CN113723668A - 基于鲁棒优化的配煤方法、系统、设备及存储介质 - Google Patents

基于鲁棒优化的配煤方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113723668A
CN113723668A CN202110881089.7A CN202110881089A CN113723668A CN 113723668 A CN113723668 A CN 113723668A CN 202110881089 A CN202110881089 A CN 202110881089A CN 113723668 A CN113723668 A CN 113723668A
Authority
CN
China
Prior art keywords
coal
quality
optimization
model
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
Application number
CN202110881089.7A
Other languages
English (en)
Other versions
CN113723668B (zh
Inventor
李欣荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huayuan Computing Technology Shanghai Co ltd
Original Assignee
Huayuan Computing Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huayuan Computing Technology Shanghai Co ltd filed Critical Huayuan Computing Technology Shanghai Co ltd
Priority to CN202110881089.7A priority Critical patent/CN113723668B/zh
Publication of CN113723668A publication Critical patent/CN113723668A/zh
Application granted granted Critical
Publication of CN113723668B publication Critical patent/CN113723668B/zh
Priority to JP2022095800A priority patent/JP2023021917A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Abstract

本发明公开了一种基于鲁棒优化的配煤方法、系统、设备及存储介质。所述配煤方法包括：获取影响煤质的至少一个干扰因素；构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。本申请通过把影响煤质参数的干扰因素纳入建模，采用鲁棒优化，在无法获知干扰因素参数的分布的前提下进行求解。进一步可以通过鲁棒优化在给定的干扰因素集合中进行优化，求解最坏情况下的最优方案。另外，用户还可以综合风险与收益来获得相对应的最优方案，也即通过调整干扰因素的边界来求得相对应的方案。

Description

基于鲁棒优化的配煤方法、系统、设备及存储介质
技术领域
本发明属于配煤技术领域，特别涉及一种基于鲁棒优化的配煤方法、系统、设备及存储介质。
背景技术
配煤指的是焦化厂根据订单的焦炭质量指标要求，通过各牌号的煤种进行不同比例的搭配，由于煤质本身、采样以及化验操作所带来的波动性，配煤师在配煤时根据人工经验，结合指标化验结果做一个保守的估算值，以此来避免生产出来的焦炭不及格的情况。然而，由于是人工经验，这样的配煤方案往往并不是最优的。现有技术中，也有通过混合整数规划、约束规划、遗传算法以及模糊规划等数学方法实现配煤，但是上述的方法只能基于需求相应求解得到满足质量要求、成本最优、污染物排放最少等的方案，由于这类数学方法并没有考虑到煤质指标的波动性，也即并未考虑到来源同一煤层的煤质指标实际上是有一定的波动的，也就是说目前已有的配煤技术未能考虑煤质指标的不确定性，因此所得的结果并不是鲁棒的配煤方案，容易对生产造成难以把控的影响。
发明内容
本发明要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种基于鲁棒优化的配煤方法、系统、设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
一种基于鲁棒优化的配煤方法，所述配煤方法包括：
获取影响煤质的至少一个干扰因素；
构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。
较佳地，所述构建在所述干扰因素影响下的煤质模型的步骤之后，所述配煤方法还包括：
设定所述干扰因素的多个可靠度；所述可靠度用于表征所述干扰因素的影响程度的可靠程度；
获取与不同可靠度对应的第一目标煤质模型；
所述基于约束条件和不同的优化目标对所述煤质模型求解得到对应的最优配煤方案的步骤具体包括：
基于约束条件和不同的优化目标对所述第一目标煤质模型求解得到不同优化目标下与不同可靠度对应的第一候选配煤方案；
基于历史原煤数据对所述第一候选配煤方案进行验证，计算得到每个候选方案对应的优化目标值和损失值；所述损失值用于表征焦煤质量不达标的数值；
选取所述优化目标值和所述损失值达到预设范围的配煤方案为最优配煤方案。
较佳地，所述干扰因素为多个，所述配煤方法还包括：
分别剔除一个干扰因素；
构建在剔除后的干扰因素影响下的第二目标煤质模型；
基于约束条件和不同的优化目标对所述第二目标煤质模型求解得到不同优化目标下的第二候选配煤方案；
基于历史原煤数据对所述第二候选配煤方案进行验证，计算得到每个第二候选配煤方案与所述最优配煤方案之间的优化目标差值；
