CN108830398A - 一种配煤成本优化方法、设备及存储设备 - Google Patents
一种配煤成本优化方法、设备及存储设备 Download PDFInfo
- Publication number
- CN108830398A CN108830398A CN201810307638.8A CN201810307638A CN108830398A CN 108830398 A CN108830398 A CN 108830398A CN 201810307638 A CN201810307638 A CN 201810307638A CN 108830398 A CN108830398 A CN 108830398A
- Authority
- CN
- China
- Prior art keywords
- coal
- coal blending
- blending
- index
- quality index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 225
- 238000002156 mixing Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 95
- 239000000571 coke Substances 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000000739 chaotic effect Effects 0.000 claims description 44
- 238000004939 coking Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 10
- 230000009257 reactivity Effects 0.000 claims description 10
- 229910052717 sulfur Inorganic materials 0.000 claims description 10
- 239000011593 sulfur Substances 0.000 claims description 10
- 239000004079 vitrinite Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002518 glial effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Coke Industry (AREA)
Abstract
本发明提供了一种配煤成本优化方法、设备及存储设备，通过采用灰色关联分析法和SVM建立焦炭质量预测模型，采用动态时序匹配方法配准常规ERP数据、实验数据和岩相数据，最后建立配煤成本优化模型，并利用精英学习混沌粒子群的方法，求解出优化配煤成本的方法和最优的配煤方案，达到降低配煤成本和使配煤材料充分利用的目的；一种配煤成本优化设备及存储设备，用于实现一种配煤成本优化方法。本发明的有益效果是：本发明提供的技术方案能够提高配煤成本优化方法的准确性、稳定性和计算精度，保证焦炭质量满足企业要求的同时，也最大化地降低了配煤成本。
Description
技术领域
本发明涉及配煤炼焦领域，尤其涉及一种配煤成本优化方法、设备及存储设备。
背景技术
随着高炉大型化和富氧喷吹煤粉技术的发展，高炉生产对焦炭质量要求越来越高，而大多数单种煤在焦炉内不易炼出机械强度较高的优质冶金焦，为了合理的利用煤质资源，节约优质炼焦煤，同时生产出符合质量要求的焦炭，必须采用配煤炼焦技术。
煤岩学理论从微观组分的角度揭示煤的成焦机理，进而反映不同组分不同煤化度的煤料对成焦的影响，能有效预测焦炭质量，从而指导配煤。因此，如何有效利用煤岩学理论中的岩相数据与传统ERP数据，在小焦炉实验数据的基础上，精确地确定各单种煤的配比，优化配煤成本是关键问题；并且配煤成本优化过程约束条件众多，容易陷入局部最优，难以获得最优成本和配煤方案。
发明内容
为了解决上述问题，本发明提供了一种配煤成本优化方法、设备及存储设备，一种配煤成本优化方法，主要包括以下步骤：
S101：采用灰色关联分析法和SVM智能建模算法建立焦炭质量预测模型，得到煤质指标与焦炭指标的非线性关系；
S102：根据所述焦炭质量预测模型，采用动态时序匹配方法配准ERP数据、实验数据和岩相数据，得到配煤成本优化的数据集；
S103：根据所述配煤成本优化的数据集，建立配煤成本优化模型；
S104：根据所述配煤成本优化模型，采用精英学习混沌粒子群算法，得到最优配煤成本和配煤方案。
进一步地，在步骤S101中，所述焦炭质量预测模型的预测指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
进一步地，在步骤S102中，所述ERP数据包括：灰分Ad、挥发分Vdaf、硫分Std、粘结性指数G、胶质层指数X和胶质层厚度Y，所述实验数据包括：抗碎强度M40、耐磨强度M10、反应性指数CRI和反应后强度CSR，所述岩相数据包括：最大镜质组反射率Rmax。
