浙江大学学报(工学版)

浙江大学学报(工学版), 2026, 60(11): 2338-2345 doi: 10.3785/j.issn.1008-973X.2026.11.003

机械工程

基于差异创意搜索算法的矿浆输送泵站优化调度

李茂,, 熊新,, 郭凯, 李卓睿, 马军

1. 昆明理工大学 信息工程与自动化学院，云南 昆明 650500

2. 昆明理工大学 云南省智能控制与应用重点实验室，云南 昆明 650500

Optimal scheduling of slurry transportation pumping station based on differentiated creative search algorithm

LI Mao,, XIONG Xin,, GUO Kai, LI Zhuorui, MA Jun

1. Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China

2. Yunnan Key Laboratory of Intelligent Control and Application, Kunming University of Science and Technology, Kunming 650500, China

通讯作者: 熊新，男，高级工程师. orcid.org/0009-0005-5633-5525. E-mail：xinxiong@kust.edu.cn

收稿日期: 2025-09-12  

基金资助: 国家自然科学基金资助项目（62173168）；云南省基础研究计划项目（202401AW070014）.

Received: 2025-09-12  

Fund supported: 国家自然科学基金资助项目（62173168）；云南省基础研究计划项目（202401AW070014）.

作者简介 About authors

李茂（1999—），男，硕士生，从事泵站优化调度研究.orcid.org/0009-0001-7374-9448.E-mail：limao@stu.kust.edu.cn , E-mail：limao@stu.kust.edu.cn

摘要

针对矿浆泵站刚性流量调度模式与分时电价机制失配的问题，提出基于差异创意搜索算法（DCS）的矿浆输送泵站优化调度方法. 分析矿浆输送泵站的特点和输送介质的特性，明确影响输送成本的关键因素；以泵站运行成本最低为目标，综合考虑需矿量和输送安全约束，构建矿浆输送泵站优化调度模型；基于DCS求解建立的优化调度模型，将所提方法优化结果与粒子群优化算法（PSO）、遗传算法（GA）和哈里斯鹰算法（HHO）的结果进行对比，验证引入DCS的有效性；通过优化不同需矿量下各泵的流量分配，为泵站运行提供优化指导方案. 将所提方法运用于云南大红山矿浆泵站，实验结果表明：当需矿量分别为9 500、10 000和10 500 t时，相较于目前运行方案，所提方法分别降低泵站日运行成本723.13、1 306.28和1 180.37 元，单位输矿成本分别降低2.20%、3.73%、3.15%.

关键词： 优化调度 ; 矿浆输送 ; 差异创意搜索算法 ; 流量优化分配 ; 泵站

Abstract

To address the mismatch between the rigid flow scheduling mode of slurry pumping stations and the time-of-use electricity pricing mechanism, an optimal scheduling method for slurry pumping stations based on the differentiated creative search algorithm (DCS) was proposed. First, the characteristics of slurry pumping stations and the properties of the conveyed medium were analyzed to identify the key factors influencing transportation costs. Second, with the objective of minimizing pumping station operating costs, an optimal scheduling model for slurry pumping stations was constructed with comprehensive consideration of ore demand and transportation safety constraints. Third, the DCS was applied to solve the established optimal scheduling model, and the optimization results obtained by the proposed method were compared with those obtained by the particle swarm optimization (PSO), genetic algorithm (GA), and Harris hawks optimization (HHO) to verify the effectiveness of the adopted DCS. Finally, by optimizing the flow distribution of each pump under different required ore volumes, an optimized operation guidance scheme was provided for the pumping station. When applied to the Dahongshan slurry pumping station in Yunnan Province, experimental results showed that under three required ore volumes of 9 500 t, 10 000 t, and 10 500 t, compared with the existing operation scheme, the proposed method reduced the daily operating costs of the pumping station by 723.13 yuan, 1 306.28 yuan, and 1 180.37 yuan, respectively, and decreased the unit ore transportation cost by 2.20%, 3.73%, and 3.15%, respectively.

