副产煤气是钢铁工业中重要的二次能源,其高效合理的利用是提高企业经济效益和节能减排水平的关键。高炉煤气(Blast Furnace Gas,BFG)是副产煤气的重要组成部分,具有热值低、波动大、易被放散的特点。因而,实现BFG系统的优化调度具有重要意义。然而BFG系统生产过程复杂,难以用精确的机理模型进行描述。随着钢铁企业信息化水平的提升,钢铁企业能源管理系统中积累了海量的工业数据,可采用基于数据的方法对其建立模型,并进行优化调度,制定详细合理的调度计划。针对BFG系统动态变化复杂、精确建模难度大、实时流量难以预测等问题,本文提出了一种基于改进的多目标差分进化(Multi-objective Differential Evolution,MODE)算法的优化调度方法。该方法基于专家经验和系统结构,根据高炉煤气柜与煤气产消用户之间的关系建立动态贝叶斯网络(Dynamic Bayesian Networks,DBN)模型,再根据历史数据进行模型参数训练,以提高模型预测和推理的精度。在通过DBN模型推理得到总调整量后,需要确定调整用户及相应的调整量分配方案。本文根据用户的调整能力选择调整对象。调整能力由调整速度和可调范围加权得到,其中权重因子由随煤气柜超限程度变化的高斯函数决定。针对用户调整范围宽泛导致的调整方案不确定问题,提出了一种基于拥挤距离的多目标差分进化(Crowding Distance-based MODE,CDMODE)算法,旨在避免陷入局部最优和提高搜索精度。该算法在变异过程中结合两种不同的变异策略,根据拥挤距离划分种群为拥挤种群、一般种群和稀疏种群。前期以随机粒子为主导,后期以最优粒子为主导,根据主导粒子的所属种群确定权重和交叉因子。本文采用某钢厂实际工业数据,分别验证DBN模型和优化调度算法的有效性。在模型验证阶段,通过DBN模型进行预测和推理实验,并给出仿真结果。实验结果表明DBN模型精度较高,符合工业需求。在优化算法验证阶段,首先采用多个标准测试函数进行实验,并与现有的MODE算法进行对比;其次采用CDMODE算法进行优化调度实验,与其它优化算法进行比较。实验结果表明该算法收敛性和分布性较好,优化调度后的煤气柜能安全运行。因此,本文所提方法能更好地为BFG系统的平衡调度提供科学指导。