一种钢铁生产能碳污控制参数动态协同优化方法及装置与流程

本发明涉及钢铁生产过程控制，尤其涉及一种钢铁生产能碳污控制参数动态协同优化方法及装置。

背景技术：

1、在现有技术中，针对钢铁企业的能源优化调度已有较多研究和应用。例如，面向钢铁企业氧气、煤气、电力、蒸汽等能源介质的优化调度方法，利用需求预测模型和优化算法对各类能源介质进行供需平衡调度，以实现能源系统安全、稳定、高效运行。这类方案能够改善能源介质供需平衡、提高能源系统运行效率，但其优化对象通常局限于某一类能源介质或某一能源子系统，重点在于节能或能源经济调度。此外，针对烟气脱硫、脱硝、除尘等末端治理系统，已有基于在线监测、预测模型和控制策略的优化控制方法，例如通过建立脱硫脱硝系统仿真模型和污染物浓度预测模型，对浆液喷淋量、喷氨量等控制参数进行优化。这类方案能够提高环保设施运行稳定性和污染物达标控制能力，但主要面向末端治理设施，通常未从钢铁生产源头工艺参数、能源消耗和碳排放之间的耦合关系出发进行整体优化，可能存在污染物达标但能源消耗增加、药剂消耗增加或碳排放上升的问题。

2、然而，上述现有技术存在明显不足。首先，传统的钢铁企业信息化系统中，能源管理系统（ems）、环保监测系统（cems）以及生产调度系统（mes）相互孤立，数据难以互通共享。其次，现有碳排数据大多基于月末物料平衡表人工核算，具有严重的时间滞后性，底层工业控制器无法根据动态的碳足迹、污染物实时生成速率以及多变的碳交易市场价格和电力现货价格实时调整设备运行参数。再者，现有的所谓智能调度方法往往仅将通用的神经网络模型套用于钢厂历史数据，缺乏对钢铁复杂冶金物理化学反应机理的深度融合，导致模型在生产边界波动时预测精度大幅下降。更为关键的是，现有方法大多只针对单一优化目标，或降低能耗、或控制碳排放、或减少污染物排放，鲜有将碳排放、污染物排放与能源消耗纳入统一的多目标优化框架中协同求解。这种单目标或割裂式的优化方式，容易导致降碳可能增污、减污可能增能耗、节能可能影响质量的困局，难以实现钢铁全流程的减污降碳协同治理。

3、因此亟需一种针对全流程进行协同管控，实现多目标优化的方案。

技术实现思路

1、鉴于此，本发明实施例提供了一种钢铁生产能碳污控制参数动态协同优化方法及装置，以解决现有钢铁生产控制中碳排、污染、能耗数据无法实时感知与跨工序协同，且纯数据驱动模型缺乏冶金机理约束导致控制指令无法安全下发至底层设备的难题。

2、一方面，本发明提供一种钢铁生产能碳污控制参数动态协同优化方法，该方法包括以下步骤：

3、获取针对钢铁生产过程中铁前工序、炼钢工序、轧钢工序和末端治理工序的动态生产数据，所述动态生产数据包括过程控制参数和运行状态参数；

4、获取基于transformer或图神经网络预训练的，并引入冶金过程物理化学机理约束的钢铁生产全流程数字孪生模型作为机理模型；所述钢铁生产全流程数字孪生模型以图结构化的动态生产数据为输入，并输出对瞬时碳排放强度、污染物瞬时生成速率以及综合能耗效率的预测；所述动态生产数据是针对钢铁生产流程构建的，节点为钢铁生产过程中的监测点位并记录运行状态，边为物料与能量流向和参量；

5、获取碳交易市场动态价格、污染物治理处罚价格和外部电力现货实时价格，构建针对碳排放成本、污染物治理处罚成本和能耗成本的多优化目标，所述多优化目标引入时序滞后因子进行时空滞后补偿；采用以所述机理模型为引导的多目标粒子群优化算法，对所述过程控制参数中的各项求满足所述多优化目标的帕累托解集，引入多属性决策基于最大化模糊满意度原则在所述帕累托解集中筛选最优解，以确定当前最佳控制靶位及其对应的目标参量；

