一种基于因果生成模型的最优调度方法，用于高炉煤气系统，能够应对未知情景

《Engineering Applications of Artificial Intelligence》：A causal generative model-based optimal scheduling method for blast furnace gas system considering unknown scenarios

基于因果生成对抗网络的高炉煤气多场景优化调度方法

　　

冯进|王晓雪|赵军|王伟

教育部工业设备智能控制与优化重点实验室，大连理工大学，中国大连

摘要

高炉煤气是炼铁过程中产生的重要副产品能源，其合理利用对于提高钢铁厂的能源效率至关重要。然而，频繁的运营商干预不断创造新的运行场景，这使得传统方法难以维持有效的调度。现有的基于优化和生成对抗网络（GANs）的调度方法过度依赖历史场景，无法捕捉关键因素之间的明确因果关系，从而限制了其在未知条件下的适用性。为了解决这一问题，本文提出了一种基于改进的因果生成模型的最佳调度方法，该方法能够生成多样且物理上一致的场景。每个场景由三个可解释的因素表征，即煤气罐液位、生成-消耗流量差以及可调单元的消耗量。然后通过在WGAN-GP框架中嵌入过程信息邻接矩阵和可微分无环性约束，构建了一个因果条件Wasserstein GAN（Causal-CWGAN）。此外，还采用了一个结合基于机制的合理性规则的校正模型来进一步优化消耗量并过滤不合理场景。随后进行罐液位预测，以更新生成的场景集并得出实际的调整建议。在一家钢铁企业的真实数据上的实验结果表明，与WGAN和MGAN方法相比，所提出的方法产生的Wasserstein距离更小，生成的场景更合理，并提供了能够稳定保持煤气罐液位在安全运行范围内的调整策略。

引言

钢铁行业是主要的能源消耗者，而高炉煤气（BFG）是一种具有高热值、低成本和大量产量的重要副产品。合理利用BFG可以有效减少初级能源的消耗并提高钢铁企业的能源效率（Liu等人，2023年）。然而，在当前实践中，大多数运营商仍然依赖基于经验的手动策略来调整BFG的消耗量，当其供应与需求不匹配时。他们通过监控控制和数据采集（SCADA）系统监控核心单元的生产状态，估计煤气过剩或短缺量，并将煤气分配给可调度单元（如锅炉）以维持生产稳定。这种方法需要持续关注SCADA界面，导致较高的劳动力成本和操作员的巨大认知负担。此外，现有的调度方案通常仅基于历史运行场景制定。面对前所未有的新运行场景时，运营商往往需要进行探索性预调度来验证调整措施的合理性，这可能导致短期内反复调整，甚至不必要的能源排放。

近年来，BFG及相关工业能源系统的辅助决策方法主要沿着三个技术方向发展：基于优化的调度、基于GAN的场景生成和因果生成建模。多周期混合整数线性规划和基于粒度计算的模型通常与趋势预测结合使用，以优化钢铁厂中副产品气体、蒸汽和电力的分配，并在给定运行计划下设计调度规则（Zhao等人，2019年；Wang等人，2022年）。当运行条件接近历史数据中的情况时，这些优化和粒度计算方法可以提供经济合理的调度方案。然而，它们通常依赖于静态优化假设和有限的历史场景，这使得在运行条件频繁变化或出现未知运行模式时难以提供稳健的调度建议。随着计算能力的提高，生成对抗网络（GANs）（Goodfellow等人，2014年）已被引入用于条件监测、可再生能源和微电网运营中的数据增强和场景生成，显示出强大的能力来近似复杂的数据分布并增加运行场景的多样性（Zhu等人，2023年；Wang等人，2023年）。然而，这些模型大多将每个运行场景视为单一的高维随机向量，并在相对干净的数据集上进行训练，没有明确编码煤气罐液位、生成-消耗差异和可调度单元消耗量等物理上有意义因素之间的内部依赖性，这限制了它们在噪声较大和强耦合的工业数据中的适用性。同时，基于连续优化的DAG学习和基于图的机器学习模型已被提出，用于从观测数据中恢复因果结构，一些因果生成框架将因果约束或矩阵嵌入GAN中，以提高生成样本的保真度和可解释性（Park和Kim，2023年；Zhang等人，2022年）。这些方法表明，将因果信息整合到生成模型中可以增强结构可解释性和数据保真度。尽管如此，它们通常是为通用表格或图像数据设计的，很少整合BFG系统的物理机制和调度要求。因此，仍然缺乏能够联合建模场景因素之间的因果关系和工业数据的复杂统计特性，以在未知运行条件下生成多样且物理上合理的BFG调度场景的方法，这激发了本文提出的因果生成调度框架的灵感。

