一种考虑能耗的钢厂生产调度方法及系统

技术领域

本发明涉及冶金控制技术领域，具体涉及一种考虑能耗的钢厂生产调度方法及系统。

背景技术

钢厂生产过程是一个典型的高温、离散-连续混合的化学物理变化过程，其包括炼钢、精炼和连铸三个主要过程，每个炉次按生产钢种的工艺路径经过各个工序实现从液态铁水到固态钢坯的转换。其中，炼钢和精炼工序是按炉次(同一转炉冶炼的钢水)加工的离散作业过程，连铸工序是按浇次(同一连铸机上连续浇铸的炉次集合)内炉次排序加工的离散-连续混合过程。钢厂生产过程具有多阶段、多并行机、多任务的特点，钢厂的生产工艺特点是:(1)连铸工序同一浇次内的炉次必须实现连续浇铸，且同一铸机上相邻浇次之间存在一个准备时间。(2)所有炉次加工需经过炼钢、精炼和连铸三个过程，但不同钢种有特定的工艺路线，可能存在多重精炼。(3)能源系统的运行与生产过程密切相关。能源消耗满足生产过程的需要，炉次加工也促进了能源的转换。(4)每个工序有多台同类设备并行可用，每个设备机器只能同时加工一个炉次。(5)不考虑相邻工序间的运输设备的分配，假设其能力是充足的，但相邻工序间的运输时间是需要考虑的。

而钢厂的生产过程是形成钢铁产品品种和质量的关键环节，它具有复杂的生产工艺和高温运行特征。在该过程中，物质流和能量流是相互耦合的。物质流的加工需要在能量流的作用下完成，能源是保证物质流顺行的基本条件。同时，鉴于物质流高温运行特点，能量流的运行受物质流的生产运行状态的影响。钢厂生产调度作为钢铁生产系统运行控制的主要技术手段，是实现钢铁企业节能降耗的重要手段。一方面，在制造流程上通过工序间的高效衔接降低由温降导致的额外能耗；另一方面，在制造单元通过稳定能源的消耗量和产生量来保障能源系统的安全平稳运行。因此设计一种在满足生产要求的前提下实现耗能最少并保障能源系统安全稳定运行的钢厂生产调度方案是急需的。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种考虑能耗的钢厂生产调度方法及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种考虑能耗的钢厂生产调度方法，包括以下步骤：

S1，获取钢厂的生产批量计划，钢厂生产工艺参数和能耗参数；

S2，建立以钢厂生产过程能耗、能耗波动以及生产效率为目标的钢厂生产调度多目标函数；

建立生产工艺及能源相关约束条件；

构建钢厂生产调度多目标模型；

求解该模型，得到Pareto最优解；

S3，输出钢厂生产调度方案，并形成调度指令控制钢厂生产过程运行。

本发明在钢厂生产调度的过程中考虑能耗，能够在提高钢厂生产效率的前提下实现节能降耗，同时保障能源系统安全稳定运行的目标。

本发明在钢厂生产调度的过程中考虑能耗，在提高生产效率的前提下，减少了工序之间钢水温降，降低了炉次综合能耗，实现了系统的节能，稳定了氧气消耗量和转炉煤气产生量，使管网压力的波动尽可能保持在正常范围内，保证了能源系统的安全稳定运行。

根据本发明的一种优选实施方式，所述多目标函数包括以最小化能源消耗为目标，最小化能耗波动为目标，以及以最小化炉次最大完工时间或最小化等待时间两者中至少一者为目标建立的目标函数。

根据本发明的另一种优选实施方式，所述多目标函数还包括以最大化炉机匹配程度和/或最小化开浇时间偏差为目标建立的目标函数。

本发明采用最小化能源消耗，最小化能耗波动，以及最小化炉次最大完工时间和/或最小等待时间为目标，减少了工序之间钢水温降，降低了炉次综合能耗，实现了系统的节能，另外可以以最大化炉机匹配程度，最小化开浇时间偏差两者中至少一者为目标，提高生产效率，目标函数的选择多样性，可根据生产目的灵活设置，与实际生产适应性更好。

为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种考虑能耗的钢厂生产调度系统，其包括生产控制系统，所述生产控制系统执行本发明的考虑能耗的钢厂生产调度方法，生成钢厂生产调度方案，并形成生产调度指令控制钢厂生产过程按此方案运行。

本发明调度系统减少了工序之间钢水温降，降低了炉次综合能耗，实现了流程系统的节能，稳定了耗氧量和转炉煤气产生量，使管网压力的波动尽可能保持在正常范围内，保证了能源系统的安全稳定运行。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明考虑能耗的钢厂生产调度方法的流程图；

