CN113837489A

CN113837489A - 基于多目标的配煤掺烧优化方法

Info

Publication number: CN113837489A
Application number: CN202111204432.0A
Authority: CN
Inventors: 冯海波; 袁汉川; 陶庆; 季薇; 谭茹; 吴俊杰; 袁志先; 张荣林; 赵国亮; 王雪平; 潘翠翠
Original assignee: Guoneng Longyuan Lantian Energy Saving Technology Co ltd Shanghai Branch
Current assignee: Guoneng Longyuan Lantian Energy Saving Technology Co ltd Shanghai Branch
Priority date: 2021-10-15
Filing date: 2021-10-15
Publication date: 2021-12-24

Abstract

本公开实施例涉及一种基于多目标的配煤掺烧优化方法，包括：A1、获取待掺配煤种时每一煤种的基本信息，所述基本信息包括：每一煤种固定燃烧时CO₂的排放量和价格；A2、基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，建立掺配后煤种的CO₂的排放量和价格的综合目标函数及综合目标函数的约束条件；A3、选择混沌烟花算法对综合目标函数及约束条件进行寻优，得到最优结果时各煤种的掺配比例。上述方法获得最优掺配比例的配煤能够实现既减少CO₂的排放，又降低燃料成本。

Description

基于多目标的配煤掺烧优化方法

技术领域

本申请属于电力行业燃料智能化领域，涉及一种基于多目标的配煤掺烧优化方法。

背景技术

当前，我国电力系统进入了构建以新能源为主体的新型电力系统的发展阶段，将面临一系列新问题、新挑战。截至2020年底，全国电源总装机容量超过22亿千瓦，火电仍为第一，占比为57％。火力发电主要靠燃煤发电，发电过程需要大量的煤在锅炉中燃烧释放热能，所以入炉前进行各种煤的掺配非常重要。

传统的最优配煤掺烧比例确定方法一般是通过试验确定，过程繁琐复杂。随着人工智能的发展，配煤掺烧问题被认为是数学规划问题，一般采用煤价为优化目标，以发热量、灰熔点、水分、硫含量等为约束条件，采用遗传算法、粒子群算法等智能算法进行寻优，但是随着“碳中和”的提出，只考虑单一优化目标，已经不能满足火电厂经济环保发展的要求。因此为实现减碳和降低成本的目标，可以通过将碳排放量和煤价作为综合目标进行优化，得到最优煤种配比。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本申请提供一种基于多目标的配煤掺烧优化方法，解决了火电厂碳排放量高以及成本高的问题。

(二)技术方案

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种基于多目标的配煤掺烧优化方法，该方法包括：

A1、获取待掺配煤种时每一煤种的基本信息，所述基本信息包括：每一煤种固定燃烧时CO₂的排放量和价格；

A2、基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，建立掺配后煤种的CO₂的排放量和价格的综合目标函数及综合目标函数的约束条件；

A3、选择混沌烟花算法对综合目标函数及约束条件进行寻优，得到最优结果时各煤种的掺配比例。

可选地，所述煤种的基本信息还包括：煤种标识，每一煤种的二氧化碳摩尔质量、每一煤种的碳元素摩尔质量、每一煤种的收到基低位发热量；

其中，根据公式(1)获取各煤种固定燃烧时CO₂的排放量；

W_j为第j煤种燃烧的CO2排放量；W_coal为第j煤种消耗的煤量；Q_net,ar为第j煤种的收到基低位发热量；C_heat为第j煤种的单位热值含碳量；R为第j煤种的碳氧化率；M_CO2为第j煤种的二氧化碳摩尔质量；M_C为第j煤种的碳元素摩尔质量。

可选地，所述A2包括：

基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，获取掺配后的配煤燃烧时CO2的排放量W和掺配后的配煤的价格P，进而建立CO₂的排放量W和价格P的综合目标函数；

公式(2)为获取掺配后的配煤燃烧时CO₂的排放量W，公式(3)为获取掺配后的配煤的价格P，公式(4)为构建的综合目标函数；

minZ＝λ₁τW+λ₂P (4)

其中，W为掺配后的配煤固定燃烧时CO₂的排放量；c_j为各煤种的掺配比例，j为煤种数量，j取1到K，K为大于1的自然数；P为掺配后的配煤的单价；P_j为各煤种的单价；λ₁、λ₂均为权重系数，τ为提升数量级系数；

