燃煤电厂节能减排评价模型和方法.doc

燃煤电厂节能减排评价模型和方法 　　摘 要 我国以燃煤发电为主，导致电力行业成为能源消耗与环境污染大户，电力行业节能减排的开展势在必行。该文从输入、生产、输出各个环节选取指标选取燃煤电厂节能减排的评价指标，利用投影寻踪方法建立了多元数据评价模型，采用加速遗传算法对该模型进行求解，实现了燃煤电厂节能减排综合评价。该模型最大限度地避免了传统评判中权重取值的人为干扰，评价结果更为客观。计算结果表明，该方法能够有效地反映燃煤电厂节能减排水平。 　　关键词 燃煤电厂 节能减排 综合评价 投影寻踪 遗传算法 　　0引言 　　随着社会和经济的发展，能源的消耗急剧增长，同时化石能源的消耗带来了环境污染，人类面临着能源危机和环境保护两方面的压力。在此背景下，节能减排已成为世界各国实现可持续发展的重要战略任务。 　　本文采用了直接由样本数据驱动的探索性数据分析方法―投影寻踪方法。所谓投影寻踪方法就是将高维数据向低维空间投影，通过分析低维空间的投影特性进而来研究高维数据的特征，是处理多因素复杂问题的统计方法。投影寻踪聚类模型则是依据投影寻踪思想建立的聚类分析模型。其基本思想是：把高维度的数据通过某种组合投影到低维度子空间上，并采用投影指标函数（目标函数）暴露评价对象集中同类的相似性与异类的差异性结构，寻找出使投影指标函数最优的投影值，然后根据该投影值的分布特征来分析原评价对象高维数据的分类结构特征。由于该模型是复杂非线性优化问题，用传统的优化方法处理较困难，本文采用基于实数编码的加速遗传算法来解决其高维全局寻优问题。 　　1 燃煤电厂节能减排评价模型与方法 　　1.1 评价方法 　　本文从输入、生产、输出环节选取影响燃煤电厂节能减排的评价指标，数据维数过高，不能直观体现出燃煤电厂节能减排效果，利用投影寻踪方法建立了多元数据评价模型，采用实数编码的遗传算法对该模型进行求解，实现了燃煤电厂节能减排综合评价。 　　1.2 基于遗传算法的投影寻踪聚类模型 　　基于RAGA的投影寻踪聚类评价模型（Projection Pursuit Classification model based on RAGA，RAGA-PPC模型）的建模过程包括以下四个步骤： 　　步骤1：样本指标集的归一化处理。 　　把步骤3求得的最佳投影方向a*代入z（i）=a（j）x（i，j）后可得到各样本点的投影值z*（i）。将z*（i）与z*（j） 进行比较，按z*（i）值从大到小排序，则可以将样本从优到劣进行排序。 　　1.3 基于实数编码的加速遗传算法 　　基于实数编码的加速遗传算法是在标准遗传算法的基础上进行改进的。由于SGA不能保证全局收敛性，为此，可采用第一次、第二次进化迭代产生的优秀个体的变量变化区间作为下次迭代时优化变量新的初始变化区间，算法进入第一步，重新运行SGA，如此加速运行，则优秀个体区间将逐渐缩小，与最优点的距离越来越近。直到最优个体的优化准则函数值小于某一设定值或算法运行达到预定加速次数，算法结束，得到最优结果。这种思想构成了基于实数编码的加速遗传算法。 　　1.4 燃煤电厂节能减排评价模型 　　从燃煤电厂选取了7个节能减排的技术监督指标，这7个指标涉及输入、生产、输出等各个环节，具有代表性、合理性。利用投影寻踪聚类模型将多维数据转化为一维投影特征值，综合反映燃煤电厂节能减排的效果。电厂基本数据为：电厂1为5?？00MW的纯燃煤机组，电厂2为2?？00MW热电联产和2?？00MW的纯燃煤机组，电厂3为2?？00MW的燃煤机组，电厂4为4?？00MW的纯燃煤机组。节能减排评价指标及投影特征值如表1所示。 　　对表2中的节能减排评价指标模型进行归一化处理，其中指标1、3为正向指标，其余为逆向指?恕９橐换?结果如下： 　　采用基于实数编码的加速遗传算法求解上述投影寻踪模型，选取初始种群规模为n=400，交叉概率Pc=0.8，变异概率Pm=0.80，优秀个体数目选定为20个，?%Z=0.05，加速次数为11，得出最大投影指标值为0.5114，最佳投影方向为（0.3936，0.4299，0.3299，0.3991，0.2450，0.4578，0.3501），求得不同燃煤电厂综合评价的投影特征值z*（j）=（0.114，1.489，2.414，0.549）。4个电厂的投影特征值分布图如图2。 　　从图2中可以直观得出，电厂节能减排效果的优劣排序为4213。电厂3为2?？00MW的燃煤机组，汽机热耗率低、锅炉热效率较高，厂用电、耗水率均较低，并且进行了脱硫脱硝处理，评价结果中电厂3的节能减排效果最好。电厂2中有热电联产机组，尽管汽机热耗率较电厂4高，但锅炉热效率较高，并且进行了脱硫处理，评价结果中电厂2节能减排效果好于电厂4。电厂1技术比