机理与数据协同驱动的多能源介质动态耦合调控方法研究

The iron and steel works are facing challenges including low prediction accuracy, poor timeliness of energy medium prediction, and single energy medium optimization which is inefficient for global optimization. These problems influence the efficiency of energy distribution and utilization. This study aims to propose a new methodology of multiple energy medium optimization to improve energy utilization. Combining the data-driven modeling method and process mechanism of iron and steel manufacturing, a dynamic regulation is introduced into the methodology. The main research topics include: the recognition and prediction methods of production status based on the incorporation of the process mechanism and data-driven modeling, as well as evaluation of the dynamic correlation between operation and energy medium; the dynamic prediction model based on status recognition and data driving to improve the timeliness and accuracy of prediction, as well as clear description of the coupling relationship between production and energy medium; the multiple energy medium optimization method based on mathematical programming (MP) and constraint programming (CP) to find the global optimal path. The research results are of great theoretical significance for enhancing the operation efficiency and intelligent level of the energy flow network in iron and steel works. Moreover, the results have important application values in decreasing energy consumptions and costs, as well as increasing competitiveness of enterprises.

针对钢铁企业能源介质预测精度不高、时效性差，单一介质优化调控无法获得全局最优从而影响能源高效分配和利用等问题。本项目围绕钢铁生产工艺机理，结合数据驱动智能建模方法，引入生产流程动态调控机制，提出多能源介质动态耦合调控方法，为进一步提高能源综合利用提供新的理论和方法。研究内容包括：提出基于钢铁生产工艺机理和工业大数据协同驱动智能建模相结合对生产工况进行识别预报方法，阐明生产运行与能源介质的动态关联特性；提出基于工况识别与机器学习的能源介质动态预测模型，解决能源介质预测时效和预测精度不高问题；明确钢铁生产与能源介质的耦合关系和动态调控机制，提出基于MP/CP混合的多能源介质耦合优化调控方法，探索使多能源介质动态调控获得全局最优路径。项目的研究成果将对提高钢铁企业能量流网络运行效率，提升能源管理系统智能化水平有重要的理论意义；对于降低钢铁生产流程能耗和成本、提高企业竞争力具有重要的应用价值。

本项目以钢铁企业能源系统为研究对象，综合考虑钢铁生产工艺机理和实际生产数据特征，研究基于机理与数据协同驱动的多能源介质动态耦合调控方法，并在典型钢铁企业进行应用验证。针对钢铁企业能源介质预测精度不高、时效性差，单一介质优化调控无法获得全局最优从而影响能源高效分配和利用等问题，分别针对以下三个方面开展了深入的研究工作：1）基于工艺机理和数据协同驱动的生产工况识别预报方法；2）能源介质动态变化规律及预测模型构建；3）多能源介质耦合机理及动态调控方法。首先针对钢铁企业工序机理复杂，工况较多，整理了不同工序/设备的工况点及其对应的能源数据，在统计分析的基础上，通过神经网络模型对不同工况下的能源数据进行分类，形成了设备工况集和数据集。随后，在工况预报的基础上，进一步分析能源介质的产消特性及在不同工况下的能源数据变化，通过小波分析方法，分解了波动剧烈的能源介质数据，而后建立了基于集成学习的神经网络模型，实现不同工况下的能源介质预测；在以上基础上，基于工艺机理，对多介质的耦合特性进行了解析，结合生产工况识别预报方法、多介质动态预测和缓冲单元动态变化特性，构建了混合整数非线性规划模型，综合考虑企业经济性指标和碳排放问题，建立了多目标模型，并验证了不同工况下模型的有效性与实用性。进一步的，多介质耦合研究成果在鞍钢集团鲅鱼圈钢铁公司和首钢京唐公司进行了在线运行和应用，效果良好，目前正在宝武集团宝钢股份公司进行推广应用，进一步丰富了模型。依托本项目共发表高水平SCI论文11篇，中文卓越期刊论文5篇。已申报公开国家发明专利6项，获批软件著作权2项，人才培养8人。相关研究成果获2022年中国钢铁工业协会中国金属学会冶金科技进步二等奖1项。项目组研究成果为钢铁企业能源介质的优化调控提供了新技术，为企业智慧能源管控系统功能提升提供新方法。