基于數(shù)據(jù)驅(qū)動(dòng)建模的氣化爐配煤成本優(yōu)化研究
發(fā)布時(shí)間：2020-12-08 18:09
為實(shí)現(xiàn)配煤煤質(zhì)和配煤成本的最優(yōu)化匹配,以配煤成本為優(yōu)化目標(biāo),氣化爐產(chǎn)氣量為主要約束,采用數(shù)學(xué)建模的方式,研究了鄂爾多斯地區(qū)煤化工裝置氣化爐多煤種的用煤和配煤優(yōu)化問題。根據(jù)現(xiàn)場(chǎng)數(shù)據(jù),構(gòu)建了基于數(shù)據(jù)驅(qū)動(dòng)的氣化爐煤質(zhì)對(duì)產(chǎn)量影響的非線性過程模型,通過聚類分析,得到各煤質(zhì)指標(biāo)的約束條件;在滿足約束條件的情況下,構(gòu)建煤種與煤質(zhì)之間的線性模型;通過帕累托遺傳算法,在氣化爐產(chǎn)氣量滿足約束條件的同時(shí),給出了成本最低的多煤種配煤策略,并用MATLAB對(duì)氣化爐配煤優(yōu)化系統(tǒng)進(jìn)行可視化組態(tài)界面設(shè)計(jì)。
【文章來源】：煤化工. 2020年02期 第26-30頁
【文章頁數(shù)】：5 頁
【部分圖文】：
配煤模型整體流程示意圖
企業(yè)可用的4種單煤的煤質(zhì)參數(shù)見表1，以價(jià)格最低為優(yōu)化目標(biāo)，此函數(shù)為極小值問題，帕累托（Pareto）最優(yōu)算法能有效解決最小值最大值問題。Pareto最優(yōu)[7]的定義為：在設(shè)計(jì)變量組的取值范圍U內(nèi)，對(duì)于所有設(shè)計(jì)變量組X∈U，僅存在一個(gè)設(shè)計(jì)變量組X′在約束范圍內(nèi)滿足：（1)Fi(X）≤Fi(X′）；（2）至少有一個(gè)X使Fi(X)<Fi(X′），則設(shè)計(jì)變量組X′為Pareto最優(yōu)解。考慮到遺傳算法較好的性能，以下采用Pareto的遺傳算法對(duì)目標(biāo)函數(shù)求解，選取種群個(gè)數(shù)為100,Pareto前沿面解比例為0.3，迭代次數(shù)為100進(jìn)行計(jì)算，通過該方法計(jì)算得到最終最優(yōu)價(jià)格為498.78元/t。配煤優(yōu)化算法流程示意圖見圖2。對(duì)企業(yè)可用的4種不同煤質(zhì)的單煤，運(yùn)用文中建模及優(yōu)化算法進(jìn)行仿真求解，得到優(yōu)化后煤質(zhì)配比為納二煤20.49%，凱達(dá)煤14.90%，納二4#煤37.93%，寶山煤26.78%，配成煤的總單價(jià)為498.78元/t。優(yōu)化配煤后和企業(yè)平均配煤方法得到煤的煤質(zhì)參數(shù)見表4。對(duì)比表4和表1可以看出，優(yōu)化配煤配出的煤與所用單煤宏一煤煤質(zhì)差距很小，但是在價(jià)格上要比單煤和平均配煤都更便宜，比直接用宏一煤便宜了10.90%。
人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型，是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[10]。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，達(dá)到處理信息的目的。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)誤差反復(fù)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到預(yù)測(cè)輸出值不斷逼近期望輸出值的目的。使用BP神經(jīng)網(wǎng)絡(luò)，通過設(shè)置合適的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練學(xué)習(xí)函數(shù)等參數(shù)，便可以在誤差范圍內(nèi)得到準(zhǔn)確的預(yù)測(cè)模型。產(chǎn)氣量預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖見圖3，其輸入?yún)?shù)為煤質(zhì)、裝煤量、耗氧量，輸出參數(shù)為產(chǎn)氣量。氣化爐中影響產(chǎn)氣量的因素較多，固定溫度、壓力等變量，只分析入爐煤質(zhì)和耗煤量、耗氧量對(duì)產(chǎn)氣量的影響。用氣化爐的456組生產(chǎn)數(shù)據(jù)的前380組數(shù)據(jù)作訓(xùn)練集，后76組數(shù)據(jù)作測(cè)試集，分別用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化及粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行粗煤氣預(yù)測(cè)的建模，3種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果見表5。
【參考文獻(xiàn)】：
期刊論文
[1]最優(yōu)化配煤理論的數(shù)學(xué)模型及應(yīng)用[J]. 王鵬. 陜西煤炭. 2019(01)
[2]基于線性優(yōu)化算法的自動(dòng)配煤控制系統(tǒng)設(shè)計(jì)[J]. 付勝,龐印華. 中國(guó)煤炭. 2011(02)
[3]礦業(yè)集團(tuán)煤化工產(chǎn)業(yè)發(fā)展戰(zhàn)略探討[J]. 趙林峰,安景文. 潔凈煤技術(shù). 2007(03)
[4]粒子群優(yōu)化算法[J]. 李愛國(guó),覃征,鮑復(fù)民,賀升平. 計(jì)算機(jī)工程與應(yīng)用. 2002(21)
博士論文
