一種基於鋼鐵企業能源系統的多目標優化調度方法與流程

2023-07-22 20:59:31 2

本發明屬於鋼鐵企業能源動態平衡與優化調度領域，尤其涉及一種基於鋼鐵企業能源系統的多目標優化調度方法。

背景技術：

鋼鐵工業是國民經濟的基礎性支柱產業，是典型的流程型產業，同時又是資源、能源密集型產業。具有以下特點：一方面，鋼鐵企業生產流程長，工序、設備繁多，各工序間相互銜接，且每種工序、設備都與多種能源介質關聯；另一方面，鋼鐵企業需要用到的能源種類超過20種，其中最主要的能源介質為煤氣、蒸汽和電力，這些能源介質不僅各自存在產耗、儲存、緩衝和輸配等多種形態，而且相互之間有著複雜的轉換、替代等關聯關係，這都使得整個鋼鐵企業能源系統網絡結構緊密、錯綜複雜。能源利用是決定鋼鐵工業生產成本和利潤的重要因素，也是影響環境負荷的主要原因。因此，對鋼鐵企業能源系統的研究具有理論和現實兩方面的重要意義。

鋼鐵企業煤氣-蒸汽-電力系統實施優化調度，是要在滿足能源產耗需求和安全生產的大前提下，優化能源的分配和消耗結構，充分利用二次能源，減少副產煤氣放散，減少汙染物的排放，提高蒸汽動力系統的產能效率，降低系統的經濟運行成本和對生態環境的影響，實現鋼鐵企業煤氣-蒸汽-電力系統經濟效益和環境保護的統籌兼顧。

鋼鐵企業煤氣-蒸汽-電力網絡結構緊密、錯綜複雜和生產工況多變，針對該系統優化調度的問題而言，其中存在著大量的線性和非線性、等式和不等式約束條件，如鍋爐效率與負荷關係，汽輪機的抽汽與發電關係，三種能源介質動態平衡約束，單元設備的工藝約束等。對這種複雜的強約束和多目標優化問題，可能導致求解過程不收斂，無法輸出最優的調度方案。

技術實現要素：

針對現有存在的技術問題，本發明提供一種基於鋼鐵企業能源系統的多目標優化調度方法，上述方法保證計算過程收斂，獲得最優調度方案。

本發明提供一種基於鋼鐵企業能源系統的多目標優化調度方法，包括：

s1、獲取鋼鐵企業能源系統的網絡拓撲結構、可調度的關鍵設備信息、調度參數及鋼鐵企業能源系統在過去調度周期內的能源產耗歷史數據，確定能源系統在未來調度周期內的生產工況；所述鋼鐵企業能源系統包括：煤氣系統、蒸汽系統和電力系統；

s2、根據所述能源產耗歷史數據構造適用於bp神經網絡的訓練數據集，根據確定未來調度周期內生產工況對應的能源產耗數據構造預測數據集；

s3、將訓練數據集代入bp神經網絡，獲得訓練的bp神經網絡；以及將預測數據集代入訓練的bp神經網絡進行處理，獲得煤氣系統、蒸汽系統、電力系統分別在未來調度周期內的第一預測數據；

s4、根據第一預測數據中煤氣系統、蒸汽系統、電力系統的供需預測數據，預先建立的可調度關鍵設備模型及約束條件，建立用於實現經濟運行成本最小的單目標優化模型；

s5、根據鋼鐵企業能源系統中預先建立的汙染物排放模型和鋼鐵企業能源系統所屬區域的汙染物排放限制條件，建立環境成本優化模型；

s6、將所述單目標優化模型、環境成本優化模型，可調度關鍵設備模型、汙染物排放模型及約束條件組成多目標優化調度模型，並採用線性規劃的方法求解所述多目標優化調度模型，獲得實現煤氣系統、蒸汽系統、電力系統能源調度方案的至少一組最優解。