获取所述优化目标差值最大的第二候选配煤方案中剔除的干扰因素，以使用户对所述剔除的干扰因素进行优化。
较佳地，所述单煤煤质参数模型具体包括：
Figure BDA0003192345820000031
其中，
Figure BDA0003192345820000032
为第i种单煤第q个煤质质量指标的真实值，
Figure BDA0003192345820000033
为第i种单煤第q个煤质质量指标的观测值，wiqk为第i种单煤第q个煤质质量指标的第k个干扰因素的扰动权重，
Figure BDA0003192345820000034
为[-1,1]区间上的随机变量；I为单煤的种类；Q为煤质质量指标集合；K为干扰因素集合；
所述配合煤质量指标模型具体包括：
Figure BDA0003192345820000035
Figure BDA0003192345820000036
其中，
Figure BDA0003192345820000037
为配合煤第q个煤质质量指标值，Ri为第i种单煤的比例，Ri∈[0,1]；η为可靠度；Ω为配煤方案的保守值；
所述焦炭质量指标模型具体包括：
Figure BDA0003192345820000038
其中，
Figure BDA0003192345820000039
为焦炭第q个焦炭质量指标值，αz,q为第q个煤质质量与第z个焦炭质量指标的关联系数，Z为焦炭质量指标集合。
较佳地，所述约束条件包括：
Figure BDA00031923458200000310
其中，
Figure BDA00031923458200000311
为配合煤第q个煤质质量指标值的要求上界；
Figure BDA00031923458200000312
为配合煤第q个煤质质量指标值的要求下界；
Figure BDA00031923458200000313
其中，
Figure BDA00031923458200000314
为焦炭第q个焦炭质量指标值的要求上界，
Figure BDA00031923458200000315
为焦炭第q个焦炭质量指标值的要求下界；
和或，
∑i∈IRi＝1，
Figure BDA00031923458200000316
其中Tr为焦炭需求量；
Figure BDA00031923458200000317
为第i种单煤的库存量；
和/或，
∑i∈IBi≤M，Ri≤Bi；其中，M为最多使用的煤种个数，Bi为是否使用第i种煤，Bi∈{0,1}；
和/或，
Figure BDA0003192345820000041
较佳地，所述优化目标包括经济目标、安全目标和环保目标中的至少一个；
和/或，所述干扰因素包括煤质自身因素、采样因素和化验因素。
较佳地，所述煤质质量指标包括挥发分、灰分、硫分、水分、G值和Y值(G值为粘结指数，Y值为胶质层最大厚度)；
所述焦炭质量指标包括CSR和CRI。
一种基于鲁棒优化的配煤系统，所述配煤系统包括：
干扰因素获取模块，用于获取影响煤质的至少一个干扰因素；
模型构建模块，用于构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
配煤方案获取模块，用于基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。
较佳地，所述配煤系统还包括：
可靠度设置模块，用于设定所述干扰因素的多个可靠度；所述可靠度用于表征所述干扰因素的影响程度的可靠程度；
所述模型构建模块还用于获取与不同可靠度对应的第一目标煤质模型；
所述配煤方案获取模块还用于基于约束条件和不同的优化目标对所述第一目标煤质模型求解得到不同优化目标下与不同可靠度对应的第一候选配煤方案；
验证模块，用于基于历史原煤数据对所述第一候选配煤方案进行验证，计算得到每个候选方案对应的优化目标值和损失值；所述损失值用于表征焦煤质量不达标的数值；
所述配煤方案获取模块还用于选取所述优化目标值和所述损失值达到预设范围的配煤方案为最优配煤方案。
较佳地，所述干扰因素为多个，所述配煤系统还包括：
剔除模块，用于分别剔除一个干扰因素；
所述模型构建模块还用于构建在剔除后的干扰因素影响下的第二目标煤质模型；
所述配煤方案获取模块还用于基于约束条件和不同的优化目标对所述第二目标煤质模型求解得到不同优化目标下的第二候选配煤方案；
验证模块，用于基于历史原煤数据对所述第二候选配煤方案进行验证，计算得到每个第二候选配煤方案与所述最优配煤方案之间的优化目标差值；
优化模块，用于获取所述优化目标差值最大的第二候选配煤方案中剔除的干扰因素，以使用户对所述剔除的干扰因素进行优化。
较佳地，所述单煤煤质参数模型具体包括：
Figure BDA0003192345820000051
其中，
Figure BDA0003192345820000052
为第i种单煤第q个煤质质量指标的真实值，
Figure BDA0003192345820000053
为第i种单煤第q个煤质质量指标的观测值，wiqk为第i种单煤第q个煤质质量指标的第k个干扰因素的扰动权重，
Figure BDA0003192345820000054
为[-1,1]区间上的随机变量；I为单煤的种类；Q为煤质质量指标集合；K为干扰因素集合；
所述配合煤质量指标模型具体包括：
Figure BDA0003192345820000055
Figure BDA0003192345820000056
其中，
Figure BDA0003192345820000057
为配合煤第q个煤质质量指标值，Ri为第i种单煤的比例，Ri∈[0,1]；η为可靠度；Ω为配煤方案的保守值；
所述焦炭质量指标模型具体包括：
Figure BDA0003192345820000058
其中，
Figure BDA0003192345820000061
为焦炭第q个焦炭质量指标值，αz,q为第q个煤质质量与第z个焦炭质量指标的关联系数，Z为焦炭质量指标集合。
较佳地，所述约束条件包括：