此外，构建的综合目标函数的约束条件包括：

入厂煤种比例：

收到基低位发热量：

Q_j,net,ar为第j种煤种的收到基低位发热量，

为掺配后的配煤的最低收到基低位发热量，

为掺配后的配煤的最高收到基低位发热量；

挥发分：

V_j,ar为第j种煤种的挥发分，

为掺配后的配煤的最低的挥发分，

为掺配后的配煤的最高的挥发分；

固定碳：

FC_j,ar为第j种煤种的固定碳，

为掺配后的配煤的最低的固定碳，

为掺配后的配煤的最高的固定碳；

水分：

M_j,ad为第j种煤种的水分含量，

为掺配后的配煤的最低水分含量，

为掺配后的配煤的最高水分含量；

灰分：

A_j,ar为第j种煤种的灰分含量，

为掺配后的配煤的最低灰分含量，

为掺配后的配煤的最高灰分含量；

硫分：

S_j,t,ar为第j种煤种的硫分含量，

为掺配后的配煤的最低硫分含量，

为掺配后的配煤的最高硫分含量；

灰熔点：ST_max≤ST；ST为掺配后的配煤的灰熔点，ST_max为掺配后的配煤的灰熔点；

其中，上述条件中上限max和下限min均为掺配后的配煤的燃烧容器即锅炉校核煤种和试验煤种的测定值。

可选地，所述A3包括：

A31，初始化混沌烟花算法参数，所述参数包括烟花种群数即煤种配比组数、爆炸火花数即产生的新的煤种配比组数、爆炸半径即产生的新的煤种配比的范围、高斯火花个数即变异的煤种配比组数、约束条件；

A32，采用混沌算法优化随机产生的烟花，在随机产生的烟花中选择其中最好的N个烟花作为初始烟花；N取小于10的非零自然数；

A33，计算初始烟花的适应度，即将初始煤种配比输入综合目标函数，得到对应的综合目标值，将该综合目标值作为适应度Z；

A34，根据适应度值确定初始烟花中的最优烟花，计算初始烟花中除最优烟花除外的各个烟花的爆炸半径及初始烟花中所有烟花的爆炸数目,即计算除最优适应度Z外的其它值产生的下一代各煤种配比；

A35，对新产生的煤种配比组数进行变异以生成高斯变异火花；

A36，基于综合目标函数，计算所有火花的适应度值，即计算产生的所有组煤种比例对应的综合目标值；

A37，计算初始烟花中最优烟花的半径，即计算这代最优煤种配比的下一代产生火花的范围；

A38，根据火花选择策略在所有的火花中产生下一代烟花以选择煤种配比；

A39，采用混沌算法优化选择策略产生的下一代烟花中，选择最优的N个烟花，作为下一代烟花；

A310，判断是否达到预设的最大迭代次数，若是，则结束，将选择的下一代烟花作为最优烟花及该最优烟花的适应度作为输出；

否则，若未达到最大迭代次数，则执行A34。

A311，输出最优烟花及其适应度值，最优烟花，即为最优煤种配比，最优适应度为综合目标值最低时各煤种的比例。

可选地，A32包括：

首先将解空间中初始化烟花个体x_i的每一维的位置映射到混沌区域(-1,1)，映射规则为：

其中，a_i表示混沌搜索范围的下边界，b_i表示混沌搜索范围的上边界；解空间为煤种比例，取值为0-1，i的取值范围根据煤种数确定，为非零自然数，y_i为中间变量，x_i为初始化烟花个体；

然后对公式(5)中映射产生的值，按照公式(6)进行迭代，生成混沌序列；

y_i+1＝1-2×(y_i)²y_i∈(-1,1) (6)

最后混沌序列逆映射，将混沌区域的值逆映射到解空间；逆映射规则为

当y_i≠0和y_i≠0.5时就会有混沌发生；

选择混沌优化后的烟花中适应度最优的N个烟花作为初始烟花。

可选地，A34包括：

用公式(8)和(9)计算最优烟花除外的各个烟花的爆炸半径及所有烟花的爆炸数目；

其中：

和m分别为最大爆炸半径和爆炸产生火花的最大数量；Y_min和Y_max是适应度最好的和最差的个体的适应度；f(x_i)为个体x_i的适应度；ε为极小的常数，A_i为爆炸半径，S_i为爆炸数目；