可選地，所述方法還包括：

若最優解為多個，則根據所述鋼鐵企業能源系統所屬區域的政策，選擇一個適合政策的最優解傳送能源調度應用伺服器進行後續處理。

可選地，所述步驟s1包括：

通過能源調度應用伺服器從綜合數據集成平臺伺服器中獲取過去調度周期內的能源產耗歷史數據。

可選地，所述步驟s2包括：

分別對所述能源產耗歷史數據、未來調度周期內生產工況對應的能源產耗數據進行歸一化處理；

對歸一化處理後的能源產耗歷史數據、能源產耗數據分別進行向量空間重構，重構出與能源產耗歷史數據對應的訓練數據集，未來調度周期內生產工況對應的能源產耗數據對應的預測數據集。

可選地，採用公式一對能源產耗歷史數據進行歸一化處理；

公式一：

其中，x表示歸一化處理前的能源產耗歷史數據，x*表示歸一化處理後的能源產耗歷史數據，min表示歸一化處理前的能源產耗歷史數據中的最小值，max表示歸一化處理後的能源產耗歷史數據中的最大值；

重構出訓練數據集的構造過程為：

可選地，s3中的將預測數據集代入訓練的bp神經網絡進行處理，獲得第一預測數據，包括：

將預測數據集代入訓練的bp神經網絡進行處理，獲得輸出數據；

對輸出數據進行反歸一化，得到煤氣系統、蒸汽系統、電力系統分別在未來調度周期內的第一預測數據。

煤氣系統、蒸汽系統、電力系統分別在未來調度周期內確定工況下的第一預測數據，包括：

煤氣系統中剛性用戶、調節用戶、緩衝用戶以及產氣用戶在未來調度周期內的煤氣需求量和煤氣供應量，

蒸汽系統在未來調度周期內的三種蒸汽產氣源的供應量及蒸汽需求量，

電力系統在未來調度周期內的電力產量和電力需求量。

可選地，單目標優化模型為：

其中，t為一個調度周期內所包含的時段數目，k表示燃料的種類數，ck表示第k種燃料的價格，b表示可調度的鍋爐數量，fbi,k,t表示鍋爐bi在時間段t內的第k種燃料的消耗量，cbi表示鍋爐bi的單位生產蒸汽的成本，表示鍋爐bi在時間段t內蒸汽產量，cti表示汽輪機ti的單位產電的成本，pti,t表示汽輪機ti在時間段t內電力產量，cbp,t表示在時間段t內的電力外購量，pbp,t表示在時間段t內的電力外購價格，csp表示在時間段t內的電力外售量，ps,t表示在時間段t內的電力外售價格，cgd,k表示第k種煤氣的放散懲罰價格，fgd,k,t表示在時間段t內第k種煤氣的放散量；

和分別表示汽輪機ti在時間段t內的主進汽量、抽汽量和凝汽量；

環境成本目標函數為：

其中，g表示汙染物的排放種類，ebi,k,g,t表示燃料鍋爐在單位時間t內的汙染物g的排放量，cg表示汙染物g的排放成本。

可選地，預先建立的可調度關鍵設備模型、汙染物排放模型及約束條件包括：

鍋爐模型、汽輪機模型、煤氣櫃模型、放散塔模型、混合加壓站模型、減溫減壓閥模型、汙染物排放模型、煤氣消耗約束、蒸汽和電力平衡約束。

可選地，s6中的採用線性規劃的方法求解所述多目標優化調度模型，獲得實現煤氣系統、蒸汽系統、電力系統能源調度方案的至少一組最優解的步驟，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)為各個優化目標，s為可行域，r2，r3，…p為各目標函數範圍，s2，s3，…sp是每個約束的剩餘變量，e2，e3，…ep啟發式隨機搜索方法中特定迭代的參數。

本發明的基於鋼鐵企業能源系統的多目標優化調度方法，可以保證求解多目標優化調度模型的計算過程收斂，可獲得多組對應經濟運行成本和環境成本的統籌兼顧的最優解，以及對應每一組最優解下的煤氣、蒸汽、電力系統的能源調度方案，為調度人員提供多組不同的目標值搭配方案和每一組最優解下的煤氣-蒸汽-電力系統的能源調度策略，方便調度人員在多個目標之間的進行權衡，實現經濟成本和環境保護的統籌兼顧，同時可以合理地安排未來鋼鐵企業煤氣-蒸汽-電力系統的各機組的煤氣分配計劃、產汽計劃、發電計劃以及外購送電方案，有效解決了鋼鐵企業煤氣-蒸汽-電力集成網絡的多目標優化調度問題。