因此，本研究的目标是开发一种最佳调度框架，用于BFG系统，在已知和未知运行条件下生成多样且物理上一致的场景，通过明确建模关键场景因素之间的因果关系。为了提高BFG调度解决方案的实用性，特别是在未知场景下，本文提出了一种基于改进的因果生成模型的最佳调度方法。调度场景根据工业生产机制定义，并通过采用对抗训练进行因果结构学习来构建改进的因果生成模型。该模型根据相应的因果机制生成场景，并将实际场景特征之间的内部关系作为约束。它由一个因果条件Wasserstein GAN（Causal-CWGAN）和一个校正模型组成。Causal-CWGAN将WGAN-GP框架与设计的邻接矩阵结合使用，以捕捉场景因素之间的内部关系，并将随机噪声映射为生成器的输入序列。为了减轻生成场景与其统计特征之间的差异，进一步引入了一个基于CGAN的校正模型，该模型使用煤气罐液位和生成-消耗差异作为条件信号来生成可调单元的消耗量。然后利用反馈误差更新生成模型的参数，从而提高其数据重建能力，并确保场景的内部一致性和合理性。此外，基于BFG生成、消耗和存储机制的定量评估指标被构建来评估生成场景的合理性，并根据预测结果更新场景集，以提高在未知场景下获得的调度解决方案的实用性。

本工作的主要贡献可以总结如下：

• •
  我们使用三个物理上可解释的因素（即煤气罐液位、生成-消耗流量差和可调单元的消耗量）在场景层面制定了BFG调度方案，为已知和未见过的运行条件提供了统一的描述。
• •
  我们提出了一种基于Causal-CWGAN的场景生成框架，通过邻接矩阵和可微分无环性约束编码场景因素之间的因果关系，并通过基于CGAN的校正模型和机制驱动的合理性指数进一步细化生成的场景，从而提高其保真度和可解释性。
• •
  我们在一家钢铁企业的实际运营数据上验证了所提出的框架，并与WGAN和MGAN进行了比较实验，证明它在常见和未知场景下都能提供更合理和有效的调度建议。

本文的其余部分组织如下。第2节回顾了BFG调度、基于GAN的数据增强和场景生成以及因果生成模型方面的相关工作。第3节描述了BFG系统的结构并制定了调度问题。第4节详细介绍了所提出的基于Causal-CWGAN的调度方法。第5节使用真实工业数据报告了实验验证并分析了结果。第6节总结了本文并概述了未来的研究方向。

章节片段

BFG和能源系统中的调度和场景生成

对于BFG系统，已经开发了多周期混合整数线性规划（MILP）模型来优化钢铁厂中副产品气体、蒸汽和电力的分配，有时结合趋势预测模型（如反向传播（BP）神经网络和最小二乘支持向量机（LSSVM）来预测过剩气体并确定最佳分配方案（Zeng等人，2018年；Zhang等人，2019年）。基于粒度计算的方法计算全局

问题描述

BFG系统是一个典型的多输入多输出能源系统（Li等人，2024年）。它由生成单元、传输单元、缓冲单元和多个消耗单元组成，如图1所示。BFG是在炼铁过程中由高炉产生的。一部分煤气首先被热风炉消耗，剩余的煤气通过管道网络、混合站和加压单元输送到消耗单元，如发电厂、焦炉等

提出的方法

为了解决BFG调度中的上述挑战，本研究提出了一种基于因果条件Wasserstein GAN（Causal-CWGAN）的方法。所提出方法的总体框架如图2所示。

所提出的框架包含四个关键组成部分。（1）场景定义（第4.1节）：历史运营数据由三个物理上可解释的因素表示，即煤气罐液位、生成-消耗流量差以及可调单元的消耗量，形成

实验与分析

我们在一家中国钢铁厂收集的高炉煤气（BFG）系统的运营数据上验证了所提出的方法。该数据集涵盖了2021年6月至12月的时期，总共包含760个样本。每个样本被构建为一个20分钟的多变量时间序列段，采样间隔为1分钟，从而得到长度为20的均匀采样序列。数据集被分为训练集和测试集，比例为7:3。调度场景根据

结论

为了提高复杂BFG系统调度的有效性，特别是在未知场景下的调度，我们提出了一种使用改进的因果生成模型的BFG系统调度方法。调度场景根据工业生产机制由三个因素定义。为了加强这些因素之间的因果关系，通过将邻接矩阵与WGAN-GP框架结合建立了Causal-CWGAN模型。此外，还进行了校正

CRediT作者贡献声明

冯进：撰写 – 审稿与编辑、资源、方法论、调查、资金获取、形式分析、数据管理、概念化。王晓雪：撰写 – 原始草稿、验证、方法论、调查。赵军：撰写 – 审稿与编辑、调查、资金获取。王伟：监督、资源。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家重点研发计划（项目编号2024YFB3311403）、国家自然科学基金（项目编号62125302、62394344）、大连市科技创新人才支持计划（项目编号2022RG03）以及中央高校基本科研业务费（项目编号DUTZD25108）的支持。