CN110968063A - 基于人工智能的煤气系统优化调度方法 - Google Patents
基于人工智能的煤气系统优化调度方法 Download PDFInfo
- Publication number
- CN110968063A CN110968063A CN201911299212.3A CN201911299212A CN110968063A CN 110968063 A CN110968063 A CN 110968063A CN 201911299212 A CN201911299212 A CN 201911299212A CN 110968063 A CN110968063 A CN 110968063A
- Authority
- CN
- China
- Prior art keywords
- gas
- user
- formula
- boiler
- 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
- 238000000034 method Methods 0.000 title claims abstract description 158
- 239000003034 coal gas Substances 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 79
- 238000009826 distribution Methods 0.000 claims abstract description 32
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 30
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 28
- 239000010959 steel Substances 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 20
- 229910052742 iron Inorganic materials 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 10
- 230000002195 synergetic effect Effects 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims description 57
- 238000005457 optimization Methods 0.000 claims description 28
- 239000000446 fuel Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000009792 diffusion process Methods 0.000 claims description 20
- 239000007853 buffer solution Substances 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 239000000047 product Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 239000000872 buffer Substances 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 239000000571 coke Substances 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005245 sintering Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000012937 correction Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于人工智能的煤气系统优化调度方法,解决现有钢铁企业能源管理中心获知特殊工况的能力严重滞后,且特殊工况调控的过程也普遍滞后的问题。该煤气系统优化调度方法以钢铁企业物质流与能量流协同关系作为第一层,保证模型基础信息的稳定供应;以煤气供需趋势预测和优化调度为第二层,保证系统决策的科学性;以系统自学习功能作为模型第三层,对突发事件进行推算总结形成改进策略,升级数据库模型。所构件的煤气系统数据库能够动态预测煤气发生量、消耗量和富余量变化趋势;使煤气剧烈波动得到有效控制,提高燃气锅炉效率,实现煤气的合理分布,确保效益最大化。
Description
技术领域
本发明属于冶金自动化技术领域,具体涉及一种能够使煤气剧烈波动得到有效控制,提高燃气锅炉效率,实现煤气的合理分布,确保效益最大化的基于人工智能的煤气系统优化调度方法。
背景技术
钢铁企业煤气除供给各主工序以外,剩余部分(富余煤气)用来发电。煤气系统各类特殊工况均会导致煤气量骤然升高或降低,严重影响其它工序的煤气安全、稳定供应,并且会在短时间内引起较明显的环境问题。然而,现有钢铁企业能源管理中心获知特殊工况的能力严重滞后,且特殊工况调控的过程也普遍滞后。由于煤气系统上游事故未能及时反馈给能源管理中心,进而导致锅炉被动接收剧烈波动的富余煤气,加之各台锅炉间缺乏合理的协同运行手段,故导致钢厂自发电系统的燃耗高,煤气的自发电量低。煤气系统的历史数据以静态形式存于钢企资源计划系统(ERP)、制造执行系统(MES)和能源管理系统(EMS)之中,用于生成报表和查询,相互之间没有关联;导致大量数据不能起到煤气供需趋势的预测和后续规划使用的预判。
煤气系统设备众多,管网结构复杂,煤气信息采集、传送和显示存在诸多问题,且能源管理中心不具备动态处理煤气数据的功能,无法实现煤气供需的动态预测、以及科学指导预案的在线生成。同时,能源管理系统可在线控制的操作较少,多数耗气设备煤气量的调节还需要电话通知和人工操作,无法进行在线控制,导致煤气系统各区域之间不能实现协同运行,使煤气调度指令滞后、甚至失效。故有必要对现有的煤气系统调度方法进行改进。