Keywords： optimal scheduling ; slurry transportation ; differentiated creative search algorithm ; optimal flow distribution ; pumping station

PDF (909KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李茂, 熊新, 郭凯, 李卓睿, 马军. 基于差异创意搜索算法的矿浆输送泵站优化调度. 浙江大学学报(工学版)[J], 2026, 60(11): 2338-2345 doi:10.3785/j.issn.1008-973X.2026.11.003

LI Mao, XIONG Xin, GUO Kai, LI Zhuorui, MA Jun. Optimal scheduling of slurry transportation pumping station based on differentiated creative search algorithm. Journal of Zhejiang University(Engineering Science)[J], 2026, 60(11): 2338-2345 doi:10.3785/j.issn.1008-973X.2026.11.003

管道运输作为继铁路、公路、水路和航空之后的第五大运输方式，在长距离和大运量物料输送领域展现出显著优势，已成为现代矿业运输体系的重要组成部分[1]. 在矿浆输送领域，通过压力管道实现固体物料的水力输送，能够有效突破复杂地形限制，降低运输过程的环境影响. 泵站作为管道输送系统的核心动力单元，在矿浆输送过程中，消耗电能超过整个输送系统的90%. 因此，开展矿浆输送泵站优化调度研究，降低运行成本，为泵站提供经济运行方案具有重要意义.

针对泵站优化调度问题，已有研究从不同角度展开. 在模型构建方面，高中阳等[2]针对泵站-水库原水调水系统运行成本高的问题，构建泵站机组流量分配模型，优化流量分配以降低运行成本；Bai等[3]针对梯级泵站灌区水能消耗大的问题，建立多目标线性规划模型，统筹优化灌溉用水量、能耗与作物产值，在实际灌区应用中提出水能资源的优化空间布局；冯晓莉等[4]针对复杂并联泵站群运行能耗高的问题，基于混合狼群算法构建能耗最小化模型，实际应用表明，运行能耗平均降低9.80%；马夏敏等[5]针对梯级泵站系统运行效率低和能耗高的问题，提出总效率最大化的优化调度模型，有效提高了密云水库的三级泵站的运行效率. 泵站优化调度研究主要以泵站的运行成本最小[6]、功耗最小[7]和效率最大[8]为目标，结合泵站的运行特点构建优化调度模型. 现有研究多聚焦于输水泵站. 鉴于矿浆输送泵站的介质为复杂的固液两相流，在管道内的流动状态更为复杂，当前针对清水介质的泵站模型不再适用于矿浆输送泵站. 本研究结合矿浆输送泵站的运行特点，考虑输送介质的特性，以泵站每日运行成本最小为目标，构建矿浆输送泵站优化调度模型.

智能优化算法是泵站优化调度模型常用的求解方法[9-10]，如粒子群算法（particle swarm optimization，PSO）[11]、遗传算法（genetic algorithm，GA）[12]和哈里斯鹰算法（Harris hawk optimization，HHO）[13]等已被广泛运用于泵站优化调度问题的求解. 侯国鑫等[14]针对湖南某泵站变频调角双调节轴流泵机组运行优化问题建立优化调度模型，采用PSO进行求解，确定了该泵站最优运行策略，提升了机组运行综合性能；薛萍等[15]针对泵站机组的流量优化分配问题，构建以机组流量为决策变量的分配模型，运用GA求解，使泵站运行效率提高了4.26%；Hou等[16]针对梯级泵站系统能耗高和效率低的问题，建立优化调度模型，采用HHO进行求解，有效提升了系统整体效率，降低了年运行成本. 这些算法普遍存在易陷入局部最优和收敛速度慢的问题[17]. 差异创意搜索算法（differentiated creative search, DCS）[18]作为融合差异化知识挖掘与创造性现实主义策略的智能优化方法，其独特的全局搜索机制和动态平衡能力在解决高维和非线性复杂工程优化问题中的优势显著. DCS在光伏系统参数辨识[19]和大规模旅行商问题[20]的典型复杂场景中也得到广泛应用，但在泵站优化调度领域尚属应用空白. DCS优异的收敛性和计算精度，使该算法在降低系统运行成本方面具备显著潜力. 本研究1）结合矿浆输送泵站的运行特点，以泵站每日运行成本最低为目标，构建优化调度模型；2）将DCS引入模型求解，提出基于DCS的矿浆输送泵站优化调度方法；3）通过案例分析，优化不同需矿量条件下的输送方案，揭示输矿量与单位输矿成本之间的规律，确定最低单位输矿成本和泵站日最优输矿量，为矿浆输送泵站优化运行提供策略依据，有效降低运行成本.