附圖說明

圖1為本發明一實施例提供的鋼鐵企業能源系統的多目標優化調度方法的流程框；

圖2為當前鋼鐵企業中煤氣-蒸汽-電力各系統的框架圖；

圖3為本發明的鋼鐵企業能源系統中各能源介質供需預測模型的流程圖；

圖4為本發明的多目標運行優化模型流程圖；

圖5為本發明一實施例的augmecon2(改進增廣ε-約束)方法流程圖。

具體實施方式

為了更好的解釋本發明，以便於理解，下面結合附圖，通過具體實施方式，對本發明作詳細描述。

圖1為本發明一實施例提供的基於鋼鐵企業能源系統的多目標優化調度方法的流程示意圖，本實施例方法的執行主體可為獨立的處理設備，如計算機等設備，多目標優化調度包括下述步驟：

s1、獲取鋼鐵企業能源系統的網絡拓撲結構、可調度的關鍵設備信息、調度參數及能源產耗歷史數據，確定能源系統在未來調度周期內的生產工況；所述鋼鐵企業能源系統包括：煤氣系統、蒸汽系統和電力系統；

應說明的是，鋼鐵企業能源系統的網絡拓撲結構可為預先依據能源調度中心的各個能源結構，以及操作手冊等建立的，且可調度的關鍵設備信息也是預先根據各個子系統中的操作手冊確定的，調度參數為用戶預先確定的。

能源產耗歷史數據可為通過能源調度應用伺服器從綜合數據集成平臺伺服器中獲取過去調度周期內的能源產耗歷史數據。

參照圖2所示，可調度的關鍵設備信息包括有鍋爐、汽輪機、煤氣櫃、放散塔、混合加壓站、減溫減壓閥等。

參照圖2所示，煤氣系統中的用戶包括剛性用戶、調節用戶和緩衝用戶，是根據其在滿足鋼鐵企業生產中的重要性及對混合煤氣的熱值要求預先確定的。

舉例來說，本實施例的鋼鐵企業能源系統可包括：煤氣系統、蒸汽系統和電力系統；能源產耗歷史數據可包括煤氣系統在過去調度周期內每一生產工況下的產耗數據，蒸汽系統在過去調度周期內每一生產工況下的產耗數據，以及電力系統在過去調度周期內每一生產工況下的產耗數據。

舉例來說，本實施例中可以通過能源調度應用伺服器從綜合數據集成平臺伺服器中獲取過去調度周期內的能源產耗歷史數據。例如，向能源調度應用伺服器發送數據獲取請求，以便能源調度應用伺服器根據數據獲取請求從綜合數據集成平臺伺服器中獲取對應的數據，並將獲取的數據發送當前的計算機中進行後續處理。

s2、根據所述能源產耗歷史數據構造適用於bp神經網絡的訓練數據集，根據確定未來調度周期內生產工況對應的能源產耗數據構造預測數據集。

舉例來說，分別對所述能源產耗歷史數據、所述未來調度周期內生產工況對應的能源產耗數據進行歸一化處理；

例如，歸一化公式可為：歸一化後的數據均在0-1之間。

其中，x表示歸一化處理前的能源產耗歷史數據，x*表示歸一化處理後的能源產耗歷史數據，min表示歸一化處理前的能源產耗歷史數據中的最小值，max表示歸一化處理後的能源產耗歷史數據中的最大值；

另外，對歸一化處理後的能源產耗歷史數據、以及歸一化處理後的未來調度周期內生產工況對應的能源產耗數據分別進行向量空間重構，重構出與能源產耗歷史數據對應的訓練數據集，與未來調度周期內生產工況對應的能源產耗數據對應的預測數據集。

例如，重構出訓練數據集的構造過程可為：

s3、將訓練數據集代入bp神經網絡，獲得訓練的bp神經網絡；以及將預測數據集代入訓練的bp神經網絡進行處理，獲得煤氣系統、蒸汽系統、電力系統分別在未來調度周期內的第一預測數據。