有效提高火花数量的均匀性，将S_i改为：

公式(10)中：round()为取整函数，a和b为给定常数，am和bm是对最大火花数量进行约束的常数。

可选地，A35包括：

按照公式(11)生成高斯火花；

其中，e为符合均值为0，方差为1的高斯分布的随机数；

为当前种群中适应度值最优的烟花在第k维的位置；

对超出解空间的火花采用随机映射规则，计算公式为

其中，U(0,1)为[0,1]区间上的均匀分布随机数，

表示k维的最大值，

表示k维的最小值，通常，对于煤种配比来说为1和0。

可选地，A37包括：

计算所有火花的适应度值，确定最优烟花半径；最优烟花半径的计算：为计算自适应半径，需要选择一个个体，并用它与最优个体之间的距离作为下一次爆炸的半径；

这个个体需要满足两个条件：

第一、适应度值比这一代烟花的适应度值差：

f(s_i)＞f(X)

其中，f(s_i)表示所有烟花的适应度值，f(X)表示这一代烟花的适应度值；

第二、到最优个体的距离是满足第一条件中的个体中最短的距离：

r＝min(d(s_i,s^*))

其中，s^*为所有火花和烟花中适应度值最好的，d表示s_i和s^*的距离；初始化半径为整个求解范围。

可选地，A38包括：

选择下一代烟花采用精英-随机选择策略：首先选择出种群中适应度最优的个体：

s^*＝min(s)

其中，s为所有火花和烟花的适应度；

然后对其余烟花的选择采用随机策略x＝rand(s-s^*)，以扩大搜索范围，防止陷入局部最优。

第二方面，本发明实施例提供一种电子设备，其包括存储器和处理器，所述存储器存储计算机程序，所述处理器执行所述存储器中存储的计算机程序，具体执行上述第一方面任一所述的一种基于多目标的配煤掺烧优化方法的步骤。

(三)有益效果

本发明的方法是通过构建碳排放量和煤价的综合目标函数，在满足基本要求的条件下，实现既减少CO₂的排放，又降低燃料成本的目的；

本发明有利于多方面考虑发电成本，在满足基本要求的条件下，实现既减少CO2的排放，又降低燃料成本。

附图说明

图1为本申请一个实施例中的基于多目标的配煤掺烧优化方法的流程示意图；

图2为本申请一个实施例中的电子设备的结构示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。

本发明的方法解决了现有技术中火电厂碳排放量和成本过高的问题。

实施例一

图1为本申请一个实施例中的基于多目标的配煤掺烧优化方法的流程示意图，本实施例的方法可以由任一计算设备来执行，该计算设备可以通过软件和/或硬件的形式实现，如图1所示，该方法包括下述的步骤：

A1、获取待掺配煤种时每一煤种的基本信息，所述基本信息包括：每一煤种固定燃烧时CO₂的排放量和价格。

具体地，煤种的基本信息包括：煤种标识，每一煤种的二氧化碳摩尔质量、每一煤种的碳元素摩尔质量、每一煤种的收到基低位发热量、每一煤种的价格、每一煤种固定燃烧时CO₂的排放量。

本实施例中可根据公式(1)获取各煤种固定燃烧时CO₂的排放量；

A2、基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，建立掺配后煤种的CO₂的排放量和价格的综合目标函数及综合目标函数的约束条件。

在本实施例中，基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，获取掺配后的配煤燃烧时CO2的排放量W和掺配后的配煤的价格P，进而建立CO₂的排放量W和价格P的综合目标函数；

minZ＝λ₁τW+λ₂P (4)

