基于多种算法的火电厂配煤优化方法研究

煤第５０卷第９期　ｄｏｉ：１０．１　１７９９／ｅｅ２０１８０９０３８　炭工程　Ｖｏ１．５０．Ｎｏ．９　Ｃ０ＡＬ　ＥＮＧＩＮＥＥＲＩＮＧ　基于多种算法的火电厂配煤优化方法研究　付轩熠　，茅大钧　，印琪民　（１．上海电力学院自动化工程学院，上海２０００９０；２．华能上海石洞口第一电厂，上海２００９４２）　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　中图分类号：ＴＤ８４９　文献标识码：Ａ　文章编号：１６７１－０９５９（２０１８）０９－０１５０—０５　Ｒｅｓｅａｒｃｈ　ｏｎ　ｃｏａｌ　ｂｌｅｎｄｉｎｇ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉｐｌｅ　ａｌｇｏｒｉｔｈｍｓ　ｉｎ　ｔｈｅｒｍａｌ　ｐｏｗｅｒ　ｐｌａｎｔ　ＦＵ　Ｘｕａｎ－ｙｉ　，ＭＡＯ　Ｄａ－ｊｕｎ　，ＹＩＮ　Ｑｉ－ｍｉｎ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈａｈｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ，Ｓｈａｎｇｈａｉ　２０００９０，Ｃｈｉｎａ；　２．Ｈｕａｎｅｎｇ　Ｓｈａｎｇｈａｉ　Ｓｈｉｄｏｎｇｋｏｕ　Ｆｉｒｓｔ　Ｐｏｗｅｒ　Ｐｌａｎｔ，Ｓｈａｎｇｈａｉ　２０００９０，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｃｏａｌ　ｓｕｐｐｌｙ　ｓｈｏｒｔａｇｅｓ　ｉｎ　ｔｈｅｒｍａｌ　ｐｏｗｅｒ　ｐｌａｎｔ，ａｎｄ　ｔｈｅ　ｈｉｇｈ　ｃｏａｌ　ｐｒｉｃｅｓ，ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，　ｔｈｅ　ｏｐｔｉｍａｌ　ｃｏａｌ　ｂｌｅｎｄｉｎｇ　ｆｏｒ　ｐｒｅ—ｆｉｒｅｄ　ｃｏａｌ　ｉｓ　ｓｔｕｄｉｅｄ　ｔｈｒｏｕｇｈ　ｔｈｅ　ａｃｔｕａｌ　ｕｓｅ　ｏｆ　ｃｏａｌ　ｉｎ　ｔｈｅ　ｐｏｗｅｒ　ｐｌａｎｔ．Ａ　ｃｏａｌ　ｂｋｎｄｉｎｇ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｄｅｌ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｗｉｔｈ　ｍｉｎｉｍｕｍ　ｃｏａｌ　ｂｌｅｎｄｉｎｇ　ｃｏｓｔ　ａｓ　ｔｈｅ　ｏｂｊｅｃｔｉｖｅ　ｆｕｎｃｔｉｏｎ　ｎｄ　ａｔｈｅ　ｕｎｉｔ＇ｓ　ｒｅｑｕｉｒｅｍｅｎｔｓ　ｏｒｆ　ｔｈｅ　ｉｎｄｕｓｔｉｒｌ　ｃｏｍｐｏｎｅｎｔｓ　ｏｆ　ａｔｈｅ　ｂｌｅｎｄｅｄ　ｃｏａｌ　ａｓ　ａ　ｃｏｎｓｔｒａｉｎｔ　ｔｏ　ｕｓｅ　ｔｈｅ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ．Ｔｈｅ　ｌｏｃａｌ　ｆａｓｔ　ｃｏｎｖｅｒｇｅｎｃｅ　ｆｅａｔｕｒｅ　ｏｆ　ｈｅ　ａｌｇｏｒｉｔｔｈｍ　ｉｓ　ｏｐｔｉｍｉｚｅｄ　ｂｙ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｍｏｄｅ１．Ｔｈｅ　ｎｏｎ—ｌｉｎｅａｒ　ｍａｐｐｉｎｇ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｉｎｄｕｓｔｒｉａｌ　ｃｏｍｐｏｎｅｎｔｓ　ｏｆ　ｔｈｅ　ｓｉｎ￣ｅ　ｃｏａｌ　ｂｌｅｎｄ　ｃｏａｌ　ｑｕａｌｉｔｙ　ｉｓ　ｐｒｅｄｉｃｔｅｄ　ｂｙ　ｅｓｔｂｌａｉｓｈｉｎｇ　ａ　ＧＡ—ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅ１．　Ｔｈｒｏｕｇｈ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｅｘａｍｐｌｅｓ　ａｎｄ　ｅｒｒｏｒ　ｒｅｓｕｌｔｓ，ｉｔ　ｉｓ　ｐｒｏｖｅｄ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｃａｎ　ｐｒｅｄｉｃｔ　ａｎｄ　ｓｏｌｖｅ　ｔｈｅ　ｒｅｌｉａｂｉｌｉｔｙ　ｆ　ｃｏａｌ　ｏｂｌｅｎｄｉｎｇ　ｗｉｔｈ　ｔｈｅ　ｌｏｗｅｓｔ　ｃｏｓｔ．Ｔｈｅ　ｒｅｓｅａｒｃｈ　Ｃａｎ　ｇｕｉｄｅ　ｔｈｅ　ａｃｔｕａｌ　ｃｏａｌ　ｂｌｅｎｄｉｎｇ　ｏｆ　ｐｏｗｅｒ　ｐｌａｎｔｓ．　