本站小編為你精心準備了火電廠配煤優化方法探析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：針對解決火電廠目前電煤供應緊張、煤價成本居高不下的現狀。文章通過對電廠的實際用煤展開最優爐前配煤研究，方案通過建立以摻燒煤成本最低為目標函數和機組對混煤的工業成分要求作為約束條件的配煤數學模型，利用粒子群算法的局部快速收斂特性優化遺傳算法進行模型求解。其單混煤煤質工業成分間的非線性映射關系通過建立GA－BP神經網絡預測模型進行預測。通過算例及誤差結果證明該方法在煤質預測和求解配煤成本最低的可靠性，可對電廠實際配煤進行指導。

關鍵詞：配煤優化；煤質預測；數學模型；目標函數；約束條件；混煤價格

我國能源結構還是依靠以煤為燃料的火力發電為主，當前火電發電廠的用煤量增加、庫存緊張、煤價居高不下，以及人們對節能環保意識的加深和電力市場競爭加劇也使得發電企業考慮如何在節能減排的環境下降低成本來提高企業競爭力。電廠燃燒的煤通常以機組設定的煤種為主，然而在電廠長時間的運作過程中可能伴隨著煤價變化、庫存短缺、機組性能變化等因素造成以原定的單煤煤種作為能源發電不是最優的選擇，因此在20世紀90年代，國內電廠開始采取以不同的煤種進行摻燒來滿足機組的要求，通過混煤來代替設計燃料成分并尋求配煤成本最低，提高劣質煤利用效率［1］。研究混煤如何取代設計煤種的配煤方法，首先要對煤的成分性質進行認識。研究混煤工業分析和元素分析各個指標之間的關系，通過不同煤種不同比例之間的摻配來滿足機組設定條件的要求，根據目前對混煤的煤質特性和燃燒特性的研究可以得出的結論是不同單煤在摻燒過程中某些成分沒有直接的線性關系，比如煤質中一些主要的工業成分［2，3］。在單煤復雜的成分數據中找出構成混煤的非線性關系，即建立煤質預測模型是配煤優化方法的重要一步。且動力配煤可以當作一個算法預測尋優問題，把煤的燃燒特性及鍋爐允許排放范圍作為約束條件，從成本、環境效益等用煤目標建立配煤數學模型進行最優求解［4－7］。本文對電廠用煤數據進行分析，并對上海某電廠進行實地調研，根據其燃料成分及設計燃料成分要求，對其采用的單煤進行混煤煤質預測，建立混煤煤質預測模型，并建立符合多約束單目標的配煤數學模型，按電廠成本最低要求進行目標最優化求解。改變其原有的按照人工經驗配煤方式，為發電企業在配煤方案上提供指導意見。

1動力配煤方案確定

動力配煤可以當成是一個數學優化問題［8］，怎樣尋找出合理高效的方法應用到配煤方案的選取中是配煤優化的關鍵。遺傳算法（GA）是一種隨機搜索算法，不依賴于單一的評價函數的梯度信息。粒子群算法也是一種模擬自然界的算法，每一個粒子即為一個解，他的特點是對適應度選取的粒子不斷學習，但是在隨機求解的過程初始化粒子決定了訓練的好壞，即容易陷入極值，容易“早熟”。配煤方案根據電廠鍋爐對煤質指標的實際要求建立配煤方案目標函數和約束條件，選取配煤煤種及配比，本文通過粒子群優化遺傳算法求解出最優配煤方案［9］，從而實現在可混摻煤質多樣化的基礎上減少成本、提高電廠的運行效益的目標。

1.1算法基本步驟

1.11編碼及種群初始化編碼是首要問題，根據求解的對象進行編碼，編碼的質量影響遺傳操作，在解決配煤方案的遺傳算法應用中將標準的二進制用實數編碼取代。例如混煤煤種由單煤A、B、C煤種構成所占比例分別為20、20、60（比例之和為100％），則該染色體可表示成A20B20C60。編碼完成后產生n個染色體，初始種群的每一個個體都是隨機產生，形成第一代種群。

