基于深度模型的高炉煤气系统调度方法及应用

发布时间：2023-12-10 13:25

　　高炉煤气系统作为典型的二次能源系统是钢铁生产中的重要环节,其平稳运行是企业高效生产,节能减排的重要保证。因此,对高炉煤气系统进行建模与调度对企业生产意义重大。本文基于深度学习方法对高炉煤气系统中的运行调度及其相关问题开展研究,为基于工业数据的预测与调度方法奠定基础。针对能源数据管理系统中的数据缺失问题,提出一种基于深度生成模型的生成式填补算法。通过融合变分自编码器与生成对抗网络为生成模型提供可解释的输入空间,并通过向目标函数中加入重构损失函数的方式实现生成序列与目标序列间的匹配。同时利用多时间尺度序列分解分别对多个时间尺度下的子序列实现填补,降低数据生成难度,提高填补精度。针对高炉煤气系统平衡调度问题,在深度强化学习框架下将调度问题转化为特定工况下的最优生产参数搜索,通过策略网络输出当前生产状态下合理的调度方向。同时将约束条件加入奖励函数以规避复杂的约束求解。此外,为了加快网络收敛速度,提高算法稳定性,添加了基于历史调度经验的预训练环节。为了实现调度评价,提出一种基于门控循环神经网络的多因素输入短期柜位趋势预测模型对调度模型中策略网络输出的调度动作进行评估和反馈。为验证本文算法在现有能...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与目的
    1.2 国内外研究现状
        1.2.1 数据驱动二次能源管控研究
        1.2.2 深度学习方法
    1.3 本文主要工作
2 问题描述及算法描述
    2.1 钢铁高炉煤气系统介绍
    2.2 深度学习算法介绍
        2.2.1 生成对抗网络
        2.2.2 循环神经网路
        2.2.3 强化学习与深度强化学习
    2.3 本章小结
3 基于深度生成模型的数据填补
    3.1 基于生成对抗网络的数据填补框架
    3.2 多尺度填补模型
        3.2.1 经验模态分解
        3.2.2 多尺度特征生成填补网络
    3.3 数值实验与分析
    3.4 本章小结
4 基于深度学习的煤气系统预测及调度模型
    4.1 基于门控神经网络的预测建模
        4.1.1 序列-序列预测网络
        4.1.2 模型输入因素分析
    4.2 基于深度强化学习的调度模型
        4.2.1 调度问题建模
        4.2.2 系统调度目标
        4.2.3 调度模型实现
        4.2.4 模型训练优化
    4.3 数值实验与分析
        4.3.1 预测模型效果分析
        4.3.2 调度模型有效性验证
    4.4 本章小结
5 系统运行验证
    5.1 应用背景
    5.2 系统设计
        5.2.1 系统架构及运行环境
        5.2.2 软件功能设计
    5.3 仿真运行实例
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3872497