进一步地，在步骤S103中，所述配煤成本优化模型以配煤成本为目标函数，且满足配合煤质量指标、焦炭质量指标和配煤过程约束条件；所述目标函数如公式(1)所示：
其中，f(r)为配煤成本，n为单种煤的数量，Ci为单种煤的价格，i＝1,2,...n，ri为单种煤的配比；
所述配合煤质量指标包括：灰分挥发分硫分粘结性指数胶质层指数胶质层厚度和平均最大镜质组反射率
所述焦炭质量指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
所述配合煤质量指标和所述焦炭质量指标都有一个上下限，假设所述配合煤质量指标和所述焦炭质量指标的上下限分别为：Ai、Bi和Cj、Dj，则配合煤质量指标Wi和焦炭质量指标Vj满足如公式(2)和公式(3)的关系：
Bi≤Wi≤Ai (2)
Dj≤Vj≤Cj (3)
其中，i＝1,2...m，j＝1,2...n，m和n分别代表配合煤和焦炭质量约束条件个数；
所述配煤炼焦过程的约束条件，用来限制稀缺煤种的配比，且n种单种煤的配比之和为100％；因此，所述配煤炼焦过程的约束条件如公式(4)和公式(5)所示：
xi≤Hi/S×Di (4)
其中，S为配煤吨数，Hi为第i种单种煤库存量，Di为第i种单种煤库存量的可用天数，Hdi为第i种单种煤的单天资源量，且Hdi＝Hi/Di，ri为第i种单种煤配比，n为单种煤的种类数量。
进一步地，在步骤S104中，所述精英学习混沌粒子群算法的具体步骤为：
S301：初始化精英学习混沌粒子群算法的参数，所述参数包括：种群规模N，粒子维数D，最大迭代次数MI，惯性权重w，学习因子c1、c2，混沌搜索次数MC和精英系数σ；
S302：随机初始化种群；
S303：筛选出满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子；其中，每个粒子代表一种配煤方案；所述配煤方案中，配合煤质量指标Wi的上下限为：Ai、Bi，焦炭质量指标Vj的上下限为：Cj、Dj；配煤过程约束条件其中，其中，Hj为第j种单种煤库存量，S为配煤吨数，Dj为第j种单种煤库存量的可用天数；
S304：根据公式(3)计算每个满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子适应度，确定全局最优解Gbest和个体最优解Pbest，并根据粒子适应度对粒子从小到大进行排序，选取前M个粒子作为精英粒子，M＝N×σ；
S305：将所述精英粒子载波至[0,1]范围内，根据Logistic混沌映射方法产生MC个不同轨迹的混沌序列Zi(t)，将所述混沌序列Zi(t)的分量载波到精英粒子上，产生混沌搜索粒子Ci(t)；
S306：根据公式(3)计算得到混沌搜索粒子适应度F(Ci(t))，所述混沌搜索粒子适应度F(Ci(t))＜F(Pbest)时，更新个体最优解Pbest；F(Pbest)为个体最优解Pbest的适应度；
S307：所述个体最优解的适应度F(Pbest)＜F(Gbest)时，更新全局最优解Gbest的适应度F(Gbest)；
S308：更新粒子的速度和位置；
S309：判断精英学习混沌粒子群算法是否满足终止条件？其中，所述终止条件为：达到精英学习粒子群的最大迭代次数；或者，粒子适应度没有变化；
若是，则到步骤S310；若否，则回到步骤S303；
S310：输出迭代曲线，得到全局最优粒子及其适应度，即得到最优成本和最优配煤方案。
一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现一种配煤成本优化方法。
一种配煤成本优化设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种配煤成本优化方法。
本发明提供的技术方案带来的有益效果是：本发明提供的技术方案能够提高配煤成本优化方法的准确性、稳定性和计算精度，保证焦炭质量满足企业要求的同时，也最大化地降低了配煤成本。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于精英学习混沌粒子群的配煤成本优化方法的流程图；
图2是本发明实施例中所述基于灰色关联法和支持向量机的焦炭质量预测模型的数据流图；
图3是本发明实施例中所述动态时序匹配方法数据流图的示意图；
图4是本发明实施例中所述精英学习混沌粒子群算法的流程图；
图5是本发明实施例中采用两种不同算法得到的迭代曲线的示意图；
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种配煤成本优化方法、设备及存储设备。
请参考图1，图1是本发明实施例中一种配煤成本优化方法的流程图，具体包括如下步骤：
S101：以灰分Ad、挥发分Vdaf、硫分Std、粘结性指数G、胶质层指数X、胶质层厚度Y和最大镜质组反射率Rmax为输入，采用线性回归模型建立配合煤质量预测模型；
S102：根据所述配合煤质量预测模型，采用灰色关联分析法，确定影响焦炭质量的因素；
