一种基于改进遗传算法的钢铁企业煤气-电力协同优化调度方法

本发明属于钢铁企业能源优化调度，具体涉及一种基于改进遗传算法的钢铁企业煤气-电力协同优化调度方法。

背景技术：

1、钢铁行业作为国民经济的支柱产业，能源消耗量较高。钢铁生产过程中产生的高炉煤气（bfg）、焦炉煤气（cog）和转炉煤气（ldg）是三类核心副产燃料气，年排放量超过1000亿立方米，既是重要的二次能源，也是企业降本增效和碳减排的关键抓手。

2、然而，副产煤气具有生产时空波动大、热值差异显著、存储调节能力有限的固有特性。同时，钢铁企业电力需求与煤气供应存在强耦合关系，电力需求不仅总量巨大，还具有峰谷电价差显著、时段需求不均的特点，峰时段电价有时超过谷时段电价3倍以上。供需两端的交织波动使得能源调度极为复杂。

3、传统钢铁企业多依赖基于人工经验的静态分配策略，导致煤气放散率高、外购电成本高、能源协同性差。现有研究虽已引入数学规划和智能优化算法，但仍存在明显局限性：大多聚焦于单一气源的生产优化，且未能充分刻画煤气小时级波动与电力峰谷需求的耦合关系，导致缺乏煤气与电力的深度协同；煤气与电力双储能约束设计不完善；传统算法在多约束动态调度场景下的收敛效率和工程可行性不足。

4、因此，亟需开发一种能够同时考虑煤气特性、电力峰谷电价、双储能约束的高效优化调度方法，以实现钢铁企业能源成本与能耗的双重优化。

技术实现思路

1、本发明是为解决现有方法缺乏煤气与电力的深度协同、双储能约束体系不完善、优化过程的收敛效率低及工程可行性差的问题，而提出了一种基于改进遗传算法的钢铁企业煤气-电力协同优化调度方法。

2、本发明为解决上述技术问题所采取的技术方案是：一种基于改进遗传算法的钢铁企业煤气-电力协同优化调度方法，所述方法具体包括以下步骤：

3、步骤一、输入时间维度参数、电站参数、煤气参数、电力参数以及遗传算法的参数；

4、步骤二、将每小时购电量和每小时各个电站的耗气量映射为连续型调度决策变量，采用峰谷差异化预分配机制和调度决策变量生成初始种群，初始种群中的每个个体均为整个调度周期对应的一种小时级调度方案；

5、步骤三、分别计算种群中每个个体的适应度函数值；

6、步骤四、根据种群中每个个体的适应度函数值以及精英保留与锦标赛选择相结合的混合选择策略对种群中的个体进行选择，再对选择出的个体进行交叉和变异，得到下一代种群；

7、步骤五、若已经达到最大迭代次数，则将整个迭代过程中获得的适应度函数值最大的个体作为最优煤气-电力联合调度方案输出；

8、否则，若未达到最大迭代次数，则继续对步骤四中获得的种群返回执行步骤三。

9、进一步地，所述时间维度参数包括调度周期内的小时索引、调度周期内的日期索引、调度周期中每日内的小时索引、时段类型索引；其中：

10、；，为调度周期内的总天数；，，为调度周期内的总小时数；，代表峰时段，代表平时段，代表谷时段；

11、所述电站参数包括电站索引、发电所需的燃气类型索引、煤气工艺环节索引；其中：

12、，为钢铁企业的电站总数；，代表高炉煤气、代表焦炉煤气、代表转炉煤气；，代表发电环节、代表后处理环节；

13、所述燃气参数包括每小时各类煤气产量、每小时各类煤气前端消耗量、每小时各类煤气可用于发电的量、各个电站在每小时对各类煤气的消耗量、各个电站在每小时的总煤气消耗量、各个电站在一个小时内的最大煤气处理能力、在各个小时末的各类煤气储气量、各类煤气储气罐的最大存储容量、各类煤气储气罐的最小安全储气量、每个电站对各类煤气的消耗配比系数、各个工艺环节的煤气逸散率；

14、所述电力参数包括各个电站的发电效率、各个电站在每小时的净发电量、各个电站在每小时的充电量、各个电站在每小时的放电量、各个电站的电力储能容量上限、各个小时的总发电量、各个小时的购电量、各个小时的电力需求量、各个时段的电价。

15、进一步地，所述遗传算法的参数包括种群规模、迭代次数、交叉率、变异率、精英率和锦标赛规模。

16、进一步地，所述步骤二的具体过程为：

17、步骤二一、读取钢铁企业历史整个调度周期的基础运行参数，所述基础运行参数包括各类煤气的小时产量，前端用户对燃气的小时消耗量，各电站的小时最大煤气处理能力，各类煤气储气罐的上、下限容量和电站电力储能容量上限；