1.12適應度函數設計即評價函數的設計，是為了反應群體中個體的優劣性。本文中以混煤成本h（x）最小作為目標函數。適應度值要取非負數在設計的過程中通過式（1）把最小值的問題，轉化成求解最大值問題。

1.13遺傳操作基本遺傳算法的遺傳操作過程包括選擇、交叉、變異，利用GA的全局性建立粒子群的優秀集，即GA算法每次迭代完產生的最優解的集合，把優秀集作為PSO的初始化位置。利用粒子群算法收斂速度快，導向性好的特點對優秀集進行全局尋優。。

1.2模型的建立配煤數學模型是以混煤煤價成本最小為目標，建立符合鍋爐燃燒要求的混煤最優方案，即確定單煤的種類和不同煤種配比。

1.3確定約束條件基本約束條件是由工業鍋爐對煤質的特定的技術屬性要求決定的，煤的水分、灰分、揮發分、發熱量是影響煤的質量的主要因素。

2混煤煤質預測

神經網絡存在很強的輸入輸出映射能力，可以在網絡非線性環境中找到復雜的關系，在配煤中的應用是通過對煤質樣本數據映射學習，逼近一個預測函數。目前對煤質預測的研究存在很多方法論，比如直接通過儀器測量或是間接軟測量，目前常用的神經網絡算法主要包括BP、GRNN、SOM等［11－13］。對于非線性系統，選擇一個合適的速率是一個重要的問題。有很多研究人員采用BP神經網絡進行煤質預測，但BP神經網絡一方面訓練中要求學習速率較小且固定，而且容易產生局部最優。

2.1GA－BP神經網絡介紹GA－BP神經網絡是一種多算法融合的算法，該算法在多個領域已深入應用。利用GA算法選取神經網絡初始權值、閾值可解決單一算法的缺陷。本文將采用該算法預測煤質工業成分的非線性關系。

2.2GA－BP神經網絡構建本文GA－BP神經網絡設計訓練函數采用了traingdx函數，學習算法采用LM算法。其中訓練集輸入為不同單煤的工業分析數據和對應配比，輸出混煤的工業分析數據，其中工業分析用到是典型的發熱量、水分、灰分和揮發分。訓練是否精確的充要條件是樣本數據的大小和質量，存在文獻［14］中提到可以將一組三種單煤的排列順序改變而比例不發生改變，會產生訓練網絡中不同的權值、閾值，以此來增加訓練樣本數量。

3模型驗證與應用

對上海某電廠用煤進行調研，選取目前電廠常用的15種單煤煤種進行研究［15］，建立單煤工業成分數據庫，將3種單煤不同比例產生的45種混煤個體進行混摻實驗研究，根據模型輸入排列順序的不同可產生270種樣本數據排列方式，并將其編碼。

4結論

目前面對煤炭資源短缺，煤價過高，電廠庫存不足的現狀，混煤摻燒成為一種有效的解決方法。雖然在人工智能算法在預測的過程中存在一定的隨機性，但隨著算法理論和計算機編碼技術的不斷發展，準確性也得到了提高，通過算例分析表明：1）利用基于GA－BP神經網絡可滿足對混煤煤質進行預測，混煤工業分析Qnetar，Mad，Aad，Vad的最大相對誤差分別為196％、2467％、199％、76％，滿足實際應用，煤質預測模型的建立為動力配煤方案提供了保障。2）利用粒子群算法優化了遺傳算法，解決了單一算法的缺陷。根據參考煤種為火電廠確定了成本最低的多約束動力配煤方案，該配煤方案為B24E12F64，所需成本46384元／t，且混煤煤質符合機組標準。3）該火電廠優化配煤方法可應用于工程實際，加強了配煤合理性，且該模型為配煤指導系統的建立提供保障，對電廠實際運營減少成本、提高效益有一定參考意義。

作者：付軒熠1，茅大鈞1，印琪民2 單位：1上海電力學院自動化工程學院，2華能上海石洞口第一電廠