基于多目标优化的火电厂煤炭调度模型

曹锦利

基于多目标优化的火电厂煤炭调度模型

曹锦利

（辽宁大唐国际锦州热电有限责任公司，辽宁 锦州 121001）

针对火电厂的实际需求，提出了1种激光扫描与多目标优化结合的煤炭调度方案，旨在提高燃烧效率、降低环境排放，并在经济上可行。首先，利用激光扫描技术获取煤炭的形状、体积、质量等信息，并存储在数据库中；然后，采用多目标优化算法根据煤炭的种类、位置、剩余体积等因素，生成合理的调度方案；最后，输出1个最优的挖取方案及其对应的位置信息。给出了系统的整体架构图和主要模块的设计。

煤炭调度；激光扫描；多目标优化；非支配排序遗传算法

火电产业面临着能耗、环保和安全等方面的巨大挑战，煤炭配比方案的选择变得愈发重要。合理选择不同煤炭的配比对于火电厂的运营具有至关重要的影响。通过优化煤炭配比，火电厂能够充分利用不同煤炭的优点，提高燃烧效率、降低环境排放，并在经济上实现可行性。

在当前国家产业转型发展升级的要求下，煤炭的理论热值和实际燃烧产生的热值不够平衡稳定、煤炭的成本价格高昂，其他形式能源产能的增加等因素，使得火电厂需要寻求有效的方法以提高运营效率。调度中心通过信息化手段，实时得到集团多业务板块的经营状况[1]。结合发电和煤化工的煤炭需求，进行统一协同调度，根据市场变化及时调整生产计划，确保火电厂的供应稳定和经济运行。

目前调度中心的职能也在逐渐扩大，并涵盖调度计划分析等方面[2]。为保证这些职能的协调运作，综合信息调度管理系统变得至关重要。通过该系统的引入，火电厂能够综合评估煤炭需求和燃烧生产等要素，优化相关设备调度，实现煤炭调度工作的全面完善。

综上所述，煤炭调度信息管理系统的建设对于火电厂是一项重要的研究工作。

1 相关理论基础

1.1 多目标优化理论

本调度模型使用多目标遗传算法(NSGA-Ⅱ)。多目标优化算法最初根据Goldberg[3]的建议而发展起来。首先提出了非支配排序、小生境技术，进而又提出了MOGA[4]、NSGA[5]和NPGA[6]等技术。1999年，以新一代多目标优化算法SPEA被提出为标志，精英保留策略逐渐开始在多目标优化领域盛行起来。NSGA-Ⅱ、SPEA2、PESA-Ⅱ和Micro-GA[7]成为主要算法。

多目标遗传算法是一种有效求解多目标非劣解集的方法，多目标优化问题由3个部分组成：目标函数、决策变量和约束条件[8]。

多目标优化问题的数学模型如式(1)所示。

式中：(x)和(x)是约束函数，ƒ是目标函数，为目标函数的个数，为不等式约束的数量，为等式约束的个数，Ω为决策空间，和是和目标空间相对应的决策变量，为解向量，为维的目标向量，R为目标空间。

非支配排序遗传算法NSGA-Ⅱ主要由3大核心组成：拥挤度计算、快速非支配排序、拥挤度比较。

拥挤度是指种群中前沿解中每个解周围等价解的个数。拥挤度计算是保持种群多样性的一项重要环节。为了估计并计算出种群中前沿解的拥挤度距离，实际只考虑该解的平均边长，以及某个解为中心的长方形的长、宽的长度之和，该距离值实际代表的是两个相邻解的函数值的绝对归一化差。如式(2)所示。

式中：d为拥挤度距离，minmax为第个目标函数的极值，f(–1)为第个解的邻近解的第个目标函数值。

1.2 三维激光扫描

Esmaeili等[9]研究了摄影测量法是否可以在虚拟环境中执行。Oka[10]，Ohnishi等[11]，Zanutta等[12]，Haneberg[13]利用摄影测量方法来获得矿山边缘的三维信息。在摄影测量学的诸多方向中，主要的应用方向是从目标或场景拍摄获得的图像中生成3D模型，用途包括从医学到文化遗产等许多方向[14]。Al-Kheder等[15]使用激光和摄影结合测量法得到了沙漠中古老建筑的三维图像信息；Lerma等使用这种方法获得了石器时代洞穴的三维模型。Yastikli[16]，Alshawabkeh，Lamber等[17]利用这种方法获得古代文物的立体三维模型。Brosed等[18]通过激光测距仪对极其复杂的机械零件进行测量并成功获得其三维信息。Entwistle等[19]在地面使用激光测量采集到了古堡的可视化模型。

三维激光扫描仪主要由激光发射器、接收器、反棱镜和编码器组成。激光发射器向被测物发出激光脉冲，到达物体表面并反射回接收器。接收器根据反射信号的时间差距离，同时编码器记录下水平角度和垂直角度。这样就可以得到被测点的三维坐标，即为斜距，和为正交角度。被测扫描点坐标如图1所示。

图1 扫描点坐标图

被测的三维坐标可由公式(3)求得。

式中：X、Y、Z表示被测点在轴、轴、轴上的坐标。

1.3 点云数据与多层构建

三维激光扫描技术得到的点云数据包含反射强度值和三维空间坐标值。扫描得到的点云密度很高，为点云数据处理过程提供了保障。点云相关的物理模型的体积算法[20]通常有4种：凸包法、模型重建法、切片法[21]、投影法。

采用投影法来计算料堆体积，将扫描获得的料堆点云投影到－平面上，然后在－平面上对投影点进行三角剖分，在计算中假设三角形的面积为。－平面上的小三角形与目标的特征点是一一对应的，这些数据会构成一个三棱柱模型，然后将三棱柱的高作为点坐标的平均值，如式(4)所示。

=1/[3(Z+Z+Z)] (4)

式中：为三棱柱的高，Z、Z、Z分别为3个点在轴的坐标值。使用体积计算公式可求得其体积，如式(5)所示。

=∙(5)

式中：为三棱柱的体积，为三棱柱的表面积。将三维分为多个小三棱柱，通过对所有的三棱柱体积累加便可获得总体积，如式(6)所示：

式中:总为所有小三棱柱的总体积。

2 系统整体架构

针对火电厂实际需求所提出的多目标优化调度方案，为煤炭调度提供多种选择方案，能够在满足火电厂燃烧需求的前提下，考虑煤炭的种类，存储时间等因素。系统的整体架构如图2所示。

图2 系统架构图

数据获取阶段：使用多个激光扫描仪对煤堆进行多方位扫描，然后将反射的激光信号转换成点云数据，构建煤堆的空间信息。运输进入新煤和使用煤炭之后都需要再次扫描煤堆状态，并对煤量信息进行更新。

数据存储阶段：存储煤炭的位置信息、煤层的高度信息、日期信息和燃烧信息。

信息应用阶段：首先确定燃烧需求，然后调取数据库中存储的煤炭信息，计算所需的煤炭量以及不同种类煤炭的搭配，得出煤炭调度方案。

为了求解最优的调度方案，将燃烧需求作为多目标算法的目标函数，即要求最大化能量产出和最小化移动成本。根据每种类型的煤炭的位置，剩余体积和单位重量等数据作为算法输入，并结合当前位置和挖取半径等参数，计算出每种可能的挖取方案及其对应的能量产出和移动成本。最后，输出一个位置信息及其对应的最优挖取方案，即按什么顺序和方式挖取不同小块、类型和层次的煤炭。

系统架构主要包括激光扫描生成煤炭数据和多目标求解算法2个部分。首先，利用激光扫描技术获取煤炭的形状、体积等信息。然后，采用多目标求解算法，根据煤炭的质量、位置等因素，生成合理的调度方案。该系统的应用可以帮助火电厂全面考虑煤炭设施和生产的各种因素，优化相关工作流程、指导资源分配，实现煤炭调度工作的智能化。

3 系统实施方法

3.1 三维激光扫描

测量煤堆是将得到的点云信息转换成可视化三维模型[22]，再使用投影法对模型进行计算得到其体积结果。料堆体积测量的设计包括2部分：三维激光扫描仪、数据处理，如图3所示。

图3 激光扫描框架图

在煤场的多个位置进行三维激光扫描仪器的固定，以实现对整个区域的全覆盖扫描。每次完成扫描后，获取煤堆的点云数据，并将其导出存储，经过计算得到三维模型和体积信息。激光扫描系统包括数据采集、点云过滤、点云精简、点云分割、三角剖分、体积计算和数据存储。首先对被测煤堆进行扫描，获取其点云信息；然后对煤堆的点云进行精简处理，去除小尺度的噪声对体积结果的影响；最后通过投影法计算煤堆的体积结果[23]。

三维激光扫描仪按照预定的时间间隔对煤堆进行扫描，从而获取煤堆的点云数据。这些数据用于计算煤堆的体积等相关信息。然而，这种设备并非完美无缺，它可能受到一些因素的影响，从而导致数据的准确性降低。煤堆周围会有大量粉尘飘散，这些粉尘会干扰激光扫描仪的工作。另一个因素是设备自身的误差。激光扫描仪在工作过程中，可能会因为温度、湿度、震动等原因，产生细微的偏差，这些偏差也会影响点云数据质量。

为解决上述问题，需要对点云数据进行一些处理。首先进行异常值检测，以筛除那些明显不属于煤堆的点。这些异常值可能由粉尘或其它物体引起。其次，需要对点云数据进行一定程度的精简，减少数据的处理量。因为煤堆本身并不是很平滑的物体，所以点云数据本身就会有小的误差，这些误差可以直接忽略不计。通过一些算法对点云数据进行简化，只保留那些能够反映煤堆几何结构和大体特征的点。最后，需要对点云数据进行三角剖分，得到煤堆表面的三角网格模型。可以使用Delaunay三角剖分法来实现这一步骤。

三维激光扫描仪对煤堆进行扫描得到的图像如图4、图5所示。图4是常规情况下对煤堆的形状扫描得到的数据点云数据；图5考虑的是其他情况下扫描得到的数据及其点云数据。展现了三维激光仪面对多种情况的实用性。

图4 正常煤堆点云数据图

图5 异形煤堆点云数据图

3.2 目标调度

在实际的煤炭传输过程中，煤炭旋斗是一种常用的挖掘设备，它能够在一定范围内旋转和移动，将煤炭从堆积处运送到指定的地点，如皮带机或火车车厢等。为了确保煤炭旋斗的挖取效率和稳定性，假设煤炭旋斗的挖取路径是一个固定的参数，即在每个单位时间内，煤炭旋斗在不改变挖取半径的情况下，能够挖取到的煤炭体积是恒定的。煤炭旋斗的移动会增加能量消耗和维护成本，同时会延长挖取时间，影响整个厂区的生产效率。因此，在满足煤炭需求的前提下，应尽量减少煤炭旋斗移动的次数和距离，使其能够在一次调度中完成所有的挖取任务。

目标调度算法旨在提出一种有效的调度算法，将不同种类煤炭的燃烧产生量作为优化目标。算法的输入包括煤炭堆的三维图像数据、煤炭旋斗的挖取半径和单位时间的挖取量，以及每种类型的煤炭在堆积中的分布数据和各自的燃烧比值。算法的输出是最优的挖取方案和路径，旨在最大化能量产出并最小化移动成本。

该算法采用分层的方法进行求解，从第一层煤炭开始，逐渐增加挖掘深度，考虑更多层次的煤炭。具体步骤包括调取每层煤炭的三维数据，确定煤炭旋斗的挖取范围，遍历每个小块煤炭并计算其是否在挖取范围内，记录候选集合的煤炭总体积和总能量，并判断是否满足燃烧需求。然后，将满足条件的候选集合作为可行的挖取方案，并记录移动成本。随后，继续考虑更多层次的煤炭，逐渐增加挖掘深度，直到达到最大深度或找到所有可行的挖取方案为止。最后，根据每种方案的移动成本和能量产出，选择一个最优的方案作为最终输出。

该算法使用遗传算法作为优化方法，将挖斗的移动量和煤炭总价值作为目标函数，并将满足燃烧需求作为约束条件。优化参数包括迭代次数、交叉概率和变异概率。编码方式采用二维或三维数组来表示每种煤炭的配比，解码方式根据配比和堆积位置确定挖取次数、路径以及计算挖斗移动量和煤炭总价值。邻域搜索策略采用随机或启发式的方法来改变煤炭配比，如增减某种煤炭的数量或交换不同层次煤炭的数量等。

4 总结

介绍了一种基于激光扫描和多目标求解算法的煤炭调度信息管理系统，旨在提高火电厂的煤炭调度效率和质量。首先分析了煤炭调度工作的重要性和现状，指出了信息化技术在煤炭调度中的作用和价值。然后，详细介绍了系统的架构，解释了利用激光扫描获取煤炭数据，以及如何采用多目标求解算法生成优化的调度方案。最后，提出的煤炭调度系统能够有效的解决火电厂的煤炭需求问题，扩展了不规则目标测量的应用前景和发展方向。同时为火电厂的煤炭调度工作提供了一种新的思路和方法。

[1] 李伟栋. 煤矿调度运用综合调度管理信息系统的探讨[J]. 能源与节能, 2017(1): 26-27.

[2] 刘艳芬. 浅析调度信息化建设对煤矿安全生产的重要性[J]. 中国管理信息化, 2019, 22(8): 58-59.

[3] G DE. Genetic Algorithm in search, optimization, and machine learning[M] Boston: Addison-Wesley Longman Publishing, Co., Inc., 1989.

[4] Fonseca C M, Fleming P J. Genetic algorithms for multiobjective optimization: formulation discussion and generalization[C]//Icga. 1993, 93: 416-423.

[5]Srinivas N, Deb K. Muiltiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary computation, 1994, 2(3): 221-248.

[6] Horn J, Nafpliotis N, Goldberg D E. A niched Pareto genetic algorithm for multi-objective optimization[C]// Proceedings of the first IEEE conference on evolutionary computation. IEEE world congress on computational intelligence. IEEE, 1994: 82-87.

[7] Coello Coello Coello C A, Toscano Pulido G. A micro-genetic algorithm for multiobjective optimization[C]//International conference on evolutionary multi-criterion optimization. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001: 126-140.

[8] 刘楠楠. 基于进化算法的多目标优化算法及应用研究[D]. 南京: 南京航空航天大学, 2010.

[9] Esmaeili H, Thwaites H. Virtual photogrammetry[C]. International Conference on Virtual System & Multimedia IEEE, 2016: 1-6.

[10] Oka N. Application of photogrammetry to the field observation of failed slopes[J]. Engineering Geology, 1998, 50(1/2): 85-100.

[11] Ohnishi Y, Nishiyama S, Yano T, et al. A study of the application of digital photogrammetry to slope monitoring systems[J]. International Journal of Rock Mechanics and Mining Sciences, 2006, 43(5): 756-766.

[12] Zanutta A, Baldi P, Bitelli G, et al. Qualitative and quantitative photogrammetric techniques for multi-temporal landslide analysis [J]. Annals of Geophysics, 2006, 49(4): 1067-1080.

[13]Haneberg W C. Using close range terrestrial digital photogrammetry for 3-D rock slope modeling and discontinuity mapping in the United States[J]. Bulletin of Engineering Geology and the Environment, 2008, 67(4): 457-469.

[14]Blanchard C L, Radu I, Sadaka M, et al. Smart stackingTMtechnology: An industrial solution for 3D layer stacking[C]//2011 IEEE International Conference on IC Design & Technology. IEEE, 2011: 1-4.

[15] Al-Kheder S, Al-Shawabkeh Y, Haala N. Developing a documentation system for desert palaces in Jordan using 3D laser scanning and digital photogrammetry[J]. Journal of Archaeological Science, 2009, 36(2): 537-546.

[16] Yastikli N. Documentation of cultural heritage using digital photogrammetry and laser scanning[J]. Journal of Cultural heritage, 2007, 8(4): 423-427.

[17]Lambers K, Eisenbeiss H, Sauerbier M, et al. Combining photogrammetry and laser scanning for the recording and modelling of the Late Intermediate Period site of Pinchango Alto, Palpa, Peru[J]. Journal of archaeological science, 2007, 34(10): 1702-1712.

[18] Brosed F J, Aguilar J J, Guillomía D, et al. 3D geometrical inspection of complex geometry parts using a novel laser triangulation sensor and a robot[J]. Sensors, 2010, 11(1): 90-110.

[19] Entwistle J A, McCaffrey K J W, Abrahams P W. Three-dimensional (3D) visualisation: the application of terrestrial laser scanning in the investigation of historical Scottish farming townships[J]. Journal of Archaeological Science, 2009, 36(3): 860-866.

[20] 张春森, 张奇源, 南轲. 多视几何无人机影像堆体体积量算[J]. 西安科技大学学报, 2019, 39(1): 124-129.

[21] Ellum C, El-Sheimy N. Land-based mobile mapping systems[J]. photogrammetric engineering and remote sensing, 2002, 68(1): 13-17.

[22] 黄丽, 蔡恩琪, 魏丽琼. 三维可视化矿体模型的构建:基于非标准空间网格化建模技术[J]. 中国锰业, 2018, 36(1): 156-159.

[23] 梁倩倩. 煤炭等大宗散货堆体体积测量方法研究[D]. 大连: 大连海事大学, 2017.

Coal Scheduling Model of Thermal Power Plant Based on Multi-Objective Optimization

CAO Jin-li

（Liaoning Datang International Jinzhou Thermal Power Co., Ltd, Jinzhou 121001, China）

According to the actual demand of thermal power plant, a coal scheduling scheme combining laser scanning and multi-objective optimization is proposed to improve combustion efficiency, reduce environmental emissions, and realize economic feasibility. Firstly, the laser scanning technology is used to obtain the shape, volume, quality and other information of coal and store it in the database. Then, the multi-objective optimization algorithm is used to generate a reasonable scheduling scheme according to the coal type, location, residual volume and other factors. Finally, an optimal mining scheme and its corresponding position information are output. The overall architecture diagram of the system and the design of main modules are given.

coal scheduling; laser scanning; multi-objective optimization; nondominated ranking genetic algorithm

10.15916/j.issn1674-3261.2023.05.002

TP391

A

1674-3261(2023)05-0288-05

2023-06-15

曹锦利(1980-)，男，河北唐山人，经济师，学士。

责任编辑：孙 晶