[1]面向水煤漿氣化裝置的過程建模與操作優(yōu)化技術(shù)[D]. 孫漾.華東理工大學(xué) 2012
[2]約束優(yōu)化和多目標(biāo)優(yōu)化的進(jìn)化算法研究[D]. 張敏.中國(guó)科學(xué)技術(shù)大學(xué) 2008
碩士論文
[1]基于遺傳算法的動(dòng)力配煤優(yōu)化模型的研究及其軟件實(shí)現(xiàn)[D]. 沈彬彬.浙江大學(xué) 2004
本文編號(hào)：2905465
【文章來源】：煤化工. 2020年02期 第26-30頁
【文章頁數(shù)】：5 頁
【部分圖文】：
配煤模型整體流程示意圖
企業(yè)可用的4種單煤的煤質(zhì)參數(shù)見表1，以價(jià)格最低為優(yōu)化目標(biāo)，此函數(shù)為極小值問題，帕累托（Pareto）最優(yōu)算法能有效解決最小值最大值問題。Pareto最優(yōu)[7]的定義為：在設(shè)計(jì)變量組的取值范圍U內(nèi)，對(duì)于所有設(shè)計(jì)變量組X∈U，僅存在一個(gè)設(shè)計(jì)變量組X′在約束范圍內(nèi)滿足：（1)Fi(X）≤Fi(X′）；（2）至少有一個(gè)X使Fi(X)<Fi(X′），則設(shè)計(jì)變量組X′為Pareto最優(yōu)解。考慮到遺傳算法較好的性能，以下采用Pareto的遺傳算法對(duì)目標(biāo)函數(shù)求解，選取種群個(gè)數(shù)為100,Pareto前沿面解比例為0.3，迭代次數(shù)為100進(jìn)行計(jì)算，通過該方法計(jì)算得到最終最優(yōu)價(jià)格為498.78元/t。配煤優(yōu)化算法流程示意圖見圖2。對(duì)企業(yè)可用的4種不同煤質(zhì)的單煤，運(yùn)用文中建模及優(yōu)化算法進(jìn)行仿真求解，得到優(yōu)化后煤質(zhì)配比為納二煤20.49%，凱達(dá)煤14.90%，納二4#煤37.93%，寶山煤26.78%，配成煤的總單價(jià)為498.78元/t。優(yōu)化配煤后和企業(yè)平均配煤方法得到煤的煤質(zhì)參數(shù)見表4。對(duì)比表4和表1可以看出，優(yōu)化配煤配出的煤與所用單煤宏一煤煤質(zhì)差距很小，但是在價(jià)格上要比單煤和平均配煤都更便宜，比直接用宏一煤便宜了10.90%。
人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型，是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[10]。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，達(dá)到處理信息的目的。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)誤差反復(fù)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到預(yù)測(cè)輸出值不斷逼近期望輸出值的目的。使用BP神經(jīng)網(wǎng)絡(luò)，通過設(shè)置合適的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練學(xué)習(xí)函數(shù)等參數(shù)，便可以在誤差范圍內(nèi)得到準(zhǔn)確的預(yù)測(cè)模型。產(chǎn)氣量預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖見圖3，其輸入?yún)?shù)為煤質(zhì)、裝煤量、耗氧量，輸出參數(shù)為產(chǎn)氣量。氣化爐中影響產(chǎn)氣量的因素較多，固定溫度、壓力等變量，只分析入爐煤質(zhì)和耗煤量、耗氧量對(duì)產(chǎn)氣量的影響。用氣化爐的456組生產(chǎn)數(shù)據(jù)的前380組數(shù)據(jù)作訓(xùn)練集，后76組數(shù)據(jù)作測(cè)試集，分別用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化及粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行粗煤氣預(yù)測(cè)的建模，3種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果見表5。
【參考文獻(xiàn)】：
期刊論文
[1]最優(yōu)化配煤理論的數(shù)學(xué)模型及應(yīng)用[J]. 王鵬. 陜西煤炭. 2019(01)
[2]基于線性優(yōu)化算法的自動(dòng)配煤控制系統(tǒng)設(shè)計(jì)[J]. 付勝,龐印華. 中國(guó)煤炭. 2011(02)
[3]礦業(yè)集團(tuán)煤化工產(chǎn)業(yè)發(fā)展戰(zhàn)略探討[J]. 趙林峰,安景文. 潔凈煤技術(shù). 2007(03)
[4]粒子群優(yōu)化算法[J]. 李愛國(guó),覃征,鮑復(fù)民,賀升平. 計(jì)算機(jī)工程與應(yīng)用. 2002(21)
博士論文
[1]面向水煤漿氣化裝置的過程建模與操作優(yōu)化技術(shù)[D]. 孫漾.華東理工大學(xué) 2012
[2]約束優(yōu)化和多目標(biāo)優(yōu)化的進(jìn)化算法研究[D]. 張敏.中國(guó)科學(xué)技術(shù)大學(xué) 2008
碩士論文
[1]基于遺傳算法的動(dòng)力配煤優(yōu)化模型的研究及其軟件實(shí)現(xiàn)[D]. 沈彬彬.浙江大學(xué) 2004
本文編號(hào)：2905465
本文鏈接：http://www.lk138.cn/guanlilunwen/chengbenguanlilunwen/2905465.html
最近更新
教材專著