1. 矿浆输送泵站优化调度模型构建

1.1. 问题描述

以云南大红山站为例，矿浆输送泵站系统结构如图1所示. 大红山站作为云南大红山铁精矿管道输送系统的第一级泵站，在整条矿浆输送线中起决定性作用. 站内配备3台并联运行的TZPM 2000型高压隔膜泵，体积流量范围为22.5~135.0 m3/h，电机功率为1 500 kW. 大红山站至下一级泵站的管线长度为12.57 km，管径273.00 mm，管壁厚度14.00 mm，泵站管道出口最大承压能力为20.60 MPa，两地海拔高差为765.25 m. 泵站运行体积流量范围为260.00~330.00 m3/h，输送矿浆的质量浓度为67.00%，矿浆密度为2 105.17 kg/m3，年输送铁矿量350.00万吨. 泵站根据每日需矿量要求平均分配每台泵的体积流量qi，一天内各个时段的体积流量相同. 由于电网实行分时电价政策，这种恒定流量运行模式意味着在电价较高的高峰段，泵站仍需以较高负荷运行，支付巨额电费；在电价较低的低谷段，无法充分利用低价电能来提升输送能力.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   矿浆输送泵站系统结构图

Fig.1   Structure diagram of slurry transportation pumping station system


1.2. 模型构建

1.2.1. 目标函数

将一天划分为a个时段，考虑分时电价、流量和扬程等因素，以矿浆输送泵站运行电费最小为目标，构建目标函数：

$ F=\min \sum \limits_{t=1}^{a}\sum \limits_{j=1}^{n}\frac{{W}_{t,j}}{{\eta }_{t,j}}{c}_{t}\Delta {T}_{t}, $

$ {W}_{t,j}=\rho g{q}_{t,j}{H}_{t}. $

式中：F为矿浆输送泵站一天的运行成本，n为泵站内泵的个数，Wt,j为第t个时段内第j台泵的有用功，ηt,j为第t个时段内第j台泵的效率，ct为第t个时段内的电价，$ \Delta {T}_{t} $为第t时段的时间间隔大小，$ \rho $为矿浆的密度，g为重力加速度，qt,j为第t个时段内第j台泵的体积流量，Ht为第t个时段内泵站的扬程.

$ {H}_{t}=\Delta H+{h}_{t}, $

$ {h}_{t}=\lambda \frac{L{v}_{t}{}^{2}}{2Dg}+\delta \frac{{v}_{t}{}^{2}}{2g}, $

$ {v}_{t}=\frac{4}{{\text{π}} {D}^{2}}\displaystyle\sum \limits_{j=1}^{n}{q}_{t,j}. $

式中：ΔH为泵出口高度至下一级泵站搅拌槽液位的高度差，ht为第t个时段内管道输送矿浆的总阻力损失，$ \lambda $为摩擦阻力系数，L为矿浆输送管道长度，vt为第t个时段管道内输送矿浆的流速，D为管道内径，$ \delta $为局部损失系数，$ \lambda {L{v}_{t}{}^{2}}/{(2Dg)} $为管道沿程阻力损失，$ \delta {{v}_{t}{}^{2}}/{(2g)} $为管道局部阻力损失.

1.2.2. 约束条件

由于矿浆输送泵站输送的矿浆具有高浓度、高黏度和高密度等特点，在输送过程中须考虑管道内冲蚀磨损[21]和矿浆中固体颗粒沉降造成管道堵塞[22]. 为了确保泵站在输送矿浆时，既能够满足产量需求，又能够保障泵站安全、稳定和高效地运行，设置如下约束条件.

（1）泵的流量约束. 泵正常工作时，机组允许通过的最小、最大流量为

$ {q}_{j,\min }\leqslant {q}_{t,j}\leqslant {q}_{j,\max }. $

式中：qj,min和qj,max分别为第j台泵的最小和最大体积流量. 在输送矿浆过程中，必须严格控制流速在适宜范围内. 流速过低会导致矿浆中的固体颗粒沉降，引发管道堵塞；流速过高会加剧管道内壁的冲蚀磨损，缩短管道使用寿命，显著增加输送压力，带来安全风险.

$ {Q}_{\min }\leqslant \sum \limits_{j=1}^{n}{q}_{t,j}\leqslant {Q}_{\max }. $

式中：Qmin为防止固体沉降设定的最小临界流速对应的最小安全体积流量，Qmax为最大限度降低管道磨损并确保输送压力不超过管道额定承压能力而设定的最大允许输送体积流量.

（2）输送铁矿需求量约束. 泵站每天输送的铁矿，要达到每天铁矿的需求量：

$ \sum \limits_{t=1}^{a}\sum \limits_{j=1}^{n}\rho {q}_{t,j}\Delta {T}_{t}C={Q}_{\text{d}}. $

式中：Qd为每日铁矿的需求量，C为矿浆的重量浓度.