图2是本发明的多目标优化算法的求解流程图；

图3(a)是GD的平均置信区间；

图3(b)是RD的平均置信区间；

图3(c)是IGD的平均置信区间；

图4(a)是方案1和方案4的炉次综合能耗；

图4(b)是方案1和方案4的氧气消耗量曲线；

图4(c)是方案1和方案4的转炉煤气产生量曲线；

图5(a)是方案2和方案4的炉次综合能耗；

图5(b)是方案2和方案4的氧气消耗量曲线；

图5(c)是方案2和方案4的转炉煤气产生量曲线；

图6(a)是方案3和方案4的炉次综合能耗；

图6(b)是方案3和方案4的氧气消耗量曲线；

图6(c)是方案3和方案4的转炉煤气产生量曲线。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

现有钢厂生产过程主要包含3个生产环节:炼钢、精炼和连铸。一般性的钢厂生产过程为:从高炉运来的高温铁水经铁水预处理工序后兑入转炉冶炼成钢水,钢水倒入钢包内,通过天车或台车的运输作业,把钢水包运送至精炼环节,根据生产工艺要求依次在不同的精炼设备上精炼钢水,精炼完成后,再通过天车或台车,把钢水包运送至连铸并实施浇铸,形成铸坯。

在钢厂生产调度中,炉次是指某个转炉在一个冶炼周期内生产的钢水,由于一个炉次的钢水被装入一个钢包中,所以从炼钢到连铸前被调度的对象均为炉次,炉次是钢厂生产调度中最小的生产单元。浇次是指在同一连铸机上连续浇铸的炉次集合,是钢厂生产调度中最大的生产单元。

在生产过程中，工序之间存在等待问题，这将伴随能量的损耗，同时，如果各炉次、浇次加工安排不合理，也会造成能源的浪费。氧气和转炉煤气分别是主要的消耗能源和回收能源。氧气消耗量和煤气产生量的波动通常取决于所有转炉的耗氧量和煤气产生量。由于炼钢过程的固有特点，氧气消耗和煤气产生也表现出不连续性、不确定性和不均匀性。当管网能源流量不足或过大时，管网压力会发生波动。如果波动过大，会影响能源系统的安全性。因此，需合理调度，稳定耗氧量和煤气产生量，使管网压力的波动尽可能保持在正常范围内和稳定，减少了能源放散，同时保证了能源系统的安全稳定运行。本发明的研究内容就是基于生产批量计划,研究钢厂生产调度方法，以实现节能降耗以及保证能源系统安全稳定运行的目标。

如图1所示，本发明提供了一种考虑能耗的钢厂生产调度方法，包括以下步骤：

S1，获取钢厂生产批量计划，钢厂生产工艺参数和能耗参数。

具体包括且不限于：炉次、浇次数量；加工设备数量；浇次包含的钢种类别、浇次加工设备以及每个浇次内炉次顺序；炉次在各工序的作业时间及工序间的运输时间；设备最早可用时间；温降与等待时间的统计关系；能耗与物质流参数之间存在的统计关系，转炉工序的氧气流量和转炉煤气流量。以上数据来源于生产历史数据，可从钢厂的MES数据库和能源数据库获取，并可根据实时数据进行在线调整。具体可在钢厂设备上设置采集相应数据的传感器，例如在每个工序设备上都设置温度传感器，通过计算工序间的温降进而得到炉次的能量损耗；在每个工序设置能源用量检测传感器(例如以电或者燃气作为能源，可以分别设置电表，气表)，检测每个工序的能源用量，进而得到炉次的加工能耗；在转炉的供气管网上设置氧气流量计和煤气流量计，得到转炉工序的氧气流量和转炉煤气流量。

本实施方式中的已知量包括有：

Ψ

O

Ω：所有炉次的有序集合；

Ωn：浇次n包含的炉次集合；

|Ω

h

r

rt：连铸机上相邻浇次间的准备时间；

MT

CT

TT

PP

U：足够大的正整数，例如10000；

i：炉次索引，I为炉次总数，i＝(1,2,3……I)；

j:工序索引，J为工序总数，j＝(1,2,3……J)；

n为浇次索引，N为浇次总数，n＝(1,2,3……N)；

e

s

Ω：所有炉次的有序集合；

ω

ω

R

R

S2，建立以钢厂生产过程能耗、能耗波动以及生产效率为目标的钢厂生产调度多目标函数；在一种优选实施方式中，以最小化能源消耗为目标，最小化能耗波动为目标，以及以最小化炉次最大完工时间或最小化等待时间两者中至少一者为目标建立钢厂生产调度目标函数，建立生产工艺和能源相关约束条件，进而构建生产调度多目标模型；求解该模型，得到Pareto最优解。