发明内容
本发明就是针对上述问题,提供一种能够使煤气剧烈波动得到有效控制,提高燃气锅炉效率,实现煤气的合理分布,确保效益最大化的基于人工智能的煤气系统优化调度方法。
本发明所采用的技术方案是:该基于人工智能的煤气系统优化调度方法包括如下步骤:
步骤一、建立预判层,以钢铁企业物质流与能量流的协同关系作为第一层,保证模型基础信息的稳定供应,指导对煤气系统状态的预知和预判;
步骤二、采用加权移动平均法完成对高炉煤气产生过程、焦炉煤气产生过程、烧结煤气消耗过程等的煤气预测过程;采用启发式方法与指数平滑法相结合的新开发预测方法完成对转炉煤气产生过程、高炉热风炉煤气消耗过程、轧钢加热炉煤气消耗等的煤气预测过程;
步骤三、建立调度层,采用混合整数线性规划法、神经网络法和启发式方法,建立优化调度模型,进而指导煤气资源的优化分配,实行动态分析和科学决策;当发生事故状态时,事故设备通过启发式方法指导煤气分配过程,其余设备采用数学规划方法进行调度;当无事故状态时,采用混合整数线性规划方法优化调度煤气资源;
步骤四、采用神经网络法对煤气系统所有设备群的生产状况变化过程予以跟踪分析,及时反馈;并对煤气其它消耗节点进行动态分析,为煤气资源的优化调度过程,提供及时反馈和保证;
步骤五、建立自学习层,采用回归算法和启发式方法,对突发事件进行推算总结,形成改进策略,指导数据库模型升级;当煤气系统出现新情况,而历史数据库中并无对应于该种情况的设备及煤气变化数据时,便启动模型自学习功能,通过启发式方法对应的规则,完善基于回归算法所建立的煤气系统数学模型,确定该种新工况对应的数学模型中各类相关参数,并保存至数据库;完成模型群自学习及数据库的模型升级过程;
步骤六、建立双维度模型群,即智能算法模型群—优化算法维度,启发式算法模型群—专家系统维度;两者既可相互融合,提高模型调度的科学性;又可实现彼此独立运行,保证整个智能模型优化指导方案的安全、稳定、动态、在线生成。
所述步骤三,调度层模型的目标函数包括煤气放散引起的经济损失,固定用户煤气供应量偏离正常值引起的经济损失,煤气柜偏离正常柜位所导致的运行费用,锅炉煤气供应偏离合理值所引起的经济损失,以及煤气输配系统的运行费用,如式(1)所示:
式中,λf为0-1参数变量,当所研究工程科学问题涉及到目标函数中的f项时,λf取值为1,否则为0;目标函数中Cf各项如式(2)~式(8)所示;
其中,和为煤气消耗系统依据物质流与煤气流的协同变化关系的各时段煤气需求量预测值,将该预测结果引入煤气系统优化调度数学模型目标函数,指导煤气资源优化分配;C1为煤气放散项,表示由于煤气放散引起的经济损失;C2为单一煤气用户项,该类用户称为第一类煤气用户,C3为多种煤气用户项,该类用户称为第二类煤气用户,C2和C3表示第一类煤气用户和第二类煤气用户运行经济损失;C4为煤气柜的运行费用项,表示煤气柜在生产运行过程中偏离正常柜位区间时所导致的运行费用;C5为锅炉运行项,表示发电系统锅炉运行过程中燃料供应偏离额定燃料负荷时导致的经济损失;C6表示煤气管网运行项,C7表示加压站运行项,C6和C7表示煤气输配系统的运行费用;
式(7)中LG,j表示用户j的G类煤气供应管路长度,可理解为从G类煤气产生进入管网系统开始,到用户j的管路总长度,或者G类煤气运输到j用户的管路总长度;式(8)中为0-1变量,当由加压站i供应用户j所需的煤气量时,否则,
所述步骤三,目标函数中各项权重的物理意义:
其中,PJ表示产品的单价,ηs表示第一类煤气用户的运行效率,该曲线可以通过设备实际运行过程所采集样本数据进行拟合得到;
其中,ηm表示第二类煤气用户的运行效率,可以通过设备实际运行过程所采集的样本数据拟合得到;
发电系统锅炉运行权重计算为:
其中,DJ表示电价,目前各钢铁企业多采用电网峰谷平电价来指导生产过程;ψ为发电系统锅炉群之间煤气再分配的权重分配系数,平稳运行的锅炉群ψ=1,承担主要缓冲作用的锅炉群ψ<1,实现缓冲系统内部富余煤气调度的再次优化过程;ηb为锅炉的运行效率,该值将随着锅炉的燃料负荷变化而变化。
所述步骤一,预判层读取企业生产计划,根据生产的连续性,处于正常生产状态下的设备群煤气产耗量预测采用权值分析函数法进行计算;计算过程如下:
其中,为工序i设备j煤气产生(消耗)量;Pij为产品产量,通过生产计划得到;为工序i设备j的煤气单产(单耗);和为单产(单耗)计算权值,式中s={1,2}分别表示煤气产生和消耗;令并将该值代入式(12)和式(13),得到正常生产状态下的煤气产耗量预测值。
所述步骤三,各时刻煤气流运行守恒约束条件如式(15)~式(17)所示:
式(15)表示t时刻煤气产生量与各类用户煤气消耗量、锅炉群的富余煤气消纳量、煤气放散量之差,等于t-1时刻到t时刻的煤气柜储存煤气的增量;同时该式也说明经各用户使用后富余的煤气量需通过缓冲系统予以消纳,如果超出锅炉和煤气柜的缓冲能力,则会引起煤气放散;
式(16)则表示管网系统输送的煤气量应满足煤气用户对于煤气资源的需求,即流向煤气用户节点的煤气流量与从该节点处流出的煤气流量之差,即为该煤气用户的煤气消耗量,式中j∈NSMB表示煤气系统中各类煤气用户节点;
式(17)中j∈Npipe表示非煤气用户的管路系统节点,该式表示流向管网系统的管路节点煤气流量等于从该节点流出的煤气流量,即管路节点只负责输送煤气,而不产生或消耗煤气资源。
所述步骤三,煤气消耗系统可分为两类煤气用户,分别为第一类煤气用户和第二类煤气用户:
第一类煤气用户指生产过程中仅使用一种煤气的用户;该类用户只能使用一种煤气资源,如果煤气不足便无法找到可替代的燃料作为补充;煤气优化调度和使用过程需首先考虑确保这类用户煤气使用的稳定供应:
式(18)表示用户对煤气供应量的要求,限制煤气供应的上限和下限;式(19)表示煤气实际供给量偏离煤气需求量标准值的限制;式(20)和(21)是描述煤气供应量偏离程度的辅助约束条件;