（3）功率约束. 为了避免泵在运行中长时间超负荷运行，泵的运行功率须小于最大功率：

$ {P}_{t,j}\leqslant {P}_{j,\max }, $

$ {P}_{t,j}={{W}_{t,j}}/{{\eta }_{t,j}}. $

式中：Pt,j为第t个时段内第j台泵的运行功率，Pj,max为第j台泵的最大功率.

（4）搅拌槽液位约束. 为了保证矿浆在输送过程中浆体为匀质流，在泵的入口前设置搅拌槽搅拌矿浆. 为了确保搅拌槽安全运行，搅拌槽的液位应在合适的区间：

$ {Z}_{\min }\leqslant {Z}_{t}\leqslant {Z}_{\max }, $

$ {Z}_{t}={Z}_{t-1}+\frac{1}{{\text{π}} {r}^{2}}({Q}_{t,\text{in}}\Delta {T}_{t}-\displaystyle\sum \limits_{j=1}^{n}{q}_{t,j}\Delta {T}_{t}). $

式中：Zt为搅拌槽在第t个时段内搅拌槽的液位，Zmin为搅拌槽正常工作的最小液位，Zmax为搅拌槽正常工作的最大液位，Qt,in为t时段搅拌槽输入的矿浆体积流量，r为搅拌槽的半径.

2. 求解方法

如图2所示，本研究构建的矿浆输送泵站优化调度模型用DCS求解，具体的求解步骤如下. 1）以泵站内各泵流量为决策变量初始化成员：

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   基于差异创意搜索算法的矿浆输送泵站优化调度模型流程图

Fig.2   Flow chart of optimal scheduling model of slurry transportation pumping station based on differentiated creative search algorithm


$ {q}_{t,j}={q}_{j,\min }+\beta \left({q}_{j,\max }-{q}_{j,\min }\right). $

式中：$ \beta $为[0，1.0]的随机数. 2）对初始流量分配进行校验，确保满足约束条件. 计算当前方案的运行成本，记录最小成本及对应流量分配. 3）根据运行成本将成员分为3类，分别采用不同的策略对3类成员进行更新. 高性能成员负责全局探索（发散思维）：以随机成员的知识为基础，通过Linnik分布引入创造性跳跃，在搜索空间中执行长距离探索.

$ {v}_{i,d}={x}_{{\mathrm{r1}},d}+\text{Lk}\left(\alpha ,\sigma \right). $

式中：vi,d为第i个高性能成员在维度d上的新位置，xr1, d为随机选择的成员在维度d上的位置，$ \text{Lk}\left(\alpha ,\sigma \right) $为Linnik分布随机数生成器. 中等性能成员承担局部开发任务（收敛思维）：融合团队最优知识与随机队友的差异信息，通过时变社会认知系数平衡探索与开发，早期偏向探索，后期转向开发.

$ \begin{split}{v}_{i,d}= & w\cdot {x}_{\text{best,}d}+{\lambda }_{t}\cdot ({x}_{{\mathrm{r1}},d}-{x}_{{\mathrm{r}}2,d})+\\& {\omega }_{i,t}\cdot ({x}_{{\mathrm{r1}},d}-{x}_{{\mathrm{r}}2,d}).\end{split} $

式中：w为领导认知权重，xbest,d为当前最优个体在维度d上的位置，$ {\lambda }_{t} $为社会认知系数，$ {\omega }_{i,t} $为随机学习强度，xr2,d为非高性能成员中随机选择的个体在维度d上的位置. 低性能成员负责为团队带来多样性.

$ {V}_{\text{NP}}=\text{LB}+{U}(0,1)\times (\text{UB}-\text{LB}). $

式中：VNP为新生成的替换解（对应原种群中第NP个低性能成员），LB为优化问题各维度的下界，UB为优化问题各维度的上界，U(0,1)为[0,1.0]均匀分布随机数. 4）对更新后的成员进行约束处理，计算更新后的矿浆输送泵站成本F，记录最优运行成本Fmin和对应的流量分配. 5）判断是否达到终止条件，若没达到，则返回步骤3），直至达到满足终止条件. 6）输出矿浆输送泵站优化调度模型的最优解.

