基于粒度强化学习的炼钢过程气体能源动态预测调度方法研究

With the rise of “Green Manufacturing” conception, attention has been increasingly paid on the environment protection and efficient resource utilization for the global industry. Iron-steel production plays a major role on energy consumption for the whole industry, and steel-making process is one of the key section of it for which the study on its real-time gaseous energy scheduling problem is beneficial for promoting the overall energy utilization of the enterprise. Taking gaseous energy system of steel-making process into consideration, this project combines Granular Computing with Reinforcement Learning so as to solve the related dynamic prediction and scheduling problem, which involves: industrial semantics based data adaptive granulation, multi-output long-term prediction intervals construction and its dynamic optimization, Granular Reinforcement Learning based scheduling method. As a result, it is expected to form novel theories and methods on predicting and scheduling the gaseous energy by means of thoroughly merging Granular Computing and Reinforcement Learning. The application will be helpful for grasping the trend of the gaseous energy and supporting decision making so that energy-saving and emission-reduction level for the enterprise is sufficiently improved, along with the international competitiveness of China’s iron-steel industry is evidently enhanced.

随着“绿色制造”理念的兴起，全球工业对于环境保护和资源高效合理利用的重视程度与日俱增。钢铁生产是工业能源消耗大户，而炼钢过程是其关键环节，相关气体能源实时调度问题的研究有助于带动钢铁企业整体能源利用水平的提升。本项目以炼钢过程气体能源系统为研究对象，拟基于粒度计算、强化学习等方法的融合，研究其动态预测调度问题，具体包括：基于工业语义的数据自适应粒度化，具备动态优化机制的多输出长期区间预测和基于粒度强化学习的优化调度方法。通过本项目的研究，有望形成粒度计算与强化学习全面融合的炼钢气体能源系统动态预测调度新理论和新方法，成果的应用将有助于现场掌握能源变化趋势、支撑调度决策，从而有效提升企业整体节能减排水平，显著增强我国钢铁工业的国际竞争力。

钢铁生产是工业能源消耗大户，而炼钢过程是其关键环节，相关气体能源实时调度问题的研究有助于带动钢铁企业整体能源利用水平的提升。本项目以炼钢过程气体能源系统为研究对象，分别针对以下三个方面开展了深入的研究工作：a.炼钢过程气体能源系统数据的预处理；b. 炼钢过程气体能源产消趋势的多时间尺度区间预测；c.炼钢过程气体能源系统的优化调度。主要的模型方法研究工作包括：首先针对非周期性数据的粒度划分问题，提出了一种多层次数据自适应粒度化模型，为应用粒度计算提供基础；随后，提出一种针对含缺失点数据集的动态贝叶斯网络两阶段区间预测模型、一种基于粒度计算和强化学习的长期区间预测模型；最后，基于粒度因果关系，提出一种炼钢过程多煤气介质联合优化调度方法。依托本项目研究，课题组与国外多个计算智能领域的专家及团队建立了良好而紧密的合作关系，包括加拿大阿尔伯塔大学Witold Pedrycz教授、加拿大卡尔加里大学Henry Leung教授等。结合本项目共培养博士研究生3人、硕士研究生10人，其中已获得博士学位1人、已获得硕士学位6人。.本项目所研究的上述模型方法，目前已集成到现场的预测调度应用软件系统中，并在内蒙古包钢、湛江钢铁、首钢京唐等厂区能源中心运行良好。炼钢过程气体能源产消趋势的预测精度相较于之前方法提高5.8个百分点以上，并为现场平均气体放散率降低约2.3个百分点。