Ｋｅｙｗｏｒｄｓ：ｃｏａｌ　ｂｌｅｎｄｉｎｇ　ｏｐｔｉｍｉｚａｔｉｏｎ；ｃｏａｌ　ｑｕａｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ；ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｄｅｌ；ｏｂｊｅｃｔｉｖｅ　ｆｕｎｃｔｉｏｎ；ｃｏｎｓｔｒａｉｎｔ　ｃｏｎｄｉｔｉｏｎｓ；ｍｉｘｅｄ　ｃｏａｌ　ｐｒｉｃｅ　我国能源结构还是依靠以煤为燃料的火力发电为主．　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　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２Ｏ世纪９Ｏ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．　成分Ｌ２　］。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　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］。　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ｌ４　］。　收稿日期：２０１８—０４—１９　作者简介：付轩熠（１９９３一），男，江苏徐州人，硕士研究生，主要研究方向为锅炉燃烧优化及动力配煤技术；Ｅ—ｍａｉｌ：　５４３９１６５０７＠ｑｑ．ｃｏｍ。　引用格式：付轩熠，茅大钧，印琪民．基于多种算法的火电厂配煤优化方法研究［Ｊ］．煤炭工程，２０１８，５０（９）：１５０．－１５４．　１５０　２０１８年第９期　煤炭工程　可得到惩罚函数的适应度函数．引入惩罚函数对适应　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　度进行优化．可将成本最低的函数转化成求解非约束函数　的最大值。　１．１．３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。ＰＳＯ算法中假定粒子ｉ当前的位置和速度　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　１．１．１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、２Ｏ、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。　１．１．２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（　）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。　）＝Ｈｍ　一ｈ（　）　（１）　为单煤煤价最大值。为检测下一代个体是不是满　足约束条件，如染色体中的基因（即煤的工业成分）不在约　束条件的范围内，并采用罚函数法，降低遗传概率。惩罚　函数设计为：　ｅｖａｌ（　）＝　＜　）　Ｐ（　）　（２）　三　ｖ（ｘ）＝ｒ　［ｇｌ（　）】　（３）　ｇ　：』一一（ｇｑｇ　（　ｘ　）　－一ＱＱｍ￣，　）　２ｇ　二　１　０　Ｑｍｉｎ＜ｇｑ＜Ｑ　分别为：　Ｘｉ＝（　ｆｌ，　，　…，　ｆｄ）；　Ｖｉ＝（　ｌ，口　，…，　）　（５）　粒子最优位置和全局最优集表示为：　Ｐ　＝（Ｐｎ，Ｐ　２…，Ｐ　ｄ）　Ｇ　＝（ｇ。，ｇ２，…，ｇｄ）　（６）　Ⅳ个粒子最优的位置。迭代公式为：　＝　吒＋ｃＩｒｔ（ｐ　一　）＋ｃｚｒｚ（ｇ　一　）　＝　；＋　（７）　其中参数　，ｃ。的随着迭代次数的增加而减小，ｃ：反　之，　为迭代的惯性权重。可使ＰＳＯ算法具有全局性搜索　能力的同时加快收敛速度。　＝（∞　一　）　＿二　＋∞　ｉ　ｍｓｘ　：（ｃ１＇一＿ｃ１，…）　＋ｃｌ，　ｃ　：（ｃ２，　一ｃ２，　）÷＋ｃ２，～　（８）　ｔｍａｘ为最大迭代次数；ｃ　，ｃ　为第ｚ次迭代的学习因子；　ＰＳＯ算法的起始速度随机产生．初始化位置由ＧＡ算法产　生的适应度较好的种群决定。适应度最优的粒子和其位置　一起被储存，并由式（７）进行迭代更新，最终求出最优　粒子。　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。设煤场库存参与设计的煤种为ｎ，第　种单煤　所占比例为置，成本为Ｐ　，则该数学模型的目标函数可设　定为　∞］：　ｍｉｎＺ＝∑　（９）　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。若设定由Ⅳ种单煤构成混煤的某一化　学分析指标为ｉ，其中第门砷单煤的技术指标为　，则可用　公式表示为　“］：　，（　，墨，　（１０）　１　５１　煤炭工程　２０１８年第９期　根据该电厂的锅炉燃烧条件设计值及煤种的设计要求，　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￣ＨｉＪｌＩ练样本数量。网络中节点有以下几个部分。　配煤模型的约束条件如下：　１）挥发分约束　Ｖｏ　其中隐含层的输人点数计算公式为：　（１１）　ｎ＝　＋ｎ　（１６）　≤　＝　（　，Ｘ，，ｎ）≤　一　２）水分约束　Ｍ…≤Ｍ＝　（　，，墨，ｎ）≤Ｍ　３）灰分约束　…网络预测模型结构见表１．通过模型的输入量（工业成　（１２）　（１３）　（１４）　分和配比）和输出量（工业成分）可得到网络输入层神经元　数量Ｐ为１５，输出层的神经元个数ｇ为４。。为０—１０的整　≤Ａ＝　（Ａ　，Ｘ，，ｎ）≤Ａａｄ～　数。本文根据经验和计算公式分别设计发热量、水分、灰　分、挥发分的节点数ｎ为７，９，１０，８。　神经网络的输入量、隐含层数量及输出量决定了遗传　４）发热量约束　Ｑ　≤Ｑ：　（　，　，ｎ）≤Ｑ…　５）混煤配比之和为１００％　算法的染色体长度。ＧＡ根据ＢＰ网络的均方输出误差作为　∑　：１００％　＝１　适应度的选择标准，初始权值的集合为初始种群。遗传操　作的选择函数为ｒｏｕｌｅｔｔｅ，交叉函数为ａｒｉｔｈＸｏｖｅｒ，　ｎｏｎＵｎｉｆＭｕｔａｔｉｏｎ为变异函数。编码将采取十进制编码。ＧＡ—　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－ａ３］。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　ＢＰ算法流程如图１所示。　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。　２．１　ＧＡ－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。　图１　ＧＡ—ＢＰ算法流程图　２．２　ＧＡ－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，　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　］，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。网络预测模型结构见表１。　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　表１煤质预测模型结构表　在Ｍａｔｌａｂ程序测试中，预测模型采用了２５０组作为训　练样本，校验样本随机选取了１Ｏ组，预测结果与实测数据　的对比结果，见表２。　通过比较实验值和预测值之间的相对误差较小。与线　１５２　性相加产生的预测值相比也有了很大的改善。混煤煤质特　性预测值与实验值比较如图２所示，由图２可看出预测值　与实际值更加直观的反应了不同混煤煤种不同工业成分的　神经网络预测值和实际值之间的对比结果。　２０１８＃－ｇ　９期　煤炭工程　２４　趔２２　避　皿２０　１８　样本数　蓠　避　（ａ）ＧＡ－ＢＰ神经网络预测结果（Ｑ）　样本数　图３预测水分值的绝对误差　样本数　利用调研电厂的锅炉的设计燃烧条件，带人模型中模　（ｂ）Ｇ￣ＢＰ神经网络预测结果（Ａ）　拟运算。其中锅炉燃烧条件见表３。　１５　ｌ４表３锅炉设计燃烧指标　；　样本数　根据单煤数据库、锅炉燃烧设计要求及锅炉实际运行　（ｃ）ＧＡ．ＢＰ神经网络预测结果（ｖ）　现场情况，将煤质约束条件设定为：　挥发分：１０％≤　ｄ　６２８％；　水分：０．３％６Ｍ　ｄ　６２．０％；　皿　灰分：２２％６Ａ　ｄ≤３５％；　发热量：１８ＭＪ／ｋｇ６Ｑ６２３ＭＪ／ｋｇ。　样本数　单煤数据库见表４。　（ｄ）Ｇａ－ＢＰ神经网络预测结果（Ｍ）　表４单煤数据库　图２混煤煤质特性预测值与实验值比较　可知预测的数据能够很好的逼近实际值，从表２混煤　煤质预测误差表中可知混煤发热量和灰分值最大相对误差　要小于２％，结果可满足要求。挥发分最大相对误差值在　８％左右。其相对误差的平均值为３．８％，其结果与线性加　权计算相比在精度上具有优势。水分的相对误差较大，预　测水分值的绝对误差如图３所示．可知水分的绝对误差较　小．对结果影响甚微，也可考虑对水分进行线性拟合预测，　此时误差相对较小。　１５３　煤炭工程　２０１８年第９期　按照优化配煤方法设计。利用ＰＳＯ优化ＧＡ算法求解　对电厂实际运营减少成本、提高效益有一定参考意义。　参考文献：　ＰＥＮＧ　Ｐｅｎｇ，ＸＩＡ　Ｊｉ，ＹＡＮＧ　Ｔａｏ．Ｐｒｏｂｌｅｍｓ　ａｎｄ　Ｓｏｌｕｔｉｏｎｓ　ｆｏｒ　出煤种和配比的最优方案。其混煤煤质工业分析通过ＧＡ—　ＢＰ神经网络预测。通过混煤预测模型及配煤优化模型。电　厂可利用模型编译相应配煤指导软件。或直接通过Ｍａｔｌａｂ　仿真来实现如输入三种单煤及相应比例实现混煤属性预测，　或者根据约束条件及成本最低的目标函数求解单煤数据库　中相应的煤种和配比，以上述机组条件为例Ｍａｔｌａｂ运算结　果为Ｂ２４Ｅ１２Ｆ６４，即配煤方案为Ｂ，Ｅ，Ｆ号煤种，比例分　别为２４％、１２％、６４％，所需成本４６３．８４　ｔ，比大部分　Ｍｕｌｔｉ—ｃｏａｌｓ　Ｂｌｅｎｄｉｎｇ　ｉｎ　Ｔｈｅｒｍａｌ　Ｐｌｎｔ［ｃ］．Ｉｎｔａｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｃｏｎｔｒｏｌ　ａｎｄ　Ｉｎｔｅｌｌ—ｉｇｅｎｔ　Ｅｎｖｉｒｏｎｍｅｎｔａｌ　Ｍｏｎｉｔｏｒｉｎｇ。２０１１．　［２］　程军，王鑫，侣婷婷，等．电厂多元优化动力配煤燃　烧特性研究［Ｊ］．热能动力工程，２０１６，３１（２）：９９－１０３．　单煤价格都要低，且预测的工业成分与电厂锅炉设定煤种　对比见表５，可在成本最低的条件下符合机组要求。按照研　究目标电厂４台３Ｏ万ｋＷ的机组配煤按照不精确的人工经　验方式可节约大量时间及成本。实际解决配煤问题。　表５算法结果与设定条件对比　注：差值＝预计值一设计值。　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Ｑ　，Ｍ　，Ａ　，　的最大相对误差　分别为１．９６％、２４．６７％、１．９９％、７．６％，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　４６３．８４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．　１５４　［３］　李吉朝，张海英，王惠琴．基于遗传算法的ＢＰ神经网络优　化动力配煤模型的研究［Ｊ］．微型机与应用，２０１７，３６　（９）：６０—６３，６６．　［４］　杨圣春．火电厂配煤模型研究【Ｊ］．广东电力，２０１２，２５　（１）：３６—３９．　［５］　赵越，蒙毅，李仁义．基于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［Ｊ］．热力发电，２０１７，　４６（１２）：９９—１０４．　［６］　刘玉娇，张海英，关海盈．基于多种算法的多目标配煤优　ｒ｝ｒ｝ｒ　ｒＬ　１　ｌ　１　ｌ　１　化方法［Ｊ］．热力发电，２０１引　叫　４，４３（９）：１¨　０８－ｌ１２．　［７］　夏季，陆攀，华志刚，等．基于非支配排序遗传算法　的无约束多目标优化配煤模型［Ｊ］．中国电机工程学报，　２０１１，３１（２）：８５—９０．　刘露，陈赞，刘世劫，等．一种新型粒子群改进改进　遗传算法［Ｊ］．软件与算法，２０１７，３６（２３）：１７－２０．　沈彬彬．基于遗传算法的动力配煤优化模型的研究及其软　件实现［Ｄ］．杭州：浙江大学，２００４．　刘淑清．火电厂动力煤配煤优化方法与系统研究［Ｄ］．沈　阳：东北大学．２０１３．　马萌萌．基于神经网络的煤质软测量技术的研究［Ｄ］．北　京：华北电力大学，２０１１．　王鑫．非线性理论应用于动力配煤燃烧特性研究『Ｄ１．　杭州：浙江大学．２０１６．　朱再兴．锅炉动力配煤优化模型和专家系统研发及炉内燃　烧仿真优化研究【Ｄ］．长沙：中南大学，２０１２．　李颖。周俊虎．ＢＰ神经网络在电厂优化配煤中预测性能　的研究［Ｊ］．电站系统工程，２００２，３（１８）：ｌ５．　刘艳军．电厂动力配煤煤质预测模型与优化模型研究【Ｄ］．　长沙：中南大学．２０１１．　（责任编辑赵巧芝）　１