應說明的是，第一預測數據可包括：煤氣系統中剛性用戶、調節用戶、緩衝用戶及產氣用戶在未來調度周期內的煤氣需求量和煤氣供應量，蒸汽系統在未來調度周期內的三種蒸汽產氣源的供應量及蒸汽需求量，電力系統在未來調度周期內的電力產量和電力需求量等。

舉例來說，在實際應用中，可將預測數據集代入訓練的bp神經網絡進行處理，獲得輸出數據；對輸出數據進行反歸一化，得到第一預測數據。

s4、根據第一預測數據中煤氣系統、蒸汽系統、電力系統的供需預測數據，以及預先建立的可調度關鍵設備模型及約束條件，建立用於實現經濟運行成本最小的單目標優化模型。

在本實施例中，單目標優化模型的目標函數可為：

其中，t為一個調度周期內所包含的時段數目，k表示燃料的種類數，ck表示第k種燃料的價格，b表示可調度的鍋爐數量，fbi,k,t表示鍋爐bi在時間段t內的第k種燃料的消耗量，cbi表示鍋爐bi的單位生產蒸汽的成本，表示鍋爐bi在時間段t內蒸汽產量，cti表示汽輪機ti的單位產電的成本，pti,t表示汽輪機ti在時間段t內電力產量，cbp,t表示在時間段t內的電力外購量，pbp,t表示在時間段t內的電力外購價格，csp表示在時間段t內的電力外售量，ps,t表示在時間段t內的電力外售價格，cgd,k表示第k種煤氣的放散懲罰價格，fgd,k,t表示在時間段t內第k種煤氣的放散量；

和分別表示汽輪機ti在時間段t內的主進汽量、抽汽量和凝汽量。

s5、根據鋼鐵企業能源系統中預先建立的汙染物排放模型和鋼鐵企業能源系統所屬區域的汙染物排放限制條件，建立環境成本優化模型。

在本實施例中，環境成本優化模型的目標函數可為：

其中，g表示汙染物的排放種類，ebi,k,g,t表示燃料鍋爐在單位時間t內的汙染物g的排放量，cg表示汙染物g的排放成本。

s6、將所述單目標優化模型、環境成本優化模型，可調度關鍵設備模型、汙染物排放模型及約束條件組成多目標優化調度模型，並採用線性規劃的方法求解所述多目標優化調度模型，獲得實現煤氣系統、蒸汽系統、電力系統能源調度方案的至少一組最優解。

本實施例中預先建立的約束條件包括下述可調度關鍵設備模型、汙染物排放模型及約束條件的一種或多種：

鍋爐模型、汽輪機模型、煤氣櫃模型、放散塔模型、混合加壓站模型、減溫減壓閥模型、汙染物排放模型、煤氣消耗約束、蒸汽和電力平衡約束等。

本實施例的方法，可以保證求解多目標優化調度模型的計算過程收斂，可獲得多組對應經濟運行成本和環境成本的統籌兼顧的最優解，以及對應每一組最優解下的煤氣、蒸汽、電力系統的能源調度方案，為調度人員提供多組不同的目標值搭配方案和每一組最優解下的煤氣-蒸汽-電力系統的能源調度策略，方便調度人員在多個目標之間的進行權衡，實現經濟成本和環境保護的統籌兼顧，同時可以合理地安排未來鋼鐵企業煤氣-蒸汽-電力系統的各機組的煤氣分配計劃、產汽計劃、發電計劃以及外購送電方案，有效解決了鋼鐵企業煤氣-蒸汽-電力集成網絡的多目標優化調度問題。

為更好的理解本發明實施例，以下結合公式進行詳細說明。

結合圖2至圖5所示，本實施例的基於鋼鐵企業煤氣-蒸汽-電力集成網絡的多目標優化調度方法包括以下步驟：

步驟a01、獲取鋼鐵企業能源系統的網絡拓撲結構、可調度的關鍵設備信息、調度參數及能源產耗歷史數據，確定能源系統在未來調度周期內的生產工況；所述鋼鐵企業能源系統包括：煤氣系統、蒸汽系統和電力系統；