而第二类煤气用户指需要消耗多种煤气资源的生产设备;该类用户对煤气的热值及煤气供热量均有要求;混合煤气用户可使用多种煤气,若某一类煤气供应不足,只要满足用户生产条件、混合煤气的热值及供热量的要求,便可在一定程度上使用另一种相关的煤气进行替代和补充;这就提高了煤气调度的灵活性,同时也增加了煤气系统优化调控过程的复杂程度;
需要在诸多约束条件下对所设定的目标函数进行全局优化计算进行求解,获得更有优势、更能取得优化效果的分配方式:
式(22)表示煤气热值需稳定在一定范围内,无论热值过低或过高都会对设备运行产生不利影响;式(23)表示用户对煤气供热量的上下限约束条件;式(24)、式(25)和式(26)为该类用户的煤气实际供应量偏离合理值的约束条件及辅助约束条件。
所述步骤三,钢铁企业煤气缓冲系统包括各类型煤气柜和自备电厂锅炉群:
煤气柜的运行约束包括:
式(27)与(28)为煤气柜存储煤气量约束,式(29)和(30)为煤气柜的柜位偏离气柜高位和低位约束,式(31)为煤气柜吞吐速率的约束;每一种类型的煤气柜都有对应的安全运行范围,煤气柜内储存的煤气量需控制在规定的运行范围内,从而稳定煤气柜操作,并降低煤气柜的运行费用;
煤气缓冲系统锅炉群运行约束条件包括:
式(32)为锅炉燃料的热值约束;式(33)为锅炉供应燃料热负荷约束;式(34)~式(36)为锅炉燃料供应量偏离燃料需求合理值的约束条件及辅助约束。
所述步骤三,煤气输配系统运行约束包括低压管网约束、中压管网约束和加压站约束:
①低压管网约束:
②中压管网约束:
③加压站约束:
式(41)表示由加压站i供给各耗气用户的煤气总量不能超过该加压站的最大能力式中,Ncs表示煤气输配系统中加压站集合,表示t时刻由加压站i供给煤气用户j的煤气量;式(41)表示,管理和调度煤气流不能无限度的对煤气资源进行互换或者随意改变用户的煤气需求量,需要充分考虑提供煤气输送动力的加压站这一输送过程的重要节点。
本发明的有益效果:基于人工智能理论构建数据库,动态分析煤气信息,以钢铁企业物质流与能量流协同关系作为第一层,保证模型基础信息的稳定供应;以煤气供需趋势预测和优化调度为第二层,保证系统决策的科学性;以系统自学习功能作为模型第三层,对突发事件进行推算总结形成改进策略,升级数据库模型。所构建的煤气系统数据库能够动态预测煤气发生量、消耗量和富余量变化趋势;通过科学决策指导能量流与物质流的协同运行、煤气系统与外部环境的协同运行、缓冲系统煤气柜与锅炉的协同运行;通过对煤气的滤波、整流等缓冲调控,使煤气剧烈波动得到有效控制,提高燃气锅炉效率。同时,随着本煤气系统优化调度方法的运行时间越长,则系统的稳定性越好。通过煤气信息—物理融合系统(CPS)优化策略,将钢厂煤气系统与城市电网峰谷平电价相关联,实现富余煤气使用价值的最大化。
附图说明
图1是本发明的“三层次、双维度”模型的总设计框图。
图2是本发明的“三层次”对应数学方法及模型。
图3是本发明的启发式方法的自学习过程。
具体实施方式
详细说明本发明的具体步骤。该基于人工智能的煤气系统优化调度方法包括:
步骤一、建立预判层,以钢铁企业物质流与能量流的协同关系作为第一层,保证模型基础信息的稳定供应,指导对煤气系统状态的感知(预知和预判)。
预判层读取企业生产计划,根据生产的连续性,处于正常生产状态下的设备群煤气产耗量预测采用权值分析函数法进行计算;计算过程如下:
其中,为工序i设备j煤气产生(消耗)量;Pij为产品产量,通过生产计划得到;为工序i设备j的煤气单产(单耗);和为单产(单耗)计算权值,式中s={1,2}分别表示煤气产生和消耗;令并将该值代入式(12)和式(13),得到正常生产状态下的煤气产耗量预测值。
步骤二、采用加权移动平均法完成对高炉煤气产生过程、焦炉煤气产生过程、烧结煤气消耗过程等的煤气预测过程;采用启发式方法与指数平滑法相结合的新开发预测方法完成对转炉煤气产生过程、高炉热风炉煤气消耗过程、轧钢加热炉煤气消耗等的煤气预测过程。
步骤三、建立调度层,采用混合整数线性规划法、神经网络法和启发式方法,建立优化调度模型,进而指导煤气资源的优化分配,实行动态分析和科学决策;因为不涉及平台,所以不包含精准执行。当发生事故状态时,事故设备通过启发式方法指导煤气分配过程,其余设备采用数学规划方法进行调度;当无事故状态时,采用混合整数线性规划方法优化调度煤气资源。
调度层模型的目标函数包括煤气放散引起的经济损失,固定用户煤气供应量偏离正常值引起的经济损失,煤气柜偏离正常柜位所导致的运行费用,锅炉煤气供应偏离合理值所引起的经济损失,以及煤气输配系统的运行费用,如式(1)所示:
式中,λf为0-1参数变量,当所研究工程科学问题涉及到目标函数中的f项时,λf取值为1,否则为0;目标函数中Cf各项如式(2)~式(8)所示;
其中,和为煤气消耗系统依据物质流与煤气流的协同变化关系的各时段煤气需求量预测值,将该预测结果引入煤气系统优化调度数学模型目标函数,指导煤气资源优化分配。C1为煤气放散项,表示由于煤气放散引起的经济损失;C2为单一煤气用户项,该类用户称为第一类煤气用户,C3为多种煤气用户项,该类用户称为第二类煤气用户,C2和C3表示第一类煤气用户和第二类煤气用户运行经济损失;C4为煤气柜的运行费用项,表示煤气柜在生产运行过程中偏离正常柜位区间时所导致的运行费用;C5为锅炉运行项,表示发电系统锅炉运行过程中燃料供应偏离额定燃料负荷时导致的经济损失;C6表示煤气管网运行项,C7表示加压站运行项,C6和C7表示煤气输配系统的运行费用。
如C2和C3表达式所示,煤气消耗系统作为钢铁厂核心部分,需要按照其物质流变化供给相应煤气量;如果所提供的煤气实际供给量偏离各用户所需求的煤气量合理值,则直接影响设备运行效率,引起企业经济损失;因此,在目标函数中设置了相应惩罚以保证各类用户稳定的煤气供应。
式(7)中LG,j表示用户j的G类煤气供应管路长度,可理解为从G类煤气产生进入管网系统开始,到用户j的管路总长度,或者G类煤气运输到j用户的管路总长度;式(8)中为0-1变量,当由加压站i供应用户j所需的煤气量时,否则,
调度层模型的目标函数中各项权重的物理意义:
其中,PJ表示产品的单价,ηs表示第一类煤气用户的运行效率,该曲线可以通过设备实际运行过程所采集样本数据进行拟合得到;
其中,ηm表示第二类煤气用户的运行效率,可以通过设备实际运行过程所采集的样本数据拟合得到。本模型中涉及的煤气用户运行效率曲线要使用设备实际运行过程的数据拟合曲线。
发电系统锅炉运行权重计算为:
其中,DJ表示电价,目前各钢铁企业多采用电网峰谷平电价来指导生产过程;ψ为发电系统锅炉群之间煤气再分配的权重分配系数,平稳运行的锅炉群ψ=1,承担主要缓冲作用的锅炉群ψ<1,实现缓冲系统内部富余煤气调度的再次优化过程;ηb为锅炉的运行效率,该值将随着锅炉的燃料负荷变化而变化。
步骤四、采用神经网络法对煤气系统所有设备群的生产状况变化过程予以跟踪分析,及时反馈;并对煤气其它消耗节点进行动态分析,为煤气资源的优化调度过程,提供及时反馈和保证。
步骤五、建立自学习层,将对企业煤气系统每道工序的各台煤气产耗设备(上百台设备、数百个煤气产耗节点)建立煤气量变化与设备、产品产量等信息之间的关系。采用回归算法和启发式方法,对突发事件进行推算总结,形成改进策略,指导数据库模型升级;当煤气系统出现新情况,而历史数据库中并无对应于该种情况的设备及煤气变化数据时,便启动模型自学习功能,通过启发式方法对应的规则,完善基于回归算法所建立的煤气系统数学模型,确定该种新工况对应的数学模型中各类相关参数,并保存至数据库;完成模型群自学习及数据库的模型升级过程。
步骤六、建立双维度模型群,即智能算法模型群—优化算法维度,启发式算法模型群—专家系统维度;两者既可相互融合,提高模型调度的科学性;又可实现彼此独立运行,保证整个智能模型优化指导方案的安全、稳定、动态、在线生成。“三层次、双维度”模型,在企业完整的煤气系统运行过程中,双维度模型群可相互作用,共同完成由煤气“预测—调度—自学习”构成的三层次运算过程,生成煤气系统指导方案。
调度层创建的数学模型根据各企业有自身特点和生产实际全面分析,包括煤气消耗系统、煤气缓冲系统、煤气输配系统和煤气放散系统。
一、煤气系统运行过程煤气流守恒约束。
各时刻煤气流运行守恒约束条件如式(15)~式(17)所示:
式(15)表示t时刻煤气产生量与各类用户煤气消耗量、锅炉群的富余煤气消纳量、煤气放散量之差,等于t-1时刻到t时刻的煤气柜储存煤气的增量;同时该式也说明经各用户使用后富余的煤气量需通过缓冲系统予以消纳,如果超出锅炉和煤气柜的缓冲能力,则会引起煤气放散。
式(16)则表示管网系统输送的煤气量应满足煤气用户对于煤气资源的需求,即流向煤气用户节点的煤气流量与从该节点处流出的煤气流量之差,即为该煤气用户的煤气消耗量,式中j∈NSMB表示煤气系统中各类煤气用户节点。
式(17)中j∈Npipe表示非煤气用户的管路系统节点,该式表示流向管网系统的管路节点煤气流量等于从该节点流出的煤气流量,即管路节点只负责输送煤气,而不产生或消耗煤气资源。
二、煤气消耗系统运行约束
煤气消耗系统可分为两类煤气用户,分别为第一类煤气用户和第二类煤气用户:
第一类煤气用户指生产过程中仅使用一种煤气的用户;该类用户只能使用一种煤气资源,如果煤气不足便无法找到可替代的燃料作为补充;煤气优化调度和使用过程需首先考虑确保这类用户煤气使用的稳定供应:
式(18)表示用户对煤气供应量的要求,限制煤气供应的上限和下限;式(19)表示煤气实际供给量偏离煤气需求量标准值的限制;式(20)和(21)是描述煤气供应量偏离程度的辅助约束条件。
而第二类煤气用户指需要消耗多种煤气资源的生产设备;该类用户对煤气的热值及煤气供热量均有要求;混合煤气用户可使用多种煤气,若某一类煤气供应不足,只要满足用户生产条件、混合煤气的热值及供热量的要求,便可在一定程度上使用另一种相关的煤气进行替代和补充;这就提高了煤气调度的灵活性,同时也增加了煤气系统优化调控过程的复杂程度。
需要在诸多约束条件下对所设定的目标函数进行全局优化计算进行求解,获得更有优势、更能取得优化效果的分配方式:
式(22)表示煤气热值需稳定在一定范围内,无论热值过低或过高都会对设备运行产生不利影响;式(23)表示用户对煤气供热量的上下限约束条件;式(24)、式(25)和式(26)为该类用户的煤气实际供应量偏离合理值的约束条件及辅助约束条件。
三、煤气缓冲系统运行约束
钢铁企业煤气缓冲系统包括各类型煤气柜和自备电厂锅炉群:
1、煤气柜的运行约束包括:
式(27)与(28)为煤气柜存储煤气量约束,式(29)和(30)为煤气柜的柜位偏离气柜高位和低位约束,式(31)为煤气柜吞吐速率的约束;每一种类型的煤气柜都有对应的安全运行范围,煤气柜内储存的煤气量需控制在规定的运行范围内,从而稳定煤气柜操作,并降低煤气柜的运行费用。
2、煤气缓冲系统锅炉群运行约束条件包括:
式(32)为锅炉燃料的热值约束;式(33)为锅炉供应燃料热负荷约束;式(34)~式(36)为锅炉燃料供应量偏离燃料需求合理值的约束条件及辅助约束。
锅炉群属于缓冲系统,用来消纳富余的煤气。锅炉煤气的消纳量,依据煤气富余量的多与少而定。相对于固定用户的煤气利用方式,煤气缓冲系统锅炉群煤气供应相对被动。
式(20)、式(21)、式(25)、式(26)、式(35)和式(36)作为附加约束条件,在求解本数学模型过程中起到辅助运算的作用。
四、煤气输配系统运行约束
煤气输配系统运行约束包括低压管网约束、中压管网约束和加压站约束:
1、低压管网约束:
2、中压管网约束:
本发明所建模型属于一般性通用模型,进行具体计算时,各参数需要通过企业的调研核算得到。
3、加压站约束:
式(41)表示由加压站i供给各耗气用户的煤气总量不能超过该加压站的最大能力式中,Ncs表示煤气输配系统中加压站集合,表示t时刻由加压站i供给煤气用户j的煤气量;式(41)表示,管理和调度煤气流不能无限度的对煤气资源进行互换或者随意改变用户的煤气需求量,需要充分考虑提供煤气输送动力的加压站这一输送过程的重要节点。
煤气系统运行相关的其他约束主要是指变量的非负性约束,具体如下:
调度层的目的是为煤气系统各用户提供充足的燃料供应,使设备间的生产节奏相互配合,稳定不规律的煤气产耗量波动,使富余煤气在缓冲系统得到高效利用,从而降低或彻底消除煤气放散现象。