S103：根据所述影响焦炭质量的因素，采用SVM智能建模算法，建立焦炭质量预测模型，得到煤质指标与焦炭质量的非线性关系；其中，所述焦炭质量预测模型的预测指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J；
S104：根据所述焦炭质量预测模型，采用动态时序匹配方法配准ERP数据、实验数据和岩相数据，得到配煤成本优化的数据集；其中，所述ERP数据包括：灰分Ad、挥发分Vdaf、硫分Std、粘结性指数G、胶质层指数X和胶质层厚度Y，所述实验数据包括：抗碎强度M40、耐磨强度M10、反应性指数CRI和反应后强度CSR，所述岩相数据包括：最大镜质组反射率Rmax；所述采用动态时序匹配方法得到配煤成本优化的数据集的具体步骤为：
S201：按照煤种名称、供应商、发站地三个关键字对数据进行分组，并剔除数据中出现的非法数据；其中，所述非法数据包括：数值为空，数值为零；
S202：根据煤车净重的不同，对ERP数据中的灰分Ad、挥发分Vdaf、硫分Std进行加权平均处理，减少仪表检测误差；其中，进行加权平均处理的公式如公式(1)所示：
其中，为根据净重进行加权平均处理后的数据，vi是ERP原始数据，wi是vi对应的净重；
S203：根据数据采样次数的不同，对粘结性指数G、胶质层指数X和胶质层厚度Y进行平均处理，减小随机误差；其中，进行加权平均处理的公式如公式(2)所示：
其中，是根据次数进行平均处理后的数据，vi是ERP原始数据，n是取样次数；
S204：在指定时间范围内，选取最新时间的实验数据和岩相数据与经过数据处理的ERP数据进行配准，得到配煤成本优化的数据集；其中，所述指定时间范围由用户决定，所述指定时间范围限定了ERP数据的抓取时间；
S105：根据所述配煤成本优化的数据集，建立配煤成本优化模型；其中，所述配煤成本优化模型以配煤成本为目标函数，且满足配合煤质量指标、焦炭质量指标和配煤过程约束条件；所述目标函数如公式(3)所示：
其中，f(r)为配煤成本，n为单种煤的数量，Ci(i＝1,2...n)为单种煤的价格，ri为单种煤的配比；
所述配合煤质量指标包括：灰分挥发分硫分粘结性指数胶质层指数胶质层厚度和平均最大镜质组反射率
所述焦炭质量指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
所述配合煤质量指标和所述焦炭质量指标都有一个上下限，假设所述配合煤质量指标和所述焦炭质量指标的上下限分别为：Ai、Bi和Cj、Dj，则配合煤质量指标Wi和焦炭质量指标Vj满足如公式(4)和公式(5)的关系：
Bi≤Wi≤Ai (4)
Dj≤Vj≤Cj (5)
其中，i＝1,2...m，j＝1,2...n，m和n分别代表配合煤和焦炭质量约束条件个数；在本实施例中，m和n的取值为7和5；
所述配煤炼焦过程的约束条件，用来限制稀缺煤种的配比，且n种单种煤的配比之和为100％；因此，所述配煤炼焦过程的约束条件如公式(6)和公式(7)所示：
xi≤Hi/S×Di (6)
其中，S为配煤吨数，Hi为第i种单种煤库存量，Di为第i种单种煤库存量的可用天数，Hdi为第i种单种煤的单天资源量，且Hdi＝Hi/Di，ri为第i种单种煤配比，n为单种煤的数量；
S106：根据所述配煤成本优化模型，采用精英学习混沌粒子群算法，得到最优配煤成本和配煤方案；其中，所述精英学习混沌粒子群算法的具体步骤为：
S301：初始化精英学习混沌粒子群算法的参数，所述参数包括：种群规模N，粒子维数D，最大迭代次数MI，惯性权重w，学习因子c1、c2，混沌搜索次数MC和精英系数σ；
S302：随机初始化种群；
S303：筛选出满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子；其中，每个粒子代表一种配煤方案；所述配煤方案中，配合煤质量指标Wi的上下限为：Ai、Bi，焦炭质量指标Vj的上下限为：Cj、Dj；配煤过程约束条件其中，其中，Hj为第j种单种煤库存量，S为配煤吨数，Dj为第j种单种煤库存量的可用天数；
S304：根据公式(3)计算每个满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子适应度，确定全局最优解Gbest和个体最优解Pbest，并根据粒子适应度对粒子从小到大进行排序，选取前M个粒子作为精英粒子；其中，M＝N×σ；
S305：将所述精英粒子载波至[0,1]范围内，根据Logistic混沌映射方法产生MC个不同轨迹的混沌序列Zi(t)，将所述混沌序列Zi(t)的分量载波到精英粒子上，产生混沌搜索粒子Ci(t)；
S306：根据公式(3)计算得到混沌搜索粒子适应度F(Ci(t))，所述混沌搜索粒子适应度F(Ci(t))＜F(Pbest)时，更新个体最优解Pbest；F(Pbest)为个体最优解Pbest的适应度；
S307：所述个体最优解的适应度F(Pbest)＜F(Gbest)时，更新全局最优解Gbest适应度F(Gbest)；
S308：更新粒子的速度和位置；