舉例來說，通過能源調度應用伺服器從綜合數據集成平臺伺服器獲取過去調度周期內的生產工況下能源系統的能源產耗歷史數據。

舉例來說，獲取在過去調度周期內能源系統的產耗歷史數據；具體地，獲取煤氣系統中剛性用戶、調節用戶、緩衝用戶及產氣用戶在過去調度周期內的煤氣需求量和煤氣供應量；獲取在過去調度周期內用來滿足生產需求的三種蒸汽產汽源和每種蒸汽的需求量；獲取在過去調度周期內主要的產電源和滿足生產的電力需求量，如圖2所示。

步驟a02、根據所述能源產耗歷史數據構造適用於bp神經網絡的訓練數據集，根據確定未來調度周期內生產工況對應的能源產耗數據構造預測數據集。

在具體實現過程中，首先，可預先確定調度周期內的生產工況(如生產計劃和檢修計劃)，以及對煤氣、蒸汽和電力三種能源介質未來調度周期內生產工況對應的能源產耗數據；

其次，依據能源產耗歷史數據，通過歸一化和向量空間重構構造訓練數據集，以及依據未來調度周期內生產工況對應的能源產耗數據通過歸一化和向量空間重構構造預測數據集。

步驟a03、將訓練數據集代入bp神經網絡訓練，得到訓練好的bp神經網絡；將預測數據集代入訓練好的bp神經網絡預測，並對輸出數據進行反歸一化得到未來調度周期內的第一預測數據。

舉例來說，第一預測數據可包括：煤氣產生裝置的煤氣發生量和各生產用戶的煤氣(該生產用戶可包括：煤氣剛性用戶、煤氣調節用戶和煤氣緩衝用戶)、蒸汽、電力消耗量；如圖3所示。

本實施例中，第一步，對能源產耗歷史數據進行歸一化處理，使數據線性映射到0-1之間，其轉換函數表示為：

上述公式中，x表示原始能源產耗歷史數據，x*表示歸一化處理後的能源產耗歷史數據，min表示該歸一化之前的能源產耗歷史數據中的最小值，max表示該歸一化之前的能源產耗歷史數據中的最大值。

第二步，對歸一化處理後的能源產耗歷史數據進行向量空間重構，將線性排列的數據構造為神經網絡所需要的輸入輸出數據，也即訓練數據集，構造過程可表示為：

第三步，將訓練數據集代入bp神經網絡訓練，根據bp神經網絡訓練過程中的反饋信號不斷調整各節點(bp神經網絡的節點)的權值和閾值，最終使輸出數據誤差平方和最小。

第四步，對未來調度周期內生產工況對應的能源產耗數據進行歸一化處理，以及進行向量空間重構，得到預測數據集；

第五步，將預測數據集代入訓練好的bp神經網絡中，得到輸出數據，對輸出數據進行反歸一化得到第一預測數據，即未來調度周期內煤氣產生裝置的煤氣發生量和各生產用戶的煤氣、蒸汽、電力消耗量；反歸一化轉換函數為：

y＝y*×(max-min)+min

式中，y表示未來調度周期內煤氣、蒸汽、電力的產耗預測數據，y*表示bp神經網絡的輸出數據，min表示上述能源產耗歷史數據中的最小值，max表示上述能源產耗歷史數據中的最大值，其中min和max與歸一化轉化函數中使用的min、max的值相等。

步驟a04、根據第一預測數據中煤氣系統、蒸汽系統、電力系統的預測數據，以及優選建立的可調度關鍵設備模型及約束條件，建立用於實現經濟運行成本最小的單目標優化模型。

舉例來說，第一步041，根據鍋爐和汽輪機的測試數據和在線生產數據，分別建立其耗量特性曲線方程；根據煤氣-蒸汽-電力系統公輔設備和熱力設備的能耗情況，確立其輸入/輸出變量集，結合工藝模型和約束條件，建立與所述煤氣公輔設備和所述熱力設備對應的單元數學模型。

該步驟中的鍋爐和汽輪機、煤氣-蒸汽-電力系統公輔設備和熱力設備均屬於可調度的關鍵設備信息。

第二步042，根據每臺鍋爐的測試數據和在線生產數據，即鍋爐的燃氣消耗量和鍋爐負荷實際數據為基礎，通過簡單的熱力學計算得到鍋爐的熱效率和鍋爐負荷之間的對應生產數據，在實際生產中，所述鍋爐模型為二次函數就可以完全滿足生產需求，採用非線性形式，可設鍋爐的負荷特性模型為：