3. 案例分析

3.1. 历史运行方案分析

从大红山站的历史运行数据中选取代表性日需求量9 500、1 0000和10 500 t（分别对应常规低值、基准值及高负荷值）的运行方案进行分析. 泵站当地分时电价如图3所示，历史运行方案见表1，其中E为单位输矿成本（输送每吨矿所需成本）. 由表1可知，在大红山站中，各台泵的流量根据每日的铁矿需求量设定，且每台泵的流量相同. 泵站总体积流量随着每日的铁矿需求量增加而增加，单位输矿成本也随之增加.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   大红山站分时电价

Fig.3   Time-of-use electricity price of Dahongshan station


表 1   大红山站历史运行方案

Tab.1  Historical operation schemes of Dahongshan station

Qd/tqj/(m3·h−1)F/元E/(元·t−1)
j=1j=2j=3
9 50093.5593.5593.5532 864.433.459 3
10 00098.4798.4798.4735 072.823.507 3
10 500103.39103.39103.3937 486.413.570 3

新窗口打开| 下载CSV


3.2. 优化结果分析

3.2.1. 不同优化算法结果对比

PSO、GA和HHO在水利、电力及泵站调度优化中应用成熟且效果显著，将这些优化算法与DCS进行对比，验证DCS的有效性，寻找矿浆输送泵站的最优运行方案.

根据大红山站当地分时电价，将一天划分为8个时段. 在每日铁矿需求量为9 500、10 000、10 500 t的情况下，分别采用PSO、GA、HHO与DCS求解模型. 每种算法设置种群数为30，最大迭代次数Nmax=1 000. PSO、GA和HHO的参数设置参考文献[17]. DCS的概率常数Pc=0.5[19]，调节算法多样化，以避免停滞在局部最优. 每种算法独立运行20次，20组计算结果的最小值、平均值和标准差如表2所示，算法收敛过程如图4所示. 由表2可知，在3种铁矿需求量条件下，4种算法所求得的泵站运行方案均优于原方案，运行成本均有显著下降. 具体来看，DCS在所有测试场景下均取得最低的运行成本，获得的最小值和平均值均一致性地优于PSO、GA和HHO，这证明了DCS在搜索最优解方面具备稳定且强大的能力. 在衡量算法稳定性的标准差指标上，DCS的标准差显著且稳定地低于其他对比算法，表明其求解结果波动小，重复运行性能高度可靠，具备优异的鲁棒性. 由图4可知，DCS在迭代过程中表现出更快的收敛速度与更稳定的收敛结果. 该优势主要源于算法采用的种群分类、创造性跳跃和时变系数等策略，能够有效协调全局探索与局部开发过程，从而在早期迅速逼近最优区域，并在后期持续优化，避免早熟. 相比之下，PSO、GA与HHO在迭代早期虽能快速收敛，但在后期因种群多样性下降与探索能力不足，易陷入局部最优. 因此，DCS在求解矿浆输送泵站优化调度问题时，不仅具备更强的最优解搜索能力，还表现出更高的稳定性和重复性，所获调度方案可靠度高，具备直接指导实际运行的潜力.

表 2   不同铁矿需求量下各算法对矿浆输送泵站的优化运行成本

Tab.2  Optimal operating costs of slurry transportation pumping station by each algorithm under different iron ore demands

Qd/tFPSO/元FGA/元FHHO/元FDCS/元
最小值平均值标准差最小值平均值标准差最小值平均值标准差最小值平均值标准差
9 50032 204.4932 290.8472.4332 271.7932 608.65258.3932 183.6332 254.9948.0232 141.3032 154.059.75
10 00033 865.1233 993.94118.7433 923.2834 211.93211.3033 789.0633 832.5423.5233 766.5433 777.928.32
10 50036 523.9636 750.64202.7436 715.7537 032.58184.4936 335.8136 381.9728.4936 306.0436 323.5512.45

新窗口打开| 下载CSV


图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   不同需矿量下不同算法的收敛过程

Fig.4   Convergence process of different algorithms under different ore demands


3.2.2. 基于差异创意搜索算法的泵站优化求解

如表3所示，基于DCS对3种需矿量的泵站运行方案进行优化，DCS的参数设置同前文一致. DCS优化方案相较于泵站目前的运行方案分别降低了泵站每日运行成本723.13、1 306.28和1 180.37元；单位输矿成本分别降低2.20%、3.73%、3.15%. 不同时段（t=1、3、5、7为平时段；t=2、6为低谷时段；t=4、8为高峰时段）下各泵的体积流量分配及每小时配置分别如图5和图6所示. 为了最小化运行成本，基于DCS的优化方案在严格保障铁矿需求量与安全的前提下，利用电价时段差异转移高成本时段能耗，并在每个时段内动态优化分配各泵输送流量，确保其运行于或接近最佳流量组合.

