火電企業(yè)配煤模型與優(yōu)化算法

李 彬，尉守科，于俊清，3，李石君＋

（1.武漢大學(xué) 計算機(jī)學(xué)院，武漢 湖北430072；2.華中科技大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，武漢 湖北430072；3.華中科技大學(xué) 網(wǎng)絡(luò)與計算中心，武漢 湖北430072）

0 引 言

隨著對混配煤研究［1－4］的不斷開展發(fā)現(xiàn)，雖然混配比燃燒單煤更能提高鍋爐效率，節(jié)約煤炭資源，減少對環(huán)境的污染，但是對單煤混配的研究還存在著不少問題。本文針對目前國內(nèi)配煤模型研究中存在的問題，在深入分析與研究后，對當(dāng)前的配煤優(yōu)化模型與優(yōu)化算法進(jìn)行改進(jìn)，實現(xiàn)一個配煤優(yōu)化的應(yīng)用系統(tǒng)。主要包括以下幾個方面：①對比分析當(dāng)前所具有一些的配煤模型，根據(jù)優(yōu)劣性選取并建立一個火電企業(yè)實用型配煤優(yōu)化模型；②配煤技術(shù)雖然存在，但是配煤理論不夠深入。根據(jù)實驗室項目中的燃料管理系統(tǒng)可以看出，各大火電企業(yè)并未形成一整套的配煤系統(tǒng)，雖已經(jīng)開始應(yīng)用配煤技術(shù)，但是缺乏一定的理論指導(dǎo)；③選取其它文獻(xiàn)中已知數(shù)據(jù)以及本實驗室合作項目的數(shù)據(jù)庫中電廠配煤的歷史數(shù)據(jù)，對改進(jìn)的算法進(jìn)行測試驗證，更好地反饋算法的優(yōu)劣性。

1 模型求解優(yōu)化算法

在配煤生產(chǎn)過程中，產(chǎn)生了許多的配煤算法，如窮舉法、遺傳算法［5］、蟻群算法、粒子群算法［6，7］以及兩種混合的算法。由于粒子群算法的高效性、精度高、收斂快、實現(xiàn)容易等優(yōu)點，本文選取了粒子群算法作為配煤算法的主導(dǎo)算法，并對該算法進(jìn)行了更深一步的優(yōu)化。

1.1 標(biāo)準(zhǔn)粒子群算法

在最初的粒子群算法中，很難平衡粒子的局部搜索能力和全局搜索能力，就是粒子缺少對上一次的速度記憶性以及自身最好位置的影響、全局最好位置的影響所占權(quán)重的調(diào)整。粒子群優(yōu)化算法首先隨機(jī)產(chǎn)生所有粒子，通過迭代更新每一個粒子的位置、速度與個體最優(yōu)適應(yīng)值，然后通過比較更新全局最優(yōu)位置與全局最優(yōu)值，最終找到問題的最優(yōu)解。

在第k次迭代時，某個粒子必須具有以下兩個屬性：

（1）位 置 向 量Xki＝（xk1，…，xki，...，xkN），其 中xki∈［XMINi，XMAXi］，1≤i≤N，XMINi和XMAXi是粒子在這一維上的左右限制；

（2）速度向量Vki＝（vk1，…，vki，...，vkN），其中每個分量都不能超過指定的最大速度。

粒子群算法的每一次發(fā)生迭代時，整個群體中粒子位置和速度按照一定的方式進(jìn)行更改，具體公式如下

式 （1）中，r1和r2是隨機(jī)數(shù)；c1和c2被稱作學(xué)習(xí)因子，通常c1＝c2＝2；wk是權(quán)重，常用的取值范圍是0.1－1.2之間。wk也可以是變動的，經(jīng)過驗證，若權(quán)重值隨著迭代次數(shù)線性減小，可以有效的提高算法的收斂性。Shi和Eberhart指出：當(dāng)最大速度很小時 （例如小于2），使用接近于1的慣性權(quán)重；當(dāng)最大速度不是特別小時 （例如大于3），使用權(quán)重w＝0.8較好。如果沒有給出最大速度，則選取0.8作為權(quán)重比較好。慣性權(quán)重w 比較小時粒子群算法的局部搜索能力比較強(qiáng)；慣性權(quán)重較大時將會偏重于發(fā)揮粒子群算法的全局搜索能力。

粒子群算法在迭代進(jìn)行時，粒子速度的大小不能超出一定的范圍，同樣粒子位置的更新也要不超出指定的范圍內(nèi)。同時，Pi和Pg在迭代過程中不斷更新，迭代結(jié)束后得到的Pg就是所要求的全局最優(yōu)解。

標(biāo)準(zhǔn)粒子群算法雖然有較好的特性，但是針對不同的問題表現(xiàn)出來的效果是不一樣的，當(dāng)用于本文配煤優(yōu)化模型時還是出現(xiàn)了一些迭代次數(shù)偏高，易陷入局部最優(yōu)的問題，因此對粒子群算法的改進(jìn)工作也是必不可少的。

1.2 粒子群算法改進(jìn)

通過分析可知，對粒子群算法的改進(jìn)很大程度上體現(xiàn)在對wk、c1和c2的改進(jìn)上，慣性權(quán)重因子wk控制著迭代前的速度對迭代后速度的影響。wk可以對算法的全局搜索能力和局部搜索能力進(jìn)行平衡調(diào)節(jié)，因此，若要優(yōu)化粒子群算法，該參數(shù)的參與必不可少，慣性權(quán)重越大，群體全局搜索能力越強(qiáng)，群體局部搜索能力越弱；否則，局部搜索能力較強(qiáng)，而全局搜索能力較弱［8］。

本文針對配煤的數(shù)學(xué)模型求解的問題，將粒子群算法進(jìn)行了深入改進(jìn)，改進(jìn)重點描述如下：

（1）每次迭代結(jié)束后得到的全局最優(yōu)位置Pg，再給一個輕微的隨機(jī)擾動，這樣的隨機(jī)擾動符合正態(tài)分布，保證擾動大部分都比較小，并且通過系數(shù)控制，使得隨著迭代的進(jìn)行波動性也越來越小，這樣改進(jìn)之后不但增加了每個粒子的運動軌跡的隨機(jī)性，而且也沒有失去粒子聚集的一般特性。本文中設(shè)定的公式如下

其中，randn是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，k是當(dāng)前的迭代次數(shù)，式 （3）中10的作用是為了控制波動不至于太大，以防對算法改進(jìn)起到相反的作用。隨著迭代的進(jìn)行，由于受到迭代次數(shù)k 的影響，R 會隨之變小，達(dá)到了預(yù)期的效果。

（2）一次實驗中，在粒子群可能已發(fā)生早熟的時候，再次將部分的粒子重新隨機(jī)打亂，也可以很高效的解決粒子的局部收斂的缺點。本算法中的處理是默認(rèn)算法運行過半后就會出現(xiàn)收斂，此時將粒子20%再隨機(jī)生成，不過，該步驟只有當(dāng)粒子個數(shù)和迭代次數(shù)都不是很少的時候才執(zhí)行。此方式借鑒了粒子群算法和變異因子的結(jié)合。

（3）慣性權(quán)重的選取，研究發(fā)現(xiàn)，迭代前期較大的慣性權(quán)重全局搜索能力較強(qiáng)，后期較小的慣性權(quán)重局部搜索能力較強(qiáng)，因此對慣性權(quán)重的探索是必不可少的，本文中對該值進(jìn)行設(shè)定，使?jié)M足以上條件

本文通過測試，非線性減小的慣性權(quán)重比線性減小的效果有一定的改進(jìn)，因此本文選取的慣性權(quán)重如式 （5）所示，其中k為當(dāng)前迭代次數(shù)，N 為總迭代次數(shù)。

（4）當(dāng)最優(yōu)解的某一維是該維度上的邊界值時，收斂速度會有一定程度的減慢，因此，當(dāng)精度要求較高，且全局最優(yōu)位置出現(xiàn)在某一維的邊界附近 （提前設(shè)定一個閾值，如0.1）時，嘗試將該維度上的值修正成邊界值，作為新的全局最優(yōu)位置。同時本次迭代結(jié)束后還需要檢驗修正后的全局最優(yōu)位置的適應(yīng)值是否小于修正前的全局最優(yōu)位置的適應(yīng)值，若確實小，則無需再更改；否則，將全局最優(yōu)位置恢復(fù)成修正之前的值。

（5）求解算法中默認(rèn)的每個煤種所占比例的取值范圍在 ［0，100］，但實際配煤時某種單煤所占比例一般會有所限制的，例如根據(jù)需求，煤種一所占比例最少為30%，而煤種二的比例不得超過50%，因此本算法中加入了相應(yīng)的限制參數(shù)，使得配煤工作更加靈活，也較符合實際。

（6）如果發(fā)現(xiàn)某次實驗沒有達(dá)到收斂，對算法進(jìn)行修正，合并前后兩次實驗，將前一次的實驗結(jié)果應(yīng)用到下一次當(dāng)中，雙保險來保證實驗結(jié)果的準(zhǔn)確性。這樣的做法也在某些問題上彌補了粒子群算法的 “早熟”行為，且下一次的實驗的收斂速度一般更高于上一次，節(jié)約了運行時間。

（7）本算法中需要添加檢驗函數(shù)，判斷粒子在某一位置是否滿足約束條件。若不滿足，舍棄并重新計算新的位置。

（8）初始化時稍微擴(kuò)大邊界范圍，可以使得粒子的初始位置更加分散些，更具備一定的隨機(jī)性。同時，控制好粒子不飛出邊界。

我們把相應(yīng)的改進(jìn)方式應(yīng)用到算法當(dāng)中，下面給出了本文中改進(jìn)的粒子群算法流程如圖1所示。對改進(jìn)后算法的測試將會在下一章節(jié)的系統(tǒng)測試中介紹。

圖1 算法流程

2 系統(tǒng)實現(xiàn)與測試

在配煤系統(tǒng)中，我們把Windows當(dāng)做操作平臺進(jìn)行設(shè)計開發(fā)系統(tǒng)圖形界面，而具體的編程實現(xiàn)和功能設(shè)計采用了強(qiáng)大的數(shù)學(xué)軟件MATLAB。

2.1 功能模塊實現(xiàn)與測試

系統(tǒng)結(jié)構(gòu)大致由讀取數(shù)據(jù)庫數(shù)據(jù)、煤種選擇、煤質(zhì)指標(biāo)范圍設(shè)置、實驗參數(shù)設(shè)置、精度設(shè)置和優(yōu)化計算組成，界面顯示如圖2所示。

圖2 配煤優(yōu)化圖形界面

本系統(tǒng)的數(shù)據(jù)庫包含了各種單煤的煤質(zhì)信息：發(fā)熱量、揮發(fā)分、硫分、水分、灰分，還有單煤名稱和單價，這些問題是解決配煤問題的基礎(chǔ)信息，正好利用火電企業(yè)已有的數(shù)據(jù)庫新建一個存儲單煤信息的表。我們可以在圖2所示系統(tǒng)界面中對煤種、煤質(zhì)指標(biāo)范圍、實驗參數(shù)和精度進(jìn)行設(shè)置。

設(shè)置完各項參數(shù)后，點擊 “開始計算”按鈕 （如圖2所示），程序開始運行計算，數(shù)秒之后將得到一些配煤結(jié)論。通過多次實驗，得出結(jié)論：實驗次數(shù)建議取1－20 之間，迭代次數(shù)建議取40－200之間，粒子個數(shù)建議取20－100之間，這樣得出的效果比較有說服力，也不至于系統(tǒng)計算時間過長。

假設(shè)單煤數(shù)據(jù)見表1。

表1 單煤數(shù)據(jù)

煤質(zhì)指標(biāo)范圍 （約束條件）見表2。

表2 煤質(zhì)指標(biāo)

本系統(tǒng)一共設(shè)置了選取了7種單煤進(jìn)行摻配，煤種較多，更能檢驗出本系統(tǒng)的性能。同時設(shè)置了7種不同的精度供用戶選擇，可以根據(jù)不同的鍋爐和實際要求，設(shè)置不同的精度。下面進(jìn)行了3組實驗，分別選擇3組典型的實驗精度進(jìn)行測試，實驗精度分別為5%、0.5%和0.01%。

圖3 精度為5%時的1、3、5、7號煤所占比例變化

（1）精度設(shè)置為低精度 （5%），實驗次數(shù)為2，迭代次數(shù)為50，粒子個數(shù)為20，點擊 “開始計算”之后粒子都是在朝著全局最優(yōu)的位置聚集，每一種煤所占比例隨著迭代的變動如圖3所示。

兩次實驗的結(jié)果一致，7種煤的最終比例分別為：0，0，30，0，65，0，5。最終混煤最低單價為318元。此結(jié)果的精度是5%，因此可以滿足一般的配煤需求，已經(jīng)起到了盡可能降低成本的作用，接下來繼續(xù)測試更高精度的配煤結(jié)果。

圖4 精度為0.5%時的3號煤和5號煤所占比例變化

（2）設(shè)置配煤精度為0.5%，實驗次數(shù)為2，迭代次數(shù)為80，粒子個數(shù)仍為20，計算后的結(jié)果如圖4所示。

兩次實驗的結(jié)果一致，7 種煤的最終比例分別為：0，0，36.5，0，63.5，0，0。最終混煤最低單價為315.1元。

以上的結(jié)果發(fā)現(xiàn)，第一次實驗迭代到30次左右的時候開始收斂，直到結(jié)束，之后的第二次實驗，以此結(jié)果為出發(fā)點，一直保持著這個結(jié)果不變，而且此結(jié)果同文獻(xiàn) ［9］的完全吻合，可見這樣的結(jié)果是比較滿意的，可以作為配煤的最終結(jié)果，也驗證了本論文算法的可行性。

（3）設(shè)置配煤精度為最高精度 （0.01%），實驗次數(shù)為2，迭代次數(shù)為100，粒子個數(shù)為20，進(jìn)行實驗之后得到配煤比例的結(jié)果，同樣只用3號煤和5號煤進(jìn)行演示，結(jié)果如圖5所示。

圖5 精度為0.01%時3號煤和5號煤所占比例變化

該精度下在迭代進(jìn)行到70次左右時開始收斂，并得到了最優(yōu)解。實驗結(jié)果同精度為0.5%類似，均是第一次實驗就已經(jīng)收斂，在之后的實驗保持該最優(yōu)解，都得到了7種單煤的最終比例：0，0，36.5，0，63.5，0，0；最終混煤最低單價為315.1元。

通過以上3組不同精度的實驗比較發(fā)現(xiàn)，實驗的結(jié)果都是高度一致的 （除了第一組實驗受到精度的限制，也非常接近最優(yōu)解），而且完全符合文獻(xiàn) ［9］中的實驗結(jié)果，經(jīng)過論證，這樣的結(jié)果確實是最優(yōu)的。

2.2 實驗結(jié)果比較

通過已知煤質(zhì)數(shù)據(jù)測試了系統(tǒng)的一些功能，得到了比較滿意的結(jié)果，下面將對優(yōu)化方法的優(yōu)劣性和穩(wěn)定性進(jìn)行驗證，實驗數(shù)據(jù)包括文獻(xiàn) ［9］中提供的數(shù)據(jù)，以及文獻(xiàn)［10］提供的數(shù)據(jù)。

（1）算法性能優(yōu)越性比較：首先測試標(biāo)準(zhǔn)的粒子群算法，設(shè)置粒子個數(shù)為20，迭代次數(shù)為150，進(jìn)行20 次實驗，把求得最優(yōu)解時的迭代次數(shù)作為比較標(biāo)準(zhǔn)，得到20個結(jié)果：92，61，79，134，100，75，80，85，70，98，93，90，151，120，135，126，106，53，58，114。平均迭代次數(shù)為96次，程序耗時374s。從圖6 中也可以看出，隨著迭代的進(jìn)行粒子逐漸取到了最優(yōu)值，并在平均迭代九十多次后趨于穩(wěn)定。

圖6 標(biāo)準(zhǔn)粒子群算法

然后測試本文中的改進(jìn)粒子群算法，同樣進(jìn)行類似的設(shè)定，粒子個數(shù)為20，迭代次數(shù)為100，進(jìn)行20 次實驗，還是把求得最優(yōu)解時的迭代次數(shù)作為比較的標(biāo)準(zhǔn)。測試時，同樣把取得最優(yōu)解時已經(jīng)發(fā)生的迭代次數(shù)作為參考，得到20 個結(jié)果：61，64，69，79，61，65，79，68，71，74，86，66，75，66，59，62，54，73，66，84。平均迭代次數(shù)為69次，程序耗時320s。迭代過程如圖7所示。

圖7 改進(jìn)粒子群結(jié)果

通過比較可以發(fā)現(xiàn)，本文的方法不但可以取到最優(yōu)解，而且所需要的平均迭代次數(shù)也是比較少的，平均減少了十幾次?？梢姳菊撐闹袑?biāo)準(zhǔn)粒子群算法的改進(jìn)確實是有效的，體現(xiàn)出了其優(yōu)越性。

（2）算法穩(wěn)定性比較：算法的優(yōu)越性已經(jīng)體現(xiàn)，但穩(wěn)定性也是同樣重要的，接下來我們繼續(xù)對本論文方法的穩(wěn)定性進(jìn)行驗證。

1）根據(jù)文獻(xiàn) ［10］提供的單煤數(shù)據(jù)和設(shè)計要求檢測，表3給出了5種單煤及其配煤要求。

將數(shù)據(jù)錄入并根據(jù)文獻(xiàn)要求配置好系統(tǒng)參數(shù)，精度為5%，實驗次數(shù)為1，迭代次數(shù)20，粒子個數(shù)10，5種單煤的比例變化如圖8所示。圖中用不同的形狀將不同煤種進(jìn)行了區(qū)分。

表3 單煤數(shù)據(jù)及配煤要求

圖8 5種單煤比例變化

最終得出5 種單煤的比例為兗州煤：45%，邰武煤：10%，新集煤：35%，鞏義3 煤：10%，龍口3 煤：0%，最低配煤成本單價為224元／噸。這些結(jié)果與文獻(xiàn)中的結(jié)果完全吻合，并且本系統(tǒng)僅耗時0.456 秒就得出結(jié)果，效率是相當(dāng)高的。

2）根據(jù)文獻(xiàn) ［10］中單煤數(shù)據(jù)和設(shè)計煤種的要求對算法進(jìn)行檢測，表4給出了5種單煤信息和設(shè)計要求。

表4 單煤數(shù)據(jù)及設(shè)計要求

將數(shù)據(jù)輸入到系統(tǒng)中，設(shè)置精度為最高 （0.01%），實驗次數(shù)為2，迭代次數(shù)150，粒子個數(shù)40，同時合并前后兩次實驗，最終求得到5種單煤的比例結(jié)果見表5。

表5 單煤數(shù)據(jù)及設(shè)計要求

以上結(jié)果與文獻(xiàn) ［10］的結(jié)果也是完全吻合，可見粒子的穩(wěn)定性確實是存在的。

綜上，根據(jù)以上幾組測試實驗可以發(fā)現(xiàn)，本文中所應(yīng)用的模型和對粒子群的優(yōu)化算法是具有優(yōu)越性和穩(wěn)定性的。

3 結(jié)束語

本文通過對粒子群算法進(jìn)行進(jìn)一步的改進(jìn)并應(yīng)用于配煤模型的求解當(dāng)中，最后形成了一個完整的配煤優(yōu)化系統(tǒng)。本文通過重復(fù)大量的探索測試，改進(jìn)粒子群算法的各個參數(shù)和邏輯關(guān)系，最后得出本文中出現(xiàn)的配煤優(yōu)化算法，進(jìn)而應(yīng)用在了模型的求解當(dāng)中，同時利用實驗驗證了本文模型中所利用的粒子群的優(yōu)化算法是具有優(yōu)越性和穩(wěn)定性的，但是通過大量的實驗也發(fā)現(xiàn)了本系統(tǒng)仍存在一些不足的地方，主要有包括以下幾個方面：

（1）對配煤人員的要求比較高。由于本文中涉及到了對粒子群算法中參數(shù)的設(shè)置，包括實驗次數(shù)、迭代次數(shù)和粒子個數(shù)，雖然在界面中已經(jīng)給出了默認(rèn)值和部分提示信息，但還是免不了工作人員對這些數(shù)據(jù)的疑問。

（2）對粒子群算法的改進(jìn)雖有效果，但不是非常顯著。雖然本文中對粒子群算法的改進(jìn)之后，使得計算過程中需要的收斂次數(shù)減少（從96降到69），但是效果還不是特別的明顯。

（3）初始化粒子的時候具有很大的盲目性，隨機(jī)生成的大部分粒子可能不滿足約束條件。目前還沒找到一個更好的初始化方法，希望在以后的研究中可以解決。

［1］Zeng Ming，Liu Ximei.Review of renewable energy investment and financing in China：Status，mode，issues and countermeasures［J］.Renewable ＆Sustainable Energy Reviews，2014，31：23－37.

［2］Dienst Carmen，Schneider Clemens.On track to become a low carbon future city？First findings of the integrated status quo and trends assessment of the pilot city of Wuxi in China ［J］.Sustainability，2013，5 （8）：3224－3243.

［3］Tian Lixin，Jin Rulei.Theoretical exploration of carbon emissions dynamic evolutionary system and evolutionary scenario analysis［J］.Energy，2012，40 （1）：376－386.

［4］Zhao Zhenyu，Yan Hong.Assessment of the biomass power generation industry in China ［J］.Renewable Energy，2012，37 （1）：53－60.

［5］YANG Shengchun.Power coal blending model research ［J］.Guangdong Electric Power，2012，25 （1）：36－39 （in Chinese）. ［楊圣春.火電廠配煤模型研究 ［J］.廣東電力，2012，25 （1）：36－39.］

［6］DONG Husheng，LU Ping，ZHONG Baojiang，et al.The automatic coal blending system based on collaborative quantum particle swarm optimization ［J］.Manufacturing Automation，2014，30 （1）：74－77 （in Chinese）.［董虎勝，陸萍，鐘寶江，等.基于協(xié)同量子粒子群的自動配煤系統(tǒng)優(yōu)化 ［J］.制造業(yè)自動化，2014，30 （1）：74－77.］

［7］ZHANG Lifeng，HU Xiaobing.Hybrid particle swarm optimization algorithm for solving nonlinear constrained problem ［J］.Computer Science，2011，38 （10A）：178－188 （in Chinese）.［張利鳳，胡小兵.求解非線性約束問題的混合粒子群優(yōu)化算法 ［J］.計算機(jī)科學(xué)，2011，38 （10A）：178－188.］

［8］SUI Conghui.Study on the method of particle swarm optimization（pso）algorithm to improve ［D］.Chengdu：Southwest Jiaotong University，2010 （in Chinese）. ［隨聰慧.粒子群算法的改進(jìn)方法研究 ［D］.成都：西南交通大學(xué)，2010.］

［9］LIU Yongjiang，GAO Zhengping，HAN Yi，et al.Coal－fired power plants based on particle swarm algorithm to optimize coal blending research ［J］.Journal of Boiler Technology，2012，43 （5）：18－24 （in Chinese）. ［劉永江，高正平，韓義，等.基于粒子群算法的火電廠優(yōu)化配煤研究 ［J］.鍋爐技術(shù)，2012，43 （5）：18－24.］

［10］TAN Baocheng，LI Yuanke.Coal blending technology and its mathematical model research ［J］.Journal of Xi’an University of Technology，2011，31 （2）：156－159 （in Chinese）. ［譚寶成，李元坷.配煤技術(shù)及其數(shù)學(xué)模型研究 ［J］.西安工業(yè)大學(xué)學(xué)報，2011，31 （2）：156－159.］