18、步骤二二、根据煤气可用量约束、电站燃气配比约束和电力供需平衡约束，并结合峰谷时段的差异化煤气分配策略初始化种群中的个体。

19、进一步地，所述步骤二二的具体过程为：

20、步骤二二一、分别设计煤气可用量约束、电站燃气配比约束和电力供需平衡约束；

21、步骤二二二、在满足步骤二二一中的全部约束的基础上，通过对峰谷时段采用差异化的煤气分配策略，逐小时计算各类煤气的可用发电量及各个电站的最大可消耗煤气量；

22、步骤二二三、设置个体编码长度为：

23、

24、其中，为调度周期总小时数，为电站总数；

25、当时，生成的个体中第个元素代表第小时的购电量；

26、当时，生成的个体中第个元素代表第个电站在第小时的总煤气消耗量；

27、根据步骤二二二的计算结果生成初始种群中的各个个体，再对生成的每个个体分别进行双储能约束验证，直至获得内部每个初始个体均满足双储能约束验证的初始种群。

28、进一步地，所述步骤二二一中，煤气可用量约束为：

29、

30、其中，表示第小时的类煤气产量，表示第小时的类煤气前端消耗量，表示第小时的类煤气可用于发电的量；

31、电站燃气配比约束为：

32、

33、其中，表示第个电站在第小时对类煤气的消耗量，表示第个电站消耗类煤气的固定配比系数，表示第个电站在第小时的总煤气消耗量；

34、且满足：

35、

36、

37、其中，表示第个电站的小时最大煤气处理能力，表示第小时末类煤气储气量；

38、电力供需平衡约束为：

39、

40、其中，为第小时的购电量，为第小时的电力需求量，为第小时总发电量，表示第个电站在第小时的充电量；

41、

42、其中，表示第个电站在第小时的净发电量，表示第个电站在第小时的放电量；

43、

44、其中，表示第个电站的满负荷发电效率。

45、进一步地，所述双储能约束包括煤气储气罐容量约束和电力储能容量约束，其中：

46、所述煤气储气罐容量约束为：

47、

48、其中，表示小时末的类煤气的储气量，表示类煤气的储气罐最小安全储气量，表示类煤气的储气罐最大安全储气量；

49、

50、其中，表示小时末的类煤气的储气量，表示小时的类煤气的超储溢出量；

51、

52、所述电力储能容量约束为：

53、

54、其中，表示第个电站的电力储能容量上限，为第个电站第小时充电量，为第个电站第小时放电量；

55、且满足：

56、

57、

58、 。

59、进一步地，所述适应度函数值的计算方法为：

60、

61、其中，为个体适应度函数值，表示调度周期内总购电成本，表示基于总煤气放散量折算的煤气放散等效处理成本；

62、

63、其中，为第s类时段的电价，p代表峰时段、n代表平时段、o代表谷时段，为第t小时购电量；

64、

65、其中，表示煤气放散量，表示单位体积煤气放散综合处置单价；

66、

67、其中，为第t小时g类煤气的超储溢出量，为发电环节煤气逸散率，为后处理环节煤气逸散率。

68、进一步地，将精英保留与锦标赛选择相结合的混合选择策略为：将种群中适应度函数值最高的10%的个体直接复制并保留，然后通过锦标赛选择确定出其余90%的个体；

69、对选择出的个体进行交叉具体为：随机选取一个自然日边界作为分割点，再从选择出的全部个体中随机获取两个个体，将随机获取的两个个体分别称为父代1和父代2，将父代1的前半段编码与父代2的后半段编码组合生成一个新的子代；将父代1的后半段编码与父代2的前半段编码组合生成另一个新的子代；

70、变异操作的具体过程为：对于不同时段，分别为个体中的购电基因和电站耗气量基因设置不同的差异化变异范围。

71、更进一步地，所述分别为个体中的购电基因和电站耗气量基因设置不同的差异化变异范围，具体为：

72、在峰时段：

73、将购电量基因的变异范围限制为；将电站耗气量基因的变异范围限制为；

74、在谷时段：

75、将购电量基因的变异范围限制为；将电站耗气量基因的变异范围限制为；

76、其中，为第小时的电力需求量，表示第个电站在第小时对类煤气的消耗量。

77、本发明的有益效果是：

78、本发明构建以每小时煤气产量、前端煤气消耗量、电力需求、分时电价、储气罐和电站初始状态为输入量，以每小时购电量、各电站耗气量、充放电量和各类煤气放散量为输出量，并以最小化钢铁企业总购电成本为核心优化目标，同时将最小化煤气放散量作为辅助优化目标的小时级煤气-电力耦合调度模型，实现煤气与电力的深度协同。并为模型引入煤气储气罐容量约束与电站电力储能约束，以完善煤气-电力双储能约束体系，最后对传统遗传算法进行改进，以提高收敛效率和工程可行性。