《AIChE Journal?AIChE》：Machine learning driven many-objective moving horizon scheduling optimization
编辑推荐：
工业电气化能够推动化工生产的脱碳进程，但同时也使生产过程暴露于波动的电价和碳强度环境之中。本研究开发了一种机器学习增强的多目标移动时域调度框架，该框架能够从48小时电价与排放强度分布中预测目标相关性分组，从而避免重复的在线降维处理和多余的Pareto前沿生成。
工业电气化能够推动化工生产的脱碳进程，但同时也使生产过程暴露于波动的电价和碳强度环境之中。本研究开发了一种机器学习增强的多目标移动时域调度框架，该框架能够从48小时电价与排放强度分布中预测目标相关性分组，从而避免重复的在线降维处理和多余的Pareto前沿生成。研究采用目标降维算法对历史电网场景进行标注，并利用标注数据训练分类器，在五类分组识别任务中实现了94%的准确率，在成本-排放二元关系分类任务中达到了近99%的准确率。在柔性氨生产过程中，随机森林模型通过识别何时需要折中解以及何时目标具有充分相关性，能够在未见过的ISO New England数据上实现高效调度。该框架还进一步在氯碱电解过程中进行了验证。跨过程研究结果表明，目标间的关系取决于过程约束和操作灵活性，而迁移学习仅在目标过程数据有限的情况下才能提升LSTM模型的性能。
**一、研究背景与问题提出**
化工行业为现代社会提供不可或缺的燃料、材料和中间产品，但其持续增长伴随着显著的环境影响。传统工业过程长期依赖化石燃料燃烧提供热量、蒸汽和氢气，导致大量二氧化碳排放。随着全球能源格局转型，2024年美国已有超过40%的电力来自无碳能源，工业电气化由此成为降低化工制造排放的重要路径。然而，电气化过程直接暴露于电力市场的时间和空间波动性之中——边际电价和碳强度因地区而异，并因风能、太阳能等可再生能源的间歇性和区位依赖性而在多个时间尺度上波动。研究人员的前期工作已表明，最小化电力成本的运行决策与最小化碳排放的决策可能一致也可能不一致，这为多目标协同优化提出了根本性挑战。
移动时域调度为电气化化工过程在动态电网条件下的运行提供了天然框架，其核心是在有限未来时域上求解优化问题，仅实施解的最早时段，并随新电网信息的到来不断更新问题。传统调度研究通常聚焦单一经济目标，如响应动态电价以最小化运行成本。然而，可持续运行要求同时考虑成本、排放、水耗、安全性和可靠性等多个目标，这些目标在某些电网条件下可能一致，在另一些条件下则可能强烈冲突。多目标优化为分析此类权衡提供了系统方法，但直接在实时移动时域调度中使用面临计算挑战：在每个调度间隔生成高维Pareto前沿往往因决策窗口短暂而代价过高。目标降维技术通过将相关目标分组并在Pareto前沿生成前分离竞争目标来应对这一挑战，但重复应用分组算法在在线决策中仍存在计算效率问题。
**二、研究内容与核心结论**
针对上述挑战，研究人员提出了机器学习增强的多目标移动时域调度框架。该框架离线训练分类器，从电价和电网排放轨迹中直接预测目标关系标签，取代移动时域调度中重复的在线降维计算。预测标签使调度器能够判断何时采用直接分组标量化、何时因目标竞争而需要生成并评估权衡以获取折中解。框架首先在柔性氨生产中得到验证，将机器学习预测分组集成到移动时域调度中并与原始降维基准比较；随后在氯碱电解过程中进一步评估，考察预测策略是否可推广至新型电气化过程。由于新过程的目标关系标签生成需要重复的过程特定调度优化和目标降维，研究人员引入迁移学习作为低数据策略，以氨为源过程、氯碱为目标过程，评估源训练的LSTM模型在零样本预测和目标域微调中的表现，并与纯目标训练基线比较。研究表明，随机森林模型在未见过的ISO New England数据上实现了高效调度，能够识别何时需要折中解以及目标何时充分相关；跨过程比较显示目标关系取决于过程约束和操作灵活性，而迁移学习仅在目标过程数据有限时才能提升LSTM性能。
**三、关键技术方法**
研究人员采用了以下主要技术方法：（1）目标降维算法，通过构建加权目标相关图并结合Leiden社区检测对目标进行系统分组；（2）数据预处理与特征工程，从48小时电价和排放轨迹中提取九个统计描述符（包括最大值、最小值、均值、方差及协方差）；（3）LSTM序列分类模型，直接学习完整时序输入中的时间依赖关系；（4）随机森林分类器，基于工程化统计特征捕获非线性交互；（5）迁移学习框架，涵盖LSTM全参数微调、仅分类头微调以及随机森林的源-目标数据池化策略。氨数据集包含21,504个标注调度窗口，数据来源覆盖CAISO、ISO-NE、日本电力交易所、Electricity Maps、MISO、Nord Pool和Carbon Intensity API等多个区域；氯碱数据集包含8,000个标注窗口。