表 3   差异创意搜索算法优化方案

Tab.3  Optimization schemes of differentiated creative search algorithm

Qd/ttqj/(m3·h−1)F/元E/(元·t−1)
j=1j=2j=3
9 500193.8987.4687.9732 141.303.383 2
299.35106.37102.42
390.3688.8490.13
487.3390.8991.09
591.4488.7689.11
6102.8497.3398.34
791.6485.7891.90
889.3388.5691.39
10 000199.7796.2294.6533 766.543.376 6
2107.41110.45112.14
393.8798.1597.62
490.8288.0190.49
598.1994.5593.28
6107.94108.31113.75
796.3588.8398.04
889.5690.4089.33
10 5001110.24110.05108.0936 306.043.457 7
2105.91112.03112.06
3103.25109.27111.55
490.0391.5088.49
5110.51111.34106.94
6111.75111.89106.36
7111.39104.40108.54
891.6691.9391.17

新窗口打开| 下载CSV


图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   不同需矿量条件下的体积流量分配

Fig.5   Volume flow distribution under different types of ore demand


图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   不同需矿量条件下的每小时体积流量分配

Fig.6   Hourly volume flow distribution under different types of ore demand


3.2.3. 输矿量与单位输矿成本关系分析

结合大红山站实际输送需求和上游给矿能力，分析大红山站历史运行数据，其每日输矿量最小为9 200 t、最大为10 700 t. 以100 t为间隔，分别采用PSO、GA、HHO与DCS求解出各输矿量下的泵站单位输矿成本如图7所示. 基于DCS的方案在不同输矿量下，结果都优于其他3种算法的方案. 当输矿量为9 800 t时，单位输矿成本最低为3.360 2 元/t. 优化后的单位输矿成本随输矿量的增加呈现先减小后增大的趋势，产生该现象的原因如下. 在低输矿量工况（Qd<9 800 t）下，管道系统受限于非低谷时段最低安全流量要求，导致低谷时段增流空间受限，高电价时段输矿占比增加进而推高单位成本. 当输矿量趋近最佳值（Qd=9 800 t）时，需求增长为多时段协同优化提供了必要条件：低谷时段流量最大化提升低价电能利用率，非低谷时段通过精准控制在最低流量阈值与泵效最优区间的平衡点，形成“谷时增流-平时优效”的协同机制，实现单位成本最小化. 当输矿量突破最优阈值（Qd> 9 800 t）时，谷时增流空间饱和迫使高价时段流量占比提升，同时泵组高负荷运行引发能耗劣化，两者的复合作用导致成本上升.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   每日输矿量与单位输矿成本关系

Fig.7   Relationship between daily ore throughput and unit transportation cost


4. 结　语

本研究根据矿浆输送泵站的工程特点，构建矿浆输送泵站优化调度模型，提出基于DCS的矿浆输送泵站优化调度方法. 1）分析矿浆输送泵站的特点和输送介质的特性，构建适用于矿浆输送的泵站优化调度模型，为矿浆输送泵站优化调度研究提供优化模型. 2）在3种需矿量条件下，DCS优化结果的最小值、平均值和标准差均优于PSO、GA和HHO；DCS优化方案相较于目前运行方案，分别降低泵站日运行成本723.13、1 306.28和1 180.37元，单位输矿成本分别降低2.20%、3.73%和3.15%. 3）随着泵站每日的输矿量的增加，优化后的单位输矿成本呈现先减小后增大的趋势；当输矿量为9 800 t时，单位输矿成本最低为3.360 2 元/t. 在本研究中，单级矿浆输送泵站流量分配问题得到优化，降低了运行成本. 后续，将围绕梯级矿浆输送泵站优化调度问题展开研究，为梯级矿浆输送泵站提供优化指导方案.