S309：判断精英学习混沌粒子群算法是否满足终止条件？其中，所述终止条件为：达到精英学习粒子群的最大迭代次数；或者，粒子适应度没有变化；
若是，则到步骤S310；若否，则回到步骤S303；
S310：输出迭代曲线，得到全局最优粒子及其适应度，即得到最优成本和最优配煤方案。
对于上述方法的有效性进行验证，首先选取11种单种煤作为备选煤，其中单种煤库存均为5000吨，可用天数为5天，每天需配煤5400吨，单种煤配比最小为3％，最大为20％；配合煤质量指标如表1所示：
表1配合煤质量指标
焦炭质量指标如表2所示：
表2焦炭质量指标
| 焦炭指标 | 抗碎强度M40 | 耐磨强度M10 | 反应性指数CRI | 反应后强度CSR |
| 最小值 | 80％ | 5％ | 20％ | 55％ |
| 最大值 | 88％ | 10％ | 28％ | 68％ |
首先进行参数初始化，得到种群规模N＝24，粒子维数D＝11，最大迭代次数MI＝50，惯性权重w＝0.6，学习因子c1＝c2＝2，MC＝5，精英系数σ＝0.2；然后分别采用标准粒子群算法(PSO)和精英学习混沌粒子群算法(ELCPSO)对配煤成本进行优化，优化后配煤成本和方案如表3所示：
表3优化后配煤成本和方案
由表3可知，标准粒子群算法和精英学习混沌粒子群算法在保证配合煤质量和焦炭质量的前提下，都通过降低部分价格贵的肥煤和焦煤用量，降低了配煤成本。但由于配煤成本优化过程约束条件众多，标准粒子群算法容易陷入局部最优的问题，难以获得最优成本和配煤方案，而精英学习混沌粒子算法能有效借助Logistic混沌搜索方法跳出局部最优，并通过随机非精英粒子保证种群的多样性，最终获得最优成本和配煤方案；优化后成本降低0.6元/吨，平均每天节省成本3240元(5400*0.6)。
请参考图2，图2是本发明实施例中所述基于灰色关联法和支持向量机的焦炭质量预测模型的数据流图，由图2可知，配煤炼焦过程包括混煤的物理变化过程和炼焦的化学反应过程，输入数据灰分Ad、挥发分Vdaf、硫分Std、粘结性指数G、胶质层指数X、胶质层厚度Y和最大镜质组反射率Rmax，采用线性回归模型建立配合煤质量预测模型，然后采用灰色关联分析法确定影响焦炭质量的因素，再采用SVM的智能建模算法建立焦炭质量预测模型，得到数据抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
请参考图3，图3是本发明实施例中所述动态时序匹配方法数据流图的示意图，首先进行ERP数据的预处理，剔除数值为空或者零的非法数据，根据煤种名称、供应商和发站地对ERP数据进行分组，然后对ERP数据中的灰分Ad、挥发分Vdaf和硫分Std进行净重加权平均处理，对ERP数据中的粘结性指数G、胶质层指数X、胶质层厚度Y进行次数加权平均处理，分别减少仪表检测误差和随机误差，然后在指定时间范围内，选取最新时间的实验数据和岩相数据与经过数据处理的ERP数据进行配准，得到配煤成本优化的数据集，其中，所述指定时间范围由用户决定，用来限定ERP数据的抓取时间；再根据所述配煤成本优化的数据集，建立以配煤成本为目标函数，且满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的配煤成本优化模型；然后采用精英学习混沌粒子群算法，得到最优配煤成本和配煤方案；最后基于线性回归与SVM方法建立的焦炭质量预测模型，预测出配合煤质量和焦炭质量。
请参考图4，图4是本发明实施例中所述精英学习混沌粒子群算法的流程图，具体包括以下步骤：
S301：初始化精英学习混沌粒子群算法的参数，所述参数包括：种群规模N，粒子维数D，最大迭代次数MI，惯性权重w，学习因子c1、c2，混沌搜索次数MC和精英系数σ；
S302：随机初始化种群；
S303：筛选出满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子；其中，每个粒子代表一种配煤方案；所述配煤方案中，配合煤质量指标Wi的上下限为：Ai、Bi，焦炭质量指标Vj的上下限为：Cj、Dj；配煤过程约束条件其中，其中，Hj为第j种单种煤库存量，S为配煤吨数，Dj为第j种单种煤库存量的可用天数；
S304：根据公式(3)计算每个满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子适应度，确定全局最优解Gbest和个体最优解Pbest，并根据粒子适应度对粒子从小到大进行排序，选取前M个粒子作为精英粒子，M＝N×σ；
S305：将所述精英粒子载波至[0,1]范围内，根据Logistic混沌映射方法产生MC个不同轨迹的混沌序列Zi(t)，将所述混沌序列Zi(t)的分量载波到精英粒子上，产生混沌搜索粒子Ci(t)；
S306：根据公式(3)计算得到混沌搜索粒子适应度F(Ci(t))，所述混沌搜索粒子适应度F(Ci(t))＜F(Pbest)时，更新个体最优解Pbest；F(Pbest)为个体最优解Pbest的适应度；
S307：所述个体最优解的适应度F(Pbest)＜F(Gbest)时，更新全局最优解Gbest；
S308：更新粒子的速度和位置；