Figure BDA0003192345820000062
其中，
Figure BDA0003192345820000063
为配合煤第q个煤质质量指标值的要求上界；
Figure BDA0003192345820000064
为配合煤第q个煤质质量指标值的要求下界；
Figure BDA0003192345820000065
其中，
Figure BDA0003192345820000066
为焦炭第q个焦炭质量指标值的要求上界，
Figure BDA0003192345820000067
为焦炭第q个焦炭质量指标值的要求下界；
和或，
∑i∈IRi＝1，
Figure BDA0003192345820000068
其中Tr为焦炭需求量；
Figure BDA0003192345820000069
为第i种单煤的库存量；
和/或，
∑i∈IBi≤M，Ri≤Bi；其中，M为最多使用的煤种个数，Bi为是否使用第i种煤，Bi∈{0,1}；
和/或，
Figure BDA00031923458200000610
较佳地，所述优化目标包括经济目标、安全目标和环保目标中的至少一个；
和/或，所述干扰因素包括煤质自身因素、采样因素和化验因素。
较佳地，所述煤质质量指标包括挥发分、灰分、硫分、水分、G值和Y值；
所述焦炭质量指标包括CSR和CRI。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于鲁棒优化的配煤方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于鲁棒优化的配煤方法。
本发明的积极进步效果在于：为解决有参数干扰因素的优化问题，本申请通过把影响煤质参数的干扰因素纳入建模，采用鲁棒优化，在无法获知干扰因素参数的分布的前提下进行求解。以便于进一步可以通过鲁棒优化的最小最大(min-max)方法在给定的干扰因素集合中进行优化，求解最坏情况下的最优方案。另外，用户还可以综合风险与收益来获得相对应的最优方案，也即通过调整干扰因素的边界来求得相对应的方案。
附图说明
图1为本发明实施例1的基于鲁棒优化的配煤方法的第一种实现方式的流程图。
图2为本发明实施例1的基于鲁棒优化的配煤方法的第二种实现方式的流程图。
图3为本发明实施例1的基于鲁棒优化的配煤方法的第三种实现方式的流程图。
图4为本发明实施例1的基于鲁棒优化的配煤方法的示例中不同可靠度下的第一候选配煤方案表现线图。
图5为本发明实施例1的基于鲁棒优化的配煤方法的示例中剔除任一干扰因素后的不同可靠度下的第二候选配煤方案表现线图。
图6为本发明实施例2的基于鲁棒优化的配煤系统的模块示意图。
图7为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种基于鲁棒优化的配煤方法，如图1所示，提供配煤方法的第一种实现方式，所述配煤方法包括：
步骤10、获取影响煤质的至少一个干扰因素；其中，干扰因素包括煤质自身因素、采样因素和化验因素。
步骤20、构建在干扰因素影响下的煤质模型；煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
步骤30、基于约束条件和多个优化目标对煤质模型求解得到与每个优化目标对应的最优配煤方案。其中，优化目标包括经济目标、安全目标和环保目标中的至少一个。
本实施例中，如图2所示，提供配煤方法的第一种实现方式，配煤方法具体包括：
步骤10、获取影响煤质的至少一个干扰因素；
步骤20、构建在干扰因素影响下的煤质模型；
步骤21、设定干扰因素的多个可靠度；可靠度用于表征干扰因素的影响程度的可靠程度；其中，通过概率保证转换对带有随机性的模型转化为确定性模型，并引入可调的可靠度。
步骤22、获取与不同可靠度对应的第一目标煤质模型；
步骤301、基于约束条件和不同的优化目标对第一目标煤质模型求解得到不同优化目标下与不同可靠度对应的第一候选配煤方案；
步骤302、基于历史原煤数据对第一候选配煤方案进行验证，计算得到每个候选方案对应的优化目标值和损失值；损失值用于表征焦煤质量不达标的数值；
步骤303、选取优化目标值和损失值达到预设范围的配煤方案为最优配煤方案。
本实施例中，干扰因素为多个，为进一步研究配煤中的干扰因素的影响程度，分别去掉煤质本身、采样和化验的干扰因素分别进行求解，如图3所示，提供配煤方法的第三种实现方式，配煤方法还包括：
步骤10、获取影响煤质的至少一个干扰因素；
步骤20、构建在干扰因素影响下的煤质模型；
步骤30、基于约束条件和多个优化目标对煤质模型求解得到与每个优化目标对应的最优配煤方案。
步骤31、分别剔除一个干扰因素；
步骤32、构建在剔除后的干扰因素影响下的第二目标煤质模型；
步骤33、基于约束条件和不同的优化目标对第二目标煤质模型求解得到不同优化目标下的第二候选配煤方案；
步骤34、基于历史原煤数据对第二候选配煤方案进行验证，计算得到每个第二候选配煤方案与最优配煤方案之间的优化目标差值；
步骤35、获取优化目标差值最大的第二候选配煤方案中剔除的干扰因素，以使用户对剔除的干扰因素进行优化。
本实施例中，不同的干扰因素会对煤质
Figure BDA0003192345820000091
造成一定的影响，为更好的描述煤质参数的不确定性，所述单煤煤质参数模型具体包括：
Figure BDA0003192345820000092
其中，
Figure BDA0003192345820000093
为第i种单煤第q个煤质质量指标的真实值，
Figure BDA0003192345820000094
为第i种单煤第q个煤质质量指标的观测值，wiqk为第i种单煤第q个煤质质量指标的第k个干扰因素的扰动权重，扰动权重可以来自历史数据的煤质参数偏差估计、焦化厂先验知识、操作流程标准等，
Figure BDA0003192345820000095
为[-1,1]区间上的随机变量；I为单煤的种类；Q为煤质质量指标集合；K为干扰因素集合；其中，所述煤质质量指标包括挥发分、灰分、硫分、水分、G值和Y值；所述焦炭质量指标包括CSR和CRI。
