一种提高钢铁能源利用率的在线能源分配控制方法
【技术领域】
[0001] 本发明属于信息技术领域，具体设及一种提高钢铁能源利用率的在线能源分配控 制方法。
【背景技术】
[0002] 钢铁行业作为典型的高能耗行业，其能源消耗占我国整个工业总量的15%左右； 钢铁需求的巨大增长带动能源价格的普遍上涨，使能源成本在生产总成本中的比重日益增 加，通过合理的能源分配控制方法降低能源成本已成为提高能源利用率的重要手段之一。
[0003] 在钢铁企业能源系统中，电力、煤气、天然气、蒸汽、水、氧气、氮气等近二十种能源 介质的产生、消耗和回收同时发生，生产系统和能源系统相互联系、相互制约、相互作用；目 前钢铁企业能源分配控制普遍存在的一个亟需解决的问题是；对能源消耗规律和机理认 识不足，缺乏全厂范围内的能源介质优化配置，导致能源利用率低、副产煤气等二次能源放 散，造成能源浪费的同时导致环境污染；该问题出现的原因如下；在传统的生产组织中，按 照生产计划分配能源介质时，主要针对单一介质进行调配，如煤气系统，电力系统等；在实 际的能源系统中，不同能源介质之间存在转换关系，比如，炼焦、炼铁、炼钢、轴制等工序消 耗一次能源（电、煤炭、天然气等）的同时产生二次能源（如焦炉煤气、高炉煤气、转炉煤 气、蒸汽等），多余的煤气、蒸汽可用来发电等；全厂范围内能源介质的不合理配置必然会 导致能源的放散和浪费；目前衡量钢铁行业能耗水平的一个重要指标是吨钢综合能耗，国 内钢铁行业的能耗水平远远高于美国、日本、韩国等发达国家，有很大的优化潜力。
[0004] 能源分配控制的任务是考虑能源的供应能力和各工序的需求及生产过程中二次 能源的再生能力，为整个计划期内的生产工序分配能源；能源分配控制的最终目的是保证 生产任务的同时降低总生产成本，如何综合考虑能源在整个生产过程中的消耗、回收、分 配，是能源分配控制需要解决的关键问题；传统的能源分配控制方法，无论是静态还是动 态，都假定参数已知并在整个计划期内保持不变，但是，大多数实际生产都具有随机性，无 论生产计划还是车间环境都具有时变特征，如机器出现随机故障、生产订单的临时变更、人 工操作的不稳定性和环境（如温度）因素的不确定性等，使得能源需求随时间变化，传统的 能源分配控制方法不再能满足面向节能降耗的实际生产的需要。
[0005] 现有的能源分配控制方法无论是针对单一或全厂能源设备/管网进行分配控制 时，都采用静态或离线方法，无法跟踪生产环境的实时变化。
【发明内容】
[0006] 针对现有技术的不足，本发明提出一种提高钢铁能源利用率的在线能源分配控制 方法，W达到提高钢铁能源利用率、保证生产中的能源供应、降低总体生产成本、降低能源 消耗和减少排放的目的。
[0007] -种提高钢铁能源利用率的在线能源分配控制方法，包括W下步骤：
[0008] 步骤1、获取钢铁生产的历史数据，包括工序名称、工序产量、气温、生产周期长度、 消耗的能源介质种类、消耗的能源介质数量、能源介质回收量、各生产工序的设备检修信息 和能源介质供应信息；所述的能源介质供应信息包括焦炭供应量、煤供应量、天然气供应 量、高炉煤气供应量、焦炉煤气供应量、压缩空气供应量、蒸汽供应量、氧气供应量、氮气供 应量、电供应量、水供应量、氮气供应量、氣气供应量和氨气供应量；
[0009] 步骤2、W每个工序的能源介质投入量限制为约束条件，采用建立数学模型的方式 描述每个工序能源介质投入量的分配过程；
[0010] 所述的数学模型，建立过程如下：
[0011] 步骤2. 1、设置数学模型的参数：包括设定能源分配周期为T，时间段序号为t;工 序总数为I，工序序号为i;能源介质种类数为J，能源介质序号为j;能源j在t时间段的 单位成本为Cj.t;能源j在t时间段的供应量为Sj.t;工序i消耗能源j的二次能源产生率为 aU;工序i在t时间段能源j投入不足时的单为惩罚为片工序i在t时间段能源j投入 过量时的单为惩罚为巧;,；
[0012] 步骤2. 2、设定数学模型的动作变量为；工序i在t时间段对能源介质j的投入量 Xijt；
[0013] 步骤2. 3、根据每个工序的能源介质投入量限制设置数学模型的约束条件，具体如 下：