此外，构建的综合目标函数的约束条件包括：

入厂煤种比例：

收到基低位发热量：

Q_j,net,ar为第j种煤种的收到基低位发热量，

为掺配后的配煤的最低收到基低位发热量，

为掺配后的配煤的最高收到基低位发热量；

挥发分：

V_j,ar为第j种煤种的挥发分，

为掺配后的配煤的最低的挥发分，

为掺配后的配煤的最高的挥发分；

固定碳：

FC_j,ar为第j种煤种的固定碳，

为掺配后的配煤的最低的固定碳，

为掺配后的配煤的最高的固定碳；

水分：

M_j,ad为第j种煤种的水分含量，

为掺配后的配煤的最低水分含量，

为掺配后的配煤的最高水分含量；

灰分：

A_j,ar为第j种煤种的灰分含量，

为掺配后的配煤的最低灰分含量，

为掺配后的配煤的最高灰分含量；

硫分：

S_j,t,ar为第j种煤种的硫分含量，

为掺配后的配煤的最低硫分含量，

为掺配后的配煤的最高硫分含量；

本实施例中是将混沌算法和混沌烟花算法进行结合应用在配煤的煤种选择上，进而实现选择最优的价格和CO₂排放量的掺配比例。

其中，对应参数可理解如下：烟花种群数即煤种配比组数、爆炸火花数即产生的新的煤种配比组数、爆炸半径即产生的新的煤种配比的范围、高斯火花个数即变异的煤种配比组数、约束条件，在混沌算法和混沌烟花算法中的适应度/适应度值均是采用上述的公式(4)的综合目标函数进行计算获取的。

本实施例的方法是通过构建碳排放量和煤价的综合目标函数，在满足约束条件下，得到的各煤种的掺配比例，基于掺配比例的配煤可以实现减少CO₂的排放，降低燃料成本。

实施例二

为更好的理解本发明实施例的方法，以下从另外一个角度进行说明。本实施例的一种基于多目标的配煤掺烧优化方法可包括下述步骤：

步骤1，构建碳排放量目标函数，根据工业分析或元素分析确定各煤种全碳含量和各煤种的低位发热量，通过公式(1)确定各煤种固定燃烧CO₂的排放量，然后根据公式(2)得到掺配后煤种的CO₂排放量的目标函数：

其中：W_j为第j煤种燃烧的CO2排放量；W_coal为第j煤种消耗的煤量；Q_net,ar为第j煤种的收到基低位发热量；C_heat为第j煤种的单位热值含碳量；R为第j煤种的碳氧化率，一般为98％；M_CO2为第j煤种的二氧化碳摩尔质量；M_C为第j煤种的碳元素摩尔质量；

W为掺配后的配煤固定燃烧时CO₂的排放量；c_j为各煤种的掺配比例，j为煤种数量，j取1到K，K为大于1的自然数。

步骤2，构建掺配后煤种的价格目标函数，价格目标函数公式(3)为：

其中：P：掺配后混煤/配煤的单价；P_i：各煤种的单价；λ₁、λ₂均为权重系数，τ为提升数量级系数，c_j为各煤种的掺配比例，j为煤种数量，j取1到K，K为大于1的自然数。

步骤3，基于掺配后煤种的燃烧信息的要求、掺配后的配煤的生产条件、每一煤种的基本信息，获取掺配后的配煤燃烧时CO2的排放量W和掺配后的配煤的价格P，进而建立掺配后的配煤的CO₂的排放量W和价格P的综合目标函数：

minZ＝λ₁τW+λ₂P (4)