配合煤的煤质指标可由单种煤煤质的线性加和来表征，经过鲁棒对等转换，所述配合煤质量指标模型具体包括：
Figure BDA0003192345820000096
Figure BDA0003192345820000097
其中，
Figure BDA0003192345820000101
为配合煤第q个煤质质量指标值，Ri为第i种单煤的比例，Ri∈[0,1]；η为可靠度；Ω为配煤方案的保守值；
另外，
Figure BDA0003192345820000102
值的限定可以为：
Figure BDA0003192345820000103
其中Ω为决策者可调整的不确定性范围或者方案的保守程度。Ω过高会带来更大的鲁棒边界，无可避免地会造成较高的成本，Ω若是为0，则相当于是确定性建模。
所述焦炭质量指标模型具体包括：
Figure BDA0003192345820000104
其中，
Figure BDA0003192345820000105
为焦炭第q个焦炭质量指标值，αz,q为第q个煤质质量与第z个焦炭质量指标的关联系数，Z为焦炭质量指标集合。
本实施例中，所述约束条件包括：
焦化厂对配合煤指标一般会有上下界要求，比如V.daf(挥发分)，不同的焦化厂，不同的炉型以及不同的焦炭级别要求，会有不同的V.daf上下界。
Figure BDA0003192345820000106
其中，
Figure BDA0003192345820000107
为配合煤第q个煤质质量指标值的要求上界；
Figure BDA0003192345820000108
为配合煤第q个煤质质量指标值的要求下界；
对于焦炭质量指标而言，若其质量指标为正向指标，如CSR，则其指标要求上界则为无穷，若其质量指标为负向指标，如CRI，则其指标要求下界为无穷，
Figure BDA0003192345820000109
其中，
Figure BDA00031923458200001010
为焦炭第q个焦炭质量指标值的要求上界，
Figure BDA00031923458200001011
为焦炭第q个焦炭质量指标值的要求下界；
要求最终使用的煤种比例总和为100％，并且每个单种煤的使用量不得超出其库存量。∑i∈IRi＝1，
Figure BDA00031923458200001012
其中Tr为焦炭需求量；
Figure BDA00031923458200001013
为第i种单煤的库存量；
由于焦化厂的配煤机可装配煤种的个数上限要求，因此配煤时不能超出最多可配煤种个数，∑i∈IBi≤M，Ri≤Bi；其中，M为最多使用的煤种个数，Bi为是否使用第i种煤，Bi∈{0,1}；
举个具体示例进一步说明上述方案，本示例的优化目标为经济目标，在获取第一候选配煤方案后，使用某焦化厂三个月90份的原煤历史库存数据，其中前两个月的库存数据用于对煤质自身标准误差的计算，第三个月的30份原煤库存数据作为第一目标煤质模型的煤质参数输入，库存数据包含了挥发分、灰分、硫分等，其形式如表1所示。
表1原煤历史库存数据表
Figure BDA0003192345820000111
配煤领域的干扰因素主要来源于煤质自身误差、采样误差、化验误差，这类误差的扰动范围可通过洗煤厂/上游厂家煤种说明、历史数据统计以及标准化化验说明获得，表2示出了各独立的干扰因素给煤质指标所带来的误差范围(表中数值为扰动权重)。
表2干扰因素的扰动权重表
Figure BDA0003192345820000112
以准一级焦的要求作为输入边界，根据决策者配煤经验，其对于配合煤的煤质指标要求如表3所示。
表3煤质质量指标要求表
Figure BDA0003192345820000113
Figure BDA0003192345820000121
焦炭质量要求如表4所示。
表4焦炭质量指标要求表
Figure BDA0003192345820000122
本实施例使用Python编程语言以及SCIP优化求解器运算求解在确定性优化(可靠度水平为0)以及在鲁棒优化(可靠度水平大于0)下的配煤方案。在给定不同的可靠度水平下求解各自的最优解，并与确定性情况下(即可靠度水平为0)的优化目标值(对应经济目标即为成本)作对比，进一步损失成本定义为如下：
Figure BDA0003192345820000123
其中
Figure BDA0003192345820000124
为可靠度为1-ηi下的成本，ηi∈[0,100％]，模型表现如图4所示。
从图4可看出，当可靠度水平提升时，配煤平均成本也在不断上升，可靠度提升所引起的损失成本也在上升，并且从可靠度水平为40％开始，出现无可行解。在可靠度水平为90％下，损失的成本为3.65％，若对煤种及生产环境没有较为熟悉的了解的前提下，决策者可选择该可靠度水平。但是，一般情况下，决策者对煤种及生产环境有一定的了解，因此不会选择较高的可靠度水平下的方案，在普遍情况下，更多的配煤方案为确定性优化或者可靠度水平适中的模型下所得的结果。因此，综合可靠度水平，配煤平均成本以及无可行解情况，可认为40％可靠度水平下的模型表现较为优异的。
以可靠度为0和40％为例得到损失值如下表5所示：
表5损失值表
Figure BDA0003192345820000125
进一步研究配煤中的干扰因素，考虑干扰因素对实际配煤炼焦的影响有重要的意义，在以上模型的基础上，分别去掉煤质本身、采样和化验的干扰因素进行求解，结果如图5所示。
由图5可知，在煤质本身、采样及化验三个干扰因素的影响中，化验干扰因素对鲁棒优化造成的损失成本最大，在剔除了化验干扰因素后，损失成本的降幅最大，其次是煤质本身的干扰因素，采样干扰因素带来的损失成本最小。因此，对于该焦化厂来说，提升化验检测水平，可引进更先进的检测仪器或者提高检测人员的素质水平，除此以外，严格把关煤种来源也非常重要，如尽可能的采购单一煤层煤种，或者采购混煤数量较少的煤种，降低煤质本身参数的波动，提高配煤炼焦的稳定性。
