基于人工智能的煤气系统优化调度方法技术方案

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。

Optimization scheduling method of gas system based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的煤气系统优化调度方法
本专利技术属于冶金自动化
，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。
技术介绍
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。
技术实现思路
本专利技术就是针对上述问题，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。本专利技术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：为煤气放散权重，由钢铁企业煤气单价及单位体积煤气放散引起的环境成本构成；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本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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；/n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；/n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。/n...

【技术特征摘要】
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；
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，


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：

为煤气放散权重，由钢铁企业煤气单价及单位体积煤气放散引起的环境成本构成；
WsG＝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。


4.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；...

【专利技术属性】
技术研发人员：杨靖辉，孟立辉，高玉娟，
申请(专利权)人：南京罕华流体技术有限公司，
类型：发明
国别省市：江苏;32