一种多能源介质分层动态调控方法
【专利摘要】本发明提供了一种多能源介质分层动态调控方法，包括：基于能源梯级利用的方案，建立能源介质分层动态调控框架；根据能源介质分层动态调控框架，建立能源子系统的调控方案；根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；根据分层动态调控的优化模型及求解方式，设计仿生智能的协同优化算法对优化模型进行求解；利用求解得到的结果对多能源介质进行动态调控；其建立适合多种能源介质分层梯阶协同优化的调控策略，实现能源调控多周期、多目标动态协同优化并建立优化模型，设计具有自学习机制的差异进化算法对优化模型进行求解，从而解决钢铁生产复杂环境下多种能源介质的协同优化调度，综合经济性和实效性较好。
【专利说明】一种多能源介质分层动态调控方法
【技术领域】
[0001]本发明涉及能源调控领域，具体而言，涉及一种多能源介质分层动态调控方法。
【背景技术】
[0002]目前，国内大多数钢铁企业生产钢铁均分为焦化、烧结、炼铁、炼钢和轧钢等生产工艺，钢铁的生产过程复杂，使用的能源介质多样且耦合复杂。
[0003]钢铁在生产过程中的能量消耗既包括宏观的热平衡和物料平衡的能耗转换，也包括冶金过程中热力学、动力学和气、液、固三相流体力学作用造成的微观能耗。钢铁生产和能源生产的连续性决定了生产流程，其中，钢铁生产和能源生产的任意一个环节的变化都会对能量流与供需平衡产生重大影响，因此节能降耗工作是全局性、系统性的，要涉及各个用能环节。能源调控不能光针对某一设备、某一能源品种以及某一生产工序进行，而应作为一个整体进行考虑，寻求最佳的经济点(节能点)。能源利用过程中，能量的损失不可避免，还需考虑按能源品位及能源转换效率逐级加以利用和协调。现有钢铁企业及生产过程中还存在大量不合理用能的情况，还不能很好地做到能级匹配下的高质高用、低质低用和梯级利用。
[0004]相关技术中的能源管理与调控，一般基于较长的统计周期进行静态计算，其具体采用宏观手段调节能源的生产和消耗，调控对象也大多集中在单一能源介质或系统，这样并不能很好地满足多个系统组成的全局用能的低能耗、零放散和高效益的要求。
[0005]国内外在钢铁生产过程的能源系统建模与优化方面做了大量的理论研究与应用系统的开发，对保证能源系统的管理、能耗的控制、降低生产成本等方面取得了较好的成效。从整体上看，这些研究工作主要是以实现能耗最小或最经济为目标，其方法的研究主要集中在数学规划、静态计算和能耗模型的研究上。在基于工序流程及单一能源介质的能源调控方法上，国内外专家已做了大量的研究，形成了一定的研究基础，尤其是针对技术气体、电能介质等的调控及优化方法研究比较成熟。进入21世纪，随着钢铁工业的发展和能源管控一体化思想的建立，基于能源转换、能耗平衡及能源高效配置的研究逐渐增多，但在此基础上面向能量流及多能源介质综合调控的应用实例并还未形成系统的报道，综合经济性和实效性考虑不全。
[0006]故缺乏一种面向能量流及多能源介质综合调控的应用的动态调控方法。
【发明内容】
[0007]本发明的目的在于提供一种多能源介质分层动态调控方法，以解决上述的问题。
[0008]在本发明的实施例中提供了一种多能源介质分层动态调控方法，包括:
[0009]基于能源梯级利用的方案，建立能源介质分层动态调控框架；
[0010]根据能源介质分层动态调控框架，建立能源子系统的调控方案；
[0011]根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式；
[0012]根据分层动态调控的优化模型及相应的求解方式，设计仿生智能的协同优化算法对优化模型进行求解；
[0013]利用求解得到的结果对多能源介质进行动态调控。
[0014]进一步的，该方法中，建立能源介质分层动态调控框架，包括:
[0015]基于能源梯级利用的方案，建立钢铁生产过程中各工序能量传递及消化机理的分层框架；
[0016]根据分层框架，将多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。
[0017]进一步的，该方法中，根据能源介质分层动态调控框架，建立能源子系统的调控方案，包括:
[0018]根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程。
[0019]进一步的，该方法中，根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定能源分介质的梯阶求解流程，包括:
[0020]构造能源分介质的梯阶框架模型；梯阶框架模型包括第一子系统、第二子系统和第三子系统；其中，第一子系统包括:燃料子系统；第二子系统包括:技术气体子系统、压缩空气子系统及水子系统；第三子系统包括:电力子系统及蒸汽子系统；
[0021]计算燃料子系统的发生量，并根据燃气柜位变化及管网压力，计算富余燃气发电需求，并计算富余燃气的放散量，得到第一计算结果；
[0022]计算第二子系统中技术气体、压缩空气、水的需求及第二子系统与第三子系统能源转换需求，得到第二计算结果；
[0023]综合二次能源转换需求，调控蒸汽、电及可用煤气子系统分配方案，形成发电和蒸汽基准方案，计算蒸汽放散量，得到第三计算结果；
[0024]将第一计算结果、第二计算结果以及第三计算结果转换为第一子系统、第二子系统和第三子系统的系统间约束关系，并根据约束关系反馈主生产用能需求。
[0025]进一步的，该方法中，根据能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式，包括:
[0026]以时间t为变量，计算对燃料子系统中的能源介质在第t时段的能源消耗量Ci(Qijt)和能源转换系统的启停状态Si^的乘积；
[0027]使乘积、外购能源量Cg和能源放散量Cw相加，并对相加得到的结果进行求和，得到弟二结果；
[0028]构建能源平衡方程，并对能源平衡方程进行求和，得到第四结果；
[0029]确定第三结果和第四结果的最小值为目标函数F ;其中，
【权利要求】
1.一种多能源介质分层动态调控方法，其特征在于，包括: 基于能源梯级利用的方案，建立能源介质分层动态调控框架； 根据所述能源介质分层动态调控框架，建立能源子系统的调控方案； 根据所述能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式； 根据所述分层动态调控的优化模型及相应的求解方式，设计仿生智能的协同优化算法对所述优化模型进行求解； 利用求解得到的结果对多能源介质进行动态调控。
2.根据权利要求1所述的方法，其特征在于，所述建立能源介质分层动态调控框架，包括: 基于能源梯级利用的方案，建立钢铁生产过程中各工序能量传递及消化机理的分层框架； 根据所述分层框架，将多种能源介质动态调控分为综合系统调控和能源分介质调控两个层次。
3.根据权利要求1所述的方法，其特征在于，所述根据所述能源介质分层动态调控框架，建立能源子系统的调控方案，包括: 根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定所述能源分介质的梯阶求解流程。
4.根据权利要求3所述的方法，其特征在于，所述根据能源介质间工序流程和转换关系中耦合度，对能源分介质进行重组，确定所述能源分介质的梯阶求解流程，包括: 构造能源分介质的梯阶框架模型；所述梯阶框架模型包括第一子系统、第二子系统和第三子系统；其中，第一子系统包括:燃料子系统；第二子系统包括:技术气体子系统、压缩空气子系统及水子系统；第三子系统包括:电力子系统及蒸汽子系统； 计算燃料子系统的发生量，并根据燃气柜位变化及管网压力，计算富余燃气发电需求，并计算富余燃气的放散量，得到第一计算结果； 计算所述第二子系统中技术气体、压缩空气、水的需求及所述第二子系统与所述第三子系统能源转换需求，得到第二计算结果； 综合二次能源转换需求，调控蒸汽、电及可用煤气子系统分配方案，形成发电和蒸汽基准方案，计算蒸汽放散量，得到第三计算结果； 将所述第一计算结果、第二计算结果以及第三计算结果转换为第一子系统、第二子系统和第三子系统的系统间约束关系，并根据所述约束关系反馈主生产用能需求。
5.根据权利要求4所述的方法，其特征在于，所述根据所述能源子系统的调控方案，建立适合分层动态调控的优化模型及相应的求解方式，包括: 以时间t为变量，计算对燃料子系统中的能源介质在第t时段的能源消耗量Ci (q,t)和能源转换系统的启停状态Si^的乘积； 使所述乘积、外购能源量Cg和能源放散量Cw相加，并对相加得到的结果进行求和，得到弟二结果； 构建能源平衡方程，并对所述能源平衡方程进行求和，得到第四结果； 确定第三结果和第四结果的最小值为目标函数F ;其中，
6.根据权利要求5所述的方法，其特征在于，所述构建能源平衡方程包括: 根据能量守恒定律，构建能源平衡方程:Ee = EpC-Epp+ETC-ETp-ED+Eff ； 其中，
为主系统能源消耗向量，
为主系统各能源发生向量
,f为能源转换系统能源
消耗向量，
能源转换系统能源发生向量；η为能源品种个数，m为生产单元个数，k为能源转换单元个数，Pi为第i个单元产品产量，ei,j为第i个单元第j种能源产品单耗，b^.为第i个单元第j种能源单位产品发生量； Ed = [Ed，Pd^Ed, Jt表示能源存储量，Ew = [Ew，PwyEmiT表示能源放散量； 在忽略辅助系统能耗时，设艮=[Ee;1Ee，2…Ee，n]T，其中艮;1，Εε，2...Εε，η分别表示各种能源介质，对企业能源平衡方程表示为:
7.根据权利要求6所述的方法，其特征在于，所述设计仿生智能的协同优化算法对所述优化模型进行求解，包括: 优化目标；所述优化目标包括:对所述优化模型进行分解，确定分解后单个动态优化问题的数学描述为:
其中，f(x，t)是与时间相关的目标函数,Iii (x, t) = O是第i个与时间t相关的等式约束条件，所述等式约束条件为m个；gj(x, t)〈0是第j个与时间t相关的不等式约束条件，所述不等式约束条件为η个；当静态环境下的η维函数f (X)，第i个状态点为Oi (cn, ci2,…，cin), i = 1，2，…，K时,动态函数为:F(X1OJ) = /(φ(χ;0),? ;其中，F(x，0，，t)是与时间相关的动态函数；#λν7)是变量x和状态点ο间的映射关系；t是驱动f(x)动态变化的时间变量； 设计自适应差异进化算法对所述优化模型进行求解；所述自适应差异进化算法包括: 输入动态环境下被优化函数f(x)及其定义域；Step 1:初始化群体P:在定义域内初始化群体P, NP个体、D维，P = (XijKi =.1，…，NP, j = I,…，D ;初始化参数变异步长F和交叉概率CR ； Step 2:执行动态优化环境检测:检测优化环境是否变化，若优化环境改变则执行Step3 至 Step8 ;否则执行 Step4 至 Step8 ； Step 3:学习操作1:判定当前优化环境所在的状态，用所述状态的历史最优解引导群体P学习适应环境； Step 4:学习操作2:群体P向当代最优解学习； Step 5:评估群体P，从父代和对应的子代中选择优秀个体； Step 6:控制参数调整:采用自适应机制更新变异步长F和交叉概率CR ； Step 7:记录最优解x*与最优解对应的适应值fit = f (x*)； Step 8:若满足结束条件，则输出相关统计数据；否则执行Step2。
8.根据权利要求7所述的方法，其特征在于，所述历史最优解包括: 设算法在状态j下的历史最优解为stageBest(j);当环境从i转变为j后，个体x在历史最优个体StageBestU)引导下学习，学习策略如下:X—new = x + m * ( stageBest(j) - x).~~.， 其中，x_new是X的学习后得到的新个体，or是扰动参数； 所述当代最优解为:
Vi = bestlndi+F氺(bestlndi—randPi)+k氺(randP2_randP3)； 其中，Vi是对应于第i个体的过渡测试向量,bestlndi是本代的最优个体,randP」，j =I,2，3是从群体P中随机选择的、不同于bestlndi和当前个体的个体,F是控制变异步长的参数，k是(0，I]间的随机均匀分布； 所述当代最优解包括:
Vi = bestlndi+F氺(bestlndi—randPi)+k氺(randP2_randP3)； 其中，Vi是对应于第i个体的过渡测试向量,bestlndi是本代的最优个体,randP」，j =I,2，3是从群体P中随机选择的、不同于bestlndi和当前个体的个体,F是控制变异步长的参数，k是(0，I]间的随机均匀分布。
9.根据权利要求8所述的方法，其特征在于，所述Step5:评估群体P，从父代和对应的子代中选择优秀个体，包括: 采用指数交叉:交叉对象是Vi和Pi,生成目标向量Ui, Ui = (un, ui2,…，uiD)；
其中，u(0，I)是区间[0，I]上的随机分布，CR是交叉概率，j_rand是[1，…，D]中的随机整数，以保证Ui和Xi中至少有I维不同； 从Ui和Xi中选择较为优秀的个体Xi’，进入下一代群体；.(w; if U1 is super1r Xi
所述Step 6:控制参数调整:采用自适应机制更新变异步长F和交叉概率CR，包括:群体P中个体均对应变异步长F和交叉概率CR两个控制参数，三者同时进化；其中，第g+Ι代第i个体的参数F与CR的更新机制为:
其中，randj j = 1，2，3，4是[0，I]上的随机数，^和τ 2是调整概率，都设定为0.1 ;F1 = 0.1，Fu = 0.9。
10.根据权利要求9所述的方法，其特征在于，所述自适应差异进化算法还包括: 引入约束处理模型； 根据所述约束处理模型，将约束优化问题转换为一个多目标优化问题； 对所述多目标优化问题进行求解； 基于构造惩罚函数的方法对约束条件做如下处理:
将约束条件转化为一个目标G(x) ；G(x)和f(x)构成两目标的矢量f(x):
f ⑴=(f (X) ,G(X))； 所以，由η个决策变量，单目标函数，I个不等式和m-Ι个等式约束条件组成的约束优化问题就转化为η个决策变量，两个目标函数的非约束多目标优化问题，其数学描述如下:
根据此方案，将能源介质分组的约束求解转化为多个多目标求解问题，在一个周期内迭代求解。
【文档编号】G05B19/418GK104181900SQ201410447055
【公开日】2014年12月3日 申请日期:2014年9月4日 优先权日:2014年9月4日
【发明者】徐雪松, 欧阳峣, 王四春 申请人:徐雪松