本实施例中，通过把影响煤质参数的干扰因素纳入建模，采用鲁棒优化，在无法获知干扰因素参数的分布的前提下进行求解。以便于进一步可以通过鲁棒优化的最小最大(min-max)方法在给定的干扰因素集合中进行优化，求解最坏情况下的最优方案。另外，用户还可以综合风险与收益来获得相对应的最优方案，也即通过调整干扰因素的边界来求得相对应的方案。并且，为了确定具体哪个干扰因素对生产成本造成较大影响，可通过剔除法分别剔除各干扰因素并重新进行模型求解，针对造成成本下降较多的干扰因素，可以在生产经营中有所加强，比如由于剔除化验干扰因素而造成的成本下降最大，则可以通过加强化验管理或改进化验仪器从而降低化验所带来的不确定性。
实施例2
一种基于鲁棒优化的配煤系统，如图6所示，所述配煤系统包括：
干扰因素获取模块1，用于获取影响煤质的至少一个干扰因素；其中，干扰因素包括煤质自身因素、采样因素和化验因素。
模型构建模块2，用于构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
配煤方案获取模块3，用于基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。其中，优化目标包括经济目标、安全目标和环保目标中的至少一个。
本实施例中，参见图6，所述配煤系统还包括：
可靠度设置模块4，用于设定所述干扰因素的多个可靠度；所述可靠度用于表征所述干扰因素的影响程度的可靠程度；其中，通过概率保证转换对带有随机性的模型转化为确定性模型，并引入可调的可靠度。
所述模型构建模块2还用于获取与不同可靠度对应的第一目标煤质模型；
所述配煤方案获取模块3还用于基于约束条件和不同的优化目标对所述第一目标煤质模型求解得到不同优化目标下与不同可靠度对应的第一候选配煤方案；
验证模块5，用于基于历史原煤数据对所述第一候选配煤方案进行验证，计算得到每个候选方案对应的优化目标值和损失值；所述损失值用于表征焦煤质量不达标的数值；
所述配煤方案获取模块3还用于选取所述优化目标值和所述损失值达到预设范围的配煤方案为最优配煤方案。
本实施例中，参见图6，所述干扰因素为多个，为进一步研究配煤中的干扰因素的影响程度，分别去掉煤质本身、采样和化验的干扰因素分别进行求解，所述配煤系统还包括：
剔除模块6，用于分别剔除一个干扰因素；
所述模型构建模块2还用于构建在剔除后的干扰因素影响下的第二目标煤质模型；
所述配煤方案获取模块3还用于基于约束条件和不同的优化目标对所述第二目标煤质模型求解得到不同优化目标下的第二候选配煤方案；
验证模块5，用于基于历史原煤数据对所述第二候选配煤方案进行验证，计算得到每个第二候选配煤方案与所述最优配煤方案之间的优化目标差值；
优化模块7，用于获取所述优化目标差值最大的第二候选配煤方案中剔除的干扰因素，以使用户对所述剔除的干扰因素进行优化。
本实施例中，不同的干扰因素会对煤质
Figure BDA0003192345820000141
造成一定的影响，为更好的描述煤质参数的不确定性，所述单煤煤质参数模型具体包括：
Figure BDA0003192345820000151
其中，
Figure BDA0003192345820000152
为第i种单煤第q个煤质质量指标的真实值，
Figure BDA0003192345820000153
为第i种单煤第q个煤质质量指标的观测值，wiqk为第i种单煤第q个煤质质量指标的第k个干扰因素的扰动权重，扰动权重可以来自历史数据的煤质参数偏差估计、焦化厂先验知识、操作流程标准等，
Figure BDA0003192345820000154
为[-1,1]区间上的随机变量；I为单煤的种类；Q为煤质质量指标集合；K为干扰因素集合；其中，所述煤质质量指标包括挥发分、灰分、硫分、水分、G值和Y值；所述焦炭质量指标包括CSR和CRI。
配合煤的煤质指标可由单种煤煤质的线性加和来表征，经过鲁棒对等转换，所述配合煤质量指标模型具体包括：
Figure BDA0003192345820000155
Figure BDA0003192345820000156
其中，
Figure BDA0003192345820000157
为配合煤第q个煤质质量指标值，Ri为第i种单煤的比例，Ri∈[0,1]；η为可靠度；Ω为配煤方案的保守值；
另外，
Figure BDA0003192345820000158
值的限定可以为：
Figure BDA0003192345820000159
其中Ω为决策者可调整的不确定性范围或者方案的保守程度。Ω过高会带来更大的鲁棒边界，无可避免地会造成较高的成本，Ω若是为0，则相当于是确定性建模。
所述焦炭质量指标模型具体包括：
Figure BDA00031923458200001510
其中，
Figure BDA00031923458200001511
为焦炭第q个焦炭质量指标值，αz,q为第q个煤质质量与第z个焦炭质量指标的关联系数，Z为焦炭质量指标集合。
本实施例中，所述约束条件包括：
焦化厂对配合煤指标一般会有上下界要求，比如V.daf(挥发分)，不同的焦化厂，不同的炉型以及不同的焦炭级别要求，会有不同的V.daf上下界。
Figure BDA00031923458200001512
其中，
Figure BDA00031923458200001513
为配合煤第q个煤质质量指标值的要求上界；
Figure BDA00031923458200001514
为配合煤第q个煤质质量指标值的要求下界；
对于焦炭质量指标而言，若其质量指标为正向指标，如CSR，则其指标要求上界则为无穷，若其质量指标为负向指标，如CRI，则其指标要求下界为无穷，
Figure BDA0003192345820000161
其中，
Figure BDA0003192345820000162
为焦炭第q个焦炭质量指标值的要求上界，
Figure BDA0003192345820000163
为焦炭第q个焦炭质量指标值的要求下界；
要求最终使用的煤种比例总和为100％，并且每个单种煤的使用量不得超出其库存量。∑i∈IRi＝1，
Figure BDA0003192345820000164
