火力電廠優(yōu)化配煤系統(tǒng)構建及算法研究

張 威

(安徽理工大學， 安徽淮南232001)

火力電廠優(yōu)化配煤系統(tǒng)構建及算法研究

張 威

(安徽理工大學， 安徽淮南232001)

隨著我國社會經(jīng)濟的快速發(fā)展，能源問題日益突出,在我國各種能源資源中，煤炭資源最為豐富，我國的一次能源消費結構中，煤炭占主導地位，因此，在煤炭資源的利用問題上，發(fā)展以提高煤炭利用率和減少污染為宗旨的潔凈煤技術是我們在通往未來能源的過渡時期內的切實有效地現(xiàn)實選擇;動力配煤作為我國電力行業(yè)普遍采用的一種高效凈煤技術，可以將不同類別、品質的煤經(jīng)過篩選、破碎和按比例混合等過程,改變其物理、化學和燃煤特性,使之達到煤質互補、優(yōu)化產品結構 ,從而達到了減少污染物排放以及提高煤炭資源利用率的目的;主要研究目的在于以優(yōu)化配煤系統(tǒng)為框架，利用火力電廠優(yōu)化配煤算法對煤炭資源的使用進行最優(yōu)選擇，分析優(yōu)化算法的優(yōu)越性。

算法研究； 動力配煤； 神經(jīng)網(wǎng)絡

1 引言

1.1 課題研究的意義

人類社會經(jīng)歷了近二個世紀的高速發(fā)展，主要是依靠了以煤炭等為主的化石燃料為基礎的能源利用。隨著人口爆炸、資源枯竭等問題日益嚴重，人們越來越意識到我們不僅需要一種更為高效、清潔的能源利用方式來使用不可再生能源，以保證在找尋到新型、穩(wěn)定、高效的可再生能源之前人類社會的能源平衡。

煤炭資源種類繁多，品質參差不齊。將優(yōu)質煤炭作為火力電廠的燃料全部燃燒是一種極大的浪費，在滿足電廠鍋爐燃燒要求的前提下，把十數(shù)甚至是數(shù)十種不同的煤炭資源以合適的比例混配再進行燃燒，是對資源的合理化、最大化利用，符合當前社會對能源開發(fā)利用的宗旨。而對混配的煤種、數(shù)量、比例等因素考慮，不僅決定了配煤的優(yōu)劣，更關系到火力電廠的安全運行。動力配煤技術作為解決上述問題的技術措施，受到了國家的廣泛重視。

1.2 課題研究的主要內容

本文主要目的在于通過查閱資料等方式了解火力電廠優(yōu)化配煤系統(tǒng)構建及配煤算法，對優(yōu)化配煤算法的提出、種類、實現(xiàn)方法等進行描述，然后選擇一種優(yōu)化配煤算法進行實例分析，說明優(yōu)化配煤算法的優(yōu)越性。

2 火力電廠優(yōu)化配煤系統(tǒng)構建及配煤算法概述

2.1 數(shù)字化煤場系統(tǒng)功能概述

2.1.1 系統(tǒng)構建意義

目前電廠普遍存在實際用煤與設計煤點脫節(jié)的現(xiàn)象，有的電廠來煤的煤點多達十幾種以上。這一方面導致了煤場煤點多、煤堆擺放混亂、自燃損耗大、管理低效等狀況，另一方面由于不同燃煤來源的煤質特性差別較明顯，這必然對鍋爐安全運行產生一定影響。為了解決以往煤場管理中不直觀、存煤數(shù)據(jù)不準確、報表滯后、參燒配煤不科學等問題，采用數(shù)字化煤場管理系統(tǒng)可以針對煤場自燃損耗大、煤堆擺放混亂、管理低效等狀況進行信息化、規(guī)范化處理，對煤場實行分區(qū)堆放，并且配合企業(yè)內部的輸煤系統(tǒng)，對煤場實現(xiàn)數(shù)字化管理。系統(tǒng)實時采集煤場相關數(shù)據(jù)，對煤場的煤質特性和存煤分布通過立體圖形具體的體現(xiàn)出來，通過該系統(tǒng)不僅可以直觀詳細的掌握煤場狀況，有效的調度各種煤質的存煤，最大限度的降低存煤的揮發(fā)浪費、起到節(jié)能降耗的作用。而且在對實際來煤進行混合配比摻燒時，使鍋爐燃燒時更加穩(wěn)定，且降低燃煤成本。在確定配煤比例時，如果僅用人工進行計算量太大，很難達到使配煤成本價最低的優(yōu)化配方，而采用系統(tǒng)行進配煤方案的優(yōu)化能夠充分發(fā)揮計算速度快的優(yōu)點，在短時間內找到能使電廠配煤成本最低，經(jīng)濟效益最好的優(yōu)化配方。通過配煤參燒更可以大幅降低發(fā)電成本。