参考文献

庄登登, 刘浪, 尹土兵, 等

矸石浆体长距离管道输送: 装备、材料与工艺协同优化技术体系研究

[J]. 中南大学学报: 自然科学版, 2025, 56 (7): 2924- 2941

[本文引用: 1]

ZHUANG Dengdeng, LIU Lang, YIN Tubing, et al

Long-distance pipeline transportation of gangue slurry: an integrated technical framework for synergistic optimization of equipment, materials, and processes

[J]. Journal of Central South University: Science and Technology, 2025, 56 (7): 2924- 2941

[本文引用: 1]

高中阳, 张召, 司乔瑞, 等

泵站-水库原水调水系统经济运行方式优化

[J]. 排灌机械工程学报, 2024, 42 (2): 201- 208

DOI:10.3969/j.issn.1674-8530.23.0110      [本文引用: 1]

GAO Zhongyang, ZHANG Zhao, SI Qiaorui, et al

Optimization of economic operation mode of pumping station-reservoir raw water transfer system

[J]. Journal of Drainage and Irrigation Machinery Engineering, 2024, 42 (2): 201- 208

DOI:10.3969/j.issn.1674-8530.23.0110      [本文引用: 1]

BAI C, YAO L, WANG C, et al

Optimization of water and energy spatial patterns in the cascade pump station irrigation district

[J]. Sustainability, 2022, 14 (9): 4943

DOI:10.3390/su14094943      [本文引用: 1]

冯晓莉, 王永兴, 仇宝云

基于混合狼群算法参数优选的泵站群运行优化

[J]. 农业工程学报, 2020, 36 (3): 30- 36

DOI:10.11975/j.issn.1002-6819.2020.03.004      [本文引用: 1]

FENG Xiaoli, WANG Yongxing, QIU Baoyun

Optimization of pumping station group operation based on optimized parameters using hybrid wolf pack algorithm

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36 (3): 30- 36

DOI:10.11975/j.issn.1002-6819.2020.03.004      [本文引用: 1]

马夏敏, 张雷克, 刘小莲, 等

基于麻雀搜索算法的梯级泵站优化调度

[J]. 水力发电学报, 2024, 43 (5): 43- 53

DOI:10.11660/slfdxb.20240505      [本文引用: 1]

MA Xiamin, ZHANG Leike, LIU Xiaolian, et al

Optimal scheduling of cascade pumping stations based on sparrow search algorithm

[J]. Journal of Hydroelectric Engineering, 2024, 43 (5): 43- 53

DOI:10.11660/slfdxb.20240505      [本文引用: 1]

GONG Y, ZHU B

The optimal operation of parallel pumping stations for inter-basin water transfer based on the multi-objective optimization of a single pumping station

[J]. Processes, 2022, 10 (10): 1935

DOI:10.3390/pr10101935      [本文引用: 1]

孙天野, 王忠静, 祝宝山

陕甘宁盐环定扬黄梯级泵站优化研究

[J]. 武汉大学学报: 工学版, 2025, 58 (1): 142- 149

DOI:10.14188/j.1671-8844.2022.0527      [本文引用: 1]

SUN Tianye, WANG Zhongjing, ZHU Baoshan

Research on optimization of ShaanGanNing YanHuanDing Yellow River cascade pumping station

[J]. Engineering Journal of Wuhan University, 2025, 58 (1): 142- 149

DOI:10.14188/j.1671-8844.2022.0527      [本文引用: 1]

吴阮彬

基于改进遗传算法的泵站优化调度研究

[J]. 水利科技与经济, 2022, 28 (4): 63- 67

[本文引用: 1]

WU Ruanbin

Research on optimal scheduling of pumping stations based on BP neural network

[J]. Water Conservancy Science and Technology and Economy, 2022, 28 (4): 63- 67

[本文引用: 1]

郝梦园, 张雷克, 刘小莲, 等

基于人工兔算法的复杂输水系统泵阀联合优化调控

[J]. 浙江大学学报: 工学版, 2025, 59 (10): 2115- 2124

[本文引用: 1]

HAO Mengyuan, ZHANG Leike, LIU Xiaolian, et al

Pumps and valves joint optimization control in complex water conveyance system based on artificial rabbits optimization algorithm

[J]. Journal of Zhejiang University: Engineering Science, 2025, 59 (10): 2115- 2124

[本文引用: 1]

刘小莲, 李贞蓉, 王雪妮, 等

梯级泵站优化调度模型参数敏感性分析及其求解算法改进

[J]. 工程科学与技术, 2026, 58 (1): 121- 132

DOI:10.12454/j.jsuese.202400699      [本文引用: 1]

LIU Xiaolian, LI Zhenrong, WANG Xueni, et al

Parameter sensitivity analysis and algorithm improvement of optimization scheduling model for cascade pumping stations

[J]. Advanced Engineering Sciences, 2026, 58 (1): 121- 132

DOI:10.12454/j.jsuese.202400699      [本文引用: 1]

