基于物理信息神经网络的钢铁行业虚拟电厂多目标优化调度

摘要

钢铁行业负荷规模大、调节潜力强，可为高比例新能源接入下的工业虚拟电厂提供灵活性支撑.针对钢铁生产受最低生产边界、爬坡限制、日电量任务和余热利用耦合等工艺的约束，传统调度方法难以兼顾经济性、低碳性与新能源消纳的问题.本文首先构建由8家钢铁企业组成的典型日虚拟电厂场景，建立了以运行成本、碳排放和新能源消纳为目标的多目标优化调度模型，并将生产边界、爬坡限制、日电量任务、余热发电耦合及储能状态约束纳入统一框架.其次，构建了物理信息神经网络(PINN),通过状态重建和复合损失函数，实现目标优化与约束满足的联合训练.最后，24、1 h分辨率典型日算例表明，本文所提方法相较于受分解多目标进化算法(MOEA/D)和受参考向量引导进化算法(RVEA),综合目标值分别降低约3.4%和4.8%,新能源消纳率分别提高10.9和7.8个百分点，可为高耗能工业虚拟电厂低碳协同调度提供参考.

关键词

虚拟电厂 / 钢铁企业 / 多目标优化调度 / 新能源消纳 / 物理信息神经网络

基金资助

智能电网国家重大专项(2030)资助项目(2025ZD0806300)