基于工业大数据的能源系统/制造过程协同调度方法及其应用

The industrial energy system is rather complex, whose reasonable and optimized scheduling can not only reduce the production cost of the enterprise, promote its competitiveness, but decrease the negative impact on the environment as well. In the process of energy scheduling, if the production planning and manufacturing strategy could be considered, then the collaborative energy system scheduling with production process will be engaged in, which could make the production process high efficiency and stability. Based on the accumulative large amount of industrial data, this project aims at industrial energy system, studies the collaborative energy scheduling problem with manufacturing process, develops a scheduling application software based on the studied method, and implements it in a typical metallurgical enterprise in our country. The research contents include, 1) incomplete data imputation and regularization based on the collaboration of the energy system and manufacturing processes; 2) data feature recognition and prediction for industrial energy data based on frequency domain analysis; 3) collaborative energy scheduling with manufacturing process based on big data fusion; 4) the application in steel industry by using the studied collaborative scheduling method. This project can not only provide a series of accessible methods for industrial energy system based on data-driven modeling and optimization theory, and gains a number of original research achievements with own intellectual property rights; but also improve the enterprise levels of energy saving.

工业能源系统是一个复杂的系统，实施合理、优化的能源调度不仅可有效节省企业成本，提高其竞争力，还可减少对环境的影响。在实施能源调度的过程中，若能考虑企业制造过程与生产策略，形成能源系统与制造过程的协同调度，将对企业的高效稳定生产具有相当重大的意义。本项目以工业能源系统为研究对象，借助企业积累的大量数据，研究基于能源系统/制造过程协同的调度方法，并将所研究的方法开发形成调度应用软件在我国典型的冶金企业完成示范应用。研究内容包括：基于能源系统/制造过程协同的非完备数据填补与检测；基于工业数据频域分析的特征识别与预测；基于数据融合的能源系统/制造过程协同调度；能源/制造协同调度方法在冶金工业中的示范应用。本研究不仅为工业能源系统基于数据的建模及优化调度理论提供可用的方法，取得具有自主知识产权的原创性研究成果，还将进一步提高工业企业的节能降耗水平。

本项目以工业能源系统为研究对象，借助企业积累的大量数据，研究基于能源系统/制造过程协同的调度方法。项目以我国宝武集团湛江钢铁公司的实际情况结合资料查新和前期现场调研的成果，分别针对以下三个方面开展了深入的研究工作：a. 基于能源系统/制造过程协同的非完备数据填补与检测；b. 工业数据的特征识别与预测；c. 基于数据融合的能源系统/制造过程协同调度。首先针对复杂工业环境常使采集的数据含缺失点、从而造成训练集输出的不完整的情况，为了避免对缺失输出求解极大值而可能产生的数据驱动模型的过拟合问题，提出了基于变分推理的半监督稀疏贝叶斯回归模型。随后，在面向工序基于信息粒的能源/制造多尺度预测方面，重点针对转炉炼钢生产过程建立的煤气回收粒度计算模型，混合协同模糊聚类模型，以水平、竖直结构表达煤气柜位及影响因素间相互关系。通过对聚类中心的区间化，将预测值在纵向上由点延伸为区间并进行优化，其间借助模糊推理、解模糊化等手段，最终得到针对转炉煤气系统的多输出长期区间预测结果。本项目针对钢铁制造过程和能源产消过程协同优化的问题，研究了基于强化学习的转炉煤气预测调度、基于因果关系的多能源介质联合调度新方法，具有一定科学意义。主要研究人员前往宝钢、湛江、首钢等能源中心，不断修正实验室研究与生产现场具体情况之间的差别，从而保证了模型建立、算法设计及其仿真实验的应用可靠性。依托本项目共发表SCI论文8篇，其中在国际控制技术顶级期刊IEEE TCYB、TASE、TIE和IFAC汇刊CEP上发表4篇，1篇获2016年中国过程控制会议张仲俊优秀论文奖，1篇获2018年国际自动控制联合会冶金过程自动化会议（IFAC MMM）最佳青年论文奖。已获授权国家发明专利2项，正在受理6项（已公告），获软件著作权3项。在Springer出版英文专著一部“Data-Driven Prediction for Industrial Processes and Their Applications”。相关研究成果“冶金行业能源系统预测与优化调度技术及应用”获2018年中国自动化学会科技进步一等奖（项目负责人为第一完成人）。