上述公式中，表示鍋爐穩定運行的實際負荷，ηbi,t表示鍋爐負荷為的熱效率，c1，c2，c3為模型待辨識參數；

第三步043，通過每臺鍋爐處理過歷史生產數據和鍋爐的負荷特性模型，進行公式擬合可以得到每臺鍋爐的負荷特性方程；

應說明的是，建立鍋爐的數學模型時，採用擬合的鍋爐的負荷特性方程代替固定不變的鍋爐熱效率，使鍋爐模型更加貼近於鍋爐的實際生產過程；

第四步044，根據每臺汽輪機的測試數據和在線生產數據，利用多元線性回歸原理建立汽輪機的耗量特性方程，可表示為：

其中和分別表示汽輪機ti在時間段t內的主進汽量、抽汽量和凝汽量。

第五步045，綜合考慮在未來調度周期內的燃料價格、分時電價、

蒸汽需求、電力需求以及煤氣設備的緩衝能力，建立單目標優化模型，目標函數為經濟運行成本最小，表示為：

其中，t為一個調度周期內所包含的時段數目，k表示燃料的種類數，ck表示第k種燃料的價格，b表示可調度的鍋爐數量，fbi,k,t表示鍋爐bi在時間段t內的第k種燃料的消耗量，cbi表示鍋爐bi的單位生產蒸汽的成本，表示鍋爐bi在時間段t內蒸汽產量，cti表示汽輪機ti的單位產電的成本，pti,t表示汽輪機ti在時間段t內電力產量，cbp,t表示在時間段t內的電力外購量，pbp,t表示在時間段t內的電力外購價格，csp表示在時間段t內的電力外售量，ps,t表示在時間段t內的電力外售價格，cgd,k表示第k種煤氣的放散懲罰價格，fgd,k,t表示在時間段t內第k種煤氣的放散量。

步驟a05、建立燃料鍋爐等相關設備的汙染物排放模型以及獲取當地各類汙染物的排放成本，建立環境成本優化模型，得到環境成本目標函數為：

式中，g表示汙染物的排放種類，ebi,k,g,t表示燃料鍋爐在單位時間t內的汙染物g的排放量，cg表示汙染物g的排放成本；

上述步驟a04和a05中的優化模型包括：鍋爐模型、汽輪機模型、煤氣櫃模型、放散塔模型、混合加壓站模型、減溫減壓閥模型、汙染物排放模型、煤氣消耗約束、蒸汽和電力平衡約束；

1)鍋爐模型：

公式(1)表示鍋爐的物料平衡約束，其中表示鍋爐的給水量，表示鍋爐的汙水排放量，表示鍋爐的蒸汽產量；

公式(2)表示鍋爐的能量平衡，其中ηbi,t表示鍋爐bi在時間段t內的平均效率，表示鍋爐bi的給水焓值，表示鍋爐bi產蒸汽的焓值，表示鍋爐bi汙水排放焓值；

公式(3)表示鍋爐的蒸汽產量與汙水排放量之間的關係，其中表示鍋爐bi的汙水排放係數；

公式(4)表示鍋爐的效率與蒸發量之間的關係，式中，表示鍋爐穩定運行的實際負荷，ηbi,t表示鍋爐負荷為的熱效率，c1，c2，c3為模型待辨識參數；

公式(5)表示鍋爐設備的產汽能力，其中和分別表示鍋爐bi產汽的上下限；

公式(6)表示鍋爐負荷變化約束，其中zbi表示鍋爐bi在相鄰時間段內的負荷變化上限。

2)汽輪機模型：

公式(7)表示汽輪機的物料平衡，其中和分別表示汽輪機ti在時間段t內的主進汽量、抽汽量和凝汽量；

公式(8)表示汽輪機的耗量特性方程；

公式(9)表示汽輪機的主進汽量上下限約束；

公式(10)表示汽輪機的抽汽量上下限約束；

pti,min≤pti,t≤pti,max(11)

公式(11)表示汽輪機的產電能力約束，其中pti,min表示汽輪機滿足抽汽的最小的發電負荷，pti,mmax表示汽輪機最大的發電負荷；

-zti≤pti,t+1-pti,t≤zti(12)