其中：λ₁、λ₂为权重系数，τ为提升数量级系数。

步骤4，确定的综合目标函数即为多目标优化配煤模型，该综合目标函数以锅炉燃烧特性与煤质特性指标作为约束条件，具体如下：

入厂煤种比例：

发热量：

收到基低位发热量：

Q_j,net,ar为第j种煤种的收到基低位发热量，

为掺配后的配煤的最低收到基低位发热量，

为掺配后的配煤的最高收到基低位发热量；

挥发分：

V_j,ar为第j种煤种的挥发分，

为掺配后的配煤的最低的挥发分，

为掺配后的配煤的最高的挥发分；

固定碳：

FC_j,ar为第j种煤种的固定碳，

为掺配后的配煤的最低的固定碳，

为掺配后的配煤的最高的固定碳；

水分：

M_j,ad为第j种煤种的水分含量，

为掺配后的配煤的最低水分含量，

为掺配后的配煤的最高水分含量；

灰分：

A_j,ar为第j种煤种的灰分含量，

为掺配后的配煤的最低灰分含量，

为掺配后的配煤的最高灰分含量；

硫分：

S_j,t,ar为第j种煤种的硫分含量，

为掺配后的配煤的最低硫分含量，

为掺配后的配煤的最高硫分含量；

上述条件中上限max和下限min均为掺配后的配煤的燃烧容器即锅炉校核煤种和试验煤种的测定值。

步骤5，选择混沌烟花算法对综合目标函数进行寻优，得到各煤种的掺配比例。

为更好的理解上述的步骤5，以下通过子步骤5.1至子步骤5.11进行详细说明。

步骤5.1，初始化混沌烟花算法参数，参数包括烟花种群数、爆炸火花数、爆炸半径、高斯火花个数、约束条件。

烟花种群数即煤种配比组数、爆炸火花数即产生的新的煤种配比组数、爆炸半径即产生的新的煤种配比的范围、高斯火花个数即变异的煤种配比组数、约束条件。

经过大量实验，烟花种群数一般为5，爆炸火花数为50，参数a为0.8，参数b为0.04，爆炸半径为40，高斯火花个数为5，在具体操作中，可对上述参数进行微调。

步骤5.2，采用混沌算法优化随机产生的烟花，在随机产生的烟花中选择其中最好的N个烟花作为初始烟花；N取小于10的非零自然数，N一般为5。

本发明的特点还在于，步骤5.2的具体过程如下：

首先将解空间中初始化烟花个体x_i的每一维的位置映射到混沌区域(-1,1)，映射规则为

其中，a_i表示混沌搜索范围的下边界，b_i表示混沌搜索范围的上边界；解空间为煤种比例，取值为0-1，i的取值范围根据煤种数确定，为非零自然数，y_i为中间变量，x_i为初始化烟花个体。

然后对式(5)中映射产生的值，按照式(6)进行迭代，生成混沌序列：y_i+1＝1-2×(y_i)²y_i∈(-1,1) (6)

当y_i≠0和y_i≠0.5时就会有混沌发生。

选择混沌优化后的烟花中适应度值最优的N个烟花作为初始烟花，(一般N＝5)。

假设烟花为3维，烟花的位置为x＝(4,7,8)，3维的搜索半径都为[0,10],将x映射到混沌区域，则根据式(5)可以求得y＝(-0.2,0.4,0.6)，将y按照式(6)迭代3次生成混沌序列，则有：

y₁＝(-0.2,0.4,0.6)y₂＝(0.92,0.68,0.28)y₃＝(-0.6928,0.0752,0.8432)

然后在将y₁,y₂,y₃映射到解空间

x₁＝(4,7,8)x₂＝(9.6,8.4,6.4)x₃＝(1.536,5.376,9.216)。

步骤5.3，计算初始烟花的适应度，即将初始煤种配比输入综合目标函数，得到对应的综合目标值，将该综合目标值作为适应度Z。

步骤5.4，计算最优烟花除外的各个烟花的爆炸半径及所有烟花的爆炸数目。也就是说，根据适应度值确定初始烟花中的最优烟花，计算初始烟花中除最优烟花除外的各个烟花的爆炸半径及初始烟花中所有烟花的爆炸数目,即计算除最优适应度Z外的其它值产生的下一代各煤种配比。

步骤5.4的具体步骤如下：

用式(8)和(9)计算最优烟花除外的各个烟花的爆炸半径及所有烟花的爆炸数目；

式中：

和m分别为最大爆炸半径和爆炸产生火花的最大数量；Y_min和Y_max是适应度值最好的和最差的个体的适应度值；f(x_i)为个体x_i的适应度值；ε为极小的常数，A_i为爆炸半径，S_i为爆炸数目。

为避免火花数量不均影响性能即有效提高火花数量的均匀性，将S_i改为：

式中：round()为取整函数，a和b为给定常数，am和bm是对最大火花数量进行约束的常数。

假设N＝5，5个烟花的适应度值分别为1,3,4,7,9，ε＝0.0000001，则按照公式(8)和(9)、(10)可以求得适应度为3的烟花的爆炸半径为5.714288，爆炸火花数目40。

步骤5.5，生成高斯变异火花，也就是说，对新产生的煤种配比组数进行变异以生成高斯变异火花。

步骤5.5的具体步骤如下：

按照公式(11)生成高斯火花：

其中，e为符合均值为0，方差为1的高斯分布的随机数；

为当前种群中适应度值最优的烟花在第k维的位置。

对超出解空间的火花采用随机映射规则，计算公式为

其中，U(0,1)为[0,1]区间上的均匀分布随机数。

假如火花的位置为(3,6,7)，最优烟花的位置为(2,3,3)则高斯火花按照式(11)得出可能为(2.5,4.5,5)。

若火花超出取值范围按照式(12)，将其映射到范围内，假设搜索边界为[-10,10]，而火花为11时，将火花映射到搜索范围，按照式(12)火花可能为6。

步骤5.6，基于综合目标函数，计算所有火花的适应度值，即计算产生的所有组煤种比例对应的综合目标值。

步骤5.7，计算初始烟花中最优烟花的半径，即计算这代最优煤种配比的下一代产生火花的范围。

步骤5.7的具体步骤如下：

计算所有火花的适应度值，计算最优烟花半径。最优烟花半径的计算：为计算自适应半径，需要选择一个个体，并用它与最优个体之间的距离作为下一次爆炸的半径。这个个体需要满足两个条件：