S309：判断精英学习混沌粒子群算法是否满足终止条件？其中，所述终止条件为：达到精英学习粒子群的最大迭代次数；或者，粒子适应度没有变化；
若是，则到步骤S310；若否，则回到步骤S303；
S310：输出迭代曲线，得到全局最优粒子及其适应度，即得到最优成本和最优配煤方案。
请参考图5，图5是本发明实施例中采用两种不同算法得到的迭代曲线的示意图，从图中可以看出，由于在精英粒子基础上采用Logistic混沌搜索思想，本发明所提方法能获得更低配煤成本，且算法收敛速度快，迭代30次时接近收敛，迭代40次时已经完全收敛；而标准粒子群算法迭代次数50次时还未收敛，且配煤成本较高。
请参见图6，图6是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种配煤成本优化设备601、处理器602及存储设备603。
一种配煤成本优化设备601：所述一种配煤成本优化设备601实现所述一种配煤成本优化方法。
处理器602：所述处理器602加载并执行所述存储设备603中的指令及数据用于实现所述一种配煤成本优化方法。
存储设备603：所述存储设备603存储指令及数据；所述存储设备603用于实现所述一种配煤成本优化方法。
本发明的有益效果是：本发明提供的技术方案能够提高配煤成本优化方法的准确性、稳定性和计算精度，保证焦炭质量满足企业要求的同时，也最大化地降低了配煤成本。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种配煤成本优化方法，其特征在于：包括以下步骤：
S101：采用灰色关联分析法和SVM智能建模算法建立焦炭质量预测模型，得到煤质指标与焦炭质量的非线性关系；
S102：根据所述焦炭质量预测模型，采用动态时序匹配方法配准ERP数据、实验数据和岩相数据，得到配煤成本优化的数据集；
S103：根据所述配煤成本优化的数据集，建立配煤成本优化模型；
S104：根据所述配煤成本优化模型，采用精英学习混沌粒子群算法，得到最优配煤成本和配煤方案。
2.如权利要求1所述的一种配煤成本优化方法，其特征在于：在步骤S101中，所述焦炭质量预测模型的预测指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
3.如权利要求1所述的一种配煤成本优化方法，其特征在于：在步骤S102中，所述ERP数据包括：灰分Ad、挥发分Vdaf、硫分Std、粘结性指数G、胶质层指数X和胶质层厚度Y，所述实验数据包括：抗碎强度M40、耐磨强度M10、反应性指数CRI和反应后强度CSR，所述岩相数据包括：最大镜质组反射率Rmax。
4.如权利要求1所述的一种配煤成本优化方法，其特征在于：在步骤S103中，所述配煤成本优化模型以配煤成本为目标函数，且满足配合煤质量指标、焦炭质量指标和配煤过程约束条件；所述目标函数如公式(1)所示：
其中，f(r)为配煤成本，n为单种煤的数量，Ci为单种煤的价格，i＝1,2,...n，ri为单种煤的配比；
所述配合煤质量指标包括：灰分挥发分硫分粘结性指数胶质层指数胶质层厚度平均最大镜质组反射率
所述焦炭质量指标包括：抗碎强度M40、耐磨强度M10、反应性指数CRI、反应后强度CSR和平均块度J。
所述配合煤质量指标和所述焦炭质量指标都有一个上下限，假设所述配合煤质量指标和所述焦炭质量指标的上下限分别为：Ai、Bi和Cj、Dj，则配合煤质量指标Wi和焦炭质量指标Vj满足如公式(2)和公式(3)的关系：
Bi≤Wi≤Ai (2)
Dj≤Vj≤Cj (3)
其中，i＝1,2...m，j＝1,2...n，m和n分别代表配合煤和焦炭质量约束条件个数；
所述配煤炼焦过程的约束条件，用来限制稀缺煤种的配比，且n种单种煤的配比之和为100％；因此，所述配煤炼焦过程的约束条件如公式(4)和公式(5)所示：
xi≤Hi/S×Di (4)
其中，S为配煤吨数，Hi为第i种单种煤库存量，Di为第i种单种煤库存量的可用天数，Hdi为第i种单种煤的单天资源量，且Hdi＝Hi/Di，ri为第i种单种煤配比，n为单种煤的种类数量。
5.如权利要求4所述的一种配煤成本优化方法，其特征在于：在步骤S104中，所述精英学习混沌粒子群算法的具体步骤为：
S301：参数初始化，所述参数包括：种群规模N，粒子维数D，最大迭代次数MI，惯性权重w，学习因子c1、c2，混沌搜索次数MC和精英系数σ；
S302：随机初始化种群；
S303：筛选出满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子；其中，每个粒子代表一种配煤方案；所述配煤方案中，配合煤质量指标Wi的上下限为：Ai、Bi，焦炭质量指标Vj的上下限为：Cj、Dj；配煤过程约束条件其中，其中，Hj为第j种单种煤库存量，S为配煤吨数，Dj为第j种单种煤库存量的可用天数；
S304：根据公式(1)计算每个满足配合煤质量指标、焦炭质量指标和配煤过程约束条件的粒子适应度，确定全局最优解Gbest和个体最优解Pbest，并根据粒子适应度对粒子从小到大进行排序，选取前M个粒子作为精英粒子，M＝N×σ；