2.1.2 系統(tǒng)框架

數(shù)字化煤場系統(tǒng)總體框架如圖1所示,數(shù)字化煤場功能體系如圖2所示。

圖1 數(shù)字化煤場系統(tǒng)

圖2 數(shù)字化煤場系統(tǒng)功能體系

2.1.3 系統(tǒng)實現(xiàn)功能

煤場動態(tài)調度。煤場采用分區(qū)管理的方式對不同來煤進行管理。遵循煤的分區(qū)堆放原則，即煤的組堆應最大限度地減少燃煤在存儲過程中的損耗。 不同品種的煤要分別組堆； 指標相近的煤盡量組堆，進廠煤將根據(jù)歷史來煤預測當日來煤的煤質情況，分別存放到相應的煤區(qū)或直接上倉，等煤質分析報告；對高揮發(fā)份，高含硫煤的組堆，由于這類煤最易自燃，建議堆放在單獨的煤場一角； 對高灰，高硫，低灰熔融性的特殊煤，由于無法單獨燃用，會選在煤場某一特定區(qū)域單獨堆放，等待摻燒。

煤場數(shù)據(jù)計量管理。本模塊通過燃運部門錄入的煤炭到達信息、以及系統(tǒng)獲取的入廠煤翻車機衡數(shù)據(jù)和入爐煤皮帶秤數(shù)據(jù)，以圖形和表格的形式動態(tài)反映煤場進出煤和存煤的實際情況，并對煤場存煤數(shù)據(jù)進行校核。系統(tǒng)包含以下功能：煤炭到達數(shù)據(jù)錄入：由燃運部門將來煤的車次、煤點等相關數(shù)據(jù)錄入系統(tǒng)；入廠煤翻車機衡數(shù)據(jù)導入: 系統(tǒng)自動調用翻車機衡工作站中入廠翻車機衡數(shù)據(jù)，經(jīng)轉換后導入本系統(tǒng)數(shù)據(jù)庫中；入爐煤皮帶秤數(shù)據(jù)導入: 系統(tǒng)自動調用皮帶秤工作站中入爐煤皮帶秤數(shù)據(jù)，經(jīng)轉換后倒入本系統(tǒng)數(shù)據(jù)庫中；煤場存煤量數(shù)據(jù)校核：根據(jù)入廠煤、入爐煤實際數(shù)據(jù)間接校核煤場存煤量；煤場存煤預警：通過實時計算煤場存煤的煤質和煤量，實時進行煤場存煤預警。

綜合管理。入廠煤綜合查詢：以圖表形式綜合顯示入廠煤的煤點、存量、存放天數(shù)、煤質等數(shù)據(jù)；入爐煤綜合查詢：以圖表形式綜合顯示入爐煤的煤點、使用量、使用時間、煤質、與入廠煤關聯(lián)數(shù)據(jù)等數(shù)據(jù)；報表數(shù)據(jù)查詢和報表生成：根據(jù)用戶要求查詢制作報表所需相關數(shù)據(jù)，并自動生成報表；煤場管理經(jīng)濟數(shù)據(jù)查詢：根據(jù)用戶要求，制作查詢報表，顯示煤場存煤價值、盈噸情況、月度虧噸虧卡情況等數(shù)據(jù)；盤點報告：根據(jù)實測比重、實測體積，以及月底的暫存煤量，損耗煤量，水分差調整煤量，計算自動生成月末煤場盤點報告。

3 火力電廠優(yōu)化配煤算法實例分析

在火力電廠優(yōu)化配煤系統(tǒng)構建的過程中，最重要的是火力電廠優(yōu)化配煤算法的使用，靈活運用優(yōu)化算法以實現(xiàn)整個系統(tǒng)的最優(yōu)化是每個火力電廠優(yōu)化系統(tǒng)的主要任務，下面本文將對火力電廠優(yōu)化配煤算法進行研究分析。通過閱讀資料易知，研究優(yōu)化配煤算法之前必須了解算法的因子，即煤種的性質。

3.1 混煤煤質特性介紹

首先需要對15種實驗單煤做發(fā)熱量測定和工業(yè)分析，所得數(shù)據(jù)見表1。

然后對15種煤種進行混合實驗，在單煤種中取3種單煤，按不同的比例混合配成45種混煤，并對45種混煤進行編號，混配方案見表2。

由表2、表3易知， Mad、 Oad、Sad、Cad等參數(shù)通過線性加權獲得的誤差均較大，Cad的線性加權誤差較小而Mad、Vad的線性加權的平均誤差最大。與混煤的實際參數(shù)相比誤差過大。若火力電廠的混煤方案采用該線性加權法進行，有可能對電廠的熱力生產產生較大的擾動，影響其安全穩(wěn)定。故而我們需要采用其他的數(shù)學方法決定混煤方案。

表2 混煤煤樣的發(fā)熱量、揮發(fā)分、水分、灰分預測與實測簡表

表3 混煤煤樣的Cad、Sad、Nad、Oad預測與實測簡表

3.2 GRNN及其預測算法在煤質預測中的應用

3.2.1 基于GRNN的混煤煤質預測模型描述

混煤煤質預測模型是一個包括四層神經(jīng)元(模式層、輸入層、輸出層與求和層)的GRNN網(wǎng)絡模型，如下圖所示。為簡單介紹以輸入輸出均是單維列的向量來說明模型的作用。令網(wǎng)絡的輸入變量為X=[x1,…,xm]T，則輸出變量為Y=[y1，…ym]T。

圖3

其中：m為輸入層的維數(shù)，n為模式層神經(jīng)元數(shù)，傳遞函數(shù)：

式中X為輸出變量，Xi為樣本，神經(jīng)元i的輸出為X預期對應的樣本Xi之間的Euclid距離平方的指數(shù)形式：

進行計算求和時，在求和層中任一神經(jīng)元對模式層輸出進行求和時的連接權值為1，傳遞函數(shù)為

進行加權求和時，求和層的第j個神經(jīng)元與模式層的第i個神經(jīng)元的連接權值為Yi中的第j個元素 yij，傳遞函數(shù)為：(L是輸出向量維數(shù))。

每個輸出層的神經(jīng)元講求和層的輸出相除，可得：

利用GRNN理論知識，建立了混煤的煤質預測模型，本文研究的模型以上述45種單煤的任意3種單煤及其2種單煤的對應比例為輸入，模型可預測該混煤的煤質特性(化學參數(shù)等)。

3.3 混煤煤質預測結果

3.3.1 混煤煤質預測模型性能分析及發(fā)熱量預測結果

諸多因素都可以影響我們根據(jù)GRNN網(wǎng)絡原理建立的混煤煤質預測模型的最終預測性能，針對上述情況，我們以低位發(fā)熱量為例子說明預測模型的性能。

參考數(shù)據(jù)的影響。預測模型可以選取多種參考數(shù)據(jù)，能量函數(shù)越高模型的預測偏差越大。GRNN預測的能量函數(shù)E取平均相對誤差，即：

其中yi為實驗值，n為訓練樣本數(shù)，outi為網(wǎng)絡預測值。模型參考數(shù)據(jù)不同時混煤Q.net.ar預測結果見表4。

表4 不同輸入時混煤的低位發(fā)熱量預測結果

由表4易知，采用GRNN預測所得的能量函數(shù)均很低，性能較好。

訓練樣本數(shù)量的影響。由表5可知，增大GRNN模型輸入的訓練樣本數(shù)量對模型的預測性能改變不是單純的線性關系。它既導致了訓練樣本能量函數(shù)的增加，又導致了檢驗樣本能量函數(shù)的下降。根據(jù)GRNN預測理論，訓練樣本數(shù)據(jù)的增多可以改善模型的預測性能。根據(jù)本文采集的混煤數(shù)據(jù)，該模型采用的訓練樣本數(shù)量可定為40。

表5 訓練樣本數(shù)量不同時混煤低位發(fā)熱量的預測結果

σ的影響。對網(wǎng)絡的影響是多方面的，它既影響網(wǎng)絡預測與實際值得偏差夾逼速度，又影響整個模型的物理預測誤差。在不同的訓練樣本及檢驗樣本數(shù)的情況下，平滑因子的逼近能力與物理減少誤差的能力存在完全不同的變化方式，如下圖4、圖5所示。

圖4 GRNN網(wǎng)絡的逼近誤差圖

圖5 GRNN網(wǎng)絡的預測誤差圖

σ取不同的值時樣本的能量函數(shù)存在一定的線性變化規(guī)律見表5。根據(jù)神經(jīng)網(wǎng)絡理論綜合考慮模型的平滑性與逼近性能，本文確定模型中的平滑因子為0.2。

表5 網(wǎng)絡選用不同的平滑因子時混煤的Q.net.ar預測結果

平滑因子訓練樣本能量函數(shù)檢驗樣本能量函數(shù)0.050.00740.03030.10.00350.02540.20.01030.02520.30.02050.02770.40.03420.0389

在確定了模型的平滑因子與輸入?yún)?shù)后進行的低位發(fā)熱量預測值如見表6。

表6 Q.net.ar的檢驗樣本預測

混煤的低位發(fā)熱量由GRNN模型預測的平均相對誤差僅為2.52 %，而線型加權方法獲得的數(shù)據(jù)平均相對誤差與之相較偏大了2.61 %，兩者相較，GRNN的預測準確度得到了很大的改善。

4 結論與建議

當今社會，環(huán)境問題愈發(fā)嚴苛，低碳生產、清潔能源的開發(fā)利用是我國能源高效利用、保證社會可持續(xù)發(fā)展的重要手段。煤炭一直是我國乃至人類社會發(fā)展進步的重要能源，作為潔凈煤技術重要分支的動力配煤技術，既滿足中國當前的國情需要，又為環(huán)保交出了一份社會滿意的答卷。

本文采用了15個單煤種和45種混煤的低位發(fā)熱量數(shù)據(jù)，在基本數(shù)據(jù)獲取的基礎上建立了混煤煤質預測模型，利用了GRNN理論對模型進行設計、求解、優(yōu)化，對混煤的煤質進行了較為準確的預測。本文的研究結論如下：

通過采集的單煤煤質數(shù)據(jù)與混煤煤質數(shù)據(jù)可知，單煤摻混燃用時化學性質的改變不是簡單的線性關系，需要建立更精密的模型進行預測。

建立了混煤預測模型，并對混煤的低位發(fā)熱量進行了相關的預測，其預測結果的誤差與線性加權比較有了明顯降低，成功的解決了混煤煤質特性采用線性加權方法預測結果偏差大的問題。

本文所涉及到的混煤煤質特性的預測模型建立、預測等研究只是動力配煤研究的一小方面，想要在實際生產中靈活運用動力配煤技術，我們還需要進行更多的理論研究與實地實踐。結合本文得出的部分結論，對今后開展有關動力配煤技術的研究提出以下建議：

單煤的數(shù)量限制了本文基于GRNN建立的配煤模型預測的精度，建議在實驗條件允許的前提下，盡量增加單煤的數(shù)量，以期得到更為準確的預測模型，同樣更有力的證明神經(jīng)網(wǎng)絡等優(yōu)化算法的優(yōu)越性。

在根據(jù)所采集單煤以及混煤數(shù)據(jù)獲得優(yōu)化后的混煤配比模型后，可以根據(jù)該模型在電廠進行實際混燒，實踐證明優(yōu)化算法確實提高了入爐煤炭的熱效率，有效的提高了火力電廠的資源利用率。

[1] 桂祥友,馬云東.非線性優(yōu)化理論在動力配煤中的應用[J].中國礦業(yè), 2005, 14 (6): 49-51.

[2] Jhih Shyang Shih,H.Christopher Frey.Coal blending optimization under uncertainty [J].European Journal of Operational Research,1995(83): 452-465.

[3] M Chakraborty,M K Chandra. Multicriteria decision making for optimal blending for beneficiation of coal:a fuzzy programming approach[J].The international Journal of Management Science,2005(33):413-418.

[4] Huang G H,Baetz B W,Patry G G,et al.A grey dynamic programming for waste management planning under uncertainty [J].Journal of Urban Planning and Development,1994(9):132-156.

[5] 董平,陳彥杰,王鵬.基于Elman網(wǎng)絡的動力配煤煤質預測模型的研究[J].潔凈煤技術, 2006, 12(4) : 55-58.

[6] 范杜平,薛永飛,周英彪.動力配煤概況分析及預測[J].電站系統(tǒng)工程, 2006, 22(4) : 13-14.

[7] 許建豪,張忠孝,潘金榮.動力配煤的研究與計算[J].選煤技術, 2005(3):5-8.

[8] 郎小燕,王默玉,劉林,等.基于ORACLE 的入爐配煤優(yōu)化問題的實現(xiàn)[J].現(xiàn)代電力,2005,22(5):66-69.

[9] 范華挺.電廠配煤技術原則及煤質特性參數(shù)的計算[J].煤質技術,2006( 5):15-17.

[10]LIUS1 A Modified Low speed Balancing Method for Flexible Rotors Based on Holospectrum[J].Mechanical Systems and Signal Processing,2007(21):348-364.

[11]曲景魁,何京東,何志強.動力配煤主要煤質指標可加性的研究[J].黑龍江礦業(yè)學院學報,2000(3): 17-19.

[12]張增強,谷會東.Delphi 6.0實用開發(fā)指南[M].北京:電子工業(yè)出版社,2001.

[13]彭樹婷.沙角A電廠煤場動態(tài)查詢系統(tǒng)的開發(fā)應用[J].廣東電力,2008,21(7):42-46.

[14]胡宏偉,楊建國.電廠燃料管理及煤質優(yōu)化系統(tǒng)的開發(fā)及應用[J].熱力發(fā)電,2004(4):70-72.

[15]曾暢,余為澤,張振勝,等.沙角C電廠燃料部點檢系統(tǒng)的開發(fā)與應用[J].中國電力,2009 ,54 (1):85-88.

[16]劉澤常,盧宗華,陳懷珍,等.動力配煤的煤質指標與各單煤配比的結構關系[J].煤炭科學技術,2004,32( 7):62-64.

[17]候靜,趙益坤.動力配煤的數(shù)學模型及優(yōu)化解[J].太原理工大學學報,2006,37(4):486-488.

[18]韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京:北京郵電大學出版社,2006.

[19]周開利,康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.

[20]阮偉,張偉寧,周俊虎,等.電廠優(yōu)化配煤多目標機會約束數(shù)學模型的建立[J].動力工程,2001,21 (1):1090-1092.

[21]曾琴琴.火電廠配煤優(yōu)化方法研究[M].哈爾濱：哈爾濱工業(yè)大學，2006.

Construction and Algorithm of Coal Blending Optimization System in Coal-fired Power Plant

ZHANG Wei

(Anhui University of Science & Technology, HuainanAnhui 232001)

With the rapid development of China's economy, energy issues have become increasingly prominent. Coal is the most abundant resource in our country and plays the primary role in our energy consumption structure. Thus, the development of clean coal technology which aims at increasing utilization of coal resources and reducing pollution is an effective and practical choice in the transitional period to the future energy.The main purpose of this paper is to optimize coal blending system, choose the coal resource optimally by using coal blending optimization algorithm of the coal-fired power plant, and analyze the advantages of optimization algorithm.

System Construction; Algorithm; Power Coal Blending; Simulated Annealing; Neural network

2016-11-01

張威(1990-)，男，安徽淮南人，碩士研究生，研究方向為計算機應用技術，電話：18755465353。

TM621.6;TD94

A

1671-4733(2016)06-0014-06

10.3969/j.issn.1671-4733.2016.06.005