01研究背景在鋼鐵工業生產過程中，高爐煤氣（blastfurnacegas，BFG）是保障熱軋、冷軋、燒結等工序正常生產的重要的二次能源，合理對其進行調度對提高企業生產效率、提升經濟效益、實現節能降碳等具有重要意義。目前，我國鋼鐵企業的能源調度大多采用基于人工經驗的方式，通過觀察當前采集的煤氣發生量、消耗量的波動趨勢以及煤氣柜柜容、可調節用戶實時消耗量等數據，預估煤氣系統未來一段時間內的運行狀態，并依據其經驗知識作出調度決策。然而，BFG系統是一個復雜的多輸入多輸出系統，其固有的高動態性和非線性，導致現場工況復雜多變，加之調度人員經驗的局限性和差異性，可能會使得調度效果不理想，從而增加經濟成本和環境負擔。數據驅動的方法是研究其優化調度問題的重要手段，然而傳統基于預測模型的調度方案在場景分析方面存在一些不足。加之BFG管網錯綜復雜，能源產、消、儲單元分布廣泛、耦合性強，難以建立一個全面、準確的模型來描述其高維非線性及動態性。此外，常用預測模型多通過學習歷史樣本的分布特征，得到與之分布相近的預測場景，因此得到的也大多為歷史數據中已出現的場景，在面對新出現的工況種類時，基于其給出的決策方案可行性難以保證。02研究方法為了提高面對新工況時模型的調度方案可行性，提出了以生成對抗網絡（generativeadversarialnetworks，GAN）為核心的調度方法。由于BFG產消過程波動大，采集的數據存在噪聲，而傳統GAN只有一個生成器，在其訓練過程中，雖然生成器學習到了所有場景要素的特征，但在優化訓練噪聲向量過程中，工業產消數據蘊含的噪聲對場景的生成過程產生了較大影響，導致最終生成的場景存在較大隨機性，符合生產工藝的數量較少。為此，本研究利用包含多生成器的改進GAN，對不同場景要素分別進行特征學習，結構如圖1所示。圖1改進的模型結構本研究提出的基于生成對抗網絡的高爐煤氣系統調度場景生成方法的主要步驟如下：1）將各變量的實時采集數據劃分成長度為等長的時間序列，建立以產消差值、煤氣柜柜位以及可調單元消耗流量為要素的調度場景；2）通過對調度場景進行分解，利用多個生成器學習擬合不同場景要素的分布特征，考慮到生成對抗網絡訓練過程中容易出現模式崩潰的問題，采用Wasserstein距離替代JS散度，并引入梯度懲罰策略以提高模型訓練的穩定性；3）將不同生成器生成的樣本按照要素順序進行拼接整合，以得到與真實調度場景維度一致的生成場景，并將整合后的生成場景作為判別器的輸入，從而判斷其與真實樣本分布特征的相似程度。此外，整合后的生成數據包含不同場景要素之間的關聯信息，判別器可據此判斷生成場景是否滿足真實場景之間的相關性；4）根據判別器輸出的結果更新模型，并進行博弈訓練，直至模型達到納什平衡。03研究結果以國內大型鋼鐵企業BFG系統實際運行數據為訓練樣本進行實驗，通過對比真實場景、標準GAN模型生成場景及所提模型生成場景中柜位變化，從數據波動程度方面對生成場景進行評估。并從數值分析的角度，利用概率密度函數和自相關系數進一步對比生成場景和真實場景之間的相似性。概率密度函數體現了時間序列的統計特征，自相關系數反映了時間序列前后數據的相關性及周期性變化規律。實驗結果表明，模型能有效學習到真實場景分布規則，二者頻率直方圖相似，兩種概率密度函數分布相近，自相關系數基本重合，具有相近的統計特征，即生成場景能夠表征實際運行過程。為了驗證基于生成場景集的調度方案的可行性，利用模型生成場景進行調度仿真實驗，將調度場景的柜位趨勢與所提方法生成的調度場景集進行場景匹配，通過計算該真實場景與生成場景之間的相似性，選出與之最相近的生成場景，并計算其可調單元消耗量。實驗結果顯示，相比于人工調度方案，基于該生成場景集的調度方案能夠在面對不同工況的情況下，保證煤氣柜在安全區間內穩定運行，在一定程度上減少了煤氣的放散，提高了系統運行的安全性與經濟性。(a)柜位超出上限的情況(b)柜位超出下限的情況圖2柜位超限調度實例04研究結論1)針對BFG系統歷史數據中典型調度場景匱乏的問題，提出了一種基于改進的生成對抗網絡調度場景生成方法。通過對定義的調度場景進行分解，利用多個生成器分別擬合不同場景要素的特征，提高了生成場景的合理性，并采用帶有梯度懲罰策略的Wasserstein距離替代傳統GAN的損失函數，以提高訓練穩定性及收斂速度。2)利用國內大型鋼鐵企業BFG系統實際運行數據進行實驗，結果表明，該方法平均擬合度達到0.89，相比于傳統GAN模型，其最佳擬合占比約90%，驗證了該方法能更為準確有效地生成BFG系統場景數據。3)利用概率密度函數及自相關系數衡量生成場景的質量