6、根据所述当前最佳控制靶位的所述目标参量以及在所述动态生产数据中记录的当前参量，生成底层硬件可执行的控制信号并下发。

7、在一些实施例中，所述方法还包括：采用滑动窗口中位数滤波算法剔除所述动态生产数据中的异常噪点；以及对所述动态生产数据中的多个指定参数按照设定时长时间窗口计算变异系数构建反映高炉内流场波动或加热炉燃烧扰动的补充特征向量。

8、在一些实施例中，所述钢铁生产全流程数字孪生模型的预训练步骤包括：

9、获取训练样本集，所述训练样本集为钢铁生产过程中铁前工序、炼钢工序、轧钢工序和末端治理工序的历史生产数据，所述历史生产数据包括历史过程控制参数及其对应的历史补充特征向量；根据历史物能消耗参数和历史末端治理前后烟气参数计算各时刻瞬时碳排放强度、污染物瞬时生成速率以及综合能耗效率作为标签；

10、将所述训练样本集中的所述历史生产数据进行图结构化，所述历史生产数据是针对钢铁生产流程构建的，节点为钢铁生产过程中的监测点位并记录运行状态，边为物料与能量流向和参量；

11、采用所述训练样本集对初始神经网络模型进行训练，所述初始神经网络模型包括输入层、时空特征提取层和输出层，所述输入层用于导入结构化的所述历史生产数据并提取初始工艺特征，所述时空特征提取层基于工业transformer的自注意力机制对所述初始工艺特征提取时空注意力特征，所述输出层采用多层感知机融合所述时空注意力特征并输出对瞬时碳排放强度、污染物瞬时生成速率以及综合能耗效率的预测值；

12、基于所述预测值与所述标签的偏差构建数据监督损失，并加权引入碳素物料平衡约束项、热平衡约束项和污染物燃烧反应动力学上限约束项得到总损失函数；所述总损失函数采用神经切线核自适应动态权重算法对权重进行实时动态重构；最小化所述总损失函数对所述初始神经网络模型进行参数更新得到所述钢铁生产全流程数字孪生模型。

13、在一些实施例中，所述碳素物料平衡约束项中，计算进入钢铁生产工序的总碳量与产出的物料碳量、气相排放碳量总和之间的碳素输入输出残差，并根据所述碳素输入输出残差构建非对称残差损失项作为碳元素守恒损失；

14、所述热平衡约束项用于约束中，计算热平衡瞬时残差，并根据所述热平衡瞬时残差构建非对称残差损失项作为热平衡损失；

15、所述污染物燃烧反应动力学上限约束项中，利用max(0,)函数构建惩罚项作为污染物损失，在污染物产出超物理上限时激活惩罚；

16、所述总损失函数的计算式为：

17、(=(+(+((；

18、其中，(表示所述总损失函数，(表示所述数据监督损失，(表示所述碳元素守恒损失，(表示所述热平衡损失，(表示所述污染物损失；、和为各损失项的权重系数。

19、在一些实施例中，所述方法还包括：

20、对权重系数、和引入神经切线核自适应动态权重算法进行更新，计算式为：

21、；

22、其中，表示权重系数在时刻的值，表示权重系数在时刻的值；表示各项损失对网络参数的梯度；表示梯度的绝对值；

β为平滑因子。

23、在一些实施例中，构建针对碳排放成本、污染物治理处罚成本和能耗成本的多优化目标，计算式为：

24、

；

25、其中，表示针对所述过程控制参数中的各项操作x，引入所述碳交易市场动态价格计算得到的所述碳排放成本；表示针对所述过程控制参数中的各项操作x，引入所述污染物治理处罚价格计算得到的所述污染物治理处罚成本；表示针对所述过程控制参数中的各项操作x，引入所述外部电力现货实时价格计算得到的能耗成本；对其中的变量引入时序滞后因子，用于约束第i个工序对j检测点操作调整的延迟响应时间。

26、在一些实施例中，采用以所述机理模型为引导的多目标粒子群优化算法，对所述过程控制参数中的各项求满足所述多优化目标的帕累托解集，包括：

27、令每个粒子的位置代表一组钢铁生产的过程控制参数，其速度更新公式为：

28、；

29、位置更新公式为：；

30、其中，表示第k代迭代中粒子i在第d维控制变量上的速度，表示第k代迭代中粒子i在第d维控制变量上的位置，w表示惯性权重，和为个体与社会学习因子，和为0~1的随机数，为至k代粒子i在第d维控制变量上的最优取值，为外部帕累托非劣解集中通过拥挤距离选择出的至k代的全局最优解；为机理引导修正项；