其中Tr为焦炭需求量；
Figure BDA0003192345820000165
为第i种单煤的库存量；
由于焦化厂的配煤机可装配煤种的个数上限要求，因此配煤时不能超出最多可配煤种个数，∑i∈IBi≤M，Ri≤Bi；其中，M为最多使用的煤种个数，Bi为是否使用第i种煤，Bi∈{0,1}；
本实施例中，通过把影响煤质参数的干扰因素纳入建模，采用鲁棒优化，在无法获知干扰因素参数的分布的前提下进行求解。以便于进一步可以通过鲁棒优化的最小最大(min-max)方法在给定的干扰因素集合中进行优化，求解最坏情况下的最优方案。另外，用户还可以综合风险与收益来获得相对应的最优方案，也即通过调整干扰因素的边界来求得相对应的方案。并且，为了确定具体哪个干扰因素对生产成本造成较大影响，可通过剔除法分别剔除各干扰因素并重新进行模型求解，针对造成成本下降较多的干扰因素，可以在生产经营中有所加强，比如由于剔除化验干扰因素而造成的成本下降最大，则可以通过加强化验管理或改进化验仪器从而降低化验所带来的不确定性。
实施例3
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1所述的基于鲁棒优化的配煤方法。
图7为本实施例提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图7显示的电子设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备90可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备90的组件可以包括但不限于：至少一个处理器91、至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
总线93包括数据总线、地址总线和控制总线。
存储器92可以包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理。
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备90的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所述的基于鲁棒优化的配煤方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所述的基于鲁棒优化的配煤方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种基于鲁棒优化的配煤方法，其特征在于，所述配煤方法包括：
获取影响煤质的至少一个干扰因素；
构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。
2.如权利要求1所述的基于鲁棒优化的配煤方法，其特征在于，所述构建在所述干扰因素影响下的煤质模型的步骤之后，所述配煤方法还包括：
设定所述干扰因素的多个可靠度；所述可靠度用于表征所述干扰因素的影响程度的可靠程度；
获取与不同可靠度对应的第一目标煤质模型；
所述基于约束条件和不同的优化目标对所述煤质模型求解得到对应的最优配煤方案的步骤具体包括：
基于约束条件和不同的优化目标对所述第一目标煤质模型求解得到不同优化目标下与不同可靠度对应的第一候选配煤方案；
基于历史原煤数据对所述第一候选配煤方案进行验证，计算得到每个候选方案对应的优化目标值和损失值；所述损失值用于表征焦煤质量不达标的数值；
选取所述优化目标值和所述损失值达到预设范围的配煤方案为最优配煤方案。
3.如权利要求1所述的基于鲁棒优化的配煤方法，其特征在于，所述干扰因素为多个，所述配煤方法还包括：
分别剔除一个干扰因素；
构建在剔除后的干扰因素影响下的第二目标煤质模型；
基于约束条件和不同的优化目标对所述第二目标煤质模型求解得到不同优化目标下的第二候选配煤方案；
基于历史原煤数据对所述第二候选配煤方案进行验证，计算得到每个第二候选配煤方案与所述最优配煤方案之间的优化目标差值；
获取所述优化目标差值最大的第二候选配煤方案中剔除的干扰因素，以使用户对所述剔除的干扰因素进行优化。
4.如权利要求2所述的基于鲁棒优化的配煤方法，其特征在于，所述单煤煤质参数模型具体包括：
Figure FDA0003192345810000021
其中，
Figure FDA0003192345810000022
为第i种单煤第q个煤质质量指标的真实值，
Figure FDA0003192345810000023
为第i种单煤第q个煤质质量指标的观测值，wiqk为第i种单煤第q个煤质质量指标的第k个干扰因素的扰动权重，
Figure FDA0003192345810000024
为[-1,1]区间上的随机变量；I为单煤的种类；Q为煤质质量指标集合；K为干扰因素集合；
所述配合煤质量指标模型具体包括：
Figure FDA0003192345810000025
Figure FDA0003192345810000026
其中，
Figure FDA0003192345810000027
为配合煤第q个煤质质量指标值，Ri为第i种单煤的比例，Ri∈[0,1]；η为可靠度；Ω为配煤方案的保守值；
所述焦炭质量指标模型具体包括：
Figure FDA0003192345810000028
其中，
Figure FDA0003192345810000029
为焦炭第q个焦炭质量指标值，αz,q为第q个煤质质量与第z个焦炭质量指标的关联系数，Z为焦炭质量指标集合。
5.如权利要求4所述的基于鲁棒优化的配煤方法，其特征在于，所述约束条件包括：
Figure FDA00031923458100000210
其中，
Figure FDA00031923458100000211
为配合煤第q个煤质质量指标值的要求上界；
Figure FDA00031923458100000212
为配合煤第q个煤质质量指标值的要求下界；
Figure FDA00031923458100000213