具体生产调度多目标模型包括建立的多目标函数和约束关系。

即这里至少需要三个目标函数，这三个目标函数包括了最小化炉次最大完工时间或最小等待时间，还包括最小化能源消耗和最小化能耗波动。

根据本发明的另一种优选实施方式，多目标函数还包括以最大化炉机匹配程度和/或最小化开浇时间偏差为目标建立的目标函数。

在本实时方式中，例如以最小化能源消耗，最小化能耗波动，以及最小化炉次最大完工时间为目标的目标函数。或者例如以最小化能源消耗，最小化能耗波动，以及最小等待时间为目标的目标函数。或者例如以最小化能源消耗，最小化能耗波动，最小化炉次最大完工时间，最小化等待时间为目标的目标函数。或者例如以最小化能源消耗，最小化能耗波动，以及最小化炉次最大完工时间，最大化炉机匹配程度为目标的目标函数。或者例如以最小化能源消耗，最小化能耗波动，以及最小化炉次最大完工时间，最小化开浇时间偏差为目标的目标函数。

本实施例中的目标函数优选为：

以最小化炉次最大完工时间为目标的生产效率目标函数

最小化能源消耗为目标为目标的制造流程能耗目标函数

以最小化能耗波动为目标的制造单元能耗目标函数

以最小化炉次等待时间为目标的生产效率目标函数：

以最大化炉机匹配程度为目标的生产效率目标函数

以最小化开浇时间偏差为目标的生产效率目标函数

其中，目标f

目标f

目标f

目标f

目标f

目标f

其约束条件包括有基本调度约束、生产工艺约束以及决策变量约束。

基本调度约束：

一个设备一次只能加工一个炉次：

炉次在各工序最多被加工一次：

只有在前一工序完成后才能将炉次运送到下一工序：

炉次在某一工序上的开始作业时间不早于加工设备的最早可用时间：

生产工艺约束：

同一连铸机上相邻浇次之间必须有一个准备时间

能源管网压力必须控制在安全范围之内：

其中，Ψ

h

MT

对该目标函数进行求解的方法有遗传算法，或蚁群算法，或粒子群算法，或基于分解的多目标优化算法，或差分进化算发等。具体可采用现有的对目标函数求解的步骤，例如发明人之前已申请专利中采用的步骤。

本实施例中优选采用基于分解的多目标优化算法，具体求解可采用现有方法，在本发明的一个优选实施例中，如图2所示，具体步骤优选但不限于为：

A，采用切比雪夫方法将目标函数分解为多个子问题：初始化子问题数量N、邻域大小T、邻域的权重向量{λ

计算任意两个权重向量的欧氏距离，确定每个权重向量最近的T个邻域。

B，以炉次在各工序的加工设备进行染色体编码，形成初始化种群；在满足所有约束条件下，基于染色体中的设备信息对种群中的每一个染色体进行解码，进而获得炉次在加工设备上的开始作业时间、结束作业时间，将此作为每一个染色体对应的初始解。

具体地，进行染色体编码时采用二维矩阵编码，所述二维矩阵编码的每列代表钢厂生产过程中的一个工序；每个编码代表炉次在该工序的上分配的加工设备；如果某炉次不需要通过某工序，则该炉次在该工序的编码为零；

对该二维矩阵编码进行解码：

B-1，连铸工序，j＝J；获取各浇次的开浇时间，计算各炉次在连铸工序的开始作业时间s

B-2，精炼工序，1

计算炉次i在工序j的结束作业时间e

假设炉次i’为炉次i在设备m的紧后炉次，将所有炉次按e

B-3，炼钢工序，j＝1；

根据第二个工序的开始作业时间计算炉次在炼钢工序的结束作业时间e

假设炉次i’是炉次i在设备m的紧后炉次，所有炉次按e

然后执行步骤C，初始化目标向量z和外部种群EP。

这里的目标向量在算法中用来存每个目标的最优值，外部种群在算法中用来存解。

D，从每个邻域中随机选择两个染色体进行交叉和变异操作，生成一个新解。

本实施例中，交叉的具体步骤为:

步骤1：生成0到1之间的随机数r。如果r<0.5,执行步骤2；否则,执行步骤3。

步骤2:执行部分映射交叉并转到步骤4。

步骤3:均匀交叉。

步骤4:结束。

变异的具体内容为：采用均匀变异对交叉操作产生的子代按一定概率进行变异，从变异基因的取值范围中取一个随机整数来代替原来的基因值。

E，根据调度问题的特点，设计三种依赖解结构特征的邻域结构,利用邻域搜索算法提升步骤D产生的新解的质量。

本实施例中，该步骤具体为：

E-1，根据初始解的结构特点设计插入、交换和逆序三种邻域结构。

(1)插入:在某一工序随机选择两个位置k

(2)交换:在某一工序随机选择两个位置k

(3)逆序排列:在某一工序随机选择k

E-2，令邻域结构计数器为1。

E-3，基于E-1设计的邻域结构，在邻域中对当前解进行局部搜索，产生一个新解。

E-4，如果新解支配当前解，继续在当前邻域结构内搜索；否则邻域结构计数器加1。当新解代入目标函数后的计算结果优于当前解时，即新解支配当前解。

E-5，当满足终止条件时，执行步骤F；否则，返回步骤E-3在下一个邻域结构内搜索。这里的终止条件是指完成所有邻域结构中的搜索。

F，根据步骤E产生的新解更新目标向量和邻域解。邻域解即每个解相邻最近的T个解的集合。

G，更新外部种群。

H，判断是否满足算法停止条件，如果满足，执行步骤S3，如不满足，执行步骤E。这里的停止条件为算法中设置的迭代终止条件，即最大迭代次数。

S3，将获得的最优解生成最终的钢厂生产调度方案，并形成调度指令使钢厂生产过程按此方案执行钢厂生产。

下面通过数值实验验证本方法的有效性和其相对于经典多目标优化算法的优越性。通过对不同调度模式下优化结果的比较，验证所提模型的有效性。所有比较的算法都是在Python中实现的，并在1.80GHz和8RAM的个人计算机上执行。

对于本方法的性能分析，将生成12个实例。每个实例包括炼钢、LF、RH和连铸，每个工序的设备数量分别为5、5、3和5。工艺相关参数设置如表1所示。

表1、工艺相关参数

从收敛性、分布性和综合性能三个方面比较了该算法的性能。P

算法参数的设置对算法的性能有很大的影响，对于本方法，涉及五个可调参数，即子问题的个数N，迭代次数iterMax，邻域大小(T),交叉概率P

采用田口设计实验设计方法进行参数选择，选择正交阵列L

表2、算法参数水平

NSGA-II和SPEA2是生产调度问题中常用的两种多目标优化算法。为了评价本方法的性能，将其与NSGA-II和SPEA2进行了比较。NSGA-II和SPEA2也采用了这种编码和解码方法。此外，还利用无邻域搜索的MOEA/D(标准MOEA/D)对邻域搜索策略的性能进行了分析。分别用本方法、MOEA/D、NSGA-II和SPEA2求解12个实例，每个实例运行10次。

评价指标的平均置信区间如图3(a)、图3(b)、图3(c)所示。

图3(a)表明本方法的收敛性GD明显优于其他三种算法,从图3(b)可以看出，本方法的RD大于其他算法，并且本方法在分布上明显优于其他三种算法。图3(c)表明，本方法的IGD大于其他算法，本方法的综合性能优于其他3种算法，因此，从图3中GD、RD和IGD的比较结果可以看出，本方法在求解考虑能耗的钢厂生产调度问题时优于其他类似算法。

得出以下结论:(1)总体上，本方法得到的Pareto前沿更接近实际pareto前沿，解的分布和收敛性优于NSGA-II和SPEA2。另外，在评价指标的方差方面，本方法的性能比NSGA-II和SPEA2更稳定。(2)通过比较本方法和MOEA/D的结果可以看出，邻域搜索可以提高解的质量和MOEA/D的性能。

为了进一步验证该方法的有效性和合理性，分析了节能模式和高效模式两种调度模式下的优化结果。在节能模式中，生产效率和能耗同时得到优化，情景1、情景2和情景3分别具有三个优化目标的最优值。不考虑能源消耗指标的高效模式为情景4。该案例中有10个浇次，每个浇次有5个炉次。图4(a)至图6(c)给出了节能模式和高效模式的炉次综合能耗、氧气消耗量曲线和煤气产生量曲线。

方案4的优化结果是{1102min,1060kgcr,6803Nm

本发明提供了一种考虑能耗的钢厂生产调度系统，其包括生产控制系统，所述生产控制系统执行本发明的考虑能耗的钢厂生产调度方法，生成钢厂生产调度方案，并形成生产调度指令控制钢厂生产过程按此方案运行。

本发明生产调度系统在提高生产效率的同时减少了工序之间钢水温降，降低了炉次综合能耗，实现了流程系统的节能，稳定了耗氧量和转炉煤气产生量，使管网压力的波动尽可能保持在正常范围内和稳定，保证了能源系统的安全稳定运行。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。