由于非正常生产设备群的研究过程建立在启发式方法基础上,因此,设计了启发式方法的自学习功能解决该问题,模型自学习功能和启发式方法应用过程如图3所示。
钢铁企业煤气系统设备众多,且运行工况多样,启发式规则的建立过程需要逐步完善且不断更新。
以高炉休风过程为例,数据库中高炉休风时间长度为Ta,(a=1,2,…,A),设备型号为Eu,(u=1,2,…,U),其中Ta和Eu表示数据库中休风时间和设备型号的检索参数,Δt为样本时间间隔,各时刻煤气产量为V(Ta,Eu,nΔt)修正值,其中n表示样本点数(n=1,2,…)。在应用启发式方法对煤气产耗量进行预测的过程中,自学习功能可以检查并记录新投产的设备类型及新出现的生产工况所对应的煤气产耗量,采用启发式方法将其记录并保存至数据库。
结合图3所示,启发式方法的自学习过程为:
首先读取生产计划,确定计划休风事件对应设备型号E和休风时间T作为检索参数,调用数据库参数检索工具,判断数据库中是否有与之相匹配的休风计划。如果存在该休风计划,令t时刻煤气产耗量预测值等于数据库中相应修正值,该“修正值”包括生产数据和关联式等类型。如果遍查数据库检索参数,均没有与之匹配的休风计划存在,则令数据库检索参数增加一个序列,同时将休风时间、设备型号及对应的各时刻煤气量的实际值作为新增煤气修正值保存至数据库。
自学习层使所建模型群随着钢铁生产流程的继续,不断得到改进和自我完善。
双维度即智能算法模型群—优化算法维度,启发式算法模型群—专家系统维度。智能算法模型群,通过预知预判模型,感知煤气系统各工序设备群的煤气供需变化情况。并以此为基础,通过优化调度模型群,计算得出煤气系统科学的优化分配方案(当前条件下的最优方案)。但是,该维度模型群运行过程需要满足煤气系统设备群运行过程的约束条件,当煤气系统任何设备超出约束条件时,则该维度模型便不能输出符合企业实际需求的调度方案。
启发式算法模型群,则依据启发式方法,建立基于全部非正常生产工况(包括事故状态下)的煤气调度规则数据库,通过开发煤气专家系统调度模型,可在煤气系统任何状态下,生成满足系统安全、稳定、可行的生产优化调度方案。
双维度模型组合可以保证煤气系统在任何生产状态下,均可生成科学的指导方案。通过本发明的实施,钢铁企业煤气系统可以得到有效的在线调度,当特殊工况发生时,钢铁企业也可以较好地通过发明实现煤气的合理分布,实现煤气效益的最大化。
Claims (8)
1.一种基于人工智能的煤气系统优化调度方法,其特征在于:包括如下步骤:
步骤一、建立预判层,以钢铁企业物质流与能量流的协同关系作为第一层,保证模型基础信息的稳定供应,指导对煤气系统状态的预知和预判;
步骤二、采用加权移动平均法完成对高炉煤气产生过程、焦炉煤气产生过程、烧结煤气消耗过程等的煤气预测过程;采用启发式方法与指数平滑法相结合的新开发预测方法完成对转炉煤气产生过程、高炉热风炉煤气消耗过程、轧钢加热炉煤气消耗等的煤气预测过程;
步骤三、建立调度层,采用混合整数线性规划法、神经网络法和启发式方法,建立优化调度模型,进而指导煤气资源的优化分配,实行动态分析和科学决策;当发生事故状态时,事故设备通过启发式方法指导煤气分配过程,其余设备采用数学规划方法进行调度;当无事故状态时,采用混合整数线性规划方法优化调度煤气资源;
步骤四、采用神经网络法对煤气系统所有设备群的生产状况变化过程予以跟踪分析,及时反馈;并对煤气其它消耗节点进行动态分析,为煤气资源的优化调度过程,提供及时反馈和保证;
步骤五、建立自学习层,采用回归算法和启发式方法,对突发事件进行推算总结,形成改进策略,指导数据库模型升级;当煤气系统出现新情况,而历史数据库中并无对应于该种情况的设备及煤气变化数据时,便启动模型自学习功能,通过启发式方法对应的规则,完善基于回归算法所建立的煤气系统数学模型,确定该种新工况对应的数学模型中各类相关参数,并保存至数据库;完成模型群自学习及数据库的模型升级过程;
步骤六、建立双维度模型群,即智能算法模型群—优化算法维度,启发式算法模型群—专家系统维度;两者既可相互融合,提高模型调度的科学性;又可实现彼此独立运行,保证整个智能模型优化指导方案的安全、稳定、动态、在线生成。
2.根据权利要求1所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,调度层模型的目标函数包括煤气放散引起的经济损失,固定用户煤气供应量偏离正常值引起的经济损失,煤气柜偏离正常柜位所导致的运行费用,锅炉煤气供应偏离合理值所引起的经济损失,以及煤气输配系统的运行费用,如式(1)所示:
式中,λf为0-1参数变量,当所研究工程科学问题涉及到目标函数中的f项时,λf取值为1,否则为0;目标函数中Cf各项如式(2)~式(8)所示;
其中,和为煤气消耗系统依据物质流与煤气流的协同变化关系的各时段煤气需求量预测值,将该预测结果引入煤气系统优化调度数学模型目标函数,指导煤气资源优化分配;C1为煤气放散项,表示由于煤气放散引起的经济损失;C2为单一煤气用户项,该类用户称为第一类煤气用户,C3为多种煤气用户项,该类用户称为第二类煤气用户,C2和C3表示第一类煤气用户和第二类煤气用户运行经济损失;C4为煤气柜的运行费用项,表示煤气柜在生产运行过程中偏离正常柜位区间时所导致的运行费用;C5为锅炉运行项,表示发电系统锅炉运行过程中燃料供应偏离额定燃料负荷时导致的经济损失;C6表示煤气管网运行项,C7表示加压站运行项,C6和C7表示煤气输配系统的运行费用;
3.根据权利要求2所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,目标函数中各项权重的物理意义:
Ws G=HVG·ηs·PJ (9)
其中,PJ表示产品的单价,ηs表示第一类煤气用户的运行效率,该曲线可以通过设备实际运行过程所采集样本数据进行拟合得到;
其中,ηm表示第二类煤气用户的运行效率,可以通过设备实际运行过程所采集的样本数据拟合得到;
发电系统锅炉运行权重计算为:
其中,DJ表示电价,目前各钢铁企业多采用电网峰谷平电价来指导生产过程;ψ为发电系统锅炉群之间煤气再分配的权重分配系数,平稳运行的锅炉群ψ=1,承担主要缓冲作用的锅炉群ψ<1,实现缓冲系统内部富余煤气调度的再次优化过程;ηb为锅炉的运行效率,该值将随着锅炉的燃料负荷变化而变化。
5.根据权利要求1所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,各时刻煤气流运行守恒约束条件如式(15)~式(17)所示:
式(15)表示t时刻煤气产生量与各类用户煤气消耗量、锅炉群的富余煤气消纳量、煤气放散量之差,等于t-1时刻到t时刻的煤气柜储存煤气的增量;同时该式也说明经各用户使用后富余的煤气量需通过缓冲系统予以消纳,如果超出锅炉和煤气柜的缓冲能力,则会引起煤气放散;
式(16)则表示管网系统输送的煤气量应满足煤气用户对于煤气资源的需求,即流向煤气用户节点的煤气流量与从该节点处流出的煤气流量之差,即为该煤气用户的煤气消耗量,式中j∈NSMB表示煤气系统中各类煤气用户节点;
式(17)中j∈Npipe表示非煤气用户的管路系统节点,该式表示流向管网系统的管路节点煤气流量等于从该节点流出的煤气流量,即管路节点只负责输送煤气,而不产生或消耗煤气资源。
6.根据权利要求1所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,煤气消耗系统可分为两类煤气用户,分别为第一类煤气用户和第二类煤气用户:
第一类煤气用户指生产过程中仅使用一种煤气的用户;该类用户只能使用一种煤气资源,如果煤气不足便无法找到可替代的燃料作为补充;煤气优化调度和使用过程需首先考虑确保这类用户煤气使用的稳定供应:
式(18)表示用户对煤气供应量的要求,限制煤气供应的上限和下限;式(19)表示煤气实际供给量偏离煤气需求量标准值的限制;式(20)和(21)是描述煤气供应量偏离程度的辅助约束条件;
而第二类煤气用户指需要消耗多种煤气资源的生产设备;该类用户对煤气的热值及煤气供热量均有要求;混合煤气用户可使用多种煤气,若某一类煤气供应不足,只要满足用户生产条件、混合煤气的热值及供热量的要求,便可在一定程度上使用另一种相关的煤气进行替代和补充;这就提高了煤气调度的灵活性,同时也增加了煤气系统优化调控过程的复杂程度;
需要在诸多约束条件下对所设定的目标函数进行全局优化计算进行求解,获得更有优势、更能取得优化效果的分配方式:
式(22)表示煤气热值需稳定在一定范围内,无论热值过低或过高都会对设备运行产生不利影响;式(23)表示用户对煤气供热量的上下限约束条件;式(24)、式(25)和式(26)为该类用户的煤气实际供应量偏离合理值的约束条件及辅助约束条件。
7.根据权利要求1所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,钢铁企业煤气缓冲系统包括各类型煤气柜和自备电厂锅炉群:
煤气柜的运行约束包括:
式(27)与(28)为煤气柜存储煤气量约束,式(29)和(30)为煤气柜的柜位偏离气柜高位和低位约束,式(31)为煤气柜吞吐速率的约束;每一种类型的煤气柜都有对应的安全运行范围,煤气柜内储存的煤气量需控制在规定的运行范围内,从而稳定煤气柜操作,并降低煤气柜的运行费用;
煤气缓冲系统锅炉群运行约束条件包括:
式(32)为锅炉燃料的热值约束;式(33)为锅炉供应燃料热负荷约束;式(34)~式(36)为锅炉燃料供应量偏离燃料需求合理值的约束条件及辅助约束。
8.根据权利要求1所述的基于人工智能的煤气系统优化调度方法,其特征在于:所述步骤三,煤气输配系统运行约束包括低压管网约束、中压管网约束和加压站约束:
①低压管网约束:
②中压管网约束:
③加压站约束:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299212.3A CN110968063B (zh) | 2019-12-17 | 2019-12-17 | 基于人工智能的煤气系统优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299212.3A CN110968063B (zh) | 2019-12-17 | 2019-12-17 | 基于人工智能的煤气系统优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110968063A true CN110968063A (zh) | 2020-04-07 |
CN110968063B CN110968063B (zh) | 2021-05-14 |
Family
ID=70034536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299212.3A Active CN110968063B (zh) | 2019-12-17 | 2019-12-17 | 基于人工智能的煤气系统优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968063B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068516A (zh) * | 2020-09-03 | 2020-12-11 | 南京罕华流体技术有限公司 | 基于精准控制技术的燃气锅炉协同运行方法 |
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 |
CN113129164A (zh) * | 2021-04-13 | 2021-07-16 | 中海石油气电集团有限责任公司 | 一种天然气管网天然气流量压力调度决策指标的计算方法 |
CN114381569A (zh) * | 2022-01-18 | 2022-04-22 | 南京罕华流体技术有限公司 | 一种转炉系统煤气回收优化综合评价方法 |
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 |
