[发明专利]一种钢铁企业煤气优化调度装置

权利要求书

1.一种钢铁企业煤气优化调度装置，该调度装置与能源管理系统连接，其特征在于，所述的调度装置包括依次连接的煤气管理器、优化器和显示设备；煤气管理器利用企业的能源管理系统获得各工序煤气消耗量与生成量历史数据和煤气柜存量数据，对煤气当前时刻和未来时刻的生产量与消耗量进行预测；优化器基于上述预测数据，采用改进的分布估计算法对煤气分配进行优化，优化的原则是使煤气的放散量最低和购买量最少；显示设备显示优化器获得的煤气分配方案，供用户参考，进行合理地煤气分配。

2.根据权利要求1所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的优化器基于上述预测数据，采用改进的分布估计算法对煤气分配进行优化具体为：

以煤气放散量和购买量最低为最终优化目标，在满足工艺约束的前提下，对工序进行优先级定义，然后先对煤气进行初始分配，初始分配的原则是按照工序的优先级，以尽量消耗焦炉煤气和转炉煤气为原则，以满足工序的最低热量要求为基准，最后对煤气进行二次分配，该分配属于按需分配，迭代分配，利用改进的分布估计算法调节各个工序的煤气分配量。

3.根据权利要求2所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的工序进行优先级定义具体为：

工序排序时首先要将煤气消耗结构不可调的工序优先排序，其次要以消耗焦炉煤气的工序优先，再次以消耗转炉煤气的工序优先。

4.根据权利要求2所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的先对煤气进行初始分配具体为：

以满足工序的最低热量需求为原则，首先分配焦炉煤气，遍历与焦炉煤气相关的工序，直到焦炉煤气分配完，一旦焦炉煤气分配完就进入了转炉煤气的分配，同样遍历与转炉煤气相关的工序，直到完全地将转炉煤气分配完之后，最后对高炉煤气做同样的操作。

5.根据权利要求2所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的对煤气进行二次分配具体为：

1)确定当前时刻的煤气方配方案与下一个时刻的煤气柜存量的关系；

2)设置一组待求解变量data[]；

3)确定优化目标，包括放散量最低和煤气购买量最少；

4)采用改进的分布估计算法进行分配，即将寻优过程分为两个层次，均匀划分整个解区间，用分散搜索指引种群进化方向，根据分散搜索算法产生出的区间产生子代，用直方图模型重新统计群体概率。

6.根据权利要求5所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的确定当前时刻的煤气方配方案与下一个时刻的煤气柜存量的关系具体为：

1)若是下一个时刻有煤气盈余，则上一个时刻要尽量将煤气柜置空去满足下一个时刻煤气的存储需求；

2)若是下一个时刻煤气存在不足的情况，则当前时刻就要尽量预留对应的煤气在煤气柜里，以满足下一个时刻可能存在的煤气不足情况。

7.根据权利要求5所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的待求解变量具体包括高炉煤气与焦炉煤气等价交换的量、高炉煤气与转炉煤气等价交换的量、焦炉煤气和转炉煤气等价交换的量、三种煤气分别提供给具有相应的连通方式的工序的再消耗量、三种煤气分别提供给具有相应连通方式的工序的缺失量以及下一个时刻高炉煤气与焦炉煤气等价交换的量、高炉煤气与转炉煤气等价交换的量、焦炉煤气和转炉煤气等价交换的量。

8.根据权利要求5所述的一种钢铁企业煤气优化调度装置，其特征在于，所述的采用改进的分布估计算法进行分配具体为建立种群空间，在空间中划分等距区间，每个区间都有自己对应的概率，这个概率表征为出现优秀个体的概率，通过每个区间的概率来评定参考集中的成员，本算法设有两个参考集，优解参考集以及多样性好的参考集，通过分别从两个参考集中分别随机选出的区间经过遗传算子的计算，生成一个区间号，再从这个区间中随机生成一个数形成下一代，下一代经过计算，又重新更新概率，更新参考集成员，如此不断重复直到满足结束条件，结束条件为到达设定的迭代数；

1)初始化种群

建立空间以及区间的初始状态，根据工序和煤气的关系以及系统的数学描述，设定属性值为需要求解的变量data[]，将整个搜索域划分为N个等距区间，初始化每个区间的概率为1/N，设定种群规模为size个，在搜索空间中随机生成第一代；

2)参数更新，根据生成的解计算相应的适应度值g(x_k)

g(xk)=1Σi=02[αifi(t)+Σm=0M-1conmi(t)]]]>

α_i为对应的第i类煤气所占的权重、f_i(t)为i类煤气的放散量、M为工序与煤气之间的连通方式的总类数总和、con_mi(t)为具有第m种连通方式的工序对第i类煤气的缺失量，而缺失量这部分可以理解为购买量；

根据适应度值计算距离、更新区间概率、更新参考集，定义每个区间的概率更新规则：取m个排名靠前的个体，判断这m个优解分别落在哪个区间上，假设有g个优解落在第i个区间，则第i个区间的概率更新规则：

p(i)=(1-α)×p(i)+α×Σj=1gg(xg)Σk=1mg(xk)]]>

p(i)为区间的概率。其中α为学习率，该概率更新模型能够保证

Σi=0N-1(1-α)×p(i)+α×Σj=1gg(xg)Σk=1mg(xk)=1;]]>

3)更新参考集

更新每个区间的概率之后，取b1个较优的区间组合成为优解集W，区间的距离和定义准则：

D(i)=Σj=0N-1|j-i|×numj;]]>

D(j)=Σj=0N-1|j-i|×numi;]]>

num_j为j到i所经过的的区间数，num_i为i到j所经过的区间数，取D(i)最大的b2个区间组合成多样性好的集合，作为参考集的子集D，为了能够更加精确地搜索出最优解，设定一个整数M，当种群的第j个属性的i区间列在优解集合W第一位超过M次后，则针对该属性，算法的搜索范围开始缩小到i区间，对该属性的搜索进行再一次初始化操作，用同样的方法进行搜索，而其他维的搜索范围和策略维持不变；

4)生成子代

更新完参考集后，对于参考集两个子集中区间选取是通过轮盘赌转法选定的，这里对于区间的选取概率要经过变换得到，以优解集为例：

pr(i)=p(i)Σj=0b1-1p(j)]]>

多样性好集合中的区间选取方法类似，合并参考集C＝D∪W；

子代的确定是通过两个子集的合并操作实现的，在此处子集合并是通过遗传算法的交叉、变异算子实现的，产生的子集为一个区间，根据该区间的数值范围生成子代，子集合并每代进行size次，生成size个子代。