其中，
Figure FDA00031923458100000214
为焦炭第q个焦炭质量指标值的要求上界，
Figure FDA0003192345810000031
为焦炭第q个焦炭质量指标值的要求下界；
和或，
Figure FDA0003192345810000032
其中Tr为焦炭需求量；
Figure FDA0003192345810000033
为第i种单煤的库存量；
和/或，
∑i∈IBi≤M，Ri≤Bi；其中，M为最多使用的煤种个数，Bi为是否使用第i种煤，Bi∈{0,1}；
和/或，
Figure FDA0003192345810000034
6.如权利要求1所述的基于鲁棒优化的配煤方法，其特征在于，所述优化目标包括经济目标、安全目标和环保目标中的至少一个；
和/或，所述干扰因素包括煤质自身因素、采样因素和化验因素。
7.如权利要求4所述的基于鲁棒优化的配煤方法，其特征在于，所述煤质质量指标包括挥发分、灰分、硫分、水分、G值和Y值；
所述焦炭质量指标包括CSR和CRI。
8.一种基于鲁棒优化的配煤系统，其特征在于，所述配煤系统包括：
干扰因素获取模块，用于获取影响煤质的至少一个干扰因素；
模型构建模块，用于构建在所述干扰因素影响下的煤质模型，所述煤质模型包括单煤煤质参数模型、配合煤质量指标模型和焦炭质量指标模型；
配煤方案获取模块，用于基于约束条件和多个优化目标对所述煤质模型求解得到与每个优化目标对应的最优配煤方案。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于鲁棒优化的配煤方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的基于鲁棒优化的配煤方法。
CN202110881089.7A 2021-08-02 2021-08-02 基于鲁棒优化的配煤方法、系统、设备及存储介质 Active CN113723668B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110881089.7A CN113723668B (zh) 2021-08-02 2021-08-02 基于鲁棒优化的配煤方法、系统、设备及存储介质
JP2022095800A JP2023021917A (ja) 2021-08-02 2022-06-14 ロバスト最適化に基づく石炭配合方法、システム、機器および記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110881089.7A CN113723668B (zh) 2021-08-02 2021-08-02 基于鲁棒优化的配煤方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113723668A true CN113723668A (zh) 2021-11-30
CN113723668B CN113723668B (zh) 2022-05-10

Family

ID=78674576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110881089.7A Active CN113723668B (zh) 2021-08-02 2021-08-02 基于鲁棒优化的配煤方法、系统、设备及存储介质

Country Status (2)

Country Link
JP (1) JP2023021917A (zh)
CN (1) CN113723668B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777537B (zh) * 2023-05-26 2024-04-12 华能国际电力股份有限公司上海石洞口第二电厂 基于煤质特性的度电燃煤成本计算及配煤优化方法及系统
CN116843097B (zh) * 2023-06-21 2024-03-29 华院计算技术(上海)股份有限公司 煤质评价方法及系统
CN116651306B (zh) * 2023-08-01 2023-10-03 山西中科冶金建设有限公司 一种智能焦煤配比系统
CN117074643A (zh) * 2023-08-21 2023-11-17 华院计算技术(上海)股份有限公司 煤质评价方法、系统、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012103600A2 (en) * 2011-02-01 2012-08-09 Global Ispat Koksna Industrija D.O.O. Lukavac Coal blend models for determining coke quality
CN103045279A (zh) * 2012-12-14 2013-04-17 同济大学 一种用于配煤系统的生产性能与能耗性能协同优化方法
CN104699957A (zh) * 2015-02-10 2015-06-10 山西太钢不锈钢股份有限公司 基于改进差分进化算法的炼焦配煤比优化方法
CN105912844A (zh) * 2016-04-07 2016-08-31 中国石油大学(北京) 一种天然气管网供气可靠性的评价方法及装置
CN112836429A (zh) * 2021-01-27 2021-05-25 华能国际电力股份有限公司上海石洞口第二电厂 一种基于煤质预测的多目标优化配煤方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012103600A2 (en) * 2011-02-01 2012-08-09 Global Ispat Koksna Industrija D.O.O. Lukavac Coal blend models for determining coke quality