CN117970895A (zh) * | 2024-03-29 | 2024-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种基于㶲分析的钢铁生产过程能效诊断及优化方法和系统 |
CN117970895B (zh) * | 2024-03-29 | 2024-07-02 | 国网浙江省电力有限公司营销服务中心 | 一种基于㶲分析的钢铁生产过程能效诊断及优化方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187967A (zh) * | 2007-12-07 | 2008-05-28 | 冶金自动化研究设计院 | 钢铁企业煤气动态仿真系统 |
CN101763105A (zh) * | 2010-01-07 | 2010-06-30 | 冶金自动化研究设计院 | 一种自适应可选约束的钢铁企业燃气优化调度系统及方法 |
US20120316914A1 (en) * | 2011-06-09 | 2012-12-13 | International Business Machines Corporation | Scheduling of energy consuming activities for buildings |
CN102915006A (zh) * | 2012-09-12 | 2013-02-06 | 北京志能祥赢节能环保科技有限公司 | 一种冶金企业副产煤气离线分析在线调度方法 |
US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
CN104102212A (zh) * | 2014-07-29 | 2014-10-15 | 浙江中控软件技术有限公司 | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 |
WO2018152051A1 (en) * | 2017-02-15 | 2018-08-23 | General Electric Company | System and method for generating a schedule to extract a resource from a reservoir |
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 |
CN109598045A (zh) * | 2018-11-23 | 2019-04-09 | 冶金自动化研究设计院 | 钢铁企业基于能源仿真的多能源介质综合优化调配系统 |
CN110400009A (zh) * | 2019-07-09 | 2019-11-01 | 浙江大学 | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 |
-
2019
- 2019-12-17 CN CN201911299212.3A patent/CN110968063B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187967A (zh) * | 2007-12-07 | 2008-05-28 | 冶金自动化研究设计院 | 钢铁企业煤气动态仿真系统 |
CN101763105A (zh) * | 2010-01-07 | 2010-06-30 | 冶金自动化研究设计院 | 一种自适应可选约束的钢铁企业燃气优化调度系统及方法 |
US20120316914A1 (en) * | 2011-06-09 | 2012-12-13 | International Business Machines Corporation | Scheduling of energy consuming activities for buildings |
CN102915006A (zh) * | 2012-09-12 | 2013-02-06 | 北京志能祥赢节能环保科技有限公司 | 一种冶金企业副产煤气离线分析在线调度方法 |
US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
CN104102212A (zh) * | 2014-07-29 | 2014-10-15 | 浙江中控软件技术有限公司 | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 |
WO2018152051A1 (en) * | 2017-02-15 | 2018-08-23 | General Electric Company | System and method for generating a schedule to extract a resource from a reservoir |
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 |
CN109598045A (zh) * | 2018-11-23 | 2019-04-09 | 冶金自动化研究设计院 | 钢铁企业基于能源仿真的多能源介质综合优化调配系统 |
CN110400009A (zh) * | 2019-07-09 | 2019-11-01 | 浙江大学 | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 |
Non-Patent Citations (4)
Title |
---|
JING HUI YANG ET AL.: "Optimization and Scheduling of Byproduct Gas System in Steel Plant", 《JOURNAL OF IRON AND STEEL RESEARCH,INTERNATIONAL》 * |