S305：将所述精英粒子载波至[0,1]范围内，根据Logistic混沌映射方法产生MC个不同轨迹的混沌序列Zi(t)，将所述混沌序列Zi(t)的分量载波到精英粒子上，产生混沌搜索粒子Ci(t)；
S306：根据公式(1)计算得到混沌搜索粒子适应度F(Ci(t))，所述混沌搜索粒子适应度F(Ci(t))＜F(Pbest)时，更新个体最优解Pbest；F(Pbest)为个体最优解Pbest的适应度；
S307：所述个体最优解的适应度F(Pbest)＜F(Gbest)时，更新全局最优解Gbest的适应度F(Gbest)；
S308：更新粒子的速度和位置；
S309：判断算法是否满足终止条件？其中，所述终止条件为：达到精英学习粒子群的最大迭代次数；或者，粒子适应度没有变化；
若是，则到步骤S310；若否，则回到步骤S303；
S310：输出迭代曲线，得到全局最优粒子及其适应度，即得到最优成本和最优配煤方案。
6.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～5所述的任意一种配煤成本优化方法。
7.一种配煤成本优化设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～5所述的任意一种配煤成本优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810307638.8A CN108830398B (zh) | 2018-04-08 | 2018-04-08 | 一种配煤成本优化方法、设备及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810307638.8A CN108830398B (zh) | 2018-04-08 | 2018-04-08 | 一种配煤成本优化方法、设备及存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830398A true CN108830398A (zh) | 2018-11-16 |
| CN108830398B CN108830398B (zh) | 2021-11-30 |
Family
ID=64154358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810307638.8A Active CN108830398B (zh) | 2018-04-08 | 2018-04-08 | 一种配煤成本优化方法、设备及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830398B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111236936A (zh) * | 2020-03-04 | 2020-06-05 | 中国矿业大学 | 一种利用煤储层测井解释定量识别宏观煤岩类型的方法 |
| CN111732963A (zh) * | 2020-05-13 | 2020-10-02 | 邯郸钢铁集团有限责任公司 | 一种不同炉型长结焦时间下的配煤方法 |
| CN112036628A (zh) * | 2020-08-25 | 2020-12-04 | 武汉钢铁有限公司 | 建立表征配煤成本变化模型的方法 |
| CN112418664A (zh) * | 2020-11-20 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于粒子群算法的分仓组合掺烧方法及系统 |
| CN113805595A (zh) * | 2021-09-26 | 2021-12-17 | 浙江工业大学 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
| CN118521011A (zh) * | 2024-07-23 | 2024-08-20 | 陕西新能选煤技术有限公司 | 一种原煤配仓配煤方法及系统 |
| CN118824391A (zh) * | 2024-09-19 | 2024-10-22 | 山东青博工业科技有限公司 | 一种炼焦入炉煤的配比优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002069210A1 (en) * | 2001-02-26 | 2002-09-06 | Bhp Innovation Pty Ltd. | Primary products production system and method |
| CN106022496A (zh) * | 2016-05-19 | 2016-10-12 | 北京佰能盈天科技有限公司 | 原料烧结的配料优化方法和系统 |