公式(12)表示汽輪機的爬坡能力上下限約束。

3)煤氣櫃模型：

公式(13)表示煤氣櫃的櫃位變化，其中和分別表示煤氣櫃i在時間段t內的初始櫃位，表示煤氣櫃i在時間段t內煤氣吞吐量；

公式(14)表示煤氣櫃i庫存上下限約束。

4)放散塔模型：

fgd,k,t≤dtk,t,max(15)

公式(15)表示煤氣放散塔能力約束，其中dtk,t,max表示第k種煤氣放散塔在時間段t內的最大放散能力。

5)混合加壓站模型：

li+j,t＝li,t+lj,t(17)

公式(16)和(17)表示混合加壓站的物料守恆和能量守恆，其中qi+j表示煤氣i和j混合熱值，qi表示煤氣i的熱值，li,t表示煤氣i在時間段t內進入混合站的管道流量，qj表示煤氣j的熱值，lj,t表示煤氣j在時間段t內進入混合站的管道流量，li+j,t表示煤氣i和j在時間段t內混合流量。

6)減溫減壓閥模型：

公式(18)表示減溫減壓閥的進出口流量約束，其中表示進汽流量，表示降壓後出口蒸汽流量，表示減溫水比焓，表示減溫減壓閥流出的飽和水比焓，降壓後蒸汽比焓，表示進口蒸汽比焓，θ表示未蒸發的水量佔總噴水量的份額。

7)汙染物排放模型：

公式(19)和(20)表示汙染氣體co2的排放模型，其中cn表示第k種燃料的碳含量，ml表示石灰石流量，表示石灰石中的caco3含量，cas是ca和s的摩爾比；

公式(21)和(22)表示汙染氣體so2的排放模型，公式(21)適用於燃燒混合煤氣鍋爐，公式(22)適用於燃煤鍋爐，其中表示第k種燃料的含硫量，ηdes表示排汙設備的除硫效率；

v＝(α+β)×k0×q/4187(24)

公式(23)和(24)表示汙染氣體nox的排放模型，其中n表示第k種燃料的氮含量，其中δ表示第k種燃料氮含量的變化比率，tp是煙氣中的nox的濃度，nox是排放氣體每公斤第k種燃料的數量，α是過剩空氣比，β是與燃料類型相關的係數，k0是與燃料類型有關的因素；

femi,j≤lemj(25)

公式(25)表示汙染物排放約束，其中lemj為企業所在區域的汙染物最大允許局部排放量。

8)煤氣消耗約束條件：

公式(26)表示煤氣供應約束，其中mk,t,min表示第k種煤氣在t時間段內的最小富餘量，mk,t,max表示第k種煤氣在t時間段內的最大富餘量；

fbi,k,min≤fbi,k,t≤fbi,k,max(27)

公式(27)表示煤氣對鍋爐的供應約束，其中fbi,k,min和fbi,k,max分別表示第k種煤氣對鍋爐bi的供應量的上下限；

公式(28)表示鍋爐對混合煤氣的熱值約束，其中qk表示煤氣k的熱值，qbi,min和qbi,max分別表示分別鍋爐bi消耗混合煤氣熱值的上下限。

9)電力和蒸汽需求約束條件：

a1a2＝0,a1,a2∈{0,1}(30)

公式(29)和(30)表示電力的需求約束，保證買電和售電在同一個時間段內不能同時發生；

公式(31)表示蒸汽的需求約束，保證每一種的蒸汽需求量等於供應量。

步驟a06，將所述單目標優化模型、環境成本優化模型、可調度關鍵設備模型、汙染物排放模型及約束條件組成多目標優化調度模型，並採用線性規劃的方法求解所述多目標優化調度模型，獲得實現煤氣系統、蒸汽系統、電力系統能源調度方案的至少一組最優解。

也就是說，由經濟運行成本目標函數eoc和環境行成本目標函數evc以及約束條件(1)—(31)共同構成了鋼鐵企業能源系統的多目標優化調度模型，該模型從整體來看是一個線性問題，所以可採用線性規劃的方法進行求解計算。