JINGHUI YANG ET AL.: "Optimal allocation of surplus gas and suitable capacity for buffer users in steel plant", 《APPLIED THERMAL ENGINEERING》 * |
李奇等: "城市煤气输配系统调压站的优化设计", 《东南大学学报》 * |
杨靖辉等: "煤气系统供需预测及剩余煤气优化分配", 《东北大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112068516A (zh) * | 2020-09-03 | 2020-12-11 | 南京罕华流体技术有限公司 | 基于精准控制技术的燃气锅炉协同运行方法 |
CN112068516B (zh) * | 2020-09-03 | 2022-03-08 | 南京罕华流体技术有限公司 | 基于精准控制技术的燃气锅炉协同运行方法 |
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 |
CN113129164A (zh) * | 2021-04-13 | 2021-07-16 | 中海石油气电集团有限责任公司 | 一种天然气管网天然气流量压力调度决策指标的计算方法 |
CN113129164B (zh) * | 2021-04-13 | 2024-02-02 | 中海石油气电集团有限责任公司 | 一种天然气管网天然气流量压力调度决策指标的计算方法 |
CN114381569A (zh) * | 2022-01-18 | 2022-04-22 | 南京罕华流体技术有限公司 | 一种转炉系统煤气回收优化综合评价方法 |
CN114381569B (zh) * | 2022-01-18 | 2023-01-17 | 南京罕华流体技术有限公司 | 一种转炉系统煤气回收优化综合评价方法 |
CN117970895A (zh) * | 2024-03-29 | 2024-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种基于㶲分析的钢铁生产过程能效诊断及优化方法和系统 |
CN117970895B (zh) * | 2024-03-29 | 2024-07-02 | 国网浙江省电力有限公司营销服务中心 | 一种基于㶲分析的钢铁生产过程能效诊断及优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110968063B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968063B (zh) | 基于人工智能的煤气系统优化调度方法 | |
CN107169599B (zh) | 一种基于钢铁企业能源系统的多目标优化调度方法 | |
CN106773704B (zh) | 多系统联合优化调度方法及装置 | |
Parisio et al. | A robust optimization approach to energy hub management | |
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN101206754B (zh) | 基于多种约束规则的火电厂厂级负荷优化分配方法 | |
CN102915006B (zh) | 一种冶金企业副产煤气离线分析在线调度方法 | |
Zhou et al. | Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times | |
CN106991539B (zh) | 一种能源系统优化调度方法及装置 | |
Fan et al. | A Bi-level optimization model of integrated energy system considering wind power uncertainty | |
CN100414171C (zh) | 基于电网节能和减少so2排放的发电机组集中控制方法 | |
CN111950808B (zh) | 基于综合需求响应的综合能源系统随机鲁棒优化运行方法 | |
CN103595061A (zh) | 基于综合效益分析的企业电网无功优化方法及系统 | |
CN106774214B (zh) | 一种基于设备工况组合的能源调度系统 | |
CN103439926A (zh) | 一种钢铁企业煤气优化调度装置 | |
CN101593975B (zh) | 一种节能发电调度方法 | |
CN109214709A (zh) | 一种钢铁企业制氧系统优化分配的方法 | |
CN115688448A (zh) | 一种考虑共享储能的多区域综合能源系统优化调度方法 | |
Trefny et al. | Economic fuel dispatch | |
Tang et al. | Multi-objective optimal dispatch for integrated energy systems based on a device value tag | |
Ju et al. | Near-zero carbon stochastic dispatch optimization model for power-to-gas-based virtual power plant considering information gap status theory | |
CN106547254A (zh) | 一种钢铁联合企业煤气的平衡、调度方法及系统 | |
CN107977736A (zh) | 基于热值平衡的燃料气系统的优化方法及系统 | |
CN116433046A (zh) | 一种考虑多主体博弈的多能配电系统网储协同规划方法 | |
CN109598045A (zh) | 钢铁企业基于能源仿真的多能源介质综合优化调配系统 |
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 |