| US20170341942A1 (en) * | 2016-05-24 | 2017-11-30 | Harper Biotech Llc D/B/A Simbuka Energy, Llc | Methods and systems for large scale carbon dioxide utilization from lake kivu via a co2 industrial utilization hub integrated with electric power production and optional cryo-energy storage |
-
2018
- 2018-04-08 CN CN201810307638.8A patent/CN108830398B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002069210A1 (en) * | 2001-02-26 | 2002-09-06 | Bhp Innovation Pty Ltd. | Primary products production system and method |
| CN106022496A (zh) * | 2016-05-19 | 2016-10-12 | 北京佰能盈天科技有限公司 | 原料烧结的配料优化方法和系统 |
| US20170341942A1 (en) * | 2016-05-24 | 2017-11-30 | Harper Biotech Llc D/B/A Simbuka Energy, Llc | Methods and systems for large scale carbon dioxide utilization from lake kivu via a co2 industrial utilization hub integrated with electric power production and optional cryo-energy storage |
Non-Patent Citations (5)
| Title |
|---|
| 刘永江等: "基于粒子群算法的火电厂优化配煤研究", 《锅炉技术》 * |
| 张海等: "求解动力配煤非线性优化模型的优化算法探寻", 《选煤技术》 * |
| 李彬等: "火电企业配煤模型与优化算法", 《计算机工程与设计》 * |
| 段连秀等: "混配煤混配比例的煤岩学检测方法及研究", 《煤炭转化》 * |
| 赵越等: "基于粒子群优化算法分析约束条件对配煤最优价格的影响", 《热力发电》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111236936A (zh) * | 2020-03-04 | 2020-06-05 | 中国矿业大学 | 一种利用煤储层测井解释定量识别宏观煤岩类型的方法 |
| CN111732963A (zh) * | 2020-05-13 | 2020-10-02 | 邯郸钢铁集团有限责任公司 | 一种不同炉型长结焦时间下的配煤方法 |
| CN112036628A (zh) * | 2020-08-25 | 2020-12-04 | 武汉钢铁有限公司 | 建立表征配煤成本变化模型的方法 |
| CN112036628B (zh) * | 2020-08-25 | 2022-06-03 | 武汉钢铁有限公司 | 建立表征配煤成本变化模型的方法 |
| CN112418664A (zh) * | 2020-11-20 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于粒子群算法的分仓组合掺烧方法及系统 |
| CN112418664B (zh) * | 2020-11-20 | 2023-06-20 | 西安热工研究院有限公司 | 一种基于粒子群算法的分仓组合掺烧方法及系统 |
| CN113805595A (zh) * | 2021-09-26 | 2021-12-17 | 浙江工业大学 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
| CN113805595B (zh) * | 2021-09-26 | 2024-01-23 | 浙江工业大学 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
| CN118521011A (zh) * | 2024-07-23 | 2024-08-20 | 陕西新能选煤技术有限公司 | 一种原煤配仓配煤方法及系统 |
| CN118824391A (zh) * | 2024-09-19 | 2024-10-22 | 山东青博工业科技有限公司 | 一种炼焦入炉煤的配比优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830398B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830398B (zh) | 一种配煤成本优化方法、设备及存储设备 | |