[0014] (1)任意一个生产时间段内，能源介质的总投入量小于等于本时间段该能源介质 的可用量，公式如下：
[00巧]
(1)
[0016] 其中，Xy,t_i表示工序i在t-1时间段对能源介质j的投入量；
[0017] (2)任意一个生产时间段内，能源介质的投入量大于等于0;
[0018] 步骤2. 4、根据最小化每个工序的能源介质投入成本、每个工序能源介质投入不足 时的惩罚成本和每个工序能源介质投入过量时的放散成本，建立数学模型，其目标函数如 下：
[0019]
[0020] 其中，Z表示能源介质分配的目标函数，dyt表示工序i在t时间段对能源介质j 的需求量；
[0021] 步骤3、确定每个工序能源介质在每个时间段投入量的分配方案，具体步骤如下：
[0022] 步骤3. 1、W历史数据中每个工序在每个时间段的生产量和气温作为输入值，将能 源介质实时需求量作为输出值，建立能源介质实时需求量的机器学习模型；
[0023] 步骤3. 2、初始化机器学习模型的参数：设定工序i在t时间段的产量为Siw工序 i在t时间段的气温为S2it，系统状态为4 ;设定t时刻采取的动作为a。at所有 取值的集合为动作空间Dut;设定工序i在t时间段的系统状态空间为Sit，即所有系统状 态的集合；设定贡献函数为能源介质实际需求量与预测得到的能源介质需求量之差的绝对 值；设定探索概率初始值、探索停止阔值、学习参数初始值和学习停止阔值；
[0024] 步骤3. 3、初始化能源介质实时需求量的机器学习模型，具体步骤如下：
[00幼步骤3. 3. 1、初始化所有状态-动作对（吊，at)的值函数为0 ;
[0026] 步骤3. 3. 2、迭代初始时，从均匀分布中产生一个随机数，判断该随机数是否小于 探索概率初始值，若是，执行步骤3. 3. 3,否则，执行步骤3. 3. 5 ;
[0027] 步骤3. 3. 3、在动作空间内随机选择动作并作用于环境，得到新的系统状态，同时 获得新的系统状态对应的贡献函数；
[0028] 步骤3. 3. 4、根据获得的新的系统状态对应的贡献函数，获得新的系统状态对应的 值函数，根据探索概率更新公式更新探索概率，并执行步骤3. 3. 7 ;
[0029] 步骤3. 3. 5、在动作空间内选择贪婪动作作为初始系统状态对应的动作并作用于 环境，得到新的系统状态，同时获得新的系统状态对应的贡献函数；
[0030] 步骤3. 3. 6、根据获得的新的系统状态对应的贡献函数，获得新的系统状态对应的 值函数，并根据探索概率更新公式更新探索概率；
[0031] 步骤3. 3. 7、判断更新后的探索概率是否大于所设定探索停止阔值，若是，返回执 行步骤3. 3. 2进行迭代，否则，执行步骤3. 3. 8 ;
[0032] 步骤3. 3. 8、初始化结束，将此时每个系统状态对应的值函数设定为每个系统状态 对应的初始值函数；
[0033] 步骤3. 4、采用能源介质实时需求量的机器学习模型对状态-动作对对应的值函 数进行学习，具体步骤如下：
[0034] 步骤3. 4. 1、设定初始学习次数为1，设定学习次数阔值；
[00巧]步骤3. 4. 2、在初始系统状态下，选择初始动作作用于环境，得到新的系统状态，同 时获得新的系统状态对应的贡献函数；
[0036] 步骤3. 4. 3、根据新的系统状态对应的贡献函数，获得新的系统状态对应的值函 数；
[0037] 步骤3. 4. 4、根据新的系统状态对应的贡献函数和值函数，学习新的系统状态对应 的状态-动作对最优值函数；
[0038] 步骤3. 4. 5、判断新的系统状态-动作对对应的最优值函数与上一次系统状态-动 作对对应的最优值函数之差，是否大于所设定学习停止阔值，若是，执行步骤3. 4. 6,否则， 执行步骤3. 5 ;
[0039] 步骤3. 4. 6、判断学习次数是否达到所设定学习次数阔值，若是，执行步骤3. 5,否 贝1J，执行步骤3. 4. 7;
[0040] 步骤3. 4. 7、根据学习参数初始值，更新学习参数，将迭代次数加1，返回执行步