火电厂配煤优化方法探析范文

摘要：针对解决火电厂目前电煤供应紧张、煤价成本居高不下的现状。文章通过对电厂的实际用煤展开最优炉前配煤研究，方案通过建立以掺烧煤成本最低为目标函数和机组对混煤的工业成分要求作为约束条件的配煤数学模型，利用粒子群算法的局部快速收敛特性优化遗传算法进行模型求解。其单混煤煤质工业成分间的非线性映射关系通过建立GA－BP神经网络预测模型进行预测。通过算例及误差结果证明该方法在煤质预测和求解配煤成本最低的可靠性，可对电厂实际配煤进行指导。

关键词：配煤优化；煤质预测；数学模型；目标函数；约束条件；混煤价格

我国能源结构还是依靠以煤为燃料的火力发电为主，当前火电发电厂的用煤量增加、库存紧张、煤价居高不下，以及人们对节能环保意识的加深和电力市场竞争加剧也使得发电企业考虑如何在节能减排的环境下降低成本来提高企业竞争力。电厂燃烧的煤通常以机组设定的煤种为主，然而在电厂长时间的运作过程中可能伴随着煤价变化、库存短缺、机组性能变化等因素造成以原定的单煤煤种作为能源发电不是最优的选择，因此在20世纪90年代，国内电厂开始采取以不同的煤种进行掺烧来满足机组的要求，通过混煤来代替设计燃料成分并寻求配煤成本最低，提高劣质煤利用效率［1］。研究混煤如何取代设计煤种的配煤方法，首先要对煤的成分性质进行认识。研究混煤工业分析和元素分析各个指标之间的关系，通过不同煤种不同比例之间的掺配来满足机组设定条件的要求，根据目前对混煤的煤质特性和燃烧特性的研究可以得出的结论是不同单煤在掺烧过程中某些成分没有直接的线性关系，比如煤质中一些主要的工业成分［2，3］。在单煤复杂的成分数据中找出构成混煤的非线性关系，即建立煤质预测模型是配煤优化方法的重要一步。且动力配煤可以当作一个算法预测寻优问题，把煤的燃烧特性及锅炉允许排放范围作为约束条件，从成本、环境效益等用煤目标建立配煤数学模型进行最优求解［4－7］。本文对电厂用煤数据进行分析，并对上海某电厂进行实地调研，根据其燃料成分及设计燃料成分要求，对其采用的单煤进行混煤煤质预测，建立混煤煤质预测模型，并建立符合多约束单目标的配煤数学模型，按电厂成本最低要求进行目标最优化求解。改变其原有的按照人工经验配煤方式，为发电企业在配煤方案上提供指导意见。

1动力配煤方案确定

动力配煤可以当成是一个数学优化问题［8］，怎样寻找出合理高效的方法应用到配煤方案的选取中是配煤优化的关键。遗传算法（GA）是一种随机搜索算法，不依赖于单一的评价函数的梯度信息。粒子群算法也是一种模拟自然界的算法，每一个粒子即为一个解，他的特点是对适应度选取的粒子不断学习，但是在随机求解的过程初始化粒子决定了训练的好坏，即容易陷入极值，容易“早熟”。配煤方案根据电厂锅炉对煤质指标的实际要求建立配煤方案目标函数和约束条件，选取配煤煤种及配比，本文通过粒子群优化遗传算法求解出最优配煤方案［9］，从而实现在可混掺煤质多样化的基础上减少成本、提高电厂的运行效益的目标。

1.1算法基本步骤

1.11编码及种群初始化编码是首要问题，根据求解的对象进行编码，编码的质量影响遗传操作，在解决配煤方案的遗传算法应用中将标准的二进制用实数编码取代。例如混煤煤种由单煤A、B、C煤种构成所占比例分别为20、20、60（比例之和为100％），则该染色体可表示成A20B20C60。编码完成后产生n个染色体，初始种群的每一个个体都是随机产生，形成第一代种群。

1.12适应度函数设计即评价函数的设计，是为了反应群体中个体的优劣性。本文中以混煤成本h（x）最小作为目标函数。适应度值要取非负数在设计的过程中通过式（1）把最小值的问题，转化成求解最大值问题。

1.13遗传操作基本遗传算法的遗传操作过程包括选择、交叉、变异，利用GA的全局性建立粒子群的优秀集，即GA算法每次迭代完产生的最优解的集合，把优秀集作为PSO的初始化位置。利用粒子群算法收敛速度快，导向性好的特点对优秀集进行全局寻优。。

1.2模型的建立配煤数学模型是以混煤煤价成本最小为目标，建立符合锅炉燃烧要求的混煤最优方案，即确定单煤的种类和不同煤种配比。

1.3确定约束条件基本约束条件是由工业锅炉对煤质的特定的技术属性要求决定的，煤的水分、灰分、挥发分、发热量是影响煤的质量的主要因素。

2混煤煤质预测

神经网络存在很强的输入输出映射能力，可以在网络非线性环境中找到复杂的关系，在配煤中的应用是通过对煤质样本数据映射学习，逼近一个预测函数。目前对煤质预测的研究存在很多方法论，比如直接通过仪器测量或是间接软测量，目前常用的神经网络算法主要包括BP、GRNN、SOM等［11－13］。对于非线性系统，选择一个合适的速率是一个重要的问题。有很多研究人员采用BP神经网络进行煤质预测，但BP神经网络一方面训练中要求学习速率较小且固定，而且容易产生局部最优。

2.1GA－BP神经网络介绍GA－BP神经网络是一种多算法融合的算法，该算法在多个领域已深入应用。利用GA算法选取神经网络初始权值、阈值可解决单一算法的缺陷。本文将采用该算法预测煤质工业成分的非线性关系。

2.2GA－BP神经网络构建本文GA－BP神经网络设计训练函数采用了traingdx函数，学习算法采用LM算法。其中训练集输入为不同单煤的工业分析数据和对应配比，输出混煤的工业分析数据，其中工业分析用到是典型的发热量、水分、灰分和挥发分。训练是否精确的充要条件是样本数据的大小和质量，存在文献［14］中提到可以将一组三种单煤的排列顺序改变而比例不发生改变，会产生训练网络中不同的权值、阈值，以此来增加训练样本数量。

3模型验证与应用

对上海某电厂用煤进行调研，选取目前电厂常用的15种单煤煤种进行研究［15］，建立单煤工业成分数据库，将3种单煤不同比例产生的45种混煤个体进行混掺实验研究，根据模型输入排列顺序的不同可产生270种样本数据排列方式，并将其编码。

4结论

目前面对煤炭资源短缺，煤价过高，电厂库存不足的现状，混煤掺烧成为一种有效的解决方法。虽然在人工智能算法在预测的过程中存在一定的随机性，但随着算法理论和计算机编码技术的不断发展，准确性也得到了提高，通过算例分析表明：1）利用基于GA－BP神经网络可满足对混煤煤质进行预测，混煤工业分析Qnetar，Mad，Aad，Vad的最大相对误差分别为196％、2467％、199％、76％，满足实际应用，煤质预测模型的建立为动力配煤方案提供了保障。2）利用粒子群算法优化了遗传算法，解决了单一算法的缺陷。根据参考煤种为火电厂确定了成本最低的多约束动力配煤方案，该配煤方案为B24E12F64，所需成本46384元／t，且混煤煤质符合机组标准。3）该火电厂优化配煤方法可应用于工程实际，加强了配煤合理性，且该模型为配煤指导系统的建立提供保障，对电厂实际运营减少成本、提高效益有一定参考意义。

作者：付轩熠1，茅大钧1，印琪民2 单位：1上海电力学院自动化工程学院，2华能上海石洞口第一电厂