第一、适应度值比这一代烟花的适应度值差：

f(s_i)＞f(X)

r＝min(d(s_i,s^*))

假设当前烟花的适应度值为2，产生火花的适应度值为2.5,3,4,1,0.8,3.2，则最优个体为适应度值为0.8的个体，满足条件1的个体有适应度值为2.5,3,4,3.2的个体，满足条件2的个体为适应度值为2.5的个体，则最优烟花的爆炸半径则为适应度值为0.7和2.5的个体之间的距离。

步骤5.8，根据火花选择策略在所有的火花中产生下一代烟花以选择煤种配比。

具体地，选择下一代烟花采用精英-随机选择策略：首先选择出种群中适应度最优的个体：s^*＝min(s)，其中s为所有火花和烟花的适应度。

然后对其余烟花的选择采用随机策略：x＝rand(s-s^*)，x＝rand(s-s^*)，以扩大搜索范围，防止陷入局部最优。

假如所有烟花和火花的适应度值为0.5,2,1,0.8,2.4,3.6,5.5,1.7,则下一代烟花首先保留适应度值为0.5的个体，其余烟花则随机选择。

步骤5.9，采用混沌算法优化选择策略产生的下一代烟花中，选择最优的N个烟花，作为下一代烟花。

步骤5.9的具体步骤如下：

用混沌算法对产生的烟花进行优化，首先将解空间中选择产生的烟花个体x_i的每一维的位置映射到混沌区域(-1,1)，映射规则为

然后对式(13)中映射产生的值，按照式(14)进行迭代，生成混沌序列

y_i+1＝1-2×(y_i)²y_i∈(-1,1) (14)

最后混沌序列逆映射，将混沌区域的值逆映射到解空间。逆映射规则为

选择混沌优化后的适应度值最好的前N个烟花，作为下一代烟花。

该步骤为产生的烟花处理过程，前述的初始化时产生的烟花处理过程和该步骤的处理过程是一致的，其对应处理对象是不同。

步骤5.10，判断是否达到预设的最大迭代次数，若是，则结束，将选择的下一代烟花作为最优烟花及该最优烟花的适应度作为输出；

否则，若未达到最大迭代次数，则执行步骤5.4。

步骤5.11，输出最优烟花及其适应度值，由此可得综合目标最低时，各煤种的比例。也就是说，输出最优烟花及其适应度值，最优烟花，即为最优煤种配比，最优适应度为综合目标值最低时各煤种的比例。

本实施例中提供的方法是通过构建碳排放量和煤价的综合目标函数，在满足基本要求的条件下，实现既减少CO₂的排放，又降低燃料成本的目的。

实施例三

如图2所示，图2示出了一种电子设备的结构示意图，本实施例的电子设备可包括：至少一个处理器21、至少一个存储器22、至少一个网络接口24和/或其他的用户接口23。电子设备中的各个组件通过总线系统25耦合在一起。可理解，总线系统25用于实现这些组件之间的连接通信。总线系统25除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统25。

本实施例的电子设备可以执行图1所示的方法，其中，用户接口23可以包括显示器、键盘或者点击设备(例如，鼠标或者触感板等)。

可以理解，本实施例中的存储器22可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器22旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器22存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统221和应用程序222。

其中，操作系统221，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序222，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序222中。

在本发明实施例中，处理器21通过调用存储器22存储的程序或指令，具体的，可以是应用程序222中存储的程序或指令，处理器21用于执行第一方面所提供的方法步骤。

上述本发明实施例揭示的方法可以应用于处理器21中，或者由处理器21实现。处理器21可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器21中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器21可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器22，处理器21读取存储器22中的信息，结合其硬件完成上述方法的步骤。

另一方面，本发明实施例还提供一种计算机可读存储介质，其用于存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例的基于多目标的配煤掺烧优化方法的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例做出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。