CN105844369A - 一种基于自适应混沌粒子群的制粉***优化分配方法 - Google Patents

Abstract

本发明专利公布了一种基于自适应混沌粒子群的制粉***优化分配方法，属于电力***优化分配领域，根据机组给定的负荷计算出磨煤机总的给煤量，将总的给煤量合理的分配给机组的N台磨煤机使总的制粉单耗最小；其特征在于：首先根据机组负荷，计算机组的给煤量，然后根据每台磨煤机的出力范围，确定出N台磨煤机的不同运行方式；运用自适应混沌粒子群算法，计算出每一种运行方式的制粉单耗，然后根据最小制粉单耗确定磨煤机的运行方式；本发明能够解决智能优化算法中的机组启停问题和粒子群算法中的等式约束问题。

Description

一种基于自适应混沌粒子群的制粉***优化分配方法

技术领域

本发明涉及一种基于自适应混沌粒子群的制粉***优化分配方法，是属于电力***优化分配领域；

背景技术

节能减排是保证我国经济和社会稳定发展的一项重要战略举措，对于高耗能行业，节能减排既是本行业重要的机遇，也是艰巨的挑战。火力发电行业是我国一次能源的消耗大户，全国煤炭产量的一半被用于火力发电，而火力发电厂的厂用电量的20％以上要用于制粉***；制粉***是火力发电厂的重要组成部分，其运行的好坏直接影响锅炉的安全运行和锅炉的效率；

粒子群算法是美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出的，其基本思想是受鸟群觅食过程中的迁徙与群聚行为的启发。自从粒子群算法提出之后，吸引了国内外众多学者的注意并被用于求解各种优化问题。PSO是一种群智能算法，优化过程就是群体迭代过程，由粒子在其搜索空间中不断靠拢最佳点进行寻优。PSO的优势在于参数设置少，简单易操作，又具有改进空间，在科学研究与工程应用中普遍具有可行性及有效性。

但是标准粒子群算法在优化制粉***运行时仍不能很好的解决等式约束问题和机组启停问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于自适应混沌粒子群的制粉***优化分配方法，以解决粒子群在优化中的机组启停问题和等式约束问题。

技术方案：为解决上述技术问题，本发明提供的一种基于自适应混沌粒子群的制粉***优化分配方法，包括以下步骤：

步骤1，采集历年电厂的关于制粉***的DCS数据；

步骤2，根据机组负荷和磨煤机总的给煤量，拟合处机组负荷和磨煤机总的给煤量的函数关系，然后根据每台磨煤机的给煤量和制粉单耗，拟合出磨煤机的制粉单耗和磨煤机给煤量之间的一元二次函数关系；

步骤3，根据机组分配的机组负荷，求出总的机组磨煤机给煤量；根据磨煤机总的 给煤量和每台磨煤机的出力范围，计算出磨煤机运行台数最少的所有运行方式；

步骤4，将粒子群算法的目标函数加入惩罚函数，将N台磨煤机总的给煤量的等式约束问题加入到目标函数中，然后将每一种运行方式用自适应混沌粒子群进行寻优；

步骤5，根据混沌优化值和惯性权重更新粒子的速度和位置；

步骤6，判断是否满足终止条件，若满足终止条件则输出全局最优值Gbest；若不满足条件则继续混沌优化更新粒子的速度和位置；

步骤7，统计出不同运行方式的制粉单耗，选取出制粉单耗最小的运行方式。

具体地，所述步骤1中的DCS数据，包括机组负荷及其对应的磨煤机给煤量、每台磨煤机的有功功率、制粉单耗、一次风机单耗和每台磨煤机的给煤率。

具体地，所述步骤2中将解决的问题简化成以下数学问题：

目标函数：

F＝min(F₁+F₂+L+F_n)

制粉单耗和磨煤机给煤量的函数关系：

$F_i\left(B_i\right)=a_i{B}_i^2+b_i{B}_i+c,i=1,2Ln$

约束条件为：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{B}_i=C;$

B_{i ， min}≤B_i≤B_{i ， max}或者B_i＝0

当B_i＝0时，F_i＝₀；

其中：i为第i台磨煤机；B_i为分给第i台磨煤机的给煤量；F_i为第i台磨煤机的制粉电耗；

根据机组给定的负荷计算出磨煤机总的给煤量，将总的给煤量合理的分配给机组的N台磨煤机使总的制粉单耗最小。

具体地，所述步骤4中混沌粒子群寻优过程如下：

a)输入粒子群算法的基本参数，随机每个粒子的位置和速度，计算每一个粒子的适应度值；找出每个粒子的个体的最优解Pbest和全局最优解Gbest；然后计算每个粒子的惯性权重值w，跟新粒子的速度和位置，计算粒子的适应 度值；

b)判断每个粒子新的适应度值是否小于此粒子的历史最优值，如果小于历史最优值，则更新此粒子个体的最优解Pbest，然后判断此粒子的适应度值是否小于全局最优值，如果小于全局最优值，则更新全局粒子的最优解Gbest；

c)判断程序迭代的进程，如果在迭代初期则将全局最优值在每台磨煤机的整体取值范围内进行混沌寻优，如果在迭代后期则全局最优值在当前最后值附近进行混沌寻优。

具体地，所述步骤2中制粉单耗和磨煤机给煤量之间的函数关系为：

F(B)＝aB²+bB+c

其中：B为磨煤机的给煤量；F(B)磨煤机的制粉单耗。

具体地，所述惯性权重的更新方法为：

$w=w_{max}-(w_{max}-w_{min})\frac{({\mathrm{fit}}_{max}-fit(i\left)\right)}{({\mathrm{fit}}_{max}-{\mathrm{fit}}_{\min })}$

其中：w_max为惯性权重的最大值；w_min为惯性权重的最小值；fit_max为当前所有粒子适应度最差粒子的适应度；fit_min为当前所有粒子适应度最好的粒子的适应度；fit(i)为粒子i的适应度值。

具体地，所述步骤4中的惩罚函数为：

$H=h_1\left(B\right)*{(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{B}_i-C)}^{h_2\left(B\right)}$

其中：B为磨煤机总的给煤量；C为给定负荷对应的总的给煤量；h₁(B)，h₂(B)为经验常数

有益效果：本发明根据机组给定的负荷计算出磨煤机总的给煤量，将总的给煤量合理的分配给机组的N台磨煤机使总的制粉单耗最小；首先根据机组负荷，计算机组的给煤量，然后根据每台磨煤机的出力范围，确定出N台磨煤机的不同运行方式；运用自适应混沌粒子群算法，计算出每一种运行方式的制粉单耗，然后根据最小制粉单耗确定磨煤机的运行方式；解决了智能优化算法中的机组启停问题和粒子群算法中的等式约束问题。

除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外，本发明的一种基于自适应混沌粒子群的制粉***优化分配方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点，将在实施例中做出进一步详细的说明。

具体实施方式

实施例：

为了阐述本发明的具体实施方法，以某电厂1000MW机组中速直吹式制粉***为例，介绍应用方法完成制粉***优化的具体实施步骤，该机组为五台运行一台备用；每台磨煤机运行时的出力范围为30t/h-80t/h；

1)采集历年电厂的关于制粉***的DCS数据，包括：机组负荷及其对应的磨煤机给煤量、每台磨煤机的有功功率、制粉单耗、一次风机单耗、每台磨煤机的给煤率等相关数据；并拟合出机组负荷和磨煤机总给煤量的关系和每台磨煤机给煤量和制粉单耗的关系；公式1为机组负荷和磨煤机总给煤量的关系；

y＝0.356x+30.8 (1)

表1为根据该机组的原始数据通过最小二乘法拟合得到的各台磨煤机的给煤量与制粉单耗的关系；

表1：磨煤机制粉电耗拟合函数关系

2)当给定锅炉负荷在满负荷时，磨煤机总的给煤量为386.8t/h；磨煤机同时运行台数最少为5台；所以一共6种运行方式；

根据每种运行方式，将粒子群算法的目标函数加入惩罚函数使粒子群在寻优的时候解决等式约束问题；然后将每一种运行方式依次输入到自适应混沌粒子群算法中进行寻优；混沌粒子群寻优过程如下：

a)输入粒子群算法的基本参数，随机每个粒子的位置和速度，计算每一个粒子的适应度值；找出每个粒子的个体的最优解Pbest和全局最优解Gbest；然后计算每个粒子的惯性权重值w，跟新粒子的速度和位置，计算粒子的适应度值；

b)判断每个粒子新的适应度值是否小于此粒子的历史最优值，如果小于历史最优值，则更新此粒子个体的最优解Pbest，然后判断此粒子的适应度值是否小于全局最优值，如果小于全局最优值，则更新全局粒子的最优解Gbest；

c)判断程序迭代的进程，如果在迭代初期则将全局最优值在每台磨煤机的整体取值范围内进行混沌寻优，如果在迭代后期则全局最优值在当前最后值附近进行混沌寻优；

3)根据混沌优化值和惯性权重更新粒子的速度和位置；

4)判断是否满足终止条件，若满足终止条件则输出全局最优值Gbest；若不满足条件则继续混沌优化更新粒子的速度和位置；

5)统计出不同运行方式的制粉单耗；表2为磨煤机不同运行方式的制粉单耗情况；

表2 磨煤机不同运行方式及其制粉单耗

从表2中可以看出在给煤指令为387t/h时，制粉单耗最小的为运行方式4：A、B、D、E、F磨同时运行。制粉单耗为13.72；选出此运行方式作为机组的运行方式。

Claims (7)

1.一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于包括以下步骤：

步骤1，采集历年电厂的关于制粉***的DCS数据；

步骤2，根据机组负荷和磨煤机总的给煤量，拟合处机组负荷和磨煤机总的给煤量的函数关系，然后根据每台磨煤机的给煤量和制粉单耗，拟合出磨煤机的制粉单耗和磨煤机给煤量之间的一元二次函数关系；

步骤3，根据机组分配的机组负荷，求出总的机组磨煤机给煤量；根据磨煤机总的给煤量和每台磨煤机的出力范围，计算出磨煤机运行台数最少的所有运行方式；

步骤4，将粒子群算法的目标函数加入惩罚函数，将N台磨煤机总的给煤量的等式约束问题加入到目标函数中，然后将每一种运行方式用自适应混沌粒子群进行寻优；

步骤5，根据混沌优化值和惯性权重更新粒子的速度和位置；

步骤6，判断是否满足终止条件，若满足终止条件则输出全局最优值Gbest；若不满足条件则继续混沌优化更新粒子的速度和位置；

步骤7，统计出不同运行方式的制粉单耗，选取出制粉单耗最小的运行方式。

2.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述步骤1中的DCS数据，包括机组负荷及其对应的磨煤机给煤量、每台磨煤机的有功功率、制粉单耗、一次风机单耗和每台磨煤机的给煤率。

3.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述步骤2中将解决的问题简化成以下数学问题：

目标函数：

F＝min(F₁+F₂+L+F_n)

制粉单耗和磨煤机给煤量的函数关系：

$F_i\left(B_i\right)=a_i{B}_i^2+b_i{B}_i+c,i=1,2Ln$

约束条件为：

$\underset{i=1}{\overset{n}{\Σ}}{B}_i=C;$

B_i，min≤B_i≤B_i，max或者B_i＝0

当B_i＝0时，F_i＝0；

其中：i为第i台磨煤机；B_i为分给第i台磨煤机的给煤量；F_i为第i台磨煤机的制粉电耗；

根据机组给定的负荷计算出磨煤机总的给煤量，将总的给煤量合理的分配给机组的N台磨煤机使总的制粉单耗最小。

4.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述步骤4中混沌粒子群寻优过程如下：

输入粒子群算法的基本参数，随机每个粒子的位置和速度，计算每一个粒子的适应度值；找出每个粒子的个体的最优解Pbest和全局最优解Gbest；然后计算每个粒子的惯性权重值w，跟新粒子的速度和位置，计算粒子的适应度值；

判断每个粒子新的适应度值是否小于此粒子的历史最优值，如果小于历史最优值，则更新此粒子个体的最优解Pbest，然后判断此粒子的适应度值是否小于全局最优值，如果小于全局最优值，则更新全局粒子的最优解Gbest；

判断程序迭代的进程，如果在迭代初期则将全局最优值在每台磨煤机的整体取值范围内进行混沌寻优，如果在迭代后期则全局最优值在当前最后值附近进行混沌寻优。

5.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述步骤2中制粉单耗和磨煤机给煤量之间的函数关系为：

F(B)＝aB²+bB+c

其中：B为磨煤机的给煤量；F(B)磨煤机的制粉单耗。

6.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述惯性权重的更新方法为：

$w=w_{max}-(w_{max}-w_{min})\frac{({\mathrm{fit}}_{max}-fit(i\left)\right)}{({\mathrm{fit}}_{max}-{\mathrm{fit}}_{\min })}$

其中：w_max为惯性权重的最大值；w_min为惯性权重的最小值；fit_max为当前所有粒子适应度最差粒子的适应度；fit_min为当前所有粒子适应度最好的粒子的适应度；fit(i)为粒子i的适应度值。

7.根据权利要求1所述的一种基于自适应混沌粒子群的制粉***优化分配方法，其特征在于：所述步骤4中的惩罚函数为：

$H=h_1\left(B\right)*{(\underset{i=1}{\overset{n}{\Σ}}{B}_i-C)}^{h_2\left(B\right)}$

其中：B为磨煤机总的给煤量；C为给定负荷对应的总的给煤量；h₁(B)，h₂(B)为经验常数。