在本實施例中，求解多目標優化調度模型過程中，需要注意的是，通過訓練好的bp神經網絡預測的第一預測數據中煤氣發生量和各生產用戶的煤氣、蒸汽、電力消耗量，首先按照煤氣用戶分類對煤氣進行合理分配，先對剛性用戶和調節用戶進行合理分配，剩餘的部分稱為富餘煤氣供自備電站燃料鍋爐使用即緩衝用戶使用。

進而，把富餘煤氣的供應量、蒸汽和電力的需求量，以及收集處理好的設備參數帶入多目標優化調度模型，採用改進的多目標優化算法對多目標優化調度模型進行求解，得到多組對應經濟成本和環境成本的最優解，以及每一組最優解下的煤氣-蒸汽-電力系統的能源調度方案，實現經濟運行成本和環境成本的統籌兼顧；

如圖4所示，圖4示出了多目標運行優化模型流程圖，所述多目標運行優化是指在配置好鋼鐵企業能源系統所需的信息之後，該模型能夠為調度人員提供多組不同的目標值搭配方案，從而方便調度人員在多個目標之間的進行權衡，並最終從可行方案中主觀選擇其中的一個方案作為生產調度策略；

特別地，本實施例中採用基於pareto最優的多目標進化算法，解過程大致分為兩個獨立的階段，因而不必進行反覆計算和再優化：

第一步，獲取pareto最優解；第二歩，引入決策意見。

採用augmecon2(改進增廣ε-約束)方法來解決多目標優化調度模型中的多目標優化問題，ugmec0n2方法的目標函數如下公式所示，具體的流程圖如圖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)為各個優化目標，s為可行域，r2，r3，…p為各目標函數範圍，s2，s3，…sp是每個約束的剩餘變量，e2，e3，…ep啟發式隨機搜索方法中特定迭代的參數。

步驟a07、企業的能源決策者權衡本企業煤氣-蒸汽-電力系統的運行狀況和國家的環境保護政策，從多目標優化調度模型的多組最優解中選擇其中一個適合當前生產的調度方案，然後將確定的調度方案上傳到企業的能源調度應用伺服器上，調度人員參考上傳的調度方案即可執行下一周期內(與現在距離最近的未來調度周期)的煤氣在各消耗用戶的分配方案，以及蒸汽和電力在各生產設備的負荷分配方案。

上述實施例綜合考慮了燃料價格、煤氣放散懲罰(如煤氣不能完全使用，點燃放散到大氣中所帶來的資源浪費成本等)、分時電價、汙染物排放問題、鍋爐負荷和效率問題，汽輪機的抽汽和發電問題，以調度周期內整個企業的煤氣-蒸汽-電力系統經濟運行成本eoc和環境成本evc為目標函數，建立可調度的關鍵設備包括鍋爐、汽輪機、煤氣櫃、放散塔、混合加壓站和減溫減壓閥的數學模型，以煤氣各用戶(即剛性用戶、調節用戶和緩衝用戶)的燃料使用限制、機組(如鍋爐、汽輪機)的產汽和產電限制等約束條件，建立了鋼鐵企業能源系統的多目標優化調度模型，並採用基於pareto的多目標進化算法和augmecon2(改進增廣ε-約束)方法來解決上述的多目標優化調度模型；

上述方法的具有效果：

首先，可以有效的預測未來調度周期內煤氣產生裝置的煤氣發生量和各用戶的煤氣、蒸汽、電力消耗量，然後通過模型求解，為調度人員提供多組不同的目標值搭配方案和每一組最優解下的煤氣-蒸汽-電力系統的能源調度策略，方便調度人員在多個目標之間的進行權衡，實現經濟成本和環境保護的統籌兼顧，同時可以合理地安排未來鋼鐵企業煤氣-蒸汽-電力系統的各機組的煤氣分配計劃、產汽計劃、發電計劃以及外購送電方案，有效解決了鋼鐵企業煤氣-蒸汽-電力集成網絡的多目標優化調度問題。

本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想，並非是對本發明的限制；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用範圍上均會有改變之處。有關技術領域的技術人員，在不脫離本發明的精神和範圍的情況下，可以做出各種變換或變型，因此，所有等同的技術方案也應該屬於本發明的範疇，應由權利要求所限定。綜上所述，本說明書內容不應理解為對本發明的限制。