**四、主要研究结果**
**4.1 特征工程与模型性能**
研究人员首先检验了PCA降维的效果。将数据集投影到前两个主成分后，五个目标分组标签呈现显著重叠，表明低维线性投影不足以分离目标分组结构。随机森林在保留16个PCA分量时达到88.3%的最佳准确率，SVM仅从78%提升至79%。相比之下，基于完整时序输入的LSTM模型和基于九个统计描述符的随机森林模型均达到94%的五分类准确率；在二元成本-排放关系分类任务中，两者分别达到98.6%和98.9%。特征消融实验显示，Pearson相关系数和协方差单独使用时准确率有限，信息量最大的五个描述符依次为价格方差、价格最大值、排放最大值、排放方差和排放最小值。在未见过的2024年前三个月ISO New England数据上，随机森林正确识别了84%的竞争窗口，显著优于LSTM的44%，表明其在识别需要权衡分析的窗口方面具有更强的泛化能力。
**4.2 氨移动时域调度分析**
研究人员将训练好的二元分类器集成到柔性氨生产系统的移动时域调度中，在2024年前三个月ISO New England未见数据上比较了五种策略。结果显示，成本最优策略成本最低但排放最高，排放最优策略以15.3%的成本增加换取减排。降维基准在成本最优基础上成本增加2.5%、相对排放最优排放增加3.49%；随机森林调度策略成本仅增加1.01%、排放相对增加4.05%，LSTM调度策略成本增加0.85%、排放增加4.33%。随机森林调度更接近降维基准的排放表现，提供了更均衡的成本-排放折中。在分类为竞争的窗口中，四个目标沿成本-排放Pareto前沿的权衡长度显著大于相关窗口，证实目标分组标签能够有效识别Pareto分析最有价值的时段。固定标量化与实例特定Pareto膝点的比较表明，当目标相关时标量化权重的影响相对有限，固定策略提供了偏重成本的高效运行规则。
**4.3 氯碱与氨生产的过程间比较**
氯碱电解作为第二个电气化过程用于评估目标关系的可迁移性。尽管两个过程输入和输出格式相似，但同一电网条件下并不必然产生相同的目标关系。案例A中，同一48小时窗口内电价和排放强度的最有利时段不完全重合，氨过程因需维持较长时间的氢气生产以满足下游合成和储存需求，存在两个足够长的相对有利时段，成本驱动与排放驱动调度保持相似，故分类为强相关；而氯碱过程可将生产集中于短时电流脉冲，成本最优与排放最优调度选择不同的短运行区间，故分类为更竞争。这证实成本与排放的相关或竞争关系并非由电网信号单独决定，而是电网轨迹与过程特定可行运行区域相互作用的结果。
**4.4 从氨到氯碱的迁移学习**
零样本迁移中，仅用氨数据训练的LSTM和随机森林在氯碱数据上准确率仅为0.477和0.416，低于多数类基线，表明直接迁移产生负迁移。LSTM全参数微调在低数据区（目标样本数≤50）显著优于从零训练，最大提升出现在样本数为10时，但随目标数据增加优势消失，表明氨预训练的价值主要在于提升样本效率而非渐进性能。仅分类头微调表现较弱，说明氨编码器并非完全域不变。随机森林通过源-目标数据池化实现迁移，由于源数据规模较大可能主导学习到的决策分区，混合策略普遍差于直接目标训练。微调LSTM在多数目标样本量下表现出更低的跨随机种子方差，说明氨预训练提供了更稳定的初始化，这一稳定性优势在低数据区尤为关键。
**五、总结与讨论**
本研究开发了面向电气化化工过程的机器学习增强多目标移动时域调度框架。在柔性氨生产中，LSTM和随机森林模型在五类目标分组任务中均达到94%准确率，在二元成本-排放关系分类中接近99%。在未见过的ISO New England数据上，基于统计特征的随机森林模型在识别竞争窗口方面展现更强泛化能力，并以有限的调度质量损失复现了原始降维基准的调度行为。氯碱电解的跨过程评估显示，氨与氯碱虽共享相同的电网输入格式和二元标签空间，其成本-排放关系却存在差异；从氨到氯碱的迁移学习中，氨预训练LSTM在低数据区提升了预测精度与稳定性，但一旦获得适量氯碱标签，目标域训练便更为可取。这些结果表明，迁移学习最适合作为新型电气化过程冷启动部署的桥梁策略，长期预测则应依赖过程特定数据训练的模型。未来研究方向包括将优化模型信息（如主动约束、存储与爬坡灵活性、边际价值、目标梯度关系或目标相关图权重）融入机器学习表示，利用资源-任务网络等标准化过程调度模型实现跨系统过程结构比较，以及探索将优化问题天然诱导的变量-约束交互图结构作为输入的图神经架构，并将框架从移动时域调度拓展至模型预测控制领域。