ZHANG Q, XIE Z, LU M, et al

Optimization of hydropower unit startup process based on the improved multi-objective particle swarm optimization algorithm

[J]. Energies, 2024, 17 (17): 4473

DOI:10.3390/en17174473      [本文引用: 1]

ROBLES-BERUMEN H, ZAFRA A, VENTURA S

A survey of genetic algorithms for clustering: taxonomy and empirical analysis

[J]. Swarm and Evolutionary Computation, 2024, 91: 101720

DOI:10.1016/j.swevo.2024.101720      [本文引用: 1]

HEIDARI A A, MIRJALILI S, FARIS H, et al

Harris Hawks optimization: algorithm and applications

[J]. Future Generation Computer Systems, 2019, 97: 849- 872

DOI:10.1016/j.future.2019.02.028      [本文引用: 1]

侯国鑫, 刘梅清, 梁兴, 等

变频调角双调节轴流泵机组在大型泵站中的优化运行研究

[J]. 中国农村水利水电, 2020, (7): 212- 215

DOI:10.3969/j.issn.1007-2284.2020.07.041      [本文引用: 1]

HOU Guoxin, LIU Meiqing, LIANG Xing, et al

Research on the optimal operation of axial flow pump units with variable frequency and angle regulation

[J]. China Rural Water and Hydropower, 2020, (7): 212- 215

DOI:10.3969/j.issn.1007-2284.2020.07.041      [本文引用: 1]

薛萍, 卢龙彬, 雷晓辉, 等

基于遗传算法的单级泵站机组流量优化分配模型

[J]. 济南大学学报: 自然科学版, 2022, 36 (6): 675- 680

DOI:10.13349/j.cnki.jdxbn.20220628.001      [本文引用: 1]

XUE Ping, LU Longbin, LEI Xiaohui, et al

Optimal flow distribution model of single-stage pumping station units based on genetic algorithm

[J]. Journal of University of Jinan: Science and Technology, 2022, 36 (6): 675- 680

DOI:10.13349/j.cnki.jdxbn.20220628.001      [本文引用: 1]

HOU X, ZHANG L, LIU X, et al

Research on optimal allocation of flow and head in cascade pumping stations based on Harris Hawks optimization

[J]. Water Supply, 2024, 24 (1): 272- 289

[本文引用: 1]

张雷克, 侯笑鹏, 刘小莲, 等

基于改进哈里斯鹰算法的梯级泵站优化调度

[J]. 浙江大学学报: 工学版, 2023, 57 (12): 2501- 2512

[本文引用: 2]

ZHANG Leike, HOU Xiaopeng, LIU Xiaolian, et al

Optimal scheduling of cascade pumping stations based on improved Harris Hawks optimization algorithm

[J]. Journal of Zhejiang University: Engineering Science, 2023, 57 (12): 2501- 2512

[本文引用: 2]

DUANKHAN P, SUNAT K, CHIEWCHANWATTANA S, et al

The differentiated creative search (DCS): leveraging differentiated knowledge-acquisition and creative realism to address complex optimization problems

[J]. Expert Systems with Applications, 2024, 252: 123734

[本文引用: 1]

CHERMITE C, DOUIRI M R

A novel hybrid approach combining differentiated creative search with adaptive refinement for photovoltaic parameter extraction

[J]. Renewable Energy, 2025, 245: 122764

[本文引用: 2]

XU Q, XIA K, CHU X

Discrete differentiated creative search for traveling salesman problem

[J]. Applied Soft Computing, 2025, 174: 112998

[本文引用: 1]

肖琦琨, 马军, 郭凯, 等

基于DDPM-RSM的浆体管道冲蚀磨损数值模拟研究

[J]. 中国腐蚀与防护学报, 2025, 45 (3): 709- 719

[本文引用: 1]

XIAO Qikun, MA Jun, GUO Kai, et al

Numerical simulation of erosion wear in slurry pipeline based on DDPM-RSM

[J]. Journal of Chinese Society for Corrosion and Protection, 2025, 45 (3): 709- 719

[本文引用: 1]

唐冶, 王过, 李颖

复杂约束三维功能梯度输流管道稳定性和临界流速分析

[J]. 振动与冲击, 2023, 42 (9): 213- 221

[本文引用: 1]

TANG Ye, WANG Guo, LI Ying

Analysis of stability and critical flow velocity of 3D functionally gradient fluid-conveying pipeline with complex constraints

[J]. Journal of Vibration and Shock, 2023, 42 (9): 213- 221

[本文引用: 1]

/

〈 〉