CN103045279A (zh) * 2012-12-14 2013-04-17 同济大学 一种用于配煤系统的生产性能与能耗性能协同优化方法
CN104699957A (zh) * 2015-02-10 2015-06-10 山西太钢不锈钢股份有限公司 基于改进差分进化算法的炼焦配煤比优化方法
CN105912844A (zh) * 2016-04-07 2016-08-31 中国石油大学(北京) 一种天然气管网供气可靠性的评价方法及装置
CN112836429A (zh) * 2021-01-27 2021-05-25 华能国际电力股份有限公司上海石洞口第二电厂 一种基于煤质预测的多目标优化配煤方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUAN ZHUA等: "Evaluation of slagging and fouling characteristics during Zhundong coal cofiring with a Si/Al dominated low rank coal", 《FUEL》 *
杨圣春: "火电厂配煤模型研究", 《广东电力》 *
王宗舞等: "基于区间模糊规划方法的炼焦配煤优化模型", 《煤炭转化》 *

Also Published As

Publication number Publication date
CN113723668B (zh) 2022-05-10
JP2023021917A (ja) 2023-02-14

Similar Documents

Publication Publication Date Title
CN113723668B (zh) 基于鲁棒优化的配煤方法、系统、设备及存储介质
CN111612275B (zh) 一种预测区域用户负荷量的方法及装置
CN115907218A (zh) 一种考虑碳减排情况的电力系统生产分配方法及系统
Zhang et al. The tail dependence of the carbon markets: The implication of portfolio management
Ajiono et al. Comparison of three time series forecasting methods on linear regression, exponential smoothing and weighted moving average
Zhijun RBF neural networks optimization algorithm and application on tax forecasting
CN101206727B (zh) 数据处理装置和数据处理方法
CN114154716A (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN113919610A (zh) 低压台区线损预测用arima模型构建方法及评估方法
Zhu et al. Enriching the VaR framework to EEMD with an application to the European carbon market
Wang et al. Multi‐stage stochastic wind‐thermal generation expansion planning with probabilistic reliability criteria
Xiong et al. PSO algorithm‐based scenario reduction method for stochastic unit commitment problem
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN114493054A (zh) 一种基于大数据的碳交易市场智能分析方法及系统
CN112541625A (zh) 一种自适应多工况钢铁二次能源发生量动态预测方法
Meilinger Application of Stochastic Optimization Techniques to the Unit Commitment Problem--A Review
Duan et al. Research on the stability of NDGM model with the fractional order accumulation and its optimization
Makieła et al. Stochastic frontier analysis with generalized errors: inference, model comparison and averaging
CN114781685B (zh) 基于大数据挖掘技术的大用户用电负荷预测方法及系统
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN115829144B (zh) 电网业务优化模型的建立方法及电子设备
Priesmann et al. Artificial intelligence and design of experiments for resource adequacy assessment in power systems
Liu et al. A closed‐loop representative day selection framework for generation and transmission expansion planning with demand response
CN113256135A (zh) 一种互联网数据质量评估方法及系统
CN113792959A (zh) 可靠性分析管理系统、方法、存储介质及电子设备

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