| Zhou et al. | The effect of tax incentives on energy intensity: Evidence from China's VAT reform | |
| Juncai et al. | Prediction of the strength of concrete radiation shielding based on LS-SVM | |
| CN103514457B (zh) | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 | |
| Zhong et al. | Measurement of total factor productivity of green agriculture in China: Analysis of the regional differences based on China | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN102651093A (zh) | 一种基于时间序列异常检测技术的海洋信息管理系统 | |
| Niu et al. | A combined forecasting framework including point prediction and interval prediction for carbon emission trading prices | |
| CN107330542A (zh) | 一种分析优化电网投资规模的方法 | |
| Qian et al. | Analysis of CO2 drivers and emissions forecast in a typical industry-oriented county: Changxing County, China | |
| CN107844659A (zh) | 水煤浆气化过程的代理模型建模方法 | |
| CN103649942B (zh) | 利用参数估计的零售预估 | |
| CN110297628A (zh) | 一种基于同源相关性的api推荐方法 | |
| Wang et al. | Carbon emissions prediction based on the GIOWA combination forecasting model: A case study of China | |
| CN116562992A (zh) | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 | |
| CN105224577A (zh) | 一种多标签文本分类方法及系统 | |
| Li | Digital inclusive finance, agricultural green technology innovation and agricultural carbon emissions: Impact mechanism and empirical test | |
| Liu et al. | An online sintering batching system based on machine learning and intelligent algorithm | |
| Lin et al. | Scenario prediction of energy consumption and CO2 emissions in China’s machinery industry | |
| Song et al. | Sparse online maximum entropy inverse reinforcement learning via proximal optimization and truncated gradient | |
| CN116312741A (zh) | 培养基配方优化方法、装置、计算机设备和存储介质 | |
| Shuchun et al. | Protein structure prediction based on particle swarm optimization and tabu search strategy | |
| CN114049043A (zh) | 新能源消纳评价方法、装置、终端及存储介质 | |
| Hu et al. | Marginal abatement cost of CO2: A convex quantile non-radial directional distance function regression method considering noise and inefficiency | |
| Wei et al. | Mining multi-label concept-drifting streams using ensemble classifiers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |