TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.5, May 2014, pp . 3728 ~ 37 3 6   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i5.5107          3728     Re cei v ed  No vem ber 1 1 , 2013; Re vi sed  De cem ber 2 3 ,  2013; Accep t ed Jan uary 8 ,  2014   An Optimization Model of Coal Allocation in a Group      Jianjian Zha o, Yunhua G a n*, Xiaoqian Ma, Zeliang Yang  Schoo l of Elect r ic Po w e r, Sout h Chi na Un iver sit y  of T e chnol og y   Guangzh ou 5 106 40, Ch ina,  T e l/fax: + 86-20 -871 106 13   *Corres p o ndi n g  author, e-ma i l :gan yh @scut. edu.cn       A b st r a ct   T he frame of a n  opti m i z at ion  mo de l of coal  a llocti on i n  a p o w e r gener atio n grou p w a s introduce d   in pres ent stud y. T he influenc e of mu lti-c oals  blen din g  an d transp o rtatio n w e re all consi d ered i n  the mo del.   F i rstly, the i m p a ct of eac h pr ocess  of c oal   usin g o n  the c o st of pow er   g ener ation  an d  boil e r saf e ty in  the   combusti on pr ocess w e re a n a ly z e d,  an d th e deta ile d  mat h e m atic al d e sc riptio ns w e re g i ven. A  mu lti-c oals   ble ndi ng  math ematica l  mod e l  base d  o n  sa fty, envir on me ntal prot ection  and cost w a s propos ed. T h e   opti m i z at ion   mode l of c o a l  tr ansp o rt atio n  i n   the pow er ge nerati on gro u p   to ac hiev e th e  most b enefit  w a s  establ ishe d.  T he alg o rith ms  of  thes e   mo del s w e re stud ie d  an d fo und  tha t  the g e n e tic  al gorith m  is  on e  of  the su itab le  methods  to s o lv e the   mo dels.   An o p ti mai z t i o n  syste m  f o r t he c oal  a lloc a t i on  in  the  p o w e r  generation gr oup was deve loped based on the  mode ls  and algorit hm s. T he syst em   adopts friendly  softw are structure a nd ca n p r ovid e pers o n a li z e d  f uncti on s for the pow er ge nerati on  grou p an d p o w er  plants.    Ke y w ords :   pow er ge ner ation  grou p, mu lti- coals  bl end i ng, coa l  al loc a tion,  mu lti-ob j e ctive  o p ti mi zation   mo de l      Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  In China,  co al is the p r i m ary ene rgy  used  i n  the  indu stry pro d u ction, an d the po we r   indu stry is a  larg e  cou s u m er  of  coal  reso urce s. Ho wever, th e di stributio n im b a lan c e  of co al  resou r ces a nd p o wer  g eneration  en terpri se s i s   very serio u s in  Chia n.  The l ong  te rm  perfo rman ce  of electri c al coal sup p ly an d deman d is that the coal sho u ld be tra n sp orted fro m   the we st to the east a s  well  as from the n o rth to the so uth [1].    On the other hand, with the increa sin g  of  coal pri c e an d the sho r tage of the co al   transpo rtation ,  more  a nd m o re  thermal  p o we r  pl ant  ha s n o  lo nge r  si ngly u s ed  the  de sign ed  co al,  but adopted  the multi-coa l s blendi ng tech nolo g y to sovle these  problem s. Accordi ng to the   operation ex perie nces from many thermal po we r plants, the technolo g y can expa nd  the  extensio n of purcha s in g coal s ource s, optimize  th e coal  tran spo r t, then achi e v e the goal  of  redu cin g  the operation cost of thermal pow e r  plant s a nd po wer g e n e ration g r o u p  [2].  For a p o wer  gene ration g r oup, co al su p p ly is  a larg e  system an d i n volves a nu mber of  different a r ea s, incl uding  coal  su pplie r, logisti cs  ent erp r ise, tran sit logistics  ce nter an d ea ch  power pl ant i n  the g r ou p. Scientific  an d effici ent  co al allo cation  sho u ld p r edi ct coal d e ma n d   based  on th e  “Coal -furnace" couplin g,   coal  storage  si tuation a nd l o ad trend  in  e a ch  po we r  pl ant  in the gro up, integrate the  coal  sou r ces  inform atio n o f  coal su pplie r, optimizethe deployme nt  of  variou s tran sportation m e ans, an d ma ke coal s upp lier, logisti cs  provide r  and  thermal po wer  plant form a close d  cycl e [3].    In orde r to improve the  competitivene ss of  a po we r gene ratio n  grou p, an opt imization   model  of co al  allocation  ba sed  on  multi-coal s bl endi n g  techonol gy  is a  ne ce ssity  [4-5].   Jin a n d   Kwang[6] prese n ted a methodol ogy, multiagent -sy s tem-ba sed i n telligent ref e ren c e g o vernor  (MAS-IRG), to reali z e th e  optimal ma pping  by se arching fo r t he be st solu tion to the  multi  obje c tive opti m ization  prob lem that tackl e s  conf li cting  req u irem ent s an d foun d that MAS is a n   efficient meth odolo g ies to  desi gn the  IC system f o r a  com p lex la rg e-scal e p o we r pla n t. A novel   plant o p timization te chniq ue  wa s deve l oped  u s ing  geneti c  alg o rithms  (GA) to maximi ze t h e   overall  reve nue  gen erat ed by  a  co al p r epa ratio n  pla n t by  sea r ching  th e be st p o ssible   combi nation  of overall  yield and  multiple p r o duct q uality con s traints [7]. Experimenta l   investigatio ns into the  igni tion be haviors of  pulve rized  coal s  and  co al bl end s in a  d r op  tu be   furna c e  u s ing  a flam e m oni toring  sy stem  we re  carried   out. The  igniti on b ehavio rs  of a  co al bl en d   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Optim i zation Model of  Coal Allo catio n  in a Grou p (Jianji an Zha o )   3729 are foun d to have simila r cha r a c teri stics as the  coal  of higher volatile matter in the blend a nd  depe nd  on it s p r op ortio n   in the  blen d.The  re sults from thi s   stu d y are  u s ed  to p r edi ct t h e   operation of a  coal  fired p o we r  pl ant  in   terms of fuel   sele ction,  fu e l  blen ding,  an d flame  sta b ility  [8].   Ba s e d o n  ther ma l po we r  ind u s tr y SO 2  e m issi on  data  from stat e de partme n t aut horitie s,  con s id erin g the main  fact ors of China' s the r mal p o w er indu stry  SO 2  pre d ict ed emi ssi on,  a  combi nation  predi ction m o del wa s e s ta blish ed, co nn ecting g r ay p r edictio n mod e l with BP ne ural  netwo rk mo d e l to predict  SO 2  emissi on  [9]. A study  pre s ente d  an  investigation  on the influence  of hydroth e rmally treate d   munici pal  soli d wast e ( MS W) on  th e co -comb u stio n chara c te risti c s  with  different ra nk coal s, i.e. Indi an, Indon e s ian a nd Au stra-lia n co als.  These experimental re sult s  help to unde rstand a nd predict the beh avior of  coal  and MSW bl end s in pra c t i cal appli c atio ns  [10]. A numerical solutio n  wa s prese n ted to  the con s trai ned  non-li nea r o p timization  o f  a   multivariable   obje c tive fun c tion utili zing  Exce l spre a d sh eet. The  method i s   ca pable  of han dling  any num ber  of sou r ce  co als  with different si ze  fracti ons [1 1]. Co mparative co mbustio n   stu d ie s  were pe rform ed on p a rti c les of pulve ri zed  coal  sa mples f r om t h ree  different  ran ks: a hi gh- volatile bituminou s co al, a sub - bitumi no us coal, and t w o lignite  coa l s [12].   Siti et al. [13] investig ate d  the b ehavi our of  Malay s ian   sub-bitu minou s coal  (Mu k ah  Balingian), oil palm biomass (em p ty fruit bunches (EF B ),  kernel shell (PKS)  and mesocarp fibre  (PMF)) and t heir respectiv e  blend s du ri ng pyroly si s  usin g therm o gravimetri c a nalysi s  (TGA ) .   The  study inv e stigate d  the   comb ustio n  p r ofiles of  tob a c co  stem, hig h -sulfur bitum i nou s  coal  an d  their ble n d s   by thermo gra v imetric a nal ysis.  Ignition  and b u rn out  perfo rman ce s, heat relea s e   perfo rman ce s, and gase o u s  pollutant e m issi on s we re also stu d ie d by thermo gravimetri c a nd  mass  sp ectro m etry an alyses [1 4].  Th e  comb usti o n  b ehavior an d e x cess  heat  re lease d u rin g  t h e   oxy-fuel com bustio n  of blended coal s were inve stigat ed experim e n tally using a  non-i s othe rmal  thermo gravim etric analy z e r .   For intera ction  beh aviors o n   cha r acteri stic te mperature s ,  the  volatile relea s e temp eratu r e shows a n  additive  beh avior; however, ignition a nd burnout t e m-   peratu r e s  sho w  non -ad d itive behavio rs f o r blen ded  co als [15].  In pre s e n t  study, the co mbined  effect of  tran sp ortation an d  multi-coal s b l endin g   comb ustio n  o n  the total  co st of po we r g enerati on  wa s inve stigate d  ba sed  on t he meth od of  coa l   manag eme n t and all o catio n  in a p o wer  gene ration  group. Th e opti m ization  co al  purcha s in g a nd  transpo rtation  paths for ea ch po we r pla n t in t he gro up we re dete r mine d by the introdu ction  of  multi-coal s bl endin g  com b ustion mo del  and coal tran spo r tation an d allocation  model.       2. Frame w o r k of an Op timal Allocati on Model   Traditio nal fuel coal tra n sp ortation  model  often  use the lowe st transpo rt cost a s   obje c tive fun c tion.  But for a po we r ge neratio n g r ou p, it is more  compl e x due  to many fact ors,   such as deli v ery fee, arrival time, coal dema nd, coal species,  auxilia ry unit costs, and  environ menta l  requi reme nts. It is a multi-obje c tive  opt imal issue. T he wh ole  pro c e ss of  fuel coal  prod uctio n  a nd u s ing, f r o m  minin g  to  comb ustio n , i n volves m a n y  factors, an d it is  sh own  by  Figure 1.          Figure 1. Flow Ch art of Co al Flow Di re ct ion       For the  pro c ess of coal  comb ustio n  i n   a po we r  plant, usi ng  multi-coal s b l endin g   technology may  affect combustion stability,  er osion, fouling,  overte m perature of  heating  surfa c e s ,  sl aggin g  in t he furnace,  unit ope ra tion efficien cy and i n creasi ng el ect r icity  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3728 – 37 36   3730 com s um ption  of auxiliary equipme n ts. Thu s , th e co al spe c ie s ad apta b ility and the   comp re hen si ve benefits all  shoul d be co nsid ere d  in the model.   For the  pro c e ss  of co al tra n sp ortation, t he fi nal lo we st comp reh e n s ive price at th e entry  of ea ch  plant  is the m a in   goal. A c cordi ng to  t he  sel e cted  coal  speci e s by th e allo catio n   and   blendi ng syst em  in ea ch power plant,   the  opt im al  purch asi ng  scheme  can  be a c hi eve d  by  filtering co al quality, sele cting pat h, and  predi cting the  additional  co st.   So, for the  whole  pro c e ss of coal  allo cation in  a  group, the  mod e l mu st  con s i der th e  most suitable  coal  spe c ie s and the b e st  transpor t a tion path, and t hen obtai n th e bigge st be n e fit  for the powe r  gene ration  group. The  optimal me thod ro ute of coal allo cati on in a power  gene ration g r oup is  sho w n  by Figure 2.           Figure 2. Optimal Method  Route of Coal  Allocation in  a Grou p       3. Optimizati on Multi-co a l s Blending  Model in a Po w e r Plant  Multi-coal s  blendi ng mo del ne ed  consi deri ng  many facto r s, such  a s  ignition,  comb ustio n , slag ging  cha r acteri stics, a nd is a  multi-obje c tive optimization i s su e [6]. The model  can b e  de scri bed by,    12 ( ( ) , () , , () ) mi n    y x x x p ff f   ( p<K )                                                                              (1)    Subject  to:    12 () ( ( ) , () , , () ) 0 xx x x L gg g g                                                                (2)    Whe r e,  x  i s  v a riabl e vecto r ,  f ( x ) i s  obje c t i ve function,  y  is  obje c tive function ve ct or,  g ( x )  is co nst r aint condition.     3.1. Objectiv e Functio n s    The  com p re hen sive e c o nomic indi ca tors of p o wer  plant  we re u s ed  a s   obje c tive   function s, incl uiding  coal p r ice cost, ope ration co st an d environ men t al cost.   (1)  Coal p r ic e  cost   If the standa rd co al p r ice  i s   P 0  (Yua n/ton), the ave r a ge calorifi c v a lue of bl end ed coal i s   Q avg (kCal/kg ),  the price i s   P avg ,  the saving co st und e r  a ce rtain m u lti-co als bl e nding meth o d  is   expre s sed a s ,    10 7 000 avg avg P PP Q                                                                                                                                    (3)     (2) O p e r ation  cost   The op eratio n co st mainly  inclu d e s  the  power   con s u m ptions  of co al pulveri zin g  system  and fan  sy ste m . Assuming  the po we r  comsu m ption  per   wei ght p u lverized  coa l  for ea ch  ki n d  of  fuel coal all i s  s (kWh/ton ) , the increa sin g  of operatio n  cost is  cal c ul ated by,    2 7000 (1 ) y av g P sP Q                                                                                                                               (4)     Whe r e, P y  denotes the p r ice of electri c ity to power g r id , Yuan/kWh.  (3) Environm ental co st   Environme n tal co sts co n s ist pri m arily  of  desulfuri zation co sts,   limestone costs  a nd  se wag e  ch arges. Assu mi ng the de sul f urizatio n e ffic i enc y  is   s a me for different units . The  environ menta l  cost s ca n be  expresse d a s :    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Optim i zation Model of  Coal Allo catio n  in a Grou p (Jianji an Zha o )   3731 2 3 ( 700 0 / ) SO av g a v g PU S Q                                                                                                                    (5)     Whe r e,  2 SO U (Yua n/ton) de note s  the fixed de sulfuri z atio n cost in cludin g  l i meston e sl urry  co st and emi ssi on s enviro n mental cha r ge.  S avg (%) is the average  sulfur.   Based  o n  t he a bove th ree  si de s, the o b je ctive functio n   of multi-coal s blen din g   optimizatio n model is a s  followin g :     12 3 F PP P   mi n                                                                                                                     (6)     3.2. Cons trai nt Con d ition s   The m a in  co n s traint  conditi ons a r e  all  co me fro m   coal   quality. The  n online a r  rel a tinshi ps  are u s ed to calcul ate co al quality, and a r e expe re sse d  as follo wing :    Calorific value:  ,, , , , Aq i i i i i i B Qf X Q M A V F Q                                                                           (7)    Sulfur:  , As i i B Sf X S S                                                                                                                      (8)    Mois ture:   ,, , Am i i i i B M fX A V F M                                                                                               (9)    Volatile matter:  ,, , , Av i i i i i B Vf X M A V F V                                                                                (10)    As h:  ,, , Aa i i i i B A fX A V F A                                                                                                            (11)    Ash melting p o int: As t ST f (X i ) B ST                                                                                               (12)    Whe r e,  A  is l o wer limit,  B  is up per li mit,  i  is ea ch  co al  sampl e . And  f  is no nlinea r f unctio n  of ea ch  variable, an d can b e  cal c ul ated by the neural n e two r k method.       4. Transpor tation Model   4.1. Objectiv e Functio n s    In orde r to o b tain the obj ective fun c tions of coal transportatio n   model, the f o llowin g   factors shoul d be co nsi dered.  (1) T r an sp ort a tion dista n ce  The tran spo r tation di stan ce impa cts di rectly on  tran spo r tation  co st an d tra n sp ortation   time, which  were ge ne rally a linear  relati onship with transport di sta n ce.   (2) T r an sp ort a tion co sts  For the e c o nomic inte re st of the power  g ene rati on gro up, redu cing the  cost of  transportation will bring  co al cost reduction.   (3) T r an sp ort a tion time  Coal  needs t o  be delivered to  power plant within the sti pul ated t i me; otherwi se it will  affect the normal power  generation. Meanwhile , the  shortening of  the transport time will reduce  the co st of the whol e tran sport process.   The optim al  obje c tive is t he minim u m  total co st and  the sh orte st  transpo rt time, and i s   expre s sed a s :                                                                            (13)                   Where,  and  are weig hing co e fficients,    is adju s ting co efficient,  ,1 k ii C is the  transpo rtation  expen se  fro m  no de  i  to  nod e  1 i  by t r an spo r tation  mod e l  k . kl i p  is  the  transpo rtation  expen se at  node  i  by the  transpo rtatio n model  co n v erting from  k  to  l ;when  ,1 k ii x  is 1, it mean s the tra n sportation model  use d  is  k  from node  i  to node   1 i ;when  ,1 k ii x  is  ,1 , 1 ,1 , 1 k k kl kl ii ii i i ik i k l k k kl kl ii i i i i ik ik l M in Z x C y p xH y t               Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3728 – 37 36   3732 0, it means n o t using tran sportation m o del  k ;whe n  kl i y  is 1, it means t he tran sp orta tion model  c onverts  from  k  to  l  at no de  i ; when  kl i y  is 0, it mean s the tra n sp ortation m o d e l  k  will   conve r t to another o r  not coverting.     4.2. Cons trai nt Con d ition s     ,1 1 k ii k x                                                                                                                                            (14 )     1 kl i kl y  i                                                                                                                                        (15 )     1, , 1 2 kl k l ii i i i x xy   ,, ik l                                                                                                                        (16 )     1   0, 0                                                                                                                                 (17 )     ,1 ,1 k k kl kl ii ii i i ik ik l x Hy t T                                                                                                       (18 )      ,1 ,0 , 1 kk l ii i xy ,, ik l                                                                                                                            (19 )     Whe r e, Equ a t ion (1 4) i ndi cate s only  on e  mod e   of  transportatio n  can be used betwe en  two tran spo r t a tion node s; Equation (1 5) indica te s onl y one transfe r model can  be used in o ne  node; Eq uati on (16) is  used to e n sure  the con s is te ncy of the  whole tran spo r t pro c e ss, if t he  transpo rtation  model   conve r ts from  k  to  l  at  nod e  i , the   transpo rtation  model  u s e  k   fr o m  th e n ode   i -1 to node  i ;  Equation (1 7) indi cate s the sum of th e  weight coe fficients is 1;  Equation (1 8)  indicates the  total transp o rtation time sh ould be  le ss  than the spe c ified latest a rrival time; and  Equation (19) means that t he value s   of variable s  a r e  limited to 0 or 1.      5. Optimizati on Model an d Soft w a re S y stem of Coal Allocation  in a Group         Based on  the above me ntioned mo de ls, an optimi z ation model o f  coal allo cati on in a  power g ene ration group  can  be o b ta ined. In o r d e r to p r ovid e su ppo rt a nd gui deline  of  engin eeri ng  pra c tice,  a  software   syst em i s  d e sin ed b a sed  on  the o p timization mo del.  The   sof t w a r e  sy st em u s ing B / S  st ru ct ur e, u s ers can e a sil y  visit it by  using  a web b r owse r. And t he  netwo rk top o l ogy dia g ra m  of it is sho w n  in  Fi gure 3. The software   syste m  wa s desi gne d  u s i ng  modula r i z atio n method, an d the main m odule s  are sh own in Fig u re  4.  The main fun c tion s of the system a r e a s  followi ng s:  (1)  Group  u n ified de ploy ment mod u le . It is a key  deci s io n-m a king  pro c e ss and i s   divided into the multi-coal s blen ding d e c isi on an d tra n sp ortation  ro ute optimizati on de cisi on.         Figure 3. System Netwo r k Topolo g y  i Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Optim i zation Model of  Coal Allo catio n  in a Grou p (Jianji an Zha o )   3733     Figure 4. System Functio n  Diag ram         (2) P o wer  pl ant real-tim e  status mo dul e.  It  is used to  sh ow  unit  operation dat a,  flow  dire ction of coal, store d  co al status in th e coal  yard a nd ra w co al d y namic st ratified inform atio n.  Unit o peratio n pa ram e ters: di splayin g  the m a in  o peratin g p a rameters, the  cu rrent  prog ram  of coaling, o pera t ion  optimization pa ram e te rs  of co al  pul verize r a nd p r oviding  ala r m  whe n  there a r e exceptio n d a ta.  Gene ral situ a t ion of coal yard: displayin g  two-dim e n s ional map an d three-dime nsio nal  map of coal y a rd, an d the  name of  coal,  coal q uality informatio n, st ored tim e , he ight, area s  ca n   be displayed  on ea ch  coal  dump. Wh e n  the co al  yard op erato r s finish coal pil i ng and  coali ng,   they will upda te the store d  coal d a ta of coal yard.   Ra w  coal  dy namic:  re al-ti m e tra c king   of diffe re nt ki nds of  coal   enterin g into   the coal  yard, and  cal c ulatin g co rre s po ndin g  co a l  height, layers, wei ght and  coal q uality data. Wh en the   coal i s  about  to chang e, this mod u le can remi nd th e field operator of ope rati onal state of  the   main co al pul verize r.   (3)  Data  entry module: thi s  mod u le i s   mainly  used t o  provid e gro up fuel de pa rtment and   power plant staff  with  ente r ing ch annel  of  coal   qu ality information  and  real -tim e tran sp ort  cost.  The users can   ente r  correspon ding   inform atio n  at  spe c ifie d lo cation.   The  system  will   automatically update the d a t abase to ensure  the a c curacy of deploy ment re sults.   (4) Data q uerying mod e l:  this  mo dule  i s  u s e d  to provid e users  with daily  statisticalstat e ments,  which in clud es hi stori c al   co al  transpo rt rout e, hi sto r i c al coal   pu rcha si ng  amount, tran sport co st curv e, pie cha r t of  powe r  plant  store d  co al a m ount and  so  on.  (5)  Data  set  module: thi s   module i s  m a inly use d  to p r ovide o p e r ati on setup fun c tion for   privilege d u s ers. It is  used  to set ble ndi ng bo und ary  con d ition s , transport o p tim i zation  bou nd ary  con d ition s , operatin g pa ra meter ala r m value,  user inf o rmatio n permissi on an d so on.      6. Results a nd Analy s is  6.1. Information Databas e  and Algorithm         The information a bout  20  kin d s of  coal s i s   sh o w n i n  T able   1, and  it wa s u s e d  a s   a  databa se to  cal c ulate the  optimization  model of  co al allocation  in a gro up. And the gen etic  algorith m  [7] wa s used to solve the abov e mentione d model s.           T h re e ki n d s of  coal  were  sele cted  to be blen d ed in the o p t imization p r oce s s, the   sea r ching  ran ge of the ratio  is from 10% to 90% and th e accuracy of  the ratio is 1 % .  The co nst r ain t  condition s were set as foll owin g:    Calorific value ： 50 25 ≤ Qn et ≤ 5735(kCal/k g)                                                                                (20)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3728 – 37 36   3734 Moisture ： 0<M ≤ 7(%)                                                                                                                          (21)    Volatile ： 23 ≤ V ≤ 28(% )                                                                                                                           (22)    Sulfur ： 0< S ≤ 1.3(%)                                                                                                                                (23)    As h ： 0< A ≤ 19(%)                                                                                                                                   (24)    The  stand ard  co al p r ice i s  assum ed  as 100 5  yuan/t on, the  elect r ic ity co nsum ption of  auxiliary is 11.5kWh/t, the desulfurization fixed co st  is 100 yuan/t, desulfuri zat i on efficiency is  90%, and the  electri c ity pri c e is 0.4 yua n /kWh.       Table 1. Co al  Information  Datab a se   Coal  Number   Heat   (k Cal / k g )  Moisture  (%)   Volatile   (%)   Ash  (%)   Sulfur  (%)   Price  (Y u an/t)  01 5032   1.13  18.27   29.54   1.48  580  02 4398   13.53   35.84   2.02  0.41  450  03 4979   8.56  24.77   10.39   0.21  560  04 4843   9.69  27.43   8.70  0.25  530  05 4742   10.66   30.66   6.96  0.29  490  06 5539   9.76  29.27   7.56  0.27  630  07 5333   5.31  33.53   16.70   0.39  595  08 5433   5.08  25.45   16.61   0.87  610  09 5029   6.03  28.21   15.14   0.78  570  10 4572   11.70   41.99   4.73  0.10  460  11 5597   1.67  11.87   22.70   0.44  640  12 5825   1.43  14.93   21.50   0.35  670  13 5709   0.78  15.72   21.82   1.08  650  14 6167   1.36  18.79   20.25   1.16  750  15 4665   0.83  23.45   31.83   2.98  480  16 6150   2.06  10.00   17.39   0.25  690  17 4761   9.63  32.31   6.46  0.68  500  18 4780   8.07  29.14   13.79   0.25  520  19 4831   8.24  28.41   12.86   0.24  525  20 4924   8.43  26.77   11.40   0.22  540      6.2. Calculated Res u lts o f  Optimi za tio n  Multi-coals  Blending M odel  The ge netic  algorith m  wa s used to solv e the mo del and the  Matlab software  wa s  applie d in th e process  of cal c ul ation.  The m a ximu m num ber of  iteration s   was  sel e cte d   as  terminatio n condition s. It was set as 50 0 .  Part of  the computation a l results is  sho w n in Tabl e 2 .     Table 2. The  Operation Re sults of Ge ne tic Algorithm   No. Individual  code   Heat  value  (k Cal / k g )  Water   content  (%)   Fugitive  constituent  (%)   Ash  content  (%)   Sulfur  content  (%)   Target  value  1  1  19  11 34 33  33  5151   3.66  19.504   21.78   0.72  115.1   2  20 19  1  30 27  43  4943   5.24  23.588   19.59   0.767   111.1   3  11 7  2 40  40  20  5252   5.498   25.328   16.17   0.412   170.2   4  10 16  1  34 37  29  5290   5.068   23.275   16.61   0.555   162.7   5  2 20  6 39  22  39  4957   10.94   31.282   6.244   0.314   196.2   6  17 4  3 35  47  18  4838   9.566   28.659   8.22  0.393   186.6   7  11 20  1  38 36  26  5209   3.964   18.898   20.41   0.631   127.9   8  20  8  13 34 31  35  5357   4.714   22.493   16.66   0.723   124.8       6.3. Calculated Res u lts o f  Trans porta tion Model   The ge netic  algorith m  wa s also u s ed  in t he solvin g of the mo del. For exa m ple, the   transpo rtation  network of coal to a powe r  plant  is assumed a s  Fig u re 5. There are thre e mo des  of tran sp ort  o p tions:  rail  tra n sp ortation,  road t r an sp ort a tion a nd  se a  tran sp ortatio n . The  cost s  of  variou s tran sportation  mo des a r e  sh o w n i n  T able   3, the  nee d t i mes of va rio u s t r an sp orta tion   mode s are shown in Tabl e 4,  the fee  of transshi p m ent betwe en  variou s tran sportation m o des  are  sh own in  Table  5, an d the tan s shi p ment  time s  betwe en va ri ous t r an sp ort a tion mo de s  are  sho w n in Ta b l e 6.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Optim i zation Model of  Coal Allo catio n  in a Grou p (Jianji an Zha o )   3735     Figure 5. Tra n sp ortation  Network       Table 3. Unit  Tran sp ortatio n  Co sts of Va riou s Tra n spo r t Mode s (yua n/t)  Transpo rtation M ode  Coal mine - 1   1-2   2-3   3-4   4- po w e r plant   Rail  62  39 40 45  53  Road   80  24 36 51  70  Sea  M  35 37 48  49                Whe r e, 1, 2, 3, 4 all respect differe nt  transship me nt points. M mens that the se a   transpo rtation  cann ot be used.      Table 4. The  Tran sp ortatio n  Times of th e Variou s Tra n sp ortation M ode s (day s)  Transpo rtation M ode  Coal mine - 1   1-2   2-3   3-4   4- po w e r plant   Rail  1.6  1.0 1.5 1.8  2.0  Road   2.3  0.8 1.2 1.5  2.0  Sea  M  1.1 1.3 1.7  1.8      Table 5. Tran sshipme n t Ch arge s bet wee n  Variou s Tra n sp ortation M ode s (yuan/t)  Transpo rtation  M ode  Rail Road  Sea  Rail 0  5  4  Road  5  0  4  Sea 4  4  0      Table 6. The  Times of Tra n sshipm ent b e twee n   V a rio u s Tr an spo r t  Mode s (d ay s)   Transpo rtation  M ode  Rail Road  Sea  Rail 0  0.7  0.5  Road  0.7  0  1  Sea 0.5  1  0    The Matlab software  wa s use d  to acco mplish the op timization pro c e ss. The  co ndition s  were s e t as  following:     α =0.7                                                                                                                                                            (25)     β = 0 .3                                                                                                                                                           (26)    σ = 10                                                                                                                                                       (27)    And the cro s sover p r o bab ility was set as 0.8, mutation pro babilit y was set a s  0.005, and the   whol e tran sp ortation coal  wa s set a s  15 ,000 tons.    The optimization result  of  t he  tran spo r ta tion  path  is 1 - 1-2-3 - 3.  Tha t  mean s th at  the rail  transpo rtation  is use d  from  coal mine to  point  2, the road tran spo r tation sho u ld  be use d  fro m   point 2 to point 3, and the sea tra n sport a tion is  appli e d from point 3 to the powe r  plant. The total  optimizatio n goal value i s  197.1, th e frequ en cy  of operatio n iteration i s  51, the total   transpo rtation  cost is 2 43 yuan/ton, and  t he total transportation time  is 9 days.       7. Conclusio n   An optimai ztion sy stem f o r the  co al  a llocation in  a po we r g eneration g r oup  wa s  develop ed ba sed  on the m u lti-co als  ble nding te ch n o l ogy model,  coal tran sp ort a tion mod e l  and  the relevant  algo rithm s . The  sy ste m  ad opts fri endly  softwa r e  stru ctu r e  and  ca n  pro v ide   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3728 – 37 36   3736 person a lized  function s fo r the po we r  gene ra tion g r oup and po wer plant s.  A  comp utatio nal  example sh o w   that  the op timization re sults  can  be  searche d  o u t by the ge neti c  alg o rithm  i n  a   very sho r t pe riod of time, but the results co ntai n so me sub optim al solution s. In the practi cal  appli c ation, t he bala n ce b e twee n search sp eed a nd  pre c isi on  can  be a c hieved  by cho o sin g  a  more a ppreci a te algorith m  according to the req u ireme n ts of com put ing time.      Ackn o w l e dg ements   This resea r ch is currently supp orte d b y   the Nation al Natu ral Scien c e F oun dation of   Chin a (No.51 3760 66, 508 0 6022 ), the sp ecial fou ndat i on of Pearl Ri ver Ne w Star  of Scien c e an d  Tech nolo g y in Guang zh o u  City (No. 2012J220 0 02), the Chi na Schol arship Cou n cil  (No.  2012 0844 007 2) a nd Key  Labo rato ry of  Efficient an d Cl ean E n e r gy Utili zatio n  of G uan gd ong   High er Edu c a t ion Institutes ， South Chin a University of technolo g y (No.KLB10 0 0 4 ).       Referen ces   [1]    Peng  T ,  Herui  C. Econ omic  Gro w t h  a nd  Coal  Co nsum ption  in  Ch ina .   T E LKOMNIKA Indo nesi a n   Journ a l of Elec trical Eng i ne eri n g . 201 3; 11(3) : 1449-1 4 5 5 .  [2]    T i ejun C, Xi ya ng L. T he Study  of Se lectio n  of Coal-F ir ed S upp lier i n  T hermal Po w e r Ent e rprise B a se d   on the E x tensi on An a l ysis Method.  T E LKOMNIKA Indone sian Jo urna l of Electrical Eng i neer ing . 2 013;  11(7): 38 74- 38 85.   [3]    Moha nta S, Ch akrab o rt y  S, M e ika p  BC. Pre d ictio n  of Econ omic Oper atin g Co nditi ons fo r India n  Co a l   Prepar ation Pl ants.  F uel Proc essin g  T e chn o l ogy.  201 1; 92 ( 9 ): 1696- 17 00.   [4]    Xi jin G, Ming C ,  Jia w e i  W .  Co al Ble ndi ng Op timizatio n  of Coal Pre par ation  Productio n  Pr ocess Base d   on Improve d  GA.  Procedia E a rth and Pla neta r y Science . 20 09; 1(1): 65 4-6 60.   [5]    Gupta V, Mo hant y MK.  Co al Pr epar atio n  Pla n t Op timi zation: A  Criti c al R e vi e w   of the E x istin g   Methods.  Inter natio nal J ourn a l of Miner al Pr ocessi ng . 20 06 ; 79(1): 9-17.   [6]    Jin SH, K w a n g  YL. A Mu ltia gent-S ystem-B ased Int e ll ige n t  Referenc e G o vern or for M u lti Obj e ctive   Optimal Po w e r  Plant Operati o n.  IEEE Transactions on Ener gy Conv ersion . 2008; 2 3 (4): 1 082- 109 2.   [7]    Gupta V, Moh ant y  M, Ma ha j an A, Bis w a l   SK.  Genetic Al gorithms - A N o vel T e chni qu e to Optimiz e   Coal Pr epar ati on Pla n ts.  Internatio nal J ourn a l of Miner al Pr ocessi ng . 20 07 ; 84(1-4): 133- 143.   [8]    T i an y a ng  C, H ong jia n Z ,  Yo n g  Y, H o n g li an g  Z ,  Han g  Z .  In vestigati ons  int o  the  Ign i tio n   Behav iors  of   Pulveriz ed  Co a l s a nd  Coa l  Bl e nds  in  a Dr op   T ube F u rnace   Using  F l am e M onitor i ng  T e chniq ues.  Fu el .  201 0; 89(3): 74 3-75 1.  [9]    Jian guo Z ,  F en Z .  Sulfur Di oxid e Emissio n  Co mb in ation  Predictio n Mo del of C h in a T hermal P o w e r   Industr y .   T E LK OMNIKA Indon esia n Journ a l o f  Electrical Eng i ne erin g . 201 3; 11(3): 115 7-1 165.   [10]    Marisam y  M,  T o moaki N,  Kuni o Y. C harac ter i stics  of Co-com bus tion a n d  Kin e tic Stud y o n   H y droth e rmal l y  T r eated Mun i cipa l S o li d W a ste  w i t h  D i fferent  Rank  C oals: A  T hermogravim etric   Anal ys is.  Appli ed Ener gy . 201 0; 87(1): 14 1-1 48.   [11]    Moha nta S, M i shra BK, B i s w a l  SK. A n  E m phas is o n  O p timum F u e l   Producti on for  Indi an  Coa l   Prepar ation Pl ants T r eating Mu ltipl e  Co al S ources.  F uel . 2 010; 89 (3): 7 7 5 -78 1 .  [12]    Yian nis AL, Kulb hush an J, Reza K, Adel  F S .  Combustio n  Behav ior in  Air of Singl e Particles fro m   T h ree Differen t  Coal Ra nks  and from Su g a rcan e Bag a s s e.  Co mbusti o n  and F l a m e . 201 1; 158( 3):  452- 465.   [13]    Siti SI, Norazah AR, Khudzir I, Azil BA,  Z u lkifli  AR. Investiga t ion on T hermo chemic al Beh a v iour of Lo w   Rank M a la ys ia n Co al, Oil P a lm Biom ass a nd T heir Bl en ds dur ing  P y ro l y s i s via  T hermogravim etric   Anal ys is (T GA).  Bioresourc e  T e chn o lo gy . 201 0; 101(1 2 ): 458 4–4 59 2.  [14]    Kaih ua Z ,  Kai  Z ,  Yan C, Weipi ng P. Co-c om busti on C h aracteristics a nd Ble n d i ng O p timizati on of   T obacco  Stem and Hig h-su lfur   Bitumin ous C oal  B a se d o n  T hermo gravim etric an d Mass S pectrometr y   Anal ys es.  Bior esourc e  T e chn o lo gy . 201 3; 131 (3): 325- 33 2.  [1 5 ]     Yo n m o  S,  C h eo re on  M, Se on gy oo l  A, Gy un g m in  C, D u c k jool  K. E x per i m ental Stu d y   on Inter a ctio n   and E x cess  He at Rele ase u n d e r Oxy-fue l  Co mbustio n  of Bl end ed C oals.  Korea n  Jour nal  of Che m ica l   Engi neer in g . 2013; 30( 2): 337 -344.             Evaluation Warning : The document was created with Spire.PDF for Python.