通过公式(14)进行确定；

if x₁ is l_pi and x₂ is l_qj and …,then … (12)

if x′ is l_pqnew and …,then … (13)

规则重构后，新的第二高炉煤气系统调度模型与第一高炉煤气系统具有相同的结构和数据分布特征，直接进行调度知识的迁移，得到高炉煤气系统的调度模型；

步骤6：将高炉煤气系统的实际调度数据输入到调度模型中，根据调度方案的偏差率对迁移的调度知识进行微调和优化；通过迁移转炉煤气系统得到的知识对于高炉煤气系统存在不完整和不准确的情况，采用误差阈值进一步提升模型的鲁棒性和准确性；

步骤6.1对于输出方案y，若存在某个输出变量与实际方案的偏差大于阈值h，则表明迁移得到的知识不完备，不能覆盖样本所有情况，则为调度模型添加新的方案；

步骤6.2若输出方案y的所有输出变量与实际方案的偏差均小于阈值h，则通过粒子群算法优化各个输出的隶属度函数参数；其中，a_oj,b_oj,c_oj为输出变量y_j的所有隶属度函数参数，是其中第i个隶属度函数的参数，高炉煤气系统实际调整方案为y′_i，模型输出调整方案为y_i，利用重心法centroid解模糊化，则粒子群算法的优化目标为最小化模型输出误差，如公式(19)所示，相应的约束条件如公式(20)所示：