31、；

32、其中，表示机理引导因子，为0~1的随机数，表示理论最优参数。

33、在一些实施例中，引入多属性决策基于最大化模糊满意度原则在所述帕累托解集中筛选最优解，包括：

34、对第j个帕累托解的第m个目标函数建立隶属度函数，计算式为：

35、；

36、则所述当前最佳控制靶位满足：

37、；

38、其中，表示第m个目标函数的下限，表示第m个目标函数的上限，为权重系数，满足。

39、在一些实施例中，根据所述当前最佳控制靶位的所述目标参量以及在所述动态生产数据中记录的当前参量，生成底层硬件可执行的控制信号并下发，包括：

40、构建前馈控制基准，计算式为：

41、；

42、其中，为所述当前最佳控制靶位的所述目标参量，表示工业控制映射函数，表示所述前馈控制基准；

43、计算反馈偏差修正值，计算式为：

44、；

45、

e(t) =x

opt

(t) -y

real

(t)；

46、其中，表示所述反馈偏差修正值，

y

real

(t)表示所述当前最佳控制靶位的当前实际参量，

e(t)表示参量偏差，表示参量偏差累积量，表示参量偏差变化率，、和为权重系数；

47、根据所述前馈控制基准和所述反馈偏差修正值得到最终下发的所述控制信号，计算式为：

48、；

49、其中，表示最终下发的所述控制信号。

50、另一方面，本发明还提供一种钢铁生产全流程控制参数动态协同优化装置，包括处理器、存储器及存储在存储器上的计算机程序或指令，所述处理器用于执行所述计算机程序或指令，当所述计算机程序/指令被执行时该装置实现上述方法的步骤。

51、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序或指令，该计算机程序或指令被处理器执行时实现上述方法的步骤。

52、另一方面，本发明还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述方法的步骤。

53、本发明所述钢铁生产能碳污控制参数动态协同优化方法及装置，首先利用分布式边缘计算网关实时采集铁前、炼钢及轧钢工序中的过程控制参数、物能消耗参数及烟气排放参数等动态生产数据；进而构建基于工业transformer或图神经网络的数字孪生模型，该模型通过在图结构上嵌入碳素物料平衡、热力学平衡及反应动力学等冶金机理约束方程组，并在损失函数中引入基于神经切线核的自适应动态权重算法以调和数据驱动与物理约束间的梯度冲突，从而实现对瞬时碳排放强度、污染物瞬时生成速率及综合能耗效率的高保真预测；在此基础上，引入碳交易市场价格、污染物治理处罚价格及电力现货价格等外部经济信号，构建包含碳排放成本、污染物治理处罚成本和能耗成本的多目标优化函数，并采用以所述机理模型为引导的多目标粒子群优化算法进行帕累托最优求解，通过模糊满意度最大化原则从解集中筛选出当前最佳控制靶位；最终将优化后的控制参数转化为硬件执行信号，实现底层设备的闭环联动调节。本发明通过将冶金机理约束嵌入数字孪生模型，有效剪枝了违反物理规律的预测结果，确保在原料成分剧烈波动等复杂工况下模型预测精度保持在较高水平，从根本上避免了纯数据驱动模型因缺乏机理约束而导致的算法发散问题，保障了控制指令下发的安全性和可靠性。通过构建包含碳排放、污染物排放与能源消耗的多目标协同优化框架，并引入外部碳价与电价等动态经济信号，打破了传统ems、cems与mes系统相互孤立的局限，实现了从单一目标或割裂式优化向碳、污、能协同优化的转变，有效解决了降碳可能增污、减污可能增能耗的困局。通过在优化目标中引入时序滞后因子进行时空滞后补偿，使系统能够根据前序工序操作变化提前预测末端污染物生成高峰，显著降低了污染物超标排放风险。通过机理引导的多目标粒子群优化算法与模糊满意度决策机制，实现了多冲突目标下的最优折中解的快速求解与唯一输出，结合前馈反馈联合控制策略，确保了优化指令在底层plc/dcs中的精准跟踪与抗扰执行。

54、本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

55、本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。